教师AI能力框架怎么用？把五大维度、三个层次翻译成院校培训方案

几乎每所推进AI教学的院校都会遇到同一个操作层面的难题：培训方案到底该按什么结构来排？有的学校按工具分类，一学期讲八个工具；有的按角色分类，分行政、教师、班主任三条线；还有的直接把外面买来的课程包照搬过来。这些做法未必错，但共同的缺陷是缺少一张能说明"教师现在在哪、下一步到哪"的能力坐标。

国际上被引用较多的一份教师AI能力框架，采用了一个两维矩阵结构：横向是五个能力维度，纵向是三个进阶层次，两轴交叉形成十五个能力模块。这套结构的价值不在于概念完整，而在于它同时回答了两个院校最关心的问题——教师AI素养包含哪些方面，以及这些方面如何随着经验积累逐步深化。这篇文章把这份框架拆开来讲，并且把每个维度翻译成院校场景中可观察的行为、可配置的学时和可验收的指标。

一、这份框架为什么会出现？它想解决什么问题？

答： 它要解决的是一个全球性的空白：能够处理海量信息、生成内容、辅助决策的AI进入教育后，教师在其中的角色和能力边界该如何界定，此前缺少公认的答案。

AI在教学中的潜力是明确的。它可以成为个性化学习的支撑，帮助教师了解每个学生的学习轨迹，提供定制化的内容与反馈，也能在备课、批改、资料整理等环节替代大量重复劳动。但它同时带来了不容忽视的风险：可能削弱人的能动性，涉及数据隐私问题，可能加深既有的不平等，甚至在教学中形成新的偏见。

更值得警惕的是一种隐性风险。如果教学环节过度依赖自动化，教学过程可能被简化为机械的任务流转，教师的作用和影响力随之被削弱，师生之间的联系也会变得稀薄。教育一旦被压缩成"AI能处理、能建模、能传递的内容"，育人本身就被窄化了。此外，对技术的大规模投入还可能挤占教师队伍建设的资源，进一步加剧合格教师的短缺。

正是在这个背景下，这份框架提出了明确的主张：它不是要取代教师，而是要赋能教师，确保师生之间有意义的互动和人的全面发展始终处于教育的中心。框架希望支持各国制定本土化的能力标准、设计系统的教师培训项目、建立科学的评估方式，让教师能够安全、有效、合乎伦理地运用AI工具。

二、框架的基本原则，对院校的实际约束是什么？

答： 这些原则听起来偏理念，但落到院校层面全是具体约束：包容性要求技术不能扩大差距，以人为本要求最终判断权留在教师手里，伦理前置要求工具在进校之前先通过验证。

确保包容的数字未来，意味着院校在推进AI教学时要留意一件事：不能让学生因为设备条件、家庭背景或专业基础的差异，在AI能力上形成新的分层。相应地，配套的AI资源和工具支持需要考虑到不同专业、不同基础学生的接入条件。

以人为本的运用方式，包含四条具体要求：AI的设计和使用服务于人的能力发展；AI的获取和部署应当公平包容；使用的模型应可解释、安全、无害；AI的选择、使用与影响监测应由人来控制和负责。这四条落到教学场景，最直接的一条是责任归属始终在教师——教师在教学中使用AI、以及引导学生使用AI的决策，责任由教师承担。院校和政策层面需要提供相应支持，确保教师能够正确使用。

保护教师权利、迭代界定教师角色，强调AI工具不应取代教师在教育中的合法责任。引入AI的同时应当建立相应的制度保障，为教师提供技术环境和基本工具支持。随着AI辅助决策能力的提升，师生互动正在演变为"教师—AI—学生"的三方关系，教师需要被赋能，成为协作的知识生产者和学习引导者。

促进可信赖的AI教育，要求在教育环境中采用某款工具之前，先验证其安全性和可信赖性。这意味着院校在选用AI工具时，不能只看功能演示，还要评估其对数据安全、内容准确性、特殊需要学生支持等方面的适配性，并明确技术提供方在透明度与可解释性上的责任。

