【世界经济论坛】塑造学习的未来：人工智能时代的教育准备

塑造学习未来：教育准备迎接人工智能时代塑造学习未来：迎接人工智能时代的教育准备2执行摘要32未经结构化人工智能应用的危害123.1人工智能教育准备框架183.3框架的应用204人工智能在教育领域的准备信号234.1启用基金会24免责声明本文件由世界经济论坛出版，作为对项目、洞察领域或互动的贡献。其中表述的研究成果、解释和结论是经过世界经济论坛促成和认可的协作过程的成果，但结果并不一定代表世界经济论坛的观点，也不一定反映其成员、合作伙伴或其他利益相关者的全部观点。©2026世界经济论坛。版权所有。未经许可，本出版物任何部分不得以任何形式或任何手段复制或传播，包括影印和录音，或通过任何信息存储和检索系统。塑造学习未来：人工智能时代的教育准备3人工智能（AI）从根本上改变了人类获取、生产和应用知识的方式。核心挑战不在于对人工智能的采用本身，而在于快速发展的技术可用性、学习行为与教育培训系体人力资源开发、教育目标以及人力技能价值等方面的长期假设，尤其是因为对信息技术发展的大量投入可能在不久的将来超过了对人力的投资。人工智能的采用是从下而上的，因为学生和教师将这些工具融入日常学习中，而没有对课程、评估或治理进行相应的更新。这造成了结构性紧张：教育系统旨在有意识地演变，优先考虑公平、信任和质量，而人工智能的快速传播和重塑学习行为比系统适应的速度要快。其影响远超学习成果。人工智能挑战了教育系统的核心功能 ,包括知识和技能发展、评估可信度、公平获取以及学学习成果将由技术应用的情境决定，而非技术本身。尽管许多人工智能工具最初并非为教育目的而构建，但算法和数据集的进步已增强了它们支持学习的能力。然而 ,政策、教学法和技术层面的孤立和碎片化干预可能不足以满足需求。系统级成果源于多层次的互动：治理、机构、教育者和学习者。当这些层次不一致时，即使是有良好意愿的创新也不太可能实现人工智能的益处，甚至可能产生意想不到的后果。值得注意的是，来自控制性研究的证据并不总是可靠地转化为大规模实施，其中情境、激励和能力的差异可能很大——这强化了需要适应性的系统级方法，而不是固定解决方案。统中的机遇。相比之下，本文有意更加强调风险和系条件反映随着采用加速，需要更加平衡的视角。解决这些条件需要共享的语言和协调的多层次响应。因此，本文介绍了旨在帮助利益相关者评估是否具备支持有效、公平和可信地将人工智能融入教育的必要条件的AI就绪框架。该框架是在与论坛教育4.0联盟、全球未来理事会人力资源发展委员会和教育专家进行磋商后开发的。为了支持实际应用，该框架定义了一套准备信号，这些可观察的指标有助于利益相关者识别差距、优先行动并使各层级的工作一致。这些信号并非规定性的清单，而是支持有见地对话和鼓励政策制定者、教育工作者、技术提供商和社会各界协作行动的实用参考点。鉴于围绕人工智能长期影响的不确定性，这些信号旨在支持持续创新和迭代学习，而不是固定的实施路径。议程的紧迫性日益加剧。没有协调的行动，与人工智能相关联的风险，例如认知卸载、虚假信息、学术诚信的侵蚀以及人际关系的缺失，可能加剧。同时，在没有适当的系统条件下，人工智能的潜在好处，包括减少管理负担、实现可扩展反馈以及扩展学习机会，可能会分布世界经济论坛的角色是为来自各行各业的利益相关者召开会议，应对复杂的系统性问题。在这一背景下，该框架不仅是一个诊断工具，同时还是协作的共同参照点，帮助不同主体围绕未来学习的共享目标实现一最终的问题不是人工智能是否会塑造教育体系，而是教育体系将如何塑造人工智能的运用。今天构建的准备将决定人工智能是加强还是削弱人类的学习和发展。塑造学习未来：人工智能时代的教育准备4在过去的几十年里，人与人、信息与知识之间的关系经历了深刻的变革。互联网、数字平台、社交媒体和人工智能从根本上改变了信息的产生、共享和获取方式。首次，一种广泛可获取的技术能够执行认知任务，如写作、分析、推理和综合，这些任务正是教育体系专门设计来培养的。技术扩展了我们的知识获取方式，使得在众多数字平台上，更多的学习可以在正式机构之外进行。些是为了学习目的而建造的，但也有一些并非如此。许多社会为学习设计的机构和结构正受到挑战，同时新的这些转变既创造了机遇，也带来了不确定性。一方面，个人现在可以以前所未有的自由进行学习、创造、教学和交流。在线平台、论坛、社交媒体、聊天机器人和其他数字工具已成为强大的非正式学习环境——灵活、响应迅速、易于使用，并面向数百万互联用户。随着个人越来越多地在外部正式机构之外获取、生成和应用知识 ,关于质量、结构和验证的问题变得更加尖锐。在没有一致指导的情况下，学习路径的风险变得更大，其结果核心问题不仅仅是信息的获取或技术的掌握，而是教育系统能否继续作为社会通过其发展人类能力、验证知识和确保机会公平的主要机构的角色。证据表明，为每个人提供优质教育的公平机会是加强社会和经济效益的最有效方式之一。2然而，如果没有健全的制度和治理机制，技术创新带来的扩大和丰富学习的教育体系必须有意地采用人工智能，认识到它与之前的教育技术有根本的不同。与早期的工具如笔记本电脑、学习管理系统或互联网连接不同，人工智能不仅仅是提供内容或连接用户；它生成解释、推理和解决方案。这要求决策基于真实学习影响的证据，同时承认证据仍然是局部的、依赖情境的，并且难以在整个系统中扩展。与此同时，教育领导者必须超越反应性实验，制定长期的人力资本发展和机构能力发展战略。今天的教育体系通常在有限的证据基础上进行操作并做出关键决策，同时面临相互矛盾的说法、技术快速发展以及关于人工智能轨迹的显著不确定性。因此，理解技术变革需要清晰的、共享的框架，以帮助利益相关者过滤噪音、组织新兴实践，并使技术采用与人类发展目标相一致。为集体行动提供基础对于确保创新能够加强而不是破坏学习生态系统至关重要。本文提出的框架（图技术、政府和社会中所有人力资本投资者都可以用来指塑造学习未来：人工智能时代的教育准备5从系统级规范到个人学习体验教育系统对AI融合的准备框架图1从系统级规范到个人学习体验启用基金会数据治理与数字基础设施可持续性及经济案例网络安全并且连接环境影响并且金融是否存在稳健、透明可行的数据和人工智能并且连接性跨越人工智能赋能的教育数字和AI赋能的治理保护教育体系具有弹性。在能源使用和设备寿命方面教育植根于学习者的隐私，减轻公平且足够安全循环与采购透明，基于证据的算法偏见，保障措施为确保可靠接入积极计入成本效益评估网络安全并确保互操作性及嵌入作为条件并且权衡，以及责任使用运行能力受创新技术的支持维护和升级它们金融模型与机构能力学术诚信教育创新社交空间和社区和知识产权治理康宁家长参与是否存在明确的制度教育体系是学校、家庭和著作权标准拥有治理权安全、包容、便捷当地社区积极参与独创性和智慧结构以实现安全的物理空间用于社交作为合作伙伴共同参与财产，稳健的道德实验互动与玩耍责任在于学习者防止剽窃的措施人工智能与新兴与持续一致地促进治理并且对合成物的误用健康监测与易接触的社交，情感教育实践人工智能、媒体和数字教育工作者工作量评估教育工作者能力识字框架健康与幸福代理机构人工智能、媒体和数字教育工作者工作负担，工作评估方法教育工作者有素养内嵌为满意与幸福可靠、适用自治，技能和工具基础能力持续监控与教学法相一致设计和交付跨学科，教师发现正在积极告知高质量的学习，与发展，指导性理由采用工具融入数字和他们专业的判断设计和学生学习那减少行政人工智能赋能的方法负担并提升学习经历易于获取的问题解决与终身和个性化和包容性学习协作学习学生驱动学习自主学习实现universalaccesst高质量教育特意设计用来适应个人节奏受制于可适应的实施理想的难度系统追踪长期需求和目标材料、技术及需要学习者解决进步，促进学分互认嵌入学生能动性ﮐﻪ學習環境问题与合作在机构之间，并给予与此同时利用AI实现满足各种需求学生对有意义控制的掌控量身定制的内容，反馈通过透明治理，同意和明确的退订从标准和公平到敏捷和灵活性来源：世界经济论坛。