0 引言
人工智能（Artificial Intelligence，简称AI）技术的普及化发展是数智时代的典型标志之一。从ChatGPT为代表的生成式AI（Generative AI，简称GenAI）技术革命，再到文心一言、豆包、DeepSeek等本土大模型的技术突破，AI正对社会各个行业领域产生冲击。在此背景下，教育部2024年先后公布了两批“人工智能+高等教育”典型案例，促进高校深化“AI+高等教育”的探索与实践。国务院近期印发的《教育强国建设规划纲要（2024—2035年）》，提出以教育数字化开辟新赛道，以AI赋能教育强国建设[1]，为贯彻落实该规划，教育部联合中央网信办等九部门发表加快推进教育数字化的意见（下称“意见”），明确指出“以师生为重点提升全民数字素养与技能”，举措包括完善师生数字素养标准和人工智能应用指引，开展素养提升实践活动和调查评估，提升数字素养与人工智能应用水平等[2]。“意见”中“数字素养”“人工智能”两词被频繁并肩提及，其紧密联系指向一个新兴概念——数智素养。数智素养被定义为GenAI技术广泛应用背景下扩展出的一种融合素养，包含数据素养、数字素养、AI素养（AI literacy，简称AIL）等，学术界已围绕数智素养的构成要素、教育框架、教育实施，开展了多维度的深入研究。本研究聚焦AIL教育领域，认为AIL教育有助于高等教育“AI+”发展，主要表现在：AIL教育证实了“AI+专业”教育的实践本质，厘清了它与AI专业科目教育的区别；将AIL作为通识教育内容，有助于分层式AI教育体系的构建；AIL作为数字“大跃进”过程中的关键能力，应被整合进高校毕业生的素养培养体系。
回望全球教育进展，国际政策导向正积极推动AIL教育。以联合国教科文组织（United Nations Educational, Scientific and Cultural Organization，简称UNESCO）为代表，其自身多年致力于研究AI在教育场景中的应用，发布《北京共识：AI与教育》《教育和研究中的GenAI指南》等文件，促进教育人员对AI的理解和准备[3]。UNESCO将2025年1月24日国际教育日定为“AI与教育：在自动化时代保护人类能动性”[4]，聚焦AI教育应用带来的机遇与挑战，凸显AIL教育实施的迫切性。落实到国家层面，按主导者可分为两种AIL教育类型：一是由政府部门、社会组织主导制定的AIL框架或教育计划，为大众教育、专业领域教育指明AIL教育方向；二是高校范围内由多方主体参与，向师生或社会公众开展的AI普及课程[5]。如美国“数字承诺”（Digital Promise）组织发表的《人工智能素养：理解、评估和使用新兴技术的框架》[6]，为教育界提供了AIL教学蓝图。马来西亚政府与英特尔合作推出“全民人工智能计划”（AI Untuk Rakyat）[7]，构建在线学习平台提高全体公众的AIL，并要求高等教育机构确保所有大学生参与该计划。加拿大麦吉尔大学发布的高校图书馆教学领域AIL框架[8]，通过对高校图书馆员进行访谈，确定构建了AI框架所需涵盖的关键领域，指导高校图书馆的AIL教育工作。日本为推进“社会5.0”战略目标，在《人工智能战略2019》中制定了AI人才分层培养规划，注重全民AIL培养与AI人才保障的衔接[9]，为响应战略，日本文部科学省自2021年推出了AI教育项目审查制度，即“数学、数据科学、AI教育认证”（Approved Program for Mathematics，Data science and AI Smart Higher Education，简称MDASH），保障高校AIL教育质量[10]。
已有研究聚焦于日本AI教育政策的解构。有学者系统分析了日本AI战略系列文件的演进逻辑，总结出日本AI教育战略特征包括翔实的规划内容、明确的时间节点、清晰的部门分工、动态的调整机制[11]。也有研究指出获MDASH认证的日本高校AI教育项目存在部分问题，包括未能凸显AI教育特色、少有大学深耕“AI+专业”的人才培养模式，偏离日本AI战略初衷等[12]。尚未有文献专门针对“日本高校AI素养教育”这一细分领域进行研究，削弱了其对中国AIL教育实践的指导意义。职是之故，本文从日本AI教育战略规划出发，以日本AIL教育为研究对象，探究日本AIL教育框架设计的理论内涵，剖析日本高校AIL教育本土实践案例，以期提炼对中国高校AIL教育的有益启示，探索AIL教育在中国的创新实施路径。
1 日本AI政策中的AIL教育场景
1.1 MDASH认证创设背景
2019年3月，日本政府汇总了《以人为中心的AI社会原则》，同年6月发布了《人工智能战略2019》，共同说明了AI人才培养的重要性。前者通过揭示3条理念、7条AI社会原则，指明“AI-Ready社会”的转型路径，其中“教育与素养原则”明确要求AI社会下需构建公平教育环境，确保政策制定者、使用者、开发者等不同群体均具备AI认知、伦理规范、人文科学等方面的素养，同时通过全年龄段教育覆盖，打破文理界限、融入互动式教育、鼓励民间主体参与，避免技术导致的社会格差与分断[13]。后者在“教育改革”版块中指出AI是数字大跃进过程中的核心技术，现代社会亟需由AI驱动生产服务创造的专业人才梯队，认为AI人才培养应贯穿初等中等教育、高等教育、继续教育、终身教育，形成一个长期性工程，以2025年为实现节点，确立以下教育发展目标：①面向全体国民，目标每年培养100万名具备AIL的中小学生和50万大学生；②每年培养25万应用型AI人才；③每年培养2 000名专家型AI人才，其中包括100名顶尖人才；④为社会人士和留学生提供更多的AI学习机会[9]。为实现该目标，日本认为有必要在高等教育阶段执行数学、数据科学、AI教育项目认证制度，自2019年10月29日设立“MDASH认证研讨会”，商讨MDASH的认证办法、分级别认证标准、产业界的应用转化等内容，历经两年研讨论证最终于2021年正式推出该制度。