适用于所有教师、反映数字演进，说明AI能力正在成为教师职业的前提条件之一，框架的设计需要跨越不同教育背景，承认教师之间的数字专业水平差异确实存在。

教师的终身专业学习，则把教师发展看成一个贯穿整个职业生涯的持续过程。这对院校的含义是：职前培养、在职培训和持续辅导需要打通，而不是三段互不相干的独立环节。

三、五个维度分别是什么，院校该怎样理解？

答： 五个维度分别是以人为本的思维、AI伦理、AI基础与应用、AI教学法、AI促进专业发展。它们相互关联，其中前两个维度不涉及技术操作，却是整个框架的地基。

以人为本的思维。 这一维度强调教师需要培养对人与AI互动的批判性态度，把人的权利和发展需求放在中心。落到实际，就是教师能够评估AI的益处和风险，认识到AI的设计和使用都是人主导的，理解过度依赖可能损害学生的思考能力和自主性。在高职场景中，这一维度最直接的体现是教师能否判断某个教学环节该不该交给AI。

AI伦理。 界定了教师需要理解、应用并参与调整的伦理原则、法规与实践规则。具体包括掌握数据隐私、知识产权等法律要求，能够评估工具的伦理风险，识别算法偏见，应对深度伪造和AI放大的不实信息。对院校而言，这一维度是必须做成硬性要求的，因为它直接关系到师生权益。

AI基础与应用。 涉及教师需要理解的概念性知识和可迁移的操作技能，包括AI的定义、模型训练的基本方式、数据与算法的基础知识、技术的主要类别。更重要的是能够评估工具的适用性和局限，并熟练操作经过验证的工具完成教学任务；在更高层次上，能够定制工具以适配本校本专业的需要。

AI教学法。 这是与技术结合最紧密的一维，涵盖验证和选择合适的工具、将其融入教学策略以支持备课、教学、学习和评价。教师需要判断何时以及如何以合乎伦理、以人为本的方式使用AI，在更高层次上能够设计AI支持的沉浸式学习场景，培养学生的批判性思维和问题解决能力。师生互动演变为三方关系后，教师需要发展新的教学法，把AI作为协作的知识生产者而非教学功能的替代者。

AI促进专业发展。 指教师利用AI推动自身终身学习、支持协作式专业发展、探索职业转型的能力。包括用AI评估自身的专业学习需求、规划个性化学习路径，以及利用生成式工具模拟教学情境以获得反馈。这一维度常被忽视，但它是前四个维度能否持续更新的动力来源。

四、三个层次与新手、进阶、骨干的对应关系

答： 三个层次分别是获取、深化、创造。它们与院校常用的新手、进阶、骨干三分法大体对应，但有一个重要区别：层次描述的是在具体维度上的表现水平，而不是教师的整体档位。

框架特别指出，能力发展是复杂且依赖情境的过程，并非严格的等级或线性上升，各层次在不同维度上的进展也不一定同步。一位教师完全可能在"AI基础与应用"上达到了深化水平，但在"AI伦理"上仍停留在获取层次。 这意味着院校在设计培训时，需要先做分维度诊断，再确定每个教师的培训重点，而不是简单地按一个总分层级来配课。

下表把三个层次的定位与院校培训场景对应起来，便于方案设计时参考。

获取层次主要面向AI知识或技能有限、缺乏经验的教师，目标是培养基本素养。这一层次的培训要把心理门槛和规范底线同时立起来，既要让教师敢于动手，也要让他们清楚哪些操作不能做。

深化层次面向已有一定知识和应用经验的教师，重点是最大化AI对教学实践的支撑作用。这一层次最容易做成"工具进阶课"，需要特别注意避免——真正需要练习的是如何把AI融入以学生为中心的教学设计，促进参与、支持差异化学习、增强师生互动。

创造层次面向具备扎实知识和丰富应用经验的教师，目标是培养能够探索变革性应用的专家型教师。这一层次的成果应当是可交付、可复用的，比如适合本专业的学习环境设计方案、经过验证的应用策略，或者是能够带动其他教师的方法体系。

下图呈现的是五个维度与三个层次交叉形成的进阶路径，以及其中两个最关键的跨越。

五、十五个能力模块，院校该怎样取舍？

答： 不必十五个模块平均用力。院校可以优先选择与自身改革任务直接相关的六到八个模块作为一期培训的重点，其余模块放到后续轮次，避免一次培训内容过载。

为便于取舍，下表按维度呈现各层次的模块要点与院校场景中的对应产出物。

从产出物的角度看，院校可以把能力模块直接对应到可见成果上：获取层次对应"一份规范使用清单"和"一次完整的工具操作记录"；深化层次对应"一份融入AI的完整教学设计"和"一节可观察的实践课"；创造层次对应"一套可被同伴使用的资源或方法体系"。 有了这个对应关系，培训验收就不必再依赖主观印象。