塑造学习未来：人工智能时代的教育准备6该框架基于对相关文献和实证趋势的回顾，以及与该领域领先专家的咨询，并概述了教育体系在负责任和有效地采用人工智能所需的关键要素。通过明确在采用前必须具备的条件，该框架旨在将不确定性转化为有意识的一个核心洞见——即AI对教育提出的挑战是系统性的，而非某个特定领域的——是这一框架的基础。这些挑战源于政策空白、制度惰性、教学不确定性和缺乏指导的学习行为之间的相互作用。解决这些问题需要，并且这个框架旨在实现，从孤立的干预措施转向一种协调方法 ,这种方法承认系统中每一层级的条件如何塑造其他层教育体系在广泛不同的条件下运作，包括资源、制度能力、文化背景和发展阶段的不同。因此，人工智能整合的准备情况不能被视为统一或线性的进步。有许多教育体系已经在框架的一些组成部分中取得成功，例如改善数字连接、采用人工智能素养框架、拥抱个性化学习方法和保护儿童在线隐私。虽然每个类别都是有效且重要的，但框架鼓励一种整体、协作的方法，这种方法超越了任何单一利益相关者的责任。因此，该框架旨在支持差异化的应用，帮助确定特定情境下的优先事项，同时保持分析和对话的共享结构。认识到这种差异对于确保人工智能的采用支持公平而非扩以下部分分析了使这一时刻对教育具有决定性意义的因素——新的经济和技术环境、现有教育领域采用人工智能的方法、将塑造人工智能长期影响的机遇和风险，以及更多关于框架的细节。最后一部分更详细地概述了可以支持政策制定者、教育领导者和技术创新者等利益相在历史上，重大的技术变革重塑了工作的本质、社会经济结构，以及随之而来的对教育系统的要求。工业变革要求社会扩大对大众教育的普及，以准备工人从事工厂生产。3后来，计算机和信息技术的普及增加了对高等教育、分析能力和数字流利度的需求。4每场技术浪潮都改变了劳动力市场要求的技能，并迫使教育体系做出适应性调整。5这个历史模式很重要，因为它揭示了教育的核心功能：将人的能力与经济和社会相匹配。当这种匹配存在时，个人和社会都将受益。当它破裂时，不平等加剧 ,公众对教育的信任减弱。元66543总信息技术投资，数万亿美元教育总支出，数万亿美元快速的技术变革，由数字化、自动化和人工智能驱动，正在改变全球经济格局，重塑教育体系的需求。在此背景下，个人发展并应用认知、数字和适应能力的强弱，决定了他们如何有效地参与并从技术变革中受益。在20世纪的大部分时间里，扩大中等和高等教育的机会作为一种强大的平等化因素，帮助经济体吸收技术变革，扩大经济机会。当教育体系在覆盖面或质量上未能扩大时 ,不平等就会加剧。6尽管受教育可以获得明显的工资溢价7最近越来越多的人怀疑，在新的经济中，学术背景是否能带来经济机会。8证书与劳动力市场价值之间的关系正变得越来越复杂。在过去的几十年里，技术和学术资格能够带来天，这个信号正在减弱。技能需求的发展速度快于资格框架所能追踪的，雇主越来越难以表达他们的需求，而求职者同样难以证明自己具备这些能力。当教育体系无法弥合这个差距时，其后果将超越职业生涯。这些经济利益至关重要。现代经济正日益以知识创造、应用和交换为核心组织。经济学家所描述的是向知识密集型生产的转变，其中竞争优势越来越少依赖于物质资本或自然资源，而更多地来自于思想的积累、技能、专业知识和工作力能力的提升。10经济发展成功并积累人力资本的国家往往在经济上也会取得成功。今天，各国经济正稳步投资于信息科技，以加速知识的分析、交换和创造。与此同时，全球对人力资本发展的投资增长速度低于全球经济。展望未来，未来几年内教育支出突破的预测尚无定论；然而，对信息技术的投资稳健，仅人工智能的资本支出预计到2024年至2026年间将翻倍以上（图2）。11来源：世界银行，国际货币基金组织（IMF），高德纳。塑造学习未来：人工智能时代的教育准备7塑造学习未来：人工智能时代的教育准备8自20世纪70年代以来，生产率与劳动价值之被广泛记录。在知识密集型经济体中，人工智能等信息技术的快速发展通过改变人类技能对未来经济产出、工作方式以及人类贡献的衡量方式的贡献，进一步重塑了这为教育体系提出了重要问题。虽然经济回报并非教育的唯一目标，但系统必须应对这些变化，以确保学习继教育长期以来承担着多个相互关联的功能：发展人类能力、传授和验证知识、促进经济机会、以及维持公民和社会生活。人工智能正开始挑战这些功能中的每一个，同时改变知识的产生和评估方式，重塑支持经济参与技能，并通过影响学习发生的社会和关系动态。理解这些挑战对于评估人工智能对教育系统带来的风险和机遇至这些压力既表现为风险，也表现为机遇：当AI整合不当时，它可能会削弱这些核心目的，但当它与明确的教育目标和系统级条件相一致时，它也可以增强这些尽管不确定性不断增长，个人和家庭仍然在教育上投资 ,常常付出巨大的个人代价，因为他们真诚地相信教育价值，并担心被落下的后果。这种个人投资的意愿反映了人们对教育角色的持久信心，但同时也创造了脆弱性。随着技能要求的演变上一节指出，教育与经济成果之间的匹配正面临压力。本节探讨人工智能的采用如何加剧这一挑战。它引入了第二种不匹配：学习者、教育者采用技术的速度与机构治理、引导和整合的速度之间的不匹配。人工智能已不再是教育领域的一项新兴趋势，也不再是机构可以选择在未来某个时刻采纳的技术。它已经成为数百万学习者获取信息、完成学业任务和认识世界的常规部分。这一转变的证据无论是在广度还是速度上都非常显著。教育是继科技、信息与媒体行业之后的第二大人工智能密集型行业。比正式的资格框架更快，随着人工智能开始执行或增强与高等教育传统相关的任务，教育成就与劳动力市场结果之间的联系变得越来越不可预测。当前的证书可能不再可靠地表明具有经济相关技能，而教育的回报可能越来越广泛地因环境和个体而异。当预期的回报没有实现时，后果往往落在那些最无法承受损失的人身上。因为人工智能和数字技术正在改变技能的价值和学习的进行方式，教育体系必须调整其教学、评估和组织学习的方式，以保持其相关性。问题不在于是否要创新，而在于今天的创新是否在加强人力资本方程式。私营创新者带来了真正的优势，技术专长、投资能力和速度，这些是公共部门单独无法比拟的。他们在教育创新中的作用既是宝贵的也是必要的。然而，当教育创新主要由商业动机驱动时，它可能会从公共商品和人权降低为商品 ,加剧不平等，使那些已经处于最好位置的人从中获益。12这种担忧尤其相关，因为商业人工智能工具越来越多地塑造了学习的设计和实施方式。确保创新公平地服务于所有学习者需要精心设计和治理。前进的道路不是限制创新，而是通过公共机构、私营创新者、社会、教育者和学习者之间的真正伙伴关系有目的地塑造它。当这些优势结合在一起时，技术可以扩大获取途径，降低成本，并创造有意义的新的教学和学习领英数据显示，在教育领域，人工智能的采用率很高，这体现在与人工智能相关的职位和技能上。