AIEd 知识库AIEd KB
本页内容

本页面已译为中文。文章页面仍以英文撰写。 阅读本页的英文版本

概念

艺术、设计与媒体教育

创建 2026-09-16 · 更新 2026-10-09

本页是英文页面的机器翻译，尚未经母语者审校。

艺术、设计与媒体教育——这些学科以工作室和表演实践为学习发生的场所，学习通过"做"来完成：建筑与空间设计、室内设计、音乐表演、写作与分析、视觉艺术与图像生成、数字媒体与数字叙事，以及舞台与表演技术。在本知识库的各篇文章中，反复出现的问题是：生成式人工智能究竟是侵蚀了手艺与技能的发展，还是将其推向更高层级；当一件光鲜的成品变得廉价易得时，批评与评估创意作品的方式会发生什么变化；每个学科中有多少部分建立在具身的与物质的实践之上；以及当创意工具变成生成式工具时，谁被纳入了这一范畴。相关证据集中在高等教育和单一工作室或单一课程的研究中，因此下面的多数结论属于个案证据，而非跨学科的普遍主张。

值得思考的问题

  • 在一项建筑工作室研究中，使用"生成式 AI + 扩展现实（XR）"流水线的团队事后报告对自己设计能力的信心更低，而盲评评审给他们演示的打分并不优于对照组。在得出"工具损害了学习"这一结论之前，你需要知道什么——又有什么情况会让你无论如何都得出这个结论？
  • 工作室教学一向依靠批评和可见的过程：草图、模型、一次次迭代。如果学生一分钟就能产出一张看起来已经完成的图像，那么批评究竟应该审察什么？
  • 在一个项目式数字叙事毕业设计中，学生的创意被评为比其成品的连贯性更出色。真正困难的学习究竟在哪里——产生想法，还是整合想法？
  • 一篇音乐教育综述将 Suno 和 Udio 这类自主生成器与 Continuator 这类交互式作曲助手区分开来，并认为只有后者在教育上是有生产力的。你同意吗？你区分二者的标准是什么？
  • 马来西亚的设计师被描述为从主要的形态生成者转变为机器输出的批判性策展人。如果这就是终点，那么一年级的设计课应该先教什么？
  • 盲人与低视力弦乐演奏者通过触觉与本体感觉来学习弓法，因为视觉示范对他们不可得。这对那些默认依赖屏幕的艺术反馈系统意味着什么？

引言

这些学科的共同点在于：工作室或排练室是学习的地点，被造出的成品及其背后的过程是评估的对象。AI 以多种形态进入这些领域：建筑与室内设计工作室中的图像生成器；音乐中的作曲与分析工具；沉浸式环境中的空间伙伴；对书面分析的自动评分器；以及——在舞台灯光中——一个把口述教学意图转化为可执行演示的、面向教师的辅助工具。下文各节先梳理研究报告了什么，再引出关于手艺、评估与可及性的贯穿性问题。

本页是工作室与表演艺术类学科的学科归属页，比其相邻页面更窄。学科中的 AIED持有的一般论点是：AI in education研究必须在所有学科中都是领域自觉的；本页讲的是"造物"所特有的问题。创造力覆盖这一认知构念出现的所有场合——发散思维、单一模型辅助带来的同质化风险、保护学习者的生成行为——包括在数学和创意编程中；本页覆盖的是那些创意生产就是课程本身的学科。设计思维将构思与以用户为中心的问题框定作为一种通用教学法来覆盖；本页覆盖的是这一过程被教授、监督和评判的工作室。人文与社科教育处理以文本为中心的学科中的解释、作者身份与论证，并把艺术列为其组成部分之一；这里则把艺术与媒体从那种解释性框架中提取出来，聚焦于物质的、空间的、声音的和表演性的实践。设计教育从这片同一领域中切出了专业的那一半：本页涵盖共享"造物"特征的工作室与表演艺术，而设计教育则沿着更窄的形成管道，涵盖产品、服务、交互、室内和建筑设计师——作品集评估、认证期望、就业能力——并把成品背后的工作室过程而非成品本身作为评估对象。

