社会工作教育与认证标准中的生成式人工智能：从认可到课程授权

《Australian Social Work》：Generative Artificial Intelligence (GenAI) in Social Work Education and Accreditation Standards: From Recognition to Curriculum Authorisation

　　

生成式人工智能（GenAI）的出现为社会工作教育如何培养毕业生进行伦理实践提出了重要问题。研究人员以《澳大利亚社会工作教育与认证标准（2024）》（ASWEAS 2024）为案例，考察了认证框架如何回应技术变革。研究人员识别出将GenAI认可为重要议题与其纳入塑造课程、评估和毕业生成果的课程授权要素之间的差距。研究人员借鉴认证文献和新兴学术研究，识别出认证设计的张力，并主张新兴议题只有在嵌入认证映射架构（accreditation mapping architecture）时才获得课程授权。研究人员提出了认证方法的改进方向。启示：GenAI日益被视为社会工作教育与实践的重要议题，但在认证课程映射要求中仅得到部分反映。若缺乏嵌入认证映射要求的明确期望，各项目在实施上可能出现差异。未来方法应纳入对GenAI的批判性框架、明确的课程映射要求、高阶能力（higher-order capabilities）、混合能力设计（hybrid competency design）以及可更新的、专业主导的指导。

研究背景：生成式人工智能（GenAI）已从实验性使用迅速转变为社会工作领域的广泛采用，这为社会工作教育提出了紧迫问题，即如何培养毕业生按照该专业对社会正义和人权的承诺，对GenAI进行伦理性和批判性参与。尽管学术界倡导人工智能（AI）素养以支持伦理的、具有批判意识的毕业生实践，但各方的回应仍存在差异，从采纳到抵制，以及基于环境和伦理理由的拒绝。然而，很少有研究关注认证框架作为塑造课程期望和毕业生能力的关键机制。本研究以《澳大利亚社会工作教育与认证标准（2024）》（ASWEAS 2024）为案例（该标准目前正在审查中），考察认证框架如何回应快速新兴的领域。研究人员主张，除非在塑造课程设计、评估和毕业生成果的要素中得到明确反映，否则对GenAI的认可是不够的。研究目的：在以问责制、标准化和审计文化为特征的高等教育环境中，认证标准塑造着课程对新兴议题的回应。在澳大利亚，ASWEAS 2024（AASW, 2024）规定了课程内容、毕业生属性和专业准备的最低期望，并通过对照《AASW实践标准》（2023）的课程映射加以实施。因此，GenAI在这些文件中的定位对课程设计、评估和毕业生成果具有重要影响。研究发现：ASWEAS 2024明确将GenAI认可为当代实践的特征和教育的挑战，但这种认可主要位于语境性的引言部分。在标准正文中，唯一明确提及GenAI之处断言毕业生应能够"管理社会工作项目，包括……在研究 and 实践中使用生成式AI工具及其风险"（AASW, 2024, 第2节, 第11页）。此外值得注意的是，《AASW实践标准》（2023）中完全没有任何对GenAI的明确提及。因此，ASWEAS和《实践标准》的课程授权要素（即那些塑造课程映射、评估和毕业生成果的要素）中仅包含一项低层次的GenAI相关期望。低阶期望虽可表明对某一议题的意识，但对通常与可评估的毕业生成果相关联的高阶能力提供的指导有限。这种定位和框架在高层次承认GenAI重要性与其嵌入ASWEAS和《实践标准》中指导课程设计和评估的授权性语言有限之间造成了脱节。将GenAI主要框定为一系列"工具"使注意力导向技术应用和风险管理，而非对其伦理、关系、社会和结构性影响的批判性分析。鉴于GenAI在毕业生属性、必修内容和学习成果等可评估要素中的表述有限，其课程整合很可能不均衡。这种不均衡可能因各项目的差异而进一步加剧：一些项目可能基于伦理或可持续性理由不鼓励参与GenAI，而另一些项目则鼓励在缺乏批判性框架的情况下使用GenAI，尤其是在强制使用GenAI的大学中。认证设计中的张力：ASWEAS 2024案例研究凸显了认证框架在回应快速演变和存在争议的领域时面临的四种更广泛的张力，这些张力在GenAI方面尤为突出，因为变革的速度、范围和不可预测性正在重塑高等教育和社会工作实践。认可与课程授权：这一张力反映了基于能力的认证框架中的更广泛挑战；规定什么以及如何规定直接塑造课程设计、评估以及预期毕业生成果的一致性。尽管GenAI在ASWEAS 2024中获得高层次认可，但其获得的课程授权有限（研究人员使用"课程授权"一词来描述某一特定议题嵌入认证框架映射架构的程度，从而为项目负责人分配课程注意力、评估设计和资源提供强有力的授权）。因此，各项目在系统地将相关能力嵌入课程、评估和毕业生成果方面的授权有限。回应性与稳定性：专业认证标准通常按照较长的周期制定和审查，限制了预测和回应快速演变领域的能力。尽管社会工作项目的认证有效期为五年（AASW, n.d.），但GenAI自2022年出现以来已发生显著变化。挑战在于确保认证框架保持足够的稳定性以提供指导，同时对新兴发展保持回应性。专门能力与课程融入：认证框架塑造专业教育中教什么、评估什么以及重视什么。Pitner等（2018）识别了在课程中处理社会工作能力的三种广泛方法：专门课程或单元、贯穿课程的融入，或两者的结合。