简介：这份资源是联合国教科文组织2024年发布的《学生人工智能能力框架》官方PDF文档，面向教育工作者、课程设计者及关注AI教育的师生，旨在指导将人工智能学习目标系统融入学校课程，帮助学生安全、有意义地参与AI领域。框架围绕以人为本的思维方式、人工智能伦理、人工智能技术与应用、人工智能系统设计四个核心领域，划分理解、应用、创造三个发展级别，并给出课程目标与教学方法指引。资源包内含1个PDF文件，大小约745KB，便于下载后直接阅读与引用。目前已有460人学习下载。通过这份框架，读者可以清晰把握AI素养的完整能力维度与进阶路径，理解如何将伦理判断、技术应用与创新设计融入教学，为课程开发、课题研究或教学实践提供权威参考，也适合作为终身学习与跨学科整合的指导蓝本。
1. 一份把 AI 素养拆成 12 项能力的课程设计底稿
2024 年 UNESCO 发布的《学生人工智能能力框架》（AI competency framework for students）是一份面向 K-12 与中等后教育阶段的课程设计参考文件，核心是把"学生该具备哪些 AI 能力"从一句口号拆成可排课、可评估的 12 项具体能力。它覆盖四个维度——以人为本的思维方式、人工智能伦理、人工智能技术与应用、人工智能系统设计，每项能力再按理解、应用、创造三个进阶层级展开。适合课程设计者、教研员、校本课程开发者，以及想把 AI 内容嵌进现有学科的信息技术教师。如果你正被"AI 课到底教什么、教到哪一层算够"卡住，这份框架能直接当排课底稿用。
2. 框架的四维三阶结构：12 项能力怎么落到课程表
2.1 四个能力维度各自解决什么问题
框架把学生 AI 能力切成四块，不是按技术难度切，而是按"学生和 AI 的关系"切。这个切法直接决定了你排课时每一块该配什么类型的活动。
以人为本的思维方式（Human-centred mindset）解决的是立场问题：学生要把 AI 看成服务人类目标的工具，而不是反过来被 AI 牵着走。这一维度对应的课堂活动通常是案例讨论和角色扮演，比如让学生分析一个推荐算法如何影响自己的选择，再讨论"谁该为结果负责"。它不要求写代码，但要求批判性表达。
人工智能伦理（Ethics of AI）解决的是判断问题：数据隐私、算法偏见、责任归属、透明度。这一块最容易上成说教课，框架的处理方式是把伦理锚定在具体场景上——不是讲"AI 要有道德"，而是让学生面对一个具体的数据集或一次模型输出，识别其中可能存在的偏见并给出修正思路。
人工智能技术与应用（AI techniques and applications）解决的是能力问题：数据、算法、模型、训练、推理这些基础概念，以及它们在真实产品里的应用形态。这是四块里最接近传统"技术课"的部分，但框架强调的不是让学生手推反向传播，而是理解技术边界——知道什么任务适合 AI、什么任务不适合。
人工智能系统设计（AI system design）解决的是创造问题：学生要能参与设计一个 AI 系统，哪怕只是原型级别。这一维度把前面三块串起来——你有了立场、有了伦理判断、有了技术理解，最后要落到"做一个出来"。
四个维度不是线性顺序，而是螺旋上升。同一个维度在理解、应用、创造三个层级上反复出现，只是深度不同。
2.2 三个进阶层级的判定标准
理解、应用、创造这三个词看起来像套话，但框架给了可操作的判定边界，这是它比多数能力框架实用的地方。
理解层（Understand）的判定标准是：学生能用自己的话解释概念，能识别 AI 在生活中的存在，能说出基本伦理问题。这一层不要求动手做任何技术实现，课堂形式以讲解、讨论、案例分析为主。对应到课时安排，一个学期里理解层内容通常占前三分之一。
应用层（Apply）的判定标准是：学生能在引导下使用现成 AI 工具完成具体任务，能根据任务需求调整输入，能识别输出中的问题。这一层开始要求动手，但用的是现成工具而非从零搭建。比如用现成的图像分类工具做一次小实验，记录不同输入下的输出差异。
创造层（Create）的判定标准是：学生能设计并实现一个解决真实问题的 AI 原型，能解释设计决策，能评估系统的局限。这一层要求综合运用前两个层级的能力，产出物可以是一个简单模型、一个交互原型，或者一份完整的设计方案。
三层级的划分给了一个明确的"教到哪算够"的参照。如果课时有限，至少要把理解层覆盖完整；如果有条件做项目制学习，创造层可以作为学期末的综合任务。
2.3 把 12 项能力映射到课时安排的操作步骤
