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

全球南方

创建 2026-08-18 · 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。

全球南方指非洲、亚洲、拉丁美洲和大洋洲的国家，它们相对于全球北方而言常在经济、政治与历史上处于边缘地位。在 AI 教育的 研究中，全球南方情境日益被承认为在证据基础中代表性不足，然而它们提出了关于 公平、文化相关性、资源约束，以及西方英语训练数据之认识论主导地位的独特问题。

值得思考的问题

  • 如果一个 AI 系统在用西方、英语数据构建的基准测试上表现良好，你应当有多大信心它在你的学生身上同样管用？在你自己的情境中信任它之前，你会想核查什么？
  • 设想一个学习工具，其训练数据与评估指标全部在北方国家开发。它可能悄悄编码了哪些关于语言、知识传统与教育现实的假定？谁最可能因此被错误表征？
  • 当研究 AI 的采纳时，谁的课堂与机构往往主导着证据基础？这会不会扭曲我们对 AI 在教育中是否"管用"的认知？
  • 本页主张把学习者的生活经验与社群认识论视为权威，而不仅是西方模型的附加物。要让自己的 AI 实践或研究以本土知识为中心、而非从别处引进，需要什么？
  • 资源约束是全球南方情境中反复出现的主题。低成本、可规模化的 AI 承诺，如何既可能缩小又可能扩大既有的机会差距——取决于它如何被设计与部署？
  • 你如何判断某项技术在某情境中被"采纳"，究竟是因为它契合了当地条件，还是因为人们假定它可以移植？什么证据能区分这两者？

引言

为何它对 AIED 重要

主流 AI 与教育技术研究历来由西方、英语数据集和 机构情境主导。这造成两个问题：（1）用此类数据训练的 AI 系统，在全球南方情境中可能表现不佳或错误表征学习者；（2）在北方国家构建的评估 基准，可能无法反映其他地区的教育现实、语言或知识传统。本知识库中来自全球南方情境的研究涵盖文化立足的数据集、基准与技术采纳研究，对 AI 素养 及 高等与 K-12教育具有启示。

知识库中的应用

  • 文化立足的数据与基准： IKS-Instruct 提供了一个 多语言的印度知识体系指令数据集；NSMQ Riddles引入了一个加纳 STEM基准，是最早的全球南方教育评估数据集之一。

  • 加纳高等教育中的 AI 伦理意识： Acquah 等（2026）用加纳 509 名 大学学生验证了一个三因素（自主、行善、公平）AI 伦理意识量表，发现从"普遍很高的意识到几乎完全没有"的五种潜在画像——其中"行善"最弱——且无性别差异，为 AI-伦理文献提供了一个全球南方的测量锚点。

  • 低资源情境中的教师伦理推理： Adelana 等（2026）发现，低资源情境中的在职中学 STEAM 教师是通过专业认同、课堂现实与文化规范而非正式原则清单来思考 AI 伦理的，反驳了关于全球南方"伦理空洞"的假定。

  • 情境化采纳： Asag 与 Al Mamun对孟加拉 工科学生的 GenAI采纳建模，ConnectED为越南教育部署了一套与 课程对齐的备课系统。

  • 推动教师采纳的是能力建设，而非基础设施。 在 255 名孟加拉教师中，对 GenAI 的态度强烈预测了使用（β = 0.556），领域特定相关性驱动了态度（β = 0.413），而机构技术供给与主观规范并非显著预测因子（Alam 等（2026））。

  • 机构整合与结构性不平等： Adeniranye 等（2026）对 45 所尼日利亚大学（联邦/州/私立）的比较内容分析发现，AI 整合由机构年龄与地理位置预测——而非治理类型——且国际与产业网络联系相互强化（r = 0.74），因而连接良好的机构优势累加，其他机构则更加落后。研究把 数字不平等不只定位于学习者层面，而是定位于 高等教育机构自身的结构能力之中。

  • 结构约束下的 学术发展作为数字中介： Sithole（2026）访谈了南非两所历史上处于不利地位的机构中的十二位学术发展者与学习设计者，划出了全球南方文献常常模糊的一条分析界线：数字不平等是分配性的，原则上可以通过再分配与访问得到回应，而算法殖民性是认识论的，即便在完全访问的条件下依然存在，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。二者相互缠绕，却需要不同的回应，而机构处于双重位置——被基础设施稀缺排斥，而一旦纳入，又被编码了其他知识与规范的进口系统所从属。机构的 AI 修辞（"谈绩效多于谈实践"）抵达时与教学的物质现实松散耦合，于是发展者把全球数字化转型话语转译为情境可行的实践：在同侪空间中测试并刻意"破坏"工具、坚持判断优于技能、并承担投影自己仍在习得的专业能力的情感代价。

