Construction of an Artificial Intelligence Literacy Ability Framework and Training System for College Students

HU Anqi

doi:10.13998/j.cnki.issn1002-1248.25-0448

Journal of Library and Information Science in Agriculture >

2026 , Vol. 38 >Issue 2: 42 - 55

DOI: https://doi.org/10.13998/j.cnki.issn1002-1248.25-0448

Construction of an Artificial Intelligence Literacy Ability Framework and Training System for College Students

HU Anqi

Expand

Suzhou University of Science and Technology Library, Suzhou 215009

Received date: 2025-08-25

Online published: 2025-11-28

Fold

Abstract

[Purpose/Significance] The rapid proliferation of generative artificial intelligence (AI), exemplified by models like DeepSeek-R1, has precipitated a paradigm shift across various sectors, positioning AI literacy as an indispensable competency for the future workforce. University students, as digital natives and pivotal agents of technological adoption and innovation, stand at the forefront of this transformation. Their proficiency in understanding, utilizing, and critically evaluating AI technologies directly influences their academic performance, research capabilities, and long-term career adaptability. Although existing literature has begun to explore the conceptual landscape of AI literacy, a significant gap remains. There is an absence of a robust, empirically validated competency framework specifically tailored to the unique learning contexts, developmental needs, and future roles of university students within China's higher education system. This study aims to address this critical gap by constructing and validating a comprehensive AI literacy competency framework for college students. Its primary significance lies in its ability to move beyond theoretical discourse and provide an evidence-based model that can guide the systematical development of targeted training programs. This enriches the theoretical underpinnings of AI literacy education and offers practical guidance for cultivating high-quality talent equipped for the intelligent era. [Method/Process] This research employed a mixed-methods approach, integrating qualitative and quantitative methods to provide both theoretical grounding and empirical robustness. The study commenced with a qualitative phase utilizing the grounded theory methodology. A systematic analysis of 112 core academic publications (2019-2024) from databases such as CNKI and Web of Science was conducted. Through a rigorous process of open coding, axial coding, and selective coding, facilitated by NVivo11 software, we extracted 300 initial concepts, which were subsequently synthesized into 26 sub-categories and ultimately 4 main categories. This process resulted in the preliminary construction of a four-dimensional AI literacy competency framework. Following this, a quantitative phase was implemented to test and refine the framework. A detailed questionnaire was developed based on the identified dimensions and indicators. Utilizing a five-point Likert scale, the questionnaire measured 26 variables corresponding to the framework's sub-components. A total of 586 valid responses were collected from undergraduate students across universities in Jiangsu Province, China. The dataset was randomly split into two halves. The first subset (N=293) underwent exploratory factor analysis (EFA) using SPSS to uncover the underlying factor structure and assess the internal consistency reliability via Cronbach's alpha. The second subset (N=293) was subjected to confirmatory factor analysis (CFA) using AMOS to verify the hypothesized factor structure, evaluate model fit indices (e.g., CMIN/DF, CFI, TLI, RMSEA), and establish convergent and discriminant validity by examining average variance extracted (AVE) and composite reliability (CR). [Results/Conclusions] The empirical analyses strongly support the validity and reliability of the proposed competency framework. The EFA clearly identified four distinct factors that aligned perfectly with the predefined dimensions, with a total variance explained of 69.916% and all factor loadings exceeding 0.6. The CFA results demonstrated excellent model fit (CMIN/DF=1.921, CFI=0.950, TLI=0.943, RMSEA=0.056), confirming the structural integrity of the framework. Furthermore, all constructs exhibited high internal consistency (Cronbach's α>0.90) and satisfactory convergent (AVE>0.5, CR>0.7) and discriminant validity. The finalized framework, therefore, comprises four interconnected core dimensions: AI Cognition (encompassing knowledge of basic concepts, applications, value, and risks), AI Skills (covering practical abilities from tool usage and programming to critical evaluation and innovation), AI Ethics (emphasizing social responsibility, privacy, intellectual property, and legal compliance), and AI Thinking (fostering higher-order cognitive abilities like computational, critical, and systemic thinking). Based on this validated framework, the study proposes a systematic and multi-faceted training system. This system outlines clear training objectives, identifies key stakeholders (e.g., university libraries, teaching centers, schools, and external enterprises), designs layered training content and pathways corresponding to each dimension, and suggests implementation strategies focusing on faculty development, a comprehensive assessment and feedback mechanism, and the strategic integration of AI-related resources. The main limitation of this study is that the respondents of the questionnaire were primarily college students during the empirical test stage. Future research can include teachers, business employers, and AI experts to modify and improve the index weight and content of the competency framework from multiple perspectives. This can be done through the Delphi method, expert interviews, and other methods, so as to enhance the framework's authority and universality.

Key words： artificial intelligence literacy; ability framework; training system; grounded theory; factor analysis

Cite this article

HU Anqi . Construction of an Artificial Intelligence Literacy Ability Framework and Training System for College Students[J]. Journal of Library and Information Science in Agriculture, 2026 , 38(2) : 42 -55 . DOI: 10.13998/j.cnki.issn1002-1248.25-0448

0 引言

2022年以ChatGPT为核心的新一代生成式人工智能技术引发各领域广泛关注，各行各业纷纷将这一新质生产力工具与传统领域结合，借此助力传统行业转型升级。2025年杭州深度求索人工智能基础技术研究有限公司正式推出DeepSeek-R1模型，其“开源化、低成本、高性能、强推理”的显著优势在全球资本市场引起强烈轰动，短时间内聚集了大量用户^[1]。DeepSeek的强势崛起，使社会大众需要再次思考人工智能技术带来的机遇和挑战问题。人工智能技术的快速发展使得大部分生产性工作将由智能机器承担，人与机器之间的竞争亦将日益增大。据相关统计，2030年预计全球将有15%的工作会被机器人取代^[2]。同时，由人工智能技术引发的数据泄露、道德伦理等问题也将逐步凸显。因此，在人与人工智能共存的时代，如何提高人工智能素养成为当下迫切需要解决的问题。