这是通过评估每个行业中人工智能职位的数量以及至少拥有两项报告的人工智能相关技能的领英会员数量来实现的（图3 如前一章所述，教育支出增长速度慢于整体经济增长。自2021年以来，公共教育支出（占全球GDP的百分比 投资也一直不景气，该市场内的私人投资结构目前正逐渐从传统的K-12教育技术和一般教育平台转向由人工智能驱动的工具。15这种转变也反映在更广泛的创新塑造学习未来：人工智能时代的教育准备9020162017201820教育金融服务政府管理医院与医疗保健制造业石油、天然气和矿业专业服务科技、信息与媒体交通运输、物流、供应链及仓储公共事业请注意：各行业人工智能的集中度，与领先行业的2016年价值相比较。来源：领英。0注意：每年向全球创新收藏提交申请的人数，这些申请者将人工智能作为教育创新解决方案的工具。该收藏认可教育领域最具影响力和可扩展的前100项创新。来源：HundrED。教育创新集合表明，将AI作为教育创新工具的申请者提交作品的比例在2022年至2025年间翻了两番，达到所有提交作品数量的21.6%（图4）。16人工智能的扩散速度比以往通用技术更快，许多教育机构措手不及。许多学习者热情地开始使用人工智能工具 ,推动了对这一学习技术的自下而上的采用。现在，我们可以更精确地测量这种采用的范围和性质。例如，交通数据显示了一个有趣的模式：在学术学期期间，访问学生们利用人工智能来获取解释、起草论文、翻译文本、规划项目以及解决学术难题，越来越多的学习任务被承认使用它来做家庭作业可能损害他们的批判性思维的情况下，使用人工智能帮助学生完成家庭作业的学生比9许多人在上网或查参考书之前都会首先转向人工智能。这标志着学习者在获取信息方式上发生了根本性的转变。一方面，人工智能的使用反映了寻求便利和轻松完成学术任务的倾向。另一方面，它也受到日益增长的学术压力的推动。一项针对韩国学生的研究发现，那些经历更高学术压力的学生更有可能依赖人工智能工具寻求帮助 ,并且过度依赖与创造力降低、内在动机减少和批判性压力、繁重的工作量和表现焦虑的条件不太可能支持人尽管学生推动了人工智能的采用，教育工作者也在将人工智能融入他们的日常工作。一项对爱沙新研究发现，53.2%的教师已经在教学中使用人工智能 ,其中小学教师的AI工具使用率达到了66%《数字教育委员会全球人工智能教师调查（2025）》发现，人工智能在教学中的应用最TOP的案例包括制作教学材料（75%）、支持行政工作（58%）、教授学生如何使用和评估人工智能（50%）、提升学生参与度（452工作量、区分教学并提供细致的反馈，这些在以前难以尽管在上一段描述的爱沙尼亚研究中，生成反馈在教师优先事项中排名较低，但它仍然是教育中最关键的的任务之一。AI在这一领域提供了一个真正的机会，但其整合塑造学习未来：人工智能时代的教育准备10这绝非易事。学生的看法至关重要。正如近期洛桑联邦理工学院（EPFL）的一项研究指出，学习者在面对人工智能生成的反馈时持有复杂且有时谨慎的态度。3信任是学生、教师和机构有效采纳的先决条件。然而，这种信任目前建立在动摇的基础之上。据斯坦福大学的AI指数报告虽然大多数学生和教师似乎使用AI工具，但仅有6%的教师认为现有的AI政策提供了明采用模式似乎遵循一种反应性顺序：教师根据学生采用人工智能，而机构则跟随教师。这种反应性动态不仅对整合质量重要，而且对结果也很重要。大规模研究的证据表明，有效使用人工智能需要时间，而经验确实能提高与人工智能协同工作的生产能力。2和教育工作者如果没有指导或结构化的实践就采用AI，他们可能仍会停留在学习曲线的低端，从而限制了他们从这项技术中获取的价值。当前关于人工智能在教育领域的的研究仍然有限，尤其是在K-12阶段。大部分现有文献都集中在18岁及以上的学习者身上，研究条件受到限制，如一次性的20分钟实验，主要考察短期结果。26即使教育中已经建立起来的、基于证据的方法也常常无法预测创新将成功扩展到何处。决策应该1.3人工智能在教育中的承诺支持教师角色：增强与自动化支持教师角色：增强与自动化精炼教育中的评估和决策精炼教育中的评估和决策的机会。近几十年来，数字技术在全球范围内扩大了教报告强调了人工智能解决诸如教师工作量过重、学习个理想情况下应基于证据，但鉴于在教育中使用人工智能的证据很大程度上缺乏。如果教育领导者在采取行动前等待确定的结论，那么在塑造人工智能在教育中悖论引人注目：人工智能正在重塑数百万人的学习方式 ,然而，大多数学习者尚未接受过如何将其用于学习的正规教育。这不仅仅是通过更好的培训来弥补的差距。这代表着治理失败：对学习影响最大的技术是在制度监管之外被采用的，没有与教育目标相一致，也没有确保其使用支持而非破坏学习的机制。这并非是机构不愿意创新；它反映了人工智能发展速度与机构调整课程、评估机制和法规速度之间的结构性不匹配。大多数教育体系都是围绕公平、可及性和更广泛的社会经济目标设计的，这些目标需要经过深思熟虑和正当程序后才能承诺改变。理解技术可用性和教育目的之间的差距，不仅是一项分析练习；它是本文提出的框架的起点。本节中描述的模式——快速、无指导的采用导致系统各层级之间的不匹配——正是协调准备框架旨在解决的问题。培育负责任的人工智能和数字素养培育负责任的人工智能和数字素养个性定制学习内容和体验个性定制学习内容和体验评估和反馈的延误。随着采用的加速，这些机会正变得日益切实可行。然而，这些机会都不会自动实现。每个都取决于系统条件，如治理、制度能力、教师能力以及学习者的准备情况，这些条件不能被假设，必须是有意构建的。理解如果在缺乏这些条件时会有什么风险，与认识在满足这些条件时可能会有什么可能一样重要。塑造学习未来：人工智能时代的教育准备11人工智能支持教师并增强其工作能力的承诺依然重要。考虑到预计到2030年全球将短缺4400万教师，其中南半球国家受影响最为严重，这种机遇尤其宝贵人工智能技术可以通过自动化重复性和行政任务，重新定义教育工作的性质和质量，从而让教师能够专注于个性化教学、指导力和创新等高价值活动。研究表明，目前有高达20%的教师时间用于可自动化的行政工作，而8-20%的分析任务，如课程规划和绩效评估，可以通过人工智能得到加强。28通过减轻这些负担，人工智能可以使教育工作者将更多关注投入到人际互动、情感支持和与家长的沟通中。然而，要实现这些益处，需要精心设计系统并持续投资于教师培训，以确保教育工作者能够有效管理自动化并增强以人为中心的技能。传统评估通常线性且耗时，可能无法及时为学习者提供反馈。人工智能驱动的分析可以大规模提供即时、个性化的反馈，帮助学习者识别错误，同时使教师能够实时调整教学。持续评估模型可以减少对高风险考试的依赖，从而促进更具吸引力和适应性强的学习环境。在系统层面，人工智能驱动的分析可以使学校和教育部能够发现学习差距，预测绩效趋势，并做出及时、数据驱动的决策，将教育管理从被动反应模式转变为更响应性和预测性的模式。将人工智能融入教育不仅仅是采用新工具；它还要求教授学生如何理解、质疑和负责任地应用它们。学生应该学习如何使用人工智能工具，评估网络信息，识别虚假信息 ,并在理解人工智能对社会更广泛影响的基础上，批判性地参与数字学习环境。在学校教授这些技能将帮助学习者为在人工智能驱动的经济中导航并作为知情公民参与做好准备。在课程中融入网络安全、偏见意识和数据伦理，确保学生能够负责任地使用人工智能，并帮助塑或许人工智能最直接的影响在于其大规模提供个性化学习的潜能。