编者按：学习好贯彻好党的二十届四中全会精神，切实谋划好、推进好“十五五”时期教育改革发展，奋力谱写以教育强国建设支撑引领中国式现代化的新篇章，是当前教育系统的重大政治任务。中国教育科学研究院组织精锐科研力量，在媒体平台广泛开展阐释研究，推动教育强国建设迈向积厚成势、系统跃升。现摘取部分优秀成果，陆续推出，以飨读者。
人工智能（AI）正在以颠覆性的态势重构全球教育生态，其技术渗透的速度、深度与广度已突破传统教育变革的边界。AI在全球中小学教育领域的应用呈现出显著的“双面性”特征，引发学界对技术赋能教育的系统性反思。现有研究聚焦于三大维度，一是政策驱动研究。联合国教科文组织（UNESCO）和经济合作与发展组织（OECD）强调AI教育需平衡效率与伦理，其框架文件为各国提供顶层设计的参考；2024—2025年，《关于加强中小学人工智能教育的通知》《中小学人工智能通识教育指南（2025年版）》和《中小学生成式人工智能使用指南（2025年版）》的相继发布；北京、上海、广东等地的教育主管部门也积极响应，发布了地方性行动方案，形成“国家统筹-地方协同”的政策推进机制，为中小学AI教育提供了权威的内容标准与伦理规范。二是教学实践争议。学界对AI的核心教育价值已形成普遍共识，即其能突破传统教学“一刀切”的局限，实现规模化因材施教，提升教育质量与效率。具体到课程与教学层面，一种强烈主张认为中小学AI教育不应仅限于信息技术课程，而应深度融入数学、科学、语文、艺术等各学科，形成“人工智能+X”的跨学科融合教学范式。中国教育科学研究院院长李永智建议AI教育内容需遵循学生认知与教育规律，通过实践教学、场景式教学让学生领悟AI应用边界。然而，实证研究也揭示了AI个性化学习效能存在的“工具理性”与“主体性消解”悖论，而前述的跨学科融合被视为可能的破局路径。这场变革高度依赖于政策顶层设计、伦理治理框架、教师技术准备度和技术持续创新。三是风险治理挑战。算法偏见、数据隐私等成为核心关切，亟需本土化治理方案。
当前研究仍存在一些不足，其一，应用层面的实证研究，特别是中小学领域，远少于宏观理论探讨及高等教育实践分析，相关成果较为稀缺；其二，宏观政策与教学实践存在断层，且缺乏对不同国家AI教育推进模式的系统性比较研究，特别是对“为何不同国家选择差异化路径”及“路径差异背后的治理逻辑”等核心问题的深入剖析；其三，对AI教育风险的研究多聚焦于技术依赖或算法偏见等单一维度，缺乏基于多国实践的系统性风险识别与综合治理框架构建。这些缺口与AI在中小学应用中的争议性密切相关，导致实践层面仍处于试探性推进阶段。
本研究基于客观中立、相对审慎的研究视角，采用“AI赋能教育”作为核心概念，力求涵盖当前人工智能教育变革中的关键领域。这一概念涵盖“战略引领-实践应用-治理保障”三个核心维度，既衔接微观教学实践，又呼应宏观政策与治理议题。一是战略引领，主要着眼于国家层面AI教育的政策规划与发展定位；二是实践应用，包含“如何学习AI”与“如何运用AI学习”这两大主题；三是治理保障，重点关注伦理规范、风险防控以及多元主体的协同等制度设计。从当前研究与实践进展来看，以AI课程开发、AI素养培养等“如何学习AI”的相关探索多以显性形式呈现，成果与路径相对清晰；而对于AI在学科教学中的融合应用、AI在教育教学中的伦理等“如何运用AI进行学习”的实践，则更多处于隐性探索的阶段，其模式创新与效果验证仍需进一步系统化探索。