当代高校学生群体是人工智能技术快速发展中的中坚力量，其学习能力强，勇于探索，乐于接受新鲜事物，能够适应与人工智能技术共存的生态环境。调查显示，中国大学生中有84.88%的学生使用过人工智能工具，16.30%的学生经常使用人工智能工具^[3]。人工智能工具的广泛应用在为学生的学习和生活带来便利的同时，也对其能力提出了极高要求，了解人工智能基础知识、掌握人工智能基础技能、遵守人工智能伦理规范以及具备人工智能相关思维，已然成为当代大学生的必备能力和基本素养。然而，当前社会缺少一套针对高校学生群体开发的人工智能素养能力框架。与教师、企业员工或其他社会群体相比，高校学生正处于知识体系构建、核心能力形成和价值观塑造的关键阶段。他们的核心任务是“学习”和“科研准备”，而非直接的生产输出。因此，其AI素养的需求兼具基础性、前瞻性和创新性：一方面，他们需要将AI作为高效的学习工具和科研辅助，以适应新型学习范式；另一方面，他们又是未来AI技术的潜在开发者和深度应用者，需要为未来的职业发展和社会角色奠定基础。据此，本研究面向高校学生群体，采用扎根理论梳理出目前人工智能素养能力的基础指标，再结合问卷调查法和因子分析方法，对能力框架进行验证，以期挖掘出适合高校学生群体的人工智能素养能力框架指标，推动高校人工智能素养教育繁荣发展。

1 AI素养相关研究

1.1 AI素养概念与内涵

21世纪初，随着计算机科学教育和数字素养的发展与推广，部分学者围绕智能技术相关素养展开了讨论，但尚未形成系统化的AI素养概念。2015年，AI素养在一篇在线文章中被首次提出，认为AI素养不仅是对AI技术概念和应用技能的掌握，更是一种通过深层次思考应对未来科学技术发展的综合性能力^[4]。此后，在AI技术蓬勃发展的大背景下，国内外众多学者意识到AI素养的重要性，纷纷对其概念和内涵进行了探讨和系统阐述。有学者将AI素养定义为个体能够批判性评估AI技术、与AI工具进行有效沟通与协作、将AI工具应用于在线、家庭和工作场所的一组综合性能力^[5]。有学者将AI素养定义为理解AI基础知识和概念的能力^[6]。有学者认为，AI素养是以自主和理性的方式与AI互动所需要的能力^[7]。有学者认为，AI素养是有效、道德且负责任使用AI的一组技术态度和能力^[8]。有学者提出，AI素养不仅是对AI技术的理解和应用，更是一种全面的、与时俱进的技能和知识体系，同时强调具备AI素养能力的主体应当是普通大众，而不应局限于计算机专业群体^[9]。有学者认为，AI素养是在AI技术快速发展的背景下，个体在与AI协同合作时具备的AI知识、技能和伦理等综合能力^[10]。还有学者将AI素养定义为个体在理解、评估和应用AI技术过程中具备的综合能力、行为方式和伦理价值观^[11]。

1.2 AI素养能力框架与测度

目前国内外学者已从不同视角提出三维、四维、五维AI素养能力框架。有学者从功能性AI素养、批判性AI素养和社会文化AI素养等角度构建AI素养能力框架^[12]。有学者提出AI素养能力框架包括AI知识、AI技能、AI态度3个部分^[13]。有学者提出AI素养能力框架涉及AI知识、AI使用、AI评估和AI伦理等4个部分^[14]。有学者基于STEM框架从核心概念、技术实践、跨学科思维和伦理态度等方面构建AI素养能力框架^[15]。有学者提出AI素养能力框架应包括AI知识、AI技能、AI意识、AI伦理和AI思维等5个维度^[16]。还有学者提出AI素养能力框架由知识、能力、思维、应用和态度等构成^[17]。由此可见，当前对AI素养能力框架的研究涵盖了知识、技能、态度、评估、伦理、思维、意识、应用等多个要素，同一要素概念在不同研究背景中内涵和外延各有差异，各要素间逻辑关系尚未厘清。此外，目前关于AI素养能力框架的研究大多停留在理论层面，实证探索并不多见。据此，本研究综合运用扎根理论、问卷调查、因子分析等研究方法，通过实证检验的方式系统梳理出高校学生AI素养能力框架以及二级指标要素对一级指标的影响程度，为高校制定体系化的培训内容和策略提供现实依据。

2 高校学生AI素养能力框架构建

本研究主要采用对核心文献进行扎根分析的方法对高校学生AI素养能力框架进行初步构建。扎根理论是在1967年提出的社会科学研究方法，其主要是从最基础的资料文本出发，通过开放式编码、主轴编码和选择性编码等一系列过程提取概念并整合范畴，建构理论形成最终结果^[18]。本研究以中国知网和Web of Science数据库为文献来源，检索时间设定为2019—2024年，共检索相关主题中外文献112篇，经过逐篇阅读和仔细筛选最终得到63篇有效文献作为扎根理论的原始资料。运用Nvivo11软件对核心文献进行扎根理论分析，经开放式编码得到300个初始概念和26个子范畴，经主轴编码形成4个主范畴，经选择性编码凝练出“AI素养能力”核心范畴，并留有少量文献进行理论饱和度检验，最终从文献中提取出适合中国高校学生群体主题特征的AI素养能力框架，具体详见表1。

表1 AI素养能力的三级编码结果

Table 1 Level 3 coding results of AI literacy ability

选择性编码	主轴性编码	开放性编码
核心范畴	主范畴	子范畴	重要初始概念及其参考点数
AI素养能力	AI认知	对AI价值的认知	社会价值（5）、个人价值（4）、AI有效性（3）等
		对AI风险的认知	风险认知（11）、风险防范意识（8）、AI局限性（5）等
		对AI工具的认知	工具介绍（7）、AI工具（6）、AI工具使用范围（4）等
		对AI应用场景的认知	教学和管理场景（9）、生活场景（4）、科研场景（4）等
		对AI基础知识的认知	AI概念（47）、AI影响（29）、AI原理（22）、AI优劣势（12）、AI功能（11）等
	AI技能	AI使用技能	利用AI解决实际问题（26）、人机协同能力（18）、提示能力（9）等
		AI编程技能	编程技能（11）、算法能力（3）等
		AI学习技能	终身学习（3）、跨学科学习（3）等
		AI分析与评估技能	批判性评估（35）、评估生成内容质量（4）、分析能力（4）等
		AI创新与创造技能	沟通协作（19）、创新应用（12）、创造开发（11）等
		AI识别与获取技能	AI识别（15）、AI获取（6）等
	AI伦理	重视社会责任	社会责任（13）、负责任使用（10）等
		确保国家安全	科技安全（4）、政治安全（4）、网络安全（3）、文化安全（3）等
		坚持道德原则	公平包容（32）、可控可信（32）等
		保护隐私安全	安全隐私（24）、数据伦理（9）等
		尊重知识产权	规范引用（8）、学术诚信（3）、版权问题（3）等
		注重以人为本	以人为本（9）、尊重人权（8）、人文关怀（7）等
		遵守法律法规	法律法规（7）、知识产权保护制度（5）等
	AI思维	数据思维	数据思维（5）、数据意识（3）等
		批判性思维	批判性思维（34）、反思思维（7）等
		设计思维	设计思维（8）、系统设计（3）等
		人机协同思维	人机协同思维（4）、深度合作（3）等
		系统思维	系统思维（7）
		计算思维	计算思维（16）、算法思维（3）等
		创新思维	创新思维（5）、创造思维（3）等
		跨学科思维	跨学科思维（6）

