设想一次 AI 培训：学习者已经能写清角色、目标和输出格式，也能让系统迅速生成合用的文本。但当被问到“为什么相信这段内容”“哪些材料可能没有进入系统的认识”时，讨论突然慢了下来。
这个场景由本栏目编写。它提出一个问题：使用顺手，与理解自己正在使用什么，之间还需要哪些学习？Long 与 Magerko 在 2020 年提出的 AI 素养框架，可以帮助我们把这个问题拆开。
文字版已补充修订，音频保留原版。
一分钟读懂
- 读完可以：检查一项 AI 学习活动是否同时支持操作、理解与判断。
- 文献性质：探索性文献综述，整理 150 份材料，提出 17 项能力与 15 项设计考量。
- 核心主张：面向一般使用者，AI 素养涉及批判性评价、有效交流协作，以及在不同生活场景中使用 AI。
- 阅读边界：这不是验证过的考试量表，也不是针对今天大语言模型的提示词教程。
01 · 为谁定义 AI 素养
Duri Long 与 Brian Magerko 发表论文时均署名佐治亚理工学院。文章发表于 CHI 2020，题目直接把能力与设计放在一起：我们希望人们能做什么，又怎样设计学习经验来支持这些能力？p. 1 ↗
作者尤其关心非技术背景的学习者。论文提出，面向一般公众的 AI 素养不应以已经会编程为前提；不同人使用 AI 的需要并不相同，开发者所需的技术深度也不能直接变成所有人的入场条件。p. 2 ↗
这并不表示原理不重要。原文的定义同时涉及批判性评价 AI、与 AI 有效交流协作，以及在网络、家庭和工作场景中使用它。把素养缩成“操作熟练”，会漏掉其中一部分；把素养等同于“能自己开发模型”，又可能把一些需要学习判断的人挡在门外。p. 2 ↗
题目中的提示词，是本栏目用今天的场景提出的问题。不能把 2020 年的文章写成专门批评当前提示词培训，更不能把作者当时对 AI 能力的所有判断直接移植到现在。
02 · 一百五十份材料意味着什么
论文采用探索性的范围综述思路，结合关键词检索、引文追踪以及跨领域材料，整理 150 份文献与相关资料。材料包括会议论文、期刊论文、书籍和灰色文献，也涉及课程等教育资源。方法与表 1，pp. 2–3 ↗
因此，“150”不是参加同一个实验的人数，也不是 150 项证明培训有效的试验。作者使用这批材料形成概念框架，最后归纳 17 项能力与 15 项设计考量。框架的丰富程度，不能替代进一步的教学与评价研究。pp. 3–10 ↗
原文用五个问题组织框架，下面按原文顺序概述17项能力的位置。它们提供阅读地图，不构成从初级到高级的学习顺序。p. 3及pp. 4–10 ↗
- AI是什么？ 能力1—4涉及辨认哪些技术使用了AI、讨论智能的含义、理解AI的跨学科构成，以及区分通用与专门用途的AI。
- AI能做什么？ 能力5—6涉及长处与局限，以及想象未来应用并思考其影响。
- AI怎样工作？ 能力7—15涉及知识表征、决策、机器学习步骤、人的角色、数据素养、从数据学习、批判性解释数据，以及实体行动与传感器。
- AI应当怎样使用？ 能力16讨论伦理，包括隐私、公平、问责等问题。
- 人们怎样看待AI？ 这一部分讨论儿童、媒体及学习背景中的理解，并提出能力17：认识智能体的可编程性；许多教学设计考量也在这里展开。
本篇选择人的角色、数据、可编程性及伦理等方面深入讨论。机器人中的行动与感知、知识表征和机器学习步骤等内容在这里保留为导览，并未逐项展开。读者如果要据此设计完整课程，还需要回到原文选择与学习对象相符的内容。
例如，面向需要审阅 AI 文本的教师，理解数据与能力边界可能特别紧迫；面向使用实体机器人的学习者，感知与行动的联系也会进入课程。差异来自任务，而不是谁的学习天然比较完整。
03 · 看见系统背后的人与数据