尽管技术赋能展现出广阔前景，但人工智能在中小学教育领域的应用仍面临一系列具有普遍性的风险与挑战。例如，因盲目部署所导致的资源错配、由算法偏见引发的教育公平受损，以及因技术依赖而造成的主体性消解等问题，已然成为各国在推进人工智能赋能教育进程中必须回应的必答题。这些挑战跨越了不同教育体制的差异，触及技术伦理、教学本质与社会治理的深层矛盾，其复杂性随着探索深入而愈发凸显。基于此，本文以代表性、实践典型性和数据可及性为原则，选取芬兰、新加坡、美国、中国与爱沙尼亚进行比较，覆盖北欧福利模式、亚洲强政府模式、北美分权模式及转型中国家样本，形成教育治理的典型光谱。依托建构主义与人本主义教育理论，构建“以人为本、本土适配、三维协同”的治理框架，以期为世界各国，特别是正在积极推进教育数字化转型的我国，负责任地发展AI赋能教育，提供理论镜鉴与实践指南。
一
国际比较：不同国家AI赋能教育模式的策略与启示
爱沙尼亚“AI跃迁2025计划”凭借公私合营的制度创新与分层试点的推进策略，在全球中小学AI教育实践中形成了“小国敏捷突破”的独特范式，但这并非国际探索的唯一形态。为系统厘清不同国家AI教育的差异化发展逻辑，本部分将围绕战略驱动、核心目标、实施路径、治理风格、典型特征五大维度，对五国AI教育推进模式展开系统比较，为后续AI教育典型问题剖析与治理框架构建提供国际经验的镜鉴。
（一）爱沙尼亚：政策先行与试点推广的公私合营模式
1.历史传承与核心定位
“AI跃迁2025计划”的政策基因来源于20世纪90年代的“老虎跳跃”（Tiger Leap）计划。该计划通过全国学校计算机与互联网普及工程，不仅完成了基础教育数字化基础设施的原始积累，更构建了支撑爱沙尼亚在数字政府、电子商务及科技创业领域崛起的人才培养生态。据e-Estonia官方数据显示，该国多数独角兽企业创始团队及数字政务体系核心构建者均为该计划的直接受益者。这种历史经验的成功积淀，使爱沙尼亚决策者在AI时代形成了技术前置布局的路径依赖，试图通过“AI跃迁2025计划”复刻历史成功，在全球教育数字化竞争中占据先发优势。
该计划的战略目标呈现清晰的递进层次。国家竞争力层面，通过AI工具规模化普及与技能体系重构，实现人力资源质量的代际跃升；教育变革层面，依托AI技术的自适应学习特性，破解传统班级授课制的个性化教学困境；社会公平层面，主动应对AI素养鸿沟这一新型社会分化风险，确保不同社会经济背景的学生能够平等地共享技术红利。这种“国家战略-教育革新-社会治理”的三重目标耦合，体现出小国在资源约束下的战略聚焦。
2.公私合营模式的制度创新
“AI跃迁2025计划”最具辨识度的制度特征，在于其构建的新型公私合营（Public-Private Partnership，PPP）治理结构。该计划由爱沙尼亚总统卡里斯（A. Karis）于2025年2月24日独立日演讲中亲自发起，这种国家最高层级的政治背书，赋予了该项目超越普通教育政策的战略属性。其合作网络呈现“三维协同、多元共治”的特征：政府机构提供政策框架与公共资源保障；本土科技企业家注入创新资本与本土实践智慧；OpenAI、Anthropic 等全球头部AI企业提供核心技术支持与工具迭代保障。
为解决多元主体协同推进AI教育时，权责划分不清、合作难以持久的问题，爱沙尼亚正在筹建“AI跃迁基金会”，专门承担协调职能。该基金会采用“公共财政与私营资本共同出资、独立运营”的模式，旨在保持非政治性的中立立场。与单一主体主导的模式相比，这一模式能更好的平衡效率与公益，一方面避开了政府主导可能带来的效率拖沓，另一方面，也减少了市场驱动下公共利益难以保障的隐患。爱沙尼亚通过这样的制度设计，既获得了全球领先的AI教育的工具支持，又为技术供应商提供了规模化的真实教育场景，作为测试平台，构建了一种互惠共生的良性机制，实现以政策支持换取优质技术资源，用开放的应用场景助力技术迭代升级。
3.渐进式实施路径与课程设计
在实践推进层面，爱沙尼亚采取“政策先行、试点推广”策略。根据欧盟教育信息网（Eurydice）的实施路线图，第一阶段于2025年秋季启动，覆盖2万名10-11年级高中生及3000名教师，免费配置ChatGPT Edu等定制化AI学习工具并开展配套培训；第二阶段从2026年开始，将覆盖范围扩展至职业学校及新入学高中生，预计新增3.8万名学生与2000名教师。培训课程特别强调教师应建立“AI协同进化”理念，将技术视为“可共同发展的合作伙伴”。
