一、研究背景
人工智能的飞速发展和广泛应用正深刻影响着社会各行业的发展趋势及用人技能需求。世界各国纷纷制定有关AI研发及应用的国家战略。2016年，美国发布了《国家人工智能研究与发展战略计划》，日本、加拿大、中国、法国、英国、德国、韩国等也相继在2017—2019年发布了AI战略计划（林健等，2020），将AI人才培养视为一项紧迫任务。作为人才培养和知识创新的重要阵地，高校肩负着为智能社会提供智力支撑和人力保障的战略使命。为了更好地适应智能时代人机协同的职场技能新需求，国内外高校都清楚地意识到提升大学生AI素养的重要性（屈廖健等，2025）。为此，开设AI通识课程成为众多高校提升大学生AI素养的关键举措（桂小林，2024）。据此，教育部等九部门于2025年4月联合印发《教育部等九部门关于加快推进教育数字化的意见》，文中明确指出要探索“人工智能+教育”应用场景新范式，建设“通用+特色”高校AI通识课程（中华人民共和国教育部，2025）。继而，在2026年1月召开的全国教育工作会议上，“加快普及全学段的人工智能通识教育”被列为核心任务（中华人民共和国教育部，2026a）。同年4月，教育部等五部门印发《“人工智能+教育”行动计划》，明确提出要促进全社会的人工智能通识教育，汇聚开发人工智能通识教育资源，鼓励高校和企业开发人工智能专业特色资源（中华人民共和国教育部，2026b）。近年来，北京大学、清华大学、浙江大学、复旦大学等国内多所高校已积极投身AI通识课程建设（陈静远等，2025），旨在培养人工智能时代的复合型AI人才。
生成式人工智能正以前所未有的速度引发传统职场技能的断崖式贬值，仅仅依赖长周期、小范围的计算机专业人才培养，已远无法填补全社会的数字素养缺口。因此，打破学科壁垒，将AI教育全面纳入侧重跨学科知识与智能素养的通识教育体系，已成为大规模、高效率提升全体大学生未来生存竞争力的迫切之举。通识教育始于19世纪初（吴健等，2022），在美国高校的兴起可以追溯到20世纪30年代（肖朗等，2021）。与旨在塑造完整人格的博雅教育不同，通识教育更侧重于大学生跨学科知识、公民素养和思维能力的培养，与专业主修形成互补。我国高校从20世纪90年代中期开始推进通识教育，取得了一定成效，不过也面临一些现实挑战。例如，通识课程与专业课程之间的内容差异化处理问题（王顶明等，2025），一些知识结构单一的学科教师难以胜任通识课教学的问题（岳李等，2025），通识课教学缺乏多元化教学手段运用（岳李等，2025；周谷平等，2019），以及通识课的教学评价标准问题（柳欣源等，2024）。
随着智能时代的全面到来，启动全学段AI教育和全民AI通识教育，既是应对社会智能化转型的重要举措，也是提升全民数字素养、构建未来核心竞争力的战略选择（吴砥等，2025；于春玲等，2024）。《全球数字教育发展指数报告2025——迈向人工智能时代的数字教育》显示，55.6%的国家正在积极打造AI教育课程体系（人民网，2025）。当前，国内外高校的AI通识教育均处于起步阶段，纵观世界一流高校的实践，美国麻省理工学院于2023年春季学期率先通过MIT Open Learning平台为在校生和校外学习者提供了在线AI课程。斯坦福大学于2023年秋季开始为本科生开设AI通识课程，将其置于“公民、人文与全球教育”等核心通识课程类别中。之后更多高校在2024至2025年陆续推出形式多样的AI通识课程，例如，哈佛大学在其“科学与技术在社会中的角色”通识课程类别下增设了多门AI相关课程，并推出了“哈佛AI沙盒”平台，旨在为师生提供一个安全合规的GenAI使用环境，促进AI在教学科研中的融合应用。宾夕法尼亚大学在大一研讨课等通识课程中融入AI相关内容。普林斯顿大学则将AI通识教育融入“定量与计算推理”通识课程类别，强调学生对AI的理解与应用能力。加州大学伯克利分校的通识教育体系以基础技能和“知识广度”为两大支柱，并在基础技能类“阅读与写作”通识大类下开设AI通识课，旨在培养学生开阔的学术视野和必备的学术技能。耶鲁大学将AI通识教育定位为“AI时代提升必备素养”的关键，从2024年开始陆续在多个学院推出多元化的AI通识课程。耶鲁大学不仅将AI通识课程纳入现有通识教育体系，还计划推出“AI通识微证书”和“AI实践营”等创新举措，强调通过多元化的学习路径，为学生在AI时代的未来发展奠定坚实基础。
