人工智能素养：能力和设计的主要考虑因素

Long and Magerko (2020) 提出的设计考虑因素 重点关注教学法和学习方法，同时也考虑了社会和 人际关系因素。总体而言，他们强调体验式学习和 材料的相关性，赞成认知需求和儿童发展理论，以 及人工智能在学习者学习环境中的定位。两位研究 者提出了 15 项具体的主要考虑因素:

1. 可解释性：包括图形可视化、模拟、对代理决策 过程的解释，或交互式演示，以帮助学习者理解 人工智能。

2. 具身交互：设计个体可以充当或跟随代理的干预 措施，从而理解代理的推理过程。这可能涉及算 法的具体模拟和/或使用人工智能技术进行实际实 验。

3. 情景化数据：鼓励学习者调查谁创建了数据集， 如何收集数据，以及数据集的局限性。这可能涉 及到选择与学习者生活相关、低维且“混乱”的 数据集（如未清洗或分类不整齐的数据集）。

4. 提高透明度：提高人工智能设计各方面的透明度 （例如，消除黑箱功能，共享创建者意图、资金/ 数据来源等）。

5. 分层教学：为防止认知超负荷，用户可选择查看 和了解不同的系统组件；一次只针对几个部分进 行解释；或者进行支架式教学，随着用户对系统 操作的了解增加，再逐渐移除支架。

6. 提供编程机会：为个人提供编程和/或教授人工智 能代理的方法。通过专注于视觉/听觉元素与/或结 合类似于 Parsons problems 编程工具和代码填空 等策略，将编码先决条件降至最低。

7. 考虑发展关键期：考虑发展的关键期（如心理发 展理论）、年龄和先前技术经验对人工智能认知 的影响。

8. 批判性思维：通过质疑人工智能应用的智能性和 可信度，鼓励学习者做人工智能技术的批判性消费 者。

9. 考虑身份、价值观和背景的影响：考虑学习者的 身份、价值观和背景如何影响他们对人工智能的 兴趣和先入之见。结合个人身份或文化价值观的 学习干预可以对他们的兴趣和动机起到激励作用。

10. 为家长提供支持：当面向家庭进行设计人工智能 时，考虑帮助家长构建孩子的人工智能学习体验。

11. 社会交互：设计有助于社会交互和协作的人工智能 学习体验。

12. 激发学习者的兴趣：在设计人工智能素养的干预措施时，可利用当前的问题、日常体验或游戏、 音乐等常见的消遣方式。

13. 确认先入观念：承认学习者可能会从流行媒体中 建立对人工智能的政治化或情绪化的先入观念， 并考虑如何在学习干预中尊重、处理和引申这些 观念。

14. 新视角：引入在流行媒体中被忽略的视角（如宣 传较少的人工智能子领域，针对人工智能产生的 危险和益处展开的公平讨论）。

15. 低入门门槛：考虑如何向缺乏数学或计算机科学 背景的学习者传达人工智能概念（例如，减少先 决知识/技能的传授，将人工智能与先验知识联系 起来，并解决学习者对自身能力不自信的问题）。