论文的一个重点，是让学习者理解 AI 系统背后仍有人类参与：选择数据、构建系统、调整模型等工作，都影响系统如何运作。作者把理解这些角色列为能力之一。能力 10，p. 6 ↗
这可以帮助我们避免把“机器给出的”自然地理解为“与人的选择无关”。一个输出从哪里来，需要沿着数据与设计继续追问，而不是只盯着最后那一段流畅文字。
数据相关能力包括基本的数据理解、认识系统从数据中学习，以及对数据作批判性解释。论文还提出在学习活动中交代数据的情境，例如谁制作、怎样收集、有哪些限制。能力 11–13 与设计考量 3，p. 6 ↗
由此，本栏目建议一个练习：比较两份依据不同材料形成的回答，讨论它们各自更容易看见谁、遗漏什么。练习的目标不是保证学习者能查到所有训练数据，而是区分已知信息与未知条件，并据此调整自己对回答的把握。
如果关键来源不可获得，也可以明确写下这一点。“无法确认”本身就是判断所需的信息；它不应该被系统自信的口吻自动填补。
04 · 不会编程，也要理解可编程性
论文一方面降低编程作为入场门槛，另一方面仍把认识 AI 可以被编程列入能力。这两点可以同时成立：一般使用者不一定要亲自实现模型，但可以理解系统功能来自某些可设计、可修改的安排。pp. 2、9，能力 17 ↗
同样，解释性也不是一次展示越多技术细节越好。作者讨论了让学习者理解系统的设计，同时注意信息复杂度与学习负担。透明的呈现需要与学习过程配合，不能只把一大堆参数摆出来就认为已经解释清楚。p. 5，设计考量 1；pp. 8–9 ↗
对培训来说，可以从一个任务开始：系统依据什么输入，输出用来支持哪种决定，人在哪一步检查？再按需要逐步展开机制。这样既保留技术问题，也让它们接到学习者正在做的事情。
需要区分的是，知道系统的某种工作原理，仍不等于已经确认某次回答正确。理解机制与检查具体内容，可以互相帮助，但不能相互替代。这是本栏目的阅读延伸。
05 · 能力目标怎样变成学习经验
17项能力说明希望学习者逐渐理解或做到什么，15项设计考量则帮助设计者安排学习经验。原文讨论解释性、具身互动、数据情境、透明性与逐步呈现，也讨论编程机会、发展阶段、批判性思考、身份和背景、家长支持、社会互动、兴趣、已有观念、新视角及较低的入门门槛。设计考量1—15，pp. 5–10 ↗
两组内容之间有联系，却不是17道题各配一项活动。一个关于数据的活动可以同时帮助理解人的选择、模型如何学习和伦理问题；同一项能力也可能需要多种学习经验。把框架转成课程，需要说明为什么选择某种活动，以及怎样知道学习者获得了目标中的理解。
从数据出发。 原文的“数据情境”考量建议学习者调查数据由谁制作、怎样收集、有何限制，也可以选择贴近生活、并不整齐的数据。本栏目据此设想：给两组学习者不同来源的样本，让他们比较分类结果，再解释哪些差异可能与样本有关。可以观察的表现，是能否指出缺失的信息和可能受影响的判断，而不只是重复“数据可能有偏差”。能力11—13、设计考量3，p. 6 ↗
从看得见的运行过程出发。 解释性与逐步呈现的考量，提示设计者控制复杂度。可以先让学习者预测某次输入会得到什么结果，再展示相关机制，最后换一个例子检验解释能否继续使用。这个活动顺序由本栏目提出。只问“听懂了吗”很难区分熟悉术语与能够作出有依据的判断。设计考量1、5，pp. 5、8 ↗
从已有经验出发。 原文还要求注意学习者身份、价值、兴趣，以及媒体带来的先入观念。有人把AI想成无所不知的机器人，有人因为不会编程而觉得这门课与自己无关；他们进入同一个活动时，面临的困难并不相同。课程可以先让这些理解被表达，再用具体例子比较与修订。设计考量9、12—15，pp. 9–10 ↗
这些联系让框架成为设计工作的起点。活动是否确实促进目标能力，还要收集学习过程与迁移表现；课堂覆盖过某个术语，只能说明教学内容出现过。
