本模型参考了联合国教科文组织《教师信息和通信技术能力框架》（ICT-CFT），并基于北京大学-TBI人工智能教育研究联合实验室在人工智能教育领域的科研成果编制而成。在人工智能深刻变革教育范式的背景下，AI学科教师不仅是技术的传授者，更是算法解构者、数据伦理守护者与工程实践引导者。
本文件通过对意识与理念、技术与知识、教学与应用、伦理与责任、学习与发展五个维度的系统定义，界定了AI学科教师应具备的专业素养，为其职业提升与能力认证提供科学评价依据。
本文件规定了中小学人工智能、机器人、数据科学及计算思维专任教师的核心素养评价维度及关键能力指标。
适用于K-12阶段人工智能及信息科技专任教师的入职考评、专业成长指导、区域教研评价及相关专业水平认证参考。
3.1 认知降维 (Cognitive Dimensionality Reduction)
教师将高维数学、复杂算法逻辑（如注意力机制、梯度下降）通过物理比喻、图形表征或交互活动，转化为符合青少年认知水平的教学方案的能力。
3.2 不插电人工智能 (Unplugged AI)
不依赖电子计算设备，通过桌面游戏、角色扮演或纸笔活动模拟AI核心机理（如排序算法、简单神经元反馈）的教学方法。
3.3 可解释人工智能 (XAI - Explainable AI)
使人工智能系统的决策过程和输出结果能够被人类理解的技术和方法，旨在培养学生对算法的质疑与验证精神。
3.4 传感器融合 (Sensor Fusion)
集成多源数据（如视觉、超声波、红外、陀螺仪）以提升智能系统在动态环境下的感知稳健性与判断准确性的工程技术。
3.5 思维链 (CoT - Chain of Thought)
一种通过引导模型产生中间推理步骤来增强处理复杂任务能力的提示技术，在教学中用于训练学生的逻辑拆解能力。
3.6 SOTA 模型 (State of the Art)
指在特定AI任务（如计算机视觉、自然语言处理）中，目前处于技术顶峰、性能最优的一类模型架构。
3.7 Transformer 架构
一种基于自注意力机制的深度学习模型架构，是当前大语言模型及生成式人工智能的核心技术基础。
| 一级指标 | 权重 | 核心内涵（AI学科教师专项） |
|---|---|---|
| 一、意识与理念 | 10% | 认同工程教育观，深刻理解算法对社会结构的重塑与人机协作的价值。 |
| 二、技术与知识 | 20% | 涵盖算法解构、数据工程、具身智能及软硬集成技术。 |
| 三、教学与应用 | 50% | 侧重认知降维策略、进阶提示词教学及算法逻辑审计能力。 |
| 四、伦理与责任 | 10% | 具备偏见治理、数据合规、安全防御及算法可解释性引导能力。 |
| 五、学习与发展 | 10% | 具备追踪SOTA趋势、敏捷学习新框架及教学创新辐射的影响力。 |
| 维度 | 二级指标 | 分学段关键测评点 | 核心评价逻辑 |
|---|---|---|---|
| 一、 意识与理念 (10%) |
1.1 工程教育观 | • 试错文化： 认同“失败”在模型调优中的价值，引导学生建立迭代思维。 • 社会观： 理解自动化对未来就业结构的重塑及数字公平的重要性。 |
工程价值定位 |
| 1.2 协作进化观 | • 能力边界： 清晰界定AI在逻辑推理上的局限性与人类在创造性、情感关怀上的核心价值。 | 人本技术视野 | |
| 二、 技术与知识 (35%) |
2.1 算法机理与 数理基础 |
小学 理解基础分类逻辑与决策过程的图形化表征。 初中 掌握神经网络基础层级、梯度下降通俗机理及激活函数作用。 高中 深度解构 Transformer 注意力机制、多模态融合原理。 |
技术解构深度 |
| 2.2 数据工程与 偏见识别 |
• 质量意识： 掌握数据集清洗、脱敏、平衡及增强技术。 • 特征理解： 能指导学生理解特征提取对模型性能的决定性影响。 |
数据工程素养 | |
| 2.3 系统集成与 具身交互 |
小学 实现图形化编程与智能传感器、执行器的闭环反馈。 初中 掌握轻量化模型在开源算力板上的离线部署与调试。 高中 实现多传感器融合算法，优化智能系统在动态环境下的稳健性。 |
系统架构力 | |
| 三、 教学与应用 (35%) |
3.1 认知降维与 转化策略 |
• 不插电人工智能： 设计非电子设备的实物游戏或剧本模拟复杂AI机理。 • 可视化教学： 运用可视化工具解剖模型中间层的数据流动轨迹。 |
教学转化率 |
| 3.2 进阶提示词 教学转化 |
• 思维训练： 教授学生利用思维链 (CoT) 将复杂任务拆解为逻辑步进指令。 • 代码审计： 引导学生利用大模型辅助纠错，并进行人工逻辑对齐核验。 |
人机协同水平 | |
| 3.3 算法诊断与 逻辑审计 |
• 性能洞察： 精准诊断学生项目训练中的过拟合与欠拟合现象。 • 干预对策： 指导学生通过调整超参数或优化训练集分布来改进系统表现。 |
工程思维水平 | |
| 四、 伦理与责任 (10%) |
4.1 可解释性 (XAI) 引导能力 |
• 批判审视： 引导学生提问“若输入特征改变，预测为何变化”，评估算法透明度。 | 批判性技术观 |
| 4.2 生成诚信与 合规规范 |
• 规范意识： 掌握AIGC作品标注规范，教育学生界定个人创作与机器生成的边界。 | 负责任技术实践 | |
| 五、 学习与发展 (10%) |
5.1 敏捷学习与 技术追踪 |
• 前瞻意识： 建立个人 SOTA 模型追踪清单，具备快速掌握新开发框架的能力。 | 持续演进力 |
| 5.2 产教融合与 教研贡献 |
• 跨界合作： 能够辅助其他学科开展 AI 跨学科教学，输出具有示范价值的教研案例。 | 数字化领导力 |
特征：能精确解释教学大纲涉及的算法逻辑，编程示范规范，能指导学生完成基础的数据清洗与模型训练实验。
特征：能熟练设计不插电人工智能与软硬结合的混合式教学，具备精准诊断学生模型偏差并指导调优的能力。
特征：具备将前沿 SOTA 模型进行认知降维并转化为青少年课程的能力。具备跨学科系统集成视野与区域教研辐射力。