在技术整合层面，该计划要求将新增AI工具与现有数字教育平台，如E-kool、ekoolikott无缝对接，通过统一身份认证与数据互通，降低师生技术推广阻力。课程内容涵盖AI基础与技术原理、AI应用与伦理以及AI创新项目三大核心模块，由教育部与全球AI企业合作开发。课时安排为每学期约60课时，平均每周2课时，实践环节占比不低于40%，确保理论与实践结合。
（二）芬兰：素养重构与价值理性主导的跨学科模式
芬兰作为全球教育高地，其AI教育战略彰显了深厚的教育哲学积淀。以国家级项目“芬兰人工智能全民计划”（Generation AI）核心载体，该国突破了技术应用的工具理性局限，将教育重心置于AI本质的认知层面，包括技术工作原理解析、社会影响评估及伦理风险研判。剑桥大学教育技术研究团队的田野调查显示，该项目构建了“批判性思维+数字公民意识”的双维培养框架，其教学法创新体现在三个维度，采用“无代码”（No-Code）工具降低技术准入门槛，实现AI教育的普惠性；推行跨学科融合路径，将算法偏见、数据隐私等议题嵌入语言、历史、艺术等传统课程；运用深度讨论教学法，引导学生就AI伦理困境展开思辨性对话。
与爱沙尼亚的实践模式相较，芬兰在人工智能教育领域的探索呈现出显著的价值导向分野。前者侧重于借助人工智能工具提升国家竞争力与个体生产力，体现为工具理性主导；后者则致力于培育能够驾驭并反思技术的未来公民，彰显价值理性主导特征。这种差异性为相关研究提供了多元启示：人工智能教育需在“使用者培养”与“批判者塑造”之间构建动态平衡机制，其理想目标应指向技术应用能力与人文思辨素养的协同发展。
（三）新加坡：系统集成与国家平台驱动的精准赋能模式
新加坡的AI教育战略体现了其一贯的强政府主导和系统化规划的特点。在“2030年教育科技总体规划”（EdTech Masterplan 2030）的框架下，新加坡教育部依托其全国统一的在线学习平台“学生学习空间”（Singapore Student Learning Space，SLS），构建了AI工具的集约化集成体系。这一体系包含三大功能性模块：基于学习分析的“自适应学习系统”（ALS），实现个性化路径推荐；辅助教学设计的“内容创作助手”（ACP），提升备课效率；提供即时诊断的“简答题反馈助手”（ShortAnsFA），优化评估流程。
新加坡模式代表了一种高度集成化、标准化的“自上而下”的路径，与爱沙尼亚的公私合营、商业工具引入的模式形成鲜明对比。其优势在于能够快速、公平地将高质量的AI资源覆盖到全国所有学生，有效保证了教育公平和质量底线。同时，统一平台也便于数据的收集与分析，为循证决策提供了支持。然而，这种模式也可能牺牲一定的灵活性和地方创新空间。相比之下，爱沙尼亚模式虽在技术迭代上更具灵活性，但面临工具兼容性与质量管控的挑战，两种路径分别代表着“系统效率”与“创新活力”的不同价值选择。
（四）美国：分散试点与市场驱动的多元创新模式
与上述国家形成鲜明对比的是美国，在联邦层面缺乏统一的AI教育国家战略，其发展动力主要源自州、学区、学校乃至教师个体的“自下而上”探索。这导致了AI教育实践的极大丰富性和多元化。案例研究显示，纽约长岛学区利用Diffit工具生成差异化的教学材料，满足不同阅读水平学生的个性化需求；路易斯安那州引入Amira AI阅读导师，为初级读者提供一对一语音辅导；加州圣地亚哥教师借助Writable写作工具实现作文批改自动化，大幅提升反馈时效。
