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

信息与媒介素养

创建 2026-11-05 · 更新 2026-11-07

本页是英文页面的机器翻译，尚未经母语者审校。

信息与媒介素养 是两种相邻的能力，而 AI 正在同一条接缝上重写它们。信息素养的核心是找到并核实准确的数据；媒介素养的核心是理解谁创造了一条讯息、它是如何被建构的、以及为什么。两者在共同目标上重叠：建立使人得以在数字世界中行走并识别虚假信息的 批判性思维——而它们如今还共享第二个问题：生成式 AI 产出流畅、可信的内容，其来源与意图却被隐藏，于是媒介素养一直在问的来源问题，也移入了信息素养。

值得思考的问题

  • 当一个聊天机器人返回一段自信的段落并附三条参考文献时，学生是在运用信息素养、媒介素养，还是两者都不是——而这项作业是否让这一区分变得可见？
  • 深度伪造与伪造的引文是两种不同的失败：一个是关于世界的虚假记录，另一个是关于文献的虚假记录。一门课能否同时教好两者，而不把任何一样教坏？
  • AI 检测器与事实核查器本身就是带有错误率的模型。当核查工具是概率性的，一门核查课程会发生什么？
  • 媒介素养一向通过制作来教——学生制作媒介以理解它。如果现在由模型来制造制品，教学法中哪一部分还能存活下来？

引言

这两种素养有各自不同的机构归属。信息素养在图书馆与信息科学中被编纂成文，最显著的是 ACRL 框架，把它表述为一组围绕权威、过程与价值的倾向。媒介素养从传播与媒介研究、以及学校媒介教育中生长出来，追问作者身份、技法、受众与效果。一个判断某个来源是否值得相信；另一个追问谁制造了一条讯息、它在做什么。

这一分工在理论上始终比在课堂上更干净。两种素养都教学生慢下来、核查来源、抵抗流畅感。两者都建立在一个假定之上：制品有一个为生产它付出了代价的作者。生成式 AI 一次就把这个假定从两者身上移除：文本从一份无法追溯的语料中被合成，图像与声音被克隆，自动化账号模拟受众本身。

本页之所以把这一对放在一起，是因为语料把它们当作一个教学问题、两套结果来处理。证据并不均衡——信息一侧是一张文献计量图与两项系统综述，媒介一侧是一次小型干预与一项专家访谈研究——而几乎没有一项检验合并的课程。这一缺失本身就是值得带入实践的发现。

两个构念在哪里分岔

信息素养的对象是来源，其核心问题是这条主张是否真实、其背后的证据是否可信。媒介素养的对象是讯息，其核心问题是：谁制造了它、如何制造、给谁看、为了什么目的。一条伪造的引文通不过第一道检验；一个深度伪造可以通得过学生所知的所有事实核查，却在第二道上失败。

经验文献反映了这一分裂。一项对 236 名美国大学生的调查询问学术检索从何处开始，发现搜索引擎占 45.5%，图书馆主页占 27.9%，AI 聊天机器人占 26.6%，而国际学生用 AI 替代图书馆资源的比例约为本土学生的两倍（Lund 等，2026）。一项对 32 项研究的系统综述发现，AI 素养融入信息素养教学仍处于“婴儿期”，通过 LibGuides 与工作坊交付，而不是经由课程（Mirza 与 Arif，2026）。在媒介一侧，对七位专家的访谈与对 141 名学生的调查发现，批判性媒介素养课程中的技术纳入“有限且往往流于表面”，教师对会制造虚假信息与深度伪造的工具准备不足（这项批判性媒介素养研究，2026）。

AI 如何使信息素养复杂化

第一个复杂化是大规模的伪造。模型产出令人信服的文本、看似合理的参考文献与自信的统计数字，而它们可能并不存在；读者收到的是一份检索痕迹已被抹去的综合。核查因此变成另一种技能：不是“这是不是一个好来源”，而是“这个来源是否存在，它是否真的说了答案所声称的内容”。

第二个是检索层坍缩进答案层。当工具完成检索、选择与写作，有素养的动作就移到判断那份综合上。这正是证据反复指向的残余：一个嵌入式馆员平台在基于 ACRL 的量表上以 0.78 对 0.25 分胜过常规图书馆教学，而产生增益的那些咨询以来源评估类问题为主（Huang，2026）。