面对2026年国家战略层面的全面加速与倒逼，目前我国高校的AI通识教育却严重滞后于技术迭代的步伐，在落地过程中日益暴露出任课师资不足、教学内容不明、教学模式单一等亟待破解的系统性瓶颈（袁婧等，2025）。这种教育供给与时代需求之间的巨大断层，使得探索一条行之有效的AI通识课程建设路径已刻不容缓。在此背景下，本研究选取世界一流大学已开设的典型AI通识课程作为研究案例，依托整合性课程设计模型，构建AI通识课程的五维分析框架。运用该框架深入剖析案例课程建设的关键要素和发展特点，以期为我国高校高质量推进AI通识课程建设提供参考。
二、研究设计
（一）案例选取
本研究采用目的性抽样策略，鉴于本轮GenAI的技术策源地与核心创新生态高度集中在美国，其顶尖高校在感知技术范式转换、获取前沿资源以及开展AI通识课程的前瞻性布局上具备明显的先发优势。在高校类型选择上，本研究选取了多年稳居QS世界大学排名前30位的7所美国顶尖高校作为研究对象，包括麻省理工学院、哈佛大学、斯坦福大学、宾夕法尼亚大学、普林斯顿大学、加州大学伯克利分校以及耶鲁大学。这些世界一流大学在学术声誉、教学质量及科研实力等方面均处于全球领先地位，同时，这些高校在通识课程建设方面也有着悠久的历史和丰富的经验，值得我国高校借鉴。在数据收集阶段，本研究设定2025年10月1日为检索截止时间，以“AI”“artificial intelligence”和“generative AI”为核心检索词，对上述高校官方网站的课程库进行系统检索。经人工甄别与筛选，最终确定了21门具备通识教育属性的有效样本课程，如表1所示。
（二）资料收集
研究者仔细考察了这21门课程的官网介绍，系统整理这些课程的开课时间、授课形式、开设学院、主讲教师及学科背景、所属通识教育大类、授课对象、学分、课程内容、课程资源、教学活动和学习评价等信息，由此了解这些课程建设的关键信息，为我国高校更好地开展AI通识教育提供参考。
（三）分析框架
为系统剖析所选AI通识课程案例的设计要素及内在关联，本研究以芬克（2006）提出的整合性课程设计模型为理论依据，构建了指向AI通识课程的五维分析框架。该模型的核心理念是将课程视为一个多要素动态协同的生态系统，强调情境因素是教学设计的逻辑基础，要求开发者在规划具体环节前，必须对教学发生的现实情境进行全面审查。在此基础上，课程需构建由学习目标、教与学的活动以及反馈与评价组成的核心三角。外围的情境因素与内部的核心三角相互制约、高度整合，共同确保课程设计的科学性与教学目标的有效达成。该模型被广泛用于指导高校课程建设与课堂教学实践。结合该模型的关键要素，本研究构建了AI通识课程五维分析框架（见图1）。该框架由外围的情境基底与内部的核心要素两部分构成：在情境层面，授课教师背景与课程组织形式是教学开展的先决条件，为课程设计提供基础支撑；在核心设计层面，承载学习目标的课程内容聚焦、驱动知识建构的典型教学活动，以及落实教育性评价的学习评价方式三者相互关联，形成内部的整合闭环。
三、世界一流大学AI通识课程建设特点
（一）课程组织形式
根据整合性课程设计模型，教学所处的特定环境与外部社会的期望共同构成了课程设计的情境因素。作为教学活动的逻辑起点，情境因素决定了课程如何回应外部现实需求。如表1所示，这7所美国高校开设的21门AI通识课程，在授课形式与开设时间上，直观反映了其对当前智能技术演进趋势的情境响应。
在授课形式层面，所选21门课程整体呈现以线下面授为主、在线教学为辅的特征。在芬克的理论框架中，面对面的实体课堂能够为师生提供深度互动、观点交锋与价值探讨的物理空间，这是实现通识教育中人文维度等高阶学习目标的必要条件。与此同时，部分课程辅以在线平台，进一步打破了传统授课的物理边界，有效拓宽了前沿技术普及的受众广度与学习灵活性。