MDASH认证推出后，日本没有停止关于“AI+”教育改革的思考，于2023年发布了《人工智能暂行观点整理》，提出“面向AI的风险应对”这一论点。论述中提到日本的GenAI用户基础呈指数级增长，GenAI在解决劳动力短缺、提升生产效率等社会议题上被寄予厚望，但GenAI的问世伴随诸多风险，比如虚假信息传播、音视频合成欺诈、社会认知差距等[14]。尤其在教育场景中，GenAI呈现双重效应：负面效应指学生滥用GenAI完成作业削弱了学业评估的有效性，对其过度依赖阻碍自身创造力发展；正面效应指适度应用可提升教学效率，减轻教师负担。在教育场景中如何对待GenAI成为日本国民关心的问题，日本政府认为文部科学省应尽快梳理论点并制定GenAI指导方针。另一方面，GenAI带来的双重效应也反映了AIL教育的重要性，认为文部科学省应进一步验证和调适现行教育政策，根据需要采取增加教育项目等措施。
1.2 MDASHL定位及其课程模型
MDASH认证是由高校提出申请，经文部科学省组织认定，遴选符合要求的教育项目。认证按照AI的掌握程度由低到高划定为3个级别，分别是素养教育（以下简称MDASHL）、应用基础教育、专家教育。AIL教育位于日本AI教育金字塔的底部（图1），乃开展深层次AI教育的根基。
日本认为AIL教育目标有：①领悟AI的意义、作用；②学会运用AI创造价值；③从人本角度思考AI利弊；④借助社会实操加深对AI的理解。基于以上，实现“自由享受AI益处”的终极目标。AIL教育实施的基本理念有：①传达AI的乐趣，开展提升学生好奇心和关注度的特色教育，培养学以致用、有自主学习意愿的AI人才；②高校应根据自身以及学生的特点，灵活开设课程；③通过真实数据和实操演练，结合社会实例，让学生运用AI解决现实问题；④知识传授应通俗易懂，注重所学内容在实际场景中的运用，拓宽学生的思维视野。
基于上述内容，日本“数学、数据科学、AI教育强化基地联盟”（下称“联盟”）主导制定了MDASHL课程模型，该模型是以“引入-基础-须知-选修”为核心的四模架构：①引入。学习AI与社会的关系。②基础。掌握解读、处理数据的基本能力。③须知。学习利用AI时在伦理、法律、社会方面的注意事项。④选修。进阶学习部分应用基础级的AI知识。模型中罗列了各模块的详细要素及对应的教学方法（表1），供日本高校参考。
表1 日本MDASHL课程模型［15］Table 1 Japanese MDASHL curriculum model |
| 模块 | 要素 | 教学方法 |
|---|---|---|
| 引入 | 1.数据、AI在社会中的运用 1-1.社会上正在发生的变化 1-2.社会上使用的数据 1-3.数据、AI的应用领域 1-4.面向数据、AI运用的技术 1-5.运用数据、AI的场景 1-6.运用数据、AI的最新动向 | 1.通过视频播放，展示数据赋能或AI赋能的实际案例（例如MOOC等）开展翻转学习；在授课过程中对数据和AI的广泛应用及其技术原理作详细解说 2.学生应以小组形式进行探讨，并分享生活中数据与AI的实际应用案例，避免单向的授课方式 |
| 基础 | 2.数据素养 2-1.读取数据 2-2.解释数据 2-3.处理数据 | 1.根据高校自身特点设立合适的主题，使用真实数据（或模拟数据）进行授课 2.学生亲身体验数据运用的部分环节，比如动手实现数据可视化 3.如有必要，最好准备课后的补充授课（补讲等） |
| 须知 | 3.数据、AI运用的注意事项 3-1.操作数据、AI时的注意事项 3-2.数据保护注意事项 | 1.引导学生将数据驱动型社会的风险视为切身课题 2.关于数据、AI引起的挑战进行小组讨论，不局限于单向授课的形式 |
| 选修 | 4.可选课程 4-1.统计与数学基础 4-2.算法基础 4-3.数据结构与编程基础 4-4.时间序列数据分析 4-5.自然言语处理 4-6.图像识别 4-7.数据处理 4-8.数据活用实践（监督学习） 4-9.数据活用实践（无监督学习） | 1.本内容作为可选项，高校根据自身特点选择学习内容 2.高校根据自身特点设定合适的题目，使用真实数据（或模拟数据）进行授课 3.根据学生意愿满足授课需求（高校间合作等） |
