《Buildings》：Rethinking AI-Era Transformation of Architecture, Engineering and Construction Education: A Multi-Stakeholder Perspective
编辑推荐：
人工智能（AI）正在重塑建筑、工程与建造（AEC）领域。然而，AEC教育仍根植于传统的学科边界和技术中心主义培训模式，导致毕业生能力与AI赋能实践所需的认知、协作和跨学科要求之间的差距不断扩大。本研究立足于中国高等教育背景，通过一项多利益相关者调查（n=352
人工智能（AI）正在重塑建筑、工程与建造（AEC）领域。然而，AEC教育仍根植于传统的学科边界和技术中心主义培训模式，导致毕业生能力与AI赋能实践所需的认知、协作和跨学科要求之间的差距不断扩大。本研究立足于中国高等教育背景，通过一项多利益相关者调查（n=352），收集了来自学术界、产业界和研究界的观点，以弥合这一差距。研究人员采用单因素方差分析（One-way ANOVA）和Tukey HSD检验来考察不同利益相关者群体和学科之间的差异，同时构建了一个贝叶斯网络（Bayesian Network）来模拟能力路径、模拟干预情景并识别课程改革的关键杠杆点。分析表明，有意义的AI整合需要能力重构，而不仅仅是增加独立的技术或软件课程；它要求对专业培养、课程和教学法进行根本性变革。从数据中涌现出四个核心能力：专业专长、系统思维、跨学科协作和AI赋能问题解决。贝叶斯网络模拟进一步表明，仅扩大课程可使AI知识获取提升39.6%，但在实践技能（13.9%）和应用能力（4.5%）方面仅带来适度增益。相比之下，结合教师发展、校企合作和项目式实践的综合干预措施，在AI应用能力（37.9%）、就业适应性（29.3%）和行业满意度（14.1%）方面产生了显著提升。这些差异化的发现凸显了协调教育干预措施的必要性，以调和利益相关者期望并促进面向AI的能力发展。基于这一证据，本研究提出了一个能力导向的框架和分阶段的课程转型路径，为AEC教育中AI驱动的课程改革和能力重构提供了实证基础。
### 论文解读：面向AI的建筑、工程与建造教育转型——多利益相关者视角的实证研究
#### 研究背景与问题
人工智能（AI）正深刻重塑建筑、工程与建造（AEC）行业，从生成设计、计算机视觉到数字孪生和智能建造系统，AI已嵌入专业工作流程。然而，AEC教育仍固守传统学科边界与技术中心主义培训模式，导致毕业生能力与AI赋能实践所需的认知、协作和跨学科要求之间存在日益扩大的不匹配。现有研究多聚焦于孤立的技术工具采纳（如BIM、参数化设计），缺乏对AI如何重构专业能力形成路径的系统性思考；同时，多利益相关者（学生、教师、行业从业者、研究人员）的认知差异未被充分考察，导致课程改革可能忽视不同群体的诉求。此外，现有教育研究多采用解释性统计方法，难以预测不同改革策略对能力发展的长期影响。因此，本研究旨在从多利益相关者视角出发，识别AI时代AEC专业人才的核心能力需求，分析各方认知差异，并构建基于能力重构的课程转型路径与决策支持工具。论文发表在《Buildings》。
#### 研究内容与结论
研究人员通过一项涵盖352名受访者（包括学生、教师、行业从业者和研究人员）的多利益相关者调查，结合单因素方差分析（One-way ANOVA）、Tukey HSD检验和贝叶斯网络（Bayesian Network）建模，揭示了AI整合需要能力重构而非技术课程叠加。四个核心能力——专业专长、系统思维、跨学科协作和AI赋能问题解决——从数据中浮现。贝叶斯网络模拟表明，仅靠课程扩展对AI知识获取提升39.6%，但实践技能和应用能力增益有限（13.9%和4.5%）；而结合教师发展、校企合作和项目式实践的综合干预，可使AI应用能力提升37.9%、就业适应性提升29.3%、行业满意度提升14.1%。基于此，研究提出了一个能力导向框架和分阶段课程转型路径，为AEC教育的AI驱动改革提供了实证基础。
#### 关键技术方法
本研究采用多利益相关者调查（样本来源：中国高等教育体系下的AEC相关学科，包括建筑学、城乡规划、土木工程、智能建造等），共收集352份有效问卷。主要分析方法包括：①单因素方差分析（One-way ANOVA）和Tukey HSD检验，用于比较不同利益相关者群体（学生、教师、研究人员、行业从业者）和学科背景在能力需求、课程设计等维度上的差异；②贝叶斯网络（Bayesian Network）建模，用于模拟能力发展路径，评估不同干预情景（如课程扩展、教师发展、校企合作、项目式实践）对下游变量（如AI知识获取、实践技能、应用能力、就业适应性、行业满意度）的概率影响，并识别关键杠杆点。网络结构基于理论约束和关联强度构建，采用概率推理进行情景分析。
#### 研究结果
**4.1 挑战、能力需求与路径偏好**
- **4.1.1 教育供给与行业转型的差距**：86.6%的受访者认为当前AI课程存在显著缺口，主要障碍包括缺乏最新教材（70.7%）、课程内容与行业创新脱节（67.3%）、实践机会有限（56.0%），以及人才培养结构陈旧（63.9%）。
