从基础教育到优质劳动力：借鉴K-12方法培养人工智能素养

文献标题

从基础教育到高端劳动力：借鉴K-12教育方法促进人工智能素养发展

文献信息

• 主题领域: 人机交互 (HCI)、教育技术、人工智能素养与工人技能提升
• 关键词: 人工智能素养, 机器学习, 职业教育, K-12教育, 贸易工会, 自我效能感, 参与设计, 计算能力提高

研究背景与问题

• 发现的问题或挑战:

  1. 对于如何培养成人的人工智能素养，尤其是在工作场所，此领域的研究仍较为有限。
  2. K-12儿童计算机交互领域在培养人工智能素养方面已取得一定成效，但这些方法对于成年人和工作环境的适用性尚未得到充分探讨。
  3. 成人的人工智能素养研究缺乏实证研究，仅有零星的针对教师培训的案例分析。

• 问题重要性:
  随着人工智能迅速发展，它正重新定义工作形式并且对劳动力产生深远影响。工人面临技能不足的挑战，只有增强他们对技术的理解与批判性探讨能力，才能有效参与工作环境的技术转型。

• 研究动机与相关工作:
  根据现有工作，例如对K-12教育中计算能力提高的研究成果，作者提出将其教学模型转化应用到成人教育领域，从而帮助工作场所的员工通过学习人工智能技术应对职业挑战。

解决方案

• 提出的解决方案:
  作者设计了一种基于K-12模型的工作坊形式，集合了以下三种方法：

  1. CEML模型：一个针对机器学习概念、实践和视角的教学框架。
  2. DORIT分析模型：用于系统和批判性讨论技术系统的研究框架。
  3. ml-machine.org工具：用于体验机器学习模型构建的实践工具。

• 创新之处:

  • 将针对儿童教育的模型适配并应用于成人职业教育领域。
  • 将计算能力提高与工作场所的具体挑战结合，通过设计活动促进参与者对技术的批判性理解。
  • 结合参与设计研究中的“参与性基础建设”理念，强调工会与员工之间网络的建立。

• 实施步骤与关键技术:

  1. 初步合作：与丹麦学术联合会的工会合作，共同定义项目目标与工作坊结构。
  2. 工作坊设计：设计混合活动，包括讲授基础概念、动手实践和小组讨论，活动总时长五小时。
  3. 具体活动：
     • 使用CEML模型介绍机器学习的核心概念（数据、模型、输出）。
     • 通过ml-machine.org工具进行实际操作练习。
     • 利用DORIT模型设计和分析与工作场景相关的机器学习系统。
  4. 数据收集与分析：通过问卷调查和生成的学习材料对参与者的知识、自我效能感和计算能力提高进行评估。

研究成果

• 取得的具体成果:

  • 参与者对机器学习的自我报告知识显著提高，特别是对数据收集、模型训练和评估的理解平均提高了约2分（5分量表）。
  • 然而，自我效能感和计算能力提高未显示显著改善。

• 与现有解决方案相比的优势:

  • 该研究首次将儿童教育的人工智能素养方法应用于成人职业教育领域。
  • 系统性结合技术实践与批判性讨论，推动参与者对技术影响的反思。

• 实验或评估结果:

  • 工作坊之后，多数参与者表示他们能够参与有关机器学习的工作场所讨论。
  • 三个月后，近80%的参与者表示曾与同事讨论人工智能，其中36%使用了工作坊提供的材料。
  • 通过设计活动，参与者能够识别工作场所的潜在问题并提出机器学习解决方案。

• 局限性与未来方向:

  • 时间限制：工作坊的时长较短，不易见效复杂的自我效能与赋能主题。
  • 样本尺寸：后续调查仅限于15名参与者，样本规模较小，影响了长期效应的准确测量。
  • 地区局限：研究的地理和文化范围局限于丹麦，与工会合作的背景可能难以在其他国家复制。

  未来方向:

  • 深入研究赋能的长期影响，例如是否推动组织和基础结构的变化。
  • 研究更广泛的社会背景下如何使用参与性设计为技术赋能，包括政策制定者与数据管理者的协作。
  • 探索如何进一步提升成人工作场所的人工智能自我效能与赋能感，例如通过实践与网络建设。