在开设时间层面，这21门课程的首次开设时间高度集中于2023至2026年。根据芬克对“外部情境”的界定，社会环境与技术条件的剧变往往是推动课程变革的核心动力。这一密集开设的时间节点，正值GenAI技术的爆发与广泛应用期。这一时序特征客观表明，世界一流大学在面对新兴技术影响时的快速响应能力。它们能够及时捕捉外部社会对复合型AI人才的新需求，并迅速将其转化为通识课程实践，从而在特定的时代情境下完成了AI通识教育的初步布局。
（二）授课教师背景
授课教师的专业特征与学术背景也是课程设计中情境因素的重要内容。如表2所示，21门课程授课教师的教育和学术背景呈现出高度多元化和跨学科特征，涵盖计算机、数学、工程、人文、历史及管理等多个学科领域，形成了典型的复合型师资结构，为学生兼具技术理性与人文视野提供了基础保障。通过跨学科合作教学，不同背景的教师共同确定教学目标，以引导学生在面对AI复杂问题时，能够调用多学科视角探寻解决方案，从而达成全人教育目标。AI通识课程的师资背景直接决定了课程内容的侧重点。例如，哈佛大学的“机器的崛起？理解与运用GenAI”课程由物理系洛根·S·麦卡蒂教授主讲，他结合长期深耕物理本科教育的经验，将理科思维融入对GenAI的解析中；斯坦福大学的“AI时代的创造力”课程主讲人米歇尔·埃拉姆教授拥有文学、社会科学与STEM的复合背景，致力于探索人文与科技的深度交融；宾夕法尼亚大学的“AI正在如何改变高等教育？”课程由兼具文学、公共管理与法学学科背景的罗伯特·尼尔森教授执教，依托良好的跨学科底蕴，该课程精准聚焦AI引发的伦理困境与社会风险；加州大学伯克利分校的“AI背后的数学”课程由应用数学界资深荣休教授弗朗西斯科·A·格伦鲍姆授课，旨在为学生厘清人工智能底层的数学逻辑与算法根基；耶鲁大学的“写作研讨课：镜中AI”课程主讲人史蒂文·舒梅克教授则基于其三十余载的文学教研经验，试图通过该课程创新AI技术背景下的写作教学范式。
多学科背景教师联合授课是提升通识课程主题多样化的关键举措。例如，麻省理工学院的“K-12教育中的GenAI”课程由来自电子工程与计算机科学学院及媒体艺术与科学学院的六位教师共同执教；哈佛大学的“GenAI：如何使用及其重要性”课程则汇聚了肯尼迪学院三位具有多元学科背景的学者。普林斯顿大学的“AI增进全球福祉”课程虽由两位生物学背景的教师主讲，但他们巧妙地将生物多样性与生态学的研究经验转化为教学视角，引导学生从生态效用的维度审视AI的应用后果。这种跨学院、跨学科的协同教学机制，不仅打破了单一学科的知识壁垒，更通过不同专业视角的交融与碰撞，为学生提供了极具广度与深度的学习内容。它有助于学习者整合碎片化知识，构建系统性的认知框架，从而有效培育其跨学科思维与前瞻性的全局视野。多元化的师资配置成为高质量AI通识课程建设、提升大学生复杂问题解决能力的坚实保障。
（三）课程内容聚焦
课程内容是达成学习目标的核心载体。芬克在其“有意义学习分类学”中强调，全面的课程设计应实现从基础知识到应用与整合，再到人文维度与关怀的多维覆盖。通过对案例课程的梳理发现，世界一流大学在选择AI通识课程内容时，普遍采用模块化分层策略，以兼顾知识的系统性与跨学科广度。依据芬克的学习分类学，这21门课程的内容架构可归纳为三大类别：聚焦AI核心概念与技术原理的通识课程、聚焦AI在跨学科领域应用的通识课程，以及聚焦AI历史、伦理与社会影响的通识课程。
1.聚焦AI核心概念与技术原理的通识课程