尽管这三种方法涉及现有能力在项目中的实施方式，但社会工作学术研究为在认证框架中引入GenAI能力提供了两种广泛方法。第一种提出专门 的GenAI能力并辅以课程指导（Rodriguez et al., 2024）。第二种倡导将社会工作特定的人工智能素养框架整合到伦理、政策、研究、实践和实习教育等核心能力中（Ahn et al., 2025）。张力不仅仅在于GenAI能力应是独立的还是整合/融入的，而在于认证框架如何将这些能力嵌入课程映射架构，使其变得可见、可评估并在课程中反复强化，而非被视为已"覆盖"的内容。学术研究（Ahn et al., 2025; Rodriguez et al., 2024）侧重于识别GenAI相关能力及其在能力框架中的定位。较少关注此类期望如何嵌入认证和课程映射架构。类似的讨论也出现在其他交叉领域中，当期望未在标准和映射要求中明确表述时，实施可能变得不均衡并依赖于地方解释（Dali & Caidi, 2023; Harris & Boddy, 2017; Mulé et al., 2020）。灵活性与规定性：澳大利亚高等教育中灵活授课模式的增长和私立提供者的扩张影响了对能够适应多元机构背景和教育模式的认证框架的需求（Norton, 2023）。反映这一背景，ASWEAS 2024拥抱灵活性和非规定性，鼓励项目结构、课程设计和教学法的多样化。与此同时，认证框架旨在确保各项目的质量和一致性，同时回应不断变化的背景和创新的授课方式（Duarte & Vardasca, 2023）。关于认证框架如何支持一致性期望同时允许创新、实验和多样性的讨论由来已久，尤其是在实习教育方面（Zuchowski et al., 2019）。加强GenAI相关认证框架的方向：基于这些考虑，结合更广泛的认证文献和新兴的社会工作GenAI学术研究，研究人员提出了未来认证框架的五个方向。GenAI的批判性、非还原性框架：将GenAI主要框定为一系列工具使注意力导向技术使用和风险管理。学术研究反而强调这些技术的更广泛社会技术、伦理、环境和治理维度，其非中立性质，以及去殖民化、原住民和解放性方法的必要性（Boetto, 2026; Campana Alabarce et al., 2026; Crowther et al., 2026; Goldkind et al., 2025; Hodgson et al., 2022; Ottmann & Noble, 2026）。因此，认证框架应采用对GenAI的批判性、非还原性框架，强调权力、不平等、伦理和社会正义，而非仅关注技术能力。将GenAI定位于认证映射架构中：课程映射使期望在课程、评估和审查过程中变得可见，有助于确保期望在各项目中被系统性地实施和监测（Cheung et al., 2019）。当期望未出现在课程映射要求中时，仅靠认可无法保证其在拥挤的课程中获得持续、有意义的课程关注。GenAI期望应明确位于驱动课程设计、映射、评估和质量保证的认证要素中。在毕业生属性、学习成果和评估期望中的明确纳入比仅靠语境性认可提供更强的课程授权，同时在实施中保持机构灵活性。明确纳入GenAI能力的混合方法：为确保在认证映射架构中的最佳定位，研究人员建议采用混合模式，将专门的GenAI能力领域与GenAI相关期望在现有能力领域中的明确整合相结合。混合方法避免将GenAI视为已简单"覆盖"的内容，同时降低其纳入被默认为隐性而非在整个课程中明确映射、教学和评估的风险。社会工作文献支持跨多个实践和经验领域的能力发展（Bj?rktomta & Tham, 2024）。据此，研究人员建议认证框架明确将GenAI认可为核心能力领域，同时将GenAI相关期望明确嵌入现有能力领域。将这些期望嵌入认证映射架构比单独的专门能力或仅假设隐性整合提供更强的课程授权、课程中的强化以及更一致毕业生成果的保证。高阶批判性认知对齐：与上述关于低阶和高阶期望的讨论一致，GenAI能力应与AQF第7-9级毕业生准备水平相称地表述。强调批判性分析、伦理评价、论证和应用的期望比仅关注程序性知识或意识更能反映当代实践的复杂性。协作制定的、专业主导的、可更新的指导：仅靠认证标准无法跟上快速的技术变革。集中定位、定期更新并与认证要求保持一致的专业主导指导提供了在认证周期之间保持时效性的补充机制。联合国教科文组织（2024）的能力框架规定了教师的AI素养能力，而英国社会工作者协会提供了全专业范围的GenAI声明（2025a）和社会工作实践指导（2025b）。美国的护理机构已制定了针对护理实践（American Nurses Association, 2022）和教育（National League for Nurses, 2025）的专业特定指导。类似的指导可以在补充澳大利亚社会工作认证框架方面发挥重要作用。结论：GenAI提出的关键认证问题不是它是否被认可，而是它如何通过适当明确地纳入课程映射架构而获得授权。研究人员主张，新兴议题只有在明确嵌入认证映射架构、塑造教什么、评估什么和保证什么时，才具有教育意义。对于GenAI，这需要批判性的、非还原性的框架，结合课程授权的期望，这些期望在能力领域中可见、可评估并得到强化，并辅以可在认证周期之间演变的专业主导指导。这种方法培养高阶专业能力，同时使认证系统保持回应性而不牺牲一致性或问责制。GenAI带来的挑战超越了人工智能领域本身。更广泛地说，注意力应超越认证框架中对新兴议题的认可，延伸到相关能力通过何种机制获得授权、嵌入并在课程中得到强化。