这建立在展示一对一辅导有效性的研究之上。29人工智能算法可以通过调整内容、进度和难度，以适应每个学生的学习进展、偏好和需求，从而模拟个性化教学的某些方面。它们可以识别学习中的不足之处 ,预测可能遇到的困难，并生成定制的学习路径，提供与学生优势相符的反馈和材料，同时解决他们的弱点。重要的是，教师必须始终处于核心地位，负责将人工智能生成的见解置于具体语境中，确保其文化相关性、伦理使用以及与学生的有意义的情感互动。人工智能工具还可以通过实时翻译、字幕和多模态内容呈现等方式提高可访问性，从而为残疾学生提供支持，并促进包容性在这些关键机遇中，AI有潜力放大人类在教育领域的功能，但前提是必须具备相应的条件。如果没有足够的治理，这些工具可能会被无责任地部署。如果没有对教育工作者的投资，它们可能会被表面化地采用或遭到抵制。如果没有关注公平，它们的益处将集中在那些已经得到最好服务的人群中。下一节将探讨当这些系统条件缺失时产生的风险，以及在没有协调应对的情况下，随着采用率的持续上升，这些风险会加剧。塑造学习未来：人工智能时代的教育准备12以下风险反映了人工智能在没有故意管理的情况下可能破坏教育体系核心目的的不同方式。以下描述的风险并非推测。它们已经在全球教育体系中观察到，并且具有一个共同特征：每个风险在没有准备框架中描述的系统条件下都会加剧。当教学法失败时，认知萎缩会加剧。适应；当缺乏数字素养时，错误信息传播得更远；当治理框架落后于技术进步时，学术诚信受到侵蚀；当机构将效率置于关系学习之上时，人类联系减弱。这些问题并非各自独立的，需要分别解决——它们是系统层面不22认知萎缩学术诚信的分解认知萎缩人类联系的侵蚀幻觉和人类联系的侵蚀错误信息人工智能降低认知努力的能力对教育构成潜在威胁，不是因为它有效，而是正因为其有效性。这种风险对于儿童和年轻人的神经发育尤其明显，因为他们的神方面，这反映了人类大脑的一个基本特征：在尽可能的情况下，倾向于节约能量和减少努力。人类自然寻求更简单的方法来完成任务，而且历史上，社会已经采用了减少心理努力的工具。然而，在扩展人类认知和取代人类认知的工具之间存在一个重要的区别。当学生使用计算器来检查复杂的计算时，他们的数学理解仍然完整。当学生使用人工智能系统来推理解决问题的每一步时，原本可能建立理解的认知工作可能根本就不会发生。生成式人工智能迈入全新领域。以往的工具自动化了常规机械任务，而现在大型语言模型（LLMs）则能执行高级认知功能，例如起草论点、比较证据、构建分析和生成解释。在自动化推理过程时，它剥夺了通过努研究结果证实了这一点：在一个实验中，获得人工智能工具访问权限的学生最初提高了他们的表现，但一旦工具被移除，他们的表现比从未获得访问权限的学生更差。31学习不是被动吸收信息，而是一场强化学习神经人的大脑是通过努力参与而发展起来的：反复被激活的神经元路径通过一种被称为经验依赖性可塑性的过程变得更加高效。32当这些通路处于休眠状态，因为认知工作已经委托给其他地方，它们可能会减弱，就像肌肉因不使用而萎缩一样。负责思考、专注和行为控制的前额叶皮层，可以在30岁左右发儿童和青少年中未充分激发这些神经通路，可能会对其未来的学习能力产生灾难性的后果。塑造学习未来：人工智能时代的教育准备13好奇心也需要锻炼。当学习者习惯于接受答案而不是努力寻找它们时，对理解事物的渴望本身也可能变得萎缩。一代又一代的学习者，如果他们的智力问题总是由他人解决，他们不仅可能缺乏独立思考的能力，这些风险加剧了年轻人在焦虑、难以集中注意力、注意力持续时间缩短和难以学习新事物等方面面临的既好奇心也需要锻炼。当学习者习惯于接受答案而不是努力寻找它们时，对理解事物的渴望本身也可能变得萎缩。一代又一代的学习者，如果他们的智力问题总是由他人解决，他们不仅可能缺乏独立思考的能力，这些风险加剧了年轻人在焦虑、难以集中注意力、注意力持续时间缩短和难以学习新事物等方面面临的既们与智能手机的兴起和算法定制内容的崛起相一致。这些发展共同重塑了年轻人获取信息的方式。这些发现显示，甚至已经受过高度教育的群体正在失去适应信息丰富环境所需的竞争力。上述模式也许最终体现了人类使用大脑的方式发生了改变。例如，我们现在用智能手机进行大部分计算，因此一些数学技能不再像以前那样经常得到练习。词汇也在衰退，这或许与人们此外，关于数字多任务处理的研究持续显示出它与学术表现下降、理解能力减弱以及自我调节能力恶化之间的关联，这些都是与此外，关于数字多任务处理的研究持续显示出它与学术表现下降、理解能力减弱以及自我调节能力恶化之间的关联，这些都是与AI介导的认知卸载现象相一致的模式。36这两个挑战是相互加强的，因为习惯于任务切换的学生不太可能投入深度学习所要求的缓慢、困难的工作，而移除这种困难的人工智能工具反而使这种习惯更努力的认知过程。40随着劳动力市场向需要判断、情境推理和道德直觉的非例行工作转变，这正是深度学习旨在培养而人工智能卸载往往抑制的能力。认知卸载的威胁在原本学习成果下降的情况下尤为严重。甚至在大众商业AI工具（2022年）的引入之前，经合组织的国际学生评估项目（PISA）的数据就已经显示 ,自2010年代初以来，学生在数学、阅读和科学方面的表现出现了显著下降（图5）。37成年人也不例外：经合组织2024年成人技能调查发现，识字这不仅仅是关注个人学习，也是关注集体人力资本形成的问题。人工智能工具可以通过扩展信息获取范围和减轻日常工作负担来支持专家实践者。然而，对于缺乏判断机器输出错误所需隐性知识的初学者来说，它们可能构成挑战。如果形成性的专业经验是通过进的表现出现了显著下降（图5）。37成年人也不例外：经合组织2024年成人技能调查发现，识字得分招聘广告中，超过了所有其他列出的要求，这些发展尤其令人不安。得分招聘广告中，超过了所有其他列出的要求，这些发展尤其令人不安。42然而，学习性建立在最易受对人工智能无批判依赖的威胁的能力上：元认知、持续注意力和记忆力。创造性见解源自于心灵中已有的概念之间自发性的神经网络重组。43大脑无法形成未存储的概念之间的联系。将知识库外包给外部系统的思想，已经外包学校不仅仅是传授知识：它们训练大脑如何运用知识。当学习者持续跳过这个过程时，他们就跳过了使未来学科学阅读数学请注意：PISA-国际学生评估项目。来源：经济合作与发展组织（OECD）。塑造学习未来：人工智能时代的教育准备142.2幻觉与错误信息有时没有证据，产生研究人员称之为幻觉（以充分修辞信心表达的事实错误或编造的陈述）。44有时没有证据，产生研究人员称之为幻觉（以充分修辞信心表达的事实错误或编造的陈述）。44风险不仅仅是存在不准确的信息，而是这些信息以最有利于信念的形式出现，这在教育环境中尤其令人担忧。对于首次，信息不仅被传递，而且被系统综合，这些系统的语言流畅性常常超过它们的事实可靠性。大型语言模型（LLMs）从统计模式中生成连贯的句子。即便模型不断改进，幻觉仍然是一个重大风险。最近的研究发现，当人工智能图6地缘经济对抗地缘经济对抗不良后果人工智能技术不平等人权和/或公民自由的侵蚀网络危害社会极化审查和监控缺乏经济机会犯罪和非法经济活动或者失业基础设施中断不良后果前沿科技系统性的中断重要的供应链错误信息混淆和虚假信息网络不安全概览风险类别概览经济环境地缘政治社会科技节点风险影响边缘来源：世界经济论坛2025-2026年度全球风险感节点风险影响边缘相对影响力高低高高低低塑造学习未来：人工智能时代的教育准备15模型产生幻觉时，它们倾向于使用比提供信息时更自信在教育环境中，学习者面临着将认知规范内部化的风险 ,即合理性取代了真实性。