为了确保高校学生AI素养能力框架的有效性，在构建本框架时综合考量了以下3个方面，即政策与趋势层面，分析国家关于人工智能、新质生产力、高等教育发展的战略规划，以及科技发展趋势报告，确保框架的前瞻性与社会适应性。参考高等教育立德树人、培养创新型人才的总体目标，将核心价值观、学术规范、创新能力等内核融入框架。用户与实践层面，通过问卷调查，了解高校学生作为素养主体的认知现状、体验反馈和接受度，确保框架的现实针对性与可接受性。

通过对表1的深入分析可以发现，本研究构建的能力框架深刻体现了高校学生的群体特征。例如：在AI认知层面，子范畴对“AI应用场景的认知”中，“教学和管理场景”“科研场景”的参考点数较高，这直接对应了学生所处的学习和科研环境。在AI技能层面，“AI学习技能”中的“终身学习”“跨学科学习”等概念，精准反映了高校学生需要利用AI进行自主知识建构和适应学科交叉融合的核心需求。在AI伦理层面，子范畴“尊重知识产权”中的“学术诚信”“规范引用”等初始概念，直接回应了学生在学术写作、课题研究中使用AI工具时最常面临的学术规范挑战。在AI思维层面，“跨学科思维”的凸显，正是对高校培养复合型创新人才这一目标的直接呼应，要求学生能够利用AI桥梁连接不同学科领域。

通过上述开放式编码和主轴编码，本研究初步形成了AI认知、AI技能、AI伦理和AI思维4个主范畴。在此基础上，通过选择性编码，对主范畴之间的关系进行系统分析，最终凝练出“高校学生AI素养能力”这一核心范畴。该核心范畴可以概括为：高校学生在人与AI共生的时代，为了适应学习、科研与未来发展的需要，所应具备的从认识到实践、从工具性到思想性的多层次、综合性能力体系。

围绕“高校学生AI素养能力”这一核心范畴，本研究发现4个主范畴之间存在一种递进融合、相互支撑的内在逻辑关系，共同构成一个有机的整体。其中，AI认知是基础与前提，学生对AI的价值、风险、工具、场景和基础知识的全面认知，是所有AI相关活动和能力发展的起点。没有正确的认知，后续的技能应用和伦理思考便是无源之水、无本之木。它解决了“是什么”和“为什么”的问题。AI技能是关键与载体，在认知的基础上，学生通过使用、编程、分析、创新等技能，将AI知识转化为解决实际学习、科研和生活中问题的具体行动。技能是将认知付诸实践的关键桥梁，是素养的外在体现。它解决了“怎么用”的问题。AI伦理是保障与边界，随着认知的深入和技能的应用，AI技术带来的伦理、安全、法律等问题便凸显出来。伦理范畴确保了学生的AI实践活动在负责任、合规且向善的轨道上进行，为技能的发挥划定了安全和道德的边界。它解决了“能用它做什么/不能做什么”的价值导向问题。AI思维是内核与升华，思维是认知、技能和伦理在经过内化和反思后形成的稳定心理特征和思考模式。它超越了具体知识和工具的束缚，使学生能够以一种更具适应性、创造性和系统性的方式，应对未来复杂多变的人工智能社会环境。它是AI素养的最高层次，决定了学生使用AI的深度、广度和创新性。

3 高校学生AI素养能力框架的实证检验

3.1 问卷调查

在经过扎根理论分析，并综合宏观趋势与教育目标初步构建高校学生AI素养能力框架的基础上，为检验该框架模型的结构效度与信度，并了解学生群体对这一框架内容的感知与认同程度，本研究编制了高校学生人工智能素养能力调查问卷。为保障问卷的可行性和有效性，随机选取部分在校大学生进行问卷访谈，要求受访者填写问卷的原始版本，并对问卷提出修改建议。访谈及问题发现共持续40分钟，根据学生意见，对问卷中个别题项的语序和结构进行了调整。正式调查问卷包括导语、控制变量和变量测量表3个部分，其中导语表明此次调查的目的和强调数据保密性。控制变量即人口统计学特征，涉及性别、年级、是否使用过AI工具、每周使用AI工具频率等。变量测量表采用李克特5级量表（1表示非常不同意，2表示不同意，3表示不一定，4表示同意，5表示非常同意）对AI认知、AI技能、AI伦理和AI思维等一级能力指标下的26个二级变量进行测量，26个变量的内涵如表2所示。

表2 二级指标内涵

Table 2 Connotation of secondary indicators

一级指标	二级指标	二级指标内涵
AI认知	对AI价值的认知	认识到AI产品和应用对于个人工作、学习、生活等方面的个人价值以及对于社会经济、文化、科学、教育等领域的社会价值
	对AI风险的认知	认识到AI技术给工作、学习、生活带来的潜在风险，例如隐私泄露、虚假内容输出、偏见增强等
	对AI 工具的认知	认知到AI工具的存在及种类、使用范围、应用领域等
	对AI应用场景的认知	认识到AI技术能够应用于工作、学习、科研、生活等不同场景，并且知晓不同场景下AI应用的区别
	对AI基础知识的认知	知晓AI技术的发展历程、技术原理、基本概念、优劣势、功能、社会影响等基础知识
AI技能	AI使用技能	包括合理运用AI工具和平台解决实际问题的能力；构建提示词指导AI工具生成内容并根据交互情况优化提示词的能力；利用AI工具协助文学、艺术等创造性工作的能力
	AI编程技能	熟练使用编程语言和程序编辑器形成AI求解任务的程序性方案以解决现实生活问题的能力
	AI学习技能	适应AI技术的更新迭代，持续自主性学习AI技术及工具的能力
	AI分析与评估技能	包括分析AI辅助任务的需求和主题，并对生成内容进行准确解读的能力；对AI生成内容的质量进行批判性评估的能力
	AI创新与创造技能	使用AI工具形成创新作品，并提出创新性见解的能力
	AI识别与获取技能	包括区分使用和未使用AI的产品的能力；轻松查询、获取和访问AI工具的能力；从众多AI工具中选择最合适的AI工具的能力
AI伦理	重视社会责任	对AI技术应用保持高度的社会责任感，能够负责任地使用AI工具，并积极参与AI相关政策讨论和AI伦理规则的制定
	确保国家安全	在利用AI技术和产品解决实际问题的过程中能够自觉保护国家的政治、文化、网络和科技的安全
	坚持道德原则	在使用AI应用程序或产品时，始终遵循道德规范（如公平、透明等）
	保护隐私安全	在开发和利用AI的过程中能够确保收集、处理、传输的数据具有安全性，不泄露他人隐私
	尊重知识产权	能够正确参考和规范引用AI生成的内容
	注重以人为本	在AI产品开发和应用过程中，坚持以人类为中心的理念，尊重人类基本权益，促进人类社会健康可持续发展
	遵守法律法规	理解AI相关法律法规，能够合法使用AI工具和产品，同时能够针对不良AI行为，运用法律途径解决问题
AI思维	数据思维	通过数据分析辅助决策的思维能力
	批判性思维	批判性地解读AI生成的内容，批判性地思考AI的优势和不足以及对社会的影响的一种思维能力
	设计思维	从审美创造的角度，提出创新性设计方案的一种思维能力
	人机协同思维	理解人与AI协作中的角色分工，并能在合作中合理决策的思维能力
	系统思维	充分认识AI系统各部分的关联性及其与外部环境的相互作用的一种思维能力
	计算思维	强调分解与模块化、抽象与建模、训练与模拟、优化与迭代的一种思维能力
	创新思维	优化、整合现有AI工具以创造性和前瞻性的思维方式解决问题的能力
	跨学科思维	将AI技术与其他学科知识结合，提出跨领域解决方案的一种思维能力

