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

工程教育

创建 2026-08-17 · 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。

工程教育 —— 研究学生如何学习工程以及如何有效地教工程的领域，涵盖 AI 如何改变工程教学、评估、教师发展与工程劳动力。本知识库中的工程教育文章聚成若干主题：教师用来理解 AI 的比喻语言，AI 使用的伦理治理，概念理解的具身与多模态评估，以及 AI 如何重塑工程与计算机劳动力。

值得思考的问题

  • 工程是一门毕业生的决策影响公共安全与基础设施的职业。如果学生依赖 AI 做设计与问题解决工作，有什么东西是纯学术科目里不会要紧的？
  • 同一系里的工程教师往往对 AI 持有根本不同的心智模型——有人把它看作社会的"代理"，另一些人把它看作技术性的"工具"。这些分歧的框架可能如何改变学生学到要用 AI 做什么，取决于他们遇上哪位教师？
  • 动手实验与具身学习长久以来定义了工程教育。如果 AI 能模拟乃至自动化设计任务，动手经验是否仍然要紧——当练习变成模拟时，是否真的失去了什么？
  • 一条研究线通过追踪学生手势与言语来评估其工程理解，发现紧密的手势—言语耦合标志着连贯的概念理解。一个学生的双手能揭示出什么，是单凭其言语可能隐藏的？
  • 研究发现，关于工程中 AI 的伦理指引大多面向学生且以合规为导向，对教师与机构的对等问责却很薄弱。工程中 AI 的安全使用，究竟应当是谁的责任？

引言

工程教育研究之所以独特，是因为它位于专业养成与严谨的 STEM 内容的交叉点。它强调设计、问题解决、动手与实验室学习、团队合作，以及让毕业生为专业实践做好准备。设计也是它与设计教育共有的地基，两者按什么可以被检验来划分：工程被评估的对象接纳可计算的造物并承担公共安全问责，而设计教育的对象是造物背后的工作室过程——草图、迭代、评图——那恰是生成式工具如今无须再经由产生它的过程就能产出的证据。AI 在此提出了独特的问题：当 AI 能模拟或自动化设计任务时，动手与具身经验是否仍然要紧；AI 使用的专业与伦理利害（工程师的决策影响公共安全、基础设施与可持续性）；以及 AI 如何重塑毕业生所需的能力和他们进入的劳动力市场。

AI 如何出现在本知识库的工程教育研究中

  • 教师理解与共享语言： Gerhardt 等分析了工程教师用来描述 AI 的比喻，发现多数人或把它框定为类人的"社会存在/代理"，或框定为"技术工具"，且同系教师往往持有根本不同的心智模型。由于比喻既建构又限制理解，他们主张一套共享而准确的语言对教育发展与系内关于 AI 的讨论至关重要。

  • 伦理与负责任的使用： Osunbunmi 等对本科工程教育中 AI 的实证研究作了系统综述，识别出七种反复出现的伦理指引形式（透明、问责、学生独立性/能动性、隐私、学术诚信、公平/平等/偏倚、善意）。他们发现伦理指引主要面向学生且以合规为导向，而教师与机构的对等问责发展不足——工程对公共安全与社会幸福感（Well-Being）的直接利害使这一关切更加突出。

  • 具身与多模态人工智能评估： Morphew 等发展了一个把计算机视觉手势追踪与大语言模型（LLM）言语分析整合起来的框架，以评估工科学生对统计的概念理解，显示手势提供了言语之外的诊断证据，且紧密的手势—言语耦合标志着连贯的理解。

  • 劳动力转型： Fletcher 等综述了美国关于 AI 与工程/计算机劳动力的灰色文献，框定"双轨列车问题"（快速变化 vs. 紧迫政策），并建议建立持久的 AI 能力、伦理与AI 治理，以及面向新兴岗位的基于技能的凭证。

  • 学生的采纳与依赖： Nguyen 等以批判性使用扩展了技术接受模型，以建模工程/计算机专业学生如何形成使用GenAI的意向，以及该意向如何预测其在理解、评估、编程与工程项目任务上的依赖——发现对理解相关任务有适度而恰当的依赖与重度使用，但对完整的评估写作使用有限。Asag 与 Al Mamun把 TAM 与UTAUT整合，建模孟加拉国工科学生的采纳，解释了 64% 的使用方差，并凸显工作相关性、结果可证明性与主观规范为关键驱动因素。

  • 提示策略预测表现，而非使用量： 在 128 名四年级工科学生中，AI 查询效率与 AI 驱动的问题解决是学业成功最强的预测因子，且在控制了累计 GPA 后仍然显著（Isaza Dominguez 等（2026））。

