企业官网建设流程全解析

简介：这份资源是联合国教科文组织2024年发布的《学生人工智能能力框架》官方PDF文件，面向教育工作者、课程设计者及关注AI教育的师生，旨在指导将人工智能学习目标系统整合进学校课程，帮助学生安全、有意义地参与AI领域。框架围绕以人为本的思维方式、人工智能伦理、人工智能技术与应用、人工智能系统设计四个核心领域，梳理出12项能力，并划分理解、应用、创造三个发展级别，同时给出课程目标与教学方法建议。资源包共1个PDF文件，大小约745KB，内容为英文原版全文，便于直接查阅与引用。目前已有460人学习下载。通过这份文件，读者可以完整了解UNESCO对AI素养的界定维度与分级路径，把握全球AI教育政策方向，为校本课程开发、教学研究或论文写作提供权威依据，也可作为教师培训与课堂设计的参考蓝本。

1. AI competency framework for students：从一张能力表到可落地的培养路径

很多学校、培训机构、企业培训部门都在提“学生 AI 能力框架”，但真正落地时往往卡在同一个地方：框架写得漂亮，落到课程、作业、评价上却无从下手。AI competency framework for students 本质上是一套把“学生应该具备哪些 AI 相关能力”拆成可观察、可训练、可评价的结构化描述，它解决的不是“要不要学 AI”，而是“学到什么程度算达标、用什么证据证明达标”。它适合三类人：设计 AI 通识课或专业课的教研人员、想把 AI 能力嵌入现有培养方案的教学管理者、以及需要给学生 AI 能力做认证或评估的一线教师。这一章先把框架的定位讲清楚，后面几章再拆维度设计、评价量规、落地步骤和踩坑点。

2. 拆解 AI competency framework 的维度：从“会用工具”到“能判断边界”

2.1 为什么大多数学生 AI 能力框架都停在“工具操作层”

我见过不少框架，第一版几乎都是“会写提示词、会用几个 AI 工具、能生成内容”。这类描述的问题不是错，而是不可评价：什么叫“会写提示词”？写多长算会？换一个模型还灵不灵？AI competency framework for students 如果只停在工具操作层，最后就会变成一张“软件功能清单”，学生照着勾选，教师没法判断能力是否迁移。

更可靠的做法是把能力拆成四个层次：认知层（知道 AI 能做什么、不能做什么）、操作层（能调用工具完成具体任务）、判断层（能评估输出质量、识别幻觉和偏见）、伦理层（知道什么该做、什么不该做、如何标注 AI 参与）。这四个层次不是并列关系，而是递进关系。认知层和操作层容易教也容易考，判断层和伦理层才是真正拉开差距的地方，也是框架里最容易被写空的部分。

提示：如果框架里出现“熟练使用”“深入了解”这类词，基本可以判定它不可评价。可评价的描述必须包含行为动词和可观察证据。

2.2 用行为动词重写能力条目：一个可抄的改写模板

把模糊描述改成可评价条目，我一般用这个模板：在什么场景下，学生能独立完成什么动作，产出什么可检查的证据，达到什么质量标准。下面是一个改写对照表，可以直接拿去改自己手里的框架。

改写之后，每一条都能对应到作业、项目或考试中的具体表现。这一步做完，框架才真正从“文档”变成“教学工具”。

2.3 维度设计里必须留出的两个接口

框架不是孤立的，它要跟现有课程和评价体系对接。我建议在维度设计阶段就留两个接口：一个是课程接口，每个能力条目要能映射到至少一门现有课程或一个可插入的模块；另一个是证据接口，每个能力条目要说明用什么材料来证明，比如项目报告、代码仓库、演示视频、同伴互评记录。

没有这两个接口，框架最后就是一张挂在墙上的表。有了这两个接口，后面做量规和落地步骤才有依据。常见做法是先用表格把能力条目、课程映射、证据类型三列对齐，再逐条检查是否有条目找不到课程或找不到证据，找不到的就删掉或合并。

3. 把框架变成评价量规：四个等级怎么写才不打架

3.1 量规的四个等级与判定标准

能力条目写好之后，下一步是给每条能力配一个评价量规。我一般用四级：起步、合格、熟练、示范。关键不是等级名字，而是每个等级要有可区分的判定标准。下面是一个针对“判断层”能力的量规示例，用表格呈现更清楚。

量规写完后要做一致性检验：找三份不同水平的学生作业，让两位教师独立打分，看是否落在同一等级。如果分歧超过一个等级，说明描述还不够具体，需要回到行为动词层面继续拆。

