《Sustainability》：Preparing Learners and Teachers for an AI-Driven Future: Emerging Trends, Pedagogical Challenges, and Critical Perspectives in Pre-University AI Education: A Systematic Literature Review
将人工智能（AI）融入大学前教育已成为教育研究与发展的优先领域，促使人们重新关注教师准备、课程设计与数字素养。受可持续发展目标4（SDG 4）和可持续发展教育（ESD）原则的推动，研究人员呈现了一项系统性文献综述（SLR），旨在考察大学前教育环境中AI教育的研究趋势。遵循PRISMA指南，该综述分析了跨越2009年至2026年5月期间发表的42项研究，尽管大多数研究自2019年起发表。研究结果确定了四个主要主题领域：教师教育、课程开发与教学基础、AI素养与伦理能力，以及生成式AI的教育意义。证据表明，有效的AI整合取决于教师的准备情况、结构化的课程框架，以及促进负责任的数字公民身份和包容性教育实践的批判性与伦理性方法。该综述还强调了加强机构政策、监管框架和专业发展的必要性。研究空白包括纵向研究的稀缺、基于课堂的实证证据有限，以及缺乏评估AI素养的标准化工具。总体而言，这些发现可以为构建包容性、跨学科且具有教学基础的教育模型提供参考，从而实现对AI的批判性与负责任的整合，这与公平、具有弹性且可持续的教育系统的发展相一致。
1. Introduction（引言）
人工智能（AI）已成为塑造当代社会最具影响力的技术之一。其在通信、医疗、经济和就业等领域的日益普及正在改变社会与职业实践，同时创造了新的教育与能力需求。AI的快速演进及其对劳动力市场的影响，增加了从小培养计算思维、数字素养和智能系统理解能力的需求。在受可持续发展目标4（SDG 4）引导的背景下，教育系统被期望通过培养负责任的创新、公平和高质量学习机会来整合AI。近年来，包括ChatGPT在内的大语言模型（LLMs）等生成式AI工具的迅速普及，加剧了关于AI在教育过程和学习环境中作用的讨论。在大学前教育背景下，AI教育面临课程开发、教师准备、教学适应和新兴技术伦理整合等特定挑战。尽管近年来相关研究不断扩展，但在结构化课程框架、经实证验证的教学方法以及能够适应技术演进的教师教育项目方面仍存在显著空白。近期研究强调需要通过跨学科、包容和批判性视角整合AI的教育模型，AI素养日益被视为21世纪的关键能力。本研究旨在通过系统综述近期科学文献，考察大学前教育环境中AI教学的主要研究趋势，识别主要教学与课程方法，分析教师教育在AI技术教育整合中的作用，考察与AI素养相关的伦理和能力维度，并提出教育环境中机构采用AI的战略方向。
2. Materials and Methods（材料与方法）
2.1. Research Design（研究设计）
本研究采用系统性文献综述（SLR）方法，考察将AI整合入大学前教育的近期研究，特别关注教师教育、课程开发、AI素养、伦理能力以及生成式人工智能（GenAI）的教学意义。该综述遵循PRISMA 2020声明进行和报告，以确保识别、选择和分析相关研究的系统性、透明和可重复过程，并采用主题综合方法识别新兴趋势和文献空白。综述聚焦于大学前教育环境（指K–12义务教育，包括小学和中学教育）和教师教育。
2.2. Research Questions（研究问题）
研究受五个问题引导：RQ1. 近期文献中AI在大学前教育整合的主要趋势；RQ2. 教师负责任地整合AI的能力与挑战；RQ3. AI素养、伦理能力和批判性数字技能的构想；RQ4. 针对大学前AI教育提出的课程与教学方法；RQ5. 将GenAI融入教学过程的机遇与挑战。
2.3. Search Strategy（检索策略）
文献检索在Scopus、Web of Science（WoS）和Google Scholar中进行。检索策略使用布尔运算符组合与AI、大学前教育、AI素养、教师教育、课程开发和生成式AI相关的关键词。文献语料库主要关注2019至2026年间发表的研究，以捕捉AI素养框架出现及2022年后生成式AI普及引发的研究增长，必要时纳入早期基础研究（如TPACK、SAMR等理论框架）以提供概念和教学背景。仅考虑以英文发表的研究以确保概念一致性。
2.4. Inclusion and Exclusion Criteria（纳入与排除标准）
预定义的纳入和排除标准用于促进研究选择过程的一致性、相关性和方法学严谨性。这些标准在筛选阶段应用，以识别与综述范围和目标一致的研究。
2.5. Study Selection and Screening Process（研究选择与筛选过程）
研究识别和选择遵循PRISMA指南。初始检索获得356条潜在相关记录，去重后285篇进入标题和摘要筛选。随后检索87篇报告进行全文评估，两名评审员独立根据预定义标准评估资格，分歧通过讨论达成共识。最终42项研究被纳入主题和分析综合。
