在 AI 已成常态的职业里，学生该学什么？

本页是英文页面的机器翻译，尚未经母语者审校。

一个学生问，为什么要学一件聊天机器人已经会做的事。项目顾问小组说，雇主想要能在工作中使用 AI 的毕业生。你的教学大纲要同时满足两边，而两边都没说这个毕业生在无人协助时应当能做什么。

给同事的简短回答：教完整的职业任务，而不是工具操作；既评有支持的产品，也评学生独立的能力。证据支持把准备度理解为学科知识加判断加核查加迁移，而不支持把任何技能清单当作就业保证。一项对照雇主小组、覆盖 500 名美国高校教师的调查发现，两组在 26 项与 AI 相关的技能中只在恰好一项上一致：为 AI 增强的工作设定切合实际的期望；教师更看重批判性与负责任的使用，雇主更看重工作流、自动化与人机协作（Fried，2026）。那些是自报的优先项，不是招聘证据。对课程而言更锋利的发现在别处：在一项 455 名毕业班学生的调查中，AI 素养主要通过提升职业适应力来影响感知就业力，间接效应 β = 0.173，同时直接效应 β = 0.447（Hendrawan 与 Lestari，2026）。适应力是一种你能教的能力。一条工具小技巧不是。

简版要点

1. 把能力写成一句关于毕业生在无人协助时能做什么的话，再把有支持的版本放在旁边。

2. 把完整任务拆成六部分来教：框定、知识、委派、核查、沟通、适应。

3. 分别评产品与判断，并让独立核查与风险相称。

4. 在独立练习还在起作用的地方保留它，并在教学大纲里说明理由。

5. 评估项目时，把即时结果与更晚的结果分开。

6. 把职业焦虑当作真实的关切，用调查去回答，而不是用预测。

雇主与教师各自看重什么

Ithaka S+R 的报告请 500 名美国四年制高校教师为一个横跨七个类别的框架里的 26 项技能打分，并把他们的评分与框架作者调查的一个雇主小组相比。分歧是系统性的，不是随机的：教师把 AI 的局限、署名与人的问责排在最前，雇主则把工作流设计、自动化与人机协作排得更高。

对这个落差有两种诱人的解读，而两种都错。第一种是教师落后于劳动力市场。第二种是雇主想要服从。更有用的解读是：每一组描述的是同一份工作的不同一半，而一个只会做一半的毕业生对两边都没准备好。一个说不清结果为什么错的学生，对一个信任工作流的雇主没有用；一个只会批评 AI 输出的学生，对一个需要把任务做完的雇主也没有用。

这份证据的局限要紧。这些是调查中的自报优先项，报告并没有显示任何课程能带来更好的录用、更好的绩效或更好的薪酬。它给你的，是一个站得住的理由去问：你的学生有没有真正练过把一个 AI 支持的工作流做完并核查，而不只是谈论它。

教一个完整的职业任务

值得写下来的课程问题是：一个能干的新手在这个情境里需要做什么、解释什么、核查什么？然后把任务拆成六部分。

框定问题。确定目标、读者、约束、可用证据，以及出错的代价。一个认不出需求含糊的学生，会把它丢给模型，然后接受回来的任何东西。

带上学科知识。学生需要足够的理解去检查结果：解读一个案例、估一个大致合理的答案、发现一个误导性的比较、看出缺了什么。把那条基线明确写出来，而不是把所有独立练习都当成遗留要求。

有意识地委派。决定哪些步骤 AI 可以协助、哪些需要独立完成或专业授权，并能给出理由。起草例行措辞，与决定一份有后果的记录该说什么，是不同的职责，问责也不同。

对照证据核查。检查计算、主张、来源、假设，以及对要求的符合程度。教学生记录一次核查是如何解决这个问题的。问同一个模型“你确定吗”什么也解决不了，这一点核查实践直接展开。