对上述模块的具体应用过程中，“联盟”要求各高校根据自身教育目标、学科领域特点、学生的学习背景等因素，灵活且恰当地选择、抽取所需要素，同时，要注重要素间的组织关联，不必涵盖模型展示的全部要素。其次，在编制课程时，不必拘泥于4模块在教学过程中的固定顺序，但鉴于课程需着重传授运用AI的“乐趣”及“学习的意义”，应在课程设计阶段尽量前置“引入”模块。“联盟”提供了3种AIL教育课程设计方案（图2），展示了4模块的设置方式及模块间的联动关系。①方案1。设计由1或2门科目构成的独立课程，课程中穿插4模块要素。②方案2。在多个现有科目中合理、恰当地融入4模块要素，既可作为现有教学内容的补充，也可与现有教学内容相结合。③方案3。作为高校独立教学项目的起点，由“引入-须知-基础”作为“入门”教学环节，通过“选修”模块过渡至“应用、基础”教学环节。AIL教育作为新兴教育领域，本就是充满活力的创造性活动，标准化方案的意义并非固化模板，而在于激发教育者突破思维定式。以这3种方案为教学设计蓝本，“联盟”期待各高校在专注于教育改进的同时，充分激发创新活力，从学校定位与学生需求出发寻找独特的教育路径，推动AIL教育摆脱“千校一面”的同质化困境，开展形式丰富、特色鲜明的AIL教育。
1.3 MDASHL认证审查与AIL框架
在学术界，针对AIL框架的设计已达成初步共识。在2020CHI会议上，AIL得到系统性的阐述，被定义为一系列能力，使个体能够批判性地评估AI技术，有效地与AI沟通和协作，并在在线、家庭和工作场所使用AI作为工具[16]，该研究将AIL归为5个方面的能力，也是目前较为公认的AIL框架。之后有学者专门探索AIL的构成要素，基于Bloom分类法提出4维AIL框架[17]。有研究遵循PRISMA2020指南开展“AIL能力”综述研究，基于UNESCO数字素养全球框架，提出包含8种核心能力的AIL框架[18]，具有一定代表性。此外，UNESCO坚持以人为本、人人平等的核心理念[19]，制定的《学生人工智能能力框架》也有一定参考价值[20]。国内研究基于对国内外AIL研究文献的调查，结合中国学生发展核心素养[21]与STEM素养[22]，构建了本土化的AIL框架。这些研究共同丰富了AIL的内涵，进而为AIL教育框架、教育模式设计提供了坚实的理论支撑。本研究对上述国内外6种主流AIL框架作一级编码，对各AIL框架指标作二级编码（表2）。
表2 国内外主流AIL框架Table 2 Mainstream AIL frameworks at home and abroad |
| 编码 | 提出者（年份） | 对象 | 二级编码&AIL框架指标 |
|---|---|---|---|
| #1 | LONG（2020）[16] | 未明确 | #1.1 AI概念初识（What is AI） |
| #1.2 AI能力范畴（What can AI do） | |||
| #1.3 AI技术原理（How does AI work） | |||
| #1.4 AI伦理应用（How should AI be used） | |||
| #1.5 AI公众认知（How do people perceive AI） | |||
| #2 | NG（2021）[17] | K-16、公众 | #2.1 AI认知与理解（Know and understand AI） |
| #2.2 AI使用与应用（Use and apply AI） | |||
| #2.3 AI评估与创造（Evaluate and create AI） | |||
| #2.4 AI伦理（AI ethics） | |||
| #3 | CHEE（2024）[18] | K-16、教师、组织、职场人群、公众 | #3.1 AI设备与软件操作能力（AI device and software） |
| #3.2 数据与算法素养（Data and algorithm literacy） | |||
| #3.3 问题解决能力（Problem solving） | |||
| #3.4 交互协作能力（Communication and collaboration） | |||
| #3.5 AI伦理能力（AI ethics） | |||
| #3.6 职业相关能力（Career-related competences） | |||
| #3.7 AI内容创作能力（AI content creation） | |||
| #3.8 情感能力（Affective competences） | |||
| #4 | UNESCO（2024）[20] | 学生 | #4.1 以人为本的AI思维方式（Human-centred Mindset） |
| #4.2 AI伦理（Ethics of AI） | |||
| #4.3 AI技术与应用（AI techniques and applications） | |||
| #4.4 AI系统设计（AI system design） | |||
| #5 | 张银荣（2022）[21] | 中国学生 | #5.1 AI知识（对应：文化基础） |
| #5.2 AI能力（对应：自主发展） | |||
| #5.3 AI伦理（对应：社会参与） | |||
| #6 | 杨鸿武（2022）[22] | K-12 | #6.1 核心概念 |
| #6.2 技术实践 | |||
| #6.3 跨学科思维 | |||
| #6.4 伦理态度 |