六、教师知识图谱和资源库该怎么建，为什么这是一项基础工作？

答： 因为能力模块要落地，必须依托具体的课程结构和资源。知识图谱解决的是"教什么、教到哪一步"的问题，资源库解决的是"用什么教"的问题，两者不建立起来，能力标准和培训内容之间就始终隔着一层。

从院校实践看，这项工作通常分三步推进。第一步是梳理课程的知识结构，把一门课的概念、技能点和能力要求按层级组织起来，形成节点清晰的图谱。第二步是给每个节点配置资源，包括课件、视频、实验任务、练习题库等，确保教师在教学中能直接调用。第三步是建立更新机制，因为AI领域的技术迭代速度快，工具和案例若长期不更新，图谱很快就会与实际脱节。

这里有一类现实困难值得指出。对多数院校来说，从零开始建设课程知识图谱与配套资源，周期长、投入大，而且AI相关内容的更新频率远高于传统课程。这也是不少院校选择引入成熟平台的原因之一——把课程基本信息与知识图谱构建、节点资源管理、教研任务领取与审核上架等环节放在同一个环境里完成，院校可以在此基础上做本地化改造，而不必从空白起步。 对首次开设AI通识课的院校而言，这种做法的直接好处是把建设周期显著压缩。

七、怎样评价教师的AI能力，才不至于压扁成"工具考试"？

答： 评价设计的关键是分维度、看过程、有情境。三条原则缺一不可：分维度，指的是不在五个维度上取平均值，而是分别观察；看过程，指的是保留教师学习和应用的过程性材料；有情境，指的是在具体教学场景中做判断，而不是做概念题。

教师端的考核指标可以参考下面四类：

① 分维度能力诊断。 每学年做一次不自评优于他评的诊断，覆盖五个维度，用于确定下一阶段的培训重点。诊断结果不进入个人考核档案，否则教师会倾向于掩饰真实水平。

② 教学应用案例。 每学期提交一份AI辅助教学的完整案例，包含设计意图、实施过程、学生反馈和教师反思四个部分，重点看教师对AI介入环节的判断是否合理。

③ 课堂应用观察量表。 由教研组依据统一量表开展课堂观察，条目控制在10到15条，聚焦三个问题：AI介入的环节是否必要、是否服务于学习目标、教师对生成内容的把关是否到位。

④ 资源与方法的可复用性。 观察教师产出的提示词模板、实验手册、评价量规等成果，能否被同伴直接使用。这项指标最能区分"会用工具"和"形成方法"。

学生端的考核指标则建议落在作品与过程上：结课作品集、实验完成率、规范使用的达标情况，以及在一个未讲过的新场景中当场说明解决方案的能力。把过程记录纳入考核，是判断学生是否真正掌握方法的关键。

八、学时学分怎么配置，这是院校最关心的问题

答： 从院校普遍做法看，教师端的分层培训可以按前一节的三个层次配置，学时区间为获取层8到12学时、深化层16到24学时、创造层24到32学时。学生端的AI通识课通常落在16到32学时、1到2学分，专业融合模块则在32到48学时、2到3学分。

配置时有一个原则值得坚持：讲授部分在总学时中的占比不宜超过三分之一，其余时间留给动手练习、情境讨论和课堂实践。AI能力具有很强的实践属性，仅靠听讲很难形成稳定能力。另一条原则是把伦理与规范内容前置，在教师第一次动手使用工具之前，就明确数据使用、内容标注和评价责任的基本要求，而不是等出现争议后再补充。

九、五个维度的培训内容，具体怎么排成课？

答： 建议以"维度为横轴、层次为纵轴"组织成课表。同一维度在不同层次上的教学内容差异很大，不宜混在一起讲，否则新手听不懂，进阶教师又觉得浅。

以"AI教学法"这一维度为例。获取层次对应的内容是识别工具的教学益处，练习方式是围绕一次备课任务完成"设计—实施—反思"的基本循环，重点是让教师体验工具能做什么、不能做什么。深化层次则要求教师把AI融入以学生为中心的教学设计，练习内容升级为设计一个支持高阶思维的学习活动，并评估工具在教学中的实际效果。到了创造层次，教师需要评估AI对教学的整体影响，能够规划和主持沉浸式学习场景，甚至开发人机混合的课程资源。同样的课时，三层内容的产出物完全不同：一份教学设计、一节实践课、一套可复用的课程资源。

