前 言

本模型由北京大学-TBI人工智能教育研究联合实验室编制。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），并基于实验室在人工智能教育领域的科研成果，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。

1 范围

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。

2 核心理念与定位

• 白盒化解构： 强调教师对算法底层机理的穿透式理解，能够将“黑盒”模型转化为青少年可理解的逻辑路径。
• 工程思维导向： 聚焦“发现问题、逻辑拆解、数据建模、试错迭代”的全过程，而非孤立的代码编写。
• 负责任的技术观： 强调技术发展与人类价值的一致性，培养具备伦理敏感度的数字一代。

3 术语和定义

3.1 认知降维 (Cognitive Dimensionality Reduction)
教师将高维数学、复杂算法逻辑通过物理比喻、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，通过实物游戏、角色扮演或纸笔活动模拟AI核心机理的教学方法。

3.3 可解释人工智能 (XAI)
使AI决策过程可被人类理解的技术，旨在培养学生对算法的质疑与验证精神。

4 评估模型框架概览

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研创新的辐射力。

5 详细能力指标要求

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。	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。 高中 深度解构 Transformer 注意力机制原理。	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： 指导学生理解特征提取对性能的影响。	数据工程素养
	2.3 系统集成与 具身交互	小学 图形化编程与智能传感器闭环反馈。 初中 轻量化模型在开源算力板上的离线部署。 高中 实现多传感器融合算法，优化稳健性。	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AI： 设计非电子设备的实物游戏模拟复杂机理。 • 可视化： 运用可视化工具解剖模型数据流动轨迹。	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) 拆解复杂任务。 • 代码审计： 引导学生利用大模型辅助纠错。	人机协同水平
	3.3 算法诊断与 逻辑审计	• 性能洞察： 精准诊断训练中的过拟合与欠拟合现象。 • 干预对策： 指导学生调整超参数优化表现。	工程思维水平
四、 伦理与责任 (10%)	4.1 XAI引导能力	• 批判审视： 引导学生评估算法透明度，质疑预测逻辑。	批判性技术观
	4.2 生成诚信	• 规范意识： 掌握AIGC作品标注规范，界定个人创作边界。	负责任实践
五、 学习与发展 (10%)	5.1 敏捷学习	• 技术追踪： 建立个人 SOTA 模型追踪清单，快速掌握新框架。	持续演进力
	5.2 教研贡献	• 跨界合作： 辅助其他学科开展 AI 跨学科教学，输出示范案例。	数字化领导力

6 实施方案与分级标准