美国模式的优势在于充分激发基层的创新活力，应用场景紧贴一线教学的实际需求。然而，其弊端也显而易见，缺乏顶层协调可能导致优质资源分布不均，从而加剧已有的教育不平等和数字鸿沟。这种“市场驱动－分散探索”模式与爱沙尼亚“政策先行－试点推广”模式的本质差异，折射出不同治理理念下的路径选择，前者强调创新自由，后者注重公平普惠，两种取向分别体现了“效率优先”与“公平优先”的政策逻辑。
（五）中国：分层探索，顶层设计与地方创新的辩证统一模式
中国的AI教育战略呈现出“国家统筹与地方探索”的互动格局。在国家层面，教育部颁布的中小学AI教育指导纲要构建了“兴趣启蒙－原理认知－创新实践”的递进式课程体系：小学阶段侧重AI技术的感性认知与兴趣培养；初中阶段强化技术原理理解与基础应用；高中阶段则聚焦项目式学习与创新能力培育。地方层面以广东省、江苏省、四川省、广西壮族自治区为代表的省（自治区）市相继形成了精细化的配套落地方案，广东明确规定各学段AI课程最低课时标准。
中国模式的显著特征在于强大的举国体制和系统性风险的治理思维。在鼓励技术创新的同时，通过政策法规体系明确AI应用的安全底线与伦理准则，形成“管放结合”的治理框架。这种平衡策略在全球AI教育治理中独树一帜，尤其在数据安全保障与技术依赖防范等领域，展现出超越发展阶段的审慎性。与爱沙尼亚相比，中国模式更强调风险前置管控，而后者更侧重技术快速落地，两种路径分别体现了不同发展阶段对安全与效率的优先级排序。
综合来看，上述四种模式在关键维度呈现系统性差异：在战略驱动上，存在以爱沙尼亚、新加坡、中国为代表的“政府主导”与以美国为代表的“市场驱动”的分野；在核心目标上，分化为以爱沙尼亚、新加坡为代表的“国家竞争力提升”与以芬兰、中国为代表的“公民素养培育”的侧重；在实施路径上，形成以新加坡、中国为代表的“顶层设计”与以美国、芬兰为代表的“基层探索”的对照；在治理风格上，展现出爱沙尼亚的“审慎试点”、新加坡的“系统集成”、美国的“多元创新”与我国的“风险防控”的特色。这些差异根植于各国的教育传统、科技实力和治理哲学，没有绝对的优劣之分，但均为其他国家提供了兼具适应性与创新性的参照谱系（见表1）。
表1 五国AI教育发展模式对比
二
实践深化：AI在中小学教育中应用的典型问题剖析
通过对国际组织报告、五国相关政策文件、学术研究及实践案例的系统性梳理与分析，可以清晰揭示，各国AI教育战略的驱动逻辑、核心目标、实施路径与治理风格存在显著分野。然而，一个更具根本性的共识是，这些多样化的探索，无一例外地在推进过程中，共同触及了AI技术特性与教育根本目标之间的张力地带。正是这种张力，在实践中具体化为算法偏见侵蚀公平、技术依赖消解主体性、仓促部署导致资源错配、评价工具异化学习本质、家校沟通缺失引发信任危机等一系列共通的、亟待解决的典型问题。深刻理解这些问题及其成因，是迈向负责任AI教育应用的必经之路。
（一）顶层设计失衡：从盲目部署到科学试点的路径偏差
许多学校或教育机构在面对AI技术浪潮的冲击时，容易被“技术热潮”或“标杆效应”所驱动，未经充分的本地化论证与小范围的适应性测试，便仓促地进行大规模、全员化的AI工具部署。这种“一步到位”的发展思路往往导致技术与教学场景的结构性脱节，教师因不熟悉工具的操作复杂度，增加备课负担，学生因功能与需求不匹配而降低学习兴趣或学习投入，最终造成昂贵的设备闲置与教育资源浪费。国外实证研究表明，在引入任何新技术时，仅凭“技术新颖性”“他校经验”进行大规模部署，往往会导致资源错配、师生挫败感和管理失序等连锁反应。
