参与式而非惩罚性：设计课堂中学生主导的AI政策建议

文献标题

Participatory, not Punitive: Student-Driven AI Policy Recommendations in a Design Classroom

出版信息

• 主题领域: 高等教育中人工智能政策的参与式设计与治理。
• 关键词: 生成式人工智能、参与式治理、学生驱动政策、设计教育、人工智能伦理、zine制作、高等教育、学术诚信、人工智能素养、公平性。

背景与问题

• 问题/挑战: 大学的人工智能政策主要是自上而下的、惩罚性的，并且排除了学生的观点，导致混乱、恐惧和治理效果不佳。
• 重要性: 学生是人工智能政策的主要利益相关者，他们的缺席导致政策无法解决其实际生活经验和关切问题，例如对人工智能的过度依赖、不公平现象以及执行不一致。
• 动机与相关工作: 先前的研究强调了在人工智能治理中采用参与式方法的必要性，以提高信任、效率和包容性。然而，现有的努力往往流于形式，且鲜有证据表明学生的意见能够真正影响高等教育中的人工智能政策。

解决方案

• 提出的方法: 在一门研究生设计课程中开展一个由学生主导的三部分工作坊系列，共同制定人工智能政策建议，并最终通过zine传播这些政策。
• 创新点:
  1. 提供关于学生真实人工智能实践的经验性洞察，包括滥用和政策灰色地带。
  2. 提供一个可转移的学生驱动人工智能政策设计模型，采用无教师参与的工作坊和基于zine的参与式基础设施建设。
  3. 提出十项可操作的、由学生撰写的人工智能政策建议，填补现有治理中的空白。
• 流程与关键技术:
  1. 工作坊1：围绕人工智能使用的真实讨论和初步政策起草。
  2. 工作坊2：通过zine制作可视化并完善政策。
  3. 工作坊3：通过设计活动应用政策并反思其实用性。
  4. 后续访谈和主题分析以验证研究结果并完善建议。

研究结果

• 具体发现:
  • 十项由学生撰写的人工智能政策建议，包括人工智能使用指南、所有权门槛（50%的人工智能贡献）、对英语学习者的支持以及工具访问的公平性。
  • 学生报告称在使用人工智能时更加有意图，将人工智能视为协作伙伴而非捷径。
• 相较基线的优势:
  • 政策填补了自上而下治理的空白，例如针对特定作业的指导、教师透明度以及对英语学习者的细致支持。
  • 参与式过程促进了批判性思维、合规性以及学生与教师之间的关系改善。
• 实验/评估:
  • 在UMBC（马里兰大学巴尔的摩分校，一所少数族裔服务机构）对八名研究生设计学生开展工作坊。
  • zine在校园内传播，引发了学生、教师和管理人员之间更广泛的讨论。
  • 后续访谈以及对学生设计的人工智能界面的专家评估。
• 局限性与未来工作:
  • 仅限于一门课程和一所大学，降低了普适性。
  • 政策可能与学习目标冲突，或因执行和资源限制而难以实施。
  • 未来工作包括在跨学科领域扩展参与式模型，并解决可行性挑战。

总结

本研究通过参与式、学生主导的过程，展示了让学生参与人工智能治理的价值。通过共同制定十项可操作的政策建议并将其可视化为zine，该项目解决了自上而下人工智能政策中的空白，例如不公平现象、教师透明度以及对英语学习者的支持。参与式过程本身促进了批判性思维、合规性以及更广泛的校园讨论，为学生参与人工智能政策设计提供了一个可转移的模型。尽管在实施和与学习目标的对齐方面仍存在挑战，但研究结果强调了将学生纳入治理过程的重要性，而非将其排除在外。