生成式AI“野外”教学两年实践：多学科融合的教育创新路径

《IEEE Technology and Society Magazine》：Two Years “in the Wild”: A Multidisciplinary Approach to Teaching Generative AI

本文针对生成式AI技术快速迭代与传统教育模式脱节的问题，推荐由圣母大学和巴塞尔大学团队开展的"Generative AI in the Wild"跨学科课程研究。该研究通过应用导向的"任务-产品-提示"三角框架，结合Chainforge仿真工具和证据中心设计(ECD)方法，构建了涵盖技术原理、伦理评估与社会影响的多维课程体系。结果表明该模式能有效培养学生从"随意使用者"转变为具备系统评估能力的"准专家"，为AI时代的高等教育转型提供了可复制的实践范本。

　　

当ChatGPT 3.5在2023年初掀起生成式人工智能的浪潮时，圣母大学的Alexi Orchard与John T. Behrens教授敏锐意识到，传统教育体系正面临前所未有的挑战。尽管各行各业都在积极应用生成式AI，高等教育却尚未形成系统的教学方法。更棘手的是，学生们虽熟练使用AI工具，却缺乏对技术本质的批判性认知，这种"知其然不知其所以然"的状况，可能导致对AI技术的误用或过度依赖。

为此，研究团队开创性地设计了"Generative AI in the Wild"课程，其独特之处在于将技术实践与多学科视角深度融合。课程名称中的"野外"一词颇具深意，既区别于实验室层面的纯技术研究，又暗示AI技术已像野生动物般渗透到社会各个角落，带来不可预测的影响。这种定位使得课程从一开始就超越了单纯的技术培训，成为探索人机共处新范式的前沿阵地。

课程架构围绕八个核心问题展开螺旋式探索：从"我们身处何处"的现状分析，到"技术如何运作"的机制剖析，再到"如何规范发展"的伦理思辨。特别值得关注的是教学团队设计的"任务-产品-提示三角框架"，该框架将Evidence Centered Design（证据中心设计，ECD）的教育评估理论创造性应用于AI系统评估。通过这个三角关系，学生能清晰认识到：同一个提示策略在不同任务中可能效果迥异，而同一系统在不同领域的表现也存在显著差异。

在技术方法层面，研究团队主要运用了三类创新方法：首先采用Magai平台集成多模态AI系统（包括OpenAI GPT系列、Claude系列等），使学生能横向比较不同系统的特性；其次引入Chainforge可视化编程环境，让非技术背景的学生也能进行大规模提示工程实验；最后通过"社会-技术"双轴分析框架，引导学生考察AI在艺术创作、学术诚信等具体领域的实际影响。

课程实践表明，经过系统训练的学生能显著提升对AI系统的评估能力。在"寻找边界"实验中，学生通过精心设计的提示工程成功定位了不同AI系统的失效临界点；在"比较评估"任务中，他们发现通用大语言模型在专业领域的表现存在显著差异；而通过Chainforge进行的大规模仿真实验则揭示，提示策略的微小调整可能对输出结果产生决定性影响。

社会技术关联分析显示，课程成功帮助学生突破"技术自主论"的认知局限。当学生了解到亚马逊数据中心建设导致当地湿地退化的事实时，他们开始反思技术发展的环境代价。这种将技术发展置于社会语境中的教学方式，使学生认识到AI不仅是算法问题，更是涉及权力分配、资源消耗和生态平衡的社会议题。

教学挑战与演变部分指出，课程内容需要持续迭代以跟上技术发展速度。特别有趣的是学生态度的变迁：2024年多数学生反对使用AI撰写婚礼演讲这类情感性文本，而2025年学生对此的态度出现明显分化。这种变化折射出社会接受度的快速演进，也表明课程需要持续调整教学边界。

研究结论强调，在技术快速迭代的时代，培养学生"持续学习的能力"比传授特定技能更为重要。通过融合技术实践与人文思辨的教学设计，学生既掌握了提示工程等实用技能，又培养了批判性思维这一永恒竞争力。这种"既授人以鱼亦授人以渔"的模式，为应对AI教育挑战提供了重要参考——教育的核心不是追逐最新技术，而是培育能与技术共同进化的人文素养。

正如教学团队在文末的反思："我们如何与学生共创这段旅程？"这或许揭示了教育的本质：在技术变革的洪流中，教师与学生都是探索者，而真正的教育创新，始于承认我们都需要在不确定中共同成长。