框架正文里 12 项能力是分散在四个维度下的，直接拿来排课会乱。我一般会先做一张映射表，把每项能力标注它所属的维度、层级，以及适合承载它的学科。
第一步，列出 12 项能力的完整清单。框架第 4 章按层级逐条列出了每项能力的描述，直接摘出来即可。
第二步，给每项能力标注"最低覆盖层级"。不是所有能力都需要教到创造层。比如伦理维度下的某些能力，教到应用层（能识别具体场景中的伦理问题）就足够；而系统设计维度下的能力，如果不开项目课，教到理解层也可以接受。
第三步，按学期或学年做纵向排列。同一维度下的能力尽量按理解→应用→创造的顺序排，不同维度之间可以并行。一个常见的排法是：上学期集中覆盖理解层全部 12 项，下学期选 4-6 项做应用层和创造层。
第四步，标注每项能力对应的评估方式。理解层用概念图或口头答辩，应用层用操作记录或实验报告，创造层用项目展示加设计文档。
提示：框架本身不规定课时数，映射表的作用是让你在有限课时里做出取舍，而不是追求 12 项全教到创造层。
3. 用框架改造一门现有课程：从教学目标到评估的完整链路
3.1 选一门现有课做锚点，而不是从零开课
多数学校没有条件新开一门独立的 AI 课，更现实的做法是找一门现有课程做改造。信息技术课、科学课、甚至语文课里的信息辨析单元，都可以作为锚点。
选锚点的标准有三条：一是这门课本身有动手环节，方便嵌入应用层和创造层活动；二是任课教师对 AI 有基本了解，不需要从零培训；三是这门课的评价方式不是纯笔试，否则创造层没法评。
以初中信息技术课为例。原有课程可能已经包含"数据与编码""算法初步"等内容，这些正好对应框架里"人工智能技术与应用"维度的理解层。改造时不需要推翻原有内容，而是在每个单元末尾加一个"AI 关联"环节。
3.2 把框架能力翻译成可观察的课堂行为
框架里的能力描述是给课程设计者看的，不是给课堂观察用的。要落地，得把每条能力翻译成"学生在课堂上做什么"。
比如"以人为本的思维方式"理解层下有一条能力，大意是学生能认识到 AI 系统对人类决策的影响。翻译成课堂行为就是：给定一个 AI 推荐场景，学生能列出至少两个"AI 影响了人的选择"的具体环节，并说明影响是正面还是负面。
再比如"人工智能系统设计"创造层下有一条能力，大意是学生能设计一个 AI 系统方案。翻译成课堂行为就是：学生能提交一份包含问题定义、数据来源、预期功能、局限说明四个部分的设计文档，并在班级内做 5 分钟讲解。
翻译的关键是让行为可观察、可记录。做不到这一点的能力描述，要么降级处理，要么换一种评估方式。
3.3 评估方式与三层级的对应关系
评估是框架落地最容易翻车的地方。用笔试考"创造层"能力，等于没评。下面这张表是我在实际课程改造中用的对应关系，可以直接抄。
| 层级 | 评估方式 | 产出物 | 评分要点 |
|---|---|---|---|
| 理解 | 概念图、口头答辩、短答 | 概念图或答辩记录 | 能否用自己的话解释，能否举出生活实例 |
| 应用 | 操作记录、实验报告 | 带截图的步骤记录 | 能否完成指定任务，能否识别输出问题 |
| 创造 | 项目展示、设计文档 | 原型加设计文档 | 问题是否真实，设计决策是否有依据，局限是否说清 |
这张表的核心逻辑是：评估方式必须和层级匹配。理解层不要求动手，创造层不考背诵。中间的应用层最容易评偏——很多老师会用选择题考"工具怎么用"，但应用层的判定标准是"能在引导下完成操作"，所以必须看操作过程，不能只看结果。
3.4 一个单元改造的完整示例
以"数据与编码"单元为例，原课程目标是让学生理解二进制和字符编码。改造后加入 AI 关联环节，对应框架里"人工智能技术与应用"理解层和"人工智能伦理"理解层各一项能力。
改造后的单元流程：
第一课时，原内容照常讲二进制和字符编码。末尾加 10 分钟讨论：AI 模型处理的数据也是编码后的数字，你觉得一张图片在 AI 眼里是什么？学生自由发言，不要求正确答案。
第二课时，原内容讲数据压缩。末尾加一个 15 分钟活动：给出一组带偏见的数据集（比如某个招聘筛选场景的简化数据），让学生找出数据中可能存在的问题。这个活动对应伦理维度理解层。
第三课时，做一个 20 分钟的动手环节：用现成的在线分类工具（比如 Teachable Machine 这类无需编程的工具），让学生用自己的图片训练一个简单分类器，记录训练集大小对结果的影响。这个环节对应技术维度应用层。
第四课时，学生提交一份一页纸的记录，包含：我训练的分类器能做什么、不能做什么、如果训练数据换一批结果会怎样。这份记录就是评估依据。