爱沙尼亚采取“政策先行、试点推广”的渐进型实施路径，充分体现了对技术应用于教育的推进规律的深刻认识。其“AI跃迁2025计划”并未追求一蹴而就，而是采用严谨的分阶段、分年级试点策略。首期选择10-11年级学生作为试点对象，不仅因为这一阶段的学生已经具备一定的数字素养基础，能够更好地适应AI教育模式，更是通过限定试点群体实现风险隔离。更值得借鉴的是，在计划推广前的决策环节，教育部将组织教师团队系统研读国际AI教育研究文献作为必要流程，以此明确技术应用需解决的核心教学痛点，如个性化辅导资源不足、高阶思维培养瓶颈等。这种“实证导向”（Evidence-based）的决策模式，从源头上避免了“为用而用”的形式化，确保AI工具始终服务于真实教学问题的解决。
与爱沙尼亚全国性系统试点形成对比的是美国的分散化探索。例如，康涅狄格州和印第安纳州等也启动了AI试点项目，但多由州或学区层面主导，规模有限但场景聚焦，如高密度辅导、读写能力提升），同样强调教师专业发展与工具效能评估。两种模式各具优劣：爱沙尼亚模式利于形成国家标准与快速推广，但存在“一刀切”风险；美国模式更具地方适应性，但可能加剧区域教育不均衡。但其共同启示在于，需以小规模可控试点替代盲目扩张，通过预设评价指标，比如学生参与度、学业增值、师生满意度等进行科学成效评估。
（二）算法黑箱与偏见：技术中立性的消解与教育公平的挑战
AI并非价值中立。其算法的“智能”源于对海量数据的学习，而这些数据本身就可能蕴含着人类社会的既有偏见和刻板印象。当这类算法进入教育场景时，可能会引发系统性不公平。已有研究中“将欧洲吉卜赛人与犯罪活动不当关联”的案例，警示我们如果带有错误的、偏见的AI工具进入课堂，不仅会向学生传递歧视性信息，更可能对少数族裔学生的身份认同与心理健康造成持久伤害，侵蚀教育公平的根基。
这一问题的隐蔽性与权威性放大了算法偏见危害性。AI系统往往以“黑箱”形式运作，其决策逻辑对用户不透明。同时，由于缺乏内置的、易于操作的纠错和反馈上报机制，学生很容易将AI生成的、看似客观理性的内容奉为“权威结论”，从而无批判地接受其中的偏见。一篇发表于《自然》（Nature）子刊的系统性综述将算法偏见列为AI教育（AIED）在技术维度的核心伦理风险之一，并指出偏见数据是导致机器学习系统产生歧视性输出的主要原因。另一篇关于教育系统算法偏见的研究也强调，偏见算法会通过招生筛选、学业评估和资源分配等环节，为边缘化社区的学生制造新的系统性障碍。
对抗算法偏见，不能仅仅依赖技术修复，更需要培养师生的AI素养。芬兰的“Generation AI”项目提供了宝贵的思路。该项目明确提出，教育的重点是让年轻人理解AI技术的工作原理、数据在其中的作用，以及隐私、偏见和决策如何受到AI的影响。项目采用基于讨论的教学法，鼓励学生批判性地思考和表达自己的观点。学校可以借鉴这种模式，在课程中设置专题单元，引导学生：首先要质疑和验证AI的输出内容，通过多源信息交叉比对培养批判性思维；然后，使用不同AI工具完成同一任务，在比较差异中理解算法的非中立性；最后，可在采购AI工具时，要求供应商提供模型评估报告和训练数据来源说明，强化技术透明度。
（三）技术依赖与主体性削弱：从认知脚手架到思维外包的异化
生成式人工智能强大的内容生成和问题解答能力，在带来便利的同时也催生了“思维外包”的风险。学生可能过度依赖AI完成写作、编程、研究等核心学习任务，跳过独立思考、试错探索和知识内化的过程，导致批判性思维、创造力和解决复杂问题的能力退化或弱化。教师群体同样存在此类风险，如果将备课、批改、反馈等关键教学环节完全交由AI，可能导致对学生个体学习过程的洞察力下降，师生互动质量降低，最终削弱教师的专业判断力。
这一现象与建构主义学习理论背道而驰。学习是学习者基于既有经验主动建构知识意义的过程，而非被动接收信息。多项研究指出，AI在教育中的理想角色应是“认知脚手架”（Cognitive Scaffolding），即为学生的知识建构提供临时性、支持性的帮助，并在学生能力提升后逐渐退出。然而，过度依赖则使AI变成了“认知起重机”，直接将学生运送到终点，绕开了最有教育价值的学习过程，这种依赖会损害学生的认知能力发展，因为用户倾向于选择快速、优化的捷径，而非进行审慎的思考。