- **4.1.2 能力需求超越技术技能**：受访者视未来AEC专业人才为“应用型跨学科实践者”，跨学科协作和学科专长均获77%支持率，系统思维获63.1%支持，AI应用能力获42.3%支持。最紧迫的技能需求包括多模态数据处理（79%）、自定义模型训练与部署（73.6%）、AI工具与专业软件集成（62.5%）。
- **4.1.3 偏好嵌入学科的AI课程路径**：75.9%的受访者支持将AI融入现有专业课程（而非独立模块），首选引入时机为本科二年级（45.7%），体现先建学科基础再引入计算思维的逻辑。
**4.2 利益相关者群体间的异质性**
- **4.2.1 对AI赋能人才能力的认知**：职业间在基础能力需求上无显著差异（F=1.337, p=0.262），但在个体学习能力感知上存在显著差异（F=13.285, p<0.001），学生报告的挑战显著高于其他群体（Tukey HSD检验，p<0.05）。学科间在所有三个维度（基础要求、关键技能、个体学习能力）均存在显著差异（p<0.001），建筑与城乡规划领域强调AI的上下文应用，智能建造与工程软件领域强调算法优化与模型开发。
- **4.2.2 对AI课程体系的认知**：职业间在跨学科课程、评估方式、校企合作模式上无显著差异，但在课程设计上接近显著（F=2.568, p=0.054），差异源于教师与行业从业者对于AI引入时机的不同观点（教师倾向早期引入，行业倾向先打学科基础）。学科间在课程类型偏好、跨学科课程方向、评估方式上存在显著差异（p<0.05），建筑与城乡规划偏重实践应用与跨学科扩展，智能建造与工程软件偏重技术深化与共享资源。
**4.3 基于贝叶斯网络的人才培养路径预测分析**
- **4.3.1 不同教育情景的预测结果**：通过设置四种情景（S1：当前碎片化模式；S2：系统性课程扩展；S3：S2+教师发展与校企合作；S4：S3+项目式实践），贝叶斯网络推断出：S2相比S1提升AI知识获取39.6%，但实践技能仅增13.9%，应用能力仅增4.5%，显示课程扩展的边际效益递减。S3相比S2，实践技能提升27.1%，应用能力提升14.9%，知识获取仅增3.0%，表明教师发展和校企合作是知识转化为高阶能力的关键中介。S4相比S3，所有指标大幅提升：AI应用能力（+37.9%）、实践技能（+35.4%）、知识获取（+29.4%）、就业适应性（+29.3%）、行业满意度（+14.1%），表明产业教育融合是AI能力发展的催化剂。
- **4.3.2 敏感性分析**：在S4情景下，项目式实践实施对行业满意度的影响最敏感，表明其应深度嵌入教学过程，而非仅停留于形式化合作。
#### 讨论总结与结论翻译
**讨论总结**：研究指出，AI对AEC教育的冲击本质上是认识论层面的，要求重新定义“胜任专业人才”的内涵，而非仅更新工具包。利益相关者视AI为增强技术而非替代专业判断，专业学科知识是能力发展的必要基础。多利益相关者之间的认知差异（如学生的高学习困难感知、教师与行业对AI引入时机的分歧）应被视为教育生态系统的结构性特征，而非噪音。课程改革需要从“技术补充”转向“系统性重构”，协调课程、教师能力、资源与产业关系。贝叶斯网络作为AI驱动的决策支持工具，能够将静态差异转化为可操作的因果洞察，但其预测效果依赖于数据质量与理论假设，未来需结合纵向数据验证。基于能力发展路径，研究提出四项实践建议：建立渐进式AI课程路径并动态更新教学资源；强化实践导向学习与校企合作；提升教师AI整合教学能力；改革评估方法以衡量AI赋能专业能力。此外，研究讨论了国际启示，强调AI教育应超越工具训练，培养批判性解释者与负责任决策者。
**结论翻译**：本研究得出四项主要结论。第一，未来AEC教育应培养综合能力——专业专长、系统思维、跨学科协作和AI赋能问题解决——而非孤立地优先发展AI工具熟练度。第二，面向AI教育的主要障碍反映了现有教育系统与AI赋能专业实践能力需求之间的结构性错配，凸显了在课程、制度结构和产业参与方面进行协调改革的必要性。第三，利益相关者群体和学科之间观察到的显著差异表明，面向AI的课程必须采用差异化但连贯的能力发展路径，避免一刀切模式。第四，贝叶斯网络建模通过实现概率推理和情景评估，扩展了传统统计分析，从而为课程规划和教育决策提供基于证据的支持。基于这些发现，本研究提出了一个能力导向的教育框架，从学科基础出发，经过AI增强、系统集成，最终达到协作创新。该框架并非推荐孤立的课程改进，而是系统地将能力需求、课程重组、教师发展、跨学科整合和实践导向学习联系起来，为面向AI的教育转型提供了一条连贯的路线图。本研究从三个方面扩展了AI工程教育的现有研究：首先，开发了一个四阶段能力重构路径，解释未来AEC专业人员如何逐步发展AI赋能实践所需的能力；其次，建立了一个整合技术演进、专业任务转型、能力发展和教育改革的系统框架；第三，将实证调查数据与贝叶斯网络建模相结合，模拟不同改革路径并预测其对能力发展的潜在影响，将教育研究从解释当前挑战转向支持面向未来的教育规划和基于证据的决策。尽管所提框架基于中国高等教育背景，但其应对的挑战是全球工程教育共通的。通过将重点从技术导向的课程改革转向能力导向的教育转型，该框架为重新设计工程教育以应对人工智能、专业实践和能力要求的持续协同演化提供了一个可迁移的概念基础。