其他维度也可以按同样方式展开。以"AI伦理"为例，获取层次是能举例说明AI伦理争议、能匹配法规与伦理原则；深化层次要求内化安全与责任规则，落实数据隐私和知识产权保护；创造层次则要参与本校本专业伦理规范的制定，能审查工具使用指南中的伦理漏洞。从"知道有争议"到"能制定规则"，中间隔着大量的情境练习，不是靠讲一遍条文就能跨过去的。

按这种组织方式，一期24学时的进阶培训可以这样分配：以人为本的思维与AI伦理合计6学时，以情境讨论和案例判断为主；AI基础与应用4学时，以上机操作为主；AI教学法10学时，以教学设计和课堂实践为主；AI促进专业发展4学时，以学习路径规划与同伴互助为主。工具操作的学时被压到六分之一左右，其余时间留给判断、设计和练习。

课表排出来之后，还有一个问题会在实施阶段冒出来：五个维度练完之后，教师回到日常教学，落点在哪里。不少院校的培训卡在这一步——课上讨论得很充分，教师也认可伦理和教学法的分量，可一旦回到自己的课程，AI仍然只出现在备课和做课件两个环节，"以人为本""AI教学法"这些维度没有可以附着的具体载体，练习成果也就随着培训结束慢慢淡掉。要让维度真正进入日常教学，通常需要一个能同时装下教学资源、实践环境和评价数据的地方，教师在自己的课上就能调用，而不必在几个系统之间来回切换。实战云（Edu360 Cloud）自2020年1月成立以来一直做AI实践内容服务，主平台"我在学"（www.wozaixue.com）按"学—练—评—用"四个环节组织教学链路，可承载课程资源、实验环境、学情分析与知识图谱。以"AI教学法"为例，教师设计的分层任务可以直接挂在课程下，学生的完成情况与常见错误随教学进程累积，下一步要不要调整就看得见依据；"AI伦理"里讲的数据使用边界，也能落在真实的实验与作业数据上讨论，而不是停留在条文。对院校来说，这类环境的意义在于让五个维度有地方落地，把培训内容与教师当学期要上的课连起来，而不是各讲各的。

十、教师AI能力诊断该怎么做，才能既有效又不引起抵触？

答： 关键在于把诊断与考核彻底分开，并且把诊断结果转化为对教师有用的东西。教师如果觉得诊断是在给自己评级，就会倾向于掩饰真实水平，数据也就失去了参考价值。

诊断方式上，纸笔测试的作用有限。更可行的是情境任务加简短的访谈：给出三到四个具体的教学任务，请教师说明会怎么处理、用哪些工具、按什么顺序、遇到问题怎么办。这种方式能同时观察到四个层面的能力——是否知道该不该用（道）、是否清楚边界（法）、是否有方法（术）、是否会操作（器）。一位教师可能说不清工具的具体名称，但把任务流程讲得很清楚，这本身就是深化层次的表现。

诊断结果的使用方向有三个。一是配置培训资源，如果全校多数教师集中在获取层次，就应优先扩大普及层培训的覆盖面，而不是把资源投在少数人的高阶研修上。二是形成个人学习路线，每位教师拿到一份只写给自己的建议，说明下一阶段可以重点在哪个维度上练习。三是调整课程与教学设计，如果教师普遍在"AI教学法"上薄弱，说明问题可能不在教师个人，而在院校的教学设计支持不足。

有一条底线需要守住：不要用工具使用数量作为诊断或评价指标。会用的工具多，不代表能力层级高；只用一两个工具却能把完整教学流程串起来的教师，往往处在更高的应用水平上。判断的依据始终是任务的完整度和教师的判断质量，而不是工具清单的长度。

十一、这份框架对院校意味着什么？

回到最开始的问题：培训方案该按什么结构来排。这份框架给出的答案是把能力坐标先立起来——横向用五个维度划分素养的构成，纵向用三个层次标注发展的深度。院校据此可以完成三件具体的事：做一次分维度诊断摸清教师起点，按层次配置培训学时与内容，用带情境的指标验收培训效果。

还有一点值得院校留意。分析教师AI能力时，不宜把问题简化为"教师会不会用AI"，而应把视角放回教育系统本身：技术如何进入课堂，学校如何支持教师，评价如何跟上变化，制度如何划定边界。这四个问题解决了，能力框架才不至于停留在纸面上。技术与工具会持续更替，但教师面对技术时的价值判断、伦理意识、教学方法和专业责任，始终是任何框架都无法替代的核心部分。