以MDASHL课程模型为基准，文部科学省确立了素养级别认证的5个审查项目[10]，其内容直接且客观地反映了日本AIL教育框架。本文以日本AIL教育审查内容为切入点，基于对审查内容、MDASHL课程模型要素、AIL框架研究文献的细致研读，梳理审查内容与AIL框架的逻辑关联，建立审查项目与AIL框架指标的映射关系（表3）。为体现AIL审查要素同时精简表达，将原审查项目中的“数学、数据科学、AI”或“数据、AI”统一限定为“AI”（去除MDASHL课程模型中“数据”相关且与AIL教学相关性不强的对应要素）。最后，基于对各“AIL框架指标”的解读与归纳，提炼出日本AIL教育框架体现的五大教育方向，及各方向培育的AIL能力指标。
表3 日本AIL教育框架体现的AIL教育方向Table 3 Japanese AIL education directions embodied in its AIL education framework |
| 项目序号 | 项目内容 | MDASHL课程模型要素 | AIL框架指标 | AIL教育方向 |
|---|---|---|---|---|
| 1 | AI对当前正在进行的社会变革（第四次产业革命、Society5.0、数据驱动型社会等）有着深刻的贡献，并且与我们的生活有着密切的联系 | 引入： 1-1. 社会上正在发生的变化 1-6.运用AI的最新动向 | #1.1、#2.1、#3.8、#4.3、#5.1、#6.1 | 熟识AI概念、把握AI动态 |
| 2 | AI所针对的“社会中被活用的数据”和“数据的活用领域”非常广泛，可以成为解决日常生活和社会课题的有用工具 | 引入： 1-3.AI的应用领域 | #1.2、#2.1、#3.8、#4.3、#5.1、#6.1 | 加强AI意识、领悟AI意蕴 |
| 3 | 展示了各种数据利用现场的数据利用事例，AI通过与各种应用领域（流通、制造、金融、服务、公共基础设施、医疗保健等）的知识相结合来创造价值 | 引入： 1-4.面向AI运用的技术 1-5.运用AI的场景 | #1.2、#1.3、#2.1、#2.3、#3.6、#4.3、#5.1、#6.1、#6.3 | 了解AI原理、拓展AI应用 |
| 4 | AI并不是万能的，重要的是要考虑其利用时的各种注意事项（ELSI、个人信息、数据伦理、AI社会原则等） | 须知： 3-1.操作AI的注意事项 | #1.4、#2.3、#2.4、#3.5、#4.1、#4.2、#5.3、#6.3、#6.4 | 遵守AI准则、承担AI责任 |
| 5 | 借助真实数据（包括学术数据等）和课题演练，结合社会案例的实践教学，学习基础的AI应用方法 | 基础： 2-1.读取数据 2-2.解释数据 2-3.处理数据 | #1.3、#1.5、#2.2、#3.1、#3.2、#3.3、#3.4、#3.7、#4.4、#5.2、#6.2 | 依托AI实操、培养AI技能 |
（1）熟识AI概念、把握AI动态。加深学生对AI技术发展与社会变革的了解。展示大数据、物联网、GenAI、机器人等技术案例，促使学生深入了解AI相关的技术概念（#1.1、#2.1、#4.3、#5.1、#6.1）。通过展示AI技术驱动的社会变化，如AI助推的新型商业模式、大规模语言模型应用等，帮助学生及时把控AI发展动态（#1.1、#2.1、#4.3、#5.1、#6.1），基于以上不仅提升对AI技术的兴趣也能评估自身的AIL水平（#3.8）。
（2）加强AI意识、领悟AI意蕴。讲授AI在生产、消费、文化活动等领域的应用情况，通过上述教学帮助学生了解、思考AI的作用（#1.2、#2.1、#4.3、#6.1）进一步加强对AI的敏感度及使用动力（#3.8）。学生思考过程中形成的对AI的情感态度、价值取向、科学精神，侧面反映了对个体“文化基础”素养的培育（#5.1）。
（3）了解AI原理、拓展AI应用。讲授AI所运用的技术原理，如数据解析、数据可视化、专用AI与通用AI的差异等，让学生掌握AI的基础运作逻辑（#1.3、#2.1、#2.3、#4.3、#5.1、#6.1）。通过展示AI在跨领域、跨场景中的应用案例，拓展和丰富AI应用场景，促使学生体会AI的跨界应用价值（#1.2、#2.1、#3.6、#4.3、#6.3），并结合自身学习领域思考“AI+专业”的运行模式和发展方向。
（4）遵守AI准则、承担AI责任。讲授AI在伦理、法律、社会方面的课题（ELSI：Ethical, Legal and Social Issues）、欧盟通用数据保护条例（GDPR）、AI社会原则（公平性、问责制、透明度、以人为本的判断）等，加深了解AI伦理道德影响与AI法律规制，应对AI带来的挑战与风险，促使学生评估、批判运用AI，建立人与AI间的信任等（#1.4、#2.4、#3.5、#4.2、#5.3、#6.4）。UNESCO提出的“以人为本的AI思维方式”（#4.1）与日本AIL教育目标的第三点“从人本角度思考AI利弊”不谋而合，体现“强调个人主体性”这一教育内容，强化AI环境中的人本思维，提升思辨意识与责任担当（#2.3、#6.3）。
