规划连贯的教学脉络
拟议的教学指南将串联先修基础、学习目标、实践练习与预期成果。我们鼓励教育者在引入具体工具之前，先引导学生理解任务本身的价值。
先定义学习目标，再选择工具。
一套真正实用的教育标准，应当在模型、产品与教学工具不断演进时依然清晰有效。
推进状态：以下框架为拟议草案，旨在邀请各方共同探讨与完善，并非已发布的正式标准或现有认证体系。
我们的教育计划将 AI 基础素养与实际判断力紧密结合。学习者应当理解系统的运行逻辑，识别输出结果的局限，并明智地判断何时以及如何使用 AI。这些能力与技术技能同样重要，不应只是课程末尾附带的伦理章节。
我们将编写易于调整的教学指南，方便教育者根据学生背景、教学环境与可用资源灵活应用。校园社团、高校课程与职业培训所需的案例和深度各不相同，统一的学习目标可以在保留灵活性的同时提供清晰方向。
拟议课程方向
每个模块都将理论认知与可解释、可评估、可演示的实践能力相对应。
| 模块 | 学习重点 | 能力印证方式 |
|---|---|---|
| AI 基础原理 | 模型、训练、推理、不确定性及常见局限。 | 阐明系统设计用途，并指出哪些输出结果需要人工核验。 |
| 数据与评估 | 数据质量、代表性样本、指标度量与误差分析。 | 使用小型、记录清晰的评估集对比不同方案的效果。 |
| 应用工作流 | 工具选型、迭代优化、可复现性与人工审阅。 | 搭建完整工作流，并清晰说明关键决策背后的原因。 |
| 负责任地参与 | 隐私保护、署名规范、偏见识别、可及性与合理使用。 | 识别潜在风险，并制定相匹配的防护措施。 |
切实可用的教学指引
评估思考与推理过程
评估指引不仅关注最终结果，也关注实现过程：学习者如何核验答案、如何应对失败案例，以及如何论证自己的选择。仅凭一份精美的 AI 生成作品，不足以证明真正的理解。
兼顾不同参与条件
教学资源将充分考虑设备条件、语言环境、无障碍需求及先修经验的差异。我们将探索无需昂贵算力即可掌握核心概念的实践练习。
框架推进方式
- 收集一线教学需求。
邀请教育者与行业实践者梳理当前教学中目标模糊、资源匮乏及评估困难的具体环节。
- 起草并测试教学指南。
制定学习目标与示例练习，并就其清晰度、实用性及对不同学习群体的适用性征集反馈。
- 发布与持续修订。
建立公开透明的审阅周期，使评估标准、案例与术语的每一次更新都有据可查。