破解这一困局的关键在于重构AI时代的教师角色。教师需从知识传授者转型为复合型教育者。这一转型主要体现在三个新角色的塑造上：一是学习体验设计师，教师需设计能够激发学生高阶思维的学习任务，引导学生将人工智能作为分析、批判与创造的工具，而非简单复制答案的捷径。例如，可让学生对人工智能生成的解决方案进行评估和改进，以此推动深度思考。二是学习伙伴与引导者，教师应与学生共同探索学习，一方面指导他们如何提出有效问题、辨别人工智能输出内容的质量；另一方面，提供只有人类能给予的情感支持和价值引领，成为学生成长路上的同行者。三是伦理规范引导者，教师需与学生公开探讨人工智能的合理使用边界，共同制定课堂层面的使用规范，在这一过程中培养学生的学术诚信意识与数字责任感。
（四）家校沟通壁垒：信息不对称引发的信任赤字与协同育人困境
学校在推进AI教育创新时，往往将沟通重点放在教育行政部门和教师内部，而忽视了另一个关键利益相关群体——家长。信息不对称导致家长普遍存在三重疑虑：孩子的个人数据是否安全？AI会不会让老师变得“懒惰”？孩子会不会用AI作弊？这些担忧若得不到及时、透明的回应，很容易发酵为不信任甚至抵制，形成“信任赤字”，阻碍AI教育的顺利推进。
这本质上是教育治理中利益相关者参与缺失的问题。在现代教育治理体系中，家长的知情权、参与权和监督权是不可或缺的治理要素。学校单方面推进AI应用，即使初衷良好，也可能因程序不当而引发冲突。成功的教育创新，必然是建立在多方共识基础上的协同行动。
因此，构建家校信任共同体是化解这一问题的关键。学校应采取主动、透明的沟通策略，将家长从“局外人”转变为“合伙人”。首先，建立全周期沟通机制，在AI项目引入前、中、后各阶段，通过家长会、线上说明会、工作坊、课堂开放日等多种形式，向家长详细解释引入AI的目的、使用的工具、预期的教学效果以及数据安全保护措施。第二，保障信息透明与可及，将相关政策文件、工具使用指南、隐私协议等以通俗易懂的方式提供给家长，并保留会议录像等资料供随时查阅，消除信息鸿沟。第三，明确数据权责边界，与家长共同签署数据使用知情同意书，清晰界定学生个人信息的收集范围、使用目的、存储时限和删除流程，明确告知数据泄露等问题的追责渠道，通过透明化管理赢得家长的信任与支持。
（五）评价工具滥用：技术越位导致教育评价的失焦
随着课堂教学数据采集的便捷和AI生成内容的普及，数据驱动的教学评价和“反AI作弊”催生了各类AI内容检测和评价工具。然而，许多学校在缺乏深入了解的情况下，盲目采信这些工具的检测结果，并将其作为评判教师教学质量和学生学术不端行为的证据。这是一个极其危险的倾向。Open AI官方曾警告，其检测器可能对非英语母语者等特定的学生群体产生不成比例的误判，甚至出现过将莎士比亚作品判定为AI生成的荒谬案例。这表明，当前AI检测技术和评价水平远未达到可作为最终判定依据的成熟度。
将不成熟的技术工具凌驾于教育专业判断之上，严重背离了教育评价的本质。教育评价的核心目的在于诊断学习问题、促进学生发展，它本应是多元、过程性和充满人文关怀的。单一、冰冷的技术判决不仅可能误判师生，更会打击其教学与学习的积极性，破坏领导与教师间、师生间的信任关系，消解教育的育人价值。实践中，被误判的教师或学生可能面临成绩扣减、学术诚信记录污点等后果，更会挫伤其对教育系统的信任感；管理者或教师若将检测结果视为“定论”，易在缺乏审核的情况下实施处置，进而引发学生、家长、教师对学校教育与管理的公正性的质疑。
