AI-PACK：教师人工智能能力框架解析
这篇文章，我们来深入聊聊教师到底需要哪些与人工智能相关的能力。围绕AI-PACK这套能力框架，逐一拆解核心要素和应用场景。
1. 人工智能信息处理特点
AI处理信息的方式，跟我们传统写代码不太一样。它核心不是靠人手动设计流程，而是通过“事实”、“示例”和目标来驱动。机器学习（ML）系统和传统好老式人工智能（GOFAI）虽然都依赖输入数据，但实际操作起来差距不小。
具体来说，GOFAI的推理算法会在一堆事实和规则里找解决方案，每一步都能精确定位。但ML系统呢？应用范围很广，它在训练时通过不断迭代逼近目标，最终能用的功能，往往只符合统计上的质量标准。这和传统的“手动”软件研发完全是两码事——后者是靠人类的结构化分解和分析洞察，来追求高正确性，并会用多种方法验证和确认。所以说，AI系统的很多特性，归根结底取决于它的信息是怎么生成出来的。搞不清楚这一点，就很难真正驾驭AI。
2. AI-PACK各领域解析
总而言之，AI-PACK这套框架，涵盖了教师在与AI相关的专业知识，它是在DPACK模型的基础上发展出来的。主要包括四个领域：AI-K、AI-PK、AI-CK和AI-PCK。
2.1 AI-K：AI相关知识
AI-K，简单说就是从技术、社会文化和用户角度，去识别、理解、反思甚至创造AI现象的能力。如果只是谈数字能力，用达格斯图尔模型就能应对。举个例子，学生得能批判性地质疑电商平台的推荐（A-“我如何使用这个？”），讨论自动驾驶靠不靠谱（S-“有什么影响？”），或者选合适的ML程序来自动识别图片里的特定工件（T-“这是如何工作的？”）。而教师，除了要懂这些知识，还得更深入，尤其是不教计算机科学的时候。通常你会先遇到具体应用问题，接着才琢磨技术原理和社会影响。
2.2 AI-PK：AI相关教学知识
AI-PK指的是识别和反思AI在教学中的潜力、局限和风险，从而有能力设计出现代化的教学环境。这一块是AI能力里通用的、不分学科的部分，对有效设计和实施课程至关重要，属于DPK的范畴。教师需要思考怎么利用AI、围绕AI、应对AI来做教学，比方说了解学生现在玩数字媒体的状态、数字化对社会的改变、以及学生社会化过程的变化等等。
常见的AI应用在教学中的体现，下面这个表可以看得更清楚：
| 视角 | 具体内容 |
|---|---|
| A-“我如何使用这个？” | 用ChatGPT这类生成系统来设计课程；考虑用自适应自学系统，支持个性化和差异化学习，分析学习水平和进度；用反思类应用处理学习经验。 |
| T-“它是如何工作的？” | 大致解释ChatGPT的训练和输出过程；说明带自适应奖励机制的应用怎么工作，如何响应学习者的注意力和动机；解释文本分类和学习档案的评估方式。 |
| S-“有什么影响？” | 批判性地解读和评估AI工具的输出、结果和通知；评估自适应自学系统对学习群体的潜力、局限和风险；分析AI反馈的影响，同时想清楚隐私、版权和不公平这些风险。 |
下面这张mermaid图，能更直观地看出来AI-PK在教学里的应用流程：
graph LR
A[了解AI应用] --> B[思考教学使用方式]
B --> C[应用于教学规划与实施]
C --> D[评估教学效果与影响]
2.3 AI-CK：AI相关学科知识
AI-CK指的是识别和反思AI在本学科里的广泛影响，对科学学科、专业领域甚至学科本身的影响。这是数字素养里能自信教好自己学科所必需的部分。教师得想清楚AI在具体学科里怎么用、专业领域怎么变、学科内容又得增减哪些。
不同学科碰到AI时，对能力的要求也完全不同。比如：
| 学科应用 | A-“我如何使用它？” | T-“它是如何工作的？” | S-“有什么影响？” |
|---|---|---|---|
| 语言学科（接收或写作） | 了解并应用相关专业AI工具 | 描述解决方案的技术创建过程，比如跟传统手工操作有什么不同 | 评估AI解决方案的可靠性和潜在偏差，分析对学科任务和专业领域的影响 |
| 外语（翻译） | |||
| 历史（文物分类和解释） | |||
| 生物（基于照片识别动植物） |
2.4 AI-PCK：AI相关教学学科知识
AI-PCK指的是识别和反思AI对特定主题或学科的教学过程和学习者的影响、潜力和局限，进而设计现代化教学环境的能力。在DPACK模型里，“数字相关教学和学科知识”（DPCK）说的是老师得知道用什么形式呈现学科内容效果最好。同时，还得懂技术和教学方法怎么搭配，以及怎么用技术解决学生面临的问题。从达格斯图尔的视角看，教师还得有能力对AI软件进行技术和社会文化的反思。
具体能力要求如下：
| 视角 | 具体内容 |
|---|---|