表3 KMO测度检验和Bartlett球形检验结果

Table 3 KMO measurement test and Bartlett’s test of sphericity results

KMO值	0.874
Bartlett球形度检验	近似卡方	6 277.793
	自由度	325
	显著性	0.000

通过网络形式向本科类院校在校大学生发放电子调查问卷，出于调查问卷收集的便利性和可操作性考虑，调查范围限定在江苏省内。经过一个月的问卷收集，共收到调查问卷645份，剔除回答时间过短、从未使用过AI产品等无效问卷后，共保留586份有效问卷。

3.2 数据分析

为确保AI素养能力框架模型的稳健性，避免出现模型过拟合的问题^[19]，将586份有效问卷分成两组，一组（样本1）进行探索性因子分析（N=293），另一组（样本2）进行验证性因子分析（N=293）。

3.2.1 描述性分析

调查结果显示，男性占比55.3%，女性占比44.7%；大一学生占比27.6%，大二学生占比30.5%，大三学生占比26.6%，大四学生占比12.3%，硕博士研究生占比2.9%；每周使用频率为0的占比23%，每周使用频率为1~2次的占比26.8%，每周使用频率为3~4次的占比25.6%，每周使用频率在5次及以上的占比24.6%。

3.2.2 探索性因子分析

探索性因子分析的目的是揭示观测变量中的潜在因子，建立量表的内部结构^[20]。本研究利用SPSS21.0对样本1进行探索性因子分析。首先，对样本数据进行KMO测度和Bartlett球形检验，结果如表3所示，表明该样本数据适合进行探索性因子分析。接下来，采用主成分分析法，提取特征值大于1的因子，并采用最大方差法获取正交旋转矩阵，分析结果如表4所示，26个测量题项共析出4个因子，其中因子1为AI认知，因子2为AI技能，因子3为AI伦理，因子4为AI思维，总方差累计解释率为69.916%，具有较好的解释度，各题项在各自公因子上的因子载荷值均大于0.6，表明因子具有较好的聚合效度。

表4 旋转后的成分矩阵

Table 4 Rotated component matrix

题项	成分1	成分2	成分3	成分4	公因子方差
JZ	0.865				0.816
FX	0.845				0.770
GJ	0.843				0.787
JCZS	0.841				0.763
YYCJ	0.830				0.773
XXJN		0.890			0.833
CX		0.842			0.749
FXPG		0.832			0.724
SB		0.789			0.652
SYJN		0.742			0.609
BCJN		0.716			0.540
ZSCQ			0.868		0.790
FLFG			0.861		0.767
SHZR			0.827		0.732
DD			0.813		0.734
GJAQ			0.811		0.687
YRWB			0.798		0.672
YSAQ			0.747		0.574
JSSW				0.875	0.803
KXKSW				0.841	0.754
SJSW				0.818	0.736
CXSW				0.788	0.667
SJ				0.762	0.622
PPSW				0.711	0.650
XTSW				0.691	0.509
RJXTSW				0.664	0.464

最后，对样本1数据进行信度检验，一般采用Cronbach's α值对数据进行内部一致性分析，据表5所示，AI认知、AI技能、AI伦理和AI思维等4个因子的Cronbach's α值都大于0.9，信度较高。此外，本研究还进一步分析了每个题项在所属维度上的总计相关性和删除项后的Cronbach's α值，已有研究指出，修正后项与总计相关性值小于0.4且删除项后的Cronbach's α值大于所属维度的整体Cronbach's α值的题项应进行剔除^[21,22]。分析结果显示所有题项的修正后项与总计相关性在0.590~0.858之间，表明其与所在维度高度相关，同时删除项后的Cronbach's α值均小于或等于对应因子的Cronbach's α值，表明每个题项都为整体信度做出了正面贡献。探索性因子分析结果与高校学生AI素养能力框架模型基本一致，初步验证了该框架模型具有较高的合理性。

表5 信度分析结果

Table 5 Reliability analysis results

因子	题项	修正后的项与总计相关性	删除项后的Cronbach's α	Cronbach's α
AI认知	JZ	0.837	0.905	0.927
	FX	0.814	0.911
	GJ	0.814	0.910
	YYCJ	0.814	0.910
	JCZS	0.777	0.918
AI技能	SYJN	0.676	0.896	0.904
	BCJN	0.619	0.903
	XXJN	0.858	0.868
	FXPG	0.770	0.882
	CX	0.792	0.879
	SB	0.709	0.891
AI伦理	SHZR	0.804	0.916	0.930
	GJAQ	0.762	0.920
	DD	0.792	0.917
	YSAQ	0.656	0.930
	ZSCQ	0.840	0.912
	YRWB	0.751	0.921
	FLFG	0.825	0.914
AI思维	SJSW	0.793	0.894	0.913
	PPSW	0.701	0.903
	SJ	0.625	0.909
	RJXTSW	0.590	0.911
	XTSW	0.620	0.909
	JSSW	0.849	0.890
	CXSW	0.742	0.899
	KXKSW	0.810	0.893

3.2.3 验证性因子分析

验证性因子分析的目的是进一步检验和修正量表结构。为了提高拟合的可靠性，本研究使用AMOS24.0和最大似然估计法对样本2数据进行验证性因子分析，验证性因子分析模型如图1所示。

显示原图|下载原图ZIP|生成PPT

图1 验证性因子分析模型图（N=293）

Fig.1 Confirmatory factor analysis model diagram

表6为验证性因子分析模型适配度检验结果，根据相关研究建议^[23,24]，CMIN/DF一般小于3，NFI、IFI、TLI、CFI一般大于0.9，RMSEA一般小于0.08，本研究中绝对拟合指数CMIN/DF为1.921，RMSEA为0.056，相对拟合指数NFI为0.901，IFI为0.950，TLI为0.943，CFI为0.950，均达到了要求，表明本研究构建的模型结构合理，具有良好的稳定性。

