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

特殊教育

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。

特殊教育（Special Education） — 面向残障学习者——涵盖认知、身体、感官与神经发育差异——的教学设计与交付。教育中的 AI研究在本知识库中探索 AI 工具如何通过 个性化、自适应支架与无障碍界面支持多样的学习者需求——同时考察那些忽视或边缘化残障学习者的 AI 系统的风险。

⚠️ 特殊教育主要是一个 K-12 术语。 它植根于美国的《残障个体教育法》（IDEA）以及管辖中小学特殊教育服务的个人教育计划（IEP）的权利授予体系。在 高等教育中——K-12 也日益如此——更常见的框定是**通用学习设计**（一种惠及所有学习者的前瞻性设计框架），以及 可及性 与 辅助技术，而非"特殊教育"。一篇 K-12 特殊教育文章与一篇大学 UDL 文章论的是重叠但不同的情境；本知识库把两者都保留，因为研究文献横跨两者。当一处来源涉及高等教育与残障学习者时，通常更适合链接到 通用学习设计、可及性 或 包容性学习 而非 special-education。

值得思考的问题

  • 本页强调"特殊教育"主要是一个 K-12 的、权利授予式的术语，植根于 IDEA 与 IEP，而高等教育更多谈通用学习设计与无障碍。你认为这些情境为何不同，这一差异又揭示了什么？
  • AI 的个性化承诺似乎专为需求多样的学习者量身定做。但如果一个系统能适应"个体认知画像"，当残障的模型过于粗糙或根本缺失时，会出什么问题？
  • 研究包括为特定残障画像设计的 AI 工具（如阅读障碍或聋人与重听学习者）。为狭窄画像设计，与从一开始就为所有学习者做通用设计，各自的风险是什么？
  • 为"平均"学习者构建的 AI 系统，如何可能在无意中忽视或边缘化残障学习者——防止它又是谁的责任？
  • 一个 AI 工具真正包容而不仅是适应一名残障学习者意味着什么——在实践中你如何识别这二者的差别？

引言

特殊教育是一个 AI 的个性化与适应能力提供特别前景的领域。与一刀切的教学不同，AI 辅导者理论上能适应个体认知画像、沟通需求与学习节奏。本知识库中的文章横跨面向特定残障画像的 AI、神经多样性学习者的体验，以及对 AI 与残障的批判性视角。

面向特定残障的 AI 辅导为特定学习者的需要定制 AI。Special-R1 将 强化学习扩展到跨五种残障画像建模认知与沟通多样性，使用画像感知的提示与思维奖励来塑造针对每种学习者的辅导回应。DysLexLens 分析了阅读障碍学习者体验 AI 工具的情况，既揭示了 AI 对识字支持的价值，也揭示了持续存在的无障碍障碍。Chen et al. 为 聋人与重听学习者设计了一个由 大语言模型（LLM） 驱动的题目生成系统，引入 Visual 与 Emotion 提问策略，并与目标社群迭代细化题目，以克服文本型 AI 提示与手语第一语言之间的错配。Designing for What Cannot Be Seen: Supporting Embodied String Learning for Musicians with Blindness and Low-Vision 与盲人及低视力音乐家共同开发了非视觉学习策略，以残障主导的 具身设计为中心。这些连接到 包容性学习 与 神经多样性。

神经多样性学习者的体验以自闭与 ADHD 学生为中心。Zastudil et al. 发现，神经多样的计算专业学生需要结构化的作业、小而稳定的小组与明确的角色定义——协作学习 工具必须满足的设计要求。Leveling the Playing Field: Temporal Video Segmentation for Individuals with ADHD in Computing Education 证明，AI 分段视频消除了 ADHD 的表现差距。两者都连接到 学习设计 与 通用学习设计。

批判性视角考察 AI 如何边缘化残障学习者。Tali-Otmani 论证，由于以西方为中心的训练数据，AI 系统主动边缘化以残障为中心的知识——这连接到关于认识论正义的 公平性 关切。