当学生收到流畅而结构良好的AI响应时，那些在人类交流中标志可信赖性的品质，如连贯性、自信和明显的全面性，无论事实准确性如何 定理和评估历史或科学主张。过度依赖生成型AI的输出 ,特别是没有适应学习的商业工具，可能会逆转这种关这些漏洞在各个年龄段之间并不均匀。小学生不太可能质疑听起来有权威性的来源，并且更容易形成持久性的错误观念。47老学生尽管更有能力评估AI的输出 ,但由于学业压力，他们可能选择不这样做。48 ,教育工作者也不例外。使用AI工具的教师同样可能接触到幻觉内容，并可能以他们专业角色的附加权威传这些风险因学者们所说的后文盲现象而加剧：在这种状态下，基本的阅读和写作仍然普遍，但更高级的解释、评估和来源核实能力却在衰退。49在评估技能已经衰退的地方，AI生成内容的流畅、权威表面更可能被无批在人工智能令人信服的表面之下，隐藏着一个不透明的数据基础设施。大多数大型语言模型依赖于未经验证、公开抓取的文本，其透明度有限。2.3学术诚信的分解人工智能侵蚀基于功绩的证书和真实人类努力的信任与可信度，损害了教育领域的社会契约。学术诚信不再仅仅是避免剽窃。越来越，它关乎明确学生自己做了什么，AI帮助了什么，以及作业是否与预期的学习成果相符。现在，它要求保持人力、机器辅助和学习目的之间的透明关系。然而，这种关系却难以定义、监管或评估。这种模糊性其起源、作者或准确性。50同行评审的研究、商业内容和社会媒体评论不加区分地共存，复制和放大现有的偏见。在规模上监控此类数据是一项不可能完成的任务，正如监控虚假信息一样。51尽管误信息可以管理，但无法完全根除，而且即使有效的纠正通常也会失败，因为错误信息往往比纠正的努力传播更广识别虚假信息和错误信息为首要短期风险，随着AI工具使它们在视频、图像、语音和文本中迅速传播，区对于教育机构来说，其影响是直接的：学生学习的知识环境中，内容的可信度越来越难以评估。学术机构充当知识基础设施，因为它们维护着区分已知知识和未经证实的宣称的规范：证据、引证和同行评审。生成式人工智能现在给这个基础设施施加了压力。虽然AI辅助研究能开启前所未有的利益，但对学术机构是否有能力验证和评估不断增加的研究数量以及人工智能产生的知识而不过度降低标准的担忧是真对于学习者来说，这种累积效应是腐蚀性的。AI生毫无意义的引用和听起来权威的自信谎言不仅削弱了对数字工具的信任，也削弱了对学习本身的行为的信任。当知识验证过程显得不可靠时，进行费力验证的动力就会减弱。教育可能会退化成所谓的表演性真理：被接受的观点不是因为它们经过了检验，而是因为听起来合理。反映了对学术工作含义的结构性变化。对Claude.ai上近57.5万条匿名学生对话的泛人类学分析发现，大约47%的互动是寻求答案或现成内容，认知参与度极低，包括直接请求以避免抄袭检测。56当反思被自动化取代时，教育可能会变成生产练习而非学习过程。挑者，包括教育工作者、管理人员和学生，认为塑造学习未来：人工智能时代的教育准备16人工智能在某些方面被滥用。57尽管抄袭和合同作弊一直是有效问题，但AI极大地降低了门槛，使辨别在直接的诚信问题之下，隐藏着一个更根本的问题，那就是评估的价值和目的。成绩作为一种社会契约：机构证明成绩反映了真正的理解，而教育之外的世界在做出就业和机会决策时，会依据这种证明行事。教育的目标不是提高成绩，而是提高学习者。如果证书不能代表其持有者的真实能力，那么这种契约就会破裂，这不仅对那些真正发展了自己的能力和技能的人来说如此，对那些依赖证书做出决策的雇主也是如此。人工智能也消除了长期存在的学术支持不平等。以前无法获得私人辅导或家庭学业帮助的学生现在可以随时获得数字辅助。这种学术支持民主化是一项真实且重要的好处。然而，它进一步引发了关于作弊的困境。确实，那些侵蚀公平的工具也可以扩大机会。这种紧张局势因人工智能素养的不平等而加剧，因为那些懂得如何提示、评估和改进人工智能输出的人，在合法和不合法的使用中都能获得有意义的优势。在一种环境中构成诚信的东西，在另一种环境中可能构成不当行为。结果是教育中出现了一种新的不平等形式：不是技术获取的差距，在批判性和负责任地使用它的能力上。诚信风险也存在于认证方。随着AI工具在评分、反馈和个性化评估中的应用，算法的透明度不足和偏见会破坏评估所依赖的公平性和信任。在AI丰富的环境中，评估的透明度不仅仅是程序性要求，而是维护信任、责任和学术诚信的关键准备条件。使用追踪写作模式、预测分析和参与度指标的工具来检测不真实性或个性化内容带来了挑战。一供了确保公平性和个性化学习的机遇；另一方面，它们模糊了评估和监控之间的界限。这些方法可能服务于合法的评估目的，但它们可能从根本上改变教育关系，将其从建立在信任和发展的基础上转变为建立在监控和怀疑的基础上。因此，保护学术诚信需要对如何使用学生数据给予与数据揭示的内容同样多的关注。如果人们持续认为学术成果可以被人工智能模拟，这可能会削弱公众对教育体系的信任，正如错误信息已经破结果不会是机会的民主化，而是其反面：雇主信心的下降、社会经济流动性的减少和对基于才能的成就的信念2.4人类联系的侵蚀人工智能和数字技术可能导致学习的社会基础变弱 ,部分原因在于许多工具优化以提高效率、个性化和规模，而不是为了共享的人类经验。学习不仅是一种认知活动，而且是一种深刻的关联活动 ,建立在信任、同理心和归属感之上。这不仅包括社会互动，还包括身体实践。运动、游戏、体育和其他形式的身体参与是学习与福祉的重要组成部分，有助于认知发展、注意力和情绪调节。孩子不是仅仅从内容中学习 ,而是从联系中学习——与注意到他们的老师、挑战他们的同龄人以及相信他们的导师建立联系。除了分心之外，数字媒介的风险是脱节：逐渐削弱支撑有效学习的这个脱节的证据伴随着人工智能的广泛应用而显现2024年，美国疾病控制与预防中心（CDC）报告称，40%的美国高中生在过去12个月内报告了持续的悲伤或绝望感，并且只有大约一半人觉得在学校里与他人亲近。59这些指标指向了教育体系在支持参与、归属感和福祉方面存在的潜在斗争。人工智能快速融入学习的风险可能会加剧这些挑战，因为教育体验的核心要素在没有明确指导或支持的情况下进一步重塑。学习科学和教育领域的研究支持了经验丰富的教师长期观察到的观点：情感安全和关系信任是有效学习的先决当社会联系减弱时，注意力和动机的下降以及韧性减弱常常随之而来。在童年早期，大脑每秒形成超过一百万个神经连接，其中大部分通过积极的互动塑造。眼神交塑造学习未来：人工智能时代的教育准备17情感共鸣并非感性的附加品——它们是学习的生物基连接及其在形成真实关系能力正在建立的发展阶段情感共鸣并非感性的附加品——它们是学习的生物基随着孩子的成长，关系的重要性并没有降低。协作对话、小组问题解决和同伴反馈是理解和长期记忆的强大驱动因素。62学生、教师、导师和照顾者之间的关系强度是参与度和教育成功的强有力预测因素管信息技术提高了内容传递的效率，但学习的社交维度即使在人工智能和社交媒体平台日益模拟陪伴的情随着孩子的成长，关系的重要性并没有降低。协作对话、小组问题解决和同伴反馈是理解和长期记忆的强大驱动因素。