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

通用学习设计

创建 2026-08-12 · 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。

通用学习设计（UDL） — 一个教育框架，它通过主动内置参与、表征与行动/表达的灵活手段，使教学对最广泛的学习者可及且有效，而非为个体事后追加便利安排。

值得思考的问题

  • UDL的核心主张是：学习者差异是常态而非例外——因此要从一开始就为多条路径设计，而不是为挣扎者修补一条单一路径。你倾向于为"平均"学习者设计、之后再添加便利安排吗？这种默认做法可能失去什么？
  • 回想一次某种特定格式（一段密实的文本、一堂讲授、一种单一的作业呈现方式）把你或你教过的人排除在外的经历。三条UDL原则——参与、表征、行动/表达——中哪一条受到了威胁？一种灵活的替代方案会是什么样子？
  • 生成式AI能创造个性化的例子、字幕、摘要与多种评估格式——看似是UDL的福音。但本页警告AI也会编码偏见并削弱学习者能动性。在读下去之前，一个为个性化而建的工具，怎么会最终对某些学生收窄而非拓宽学习路径？
  • 一个常见的误解是UDL意味着降低标准或给每个人不同的结果。考虑一份允许学生以论文、视频、图表或代码提交同一学习成果的作业。那是在掺水，还是一种评估同一能力的更公平方式？请为你的观点辩护。
  • UDL把"修补学习者"变成"修补设计"。挑一个你经历过或设计过的令人沮丧的学习体验。如果障碍是设计问题而非学生问题，你会改变设计的什么，来为所有人移除它？
  • 本页警告要防范那些假定单一沟通风格或惩罚神经多样性表达的AI。如果你使用或设计AI辅助工具，"默认"风格可能在哪里悄悄排除学习者？又需要做什么才能对此加以审计？

引言

UDL立足于一个洞见：学习者差异是常态而非例外。UDL不是设计一条单一路径、再为挣扎者添加支持，而是从一开始就设计多条路径，从而为所有人移除障碍。它是包容性学习、公平性与特殊教育的一个核心透镜。

三条原则

  • 参与的多种手段 — 学习的"为什么"：多样的方式来激发与维持兴趣、连接到相关性，并支持自我调节。
  • 表征的多种手段 — 学习的"什么"：以多样的格式（文本、音频、视觉、互动）呈现信息，使所有学习者都能感知并理解它。
  • 行动与表达的多种手段 — 学习的"如何"：提供多样的方式让学习者展示所知（写作、说话、建造、表演）。

AI时代的UDL

生成式AI为UDL带来新机会与新风险。AI能个性化表征并提供替代路径，支持个性化学习与可及性。但它也会编码偏见、假定主导的沟通风格，并在削弱学习者能动性时破坏参与原则。关于AI 误用与学习损害与公平的研究表明，AI工具必须以包容原则设计，否则只会重演公平性的鸿沟。因此UDL既为AI如何部署提供指导，也为AI素养与评估如何在学习者差异上保持公平提供指导。

"以设计求公平"是把这一立场落地的一种具体方式。Wenzel、Geiger 与 Liening（2026）把他们在商业模拟游戏中面向AI 对话智能体的CAIS-GBL框架，建立在与通用学习设计对齐的明确以设计求公平路径上，推导出横跨认知、动机、情感与社会文化参与的元需求。他们的设计原则与特性旨在应对学习者在优势、挑战与兴趣上的个体差异——这是把UDL原则具体应用于自适应、AI支持的游戏化学习设计。

AI在这份文献中也作为UDL的障碍而非其工具出现。在Sidhu、Atif 与 Newland（2026）对一所安大略大学69名教授的混合方法研究中，四个关键主题之一是：生成式AI正在逆转可及性课程设计的进展；标题引语"AI正在减少我曾有的选项"出自他们的访谈，因为那些曾承担了包容工作、以课后提交与起草为基础的作业，正是AI现在能一鼓作气完成的那类。他们的教师层面发现解释了这次倒退为何落在一个本已单薄的基础上：90%的受访者相信自己创造了可及的学习环境，87%表示自己积极考虑可及性，但只有不到一半（46%）认为学校为此提供了足够资源，约五分之一人从未听说过OCR可读PDF或颜色独立链接这类最基础的技术。需求正在跑赢供给——安大略大学注册人数从2013到2022年增长17%，而向可及性服务处注册的人数上升126%——因此该研究的主张是：UDL支持必须获得资源投入，以补偿AI移走的评估选项。

关联

UDL与包容性学习、公平性、特殊教育、学习设计及文化相关教学法相连。在评估上，它与真实性评估对表征公平的强调，以及与减少 AI 滥用——作为对惩罚特定沟通风格的工具的防线——相交汇。由于UDL是高等教育残障情境中最常被援引的框架（在那里"special education"是一个K-12术语），它往往是高校与大学残障学习者研究应当链接的正确页面。

对教师与教学设计者的启示与示例

UDL把"修补学习者"变为"修补设计"。对使用AI的教师与设计者而言，三条原则转化为具体的行动：

参与——提供多种激发与维持动机的方式。

  • 让学习者选择如何参与：问题导向、游戏化、讨论或自定进度的选项。
  • 用AI呈现相关性——个性化的例子、与真实世界的连接、或话题的选择权——而非单一的通用任务。
  • 示例： 一门课程用AI生成与不同学习者兴趣（商业、健康、艺术）绑定的多样例题，让学生选择最能激励他们的语境。

表征——以多种格式呈现信息。

  • 把同一内容以文本、音频、视频与互动形式提供——AI能自动生成字幕、文字稿、摘要与不同阅读水平的替代解释。
  • 示例： 一位教师用AI助手为一篇密实的阅读材料生成通俗摘要与音频版本，使学习者能选择自己的入口点。与可及性（字幕、替代文本）相配合，使每一种格式都可用。

行动与表达——让学习者以多样的方式展示所知。

  • 提供评估产物的选择权（论文、演示、视频、图表、代码），并对齐到同一学习成果。
  • 示例： 一个项目允许以书面报告、AI辅助的视频讲解或现场演示提交——每种模式都由AI 支架支持。在评估设计中，这与真实性评估的表征公平相平行。

为AI素养与能动性而设计。

  • 教学生如何以及何时使用AI，并建立让学习者（而非工具）承担责任的检查点——参见AI 素养与减少 AI 滥用。
  • 示例： 一份与UDL对齐的作业让学生用AI起草，但要求他们对自己的贡献做元认知反思，以保全参与与能动性原则。

用AI移除障碍，而非添加障碍。

  • 部署AI以弥合表现鸿沟（例如，带停顿的AI分段视频曾帮助ADHD学习者），并降低可及性格式的成本。

  • 防范那些假定单一沟通风格或惩罚神经多样性表达的AI——连接到可及性、公平性与神经多样性。

  • 瞄准功能性障碍，而非诊断标签。 Rempel等人（2026）发现，面向神经多样性学生的辅助技术40项研究语料围绕便利安排与以诊断为门槛的工具组织，并主张针对学生实际面对的跨领域障碍进行设计，才是使一个工具有理由被称为"通用"的关键。

关联概念

关联文章

相关常见问题

元数据

层次Special Education
目标读者Learners
公平、伦理与负责任使用公平性, 包容性学习
教育中的人工智能基础学习设计
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。