夜雨聆风从“技术热潮”到“教育命题”：AI素养为何重要？
人工智能自1956年被正式提出以来，已从实验室走向社会生产与日常生活的各个领域。当前，各国纷纷将AI教育上升为国家战略，其背后不仅是技术竞争，更是人才培养模式的深层转型。
在这一背景下，“人工智能素养”逐渐成为一个核心概念，其内涵不再局限于编程技能，而是涵盖对AI基本原理的理解、运用AI工具解决问题的能力以及对AI伦理与社会影响的反思能力。
然而，现实情况是尽管已有多种AI学习工具不断涌现，但其教学适配性与有效性仍缺乏系统性验证。教师在实际教学中，往往面临“工具丰富但不知如何选择”的困境。
因此，对已有研究进行系统整合，成为推进AI教育落地的重要前提。
研究如何展开：一个系统性的证据整合框架
本研究采用系统综述方法，遵循PRISMA规范，对多个国际数据库（如Web of Science、Scopus等）进行检索与筛选，最终纳入46项实证研究。
在分析框架上，研究者构建了一个三维整合模型，分别从以下三个方面展开：
1. 教学实施维度: 教学策略（如项目式学习、游戏化学习等）\学习工具（如智能代理、编程软件、机器人等）
2. 学习结果维度:认知发展、情感与态度、行为参与、综合能力
3. 研究方法维度
研究方法 (Methods)本综述采用了 Hsu 等人 (2012) 的技术化学习模型，从三个维度进行交叉分析：研究方法、研究课题（学习成果）和应用领域（教学策略与工具）。
文献筛选： 通过 ACM、EBSCO、Web of Science 和 Scopus 数据库检索，最终筛选出 46 篇实证研究论文（包括 28 篇会议论文和 18 篇期刊论文） 。
趋势分析： AI 教育研究在 2017 年后出现爆发式增长，并在 2021 年达到峰值 。研究主要集中在美国、中国、芬兰和以色列等国家 。
这一框架的意义在于将“工具—教学—评价”三个关键要素整合到同一分析体系中，为理解AI教育提供结构化视角。
AI进入课堂：有哪些可用的学习工具？
研究发现，当前K-12阶段的AI学习工具大致可以分为四类：
智能代理 (Intelligent Agents, N=20)： 最受欢迎，如 Teachable Machine。
软件类工具 (Software-focused, N=19)： 如 Scratch、Python。
硬件类工具 (Hardware-focused, N=10)： 如机器人、物理组件。
不插电活动 (Unplugged Activities, N=6)： 侧重逻辑和概念理解。
针对不同认知阶段的学生，识别出了一套完整的工具链：
低幼衔接期（幼儿园）： 以 PopBots 为代表的物理交互机器人。研究发现，通过具身互动，幼儿亦能掌握基本的AI逻辑。
探索成长期（小学）： 侧重可视化与趣味化。Google的 Teachable Machine、LearningML 及 Machine Learning for Kids 成为明星工具，让复杂算法触手可及。
进阶实战期（中学）： 引入 Scratch（积木化编程） 向 Python（文本化编程） 的过渡，重点培养针对AI算法的计算思维。
AI该如何教？教学策略的关键转向
在教学策略方面，研究呈现出一个非常清晰的趋势，即是从“知识传授”转向“情境建构”
其中，最核心的策略包括：
1. 项目式学习（Project-Based Learning）
这是使用最广泛的策略，通过项目完成知识建构，强调在真实问题中学习AI和跨学科整合。这种方式被证明在提升学习动机与理解深度方面效果显著。
2. 游戏化与游戏基础学习
通过游戏机制，进行情境模拟，提升学生学习兴趣和参与度。这种方法尤其适用于小学阶段。
3. 人机协同学习
强调学生与AI系统之间的互动，学习如何“与AI合作”，理解AI的优势与局限。AI不再仅是学习内容，更是学习伙伴。这种“共同思考”的空间显著提升了学生的逻辑推演能力。
4. 新兴策略：类比与对话
例如将“人类学习”与“机器学习”进行类比，通过对话引导学生反思，这也体现出AI教育正在向“理解本质”深化。
AI应该学什么？AI学习的多维成效
研究表明，AI教育的影响并非单一维度，而是呈现出多层次发展：
认知成果： 学生能够理解 AI 基本规则、机器学习原理、AI 伦理及局限性 。有趣的是，即使是幼儿园学生也能理解基于知识的系统 。
情感与行为： 学习活动显著增强了学生的学习动机、兴趣、自我效能感和信心 。超过 45% 的中学生表示 AI 学习是一次愉快的体验 。
软技能： 协作能力、计算思维和创造力在 AI 学习过程中得到了锻炼 。
说明AI教育不仅是“技术教育”，更是“综合素养教育”。
如何评价AI学习？当前的困境与突破方向
在评估方式上，当前研究主要采用：
问卷调查
学习作品评价
访谈与课堂观察
前后测比较
然而，缺乏统一、标准化的AI素养评价体系导致致研究结果可比性不足、教学效果难以精准判断，因此，构建科学、系统的评价框架，成为未来研究的关键方向。
我们可以得到什么启示？
综合来看，这项研究为我们提供了三个层面的重要启示：
1. 对教育实践者
AI教育不仅是技术教学，更应关注公平性、责任性和伦理性。
2. 对一线教师
关键不在“用什么工具”，而在是否符合学生发展水平并服务于学习目标。
3. 对研究者
未来亟需推进理论框架建构和标准化测评工具开发。
一个更深层的理解：AI教育的真正挑战
如果将这项研究的结论进一步提炼，可以得到一个更具穿透力的判断：AI教育的核心问题，从来不是“有没有工具”，而是“如何将工具嵌入有效的教学设计之中”。
换言之，工具只是起点，教学设计才是关键变量，而学习评价决定其可持续发展。
结 语
人工智能正在重塑教育的边界，而K-12阶段正是这一变革的起点。
这项综述所揭示的，不只是工具与方法的演进，更是一种教育范式的转型：
从“知识传授”走向“能力建构”
从“技术应用”走向“人机共生”
从“单一技能”走向“综合素养”
对于正在探索AI教育路径的我们而言，这既是挑战，更是机遇。AI素养不是未来，而是“现在”。本综述为全球教育者提供了宝贵的行动指南。在技术日新月异的今天，最好的教育是赋予学生在AI世界中保持理性、创造力与同理心的能力。
参考文献：
Yim, I. H. Y., & Su, J. (2025). Artificial intelligence (AI) learning tools in K-12 education: A scoping review. Journal of Computers in Education, 12(1), 93-131.
往期文章推荐：
职前教师整合教育人工智能（AI）工具的准备就绪度研究：基于 TPACK 模型的视角
人工智能工具融入教育：基于TPACK框架的教学转型与实践启示
