论文技术总结：人工智能时代软件工程教育中的共情教学

1. 研究背景与问题 (Problem)

随着人工智能（AI）系统在决策过程中日益深入社会生活，软件工程师不仅需要掌握技术技能，还需具备理解用户、利益相关者及社会影响的能力。共情（Empathy） 被视为解决 AI 系统责任性、公平性及社会后果的关键人类能力。

然而，当前的软件工程教育面临以下挑战：

• 理论与实践脱节：虽然共情在需求工程和用户体验设计中已被讨论，但缺乏将其系统性地整合到技术性软件工程课程（如核心开发活动）中的具体指导。
• AI 时代的特殊性：现有的共情教学方法多基于传统软件开发，未能充分应对 AI 系统特有的偏见、可访问性、问责制及复杂的社会影响。
• 教育碎片化：关于共情的研究分散在软件工程实践、负责任 AI 和教育学领域，缺乏针对“如何在技术课程中操作化共情”的整合性证据。

核心研究问题 (RQ)：

哪些教学实践可以将共情整合到软件工程教育中，以帮助学生理解并解决 AI 系统的社会影响？

2. 研究方法 (Methodology)

本研究采用定性研究设计，受社会科学中的民族志（Ethnography） 传统启发，并结合了自民族志（Autoethnography） 元素。

• 参与者：
  • 7 位来自不同国家（加拿大、美国、巴西、英国、荷兰、新西兰）的软件工程教授。
  • 所有参与者均拥有 5 年以上教学经验和 10 年以上研究经验，活跃于本科及研究生教学，研究领域涵盖软件公平性、AI 社会影响、对话代理等。
• 数据收集过程：
  • 组织了一场为期 3 小时的结构化协作研讨会，分为三个阶段：
    1. 文献 grounding：回顾关于软件工程教育中共情的系统文献综述，建立共同语境。
    2. 实践 elicitation（引出）与集体反思：参与者使用卡片技术（Card-based elicitation） 独立记录其当前实施的与共情相关的教学实践（涵盖需求获取、利益相关者分析、可访问性、公平性 AI 开发等）。随后进行小组讨论，澄清意义并比较不同背景下的实践。
    3. 比较与分类：将生成的实践卡片与文献综述结果进行对比，通过动态卡片排序（Dynamic Card Sorting）过程，迭代地分组、重组和提炼实践，形成基于参与者自身术语的分类体系。
• 数据分析：
  • 采用迭代主题分析法。将卡片和笔记作为低层级代码（Low-level codes），归纳为高层级主题（Themes），最终整合为涵盖共情实践的总体类别（Categories）。
• 有效性保障：
  • 通过多视角（7 位不同背景的专家）、先独立后集体的流程减少社会期许偏差，以及保留原始卡片措辞以确保可追溯性，来保障研究的信度与可转移性。

3. 关键贡献 (Key Contributions)

本研究对软件工程教育研究做出了三项主要贡献：

1. 实证基础的特征化：提供了共情如何融入技术课程的实证描述，表明共情是通过将开发任务与社会背景、用户多样性及后果反思相连接而产生的，而非独立主题。
2. 具体教学实践的识别与组织：识别并组织了教育工作者在软件工程教育中操作化共情的具体实践集合，形成了结构化的分类体系。
3. 结构化视角的构建：提供了一个结构化视角，说明这些实践如何支持学生培养推理偏见、可访问性、利益相关者责任及 AI 系统社会后果的能力。

4. 研究结果 (Results)

通过分析，研究识别出五大类共情教学实践，这些实践将共情操作化并嵌入到技术课程的核心活动中：

(1) AI 系统与社会现实框架 (AI Systems and Societal Reality Framing)