生成式 AI 下的工作室教学与批评

生成式工具是通过一个既有仪式进入这些学科的：作品公开展示、以未完成的状态呈现、并受到批评。各来源表明，AI 最可靠地改变的是这一过程的中段，而对两端改变最小。在 GenARch 研究中，Xiao et al.（2026）把一条"生成式 AI + 多用户 XR"的流水线放进了一个真实的本科建筑设计工作室，并发现了一种互补的分工：生成式人工智能将想法外化，给团队提供了可以指向、比较和争论的具体对象，而 XR 支持评估，使学生能够以真实尺度判断比例、邻接、采光和场地语境。

这套工具在过程的两端都很笨拙。一开始，团队还没有可以编码进提示的想法；后来，更丰富的概念让提示更容易，但也提高了对遵循约束的期待，而当精度重要时，学生又回到 SketchUp 和 Revit。他们报告了一种尺寸保真度的失败——"我让它做一面 10 英尺的 3D 模型墙，结果不是 10 英尺"——资产延迟达数秒到数分钟，以及当团队成员看着模型的不同部分时共享注意力的漂移。给每位参与者发一个头显，本身并不能产生协同的协作。

工作室的问责关系确实发生了转移。在一项关于设计工作室中生成式模型的纵向研究中，Gül et al.（2026）区分了早期构思阶段把生成式 AI 用作视觉刺激，与开发阶段扩展解空间的组合式使用，并把教学的问题定位在能力而非可及性上：缺乏在不同模型之间做出辨别并有意使用它们的判断力时，丰富的产出会导致设计固着和审美锁定。他们的结论把教师的角色从传授手艺转向指导何时、如何以及为何把创意探索委托出去。

建筑、空间与室内设计

Derby 的一项焦点小组研究给了工作室一个更有利的结果。Kapsalis（2026）让两组各八名 Level 3–5 建筑学生经历了一节 90 分钟的课程，使用一个在本地执行的、针对住宅室内设计微调的图像生成与编辑工作流。学生每次课大约产出 80 张图像，人均约十张，采纳率超过 60%。自评的想法生成（4.5）和实验（4.2）在创意分量表上得分最高，而最终决策的精修（3.7）得到的支持不那么一致——有些学生发现工具呈现了未曾考虑过的组合，另一些则发现它用不符合概念的细节分散了注意力。作者将其框定为一种建构主义的"微世界"，它扩展了创意搜索空间而不取代设计思维，并指出调查证据表明近 70% 的建筑学生已经在独立使用 AI 工具，而超过 95% 的人报告从未接受过正式的AI 教育。

室内设计最尖锐地提出了专业形成的问题。Syed Abdul Rahman（2026）描述马来西亚设计师从主要的形态生成者转向机器输出的批判性中介者和策展人，可视化平台压缩了时间线，并在预算内扩大了可产出选项的范围。文章引用关于客户偏好的实证研究（Lan et al.，2025）指出，当审美标准占主导时，AI 产出在独特性上评价很高，但当功能、人体工学和语境要求被强调时，人类设计师仍保有明显优势——而且生成的设计往往缺乏文化特异性、气候响应性和可靠的可行性，而这个市场正在协商热带条件、多代同住和伊斯兰空间原则。其课程建议是排序而非替代：先教 CAD/BIM、施工知识和人的因素，再做生成式探索，并在视觉质量之外评估批判性思维和伦理反思。

音乐与表演艺术

音乐在这里被视为受生成式 AI 之前就已开始的经济变革冲击最深的艺术。Briot（2026）论证：非物质化在生成式模型具备商业相关性之前很久，就已把每单位录制音乐的价值压缩了大约两个数量级，每次流媒体播放的报酬仍在 \0.003–0.003–\\0.005 的量级，生成式 AI 延长的是一个本已断裂的价值模式而非创造了它。他对教学至关重要的区分是：像 Suno 和 Udio 这样的自主生成器——从一个文本提示产出完整、风格连贯的乐曲，结构不透明且不可控——与像 FlowComposer 和 Continuator 这样的交互式作曲助手之间的对比，后者中音乐家施加约束、保留意图性，而 Continuator 在实时即兴中学习演奏者的风格。他认为只有第二种在教育上是有生产力的，因为第一种把学生定位为机器产出的消费者。他推荐的课程把制作和 DAW 熟练度作为核心能力，并捍卫合奏表演作为最难以被替代的、具身且社会的维度。