3.2 用 Python 做量规打分一致性检查的最小脚本

量规落地时，教师之间打分不一致是常见问题。我一般会先用一个小脚本做一致性检查，把两位教师的打分结果算一下简单一致率和加权 Kappa。下面是最小可运行代码。

# 量规打分一致性检查：简单一致率 + 加权 Kappa # 输入：两位教师对同一批作业的等级打分（0=起步,1=合格,2=熟练,3=示范） import numpy as np from sklearn.metrics import cohen_kappa_score # 示例数据：10 份作业，两位教师独立打分 teacher_a = [0, 1, 1, 2, 2, 3, 1, 0, 2, 3] teacher_b = [0, 1, 2, 2, 1, 3, 1, 1, 2, 3] # 简单一致率：完全相同的比例 agreement = np.mean(np.array(teacher_a) == np.array(teacher_b)) print(f"简单一致率: {agreement:.2f}") # 加权 Kappa：考虑等级顺序的差异，比简单一致率更严格 kappa = cohen_kappa_score(teacher_a, teacher_b, weights="quadratic") print(f"加权 Kappa: {kappa:.2f}") # 判定参考：Kappa < 0.4 说明量规描述需要重写 # 0.4-0.6 可接受但需培训，> 0.6 说明量规可落地

这段代码的逻辑很直接：teacher_a和teacher_b是两位教师对同一批作业的等级打分，等级用 0 到 3 表示。agreement算的是完全相同的比例，但它不区分“差一个等级”和“差三个等级”。cohen_kappa_score加上weights="quadratic"之后，差一个等级的惩罚比差三个等级小，更符合量规的实际使用场景。参数上，weights可以选"linear"或"quadratic"，我一般用quadratic，因为等级之间的差距不是等距的。如果 Kappa 低于 0.4，不要急着怪教师，先回去改量规描述。

3.3 量规和作业设计的对齐检查

量规写完不等于能用。我习惯做一次对齐检查：拿一份真实作业，逐条对照量规，看是否每条能力都有对应的作业环节可以观察。常见问题是量规里写了“能设计验证流程”，但作业只要求学生提交最终答案，没有过程记录，这条能力就永远打不出高分。

解决办法是在作业说明里加过程性要求，比如提交提示词迭代记录、验证步骤截图、AI 参与标注。这些材料不需要额外考试，只是把原本被忽略的过程变成可评价证据。对齐检查做完，框架、量规、作业三者才算真正咬合。

4. 落地步骤：从零搭一套学生 AI 能力培养方案

4.1 第一步：确定能力条目和课程映射

落地第一步不是写文档，而是拉一张表。我一般用三列：能力条目、对应课程或模块、证据类型。能力条目从第 2 章的四个层次里选，不要一次全上，先选 6 到 8 条做试点。课程映射要具体到某门课的某次作业或某个项目，不要写“贯穿全部课程”这种无法执行的话。

证据类型要提前想清楚，因为不同证据的收集成本差别很大。项目报告和代码仓库容易收集，演示视频和同伴互评需要额外组织。试点阶段建议优先选低成本证据，跑通之后再增加复杂度。

4.2 第二步：设计一次可评价的作业

作业设计是框架落地的核心。下面是一个我常用的作业结构，可以直接套用：任务背景、AI 使用要求、过程记录要求、提交物清单、评价量规。其中 AI 使用要求要写清楚哪些环节可以用 AI、哪些环节必须独立完成、AI 参与部分如何标注。

过程记录要求是很多教师容易漏掉的。没有过程记录，判断层和伦理层的能力就没有证据。我一般要求学生提交一份简短的 AI 使用日志，包含每次调用的目的、输入摘要、输出评估和修改动作。日志不需要很长，但必须真实，因为后面量规打分要靠它。

4.3 第三步：用脚本做作业提交物的自动预检

作业收上来之后，如果完全靠人工检查格式和完整性，工作量很大。我一般会写一个预检脚本，先自动检查提交物是否齐全、文件命名是否规范、日志是否包含必要字段，把明显不合格的挑出来，教师再集中看合格的部分。