因此，需要对AI评价工具进行合理定位与路径矫正。一是从“最终评价”降级为“预警信号”，教师应将AI检测工具报告的高度AI疑似内容视为一个需要进一步关注的信号，而非结论。二是启动人文性判断流程，对于预警信号，教师应启动综合判断流程，可以进行诸如与学生进行开放式交流，询问其写作思路和过程；要求学生就文章部分内容进行现场阐述或重写；对比其过往的作业风格等。三是改进评价体系，学校应从根本上减少过于依赖终结性书面作业的评价方式，增加课堂表现、项目式学习、小组贡献、口头报告、学习档案袋等多元化、过程性的评价权重，从而降低单一作业AI评价的决定性影响，回归评价的育人本质。
三
风险防范与治理框架：构建以人为本的AI教育生态
AI教育的成功融合并非依赖技术本身，而在于构建一套兼具理论根基、政策韧性与实践可行性的“以人为本”的风险防范与治理框架。这一框架需要立足教育本质，对标国际准则，并转化为技术、教育、社会多维度协同的综合策略。
爱沙尼亚在全国高中生AI账号配发中践行的“政策先行、试点推广”路径颇具启示。任何学校或教育机构在引入AI前，均需明确三大核心问题，一是目标锚定，需解决的教学痛点是什么；二是成效论证，有无证据表明AI方案优于现行做法；三是风险应对，失败或意外时的止损机制是什么。唯有回答清楚这些问题，技术才能真正服务于学习本质。
（一）理论思考：建构主义与人本主义的回归
任何技术革新都不能偏离教育的根本目标，即促进人的全面发展。因此，AI教育的框架也需要回归两大核心教育理论的支撑。
一是建构主义的当代实践。学习，作为学习者主动建构知识意义的过程，要求AI技术定位为“认知脚手架”而非“思维替代者”。这意味着教学设计需从“技术功能导向”转向“认知支持导向”，从“AI能做什么”转向“如何用AI支持学生更好地思考和创造”，即通过AI来适配学习者的既有经验，提供适应性反馈以促进深度思考，而非直接输出标准答案。AI与建构主义在主动知识构建、适应性支持等方面具有天然的契合点，其关键在于如何通过教学法引导，在问题解决中适时介入，在能力提升后逐步撤离，这一逻辑应贯穿AI工具的设计与应用全过程。
二是人本主义的价值坚守。在AI日益强大的时代，人的价值非但没有减弱，反而更加凸显。教育需要更加聚焦那些机器无法替代的素养，如同理心、价值观、批判性思维、创造力与协作能力等。卡尔·罗杰斯(Carl Rogers)的人本主义理论强调，教育的核心是师生关系的互动和个体的成长。因此，AI绝不能替代教师的人文关怀、情感支持和价值引导。教师的角色转型应关注利用AI从重复性劳动中解放出来，从而有更多时间与学生进行高质量的个性化互动与成长指导，这是技术无法替代的教育本质。
（二）政策法规：国际准则与本土实践的动态适配
以清晰的规则体系为支撑，构建稳健的AI教育治理体系。国际社会目前已形成一系列具有普遍共识的准则框架，为各国本土政策制定提供了重要参照，其核心价值在于确立技术应用的伦理边界与实施标准。
联合国教科文组织提出的“以人为本”AI原则，为全球奠定了公平、包容、减贫的底层逻辑，强调技术发展需服务于人的发展目标；欧盟与经合组织联合发布的“AI素养框架”（AI Lit Framework），从知识、技能、态度三个维度系统界定了数字时代学生的核心素养要求，为课程设计提供了能力坐标；而欧盟《AI法案》作为全球首部综合性AI监管立法，将教育领域AI系统明确归类为“高风险”范畴，要求实施全流程监管、效能评估与透明度披露义务，形成了刚性约束。这些准则从价值导向、能力标准到监管要求，共同构筑了AI教育治理的国际基准线与行动边界。
国际准则的生命力在于本土化转化。爱沙尼亚在引入OpenAI工具时，以欧盟《通用数据保护条例》（General Data Protection Regulation，GDPR）为基准构建数据合规体系，通过数据主权保障技术应用的安全性；新加坡则在国际框架基础上，制定本土化AI教育伦理规范，确立个人数据“最小必要”使用原则，平衡技术效用与隐私保护；我国的监管实践则聚焦教育场景的特殊性和专属性，在数据安全与学术诚信领域形成精细化规制特色，如对AI生成内容的学术规范、学生个人信息的分级保护等。上述实践虽路径各异，但均指向治理体系的三大支柱，数据隐私保护的底线思维、算法运行的透明度要求以及责任归属的闭环机制，为AI教育的有序发展提供了制度保障。