音乐评估正在被推向自动化，其局限值得注意。Lin、Jin 与 Min（2026）在 300 份大学级音乐分析回答（涵盖和声、曲式、推理和术语四个维度）上以教师均分为基准评测了 GPT-4o-mini，发现少样本思维链提示与教师均分的一致性最强，而检索增强系统性超分；一致性的强度在术语上也弱于推理，因此作者主张针对策略做校准、做维度级效度验证并保持人工监督。

声乐教学对"测量与价值"的问题给出了最清晰的表述。Li（2026）论证：不应以 AI 辅助声乐教学测量音高、稳定性、颤音和时值的精确程度来评判它，因为同一个被测出的偏差可能意味着技术不准、表现性修饰或录音artifact，也因为可测量的产出并不能代表学习者的具身协调。该框架区分了 AI 使其可见的证据、解释这些证据的人类学习过程（身体觉知、元认知监控、自我调节的练习、动机），以及随之而来的、按效果、公平与可持续性来评判的结果。面向残障音乐家的器乐教学把具身的论点推得更远：Shi et al.（2026）与四位高阶盲人及低视力弦乐演奏者和三位教师合作，发现弓弦乐器的技法通常靠视觉示范来教——而这些学习者无法获得——触觉与动觉线索取而代之。按他们的说法，包容性教学应当与残障学习者共同构建，而不是事后为他们改装。

舞台与表演技术是 AI 辅助教学被最具体地设计和评估的地方。Liang et al.（2026）构建了 LumiNote，一个大语言模型（LLM）辅助的 VR 系统，它把教师以激光笔为锚点的口述意图，转化为可复核的空间标注、可执行的灯光演示和术语解释。在 55 个教师提示和 531 对生成的行动中，380 对（71.6%）被应用；视觉效果是最大的提示类别（55 个中占 27 个），采纳率高（245 个行动中被采纳 212 个，86.5%），而针对具体灯具的请求最弱——28 次拒绝中有 26 次可追溯到方向参照误读，例如"左边的灯"。教师把建议当作精修过程而非成品教案使用：在有后续跟进的 147 个被拒绝或修改的建议中，127 个（86.4%）触发了新提示，只有一个直接做了手动调整。他们的工作量下降（NASA-TLX 从 3.50 降到 2.22），课时缩短（从 19 分 34 秒到 12 分 33 秒），精力从低层配置转向表达。最尖锐的发现是一种表征错配：教师评为对外化专家推理最有用的线索，并不是 24 名学习者能够跟随的线索——后者更喜欢激光笔（M = 5.50）和带数值的控制台标记（M = 5.33），而非空间箭头和虚拟化身（均为 M = 4.58），尽管学生成绩指标没有显著差异。

视觉艺术、图像生成与数字媒体

文生图工具是工作室迭代工作流受威胁最直接的案例，而证据并非简单的得失故事。Liu、Meng 与 Zhang（2026）调查了 417 名艺术与设计学生，并辅以教师焦点小组和访谈，发现绩效期望、社会影响、新奇价值和创意能力都正向预测使用文生图工具的意愿，而努力期望和便利条件则负向预测——他们将其解读为在课程中偏向走捷径的使用，因为轻松和可得让快速产出压过了持续投入。其"能力悖论"是值得注意的结果：创意能力支持使用意愿，但也预测更选择性、更克制的实际使用，因为学生在效率与作者身份、原创性和技能保存之间权衡。他们主张围绕创意过程、提示制作和产出评估来做AI 素养教学，并把工作室过程和投入作为被评估的对象。

数字媒体制作展示了结构化过程能起什么作用。Tian et al.（2026）研究了一个 15 周的项目式数字叙事毕业设计"创意山州"，426 名大四本科生在 48 位导师（约 1:9 的比例）指导下把地方文化遗产转译为多模态人工智能叙事。专家对 92 件作品的评分在新颖性上最强（M = 4.21，SD = 0.72），其次是有效性（3.96）和完整性（3.68），其中 43% 的项目在完整性上低于 3.5——学生生成原创想法比整合它们更成功。在 31 人的动画子组中，图形创造性思维分数从 77.23 升到 94.68（均值差 17.45，t(30) = 4.55，p < .001，Cohen's d = 0.82）。在被分析的项目中，AI 充当信息组织者、视觉参考、构思助手和编辑工具，而学生保留了选题、叙事阐释、文化意义建构和最终决策；得分最高的例子把其连贯性归功于对原始材料的持续人工投入而非 AI 润色。项目以三天的公开展览结束，31 件作品被当地文化和旅游局采用。

