引言
随着生成式人工智能（Generative AI）技术的迅猛发展，以 ChatGPT 为代表的大语言模型正在深刻重塑人类获取、处理和创造知识的方式。在这一背景下，人工智能素养（AI Literacy） 作为一个新兴的学术概念，逐渐成为教育界和信息科学领域的研究热点。
本文旨在系统梳理 AI 素养的形成脉络，深入剖析其内涵特征，并尝试构建一套多维度的评估标准框架，以期为相关研究和实践提供参考。
一、AI 素养的形成：从感知智能到认知智能
AI 素养并非凭空产生，其概念内涵随着人工智能技术的发展而不断演进。回顾这一历程，可以将其划分为两个关键阶段。
1.1 感知智能时代：数据获取与处理
在感知智能阶段，人工智能的核心能力集中在数据的获取、分类与处理。典型技术包括：
- 机器学习（Machine Learning）：通过算法从海量数据中发现模式与规律；
- 深度学习（Deep Learning）：利用多层神经网络实现图像识别、语音识别等任务；
- 自然语言处理（NLP）基础应用：如情感分析、文本分类、机器翻译等。
这一阶段，AI 素养主要表现为对数据驱动决策的理解，以及对算法基本原理的认知。公众关注的焦点在于：AI 如何"感知"世界，以及如何利用 AI 工具提升数据处理效率。
1.2 认知智能时代：机器理解与交互
随着 Transformer 架构的突破和大规模预训练模型的涌现，人工智能进入了认知智能时代。以 ChatGPT、GPT-4、Claude 等为代表的生成式 AI 具备了以下能力：
| 能力维度 | 具体表现 | 典型应用 |
|---|---|---|
| 语言理解 | 深度语义理解、上下文推理 | 对话系统、智能问答 |
| 内容生成 | 文本、图像、代码的创造性生成 | 写作辅助、AI 绘画、代码补全 |
| 逻辑推理 | 多步骤推理、问题分解 | 数学求解、策略规划 |
| 跨模态交互 | 文本、图像、语音的融合处理 | 多模态大模型（如 GPT-4V） |
在这一阶段，AI 素养的内涵发生了质的变化——从"理解 AI 如何处理数据"拓展为**"理解 AI 如何理解世界并与人类交互"**。这对个体的认知水平、批判思维和伦理意识提出了更高要求。
二、AI 素养内涵剖析：基于布鲁姆分类法的框架
为系统解构 AI 素养的多维内涵，本文借鉴布鲁姆教育目标分类法（Bloom’s Taxonomy），将 AI 素养划分为由低到高的三个层次。
2.1 第一层：意识与理解（Remember & Understand）
这是 AI 素养的基础层，要求个体能够：
- 意识层面：认识到 AI 技术在日常生活和社会中的广泛存在与影响；
- 理解层面：理解 AI 的基本概念、工作原理及其能力边界。
例如，了解什么是大语言模型，理解"幻觉"（Hallucination）现象的含义，认识到 AI 输出并非绝对可靠。
2.2 第二层：应用与分析（Apply & Analyze）
这是 AI 素养的进阶层，要求个体能够：
- 应用层面：能够有效地使用 AI 工具完成特定任务（如信息检索、文本生成、数据分析等）；
- 分析层面：能够批判性地审视 AI 的输出结果，识别其中的偏见、错误和局限性。
例如，能够撰写有效的提示词（Prompt）以获得高质量的 AI 回复，并能对 AI 生成的内容进行事实核查。
2.3 第三层：评估与创造（Evaluate & Create）
这是 AI 素养的最高层，要求个体能够：
- 评估层面：基于伦理、法律和社会影响等多重标准，对 AI 系统和应用进行综合评价；
- 创造层面：能够利用 AI 工具进行创新性活动，或在特定领域构建 AI 解决方案。
例如，能够评估某款 AI 应用是否存在算法偏见，或能够利用 AI 平台开发一个智能客服系统。
AI 素养三层结构总览
| 层次 | 对应布鲁姆分类 | 核心能力 | 典型行为表现 |
|---|---|---|---|
| 基础层 | 记忆、理解 | AI 意识与理解 | 描述 AI 概念；识别生活中的 AI 应用 |
| 进阶层 | 应用、分析 | AI 应用与分析 | 使用 AI 工具完成任务；批判性审视 AI 输出 |
| 高级层 | 评估、创造 | AI 评估与创造 | 评价 AI 的伦理影响；利用 AI 进行创新 |
三、AI 素养与信息素养、数据素养的关系辨析
