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

伦理

创建 2026-08-09 · 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。

伦理 — 支配人工智能在教育情境中的设计、部署与使用的道德原则。人工智能教育伦理横跨数据隐私、算法公平、透明度、问责，以及关于人工智能在学习环境中应做与不应做什么的更广泛问题。它是知识库其他人工智能教育关切 — 公平、偏差缓解、学术诚信、治理与教学安全 — 的规范性基础，而该领域正日益从抽象的原则清单转向情境化的、对情境敏感的、由机构支持的伦理实践。

值得思考的问题

  • 人工智能系统常被以伦理检查表来要求 — 公平、隐私、透明、问责。但研究越来越表明，仅靠基于原则的“检查表”伦理是不够的。检查表可能漏掉什么只有在真实、情境化的课堂实践中才会发生的东西？
  • 学生对披露人工智能使用的决定，受对处罚、污名与政策不清的恐惧所塑造，多于受伦理信念所塑造。如果诚实由恐惧而非原则驱动，这对当前学术诚信方法的伦理意味着什么？
  • 用学生属性个性化人工智能反馈，本身可能成为偏差的载体。一个出于好意为个体学习者定制反馈的尝试，如何可能最终更不公平地对待他们 — 而你会如何察觉？
  • 在机构、人工智能系统与学习者之间的关系中，谁握有权力 — 而这种权力失衡如何随着分析变得更细粒度而塑造同意、隐私与学生监控？
  • 一些研究者论证，保护学习者的认知与认识论发展 — 他们独立思考和行动的能力 — 本身就是一项伦理义务，尤其在过度依赖人工智能日益增长之际。你同意“保全思维”是人工智能系统的一项伦理义务吗？

引言

伦理是人工智能教育的规范性骨架：每一个人工智能工具、政策与教学决策都编码了关于何为公平、透明、可问责与安全的假设。知识库把伦理同时当作一套原则（公平、隐私、透明、自主、问责）与一套实践 — 利益相关者实际上如何推理人工智能、机构如何治理它、学习者如何被准备好负责任地使用它。近期研究记录了一种双重运动：一方面是日益加深的关切，即基于原则的“检查表”伦理不充分；另一方面是对情境化与生态化的伦理判断说明、以及对使负责任使用成为可能的结构性与机构性条件的日益强调。

核心伦理维度

  • 公平与偏差： 偏见缓解与公平性研究探讨人工智能系统是否公平对待所有学习者。语言偏差与偏见缓解研究记录了现实世界的不平等，而写作反馈研究表明，用学生属性个性化人工智能反馈本身可能成为偏差的载体。
  • 隐私与同意： 隐私研究检视数据收集、学生监控，以及机构与学习者之间的权力失衡 — 随着分析变得更细粒度、更受人工智能驱动，这一约束变得更为尖锐。
  • 透明与可解释性： 可解释人工智能框架论证，学生与教师应当理解人工智能系统如何作出影响他们的决策。这延伸到面向学生的、关于其自身人工智能使用的透明度 — 人工智能使用与披露声明 — 研究显示，这受对处罚、污名与模糊政策的恐惧所塑造，多于受伦理信念（见Kirsanov 等人、Chang 等人、Vetter 等人、Gonsalves）。
  • 自主与主体性： 过度依赖与认知外包研究提出了人工智能使用是否削弱学习者自主性的伦理问题，而该领域把保护学习者的认知与认识论发展本身框定为一项伦理义务。
  • 安全与伤害预防： 教学安全性与导师伤害研究为人工智能系统开发者定义了伦理义务，而基于错误的教学法表明，让学习者接触人工智能错误可以激活而非绕开伦理与元认知审视。
  • 可持续性与环境影响： 教育中的人工智能带有物质足迹 — 鉴于大学生的普遍采用，大语言模型的碳与水成本是显著的 — 以及一项对可持续、非榨取式设计的更广泛责任。知识库把这当作一个伦理维度，而非仅是技术或成本关切：Daniel 等人（2026）区分为可持续的人工智能（用人工智能推进环境与社会结果）与可持续的人工智能（降低人工智能自身的足迹，包括节能与本地部署），而Alsuhami 与 Atallah论证，只有当采用被置于明确的教育价值之下而非技术化与商品化之下时，人工智能才支持可持续教育。情境化伦理工作同样把环境成本与对全球南方知识的边缘化置于核心伦理关切。参见可持续性。