62学生、教师、导师和照顾者之间的关系强度是参与度和教育成功的强有力预测因素管信息技术提高了内容传递的效率，但学习的社交维度即使在人工智能和社交媒体平台日益模拟陪伴的情例如，人工智能聊天机器人的普及，通过改变学习者通过数字工具寻求支持和社交联系的方式，为挑战带来了新的维度。对于一些用户来说，尤其是那些感到孤独或社交焦虑的用户，人工智能伴侣可能真正发挥然而，持续依赖模拟关系可能会模糊真实与虚假之间与他人建立有意义的联系，倾听、关注、协作、关怀的能力在未来的学习中将更加重要。《教育4.0框架》强例如，人工智能聊天机器人的普及，通过改变学习者通过数字工具寻求支持和社交联系的方式，为挑战带来了新的维度。对于一些用户来说，尤其是那些感到孤独或社交焦虑的用户，人工智能伴侣可能真正发挥然而，持续依赖模拟关系可能会模糊真实与虚假之间2019202020212022好奇心与终身学习领导力和社会影响韧性、灵活性、敏捷性动机与自我意识创造力和问题解决同理心与主动倾听教学、指导、辅导0人为中心的技能，如韧性、灵活性、同理心和主动倾听 ,将成为未来劳动力市场中最受欢迎的能力之一。66然而，在实践中，这些能力却出人意料地脆弱，对外部冲和反馈减少，到2025年，没有一种以人为本的技能恢复到2019年之前的水平（图7）。67如果这些关系能力在规模上下降，其后果将超出教育领域。公民生活、职场凝聚力、民主参与和社会信任都取决于跨越差异协作的能力，倾听时带着真诚的注意力，以及关注超出个人利益的成果。在一个这些互动越来越多地被数字和人工智能系统中介或取代的世界里，它们现在必须被有意保留并融入新的学习架构 ,而不是被认为会自然产生。塑造学习未来：人工智能时代的教育准备1833所提出的框架（图8）旨在组织和协调此类集体响应。其目标是确定可以今天着手进行的改变，而不仅仅是关注颠覆性解决方案，而是专注于强化教育得以加强的基当前对教育中人工智能的应对措施仍然分散。政策努力集中在监管和基础设施上，教学方法以课堂教学为核心，技术解决方案则强调工具和平台。尽管这些干预措施各自都很重要，但单独来看都不够充分。教育所提出的框架（图8）旨在组织和协调此类集体响应。其目标是确定可以今天着手进行的改变，而不仅仅是关注颠覆性解决方案，而是专注于强化教育得以加强的基图8教育系统整合人工智能的准备框架（精简版）启用基金会经济案例并且金融可持续性及环境影响经济案例并且金融可持续性及环境影响数字基础设施并且连接网络安全从系统性的规章制度到个人学习体验从系统性的规章制度到个人学习体验机构能力学术诚信知识产权教育创新治理社交空间健康与幸福社区和父母参与教育实践人工智能、媒体和数字识字框架教育工作者工作量健康与幸福评估教育者的能力代理机构学习经历易于获取的包容性学习问题解决与协作学习终身和学生驱动学习个性化和从标准和公平到敏捷和灵活性来源：世界经济论坛。塑造学习未来：人工智能时代的教育准备193.2框架设计原则该框架确定了教育体系采用人工智能以加强学习、保护公平、维持机构信任和支持人类发展的必要条件。它组（学习体验）该框架确定了教育体系采用人工智能以加强学习、保护公平、维持机构信任和支持人类发展的必要条件。它组跨层级对齐四个维度垂直排列，以反映教育体系的不同层次，从广泛的赋能基础到具体的学学习体验。从上到四个维度垂直排列，以反映教育体系的不同层次，从广泛的赋能基础到具体的学学习体验。从上到下，学实践，最后到学习者参与并从人工智能中获益的条件。启用型基金会指的是塑造人工智能在学习系统中整合的外部条件。随着教育越来越在数字和人工智能赋能的环境中展开，塑造这些条件的责任已不仅仅局限于正式的学术机构，而是扩展到了更广泛的平台和技术生态系统，这些平台和技术最初并非为教育设计，但现在却在塑造学习者如何获取和参与信息方面发挥着重要作用。这些条件决定了人工智能的采用是否可行、公平、经济上可持续以及环境上负责任。机构能力反映了学校、大学和培训机构将人工智能应用于提升学习、同时保护诚信、福祉和信任的能力。这意味着管理学术诚信和知识产权，创造在人工监督和伦理约束下进行教育创新的安全环境，保护支持联系和福祉的社会和物理空间，以及将家庭和社区作为负责任使用人工智能的真正合作伙伴。教学实践涉及教育工作者在将人工智能融入学习过程中进行明智的专业判断的条件。虽然人工智能可以增强内容获取并简化教学任务，但有效的教学需要情境理解、关系技能以及判断何时人工智能支持学习、何时不支持的能力。这取决于对教育工作者能力的投资、工作负荷管理、适合目的的评估以及强大的AI和数字素养框架。学习经验侧重于培养学习者在受益于人工智能增强学习的同时，减轻相关风险的能力和条件。这些学习经验最初于2020年作为教育4.0框架的一部分开发出来，自其发表以来，这些教学法已得到显著推广。解锁学习准备需要持续努力以加强包容性和易于获取的设计，协作和问题解决方法，个性化自主学习路径，以及支持终身学习和学生驱动发展的体系。共同而言，这些条件使学习者能够成为活跃、道德且认知上有韧性的人工智能使用者，在享受个性化快速反馈的同时，还能发展人工智能无法取代的深层能力。塑造学习未来：人工智能时代的教育准备20平衡标准与公平与自主性和灵活性在所有四个维度上，该框架反映了一个第二组织原则。一端是有利于保持一致性的条件、安全性和公正性。这包括明确的规则、共同的标准和强有力的保护措施；例如，数据治理、网络安全和基础设施的平等获取。这些都是构建信任以及确保所有学习者都得到平等的保障和在另一端，则是优先考虑灵活性、响应性和创新的条件。这包括使教育者和学习者能够适应环境的途径，例如个性化学习路径、学生自主权和将新兴技术融入教学与学习。这些途径使系统能够满足多样化的需求并应对快这项研究的重要性在于其努力将对话超越关于人工智能是否会加强或削弱教育的两极化辩论。我们有机会利用技术为学习者释放巨大价值。这样做需要我们对未来的挑战和机遇有一个共同的理解，以及一个共同的行动框架。这个框架可以作为此类协作行动和全球、国家和机构背景下实际实施的起点。在实践中，这些应用在通过利益相关者之间的结构化对话进行时最为有效。政策制定者、机构领导者、教育工作者和其他行动者可以使用这个框架共同评估当前情况，确定差距并协调优先事项 ,确保在系统的一个级别采取的行动得到其他级别的信息和协调：-将政策、资金和能力建设努力与最关键的准备需求这不是一个固定的划分，而是一个贯穿所有维度的连续体。一般来说，系统级别的条件往往需要更高的标准化 ,而接近教学和学习的条件则允许更大的灵活性。重要的是，这两个必要性是相互依赖的：在治理和安全等领域的强标准为其他地方的更大自主权奠定了基础。该框架鼓励领导们反思这一平衡是否适合他们的特定环境，因为过于僵化可能会扼杀创新，而缺乏约束的自主性可能会破坏公平性和信任。目标不是优先考虑一方而忽视另一方，而是刻意在整个系统中管理这种平衡。通过通过这一视角审视每个类别，该框架不仅是一份诊断工具，同时也是开发既公平又具备前瞻性的教育系统的-支持试点项目以测试和改进人工智能集尽管教育领域人工智能的证据基础仍在不断发展，但准备条件适用于各种技术发展场景。以下，我们建议使用框架的信号，五类关键利益相关者群体之间可能提出的问题，以指导实际行动。当这些建议性问题在结构化对话中跨组使用时最为有效——例如，在学校层面的工作小组、国家政策审查或围绕特定准备维度召集的多利益以此方式使用，框架变成了一种协调工具：一种连接教育部控制的系统条件、学校做出的制度选择、教师做出的教学判断以及学生培养的学习习惯的共同语言。