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

数字鸿沟

创建 2026-08-13 · 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。

数字鸿沟 —— 个人、社群与国家之间在获取数字（以及日益增多的 AI）技术、使用技能及其收益方面的不平等分配。在 AI 教育中，数字鸿沟是一个核心的公平关切：生成式 AI正在迅速重塑学习，而那些能够有效且批判性地使用它的人与做不到的人之间的差距，有可能加深既有的教育不平等。

值得思考的问题

  • 数字鸿沟常被描述为三个层次：获取、技能，以及谁真正受益。当人们说"弥合数字鸿沟"时，你认为大多数人想的是哪个层次——为什么这可能是不完整的？
  • 给每个学生设备与网络接入，并不自动意味着他们能有效或批判性地使用 AI。是什么把"拥有获取"与"能够受益"区分开来？
  • AI 为不平等增添了新层面：算法偏见可能对边缘化的学习者造成不成比例的伤害，而 AI 素养本身决定了这项技术会扩大还是缩小差距。这与早期技术造成的鸿沟有何不同？
  • 鸿沟也延伸到 AI 系统所代表并服务的是哪些社群、语言与视角。代表性本身如何成为一种获取形式——或排斥形式？
  • 如果弥合鸿沟是"一个正义与参与的问题"，那么责任由谁承担：平台、学校、政府，还是全部——以及 AI 收益的公平分配实际上会是什么样子？

引言

数字鸿沟通常被理解为在三个层次上运作（van Deursen & van Dijk，2014）：第一层鸿沟涉及技术与基础设施的获取（连接、设备、支持性环境）；第二层鸿沟涉及技能与能力（有效且有意义地使用工具的不均衡能力）；第三层鸿沟涉及结果与收益（谁真正从技术使用中受益，其中 AI 可能加剧社会、文化与经济差距）。通过这一视角来看Framing AI素养便会清楚：公平所要求的不仅是弥合设备与基础设施的差距——它还要求建立有效且批判性地使用 AI 的技能，使 AI 的收益得到公平分配，而不是强化既有不平等。

边缘推理的转向为第一层鸿沟增添了硬件维度。当辅导在浏览器而非云端运行时——通过 WebLLM 实现的浏览器驻留 SLM 辅导系统——订阅成本障碍消失了，但取而代之的是能力障碍：在消费级笔记本上，同一系统每次试用约需 180 秒，而远程 API 为 10–58 秒，Chromebook 级别的设备根本无法运行 8B 模型。拥有现代硬件的学生获得快速无缝的生成，而使用旧设备的学生面临延迟或内存耗尽，因此"本地且廉价"并不等于"默认就是公平的"。

数字鸿沟在研究中的呈现

  • AI 素养作为公平的机制： SAIL 框架被明确设计用于应对第二层与第三层鸿沟，提供一条分层的、不限年龄的路径，在教育各阶段实现公平的 AI 素养，其立论基础是 AI 素养与公平及参与不可分割。

  • 政策与基础设施： OECD 数字教育展望 2026把数字鸿沟置于国家教育政策之中，考察数字与 AI 技术的获取如何变化，以及系统可以采取哪些措施弥合差距。

  • 负责任使用与提示素养： K-12 提示素养研究通过教学生负责任地使用 AI 聊天机器人的技能来应对第二层鸿沟，认识到仅有获取并不能带来善用 AI的能力。

  • 措辞技能本身就是一条第二层鸿沟。 在 MedQA 上，准确率随提示的精细程度上升（低素养措辞 82.4%，专家措辞 83.4%），而一个 Prompt Equity Transformer 把请求改写成等价且更清晰的表述，弥合了这一差距——把有效提示的负担从学习者转移到系统（Jin 等（2026））。

  • 代表性与结构性沉默： 关于代表性不足语言的研究揭示了数字鸿沟如何延伸到 AI 系统所代表并服务的是哪些社群、语言与视角——一种不平等在文化与认识论层面的维度。