AI 素养、信息素养（Information Literacy）和数据素养（Data Literacy）三者之间存在密切联系，但在关注焦点和能力要求上各有侧重。
3.1 三者的内在联系
- 共同基础：三者都强调在信息/数据/技术环境中，个体应具备批判性思维和问题解决能力；
- 递进关系：数据素养关注数据的理解与使用，信息素养关注信息的获取与评估，AI 素养则在此基础上进一步关注智能系统的理解、应用与创造；
- 相互支撑：良好的信息素养和数据素养是培养 AI 素养的重要前提，而 AI 素养的提升也能反哺信息素养和数据素养的发展。
3.2 三者的核心区别
| 比较维度 | 信息素养 | 数据素养 | AI 素养 |
|---|---|---|---|
| 核心对象 | 信息资源 | 数据集 | 人工智能系统 |
| 关注焦点 | 信息的获取、评估与利用 | 数据的收集、分析与解读 | AI 的理解、应用、评估与创造 |
| 关键技能 | 检索策略、信息源评估、引用规范 | 统计分析、数据可视化、数据伦理 | 提示工程、AI 输出评估、人机协作 |
| 技术背景 | 搜索引擎、数据库、图书馆系统 | 统计软件、Excel、编程语言 | 大语言模型、机器学习平台、AI 工具链 |
| 伦理维度 | 信息真实性、知识产权、学术诚信 | 数据隐私、数据安全、数据偏见 | 算法偏见、AI 伦理、责任归属 |
| 时代特征 | 互联网时代 | 大数据时代 | 人工智能时代 |
简要概括：如果说信息素养回答的是"如何找到并判断信息的质量"，数据素养回答的是"如何从数据中提取洞见"，那么 AI 素养回答的则是**"如何理解、驾驭并与智能系统协同创造"**。
四、AI 素养评估标准构建
基于前文的理论分析，本文尝试构建一套系统化的 AI 素养评估标准框架。该框架包含 6 个维度，并划分为 3 个层次。
4.1 六维度模型
维度一：AI 意识（AI Awareness）
指个体对 AI 技术的存在、发展及其社会影响的感知程度。
- 认识到 AI 在日常生活和工作中的广泛应用；
- 了解 AI 技术发展的基本历程和主要里程碑；
- 关注 AI 对社会、经济和文化的潜在影响。
维度二：AI 理解（AI Understanding）
指个体对 AI 基本概念、核心原理和技术边界的理解程度。
- 理解机器学习、深度学习、自然语言处理等核心概念；
- 了解 AI 系统的基本工作流程（训练、推理、生成）；
- 认识到 AI 的能力边界和固有局限（如幻觉、偏见等）。
维度三：AI 知识（AI Knowledge）
指个体对 AI 领域专业知识的掌握程度。
- 了解主流 AI 技术的分类与特点；
- 熟悉常见的 AI 应用场景和工具；
- 掌握 AI 领域的基本术语和概念框架。
维度四：AI 技能（AI Skills）
指个体实际操作和使用 AI 工具的能力。
- 能够选择合适的 AI 工具解决特定问题；
- 掌握提示词工程（Prompt Engineering）的基本技巧；
- 能够利用 AI 辅助进行信息检索、内容创作和数据分析。
维度五：AI 评估（AI Evaluation）
指个体对 AI 系统输出进行批判性评估的能力。
- 能够识别 AI 输出中的错误、偏见和不一致；
- 能够从准确性、可靠性、相关性等维度评估 AI 生成内容；
- 能够基于伦理标准对 AI 应用进行价值判断。
维度六：AI 创造（AI Creation）
指个体利用 AI 工具进行创新性活动的能力。
- 能够利用 AI 辅助完成创造性任务（如写作、设计、编程等）；
- 能够将 AI 工具整合到特定领域的工作流程中；
- 能够探索 AI 技术的新应用场景和可能性。
4.2 三层次评估框架
将上述六个维度按照认知深度划分为三个层次，形成如下评估框架：
| 层次 | 包含维度 | 层次定位 | 评估重点 |
|---|---|---|---|
| 认知层 | AI 意识、AI 理解 | 基础 | 对 AI 概念和原理的认知程度 |
| 技能层 | AI 知识、AI 技能 | 进阶 | 对 AI 工具和方法的掌握程度 |
| 实践层 | AI 评估、AI 创造 | 高级 | 在真实场景中运用 AI 的能力 |
4.3 AI 素养评估标准详细指标