AI 在阅读障碍的检测、支持与个性化学习上的跨领域应用。 一项 2026 年的跨学科 系统综述（Dabaghi, D'Urso & Sciarrone，PRISMA 指引，2018–2024，n=72）描绘了 AI 如何在教育中支持阅读障碍学生，发现 AI 被用于检测、辅助性支持与个性化学习——但这些线索平行演化而非整合，更多由技术机会而非整合的教育理论驱动。基于机器学习的帮助教育工具分为五个领域（具体应用、参与、个性化、推荐、通用支持），却强调技术性能与分类准确率，而忽视生态效度与实际课堂部署。检测研究（EEG、眼动、ML 模型）优先早期干预并显示出诊断前景，但常需专门设备与受控环境，限制了典型学校情境下的可扩展性与无障碍性。公开挑战包括有限的实验验证、可扩展性、敏感学生数据的 伦理/隐私关切、有限的教师支持与培训，以及语言/文化障碍（多数研究面向英语人群）。

学习障碍学生（SWLD）的认知卸载。 Seung & Basham (2026) 是 Learning Disability Quarterly 一期"AI 与 LD 学生"专辑中的概念性综述，透过 认知外包 透镜重构了生成式 AI 在 SWLD 中的使用。他们论证，生成式 AI 可以是一种补偿性辅助或一条捷径，取决于卸载决策如何与 SWLD 的认知与 动机画像（执行功能与工作记忆的挑战、升高的认知负荷、回避努力的表现目标、较低的学业自我效能感、以及对生成式 AI 的膨胀期望）及教学设计互动。对阅读与写作，生成式 AI 可以支架式地打开通道（文本分级、摘要、多模态人工智能 输出、规划、起草、修改反馈），同时保全更高阶的 参与——但过度卸载有绕过理解、规划与监控过程的风险，而这对这些学习者本就脆弱，会助长"元认知懒惰"并跨领域加重读写困难。该论文把教学 护栏 定位为关键的调节因素，并建议 教授策略性卸载、构建 AI 素养 以校准工具信任、编排掌控体验以建立 自我效能、以及使任务与评估对齐于优先技能发展而非替代的 IEP 目标。这扩展了本知识库对特殊教育的覆盖至卸载的公平维度：同一把降低准入门槛的工具，若无护栏，会替代 SWLD 最需要的练习。 AI 生成的干预内容需要预生成控制，而不只是审查。 Enkhjargal et al. (2026) 发现，从业者对共同设计的 Social Story 工具给出很高的可用性评价（SUS 86.8），却指出其图像泛西式、其行为追踪器与目标挂钩的临床判断不匹配——这些是他们本会在生成前就设下的约束。

对特殊教育教师的启示

  • 与目标学习者及其社群共同设计 AI。 面向聋人/重听学习者的题目生成显示了与社群迭代细化 AI 以弥合文本型提示与手语第一语言之间鸿沟的价值——让学习者及其社群参与设计，而非假定 AI 适合他们。
  • 把 AI 匹配到特定残障画像，而非通用无障碍。 Special-R1 跨残障画像建模认知与沟通多样性；DysLexLens 记录了阅读障碍学习者所获的读写价值与持续的无障碍障碍——选择与每位学习者画像对齐的工具，并警惕未满足的障碍。
  • 为神经多样学习者构建协作结构。 神经多样的计算专业学生需要结构化的作业、小而稳定的小组与明确的角色——把这些设计要求应用于任何 AI 中介的协作活动。
  • 用 AI 缩小（而非扩大）表现差距。 AI 分段视频消除了 ADHD 表现差距——在证据显示其拉平结果之处部署自适应 AI，而非在它仅仅自动化之处。
  • 以残障主导的具身设计为中心。 盲人/低视力音乐家研究表明，非视觉的、残障主导的策略胜过默认的视觉界面——以残障学习者的专长构建并调整 AI。
  • 防范认识论边缘化。 批判性视角警告，以西方为中心的训练数据可能边缘化以残障为中心的知识——在 公平性 之外并行审计 AI 内容与工具的认识论正义。

关联概念

关联文章

相关常见问题

相关资源

  • TeacherServer
    一个庞大的免费单一用途教学生成器库——教案、练习纸、IEP 目标、评分量规、案例研究、数学题——面向 K-12 教师和高校教师。

元数据

层次Special Education, K 12, Higher Ed
公平、伦理与负责任使用公平性, 包容性学习, 神经多样性
教育中的人工智能基础教育中的人工智能
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。