  • 语码转换本身就是一种排斥。 大多数 LLM 讲座工具假设单一语言的英语音频与可靠的网络，从而排除了混用英语与家庭语言的课堂；印度的 UDISE+ 数据显示学校网络接入接近 54%，城乡差距 24 个百分点，而一个双语伴随应用以设备端转录与本地优先存储作答（Malhotra，2026）。

AI 加深（也能够弥合）鸿沟

AI 为技术的公平意涵增添了新的层面。算法偏见可能对来自边缘化社群的学习者造成不成比例的影响，而AI 素养——理解、批判性评估并缓解 AI 的偏见与风险的能力——本身就是决定 AI 会扩大还是缩小差距的关键因素。研究表明，AI 素养较高的教育者在识别与缓解偏见结果方面更有效。因此 AI 时代的数字鸿沟并不只是一个技术供给问题，而是一个正义与参与的问题：谁能获取 AI，谁能批判性地使用它，以及谁从中受益。

一条长期存在的文献脉络追踪了这一概念本身如何从获取转向数字公平——如今被定义为四个维度：数字素养、可负担性、群体敏感内容与基础设施可用性——并把消费级 AI 解读为一场新的鸿沟浪潮，它偏爱那些已能审计机器输出的用户（Rose（2026））。

塑造 AI 时代鸿沟的不只是 SES，还有人格。 Wang 等（2026）分析了荷兰 4,497 名六年级学生的调查与全国登记数据，将学生背景与人格连接到学业表现的两条中介路径——AI 使用与数字素养——分离开来。他们的关键发现重构了经典的鸿沟叙事：数字素养而非 AI 使用强度中介了人格与表现之间的联系，并且出现了一条新的数字技能鸿沟，它更多由人格特质而非社会经济地位驱动。SES 在表现上的优势独立于 AI 参与发挥作用。这使数字鸿沟的"获取—SES"框架变得复杂，指向技能形成与倾向性支持是与设备和工具获取并列的、与公平相关的杠杆。

鸿沟还有一个元认知层面。 由于富有成效地利用 AI 需要既有知识与自我调节，已经具备这些的学生受益最多，而那些最需要练习的学生则把学习本身交了出去——这是一种"元认知公平差距"，即使获取均等，它也能扩大成绩差距（Lodge & Loble（2026））。

结构化的学校 AI 教学是心理催化剂，但不是认知拉平器：在 752 名香港初中生中，为期一年的课程缩小了信心与动机差距，却让高能动性与低能动学习者之间客观 AI 素养的差异原样保留（Liang 等（2026））。 鸿沟也在机构层面运作。 Adeniranye 等（2026）表明，在尼日利亚的高等教育体系中，AI 整合能力集中于更老、地处西南地区的机构，并通过相互强化的网络联系（国际合作 × 产业合作，r = 0.74）不断复合——这意味着机构中的"无产者"（通常是较新的州立大学）面临结构性的壁垒，难以进入那些本可以帮助它们追赶的网络。因此数字不平等不仅在个体学习者之间被再生产，也在塑造谁能参与 AI 转型知识经济的制度结构之间被再生产。

鸿沟也有它的地理，而指导是其机制。 Jacobson 等（2026）记录了印第安纳 FIRST LEGO League 参与中的恢复不对称：城市与农村参与率都在 2020 远程赛季下降，但只有城市参与率恢复，农村参与率在 2025–2026 年间一直停留在 2020 后的水平。他们指名的机制是获得技术指导的机会——那些拥有足够编程与机器人知识来创办并维持一支队伍的人——而农村学校即使学生和教师有兴趣，也可能缺乏这种指导，使它成为机器人与 AI 路径的前提条件，而非其附带特征。他们的应对之策是刻意设计这种指导的传播：大学一级枢纽培养本科生并主办工作坊，成熟的学校项目成为二级枢纽，指导邻近学校，而对印第安纳州 1,925 所公立学校的空间马尔可夫模拟预测，在中等假设下 40 年后会有 992 个项目，而若无 ARC 则为 161 个，其中包括 341 个农村项目对 60 个。与上述机构网络结果并读，模式是：鸿沟通过谁能在何地供给专业知识的结构而延续，而刻意供给这种专业知识——而非假设毗邻一所大学——才是政策杠杆。