  • 认识论边缘化： Tali-Otmani论证，以西方为中心的训练数据把非西方与以残障为中心的知识边缘化——把全球南方的关切与 公平性 和 文化相关教学法 联系起来。

  • 全球南方的残障与 包容： Khlaif 等（2026）——一项对三所巴勒斯坦大学 21 名视障本科生的 质性案例研究——发现 GenAI 为残障学习者弥合了数字、地理与社会经济鸿沟，把 技术接受研究扩展到残障情境，其中 可用性、可负担性与 可及性 相互强化。

  • 在资源约束下为当地压力源设计： Bashir 与 Afzal（2026）构建了 Sukoon，作为对一项已记录错配的全球南方设计回应——心理健康 聊天机器人的训练数据大多来自西方且以英语为主，而巴基斯坦学生同时面对学业、经济、家庭与关系压力，且往往因污名无法向 家长、教师或同侪倾诉情绪困难。作者的实践约束与其模型同样有教益：通过托管 API 提供免费访问的 开源 大语言模型（LLM），资源需求低；为地区大学提供的轻量 Flask 部署；把"工具可得但往往昂贵"列为障碍；并把对付费模型的不平等访问标注为普遍依赖风险。他们还指出分类器是在一个不具巴基斯坦学生代表性的公开数据集上训练的，并承诺在得出总体结论之前收集本地的 DASS-21 数据。

  • 非洲高等教育中稀薄且工具特定的评估证据： 一项 PRISMA 2020 系统综述检索了 2023 至 2025 年间发表的实证研究，只找到十项，集中在尼日利亚和南非，且几乎全部在 ChatGPT 上进行，因此关于在非洲高等教育中为生成式 AI 重新设计评估的已知，立足于小样本、单一机构、自报的研究，而非测得的学习增益——综述作者把自己的建议框定为方向而非定论。

  • 公平是该地区研究最少的维度。 一项对 75 项全球南方研究（2022–2025）的 PRISMA-ScR 范围综述发现，尽管公平对包容教育至关重要，它却是五个领域中考察最少的，并报告了学生所申明的伦理立场与其行为之间的差距（Nguyen 与 Perkins（2026））。

启示

关注全球南方情境，要求超越"西方模型与基准可直接移植"的假定。它要求本地立足的数据集、文化相关的 教学法与教学策略、以社群为中心的评估标准，以及把学习者的生活经验与社群认识论视为权威的研究——与社群式 AI 学习等框架，以及适应当地条件的 技术接受研究保持一致。

规模化的记录是这幅图景的一部分，它令人警醒。在试点规模上有效的项目，一旦由政府运行往往就不再有效：肯尼亚那个在非政府实施下产生可观收益的项目，在政府规模上没有可检出的收益（Bold 等）；效应量倾向于随项目扩张而下降（Vivalt）；实施质量随着站点增多而被稀释（Al-Ubaydli、List 与 Suskind）。拉丁美洲自己的先例是秘鲁的"一童一机"项目——约 800,000 台笔记本发放，对 数学或阅读无可检出的效应——从中得出的教训是：获得技术并不等于教学。Restrepo Morales 等（2026）在规模化教训之外又加了一条报告教训：在 2026 年萨尔瓦多事件中，一个覆盖 171 所学校的 AI 辅导试点被宣告为可比德国和瑞典，而同一国家有代表性的 PISA 2025 样本显示三科中有两科没有变动，且试点数据过薄（每校 7.0 名受评学生，而全国为 25.4），无法排除选择效应作为解释。对以规模化采纳 AI 的全球南方系统而言，启示是双重的：某项改革有效的证据，通常关乎它所捆绑的组件，而非其头条中的技术；而一个在部署之前设计好的分阶段推广，几乎不花成本就能识别效应——在连通性本来就决定了分步节奏的地方，这一点尤其要紧。

关联概念

关联文章

元数据

层次Higher Ed, K 12
技术与方法生成式人工智能
公平、伦理与负责任使用文化相关教学法, 公平性, 全球南方
教育中的人工智能基础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。