塑造学习未来：迎接人工智能时代的教育准备教育官员和政策制定者该框架为确定政策领先于实践以及关键差距依然存在的领域提供了一个诊断结构。我们是否拥有专为AI学习环境中的儿童设计的可执行数据隐私保护措施，还是我们依赖那些并非为此目的设计的通用框架？我们使用哪些独立、公开可用的证据来评估当前的EdTech投资是否在改善学习成果，我们是否理解了所有拥有成本？我们是否通过沙盒、采购标准和认证协议来建立安全创新的条件，或者技术是在没有系统评估的学校管理人员和机构领导者机构领导必须将系统级政策转化为运营现实。该框架为领导层就其机构所处的位置以及可能存在的风险进行有结-我们是否拥有一个清晰、沟通良好且可执行的关于可接受人工智能使用的政策，员工、学生和家长是否理解，并-我们是否积极保护物理空间、分配的时间和结构化的社交互动及协作学习机会，还是任由它们逐渐消失？-我们是否将家庭作为真正的合作伙伴参与关于技术使用、数据治理和学生福祉的决策，还是在决策做出后才通知教师和教育工作者教师在政策与学习之间发挥着至关重要的桥梁作用。该框架通过明确人工智能在哪些情况下能够促进学习，以及在哪些情况下可能阻碍学习，从而为教师的专业判断提供支持。-我应该在何时鼓励学生将AI作为工具使用，何时又应该坚持让他们自己完成任务？我有信心做出这样的判断吗?-我该如何重新设计评估方式，以捕捉推理、反思和真正的理解，而不是AI轻易就能产生的输出？-我是否获得了将AI深思熟虑地整合所需的职业发展、时间和机构支持，还是我需要在已经繁重的工作量之上应父母和照顾者家长们对孩子教育有直接而持久的利益。这个框架为家庭提供了具体的语言，帮助他们将关于人工智能的一般焦虑转化为具体而有成效的问题。-我的孩子们是否透明地使用人工智能，我是否有意义的方式来了解正在使用的工具、收集的数据以及人工智能如-我的孩子们是否在培养学习本应建立的能力、习惯和关系，还是仅仅在制作类似学习的AI辅助输出，却绕过了学-我如何在家中设定关于人工智能使用的明智界限，以及我可以在哪里获取支持孩子们负责任使用这些工具的指导?塑造学习未来：面向人工智能时代的教育准备22学生和学者学生是积极参与者，他们的选择塑造了自己的发展。该框架的学习者准备度信号直接针对这种能动性。我是否在培养课堂之外（如推理、协作、坚持）将发挥作用的技能，还是我现在感觉高效但长远削弱了我的能力我是否明白人工智能帮助我学习和人工智能为我学习的区别，并且我对所发生的事情是否诚实？我是否在保持真实的人际关系，寻找真正的协作，并练习那些没有技术能为我开发的社交和情感技能？技术变革的速度意味着标准与自主性、效率与人际联系之间的平衡需要持续调整。推动这一框架形成的相同结构性差距——即人工智能发展速度与机构适应速度之间种需要积极管理的条件。框架的信号旨在支持这一持续的进程，而不是作为一种固定的审计，而是一份持续更新的参考资料，为保持教育系统真实准备而不断塑造学习未来：人工智能时代的教育准备23信号显示教育领域对人该框架的核心论点是，结果取决于这些维度之间的协同：无法转化为制度实践的系统性治理将停留在愿望阶段；缺乏教学支持的制度政策无法进入课堂；不注意学习者准备的教学创新无法产生持久的学习。每个维度都由准备信号支撑，这些信号突出了投资、改革和跨利益相关方合作的优先领域。框架并没有规定单一的AI集成模型，将评级体系相互比较，或者假定任何教育环境都从相同的基线开始。其价值不在于任何个别比在整体方法中管理AI在教育中的风险和利用机会的信号更重要。教育部依赖于它可能无法直接控制的制度和教学条件，学校则依赖于它们无法单独创造的系统级基础设施和政策。这种相互依赖并非缺陷，而是框架的核虽然这些信号并非作为正式的评分体系设计，但许多可以转化为可观察或可测量的指标。系统可能评估国家人工智能指南的存在、教师培训水平、数字化基础设施的获取或人工智能相关能力嵌入课程的程度。444.1启用基础是否存在强有力的、透明的、可执行的治理机制来保护学习者的隐私、减理性依据理性依据学习越来越多地发生在数字和虚拟空间中，这些空间超越了正式教育系统的边界，例如学术机构既不拥有也不完全控制的平台、工具和环境。这种转变引发了一个根本问题：学习者在这些环境中是否安全？确保安全需要具有可执行性的保护措施，以保护学习者的身份、隐私和数据。这包括对负责任数据使用的明确协议、透明的同意系统，并对儿童提供具体的保障措施，以及对谁能访问、处理和存储学习者信息的严格治理。根据世界经济论坛的全球数字安全联盟，没有单一的干预措施能够解决网上伤害的众多形式。解决这个问题需要全方位的方法，跨越技术、教育、政策和行为等多个维度，能够与威胁同步演变，而不仅仅是事后再进行反应。68然而，在教育环境中，一种结构性张力仍然存在，因为学术机构仍然需要对学习者的保护负责，即使他们往往缺乏对第三方技术和人工智能系统的完全可见性和控制。这也引发了关于人工智能主权的问题，确保教育系统能够保留对学习者数据、数字基础设施和人工智能的实质性控制。网络安全韧性是建立信任的基础，而有效的学习离不开这种信任。当学习者、教育工作者和家庭相信数据得到诚信处理，并且学习者能够安全地在线学习时，这不仅减轻了风险，也打开了通往安全、道德学习、个性化、评估和教透明数据与人工智能治理：采用并实施国家框架，明确学习数据收集、存储、访问和使用的方式。这些框架包括对人工智能系统，包括第三方提供商的审计、问责和监督机制。儿童特定隐私和安全保护：确保适合年龄的同意、数据最小化和免受算法偏差的保护的法律和监管保障。它们还限制了不当的数据利用，并在人工智能教育环境中建立了安全内容和互动的可执行标准。网络安全和风险监管能力：识别、监控、审核和应对数字及人工智能赋能学习环境中风险的系统级协议和监控机制。塑造学习未来：迎接人工智能时代的教育准备24教育系统的数字基础设施和连接是否足够弹性、公平、安全，以确保可靠接理性依据理性依据人工智能赋能的学习依赖于稳定、安全且公平的数字基础设施。连接性、计算能力、电力可靠性和互操作性平台构成然而，仅仅基础设施并不能保证有意义的参与。有效的准备不仅取决于提供，还取决于系统维护、监控和随时间调整基础设施的能力。没有对访问差距的持续监管，可持续的融资模式以及长期升级战略，数字扩展的风险可能会导致现有的不平等加剧。随着人工智能的采用，对数据存储、处理能力、能源消耗和平台集成的需求不断增加，基础设施必须被视为战略重点。有效的数字基础设施是让每一位学习者和教育者都能从技术创新中受益的基石。可靠的连接和接入性：提供满足规定的最低连接标准的可靠宽带、设备接入和电源。负担得起和公平：监控不同地区、收入群体和人口统计数据下的获取情况，以制定有针对性的、适应性的投资政策，填互操作性及维护：开放式标准、供应商中立和数据交换的原则，通过常规监控、计划升级周期来维持长期性能和塑造未来学习：AI时代的教育准备25人工智能赋能教育的环境影响，包括能源消耗、设备生命周期和采购，理性依据理性依据教育体系可以是采纳新技术的规模化和结构性影响的载体。在学校、地区和体系中就部署哪些平台、如何存储数据、采购哪些设备以及如何管理基础设施所做的决定，在规模上会产生环境影响。人工智能的使用带来了真实且不断增长的环保成本，这些成本必须得到理解、管理和透明报告。新兴的证据表明，在教育平台上使用的机器学习模型在能耗上存在显著差异，这取决于模型复杂性、算法设计和部署硬件。69节能部署标准的责任，并要求在能源使用和碳足迹方面保持透明。