获取与认识论等级是两个不同的问题。 Sithole（2026）从对两所南非历史上处于不利地位的机构的学术发展者访谈中把这一区分刻画得很尖锐：数字不平等是分配性的——设备、连接、预算、数字素养——原则上可以通过再分配解决，而算法殖民性是认识论层面的，即使在完全获取的条件下依然持续，因为它内在于系统所编码的内容以及它们以谁的知识为中心。该研究的参与者同时经历这两者，被描述为"被要求在类比式的地基上建造数字未来"：地基指认了鸿沟的物质层面，而输入的"未来"预装了设计它的那些语境的认识论预设。对公平工作的实际意涵是：弥合一个获取差距本身并不会动摇等级结构——这两种现象在不同的层面上运作，需要不同的应对。

一个设计可以绕过设备差距，而不是等它弥合。 Rodrigues 等（2026）测试那些从未碰过计算机的学生是否仍能获得智能辅导式的支持，使用一种他们称为"AIED unplugged"的范式，其中教师是学习者与系统之间的代理：学生继续用纸和笔作答，教师用智能手机拍下他们的解法，系统返回个性化练习列表、自动评分以及针对具体错误的反馈。按他们的说法，他们在 19 个巴西公立学校班级上做的这种聚类准实验，是这类系统在真实课堂（而非原型）中首次准实验评估，而该应用运行在教师自己的手机上，适用于这些学校典型的间歇性连接。因此该设计与上述那些是一种不同的公平策略：它不是先弥合设备与带宽的第一层鸿沟才能让 AI 辅导到达任何人，也不是把第二层技能提高到成为入场券，而是抵达那些 AI 从不直接互动的学生。然而同一研究也表明，这条路径并不免于它所绕过的鸿沟。相对通常做法的学习优势可追溯到教师培训而非技术本身——培训与完整系统条件在收益上没有差异——而系统对学习的正向间接效应通过减少的教师工作量起作用，工作负荷越重收益越低。因此绕过获取差距并没有消解公平问题；它把约束性瓶颈重新安置到了教师能力与时间上。

  • 硬件约束可能正在消解，而获取差距未必在弥合。 Guo 等（2026）论证，公平的语言学习现在的主要约束是软件而非硬件：完整的合成—识别—翻译栈可以装进 4 GB 以下，社群测量显示 3B 模型在 \80的单板计算机上可达每秒4–9个token，而每天练习五年的电费约为80 的单板计算机上可达每秒 4–9 个 token，而每天练习五年的电费约为 \\18，对比云订阅的 \1,200和每周辅导的1,200 和每周辅导的 \\2,600。

  • 模型压缩是通往受限硬件的另一条路。 一个在 416,343 条语料上微调的尼日利亚皮钦语自适应辅导系统在 8 位下保持了语义结构与连贯性，而 4 位与 5 位版本在教学质量仅有极小退化的情况下削减了推理延迟，且由母语者检查了文化可接受性而非只看指标（Nwogo 等，2026）。

  • 一个模拟实验室可以重现它本想避免的设备账单。 一项对 11 项 STEM 高等教育数字孪生研究的系统综述发现，四项研究中每个功能性工作站节点的硬件成本为 \2000–2000–\\15,000，五项中物理实体把并发访问限制在 1–3 名学生，且没有任何一项纳入研究产出投资回报分析（Pelayo-Gonzalez 等（2026））。该综述把这一进入成本对标为价值 \30,000至超过30,000 至超过 \\150,000 的物理表征设备。

与相关概念的联系

数字鸿沟是公平性研究的核心关切，与AI 素养（被定位为应对结构性壁垒的核心机制）以及伦理和偏见缓解（因为算法偏见对边缘化群体影响不成比例）紧密相关。它连接到教育中的人工智能和高等教育——获取与能力差距显现的场所——并与学生体验相关，因为它塑造了谁能切实参与被 AI 塑造的学习。

关联概念

关联文章

相关常见问题

元数据

公平、伦理与负责任使用可及性, 公平性
教育中的人工智能基础教育中的人工智能, AI 素养
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。