表6 模型适配度检验

Table 6 Model adaptation test

拟合指数	CMIN/DF	NFI	IFI	TLI	CFI	RMSEA
拟合模型	1.921	0.901	0.950	0.943	0.950	0.056
指标判定标准	<3	>0.90	>0.90	>0.90	>0.90	<0.08

接下来进一步验证AI素养能力框架模型的收敛效度和区分效度。如表7所示，各因子的AVE值均大于0.5，CR值均大于0.7，在可接受范围之内^[25,26]，表明框架模型的收敛效度和组合信度较好。关于区分效度，一般通过判断各因子AVE的算数平方根是否大于该因子与其他因子间的相关系数来检验。如表8所示，4个因子的AVE算数平方根均大于各因子两两之间的相关系数，因此表明AI素养能力框架模型具有良好的区分效度。上述结果表明，本研究所设计的高校学生AI素养能力框架具有一定的合理性和可靠性。

表7 收敛效度和组合信度检验（N=293）

Table 7 Convergence validity and combination reliability testing

路径关系	Estimate	S.E.	C.R.	P	AVE	CR
JCZS<---AI认知	0.82				0.618	0.888
YYCJ<---AI认知	0.656	0.062	12.121	***
GJ<---AI认知	0.838	0.06	16.935	***
FX<---AI认知	0.663	0.07	12.293	***
JZ<---AI认知	0.935	0.056	19.382	***
SB<---AI技能	0.748				0.58	0.891
CX<---AI技能	0.818	0.081	14.176	***
FXPG<---AI技能	0.834	0.08	14.488	***
XXJN<---AI技能	0.885	0.082	15.395	***
BCJN<---AI技能	0.624	0.073	10.568	***
SYJN<---AI技能	0.619	0.074	10.473	***
FLFG<---AI伦理	0.95				0.594	0.909
YRWB<---AI伦理	0.776	0.037	18.925	***
ZSCQ<---AI伦理	0.958	0.029	34.183	***
YSAQ<---AI伦理	0.676	0.05	14.601	***
DD<---AI伦理	0.719	0.045	16.279	***
GJAQ<---AI伦理	0.605	0.056	12.303	***
SHZR<---AI伦理	0.628	0.053	12.991	***
KXKSW<---AI思维	0.644				0.617	0.927
CXSW<---AI思维	0.71	0.11	10.59	***
JSSW<---AI思维	0.874	0.118	12.452	***
XTSW<---AI思维	0.851	0.117	12.206	***
RJXTSW<---AI思维	0.777	0.116	11.379	***
SJ<---AI思维	0.744	0.108	10.985	***
PPSW<---AI思维	0.846	0.102	12.135	***
SJSW<---AI思维	0.808	0.109	11.71	***

表8 区别效度检验（N=293）

Table 8 Differential validity test

因子	AI思维	AI伦理	AI技能	AI认知
AI思维	0.617
AI伦理	0.18	0.594
AI技能	0.258	0.177	0.58
AI认知	0.442	0.18	0.366	0.618
AVE值平方根	0.785	0.771	0.762	0.786

3.3 调研结果对能力框架的修正与启示

尽管验证性分析支持了四维框架的结构，但对各题项得分的描述性统计（均值与标准差）分析，却揭示了高校学生在AI素养上存在的显著结构性不均衡，这对培训内容的侧重点提供了关键启示。数据显示，学生在AI伦理维度得分较高，但在AI技能维度下的“AI编程技能”和“AI分析与评估技能”题项上得分显著偏低。这表明学生普遍停留在概念与伦理认知层面，缺乏深度的、批判性的应用能力。因此，在最终的培训体系设计中，必须大幅强化实践操作与批判性评估环节，以弥补这一技能鸿沟。虽然AI伦理整体信效度良好，但“重视社会责任”“确保国家安全”等题项的得分均值低于“尊重知识产权”。这反映出学生的伦理观念更多源于个人层面，对AI技术更宏观的社会治理与国家安全影响认知不足。这提示我们，在伦理教育中，不能仅强调个人数据安全，必须补充关于科技伦理、国家AI战略与法规的深度教学内容。

4 高校学生AI素养培训体系构建

通过对高校学生AI素养能力框架进行实证检验发现，目前国内高校学生AI素养能力框架主要由AI认知、AI技能、AI伦理和AI思维等一级指标和下属26个二级指标构成。在人工智能技术快速发展的大背景下，构建并优化高校学生AI素养能力框架对明确高校AI素养培训模式和内容具有重要指导意义。据此，本研究从构建的AI素养能力框架出发，通过明确培训目标与主体、培训内容与路径、培训策略与措施等构建系统化的高校学生AI素养培训体系。

4.1 培训目标与主体

基于上述由AI认知、技能、伦理、思维构成的四维能力框架，高校学生AI素养培养的总体目标是：培养能够理解AI、善用AI、敬畏AI并具备AI创新思维的新时代高素质人才，使其能够适应并引领以人工智能为标志的新技术革命。这一目标的制定，源于对科技发展趋势、国家战略需求（如《新一代人工智能发展规划》）以及高等教育根本任务的综合考量。具体而言，培训目标分解为：①知识目标（对应AI认知）。使学生系统掌握AI基础知识，理解其对社会各领域，特别是对其自身学习范式与未来职业生涯的颠覆性影响。②能力目标（对应AI技能）。使学生熟练掌握主流AI工具，具备将其应用于专业学习、科研创新和跨学科问题解决的实践能力。③价值目标（对应AI伦理）。使学生牢固树立在人机协同环境下的数据安全、学术诚信与社会责任感，确保其AI行为符合法律法规与学术规范。思维目标（对应AI思维）。塑造学生的批判性思维、计算思维与创新思维，使其能够像AI开发者一样思考，而非仅停留于工具使用者层面。

为了提升高校学生AI素养培训质量与效果，需要打通高校图书馆、教育教学中心、二级学院和外部企业之间的协作壁垒，建立多元主体协同合作与发展的AI素养培训体系^[27]。其中，高校图书馆作为高校数据资源保障中心，能够为用户提供丰富的AI资源，其内部馆员长期从事信息素养教育工作，拥有成熟的讲座培训和咨询服务经验^[28]，同时高校图书馆的空间场所也不断朝向智能化方向发展，人员、资源和空间优势使高校图书馆成为高校学生AI素养培训的主力军。教育教学中心作为高校行政管理机构，负责教育教学全过程管理，能够在制定AI相关伦理规范和资源汇总方面发挥重要行政保障作用。二级学院汇聚了大量AI相关专业领域专家、教授，其拥有丰富的AI理论知识和实践资源，为实施AI素养课程教学提供了强大的知识基础。校外企业拥有强大的技术资源，可以为高校提供AI研究实验室、AI实践教学基地^[29]，使高校学生能够在实践中快速掌握AI相关知识和技能。