基础知识是所有高阶学习发生的先决条件，它要求学生不仅要记住信息，更要理解事物的基本运作逻辑。对于非理工科背景的学生而言，理解AI的基础原理是消除技术恐惧、建立跨学科认知的前提。如表3所示，七门通识课程聚焦于介绍AI的底层逻辑和学科基础，包括算法、机器学习、数据科学乃至数学原理等。例如，加州大学伯克利分校面向大一学生开设的“AI背后的数学”课程，直接将支撑AI技术的线性代数、概率论、优化理论等核心数学知识作为教学重点，助力学生完成从基础数学到前沿技术的认知衔接。哈佛大学面向全体本科生的“AI、计算与思维”课程不要求学生具备复杂的编程技能，而是聚焦基础算法与编程概念、数据驱动与第一性原理等，旨在通过传授基础技术知识，培养学生与计算设备协作的思维模式，最终达成用计算思维解决自身领域问题的教学目标。
有的通识课程通过系统化和通俗化的内容介绍，帮助具有多学科背景的学习者破除对技术的认知误区。例如，麻省理工学院开设的“基础模型与GenAI”课程聚焦监督学习和强化学习的固有局限，阐述基础模型的实际应用等，以非技术视角引导学生建立对当前AI关键技术的系统理解。耶鲁大学面向所有本科生的“面向未来领导者的AI”课程更是将内容拆分为“数据与算法”“自然语言处理”“计算机视觉”“机器人技术”四大模块，以公共政策智能决策、医疗技术应用边界等贴近生活的案例为重要载体，用通俗语言阐释智能技术的核心原理。
还有的通识课程在内容设计上强调原理、实践与影响的递进与融合。例如，哈佛大学的“GenAI：如何使用及其重要性”课程从GenAI的工作原理切入（如深入讲解深度神经网络、对齐问题等），之后过渡到实践应用（涵盖提示词工程、聊天机器人进阶等），最终延伸至探讨技术应用的边界与社会价值。普林斯顿大学的“AI与人类社会”课程以及耶鲁大学的“AI应用导论”课程亦采取了类似的内容架构，前者在解析运行逻辑与典型应用的基础上探讨社会结构的重塑，后者则通过设计机器学习模型与数据处理的实践项目，帮助学生直观感受AI的能力范围与局限性，从而有效避免其对技术的片面化认知。
2.聚焦AI在跨学科领域的应用的通识课程
根据芬克的有意义学习分类学，应用与综合强调学生需要将新知识付诸实践，并建立不同思想、不同学科领域之间的深层联系。对于AI通识课程而言，这意味着需要打破单一计算机科学的视域限制，推动AI和各类学科融合共生。例如，表4中的九门AI通识课程将AI作为通用技术，广泛赋能于科学、人文、艺术及社会治理等多元领域，致力于培养学生在跨学科情境下的创新实践能力与知识迁移能力。
有五门课程聚焦AI与人文艺术领域的交叉，例如，斯坦福大学的“写作与修辞1：机器人与AI的修辞”、加州大学伯克利分校的“AI：人类智能的论据”以及耶鲁大学的“写作研讨课：镜中AI”等课程均被置于学校“写作与修辞”通识大类下。这些课程以AI相关议题为写作主题，在训练学生打磨自身写作与文本修改能力的同时，引导其剖析科技与人类社会的深层关联。此外，耶鲁大学面向全体本科生开设的“用AI创作艺术”课程指导学生学习生成艺术的理论与初级应用，并通过提交AI创作的艺术作品及针对同伴作品的批判性论文，兼顾了技术实践与人文思考的培养。斯坦福大学的“AI时代的创造力”课程进一步拓宽视野，将AI与人文、艺术等多领域融合，不仅探究AI在艺术领域引发的创作变革与审美突破，更围绕美学价值、公民社会发展、种族正义三大议题展开深度研讨，引导学生建立技术与人文共生的批判性认知。
有三门课程着重探讨了AI技术对传统学科的拓展与重构。例如，哈佛大学开设的“神经AI基础：自然智能与AI科学的协同作用”课程探讨了AI领域的突破如何从根本上改变人类对大脑的认知，以及如何借助脑科学反向推动AI的发展。同时，该课程要求学生借助GenAI的能力，获取神经人工智能（NeuroAI）基础研究的实践经验。麻省理工学院面向校内外学习者的“K-12教育中的GenAI”课程涵盖了K-12教育的新机遇、问题解决过程中分析性思维的作用，以及教与学工具的开发等内容。而耶鲁大学开设的“GenAI与社交媒体”课程则强调实践操作，任课教师直接引导学习者运用智能技术优化社交媒体的运营策略，并最终完成应用方案的设计与开发。
此外，还有高校开设的通识课程关注AI的应用与全球性挑战的应对。例如，普林斯顿大学在“定量与计算推理”通识课程大类中开设的“AI增进全球福祉”课程，明确以技术服务社会为核心导向。课程引导学生跳出对AI的微观层面思考，从AI在健康保障、教育公平、全球气候韧性建设及公共治理这四大宏观领域，深入探讨AI的应用情况与实践路径。这种具有全球视野的课程内容设计，可有效帮助学生理解通用人工智能在应对人类共同挑战中的巨大潜力与责任。