（5）依托AI实操、培养AI技能。以社会实例为课题，发放真实数据，通过实操演练，培养AI技术训练所需的数据、算法素养（#1.3、#1.5、#2.2、#3.2、#4.4、#5.2、#6.2），包括数据读取能力（统计学知识）、数据解释能力（数据可视化等操作）、数据处理能力（排序、计算、生成等算法理解），加强解决实际问题的能力（#3.3、#6.2）。演练过程中使用GenAI辅助编程，加强AI工具操作能力、与AI的协作能力、AI赋能下的创作能力（#3.1、#3.4、#3.7、#5.2）等，提升课题解决效率。
6种AIL框架在每个项目均有映射，且这些AIL框架面向教师、公众、中国学生等不同主体，说明日本AIL教育框架紧扣AIL理论设计的同时兼具泛用性。各高校提交的认证申请文件，会依据框架审查项目，对照MDASHL课程模型要素，分点列举课程名称、节数及教学概要。以北陆大学的MDASHL申报文件为例，在项目1的1-1要素单元框中，写明涉及的课程为《信息素养》的第三、七、八节，授课内容涵盖“数据量增加、计算机处理性能提升、AI的非连续进化”与“融合多种技术的AI服务”，明确表述了在“熟识AI概念、把握AI动态”这个教育方向的讲授内容。其他高校申请认证时也遵循此种方式填写，便于文部科学省审核。
2 MDASHL认证典型日本高校
MDASH采用“一种计划、两种版本”的认证体系：一种是“MDASH”认证；另一种是升级版“MDASH+”认证。后者是从获得MDASH认证的高校中遴选一批具有行业特色且深耕校企合作的高校所颁发的认证[12]。同理，“MDASHL+”代指MDASHL的升级版。截至2024年8月，日本494所高校获得MDASHL认证，其中30所获得MDASHL+认证[23]。日本文部科学省在MDASH介绍页面列举了部分高校作为典型示范案例[10]，包括北陆大学（MDASHL+，私立）、和歌山大学（MDASHL+，国立）、千叶大学（MDASHL+，国立）、关西大学（MDASHL、私立），这些高校在教学设计方面严格遵循素养教育课程模型且独具特色。下文将他们的AI教育项目作为案例研究样本，按照项目背景、课程架构、特色举措3个方面逐一介绍，并总结它们的AIL教育实践特征。
2.1 北陆大学：数据科学与AI教育项目[24]
此项目旨在让学生掌握AI相关的数据素养。北陆大学在为项目专门开设介绍页面[25]，足见项目地位。此外，北陆大学通过举办AI研讨会、参与Tableau大学会议、参加教育数字化转型研讨会等方式积极对外宣传。项目由《信息素养》《统计学入门》两门现有科目组成。《信息素养》作为必修课面向校内全学院开设，其中国际交流学院额外增设了《信息处理基础》一门课程。《统计学入门》由各学院根据自身专业特色独立设置，例如药学院的《临床统计学》、经济经营学院的《数据科学》等，多数为选修课。北陆大学列举了一系列特色教学举措：①引入无代码工具。利用技术开发的可视化手段，有效降低学习难度。②推行翻转课堂教学模式，学生在个人手机或电脑上观看视频素材，随堂完成布置的作业。③定期举办Tableau数据分析竞赛并公开讲评。④开展基于校内零售店铺数据的实证分析项目。⑤公开课程资源（包括教学PPT、视频资料、调查问卷及数据集等）。2023年Tableau学术大使竞选中，北陆大学在日本地区仅有20个获选名额的情况下，有一名学生与一名教师成功入选，凸显项目实践成效。
2.2 和歌山大学：数据科学启蒙课程[26]
和歌山大学于2018年成立了数据智能教育研究部门，2020年部门遵循官方提供的第三种方案（图2）构建了“数学、数据科学、AI教育项目”体系，并在素养级别开设《数据科学启蒙》系列课程，作为该体系的起点（图3），学生要完成素养级别课程的学习，须修完《数据科学启蒙A》（1学分）《数据科学启蒙B》（1学分）这两门课程。为了提升学生的学习兴趣，课堂形式主推基于线上视频的按需型授课，课程内容的2/3为理论讲授，1/3为实操演练，保障教学的双向性，同时便于学生复习和上机操作练习。为避免学生出现学习疲劳，教师会适时抛出问题，以维持学生的注意力，引导他们带着疑问听讲。观看视频后，学生通过学习管理系统（Learning Management System，简称LMS）进行测试，以达到复习巩固效果[27]。
2.3 千叶大学：学术发展科目群之数学与数据科学科目[28]
日本千叶大学于2020年开设了面向全校的“数学与数据科学”科目，共计3个学分。同年在前者基础上开设了“数学与数据科学”辅修专业。2023年又获得MDASH应用基础级别认定。2024年成立了信息与数据科学学院。“数学与数据科学”科目分为“数学、数据科学科目（基础）”与“数学、数据科学科目（拓展）”两个子类：基础类即《信息素养》，共计2学分；拓展类包括《数据科学B》，共计1学分。为了吸引更多学生参与到AI学习，千叶大学实施了诸多特色举措，包括与帝国数据库商签订合作协议，融合双方实绩与经验，共同开发教材，并在教学实践环节开展编程马拉松、安全漏洞挖掘竞赛等活动检验成效[29]。
2.4 关西大学：AI与数据科学教育项目[30]