4.2 培训内容与路径

4.2.1 AI认知层面加强理论知识传输

AI认知能力培训是AI素养能力培训的前提和基础。高校应当重视对AI基础知识的普及和教育，帮助学生掌握AI技术的发展历程、技术原理和基本概念，知晓AI技术的应用场景和使用范围，了解AI工具对学习和生活的价值，以及AI技术带来的隐私泄露、偏见增强等潜在风险。基于此，高校可以通过以下路径来实现，一是，邀请AI领域知名专家和学者举办讲座分享和线下研讨，通过专家与学生的实时交互，让学生了解AI技术的前沿知识，激发学生学习AI的兴趣。二是，构建AI在线学习交流平台，该平台将AI相关学习资源进行集成，资源内容涵盖AI基础知识和进阶应用，学生可以针对不同能力层次和需求，选择相应的资源和服务，进行系统化学习，同时能够在平台上构建自己的学习交流圈。例如香港浸会大学在构建的AI LibGuide页面罗列了用于学术研究、数据分析、图像生成、PPT制作、视频创建等目的的常用AI工具，帮助学生全面了解AI基础知识^[30]。三是，借助高校图书馆丰富的馆藏资源优势，定期推出系列线上、线下AI主题书展，为学生普及AI基础知识，例如，华中科技大学图书馆在内部大厅设置AI图书专区，对AI基础理论、AI技术应用、AI与社会等主题图书和科普读物进行推荐^[31]。

4.2.2 AI技能层面强化实践操作指导

AI技术实践是AI基础知识得以应用到实际学习和生活中的必备条件。目前，AI实践技能主要包括获取和访问AI工具的能力、运用AI工具解决实际问题的能力、使用编程语言编写简单AI应用程序的能力、对AI生成内容进行分析和评估的能力以及利用AI工具形成创新作品的能力。高校应当协同多方力量设计形式多样的AI应用与实践活动，培养学生整合知识、攻坚克难的实践能力。首先，高校可以举办具有趣味性和吸引力的AI案例大赛或AI竞赛，吸引学生实际操作各种类型AI工具，使学生在多人协作、人机协作中锻炼自身的编程能力、人机协同能力和创新能力^[32]。其次，高校可以与企事业单位、科研院所合作开发AI实训项目，通过分组探究、协作实训、考核评价等环节的实训演练，使学生能够运用AI技术解决情景化问题，实现“做中学”的培训目标。再次，高校可以设立AI实验室和AI工作坊，帮助学生掌握在实际场景中应用AI的能力，例如，美国罗德岛大学在2018年将原有的创客空间改建成AI实验室，定期举办有关编程、机器人技术改进等问题的学习探讨，在跨学科协作学习中培养学生的实践技能^[33]。最后，高校还可以利用图书馆场所空间为学生提供智能阅读、智能问答、智能服务等设备工具，让学生在实际使用AI设备过程中提升自身的AI技能。

4.2.3 AI伦理层面优化制度框架安排

正确的AI伦理观是科学落实AI基础知识和实践技能的重要保障。高校学生需要具备基本的AI伦理能力，包括对AI技术保持高度的社会责任感，在使用AI工具时确保信息安全、遵守道德规范，正确参考和引用AI生成的内容，在法律框架下使用AI工具并坚持以人为本的理念。据此，高校应当建立正确使用AI的相关标准和规范，明确学术不端行为、数据隐私规定等伦理内容，例如，伦敦帝国理工学院制定“GAI指南”，要求师生撰写GAI使用声明，确保作品的原创性^[34]；由英国顶尖大学组成的罗素集团发布《在教育中使用生成式AI工具的原则》，指导师生以负责任的方式使用AI^[35]；上海科技大学制定《上海科技大学生成式人工智能内容引用指南和格式范例》^[36]；麻省理工学院、斯坦福大学、四川大学、香港科技大学等均在其图书馆网站建立了AI工具使用指南和规范标准。此外，高校还可以通过讲座研讨、案例分析、角色扮演等多元化形式讲授数据安全、隐私保护等内容，引导学生深入思考AI伦理问题，培养学生的AI责任感。

4.2.4 AI思维层面深化全面思维训练

AI思维是AI素养能力框架的关键内核，具有促进AI基础知识内化、AI技术实践迁移、整合AI知识、技能、伦理来解决复杂问题的功能。为了适应AI社会环境的变化发展，高校学生理应具备数据思维、批判性思维、设计思维、人机协同思维、系统思维、计算思维、创新思维和跨学科思维等系列AI思维能力。基于此，高校应当构建系统化的AI素养教育课程体系，面向全校学生开设AI素养基础课程，向学生系统介绍AI基础知识、AI使用方法、AI伦理规范和跨领域实践案例，在课程内容设置上，注意理论与实践相结合，注重开放式、体验式实践课程的设计安排^[37]，培养学生用人工智能来解决问题的思维能力。例如，悉尼大学图书馆与教学部门合作创建“AI在教育中的应用”课程模块，该课程在学习管理系统Canvas平台上线，为学生提供高效且负责任地使用生成式AI的方法^[38]。

4.3 培训策略与措施

4.3.1 加强师资队伍建设

构建一支专业化、高水平的教师团队是确保高校AI素养培训有效实施的关键。为此，高校应当积极引进AI领域高水平人才，优化师资队伍，同时对现有AI教师团队进行有组织、有计划的培训教育。首先，高校可以邀请人工智能领域专家向专业教师普及国内外AI领域最新前沿知识和技术应用动态，并将教师学习成果纳入继续教育系统。其次，高校可以通过设置“AI+专项科研项目”，鼓励教师参与人工智能相关的教育教学实践改革和相关理论研究^[39]，从而有效提升教师AI科研创新能力。再次，高校可以定期组织图书馆、教育教学中心、二级学院等单位进行AI教学和培训经验探讨及案例分享，拓展AI视野，深化教师对智能时代育人理念的认知。最后，高校还可以与企业合作建立教师AI素养实训基地，定期安排教师进行实践技能提升。