# 作业提交物预检：检查文件齐全性和日志字段完整性 import os import json # 配置：本次作业要求的提交物 REQUIRED_FILES = ["report.pdf", "ai_usage_log.json", "reflection.md"] def check_submission(student_dir): """检查单个学生提交目录，返回问题列表""" issues = [] # 检查文件是否齐全 for fname in REQUIRED_FILES: fpath = os.path.join(student_dir, fname) if not os.path.exists(fpath): issues.append(f"缺少文件: {fname}") # 检查 AI 使用日志的必要字段 log_path = os.path.join(student_dir, "ai_usage_log.json") if os.path.exists(log_path): with open(log_path, "r", encoding="utf-8") as f: try: log = json.load(f) required_keys = ["purpose", "input_summary", "output_eval", "revision"] for entry in log.get("entries", []): for key in required_keys: if key not in entry: issues.append(f"日志条目缺少字段: {key}") except json.JSONDecodeError: issues.append("日志文件不是合法 JSON") return issues # 批量检查 base_dir = "./submissions" for student in os.listdir(base_dir): student_dir = os.path.join(base_dir, student) if os.path.isdir(student_dir): problems = check_submission(student_dir) if problems: print(f"[{student}] 发现问题:") for p in problems: print(f" - {p}") else: print(f"[{student}] 预检通过")

这段脚本的逻辑是：先按REQUIRED_FILES检查文件是否存在，再读取ai_usage_log.json，检查每个条目是否包含purpose、input_summary、output_eval、revision四个字段。参数上，REQUIRED_FILES和required_keys都可以按实际作业要求改。预检通过不代表质量合格，只是说明材料齐全，可以进入人工评价环节。这样能把教师的时间集中在真正需要判断的地方。

4.4 第四步：收集反馈并迭代框架

第一轮跑完之后，一定要收集三类反馈：学生是否清楚要求、教师是否觉得量规好用、证据是否容易收集。我一般用一个简单的反馈表，让教师按能力条目逐条打分，标注“描述清楚”“证据好收”“打分不纠结”三项。三项里有一项低于及格线，这条能力条目就要改。

迭代周期建议一个学期一次，不要频繁改，否则教师和学生都跟不上。改的时候优先改描述和证据要求，不要轻易改能力条目的数量，因为数量一变，课程映射和量规都要跟着动。

5. 避坑与排查：学生 AI 能力框架落地时最容易翻车的五件事

5.1 现象：框架写得很全，但没人用

原因：能力条目太多，课程映射不清，教师不知道从哪条开始。解决：试点阶段只保留 6 到 8 条，每条必须映射到具体作业，映射不上的先删掉。

5.2 现象：学生用 AI 生成内容但不标注

原因：作业说明里没有明确标注要求，或者标注了但不检查。解决：在提交物清单里加 AI 使用日志，预检脚本检查字段完整性，量规里给标注行为单独设分。

5.3 现象：教师之间打分差距大

原因：量规描述太抽象，或者教师没有做一致性培训。解决：先用第 3 章的脚本算 Kappa，低于 0.4 就改量规描述，改完再做一次一致性检查。

5.4 现象：判断层和伦理层能力打不出高分

原因：作业只要求最终答案，没有过程记录，判断和伦理没有证据。解决：在作业里加过程性要求，比如提示词迭代记录、验证步骤、AI 参与标注，把过程变成可评价材料。

5.5 现象：框架跑了一学期就停了

原因：收集证据成本太高，教师负担重。解决：优先选低成本证据，比如报告和日志，减少视频和现场演示；预检脚本能自动做的不要人工做；迭代周期拉长到一个学期一次。

6. 进阶用法：把能力框架接到项目制学习和同伴互评上

框架跑通一轮之后，可以往项目制学习上接。我一般会设计一个 4 到 6 周的项目，要求学生用 AI 完成一个真实任务，同时提交能力证据。项目制的好处是判断层和伦理层的能力会自然暴露出来，因为学生必须做选择、必须面对 AI 输出的不确定性。

同伴互评是另一个进阶方向。让学生用同一套量规互相打分，然后对比教师打分，看差距在哪里。这个做法不仅能减轻教师负担，还能让学生更清楚量规的标准。我一般会要求互评至少两轮，第一轮不计分，只做校准，第二轮才计入平时成绩。

验证框架是否有效，我习惯看三个指标：学生作业中 AI 参与标注的完整率、教师打分一致性 Kappa 值、学生在判断层能力上的平均等级变化。这三个指标不需要额外考试，直接从作业和量规数据里算。如果标注完整率上升、Kappa 稳定在 0.6 以上、判断层平均等级从起步升到合格，说明框架在起作用。

最后说一个我自己的习惯：每次改框架之前，先翻一遍上一轮的学生作业和教师反馈，不要凭印象改。我吃过这个亏，凭印象加了两条能力条目，结果课程映射对不上，教师抱怨了一个学期。希望帮到你。

本文还有配套的精品资源，点击获取