2.6. Data Extraction and Analysis（数据提取与分析）
开发数据提取表以组织选定研究的信息。使用主题分析方法对研究进行编码，识别出AI在大学前教育环境整合的四个主要研究领域：应对AI挑战的教师教育、AI教育的课程开发与教学基础、AI素养与伦理能力、GenAI的教学与伦理意义。由于纳入研究的异质性，未进行正式的方法学质量或偏倚风险评估，综合分析基于报告的目标、方法和发现。使用标准化数据提取框架确保一致性。
3. Results（结果）
3.1. Temporal Distribution of Publications（出版物时间分布）
通过检查文献时间演变解答RQ1。结果显示K–12教育中AI的研究兴趣随时间增长。2020前发表研究较少，但整体出版活动在研究期间有所增加，2023后增幅显著。2024至2026年研究最集中，反映了AI素养、教师教育、课程开发及GenAI教育意义研究的迅速扩张。
3.2. Methodological Characteristics of the Included Studies（纳入研究的方法学特征）
研究表现出相当大的方法多样性。语料库包含定量、定性和混合方法研究，以及系统文献综述、概念和理论贡献及框架导向研究。系统文献综述和概念或理论研究占较大比例，实证研究（定量、定性、混合方法）也得到良好体现，反映该领域日益成熟。
3.3. Thematic Synthesis of the Included Studies（纳入研究的主题综合）
对42项研究的主题分析识别出与AI在大学前教育整合相关的四个主要研究领域。这些主题反映了当前研究的主要方向，涵盖教师教育、课程开发与教学基础、AI素养与伦理能力，以及GenAI的教学和伦理意义。
3.4. Teacher Education for AI Integration（针对AI整合的教师教育）
该部分考察教师准备、能力和专业发展。证据一致表明有效AI整合很大程度上取决于教师的教学和技术准备情况，教师教育是前提。参与AI专业发展计划与教学质量关键维度（如认知激活、课堂管理、个性化学习）呈正相关。然而，教师在AI特定培训、方法论不确定性、资源获取、课程过载及应对伦理和社会技术问题方面面临挑战。研究表明，面向AI素养的专业发展可增强数字能力、技术自我效能感和整合智能系统的准备度。框架如Intelligent-TPACK对于理解教师准备情况日益相关，强调需整合AI素养、算法伦理和智能系统支持的教学决策。同时，TPACK、DigCompEdu和SAMR等框架继续为新兴技术教学整合提供指导。研究强调需将GenAI、机器学习、批判性数据解释和算法伦理纳入职前和在职教师教育，倡导跨学科和协作方法。
3.5. Curriculum Development and Pedagogical Foundations（课程开发与教学基础）
该部分综合K–12背景下AI教育的课程方法和教学策略。主要挑战是缺乏结构化和渐进式课程，许多AI教育通过课外活动或孤立项目实施。多项研究提出通过跨学科和渐进式方法从早期引入AI的课程框架。最具影响力的倡议之一是AI4K12及其“AI的五大核心思想”框架，围绕感知、表征与推理、机器学习、自然交互和社会影响组织AI教育。在政策层面，《北京人工智能与教育共识》强调了AI在转型教育系统以支持包容和可持续教育中的战略作用。实践层面，有研究描述基于智能机器人的长期教育倡议。AI教育应基于整合技术、教学和伦理维度的教学模型，TPACK框架仍是重要参考，Intelligent-TPACK模型扩展了此视角。从包容视角看，通用学习设计（UDL）是适应多样化学习者的相关框架。研究还强调需开发特定评估工具以衡量AI相关能力，提示词工程和与生成式AI系统批判性互动成为新兴能力。
3.6. AI Literacy and Ethical Competencies（AI素养与伦理能力）
该部分分析AI素养及负责任使用AI所需伦理能力的构想。文献将AI素养概念化为多维能力，超越技术知识，涵盖理解AI能力与局限、批判性评估AI产出、负责任和伦理使用AI工具及在教育环境中做出知情决策。AI素养被视为21世纪关键能力，需结合批判性、社会和伦理维度。学生需理解AI运作方式、批判性解释算法产出、识别偏见、管理数据并伦理安全使用工具。多项研究提出整合数据素养、机器学习、隐私、算法透明度等的多维能力框架。AI素养的心理基础强调认知、动机和情感因素的作用。伦理维度日益突出，需将公平、透明度、问责制等纳入课程和教师教育。针对职前教师的AI素养框架包含AI识别、AI理解、AI教学和伦理AI使用四个核心维度。研究还表明AI素养与教师动机和情感变量（如AI焦虑）密切相关，标志着从工具性数字素养向关注批判性数字公民身份的更广泛模型转变。
3.7. Generative AI: Pedagogical and Ethical Implications（生成式AI：教学与伦理意义）