4.3.2 完善评估反馈机制

高校建立并完善评估反馈机制有助于探究学生的成长轨迹，及时捕捉学生在AI素养能力培训中的阻滞和机遇，从而有效统筹AI资源，进行合理长期规划。高校应当树立科学的评估理念，将评估贯穿于AI素养培训的全过程。据此，高校可以建立学生AI素养培训评估反馈系统^[40]，该系统立足于学生AI素养培训内容，分为AI认知反馈系统、AI技能反馈系统、AI伦理反馈系统和AI思维反馈系统。AI认知反馈系统的评估侧重于学生对AI基础知识的掌握，AI技能反馈系统侧重于学生在实际场景中运用提示词的技能评价以及运用多种AI工具进行创新创造的技能评价，AI伦理反馈系统侧重于评估学生能否对各种AI行为做出合理的道德判断并遵守相应规范，AI思维反馈系统则侧重于对学生数据思维、设计思维、批判性思维等多种AI思维的整体评估。学生AI素养培训评估反馈系统还内嵌个性化评估模式，能够基于自然语言处理、行为分析等技术，对学生的学习行为和学习效果进行全过程实时追踪，形成个性化分析评估报告，并及时推送给学生。

4.3.3 提升资源整合利用

AI资源的集成与整合能够有效提升高校学生AI素养培训的质量与效果。图书馆作为高校文献资源中心，应当发挥资源优势，合理规划AI资源采购任务，有计划、分步骤地采购与AI相关的图书资源、期刊资源等，整合学科资源，构建全面的跨学科AI知识体系。例如，美国南佛罗里达大学图书馆建立了“AI工具与资源”网页，提供AI技术简介、生成式AI在各学科领域的应用等全面AI信息^[41]。此外，高校图书馆作为未来学习中心，为了满足学生AI实践需求，需要整合空间资源，为学生提供多元的AI空间服务。高校图书馆可以通过旧阅览室改建或重新开辟新空间等方式建设沉浸式AI学习体验区，配备AR、VR等智能设备和各学科领域知识资源，使学生能够充分了解AI技术的运行方式，同时能够借助AI设备进行学科领域的知识创新与创造。例如，上海交通大学图书馆与媒体与传播学院合作开辟了新技术体验区^[42]。

5 结语

本研究采用扎根理论研究方法对国内外AI素养框架与测量指标相关文献进行系统梳理，归纳出高校学生AI素养能力框架由AI认知、AI技能、AI伦理和AI思维等4个一级指标和下属26个二级指标构成，采用问卷调查法和因子分析法对AI素养能力框架进行有效验证。在此基础上，构建了包含培训目标与主体、培训内容与路径、培训策略与措施的高校学生AI素养培训体系，以期全面提升中国高校学生整体AI素养能力水平，使其成为智能时代的新质人才。本研究亦存在一定局限性。在实证检验阶段，问卷调查对象主要为高校学生。未来研究可进一步将教师、企业雇主、AI领域专家纳入调研范围，通过德尔菲法、专家访谈等多种方法，对能力框架的指标权重和内容进行多视角的修正与完善，从而进一步增强其权威性与普适性。

References

Publishing order | Descend order by publishing year | Descend order by cited within

[1]

张兴旺, 李洁, 李思凡, 等. DeepSeek赋能图书馆知识服务的理论模型、模式创新与重要启示[J]. 农业图书情报学报, 2025, 37(1): 4-16.

Zhang

Xingwang

, Li

Jie

, Li

Sifan

, et al. Theoretical model, model innovation, and important implications of DeepSeek empowering library knowledge services[J]. Journal of Library and Information Science in Agriculture, 2025, 37(1): 4-16.

[2]	Mckinsey Global Institute. Jobs lost, jobs gained: Workforce transitions in a time of automation[EB/OL]. [2025-03-20].

[3]	中国青年报. 超八成受访大学生曾使用AI工具[EB/OL]. [2025-03-20].

[4]	KONISHI Y. What is needed for AI literacy priorities for the Japanese economy in 2016[EB/OL]. [2025-03-28].

[5]	Long Duri, Magerko B. What is AI literacy? Competencies and design considerations[C]//Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems. New York: ACM, 2020: 1-16.

[6]	Burgsteiner H, Kandlhofer M, Steinbauer G. IRobot: Teaching the basics of Artificial Intelligence in high schools[C]//Proceedings of the Thirtieth AAAI Conference on Artificial Intelligence. New York: ACM, 2016: 4126-4127.

[7]	Carolus A, Augustin Y, Markus A, et al. Digital interaction literacy model–Conceptualizing competencies for literate interactions with voice-based AI systems[J]. Computers and Education: Artificial Intelligence, 2023, 4: 100114.

[8]	Ng D T K, Luo Wanying, Chan H M Y, et al. Using digital story writing as a pedagogy to develop AI literacy among primary students[J]. Computers and Education: Artificial Intelligence, 2022, 3: 100054.

[9]

蔡迎春, 张静蓓, 虞晨琳, 等. 数智时代的人工智能素养: 内涵、框架与实施路径[J]. 中国图书馆学报, 2024, 50(4): 71-84.

Cai

Yingchun

, Zhang

Jingbei

, Yu

Chenlin

, et al. Artificial intelligence literacy in the digital intelligence era: Connotation, framework, and implementation pathways[J]. Journal of Library Science in China, 2024, 50(4): 71-84.

[10]

吴丹, 孙昕玦. 以人为本的人工智能素养教育探究: UNESCO教师和学生人工智能能力框架的解读与启示[J]. 农业图书情报学报, 2024, 36(8): 4-19.

Dan

, Sun

Xinjue

. Exploring human-centered AI literacy education: Interpretation and insights from UNESCO's AI competency framework for teachers and students[J]. Journal of Library and Information Science in Agriculture, 2024, 36(8): 4-19.

[11]	尹开国. 人工智能素养: 提出背景、概念界定与构成要素[J]. 图书与情报, 2024(3): 60-68. Yin Kaiguo. Al literacy: Background, conceptual definition, and constituent elements[J]. Library and Information, 2024(3): 60-68.

[12]	Heyder T, Posegga O. Extending the foundations of AI literacy[EB/OL]. [2025-03-27].

[13]	Kim S, Jang Y, Kim W, et al. Why and what to teach: AI curriculum for elementary school[J]. Proceedings of the AAAI Conference on Artificial Intelligence, 2021, 35(17): 15569-15576.

[14]	王树义, 曾雯, 张为师, 等. 知识工作者AI素养差距的AI技术弥补手段研究[J]. 农业图书情报学报, 2024, 36(8): 20-33. Wang Shuyi, Zeng Wen, Zhang Weishi, et al. Addressing the knowledge worker AI literacy gap with AI technology[J]. Journal of Library and Information Science in Agriculture, 2024, 36(8): 20-33.

[15]	杨鸿武, 张笛, 郭威彤. STEM背景下人工智能素养框架的研究[J]. 电化教育研究, 2022, 43(4): 26-32. Yang Hongwu, Zhang Di, Guo Weitong. A study of literacy framework of artificial intelligence in STEM context[J]. E-education Research, 2022, 43(4): 26-32.