此项目是四所高校中唯一在项目名称中将“AI”置于首位的融合学科教育项目，旨在让学生体会学习AI的乐趣、理解AI的重要性以及获取AI知识。学校开设了两门AIL课程：《AI见闻》与《AI体验》，各学院借助各自专业领域的AI应用案例拟定课程主题，比如商学院的“AI、数据科学是什么”、社会安全学院的“数据、AI安全应用：数据保护与数据、AI应用注意事项”、系统理工学院的“AI基础学习”与“了解AI相关研究”等，这些主题课程紧密贴合专业特色，结合AI的行业应用场景进行讲授。关西大学在大阪府内设有五处地理分散的独立校区，各校区学科布局差异显著，叠加物理空间阻隔导致学生社群归属感薄弱，为解决该问题，项目通过线上线下融合教学、各学院教员接力授课，有效降低跨校区通勤的时间成本，同时依托LMS加强学习社区建设，加强课堂教学临场感，提升学生的学习参与度。在教学实践层面，关西大学与中央大学、法政大学联合开展数据科学思维竞赛，检测学生数据、AI素养水平，验证项目成效。
2.5 四高校AIL教育实践对比分析
基于网络调研和内容归纳，分析对比4所高校的AIL教育实践特征（表4）。综合来看，4所高校在AIL教育实施的具体环节上存在异同。
表4 4所日本高校AIL教育对比Table 4 Comparison of AIL education in four Japanese universities |
| 高校名称 | 项目启动年（MDASHL认证年） | 项目定位 | 项目主导者 | 面向学生范围 | MDASHL 课程模块 | MDASHL 课程方案类型 | 学分 | 必修 | 颁发DOB | 线上教学 | 产学融合 | MDASHL+认证 | 认证优势 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 北陆大学 | 2022（2023） | 培育具备AI相关数据素养的专业型人才 | 全校教务委员会 | 全校 | 引入、基础、须知、选修 | 2 | 2、3、4 | √ （部分选修） | √ | √ | √ | √ | 教学低门槛、趣味驱动 |
| 和歌山大学 | 2020（2021） | 面向社会5.0的高端型技术人才培育 | 数据智能教育研究部门 | 3 | 2 | √ | √ | √ | √ | √ | 教学支持举措完备 | ||
| 千叶大学 | 2020（2021） | “千叶大学国际化人才培养”项目环节其一 | 情报战略机构数据科学部门 | 1 | 3 | √ | √ | √ | √ | √ | AI必修课、AI辅修专业并行发展 | ||
| 关西大学 | 2021（2022） | 打造综合性超级大学的校园氛围 | 教育推进委员会+院长、研究科长会议 | 1 | 4 | √ | √ | √ | 无 | 无 | 13学院文理融合的课程设计 |
（1）教育实施主体的组织模式。和歌山大学、千叶大学有专门的教育研究部门负责AI教育项目的统筹策划、资源整合。北陆、关西大学的AI教育项目主要由现有教务部门负责。
（3）全校必修的科目地位。4所高校的AI教育项目采用“全校覆盖+必修课”模式，面向所有专业的大一学生开设，将数据素养、AI素养的培养作为高校生的通识教育必修内容，通过多个学院参与授课，致力于打破学科壁垒，使文理工医等不同领域学生均能接触AI前沿领域。
（4）产学融合与“MDASHL+”的关联性。“产学融合深度”是获得MDASHL+认证的关键因素。北陆大学、和歌山大学、千叶大学均在项目介绍文件中明确阐述了产学融合的细节步骤，包括与政府、企业、组织等社会个体的合作。关西大学虽然在院院合作、校校合作等方面表现突出，但未明确提及校企协作相关内容，缺乏实质性的产学合作成果支撑，没有体现行业特色，也导致它尚未获得MDASHL+认证。
（5）线上教学的时代适应性。4所高校的AIL教育均始于2021年前后，受时代背景影响，远程教学成为项目共同特征，大量授课内容采用异步在线课程或者直播教学的形式，配以LMS、聊天工具等平台辅助搭建线上学习社区，实现校园内网络教学的普及与适应，也解决了部分日本大学校园面积过大，上课通勤不便的问题。
各高校的认证优势，必定具有其独特性。北陆大学在其项目描述中强调了教学的低门槛和趣味性；和歌山大学注重在教学的各个阶段，对聊天平台、线上视频等载体的综合运用，来保障“知识后勤”，确保教学过程中的配套支持；千叶大学在开设AI必修课的同时，开发了AI辅修专业，以满足那些希望获得AI第二学位的学生；关西大学则跨越文理学科界限，允许各学院根据自身专业特色开设AI课程，促进了不同专业师生间的交流。上述举措体现了各高校在素养教学方面的独到之处。然而，实践过程中也存在一些问题，北陆大学、和歌山大学和千叶大学仍把教学重点置于数据挖掘、算法编程等传统计算机教学内容，将AIL教育等同于低水平的“AI专业”科目教育。和歌山大学和千叶大学在项目命名中甚至未提及“AI”一词，课程定位上侧重数学、数据科学两个领域，AI相关教学内容较少。由政策导向可预测日本高校未来会紧跟MDASH制度变化，强化AI领域的教学投入，尽可能提升项目中AI知识的教学比重，扩大AIL教育范围。
3 日本AIL教育对中国启示
3.1 中日AIL教育战略与制度的体系化差异
日本通过AI人才培养金字塔战略布局与MDASH认证制度落地，确保各社会主体对AIL教育的资源供给，并成立MDASH强化基地联盟，凭借九大片区的成员校协同推进教育共建，在高校成立专门的AI教育研究统筹机构，主导AIL教育科目或学科的规划、开设与管理。反观中国，尽管自2017年《新一代人工智能发展规划》即启动“AI+X”跨学科培育[31]，教育部亦出台《高等学校人工智能创新行动计划》，在宏观上明确高校“AI+”发展的要求、任务和措施[32]，浙江大学更是率先发布《人工智能素养框架红皮书》界定大学生AIL标准[33]，但在AIL教育的体系化建设层面仍存在差距，尚未形成由相关部门统筹的阶梯式“AI教育”战略蓝图，间接导致“AIL教育”的实践路径缺失，校际协作与校级实施均缺乏专门的AI教育统筹部门进行资源整合与分配，呈现“中央热、地方冷”的局面，致使AIL的教育推行举步维艰。