利益相关者实际上如何推理人工智能伦理

合乎伦理的人工智能使用不只是原则问题，也是参与者如何解释并应用原则的问题 — 而研究揭示了群体之间的系统性差异。

  • 教师对学生。 Bilgiç 与 Sever（2026） — 一项对 971 名学生与 135 名教师的混合方法研究 — 发现两组都支持合乎伦理的人工智能使用，但以不同方式：教师强调伦理原则同时指出缺乏机构指引，而学生重视人工智能的学习益处却表达了对谁分担伦理责任的不确定。两组都担心过度使用人工智能可能削弱认知技能 — 这一关切把伦理整合框定为保全学习者的认知发展，而非只是规范工具使用。教师在个人责任上得分高，却对机构指引充分性评分最低（M = 2.99），暴露了个人伦理与结构支持之间的差距。
  • 准备度上学生与教师不同。 Fekete（2026）发现，学生自报的伦理觉察高于教师（4.03 对 2.44），而教师表现出更强的使用人工智能的意愿 — 学生通过即时的课程作业理解伦理，而教师把它当作机构清晰性与诚信。两组都报告薄弱的机构支持，而准备度通过不同渠道发展：教师的道德觉察随机构与社会支持增长，而学生的信心与自我效能及协作相关，而非与正式教学相关。
  • 使用的增长快于伦理共识。 在一个美国师范教育项目的四个学期中，学生的 GenAI 使用从 57% 升至 83%（备考）与从 44% 升至 76%（学习），而“不确定”的伦理回应稳步上升，且使用者比非使用者把其学术用途评为更合乎伦理（Parker 等人（2026））。
  • 规范框架不可互换。 在 151 名西班牙本科生中，道德公平是打算在备考中使用大语言模型的必要条件（d = 0.338）却不是充分预测因子，而后果主义（β = 0.350）与义务论（β = 0.329）判断则是 — 学生应用若干规范框架（Pérez-Portabella 等人（2026））。
  • 一个共享的多维结构。 Bilgiç 与 Sever的六个主题 — 横跨数据伦理、算法伦理与教学伦理 — 形成一个从基本原则（透明、问责、公平、自主）到行为结果的互联因果链，强调负责任的人工智能使用既取决于清晰的机构路线图，也取决于个人觉察。

从原则到机构治理

知识库的研究日益把伦理置于机构与结构中，而不只是个人：

  • 机构责任差距。 Bilgiç 与 Sever呼吁教师专业发展、伦理课程与清晰的机构指引；Fekete同样发现，机构支持驱动教师准备度，而学生依赖非正式的、自主的学习 — 这是政策的一项责任差距。

  • 伦理培训改变觉察，但政策差距使合规复杂化。 一个为期八周、有 97 名教育者参加的 GenAI 专业发展项目把伦理觉察分数从 3.21 提高到 4.05（Cohen's d = 0.93），政策熟悉度从 27% 提高到 79%，然而参与者点名的最大障碍是把机构政策差距与他们的伦理价值相调和（Alharbi 等人（2026））。

  • 政策稳健性各异。 Adarkwah 等人（2026）对照联合国教科文组织的八成分框架分析了 30 所顶尖大学的GenAI政策，发现核心伦理原则被广泛采纳，而包容、公平与可持续性常被忽视 — 且国家人工智能准备度排名并不能预测强大的机构政策。政策倾向于宣示性与以违规为中心，而非操作上有保证的。

  • 伦理与数据治理作为使能者。 Svetec、Divjak 与 Kadoić（2026）把伦理与数据治理确定为可信的、基于学习分析的干预的七个使能者之一 — 把可信性（伦理合规、数据安全、透明算法、教学效度）定位为其前提，没有它，数据驱动的教育变革就没有意义。

  • **一项对工程教育的系统综述**发现，合乎伦理的人工智能指导主要面向学生并以合规为中心（围绕学术诚信与披露），而对教师人工智能使用与机构责任的对等问责仍未发展 — 这一模式因工程在公共安全与幸福感（Well-Being）上的专业利害而加剧。（Ethical Use of Artificial Intelligence in Engineering Education: A Systematic Review）

  • 教师作为人工智能使用者提出自身的伦理。 八个伦理考量领域 — 专业性、问责、透明、有效性、包容性、安全、情境契合，以及政策与资源 — 构成了教师使用人工智能进行反馈的框架，而 50 所排名最前的大学中只有 14 所有专门指导（Luo 与 Eaton（2026））。

  • 一个人工智能教育伦理的整合价值框架。 Agarwal 等人（2026） — 一项对 25 篇文章的系统综述 — 把碎片化的伦理文献整合为人工智能教育的六大伦理价值 — 不歧视、数据管理、人类监督、善意、可说明性与教育适切性 — 并把从文献中抽取的伦理规范映射到一个“利益相关者 × 价值”矩阵（开发者、教育机构、最终用户、监管者）上。该综述发现规范分布不均：开发者得到的最多，而最终用户得到的最少且最不可行动，且没有任何关于不歧视、数据管理或教育适切性的规范直接针对最终用户 — 学生的声音实质上缺席，“最终用户”规范大多是其他利益相关者为使教师能够行动所采取的行动。作者论证最终用户应有主体性与主动角色，而非被当作被动受益者，并指出这些价值紧密耦合且可能冲突（例如可说明性对准确性/隐私、不歧视对数据管理），在利益相关者集合之间产生伦理困境与权力不对称。