[16]	王奕俊, 王英美, 杨悠然. 高等院校人工智能素养教育的内容体系与发展理路[J]. 黑龙江高教研究, 2022, 40(2): 26-31. Wang Yijun, Wang Yingmei, Yang Youran. The content system and development approach of AI literacy education in colleges and universities[J]. Heilongjiang Researches on Higher Education, 2022, 40(2): 26-31.

[17]	郑勤华, 覃梦媛, 李爽. 人机协同时代智能素养的理论模型研究[J]. 复旦教育论坛, 2021, 19(1): 52-59. Zheng Qinhua, Qin Mengyuan, Li Shuang. Study on the theoretical model of artificial intelligence competency in the era of human-machine collaboration[J]. Fudan Education Forum, 2021, 19(1): 52-59.

[18]	费小冬. 扎根理论研究方法论: 要素、研究程序和评判标准[J]. 公共行政评论, 2008, 1(3): 23-43. Fei Xiaodong. Grounded theory methodology: Tenets, procedures and criteria for evaluation[J]. Journal of Public Administration, 2008, 1(3): 23-43.

[19]	Anderson J C, Gerbing D W. Structural equation modeling in practice: A review and recommended two-step approach[J]. Psychological Bulletin, 1988, 103(3): 411-423.

[20]	张帅, 马费成. 大学生健康信息规避量表构建研究[J]. 图书情报工作, 2020, 64(9): 3-9. Zhang Shuai, Ma Feicheng. Study on the construction of college students' health information avoidance evaluation scale[J]. Library and Information Service, 2020, 64(9): 3-9.

[21]	Yoo B, Donthu N. Developing and validating a multidimensional consumer-based brand equity scale[J]. Journal of Business Research, 2001, 52(1): 1-14.

[22]	宋小康, 赵宇翔, 张轩慧. 移动社交媒体环境下用户错失焦虑症(FoMO)量表构建研究[J]. 图书情报工作, 2017, 61(11): 96-105. Song Xiaokang, Zhao Yuxiang, Zhang Xuanhui. Developing a fear of missing out (FoMO) measurement scale in the mobile social media environment[J]. Library and Information Service, 2017, 61(11): 96-105.

[23]	Iacobucci D. Structural equations modeling: Fit Indices, sample size, and advanced topics[J]. Journal of Consumer Psychology, 2010, 20(1): 90-98.

[24]	Hu L T, Bentler P M. Fit indices in covariance structure modeling: Sensitivity to underparameterized model misspecification[J]. Psychological Methods, 1998, 3(4): 424-453.

[25]	Wang Bingcheng, Rau P P, Yuan Tianyi. Measuring user competence in using artificial intelligence: Validity and reliability of artificial intelligence literacy scale[J]. Behaviour & Information Technology, 2023, 42(9): 1324-1337.

[26]	Ghazali N, Nordin M S. Measuring meaningful learning experience: Confirmatory factor analysis[J]. International Journal of Innovation, Creativity and Change, 2019, 9(12): 283-296.

[27]	杨峰, 朱梨, 胡琳. 构建人工智能素养教育的融合模式: 国外高校图书馆的响应启示[J]. 图书馆论坛, 2025, 45(4): 139-148. Yang Feng, Zhu Li, Hu Lin. An integration model for AI literacy education: Insights from the responses of foreign university libraries[J]. Library Tribune, 2025, 45(4): 139-148.

[28]	李白杨, 孙榕. 基于“知识-技能”导航的人工智能素养通识教育课程构建[J]. 农业图书情报学报, 2024, 36(8): 34-42. Li Baiyang, Sun Rong. Construction of an AI literacy general education curriculum based on "knowledge-skills" navigation[J]. Journal of Library and Information Science in Agriculture, 2024, 36(8): 34-42.

[29]	刘亚丽. 高校图书馆人工智能素养培育发展策略——基于对42家“双一流”高校图书馆的调查[J]. 图书馆工作与研究, 2025(4): 103-112. Liu Yali. Strategies for cultivating and developing artificial intelligence literacy in university libraries - Based on a survey of 42 "double first-class" university libraries[J]. Library Work and Study, 2025(4): 103-112.

[30]	Hong Kong Baptist University. Getting started with generative AI: List of AI tools[EB/OL]. [2025-04-09].

[31]	华中科技大学图书馆. 爱(AI)上图书馆! AI专区上新![EB/OL]. [2025-04-09].

[32]	张银荣, 杨刚, 徐佳艳, 等. 人工智能素养模型构建及其实施路径[J]. 现代教育技术, 2022, 32(3): 42-50. Zhang Yinrong, Yang Gang, Xu Jiayan, et al. The cultivation of AI literacy model and its implementation path[J]. Modern Educational Technology, 2022, 32(3): 42-50.

[33]	夏晶. 美国高校图书馆人工智能实验室实践与启示——以美国罗德岛大学图书馆为例[J]. 图书馆工作与研究, 2020(3): 68-73. Xia Jing. Practice and enlightenment of artificial intelligence laboratory in American University libraries- A case study of the university of rhode island library[J]. Library Work and Study, 2020(3): 68-73.

[34]	Imperial College London Library. Generative AI guidance[EB/OL]. [2025-04-05].

[35]	Group Russell. Russell group principles on the use of generative AI tools in education[EB/OL]. [2025-04-24].

[36]	图书信息中心. 上海科技大学生成式人工智能使用指南[EB/OL]. [2025-04-10].

[37]	刘松梅. 高校图书馆AI素养教育实践策略研究[J]. 山西档案, 2024(8): 175-177. Liu Songmei. Research on practical strategies of AI literacy education in university libraries[J]. Shanxi Archives, 2024(8): 175-177.

[38]	University of Sydney. AI in education[EB/OL]. [2025-04-11].

[39]	李艳, 孙凌云, 江全元, 等. 高校教师人工智能素养及提升策略[J]. 开放教育研究, 2025, 31(1): 23-33. Li Yan, Sun Lingyun, Jiang Quanyuan, et al. Artificial intelligence literacy of university educators and improvement strategics[J]. Education Research, 2025, 31(1): 23-33.

[40]	孙立会, 周亮. 生成式人工智能素养: 概念演变、框架构建与提升路径[J]. 现代远距离教育, 2025(1): 11-21. Sun Lihui, Zhou Liang. Generative artificial intelligence literacy: Conceptual evolution, framework construction and enhancement paths[J]. Modern Distance Education, 2025(1): 11-21.

[41]	University of South Florida Libraries. AI tools and resources[EB/OL]. [2025-04-12].

[42]	上海交通大学. 包玉刚图书馆新技术体验区开放[EB/OL]. [2025-04-12].

Options

Outlines

模态框（Modal）标题