  • 学生自己的比喻超出了工具所能交付的： Kudina（2026）发现，100 名工科学生最看重 LLM 的写作支持、概念澄清与编程，却把它们框定为"神谕"与"导师"——那是一个概率性文本生成器无法供应的权威与个性化，一种"残忍的乐观"，它依赖于学生仍在建立中的验证技能。

  • 把 AI 嵌入学科之中，而非置于其旁： 一门基于项目的热工课程把机器学习折入从入门、应用到进阶的既有热工主题中，而非增设计算机课程，而仅满足最低入学要求的本科生产出的项目弱于研究生同伴（Li 等（2026））。

  • 面向定量工程课程的AI 辅导与反馈： Yin 等（2026）引入了 Arthur，一个在本科工程经济学课程中就 Calculated Formula Questions 提供实时个性化反馈的 AI 教学助手——这是一个笔答、非结构化解答曾挡住此前 AI 支持的领域。它的全生命周期流水线（整理以往评过分的手写提交、随机遮蔽的数据增强、逐题的 XGBoost 诊断主干，以及一个基于对话的题库网页界面）为缺乏结构化数字数据的工程课程提供了一条可扩展的AI 反馈路径，且该框架被设计为可推广到其他工程学科的 CFQ。

  • 面向可持续性的 AI，是整合而非模块化的。 四支柱 AI-SEE 框架（智能驱动、绿色赋能、责任引领、实践融合）把 AI 分布到工程课程作业中；在一个 144 名学生的交通工程案例中，学生报告了个人、学业、专业与社会各层面的投入，而可持续性推理被带进了家庭与同伴网络（Liu 等（2026））。

  • 工具丰富的工作室会在不改进产物的同时压低效能。 在一个 27 人的建筑设计工作室中，使用生成式 AI 加XR流水线的团队在设计自我效能（β = −1.675）与结果预期（β = −2.088）上的前后降幅大于对照组，而每人一副头显并未产生协同的协作（Xiao 等，2026）。

标志性关切

工程教育的标志性关切塑造着 AI 如何被接受：动手与实验室学习（以及当 AI 模拟实践时失去了什么）、专业养成（伦理责任、安全与社会影响）、设计与问题解决（AI 应做多少认知工作），以及面向劳动力的基于能力的准备。这些使工程教育成为研究 AI 究竟是增强还是取代专业专长所必需之认知工作的丰富场域——与物理教育、数学教育和计算机科学教育中的争论并行。

与相关概念的联系

工程教育位于STEM 教育之内，并与计算机科学教育（计算与软件工程）、数学教育与物理教育（工程的数学与物理基础）、职场学习与教育发展（劳动力与教师准备）、评估与伦理（AI 的专业与评价利害），以及高等教育（制度情境）强相连。它是本知识库中源自 ASEE 文章的主场学科。

覆盖不足的子领域

本知识库的工程教育覆盖仍在发展中。可受益于更多文章的子领域包括**学科特定的工程教学法（机械、土木、化工、电气、软件与生物工程教育）、设计与创客教育**、顶点课程与基于项目的学习，以及工程伦理教育——在这些领域 AI 的角色可能格外要紧。

对工程教师的启示

  • 建立一套共享而准确的 AI 语言。 教师比喻研究发现教师持有根本不同的心智模型（代理 vs. 工具）；在制定政策之前先对齐系内的理解。

  • 弥合伦理到问责的鸿沟。 伦理综述发现指引大多面向学生且以合规为导向；鉴于工程对公共安全的利害，要强化教师与机构的对等问责。

  • 使用多模态、具身的评估。 手势 + 言语评估在语言之外增加了诊断证据——评估概念理解时考虑具身线索。

  • 让学生为劳动力做好准备，而不只是为课程。 双轨列车问题催促建立与新兴岗位对齐的持久 AI 能力、伦理/治理与基于技能的凭证。

  • 示范批判性使用与恰当的依赖。 批判性使用 TAM 研究显示学生在理解任务上重度依赖 AI、在评估上却较少——引导他们在各类任务上走向恰当、可验证的依赖。

  • 在课堂时间内把 AI 使用当作一项技能来教。 Geng 等（2026）开展了九次由教师主导的演示，每次在讲授课末尾 10–15 分钟，从工具素养到策略性委派再到模型评估依次编排——但看不出与评估关联的学生报告说它们多余，因此要把它们与计分作业绑定。

关联概念

关联文章

元数据

学科Engineering Education, Stem Education
层次Higher Ed
目标读者Learners, Instructors, Faculty Developers
学习与教学职场学习
评估与测量评估
公平、伦理与负责任使用伦理
教育中的人工智能基础AI 素养, 教育发展
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。