该部分考察大学前教育中使用GenAI的机遇、挑战和教学意义。GenAI系统扩展了个性化学习、智能辅导、自动化内容生成和教学规划支持的机会。但其有效整合取决于教师接受度和准备情况，特别是感知有用性、易用性和感知行为控制。文献同时指出认知依赖、失去作者身份、虚假信息、算法偏见和数据隐私等重大教学和伦理挑战。需确保师生理解AI生成内容的概率性和潜在不可靠性。研究强调在人机协作环境中保留教师主导权的重要性，教师需行使批判性教学判断并监督AI内容使用。提示词工程被认可为重要的教学和认识论能力，涉及制作有效提示、指导学习过程和调整内容。联合国教科文组织（UNESCO）等国际组织倡导制定促进负责任教育使用GenAI的监管框架和伦理指南，强调透明、包容、隐私和公平原则，需在人机共同主导模型中平衡技术创新、批判性思维和伦理责任。
4. Discussion（讨论）
4.1. Emerging Trends in the Educational Integration of AI（AI教育整合的新兴趋势）
系统综述表明AI正推动大学前教育模型的渐进式转型。GenAI作为日益普遍的工具被采用，支持信息检索、内容生成等，促进自适应、以学生为中心的学习模型，但同时引发教学监督、内容可靠性和技术依赖担忧。教育方法正从内容传递向强调批判性、元认知和社会技术能力转变，AI素养成为与批判性思维、数字公民身份和伦理决策密切相关的跨领域能力。AI4K12和Intelligent-TPACK等框架表明向跨学科、包容和可持续模型发展，AI整合不仅是技术过程，更是重塑课程、素养、评估和伦理的社会技术转型。
4.2. Pedagogical Tensions and Ethical Challenges of AI Integration（AI整合的教学张力与伦理挑战）
AI整合带来多重教学和伦理张力。最常报告的担忧包括算法偏见、数据隐私、虚假信息和过度依赖自动化系统。重大挑战之一是认知卸载风险，即倾向于将复杂智力过程委托给GenAI系统，若无适当教学指导，这些收益不会自动带来深度学习或批判性思维发展。数字公平张力亦受关注，技术获取和连接差异可能加剧教育不平等，需制定旨在确保包容性和可及性的政策。教育使用AI不能脱离透明度、问责制和人类监督的伦理考量，需向能够规范生成技术使用的治理模型迈进。
4.3. Transformation of Teacher Roles and Curriculum Design for the AI Era（AI时代教师角色与课程设计的转型）
AI的扩展正重新定义教师角色和传统课程设计。AI增加了对教学调节、批判性判断和学习情境化能力的需求，教师教育是有效整合AI的最战略因素之一。教师需发展AI素养、算法伦理和批判性评估生成内容的能力。课程正向更跨学科和能力导向转变，纳入批判性思维和伦理反思，提示词工程等新兴能力正获认可。需重新思考教育评估系统，传统关注最终产品的评估在AI介导环境中不足，需评估复杂认知过程和反思能力。专业发展应超越技术获取，促进真实课堂应用和反思性实践，符合成人学习理论原则。
4.4. Research Gaps and Future Directions（研究空白与未来方向）
文献存在几个重要空白：缺乏检查AI对学习成果、认知自主性和社会情感发展持续影响的纵向研究；探索性研究和概念框架多于真实课堂环境中的实证调查；初等教育研究代表性有限；研究地理分布集中于少数发达地区；缺乏评估AI素养的标准化工具；横截面研究设计占主导地位，限制了因果推论和时间变化建立。未来研究需更广泛地理代表性，并探索GenAI如何重塑教学和知识构建。
5. Educational Implications and Recommendations（教育意义与建议）
有效整合AI需通过机构策略和教育政策协调行动。首先，必须加强职前和在职教师教育，聚焦AI素养、算法伦理、智能工具教学设计及GenAI能力，设计时需考虑自我效能感和组织支持等动机因素。其次，需将AI素养作为跨课程能力纳入学校课程，涵盖技术知识及批判性思维、隐私、偏见检测等。教育系统应向灵活的评估模型发展。第三，需开发确保AI透明、安全、包容和问责使用的监管框架和机构协议，解决学术诚信和数据保护问题。最后，促进跨学科研究以推进对AI长期影响的理解，为政策和创新提供证据基础。
6. Limitations（局限性）
该综述存在方法学局限。研究选择限于英文出版物，可能排除其他语境相关研究；纳入研究类型多样导致直接比较具挑战性；包含综述和原始研究可能导致证据重叠；Google Scholar排序算法可能引入检索偏倚；未进行正式方法学质量或偏倚风险评估；GenAI快速演进可能导致证据过时；研究多为初步发现且缺乏长期纵向证据；研究未提前注册；主要聚焦学校环境，向非正式环境移植性受限。尽管如此，综述仍提供了AI在大学前教育整合的概述基础。
7. Conclusions（结论）
本系统综述表明AI正从技术、教学、课程和伦理角度改变大学前教育。AI素养作为与批判性思维和数字公民身份相关的跨领域能力日益巩固。GenAI的扩展正重塑教学和评估，带来机遇与伦理挑战。核心教育挑战不再是简单引入技术，而是开发确保AI在教学过程中得到批判性、伦理性和以人为本使用的模型与机构框架。平衡技术创新与人类主导权、公平和伦理责任，对于实现有意义且可持续的教育转型至关重要。