06 · 素养怎样落到一次判断
原文的能力范围还包括认识 AI 的长处与局限，以及伦理问题。后者涉及隐私、公平、问责等多个方向，说明作者并未把素养只放在技术操作一侧。能力 5，p. 4；能力 16，p. 7 ↗
把这些内容放到一个具体教学任务中，可以问：这次输出要由谁使用，错误会造成什么影响，哪些信息适合输入，谁有能力检查？这些问题让素养进入实际选择，而不只是让人背出术语。
例如，让 AI 帮忙想课堂活动，与让它直接判断学生是否达到学习要求，涉及的判断位置不同。前者的建议可以进一步筛选，后者还需要认真检查评价依据与责任安排。这里是用于说明判断位置的教学设想。
论文末尾强调框架仍需要后续发展与实证研究。因而，我们可以据它设计活动与观察问题，却不能因为课程覆盖了十七项，就宣布学习者已经达到一个经过验证的素养等级。p. 10 ↗
评价时，可以保留学习者如何说明一次选择的材料：为什么使用，为什么保留意见，又怎样处理未知。一次表现也不代表在所有任务中都能作出同样判断。
07 · 研究启发
研究AI素养时，可以分别记录使用频率、自信、概念解释与任务表现。一个人使用更顺畅、觉得自己更懂，与他能否在新任务里发现不可靠输出，可能有不同的变化轨迹。
例如，培训前后可以采用难度相近而材料不同的任务，让学习者判断哪些输出可采用、哪些需要补查，并说明依据。评价时既看结论，也看核查过程：能否发现问题，能否找到合适参照，能否说明哪些不确定性仍然存在。只测试错误识别也不够；把所有输出都拒绝，同样可能显示判断缺少区分。
还可以保留延后的测量，看学习者是否能够把某一活动中的理解带到另一个用途。这个设计并非原文已有的量表，而是把能力目标变成可观察证据的一种尝试。它应随年龄、任务和学习机会调整，不宜用一次总分给所有人排出固定等级。
08 · 延伸阅读与练习
- 想看能力的原始表述？ 从原文 p. 2 的定义读起，再读 pp. 4–10 的能力与设计框。原文 ↗
- 想区分理解与依赖？ Lee 与 See（2004）讨论信任和适当依赖，提醒我们具体任务与系统能力需要配合。论文 ↗
- 想把公众素养接到教师专业要求？ UNESCO的《AI competency framework for teachers》（2024）提出以人为本的思维、AI伦理、基础与应用、AI教学法及AI支持专业学习五个维度，共15项能力，并区分获取、深化、创造三个进阶层次。它是面向教师发展的规范性框架，可与本文比较目标和对象，不能当成对本文的实验验证。正式框架介绍 ↗
- 想理解已有角色期待怎样进入互动？ Nass与Moon的社会回应研究可帮助提出问题：知识上的了解，是否足以改变当下的回应？这需要与实际素养教学效果分别检验。本栏目精读 ↗
为一次 AI 输出写一张判断便签。 这是编辑练习。
- 我准备让它支持什么任务？
- 我知道它依据哪些材料，又有哪些条件无法确认？
- 我用什么检查它，检查覆盖不了什么？
- 因此我准备采用、修改、补查还是暂时搁置？
会写提示词可以是学习的一部分。让一次使用连同依据和保留意见一起变得可解释，才让我们有机会继续讨论“懂 AI”究竟意味着什么。
原文与版本
Long, D., & Magerko, B. (2020). What is AI Literacy? Competencies and Design Considerations. Proceedings of CHI 2020, Paper 598, 1–16.
核对范围：正文 pp. 1–10；参考文献未逐条独立复核。页码为论文自带页码。提示词、课堂和判断便签为编辑延伸。
更新于 2026-09-20 · v0.2。本版补充完整能力导览、学习设计实例及教师能力框架延伸。