3.2 中日AIL教育课程设计的规范化差异
日本MDASH认证作为数学、数据科学、AI三位一体的教育认证制度，强调AIL教育不应与数学基础、算法编程、数据科学等内容相剥离。北陆大学、和歌山大学、千叶大学均在MDASHL课程阶段开设信息素养、数据科学类课程，普遍将数据与信息处理能力作为AIL教育的先修目标，表明尽管AIL教育正在兴起，数理知识及前置素养的教学培养仍是当前AIL教育所依赖的关键路径。此外，日本高校的AIL教育课程设计严格遵循MDASHL课程模型所展示的内容，在认证申报时明细标注与各审查项目匹配的课程名称、教学内容。对比中国，在高等教育阶段，虽由多省市指导与部署AI通识教育，高校也跟进开设试点AI通识课[34,35]，但整体上AIL教育的课程策划各自为营，未建立模块化AIL教育课程模型与多素养融合教学体系，缺少配套的审查与教学评估机制。
3.3 中日AIL产学融合的连通化差异
日本在AI教育顶层设计中，始终强调产学融合的重要性。在AIL教育实施环节，和歌山大学与企业联合授课，千叶大学与企业合作研发教材，这些深入校企合作的范例有效提升了教育质量。日本高校注重数据、AI在实际场景、跨学科研究及产业应用中的具体应用，以研讨、竞赛、活动等多种形式验证AIL教育成效。此外，和歌山大学、千叶大学、关西大学为AI教育项目结业学生颁发了基于区块链技术的DOB，该认证具备不可篡改性，高度契合AI领域持续演进、迅速迭代的特征，不仅为终身学习提供基础设施支持，更凭借成就激励与徽章收集机制吸引更多学习者，同时实现高校毕业生的AIL能力信息透明化，畅通了校企间的人才输送通道，将产学融会贯通运用至教学至就业的各个环节。相较之下，国内部分高校也正积极探索AI的“产学融合”育人模式，如沈阳师范大学建设AI实践基地、邀请企业专家入校授课等[36]，但总体而言，国内的AI产学融合仍局限于计算机科学、人工智能专业领域，跨场景、跨领域、跨产业转化能力薄弱，制约了AIL教育在经济、文化、制造等领域的实际运用效果。
4 中国实施AIL教育的具体措施
4.1 构建阶梯式AI人才培养体系，推行跨校跨部门“AI+”高等教育
4.1.1 确立全民培养制度
面向公众和高校两种对象构建AI人才培养体系。①全民AIL普及工程。由中国教育行政部门制定出台AI教育改革战略文件，规划基础教育至继续教育各阶段的培养理念、目标、方针与实施策略，明确目标的实现节点。确立AIL的全民培养地位，针对不同年龄、职业群体制定差异化培养策略，形成覆盖全社会的AIL公平教育环境。在社区、科技馆、图书馆等公共场所开设AI公益课堂，并搭建新时代素养教育中心，普及AI基础认知、AI技能与伦理规范。②高校“AI+”人才培养计划。教育行政部门牵头，联合211、985等高校，举行高校AI教育计划研讨会议，共同研讨计划的申请办法与分级标准，构建“基础素养教育-应用能力教育-专业专长教育”三阶递进式高校“AI+”人才培养计划，将AIL培养与专业AI人才培养分层衔接，确保教学内容的连贯性。同时对各阶段进一步划分为L1~L3三个级别，量化大学生的知识与能力水平，在政策文件中明确AIL教育在AI体系化教育中的基础定位，地方高校迅速响应，加强对AIL教育的重视，努力推进AIL课程建设。
4.1.2 优化高校组织模式
一是组建高校AI教育推进联盟，作为高校“AI+”人才培养计划的策划者、组织者，保障计划的落地实施。以中国东北、华北、华东等6个行政区为单元，由区域重点高校牵头组建。如复旦大学领衔华东地区联盟建设，统筹协调成员高校资源，实现MOOC、实训平台等资源的共享，推进教师跨校轮岗、学分互认等试点项目，提升区域教育资源配置效率。二是重构高校组织形态，高校教学研究部门具备跨学科资源整合能力，能实现对二级学院教育资源的统筹规划。地方高校可设立AI教育研究部门，打破校内部门、院系藩篱，组建由计算机专家、教育专家、图书馆员构成的跨学科AI教育设计团队，主导AIL系列课程研发、开设、管理和推广。
4.2 设计模块化AIL教育课程，统一多元素养教学范式，推动“通用+特色”教育
4.2.1 构筑三模教育课程模型
高校AI教育推进联盟确立AIL教育目标与实施理念，构筑“认知启蒙-技术筑基-伦理思辨”为核心的三模AIL教育课程模型。①认知启蒙。培养AI认知感知能力，理解AI技术发展背景与社会价值，提升对AI前沿动态的敏感度。②技术筑基。培养AIL所需的前置能力，培养数理知识、数据算法思维、编程能力等，为初级AI知识的学习打下基础，同时能以AI赋能自身专业学习，开展人文创新、科技创新。③伦理思辨。针对AI应用所引发的，如数字鸿沟、算法偏见等伦理问题进行教学普及，提升对AI应用的思辨能力，具备以人为本的AI思维方式，在具体场景考虑AI的适用性。联盟在明确模块框架后，细化商讨各模块的基本要素、教学方法、案例库等内容，探索互动教育、线上线下教育、案例教学、产学融合等教育形式，并对上述3个模块如何组织、衔接作出示范，提供3个模块在专业、通识课程的融合组织方案。在对AIL课程或项目的认证审查环节，要求高校AI教育研究部门提供学分设置、教学大纲、对应模块要素等信息，评估高校是否从认知、感悟、理解、伦理、操作5个方向（表3）全方位开展AIL教学。
