Development and Validation of a Faculty Artificial Intelligence Literacy and Competency (FALCON-AI) Scale for Higher Education
本研究基于 Critical Tech-resilient Literacies 框架，开发并验证了适用于高等教育情境的“教师人工智能素养与能力（FALCON-AI）量表”，该量表通过结合三种素养维度与四个工作领域，经专家内容效度检验及 269 份样本的验证性因子分析，最终形成具有良好信效度的 23 项精简工具，有效填补了高校教师 AI 能力评估工具的空白。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
这篇论文讲述了一个关于**如何给大学老师“测 AI 水平”**的故事。
想象一下，人工智能（AI）就像一阵突如其来的“数字台风”，席卷了大学校园。老师们既要教书、又要搞科研、还得处理行政杂事。大家都在问：“面对这股风，我们老师到底准备好了吗？是只会躲雨，还是能学会造伞，甚至利用风力发电？”
为了解答这个问题，研究团队开发了一套名为 FALCON-AI（猎鹰-AI） 的“体检表”。
以下是用大白话和比喻对这篇论文的解读：
1. 为什么要造这把“尺子”？（背景与问题）
以前，市面上有很多测量"AI 能力”的尺子，但它们要么是用来测小学生的（像教孩子怎么认路），要么是测普通路人的（像教人怎么过马路），或者是测中小学老师的（像教人怎么在黑板上写字）。
但是，大学老师的工作太特殊了！
- 中小学老师主要管“教”；
- 大学老师不仅要“教”，还要“搞研究”（像科学家），还要“管行政”（像项目经理）。
现有的尺子量不准大学老师。就像你不能用一把卷尺去量体重一样。所以，研究团队决定做一把专门给大学老师用的、能同时量“教学、科研、行政”三方面的“特制尺子”。
2. 这把尺子怎么设计的？（核心理论：CTRL 框架）
研究团队没有凭空想象，而是借用了CTRL 框架（就像给 AI 能力分了三个“段位”）：
- 功能素养（Functional）—— “会开车的司机”
- 比喻：你会不会踩油门、打方向盘？你会不会用 AI 写个大纲、做个 PPT？
- 核心：能不能用起来。
- 评估素养（Evaluative）—— “懂车的修车工”
- 比喻：这辆车（AI 工具）哪里好？哪里会抛锚？什么时候该用它，什么时候该关掉它？
- 核心：能不能挑得准，知道它的优缺点。
- 伦理素养（Ethical）—— “遵守交规的交警”
- 比喻：这样开车会不会撞人？会不会偷别人的东西？如果大家都这么开，世界会变成什么样？
- 核心：能不能守住底线，知道该不该用。
创新点：这把尺子把这三个“段位”，分别套用在大学老师的四个“战场”上：
- 通用（日常办公）
- 教学（上课）
- 科研（做研究）
- 服务/行政（开会、写报告）
这就形成了一个 3（段位）× 4（战场）= 12 个维度 的超级网格。
3. 尺子是怎么造出来的？（开发过程）
造尺子不是一蹴而就的，他们像打磨钻石一样经过了几个步骤：
- 第一步：收集原石
他们先找了 43 个现有的问题，像从旧货堆里挑零件。 - 第二步：专家打磨（人类 + AI 双审）
他们找了 4 位真正的“老法师”（专家）来挑刺。- 有趣的地方：他们还请了一个AI（ChatGPT） 当“编外评审员”。
- 比喻：就像请了 4 个老厨师和一个超级 AI 机器人一起尝菜，看看咸淡合不合适。结果发现，AI 的口味和人类专家非常接近，甚至能发现人类没注意到的“怪味”（比如题目太绕口）。
- 经过这一轮，剔除了 4 个不合格的题目，剩下 39 个。
- 第三步：实战演练（试测）
他们把这份 39 题的问卷发给 269 位大学老师（包括教授、助教、甚至行政人员）做测试。 - 第四步：精修瘦身
数据分析后发现，有些题目大家回答得差不多，或者太啰嗦。为了不让老师做题做到睡着，他们把题目从 39 个精简到了23 个。
4. 结果怎么样？（验证与结论）
经过统计学的“体检”（验证性因子分析），这把尺子非常准！
- 信度（准不准）：就像用同一把尺子量三次，结果都一样。这把尺子的内部一致性很高（分数很高），说明它很稳定。
- 效度（测没测对）：它确实测出了老师们在“会不会用”、“会不会挑”、“会不会守规矩”这三个方面的真实水平。
最终成品：
现在的 FALCON-AI 只有 23 道题，短小精悍。
- 老师可以用它自我诊断：“哦，原来我挺会写代码（功能），但我不太敢在论文里用 AI（伦理）。”
- 大学可以用它制定培训计划：“看来咱们学校老师普遍在‘科研伦理’上比较弱，下次培训重点讲这个。”
5. 还有什么不足？（局限性）
作者也很诚实，指出了几个小缺点：
- 样本偏差：来填问卷的老师可能本来就对 AI 感兴趣，那些完全不懂 AI 的老师可能没来填，所以分数可能有点“虚高”。
- 主观性：这是老师“自己觉得”自己行不行，而不是真的让他们现场操作 AI 考试。就像“觉得自己会游泳”和“真下水游一圈”还是有区别的。
- 技术迭代快：AI 变化太快了，就像手机系统天天更新，这把尺子可能过两年需要“打补丁”升级一下。
总结
这篇论文就像是在说：
“大学老师面对 AI 浪潮，不能只靠感觉。我们造了一把专门定制的‘猎鹰尺子’（FALCON-AI），它不仅能量出老师‘会不会用’，还能量出老师‘懂不懂行’和‘守不守规矩’。这把尺子短小精悍，经过专家和 AI 的双重打磨，现在可以拿来给大学老师做‘体检’，帮学校和老师自己找到提升的方向，让 AI 真正成为教学科研的好帮手，而不是捣乱鬼。”
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。