（三）综合治理：三维协同的实践路径
AI教育合理有序的发展，需要坚持系统思维，跳出零敲碎打的推进模式，而是基于统筹推进教育科技人才一体化的路径，构建多维度联动的治理体系。这一体系，既要锚定教育强国建设的战略方向与理论内核，又要转化为可落地、可复制的实践路径，形成风险防控、效能提升、迭代优化的良性循环机制，切实破解AI教育应用中的结构性难题。
在技术层面，关键在于构建可靠可控的工具生态体系。首要的是在源头加强安全保障。推行负责任的采购与设计准则，优先选择“可解释人工智能”（Explainable AI，XAI）工具，确保算法决策逻辑透明、可追溯，避免“黑箱”操作。建立强制性的采购前审查机制，参照第三方专业评估模式，开展数据保护影响评估（DPIA），对AI教育工具的合规性与安全性进行全流程前置筛查。同时，需建立动态的偏见监测与修正机制。为师生提供便捷的反馈渠道，使其能实时上报AI工具输出的偏见或错误信息。与技术供应商签订“快速响应协议”，明确问题整改时限与验收标准，形成发现—反馈—修正—验证的闭环流程，持续提升工具的公平性和准确性，确保技术真正服务于教育教学的核心目标。
在教育层面，应聚焦人的主体性培养与AI素养提升。一方面，系统化培育教师的AI素养。设计涵盖技术操作、教学融合、伦理思辨和评价创新四个维度的培训框架，采用线上课程与线下实践相结合的混合模式。不仅要让教师掌握工具应用技能，更要提升其将AI深度融入教学方法的能力，推动教师角色从“技术使用者”向“综合课程设计者”转型。另一方面，推动课程与评价体系的结构性变革。在教学中应减少机械记忆任务比重，增设AI辅助的项目式学习等高阶思维训练模块，使学习过程更贴近真实问题解决。重构评价体系，从单一结果导向转向过程与结果并重的多元评价，降低对AI评价工具的过度依赖，凸显教师专业判断在学业评估中的核心地位。
在社会层面，需构建多方协同的治理网络。首要任务是健全“五位一体”的协同机制。清晰界定政策监管、学校实施与探索、家庭参与监督与支持、企业履行技术研发与社会责任、研究机构提供理论支撑与效果评估的权责边界，形成动态联动的治理体系。爱沙尼亚“AI跃迁基金会”作为公私部门协调枢纽的成功实践，提供了有益的参考。此外，积极营造公众信任的良好生态至关重要。通过发布AI教育应用白皮书、举办家长体验日等透明化沟通方式，主动回应社会关切。引导公众从旁观者转变为参与者，共同应对数字鸿沟、信息茧房等系统性挑战，构建起技术创新、社会监督与协同优化的良性互动生态，为AI教育的可持续发展奠定坚实社会基础。
AI融入中小学教育，本质是一场关乎育人理念和方式的深刻变革，机遇与挑战并存。通过对爱沙尼亚典型个案的剖析及多国模式的比较研究发现，AI赋能教育的核心不在于追逐技术前沿，而在于构建以人为本、多方协同、政策与实践并重、技术与教育融合的综合生态系统。实践证明，不存在放之四海而皆准的标准化模式，各国需立足自身国情、文化传统与教育目标，在技术创新与规范约束之间动态寻求平衡，才能推动AI教育高质量发展，为教育强国建设提供有力支撑。
展望未来，AI变革教育的发展必须突破工具理性的桎梏。教育的目标不应仅局限于培养熟练使用AI的下一代，更要着力培育其驾驭AI、反思AI乃至创造有益于人类的AI的能力。这就要求将智能技术，深度融入批判性思维、数字公民素养、伦理判断力与终身学习能力的培养中，确保技术始终服务于“人的全面发展”这一终极目标，共同迈向负责任、公平且富有智慧的教育未来。
来源｜《比较教育学报》2025年12月9日
作者｜王学男（中国教育科学研究院数字教育研究所副研究员）
热门跟贴