然而，有效的可持续性不仅限于测量；它取决于系统在本地、云或混合数据使用和存储之间做出明智权衡的能力。这些决策往往受外部供应商影响，从而限制了了解AI系统一种可行的替代大型语言模型（LLMs）的选择可能是小型语言模型（SLMs），因为这些模型往往可以本地运行，降低能源消耗并提升数据隐私，从而在许多教育场景中成为更可持续的选项。此外，获取数字机会需要广泛采用设备，这导致了电子垃圾的不断增加，因为设备经常被更换，而没有足够的维修、再利用或回收系统。如果没有明确的维修、再利用和安全的处置政策及运营能力，数字扩张的风险可能会导致环境成本的随着人工智能在教育领域的整合仍处于相对早期阶段，随着采用规模的扩大，其对环境和能源的需求可能会显著增加。这创造了一个关键的行动窗口：这些成本必须在早期就得到认可，并在大规模部署前的决策过程中考虑。关于基础设施、采购和使用等方面的早期选择将塑造长期的环境影响，因此，从一开始就优先考虑可持续性对于实现负能源使用责任和透明度：衡量和报告与信息和通信技术（ICT）相关的能源消耗，包括碳足迹和生态负责任部署在教育设备生命周期责任与电子废物管理：规范责任采购、维修、再利用以及设备报废处置的政策，并设定减少电子废物量的可持续和负责任的采购：采购框架纳入环保和伦理标准，包括节能、耐久、可维修以及绿色AI等方面的考量，并在此领域及技术部分的批准流程中予以一致应用。塑造学习未来：迎接人工智能时代的教育准备26投资于数字化和人工智能教育案例是否基于透明、基于证据的成本、收益和权衡的评估，并得到创新融资模式和采购标准的支持?理性依据教育体系面临一个根本问题：何时使用人工智能才是真正有价值的？并非每个学习任务都需要最先进的技术，盲目采用可能将稀缺资源从更有效的干预措施中转移。在教育资源预算受限的时期，将资源投入到无法明显提高学习成果的数字创新上，不仅在经济上是一种错误，更是一种代价。因此，教育领域AI的经济案例必须建立在透明的成本结构、诚实的影响证据以及仔细考虑权衡的基础上，包括教师时间、工作负荷影响和长期维护。这需要超越前期成本，全面理解所有权的总成本，包括硬件、软件、集成、网络安全、培训、维护以及最终的更换或退役。此外，鉴于AI技术在少数创新者中的集中，教育体系也必须在如何融资获取它方面进行创新。公平的许可、非营利性接入途径和可预测的融资模式对于确保教育创新不是由商业利益单方面决定至关当投资决策建立在可靠证据的基础上，全面理解了成本，且融资模式促进作为公共商品的公平获取而非单纯的商业交易，教育系统可以自信地采用人工智能，深知每一项投入都是为了学习服务。成本效益评估：基于独立和公开的学习成果和教师工作量影响的证据，获取投资的能力，包括将新技术整合到学习过资金模式：通过多种资金模式确保教育科技的可持续、公平分配融资，这些模式受到明确的监管监督和长期预算规划的采购和财政责任：规范和问责机制，以管理教育领域的公共支出，确保成本完全透明，供应商中立，并将商业关系置塑造学习未来：为人工智能时代的教育准备4.2机构能力是否存在明确的关于作者身份、原创性和知识产权的制度标准，以及理性依据理性依据一场深刻的转变正在进行中，因为人工智能让用户（无论是教师还是学生）成为创造者，这引发了关于质量、验人工智能正在改写创作规则。当学习者提交与人工智能共同创作的作品，或教育者利用人工智能生成的内容开发材料时，关于所有权、原创性和学术成绩的现有假设不再完全适用。如果没有明确和可执行的方案，机构的风险在于不是出于恶意，而是由于模糊不清，可能会破坏其资质的信誉。是什么使得这个挑战尤为紧迫的是更深层次的转变：AI工具正在使学生和教师从知识的消费者转变为内容的创作者。这种演变带来了许多创造、个性化和生产力的机会，但也引发了关于质量、验证、责任和知识产权的根本性问题。为人工智能前的环境设计的知识产权框架正努力跟上合成媒体和人工智能辅助创作的步伐。机构有责任通过建立关于著作权标准的明确政策、更新学习和研究中的知识产权治理以及人工智能辅助的伦理界限来走在前列。如果做得好，这并不会阻碍人工智能在学习和研究中的应用；它提供信任和合法性。明确的规则使教育工作者和学习者能够自信地以开放和建设性的方式使用AI工具，同时维护让证书具有意义的完整性学术作者身份：机构应明确设立、传达和执行关于可接受的AI使用（包括引用、披露以及学习者与教育者使用合成媒体)的预期标准。知识产权监管：界定和应用适用于AI辅助及AI生成内容的拥有权和使用权，涉及教学、学习和研究。资格标准：关于资质、评估和发表成果的著作权和原创性明确的标准，包括人工智能辅助工作的要求。期待机制：一个正式的机构机制，用于监控人工智能工具、知识产权法和学术诚信风险的发展，以及定期更新的塑造未来学习之路：应对人工智能时代的教育准备28教育体系是否具备治理结构，以允许安全、道德地实验人工智能理性依据理性依据确定教育创新是否提升学习的唯一方法是在真实条件下试点、测试和调整。因此，一个未来准备的教育体系需要一个生态系统，创新者、研究人员和教育工作者可以在这里安全地实验，而不会让学习者受到伤害——在这里，失败产生这需要强有力的治理结构，能够积极塑造创新引进和扩大的方式，通过明确和开放的标准、适龄的设计和内容保障机制来实现。这些机制确保只有符合既定安全、有效性和伦理设计标准的解决方案才能到达学习者。强有力的透明治理不是创新的敌人，而是使其值得信赖的因素。创新沙盒：结构化的试点环境，为创新提供适当的场所，以便在系统推广前安全地测试、迭代和评估新的教育认证和影响评估协议：在采用前根据数据保护和安全标准评估教育技术创新和人工智能工具的程序，并整合来自教育活跃的EdTech行业协会：公认的业界机构，制定和执行透明度、数据伦理和学习影响证据的行业标准，在市场内部建塑造学习未来：迎接人工智能时代的教育准备29学习者在安全、包容和易于进入的物理空间内进行社交互动和玩耍，同时伴理性依据理性依据人类天生具有社会性，教育所发挥的显著作用无法数字化。随着越来越多的学习转向在线，存在一种风险，即物理空间以及在那里发生的互动被视为可选择的。事实并非如此。学校作为公民的支柱，是年轻人培养同理心、社会资本以及塑造长期福祉、就业能力和公民参与的互动能力的地方。证据持续表明，身体的人与人之间的联系是健康大脑发展的基础，使关系信任、归属感和合作成为任何教育体系的结构性要求。70即便AI可以高效且大规模地提供内容，学习者仍然需要物理空间来进行连接、协作以及相互学习。保护和优先考虑这些空间，同时积极监控学习者的出勤、参与度和健康状况，确保人工智能的应用丰富教育，而不是包容性物理空间的可用性：保护安全、包容的物理环境，以支持数字学习环境之外的人际互动、游戏和运动。分配给社交学习的时间：在学校常规、课程表和活动中正式嵌入的用于社交互动、合作和娱乐的专用时间。健康监测：定期测量出勤率、参与度和社交联结性，将缺勤情况作为关键预警指标进行追踪。可获取的支持服务：作为持续支持的一部分，不仅限于危机情况，提供咨询服务、社会情感和心理健康服务。塑造学习未来：迎接人工智能时代的教育准备30学校、家庭和当地社区是否作为合作伙伴积极参与，共同承担对学习者的责理性依据理性依据家长和监护人对孩子教育有着直接且持久的影响。将家庭视为决策的被动接受者忽视了重要的支持、责任和信任来源。因此，有效的准备取决于持续参与，使家庭能够参与学校治理，了解技术的应用，并在家中支持负责任的数字