| A-“我如何使用这个？” | 生成包含AI的学科教学材料或媒体，比如任务变体、文本、图像、视频或模拟；用基于AI的工具来更好传达学科内容，比如生成不同文本或翻译变体，在课堂上有指导地讨论；或者用AI工具创建有指导意义的模拟或教育游戏。 |
| T-“它是如何工作的？” | 解释上述应用的工作原理，说明系统的训练方式和输出背后的技术原理。 |
| S-“有什么影响？” | 评估使用AI工具进行自我评估的教学价值，比如聊天机器人、翻译器、解释文物的工具或“智能”数学工具；与学生一起恰当处理这些工具，即使有工具能替代某些任务，也要激励学生学习学科内容。 |
以下是AI-PCK在教学应用中的流程mermaid图：
graph LR
A[识别AI对学科教学的影响] --> B[设计教学材料与方法]
B --> C[应用AI工具进行教学]
C --> D[评估教学效果与影响]
3. 讨论与展望
AI-PACK这个框架，很系统地为当代专业教学提出了AI教育需求的结构化描述和探索路径。这个框架，从信息学的底层逻辑出发，本质上是通过“技术是怎么造出来的”这条线索，来界定什么是AI系统。这种视角，直接决定了教师需要具备什么样的能力。
不过，如果从媒体教育学的角度切入，可能会引出更多有意思的问题。比如，处理那些模拟人类特征和能力的系统，也需要特定的能力，不管它有没有用到前面说的AI技术。就像那个著名的“土耳其机器人”，看似很“智能”，实际却是躲在幕后的真人干的，根本不是信息学系统生成的。联合国儿童基金会对AI的定义，也包含了那些从技术角度看并非AI但看起来很“智能”的系统。
如果教师能真正理解AI系统的输出是怎么生成的，并且知道AI方法怎么解决信息学问题，那计算机科学教育就能发挥特别积极的作用。很多相关应用的特性都能系统地推导出来，教师也就能更反思性地应对这些系统的输出。
从教学角度看，能理解AI怎么处理跟学科相关的数据，以及它怎么建立和应用内部模型，对学科相关的理解可能会带来全新的见解，比如跟传统手工操作做个比较。
往后看，这些领域还需要进一步具体化、评估和教学设计上的研究。一方面，模型里跟学科紧密相关的领域，它的评估和具体化需要学科和学科教学的专业知识（AI-CK和AI-PCK）。另一方面，也有跨学科的交叉点，特别适合作为跨学科研究的主题，比如通用的课程准备和实施方法（AI-PK），还有T视角（“它是如何工作的？”）里明显的交叉点和计算机科学教育的基础知识。
因此，在明确计算机科学教育中AI-PCK具体内容的同时，计算机科学教育也得很好地满足跨学科对计算机科学人工智能教育的补充需求。
4. 便携式人工智能学习实验室
4.1 背景与目标
自2022年底OpenAI的ChatGPT发布以来，AI已经彻底融入了我们的日常生活和社会意识。AI系统看起来能给出很厉害的结果，而且用起来特别简单，但这背后也藏着风险。哪怕用户对技术原理基本没概念，也能跟AI系统互动，很容易就对它的输出缺乏必要的批判性思考——毕竟这些系统不是完美的，也会出错。
为了避免学生盲目接受AI的输出，每个学生都应该掌握AI系统及其工作原理的基础知识，这样他们才能适当地、成熟地跟这些计算机系统打交道。基于这个目标，一个便携式人工智能学习实验室被设计出来了。
4.2 学习实验室设计
这个学习实验室包含了25个学习活动，目的就是传授AI的核心概念，以及它在日常生活、工业和研究中的应用。在设计学习安排时，团队从文献里选定了AI的主要概念，然后用有趣的实验让学生能轻松理解。此外，还跟专家们合作，创建了跟研究和行业密切相关的活动。
在研发导向的开发过程中，原型学习活动先经过了学生测试，然后根据反馈持续迭代改进。同时，还建立了评估方案，来评估最终的学习活动效果。
下面是学习实验室设计的核心步骤：
- 基于文献选择AI主要概念。
- 通过有趣的实验让学生轻松理解这些概念。
- 与专家合作创建研究和行业相关的活动。
- 测试学习活动原型，并根据学生反馈改进。
- 创建评估方案，评估最终活动效果。
下面是设计流程的mermaid图：
graph LR
A[选择主要概念] --> B[设计实验]
B --> C[合作创建活动]
C --> D[测试与改进]
D --> E[评估最终活动]
4.3 学习实验室意义
便携式人工智能学习实验室，为学生搭建了一个实实在在的实践和探索平台。通过参与各种学习活动，学生能更深入地理解AI的原理和应用，训练自己的批判性思维和解决问题的能力。同时，这个实验室也能帮教师更好地开展AI教育，提高教学效果。
总之，无论是AI-PACK框架为教师提供的能力培养方向，还是便携式AI学习实验室为学生创造的实践机会，都在实实在在地推动人工智能教育往前走。未来，随着技术继续演进，AI教育也一定会不断完善和创新。