沟通与协作。向同事、客户或主管解释这个决定：什么变了、什么仍不确定、什么时候必须让别人参与。AI 支持的工作仍然有读者，也仍然有一条责任链。

适应与迁移。用另一个工具或一条新约束重做一件类似的任务，然后问什么仍然有用、什么必须改变。这才让适应力变得可观察，而不是毕业生素养里一个形容词。

把它做进现有课程作业

这些是对研究主题的改编，不是经过检验的就业干预。

写作与商务沟通：让学生批评并修改一封 AI 起草的、回复客户投诉的信。能力的证据是：点出那些没有依据的承诺、解释面向读者的选择，并为最终措辞辩护。

一门定量课程可以用一个 AI 生成的、针对真实规划问题的估算来做同样的事：学生自己构造估算、写明假设、检验合理性。

在一门电子表格或计算课程里，发下一个生成的公式与合成数据，然后要求给出测试用例、对引用的解释，以及一个失效条件。

健康专业：学生对照经批准的来源，评估一段针对虚构病例的生成解释，指出它的局限，并说明什么时候必须由合格专业人员决定。

职业探索有自己的版本：用可靠的职业信息比较两种职业的任务构成，然后规划一个具体的技能发展或求助步骤。

对于异步授课，要求一次初步尝试、一份简短核查记录，以及两句话说明一个有后果的决定。在实验课或研讨课里，解释可以在对话中发生。当替代方案是保密的工作场所数据或学生数据时，使用合成或经授权的材料。

评有支持的表现与个人的理解

一件打磨好的成品告诉你的是在允许的条件下产出了什么。它不告诉你这个学生能做什么。加一项相称的独立核查：解释一个决定、修一个错误、把作品适应到一个改变的条件，或独立完成一个基础子任务。

选择这些要求，是因为它们支撑一项已说明的能力，并说明每一项评估测的是哪一项。当独立练习与他们正在被准备去做的事连在一起时，学生会接受它；“你总有一天会用到”起的作用，不如展示这个计算正是让他们日后能发现一个错误估算的东西。

支持那一侧有自己的风险。Shojaei 等人（2026）在他们的调查模型中发现，生成式 AI 的使用与对生成式 AI 的依赖正相关，而依赖与批判性思维和就业力都负相关。那是一个关联而非因果断言，而它指向设计问题：一门只评有支持的表现的课程，可能正在训练它所报告的那种依赖。

对于项目审查，把各项测量分开。课程表现、已展示的 AI 素养、实习主管评价、就业状态与工作质量是不同的结果，时间尺度也不同，单一干预无法同时确立它们。AI 素养证据那一页是对干预研究实际支持了什么的一份诚实清点。

回应职业焦虑，而不许诺确定性

学生带着真实的恐惧来，而关于这些恐惧的调查文献描述的是恐惧，不是对劳动力市场的预测。Duan 等人（2026）发现 AI 焦虑直接负向预测职业决策，这是一个关于决策瘫痪的发现，不是关于工作岗位的。福祉那一面覆盖更广的证据。

有帮助的是学生能据以行动的那个尺度上的调查：这个岗位实际包含哪些任务、一周是什么样子、我需要会做什么、谁能告诉我。就业服务、校友与就业安置人员掌握这些信息。一次工具演示、一位教师的印象，或一场厂商宣讲，都不是劳动力市场预测；把其中一个当作预测来呈现，正是项目在学生一旦去核实后就失去可信度的方式。

你会遇到的反弹

“学生只需要更好的提示词。” 提示词是六部分中某一项的一个从句。一个写得很清楚的请求，并不能提供认出坏结果所需的知识，而 Ithaka 小组里的雇主也没有把提示词技巧排在第一。

“如果工作场所允许 AI，课程作业就该允许。” 一门课也在建立让负责任使用成为可能的能力。在每项任务里说明你在评两者中的哪一个，这条反对就变成一个设计问题，而不是一个矛盾。

“工具变得太快，这些都没法教。” 在有帮助的地方教具体工具操作，评那些耐久的实践：框定、核查、测试、记录、沟通、升级。上面的证据是关于这些实践的，没有一条取决于当前是哪个模型。

“一门 AI 素养课会改善他们的就业前景。” 中介结果就是这里的警示。AI 素养既直接影响感知就业力，也通过适应力影响它，而感知就业力不是录用通知、不是绩效评级，也不是薪水。这个调查设计无法排除一种可能：自信的学生在一切自我评价上都给自己更高分。

本周可以做的事

1. 选一个你项目里的毕业生真正会面对的任务，用五行写出它的六个部分。

2. 标出当前评估实际测了哪几部分、又假定了哪几部分。

3. 给一份现有作业加一项独立核查：解释一个决定、修一个错误，或独立完成一个子任务。

4. 在作业说明里告诉学生这项核查是为了哪项能力。

5. 检查课程里有没有哪项任务只评有支持的表现，并决定那是不是有意的。

接下来可以去哪里

职业发展与就绪度 是讲就业力、适应力与劳动力证据的概念页，AI 素养 覆盖素养在工具操作之外意味着什么。要把它做进一门具体的课，见把 AI 素养纳入课程与教师需要哪些能力。

关于让有支持的表现与独立表现可区分的评估设计，见AI 时代的评估重设计与AI 评分。关于如何让支持不变成依赖，见减少过度依赖。