沉浸式环境为职业设计提供了更有利的反例。Jin et al.（2027）在一年级职业室内设计课程中实施了 AI-IVE-PBL——在一个由 AI 赋能的沉浸式虚拟环境中开展的、配有智能体助教的项目式学习——作为一个五阶段循环：发现、构想、建模、沟通和精修。在一项 12 周的两组准实验（63 份有效作答，31 对 32）中，以前测为协变量的 ANCOVA 显示，沉浸式加智能体条件在设计能力（η²p = .138）和创意能力（η²p = .111）上得分更高，并提升了认知（d = 0.90）和行为（d = 0.75）上的投入、动机（d = 0.74）和满意度（d = 0.69），同时降低了报告的认知负荷（d = −0.52）。创新性思维和情感投入按预期方向变动但未达显著。所有结果都是自评，没有绩效成品或专家评分，这就是作者把自己的结果与上文建筑工作室研究相对照的原因。

手艺、技能与创意作品的评估

手艺问题以多种形态出现，各来源对应该多担心意见不一。Kapsalis（2026）报告了入门层面的一种抹平机制：自认为画得差的学生发现工具为他们打开了视觉表达的门，同时并未消除对判断力的需求。与之相对，Syed Abdul Rahman（2026）警告：不加批判的采纳有培养出缺乏基础空间推理、材料知识或独立批判评估能力的毕业生的风险，并把防止早期从业者去技能化列为核心监管关切。这种分歧部分是关于排序：双方都主张在生成式探索之前先建立技术基础。

一致的是对"被评估对象"的重新定位。Derby 研究在课内测得的程序性信心为 5 分制中的 3.7，但对把这些技能迁移到工作室之外的信心只有 2.6——其作者把这一差距归因于单次课的暴露，并称其为课程层面的问题。马来西亚分析建议工作室项目要求对 AI 与非 AI 设计路径做比较性评估，并采用在视觉质量之外奖励批判性思维的评分标准。音乐的自动评分结果指向同一方向：与教师均分的一致性是维度特异的，作者坚持人工监督而非完全委托。Li（2026）补充说，把被测得的产出本身当作教育价值，会把声乐训练窄化为输出纠正和分数优化。趋于一致的提议是：创意评估应当继续审视过程、迭代和有依据的决策，恰恰因为成品已不再证明它们。

艺术学习中的可及性与包容

艺术中的可及性被更多地当作设计与物质实践问题，而非合规问题。Shi et al.（2026）是最清晰的案例：由于弓弦技法通常靠视觉示范来教，盲人和低视力音乐家依赖触觉与动觉通道，而该研究由残障主导的共同设计产出了植根于这些音乐家自身实践的策略，而非附加在视觉默认值上的改装。

另外两项发现使"生成式工具是均衡器"的简单叙事变得复杂。在 Derby 研究中，约三分之一的参与者申报有残障，近五分之一报告有特定学习困难；包容性项目集中在 3.8–4.1，并与感到课程可亲近（ρ = .74）和无论此前是否用过 AI 都能跟上（ρ = .81）强相关，而对绘画较不自信的学生报告自己没有感到处于劣势——这是单次 90 分钟课内一种温和的均衡效应，并非已证明的学习。LumiNote 的表征差距展示了另一面：帮助专家外化推理的线索，并不是新手能够跟随的线索，因此一个对教师服务良好的设计可能让学习者迷失，作者把 LLM 定位为一个必须在两者之间做转译的中介层。GenARch 研究记录了一项相关的公平决策：数据收集结束后，这些技术被发布给了对照组学生，以免他们被排除在外。生成式模型复现的是谁的审美和文化参照，以及设计服务更广泛的可及性是扩大需求还是加剧中端市场竞争，在马来西亚分析中被提出，仍未有定论。

关联概念

关联文章

元数据

层次Higher Ed
目标读者Instructors, Learners, Instructional Designers, Curriculum Designers
学习与教学创造力, 具身学习, 基于项目的学习（Project-Based Learning）
技术与方法多模态人工智能
评估与测量真实性评估
教育中的人工智能基础设计思维
SourceHistoryEditChat

嵌入此页

复制下面的代码，将本页嵌入学习管理系统或其他网站。嵌入版本只显示页面内容 — 网站的页眉、导航和页脚会被隐藏。