• 核心逻辑：将技术开发工作置于更广泛的社会背景中。
• 具体实践：
  • 要求学生为弱势群体（如贫困、污染问题）建模或开发解决方案。
  • 要求项目基于真实世界的证据（如新闻报道、学术论文）来定义问题。
  • 在需求工程中融入可持续性挑战和结构性不平等的分析。
• 共情体现：作为情境意识，让学生认识到 AI 系统不是中立的，而是对复杂社会环境的干预。

(2) AI 设计评估中的公平性、偏见与可访问性 (AI Fairness, Bias, and Accessibility in Design and Evaluation)

• 核心逻辑：将公平性和可访问性直接嵌入设计和评估的技术任务中。
• 具体实践：
  • 将“残障人士视角”作为明确的设计要求。
  • 邀请社区中具有可访问性需求的人员参与评分（轮换评估者，避免单一视角）。
  • 利用 AI 工具模拟弱势群体对系统的反应。
  • 从应用评论中推断被忽视的可访问性需求。
• 共情体现：作为以公平为导向的技术能力，训练学生检测偏见、预测排斥并将可访问性纳入系统测试。

(3) AI 系统开发中的代表性用户与包容性 (Representative Users and Inclusion in AI System Development)

• 核心逻辑：将多样化的用户视角纳入技术课程和学习环境。
• 具体实践：
  • 邀请真实用户（如视障人士）进入课堂讲述需求。
  • 在测试用例、幻灯片和软件场景中确保性别、种族和兴趣的多样性。
  • 警惕“象征性利用”（Tokenism），确保包容是实质性的。
• 共情体现：作为包容性代表，让学生反思训练数据和系统假设可能如何 privileging（优待）某些群体而排斥其他群体。

(4) AI 系统中的利益相关者角色意识与责任 (Stakeholder Role Awareness and Responsibility in AI Systems)

• 核心逻辑：通过结构化换位思考，明确开发过程中的角色与责任。
• 具体实践：
  • 在作业中定义角色/责任，特别是针对弱势群体进行角色扮演。
  • 让学生投入时间研究不同利益相关者（如监管者、最终用户）的视角并评估其准确性。
  • 在团队组建中考虑多样性（性别、背景）。
• 共情体现：作为负责任的角色换位，让学生理解 AI 决策涉及多方利益，且责任是分布式的。

(5) AI 教育中的批判性反思、反馈与迭代意识 (Critical Reflection, Feedback, and Iterative Awareness in AI Education)

• 核心逻辑：在技术课程中强调结构化反思和迭代批判。
• 具体实践：
  • 为每个作业设置反思提示（如“何时感到需求未被考虑”）。
  • 让学生批判给定的需求（寻找缺陷）。
  • 引入同辈评估（特别是针对不同技能水平的团队）。
  • 邀请往届学生分享经验教训。
• 共情体现：作为对意外后果的迭代意识，支持持续的技术 artifact 优化和对排斥/偏见的敏感度提升。

5. 意义与影响 (Significance)

• 教育范式转变：研究证明，共情不应作为一门独立的“软技能”课程，而应嵌入到核心软件工程活动（如需求、设计、测试、评估）中。这种整合方式使学生在处理技术问题时自然地考虑社会影响。
• 应对 AI 挑战：在 AI 时代，这些实践直接针对算法偏见、自动化决策的社会后果及问责制问题，培养了能够处理复杂人机交互系统的工程师。
• 对研究者的启示：呼吁未来的研究从概念讨论转向系统性地调查共情在各类技术课程（如需求工程、AI 专题）中的具体嵌入方式，并开展纵向研究以评估这些实践对学生长期职业行为的影响。
• 对教育者的启示：提供了一套可操作的教学策略（如卡片排序、角色扮演、真实用户介入、公平性评分标准），帮助教育者在保持技术重点的同时，培养学生的社会责任感。

总结：该论文通过实证研究，构建了一个结构化的框架，展示了如何在人工智能时代的软件工程教育中，通过五大类具体实践将共情从抽象概念转化为可操作的技术教学能力，从而培养出具备社会责任感和伦理判断力的未来软件工程师。