| 维度 | 层次 | 具体评估指标 |
|---|---|---|
| AI 意识 | 认知层 | 能列举生活中常见的 AI 应用；了解 AI 发展简史 |
| AI 理解 | 认知层 | 能解释 AI 的基本原理；能描述 AI 的能力与局限 |
| AI 知识 | 技能层 | 能区分不同类型的 AI 技术；熟悉主流 AI 工具的功能 |
| AI 技能 | 技能层 | 能有效使用 AI 工具完成任务；能编写高质量提示词 |
| AI 评估 | 实践层 | 能识别 AI 输出中的错误和偏见；能从多维度评估 AI 应用 |
| AI 创造 | 实践层 | 能利用 AI 进行创新性活动；能将 AI 整合到工作流程中 |
五、AI 素养与信息素养、数据素养评估标准比较
为更清晰地呈现 AI 素养评估标准的独特性，下表将其与信息素养和数据素养的核心评估内容进行对比。
| 评估维度 | AI 素养 | 信息素养 | 数据素养 |
|---|---|---|---|
| 意识/认知 | AI 意识、AI 理解 | 信息需求意识、信息源认知 | 数据意识、数据概念理解 |
| 知识/技能 | AI 知识、AI 技能 | 信息检索技能、信息组织方法 | 数据收集技能、统计分析方法 |
| 评估/判断 | AI 评估（偏见、伦理、可靠性） | 信息源评估、信息质量判断 | 数据质量评估、数据解读 |
| 创造/应用 | AI 创造（人机协同创新） | 知识建构、信息整合应用 | 数据驱动决策、数据叙事 |
从上表可以看出，AI 素养评估标准在继承信息素养和数据素养部分维度的基础上，增加了对智能系统交互能力的评估（如提示词工程）和对 AI 伦理问题的深度关注（如算法偏见、责任归属），体现了其在智能时代的独特价值。
六、总结
本文从历史发展的视角追踪了 AI 素养从感知智能时代到认知智能时代的演进历程，基于布鲁姆分类法构建了 AI 素养的三层内涵框架，并在此基础上提出了包含 6 个维度、3 个层次的 AI 素养评估标准体系。
主要结论如下：
- AI 素养是一个多层次、多维度的综合概念，涵盖从基础认知到高级创造的完整能力谱系；
- AI 素养与信息素养、数据素养既相互关联又各有侧重，三者共同构成了数字时代公民素养的重要组成部分；
- AI 素养评估标准的构建需要兼顾理论严谨性和实践可操作性，本文提出的六维度三层次框架为后续实证研究提供了可参考的分析工具。
随着生成式 AI 技术的持续演进，AI 素养的概念内涵和评估标准也需要不断更新和完善。未来的研究可以进一步探索不同群体（如学生、教师、从业者）的 AI 素养水平差异，以及针对性的培养策略和干预措施。
参考文献
- Long, D., & Magerko, B. (2020). What is AI literacy? Competencies and design considerations. Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems, 1-16.
- Ng, D. T. K., Leung, J. K. L., Su, J., Ng, R. C. W., & Chu, S. K. W. (2021). Conceptualizing AI literacy: A review and synthesis of the literature. Educational Technology & Society, 24(4), 175-191.
- Wang, Y., Yu, X., & Wu, Y. (2023). AI literacy in the era of ChatGPT: Redefining competencies and assessment frameworks. Computers & Education, 199, 104781.
- UNESCO. (2022). AI and Education: Guidance for Policy-makers. UNESCO Publishing.
- ACLS. (2022). Artificial Intelligence and Liberal Education. American Council of Learned Societies.