從混亂到清晰：程序級 AI 學習成果框架
arXiv - Human-Computer InteractionGrace Barkhuff, Ian Pruitt, William Gregory Johnson, Rodrigo Borela, Ben Rydal Shapiro, Anu G. Bourgeois
本文提出「程序級 AI 學習成果（PLAI-LOs）」框架，旨在將校方政策與課程實務對接，建立結構化的 AI 素養標準。
AI 幫你先抓重點
AI 重點 1
建立從校方政策到作業層級的垂直對齊機制。
滑鼠懸停看 AI 判斷理由
這改變了過去僅靠個別教師自行決定 AI 使用規則的混亂現狀，確保學生的 AI 素養學習是具備系統性與連貫性的，而非零散的經驗累積。
AI 重點 2
區分「使用 AI」、「不使用 AI」與「關於 AI」的三維度學習。
滑鼠懸停看 AI 判斷理由
這對於課程設計者至關重要，它強調了 AI 素養不只是學會操作工具，還包含在特定情境下刻意不使用 AI 的能力，以及對 AI 本質的理解。
核心研究發現
- 1
目前高等教育在定義 AI 就緒度時缺乏跨學科、程序與課程的統一結構，導致學生接收到碎片化的訊息。
- 2
PLAI-LOs 框架能將校方優先事項與課程目標對齊，定義學生在特定學科中應如何使用、不使用或理解生成式 AI。
- 3
該框架可透過「物件級 AI 政策」落實，協助學系決定何時應教授 AI、何時應使用 AI，以及何時應禁止使用 AI。
- 4
透過計算機科學與音樂學科的案例展示，證明該框架具備具體性、可衡量性與高度的適應性。
對教育工作者的啟發
教育工作者應避免僅在單一課程中制定 AI 使用規則，而應從學系（Program）層級建立明確的學習成果。建議設計者定義學生在畢業時應具備的 AI 能力，並將其拆解為：1. 掌握 AI 工具的操作；2. 在特定學術情境下不依賴 AI 的能力；3. 對 AI 技術原理與倫理的認知。最後，透過具體的作業規範（Artifact-level policies）將這些目標落實到每一門課與每一次作業中，確保教學目標與產業需求一致。
原始文獻資訊
- 英文標題：
- From Chaos to Clarity: A Framework for Program-Level AI Learning Outcomes
- 作者：
- Grace Barkhuff, Ian Pruitt, William Gregory Johnson, Rodrigo Borela, Ben Rydal Shapiro, Anu G. Bourgeois
- 來源：
- arXiv - Human-Computer Interaction
- AI 摘要模型：
- /models/gemma-4-26B-A4B-it
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。