4.2.2 研究多元素养培养方案
国内高校图书馆作为信息素养教育的主阵地，是AIL教育的施教主体之一。高校图书馆员作为上文提出的AI教育研究部门成员之一，与其他部门成员，在课程模型指导下共建AIL教育课程，推动AIL教育课程充分融入校内通识教育科目与学院专业科目体系。图书馆员自身要加强AI工具、AI技术、AI伦理等方面的知识储备，依据素养间的相互关系[16]，依托专业优势，构筑“信息素养→数字素养→数据素养/AI素养”的多素养培养方案，如武汉大学图书馆的“数字素养培训”项目就在数字素养课程中融入AIGC、DeepSeek等内容[37]，同时可在AIL教学专题中反哺信息素养、数据科学等教学场景，实现多素养教学场景互通。此外，图书馆员要深化与协作教员的交流，研讨多素养教学方案在专业教育课程中的嵌入方式，平衡多种素养的教学比重。AI技术快速发展下伦理问题日益凸显，AI伦理素养作为AIL的内生素养之一，需有针对性地设计配套教学方案，因此对课程模型的“伦理思辨”模块运用过程中，教学团队应设计案例分析、角色扮演等互动环节，加强学生面对AI伦理问题的临场感，促进学生对技术伦理问题的深入理解与批判性思考。
4.3 构建高校AIL数智化产学融合体系，实现AIL教育与产业实践的全路径贯通
国内高校应与企业深度合作，依托数智技术，开展全路径贯通的校内AIL产学融合教育（图4）。高校在AI教育研究部门的指导、安排下，成立“AIL产学教育委员会”（下称“委员会”），并在二级学院下设“学院分会”，负责对接企业。
（1）大数据赋能课程资源研发。除了下放联盟官方提供的视频教材以外，“委员会”可运用大数据分析与算法推荐技术，在网络平台收集、筛选社会热点AI运用案例，汇编AI运用正负面案例集，制作5~10分钟案例解说视频，结合企业实际业务编制教材内容，打造鲜活教材内容，并在公众号、小程序、微视频等载体有选择地公开部分教材内容，引发全民AIL自省自查。
（2）线上通讯技术赋能授课形式重构。各学院分会利用专业课程“AI+”模块化改造后产生的冗余教学空间，安排企业的高管、技术专家作为兼职教学人员，以远程授课形式，结合企业真实数据，围绕AI实际场景应用、人机协同作业等主题，演示典型案例。同时依靠群组交流软件、社交平台、LMS等线上工具搭建师生与企业专家的实时互动交流渠道，方便课后提问反馈。
（3）元宇宙赋能实践平台搭建。学院分会与对口企业对接，基于教材内容，运用VR、AR、MR等元宇宙技术，搭建沉浸式实践平台，如实践基地、工作坊、实验室等，模拟企业的真实工作环境，将学生团队置于其中开展AI应用实操，进一步巩固教材知识。
（4）GenAI赋能实习与竞赛。“委员会”推动学院分会与企业共建实习评估体系，针对AI及非AI行业实习场景，分别设置GenAI工具研发实践与“GenAI+业务”全流程实操任务。企业和学校对学生实习期间开展联合考评，全面考核学生AI应用能力与创新意识，为表现优异者提供合作企业转正绿色通道。同时共建竞赛推优体系，联合举办区域性的AI创新挑战赛，邀请企业专家担任评委，各学院学生自由组队参赛，按学院专业设置“AI算法评估赛道”与“AI工具应用赛道”。在“AI工具应用赛”中要求使用指定GenAI工具并压缩赛程，倒逼学生运用GenAI提升实操效率，赛事优胜项目将直接获得非AI行业企业的实习或创业孵化的机会。
（5）区块链赋能人岗匹配。由AI教育研究部门设计DOB样式，为AIL课程结业学生颁发铜色样式的DOB，标注课程名称、科目级别、主要学习成果等。“委员会”联合企业共同研发DOB配套的链式信息服务平台，双方签署标准化合作协议，明确开发平台的知识产权归属与利益分配框架，结合产业现状，预测产业人才需求，确定入行标准、薪资待遇等信息，与DOB数据、学生信息一同导入平台。企业制作移动端APP程序，面向公众开放，各社会主体共享、共建平台信息。重点设计平台就业推荐模块，向学生推送与之匹配的岗位信息，企业可溯源人才信息，直接验证求职者AIL水平，精准定位所需人员，主动发起面试或入职邀请。在后期维护中，可能存在标准不统一、资金链断裂、资源续航不足等潜在问题，双方需建立常态化的沟通机制，跟进优化、调整合作协议。“委员会”应与地方政府商讨激励政策支持等内容，对参与DOB平台搭建的高校、企业给予税收优惠或专项补贴，保障平台维护费用，实现人岗匹配快速通道的可持续发展。
5 结语
本研究借助跨国比较的透镜，进一步拓展了AIL教育的设计理论与实施策略。相较于同类研究，本研究探析了AIL教育课程的构成元素、设计方法与教育方向，同时在教育实施策略层面，指明国内AIL教育应在制度体系、课程设计、产学融合等方向施力。研究虽重点解构了日本MDASH教育认证制度，但未结合当地其他教育数字化政策，未能全面把握日本AIL教育图景，后续研究拟拓展至日本本土其他AI教育政策，扩充日本高校AIL教育的样本数量，更加全面地分析日本AIL教育战略实施框架，提供更具跨国迁移价值的AIL教育实施策略。