第三个是能力问题。在一项覆盖尼日利亚 38 所机构 412 名学术图书馆员的调查中，自评能力在数据库教学（M = 4.07）与信息素养讲授（M = 4.02）上很高，但 AI 能力综合得分为 2.86，最弱的是设计目标（M = 2.70）与评估结果（M = 2.62）（Dada，2026）。一个以 1,669 篇出版物测绘出的领域，正被要求去教一项其教师自报尚不会设计的能力（Jabeen 与 Lux，2026）。

AI 如何使媒介素养复杂化

媒介素养的奠基性问题假定有一个带着目的的制造者。深度伪造、声音克隆与自动化机器人以三种方式打破这一假定：制品可能没有人类作者，受众可能是合成的，而意图可能是对参与度的优化，而不是任何人所作的说服。

课程证据表明学校尚未跟上。专家访谈把教师培训描述为约束性的瓶颈，而不是学生的抵触，并主张采用一种 批判教育学 框架，把评估当作伦理性的、参与式的实践，而不是工具培训。一份为公共服务媒体委托的报告发现，面向 14–19 岁青少年的供给偏向功能性 AI 技能，偏离批判性评估，尽管该报告综述了 40 多个框架并访谈了 35 位专家（这份 AI 素养报告，2025）。

AI 作为防御性工具——主张与告诫

在防御一侧使用 AI 的理由是可信的，也被广泛提出：自动化的可信度检查，扫描一个来源的历史与语言以寻找偏见信号；深度伪造检测器；查找来源标记的元数据分析器；以及让学生在逼真的合成材料上练习评估的模拟。这些能力是真实的产品，课堂使用也是真实的实践。

证据比主张更薄。检测器是概率性的，并随生成器的改进而退化；一个事实核查模型本身就是一个模型，所以学生仍须判断那个核查器；而来源元数据只有在生产者选择附带它时才有用。语料中最确凿的结果之一是：AI 支持的媒介素养教学可以在小规模上奏效——一个基于 5E 模型构建的 18 小时项目，在一所土耳其学校的 36 名四年级学生中产生了大幅增益（Demir 与 Akar，2026）。36 名学生是概念验证，不是采购理由。

一篇图书馆界的观点文章把同一想法推得更远：AI 可以经由检索、自适应教程、聊天机器人与自动化事实核查来承担信息素养的 交付，而由 图书馆员 而非供应商来掌握整合（Offem 与 Arikpo，2026）。该文没有报告数据，因此它是一份关于教学可以安放在何处的设计概要，而不是它有效的证据。

合起来读，账本的两侧提示出一条规则：AI 可以承担 练习 的负担——逼真的情境、即时反馈、规模——但 判断 的负担留在学习者身上，而任何声称取代它的工具，都应当作为一个有实测错误率的检测器来评估，而不是当作答案键来采纳。

这对实践意味着什么

  • 教一套程序，两个对象。 那套可核查的例行程序——把主张追溯到来源，把来源追溯到作者，追问这件制品在做什么——对一条引文和对一段视频同样适用。指明作业评估的是哪一个对象。
  • 把检测当作证据，而不是裁决。 检测器的输出是一个概率；教学生用第二种方法相互印证，并说出什么会改变他们的想法。
  • 把制作留在课程里。 制作媒介曾是让批判变得具体的教学法；用 AI 生成只有在学生审视工具替他们作出的选择时，才能支持这一点。
  • 把图书馆员或媒介专家放进工作流。 这一文献中最强的教学结果，来自一个把人的咨询内建进去、而不是事后提供的设计。
  • 在写教学大纲之前先评估员工能力。 实测的缺口在设计与评估学习目标上，不在使用工具上。

证据的局限

这里多数研究样本小、基于自陈，或两者兼有：一项调查中的 236 名学生，一次干预中的 36 名儿童，412 名图书馆员给自己打分。文献计量上的可见度不是实践，科学计量学的作者也明说如此。语料中没有任何研究评估一套合并的信息与媒介素养课程，而实践文献所推荐的检测与事实核查工具，在这些来源中基本未被测量。AI 驱动的核查改善结果这一主张，应当被当作一个设计假设，直到有人拿它对照控制组检验。

关联概念

关联文章

元数据

层次Higher Ed, K 12, Adult Learning
目标读者Librarians, Instructors, Learners, Curriculum Designers
学习与教学批判教育学
技术与方法生成式人工智能, 大语言模型（LLM）
公平、伦理与负责任使用信任校准
教育中的人工智能基础信息与媒介素养, AI 素养, 批判性思维, 学术诚信
页面类型Synthesis
来源历史编辑对话

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。