整个改造没有增加新课时，只是在原有课时里嵌入了框架对应的活动。这是框架落地最现实的方式——不是加课，是改造。
4. 避坑：框架落地时最容易翻车的五个地方
4.1 把 12 项能力当成 12 个课时
现象：拿到框架后直接按 12 项能力排了 12 节课，每节课讲一项，结果每项都讲不透，学生也没时间动手。
原因：框架的 12 项能力是能力清单，不是课时清单。一项能力可能需要多个课时才能达到应用层或创造层，也可能多项能力可以在一个项目里同时覆盖。
解决：先做能力映射表，标注每项能力的目标层级和承载学科，再按学期做纵向排列。一个学期覆盖 6-8 项能力是正常节奏，不要追求 12 项全覆盖。
4.2 伦理维度上成说教课
现象：伦理部分讲成了"AI 要有道德""要保护隐私"的口号课，学生听完没有具体收获，评估也没法评。
原因：伦理能力如果脱离具体场景，就变成了价值观灌输，既不可观察也不可评估。
解决：每条伦理能力都锚定一个具体场景。比如"识别数据偏见"这条能力，就给一组真实（或仿真）的带偏见数据，让学生找出问题并说明修正思路。评估看的是"能不能找出问题"，不是"能不能背出伦理原则"。
4.3 创造层评估用笔试
现象：学期末用一张试卷考创造层能力，题目是"请描述一个 AI 系统的设计流程"，学生背模板作答，分数都不低，但没人真正做过设计。
原因：创造层的判定标准是"能设计并实现一个原型"，笔试考的是记忆和复述，和创造层的能力定义不匹配。
解决：创造层必须用项目产出评估。如果课时不够做完整项目，至少要求一份设计文档加一次口头讲解。设计文档的评分要点是问题是否真实、决策是否有依据、局限是否说清，而不是格式是否规范。
4.4 忽略"以人为本"维度的可评估性
现象：四个维度里，"以人为本的思维方式"最难评，很多老师直接跳过或只做课堂讨论不记录，导致这一维度实际上没有落地。
原因：这一维度的能力描述偏态度和立场，不像技术和伦理那样有明确的产出物。
解决：把态度翻译成可观察的行为。比如"能认识到 AI 对人类决策的影响"翻译成"给定一个场景，能列出至少两个 AI 影响选择的环节"。有具体行为就有评估依据，哪怕只是课堂发言记录。
4.5 直接照搬框架原文当教案
现象：把框架第 4 章的能力描述直接复制到教案里当教学目标，上课时发现没法操作，学生也听不懂。
原因：框架原文是给课程设计者看的，语言偏抽象，不是课堂语言。直接当教案用，等于把设计文档当讲义。
解决：每条能力描述都要经过一次"翻译"——翻译成学生能听懂的话和课堂上能做的动作。翻译后的表述应该包含：做什么、做到什么程度算达标、产出物是什么。这三样齐了，才能进教案。
5. 进阶用法：把框架当课程审计工具，而不是排课模板
框架最常见的用法是当排课模板——照着 12 项能力排课。但用久了会发现，它更大的价值是当课程审计工具：拿它来检查一门已有课程到底覆盖了哪些能力、缺了哪些、哪些层级没到位。
具体做法是反向映射。拿一门现有课程的教案和评估材料，逐条对照框架的 12 项能力，标注每项能力的覆盖情况：完全没覆盖、覆盖到理解层、覆盖到应用层、覆盖到创造层。标完之后，缺口一目了然。
我一般会做一张审计表，横轴是 12 项能力，纵轴是课程单元，交叉格填覆盖层级。填完之后看两件事：一是哪些能力完全空白，二是哪些能力只停在理解层但从课程性质看应该到应用层。前者是缺内容，后者是缺深度。
审计的另一个用途是跨课程协调。同一所学校里，不同课程可能各自覆盖了一部分能力，但彼此不知道。用同一张审计表把各门课的覆盖情况叠在一起，就能看出全校层面的能力覆盖是否均衡。比如技术维度可能被信息技术课覆盖得不错，但伦理维度可能完全没人管——这种缺口靠单门课是补不上的，需要跨课程协调。
还有一个容易被忽略的点：框架的三个层级不只是学生能力的进阶，也可以当教师培训的进阶路径。新入职的教师先从理解层的内容教起，熟悉之后再加应用层活动，有经验之后再带创造层项目。这样教师的成长路径和学生的能力路径是对齐的，教研活动也有了抓手。
最后说一个我自己的习惯。每次改完一门课，我都会拿框架的 12 项能力过一遍，问自己三个问题：这门课结束后，学生在哪几项能力上应该有可见的变化？这些变化我用什么方式能观察到？如果观察不到，是能力没落地还是评估没跟上？这三个问题问下来，课程的薄弱环节基本藏不住。从那以后我每次做课程设计都强制走一遍这个反向映射，比正向排课更能发现问题。希望帮到你。
本文还有配套的精品资源，点击获取