  • 没有关系而被命名的责任。 对 366 篇 GenAI 高等教育摘要的语料分析显示，该领域的责任词汇主要是形容词性的：“负责任的人工智能/GenAI”在 59 篇文档中出现 83 次，“负责任的使用”在 44 篇中出现 66 次，而“人工智能责任”与“学生责任”从未作为确切短语出现，语法上的去责任化是例行公事 — 800 个被动结构，其中 780 个不带任何施事指称，此外还有 1,152 个与责任相关的名词化。Poudyal（2026）找不到任何把后果附加到系统上的子句，因此责任被承认为一个词，却缺少能把它化为行动的关系性主体性。

走向情境化与生态化的人工智能伦理

知识库中的一个重大理论转向是批判普遍主义的、基于原则的“检查表”伦理，转而支持情境化、生态化与变革性的说明：

  • 情境化的人工智能伦理。 Raffaghelli 等人（2026）把 Bronfenbrenner 的生态系统理论与文化—历史活动理论相融合，把人工智能框定为一个非中性的社会—技术装配体，其伦理含义是历史地产生、地方地协商的。在七个国别案例中，教师被定位为人工智能使用的道德守门人，却缺乏结构、机构与认识论支持 — 而该框架把人工智能素养从技术技能延伸到批判性、政治性与生态性主体性，包括对监控资本主义与环境伤害的抵抗。
  • 向情境化实践的转向。 对 282 篇文章的书目计量分析表明，2021 年后的人工智能伦理话语日益围绕专业判断、信任、人机协同与解释性实践框定伦理，而不只是技术合规 — 而教育是一个概念上重要的情境。
  • 一个文化—历史的责任说明。 这一重新框定把伦理连接到学习理论与教师AI素养：负责任的人工智能使用被当作情境敏感的、集体的、变革性的主体性，而非个人对检查表的合规。一项对 454 名大学教师的调查支持了这一框定：人工智能伦理知识中介了从技术人工智能知识到整合教学能力的路径（β = 0.186），并把它经由教学与内容知识进一步传导（Chen 等人（2026））。
  • 伦理义务的本体论重新框定。 Xie（2026）把情境化伦理批判进一步推向本体论：在相当多的学术论述把公平、权力不对称与环境成本当作待管理的外部性之处，一个道家式的关系性自我使它们内在于我们之所是，因此“被落下”在本体论上变得不可坚持，而非仅仅不公平。于是伦理任务不是超脱的优化，而是无为 — 与自然性相符的非强制行动 — 对立于算法单一文化、认知外包与榨取式基础设施的有为，应用于三个领域：知识（认识论单一文化与合成虚假信息）、认识（降低批判思维的外包）与影响（环境成本与全球南北不对称）。（Alternative AI Philosophy: Daoism as Method for AI in Education）

实践中的伦理

知识库的伦理文章从理论框架（博弈论方法）到实践指南（计算机科学伦理教育），从公共话语分析到联合国教科文组织政策框架。在这一范围上，一个一致的实践信息浮现：伦理必须从监管误用转向建设AI 素养与合乎伦理的使用能力，并以机构指引、教师专业发展，以及保全而非取代学习者判断的设计为支撑。

这一实践论证被关于伦理如何在人工智能素养内部运作的经验工作所强化：Zhu 与 Kong（2026）表明，人工智能伦理觉察 — 连同在人工智能问题解决中的赋权 — 中介了感知到的基于项目的学习与对人工智能素养课程的满意度之间的关系。他们验证过的人工智能 PBLS 量表与结构方程模型结果（1,027 名学生）表明，基于项目的学习创造了学生为关于人工智能的伦理推理建立个人框架的条件，强化了“伦理不是附加物，而是有意义的人工智能素养发展的核心机制”这一论点。

该机制的符号取决于跟随它的是什么。 在 584 名其人工智能能力来自自学的本科生中，能力提高了人工智能伦理觉察（β = 0.644，p < .001）。伦理觉察随后提高了人工智能焦虑（β = 0.439，p < .001）而非降低它 — 纯间接中介，作者解读为觉察被唤醒却没有应对框架（Mu 等人（2026））。他们对伦理教学的结论是，它不能停在认知层面。一项透明度或隐私关切必须与回应它的治理路径一同到来，这就是他们提出的模块被置于法律教育之内的原因。

关联

伦理连接到公平性、隐私、偏见缓解、教育中的人工智能监管、教学安全性、学术诚信与AI 治理。它是所有其他人工智能教育概念的规范性基础 — 公平、透明、自主与安全的问题在其中被提出并解决的框架。

关联概念

关联文章

相关常见问题

元数据

机构与政策AI 治理, 教育中的人工智能监管
公平、伦理与负责任使用偏见缓解, 公平性, 隐私, 教学安全性
教育中的人工智能基础学术诚信, 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。