Bridging Technical AI, Societal Impacts, and Workforce Competencies in AI Education
这篇在研论文提出了一个将技术性人工智能知识、社会危害与职场能力联系起来的课程映射框架，揭示了尽管技术覆盖面很强，但社会层面的整合并不均衡，且职场技能极少被评估，从而论证了真正的 AI 素养必须从仅停留在意识层面扩展到包含负责任行动的能力层面。
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
想象一下你正在教某人开车。
如今大多数驾驶学校过度关注引擎：活塞如何点火、变速器如何换挡以及如何调节燃油混合比。此外，他们还有一个单独的、简短的交通规则课程（停止标志、限速），以及另一个关于驾驶礼仪（如何礼貌地对待其他驾驶员）的环节。
根据这篇论文，问题在于学生们通常是在孤立地学习这三者。他们知道如何修理引擎，知道交通规则，也知道如何表现得有礼貌，但他们并不一定理解某个特定的引擎微调可能会如何导致一场车祸，或者在高速紧急情况下，一个礼貌的姿态可能会如何失效。
这是一项由北卡罗来纳大学夏洛特分校研究人员进行的“进行中”的研究。他们观察了目前大学是如何教授人工智能（AI）的，以查看他们是否将这些点连接了起来。
以下是他们研究结果的拆解，使用了简单的类比：
1. 三个缺失的拼图块
研究人员认为，优秀的 AI 教育需要将三个特定的事物联系起来，他们称之为“三位一体”：
- 引擎（技术系统）： AI 究竟是如何运作的（代码、数学、数据）。
- 车祸（社会危害）： 当 AI 出错时会发生什么（偏见、隐私泄露、不公平招聘、虚假信息）。
- 驾驶员的技能（职场胜任力）： 负责任地驾驶汽车所需的现实世界技能（沟通、团队合作、向非专业人士解释决策，以及知道何时不该使用汽车）。
2. 他们的发现：“错位的课程”
研究小组观察了六门不同的大学课程（并且有一个包含 335 门课程的注册表供稍后查看）。他们发现，“拼图块”往往是散落在不同的桌子上，而不是组装在一起。
- 引擎很强大： 大多数课程在教授“引擎”方面做得很好。学生们非常熟练地学习数学和代码。
- 车祸被提及，但很模糊： 这些课程确实会谈论“车祸”（社会危害，如偏见或监控）。然而，它们通常是以一种泛泛的、抽象的方式来讨论。这就像是在说“汽车可能是危险的”，却没解释为什么特定的刹车失灵会导致车祸。有时虽然提到了危害，但并没有清晰地将其链接回导致该问题的特定技术选择。
- 驾驶员的技能是隐形的： 这是最大的差距。虽然学生可能会做一些需要团队合作或沟通的项目，但教师很少明确地对这些技能进行评分或测试。这就像是一场驾驶考试，要求你驾驶得完美无瑕，但没人检查你是否能向乘客解释你为什么转弯，或者在暴风雨中你是否能与副驾驶协作。
3. “专家”问题
研究人员注意到课程存在“人格分裂”现象：
- “硬科学”课程： 深入研究数学和代码。它们很好地解释了“车祸”，但往往忘记了教授“驾驶员技能”（例如如何向老板谈论风险）。
- “社会科学”课程： 深入讨论“车祸”和伦理，但往往跳过了“引擎”，导致学生对导致问题的技术机制缺乏清晰理解。
理想的情景： 论文指出，最好的课程应该像一个模拟器。在一个好的模拟器中，你不仅仅是学习引擎或仅仅学习规则。你会得到一个特定的场景（案例研究），你必须调整引擎、预测车祸，然后向团队解释你的决策。这同时连接了所有三个部分。
4. 主要启示
作者得出结论，仅仅了解“AI 素养”（了解 AI）是不够的。了解 AI 的存在或它可能是不公平的并不是目标。
真正的目标是 AI 胜任力。这意味着训练学生不仅要理解代码，还要能够：
- 看清一个技术选择是如何产生社会问题的。
- 具备在实际工作中修复或负责任地管理该问题的专业技能。
目前，大学正在将这些部分分开教授。研究人员正在构建一张“地图”，以帮助教育工作者将这些部分缝合在一起，从而让未来的 AI 从业者能够安全地驾驶这辆车，而不仅仅是制造出引擎。
简而言之： 我们目前正在教学生如何制造机器人，警告他们机器人可能会很可怕，然后寄希望于他们能自己学会如何与人协作。这篇论文认为，我们需要教他们如何在制造机器人的同时，理解可怕的部分，并练习如何与人协作，且这一切都要在同一堂课中完成。
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。