3.聚焦AI的历史、伦理与社会影响的通识课程
在芬克的整合性课程设计体系中，人文维度与关怀代表了学习的高阶境界。前者关注学生对学习过程的重新认识，后者则强调对特定领域情感、兴趣和价值观的深度投入。针对AI技术的工具属性及其引发的复杂社会效应，五门AI通识课程在内容规划上超越了纯技术导向，系统性地融入了历史、伦理与社会影响等维度的内容（见表5），旨在培养学生在智能时代的价值判断力与社会责任感。
部分通识课程致力于培养学生批判性分析技术正当性的能力。例如，斯坦福大学提供的“AI实用伦理学”通识课程系统介绍了后果主义、义务论以及美德伦理学这三大伦理框架，并深入探讨了它们与AI以及机器学习领域的关联研究。课程从不同伦理框架出发，介绍了真实情境中的AI相关话题，例如，从功利主义（utilitarianism）视角审视AI存在的风险，运用义务论分析AI驱动的隐性劳动力问题，并通过美德伦理学的视角思考未来人类与AI共存的潜在挑战。哈佛大学在“科学与技术在社会中的角色”课程大类下，面向全体学生开设了“机器的崛起？理解与运用GenAI”课程。该课程围绕AI的多维核心主题展开教学，通过对真实案例（如AI深度伪造、新闻领域AI应用等）的深度分析，引导学生审视技术对现实世界的潜在影响。同时，课程系统阐述了GenAI的基础工作原理，并融入AI安全知识的讲解，旨在帮助学生建立对技术风险的认知，培养他们应对未知风险的能力。
部分通识课程内容强调对政策逻辑与职业操守的深度理解。在斯坦福大学的“AI的公平性与治理”课程中，任课教师会带领学生们通过批判性研读AI政策文件，建立分析性视角，由此理解AI带给人类社会的影响。同时，教师还会通过组织学生围绕公平、问责、透明度等关键议题展开深入辩论，了解AI的“双刃剑”作用，借此发展学生的批判性思维。宾夕法尼亚大学面向大一学生开设的“AI正在如何改变高等教育？”课程聚焦GenAI及其他AI技术形式对高等教育领域产生的变革性影响。该课程着重剖析学生在使用AI过程中所面临的伦理困境和社会风险。其特色在于首周课堂即由师生共同制定课程AI使用准则，并在学期进程中对其进行动态修订，体现了AI在学术环境中应用的前瞻性与适应性。
另有部分通识课程通过建立技术与社会宏大叙事的关联，激发学生的社会关怀意识。耶鲁大学面向所有本科生开设的“AI入门：从图灵到ChatGPT”课程，为学生提供了一个系统梳理AGI完整历史脉络的视角。课程不仅普及了常见的AI技术知识，还引导学生将AI的研究与国防、气候变化等重大国家和社会议题相结合，由此引发他们的深入思考。
值得一提的是，除了上述五门聚焦AI伦理和社会影响的通识课程之外，其余16门AI通识课程中也或多或少包含与AI伦理相关的知识点。这一发现表明，国际一流高校已将技术向善作为通识教育的核心价值取向，使伦理教育成为AI课程体系中不可或缺的组成部分，从而实现了科技创新与人文价值的深度整合。
（四）典型教学活动
根据整合性课程设计模型，有效的教学活动必须超越单一的信息传递，构建融合“获取信息”“直接体验”与“反思性对话（包含独自反思与群体反思）”的主动学习闭环。本研究通过案例分析发现，所选世界一流大学的这些AI通识课程高度契合了这一理念，它们普遍摒弃了单一的讲授模式，转而通过多样化教学活动的整合，将静态的AI知识转化为学生在复杂情境下的综合素养。表6呈现了代表性AI通识课程中包含的典型教学活动。
其一，通过信息获取和直接体验活动，实现大学生对核心知识的系统内化。在AI基础概念与核心技术原理的教学中，教师并未照本宣科，而是将系统性讲解作为信息与观点输入的基石，并紧密衔接实践探索环节以提供直接体验。例如，耶鲁大学的“AI应用导论”课程通过设置实践项目，帮助学生在具体操作中直观感受AI的能力范围与局限，有效避免了技术认知的片面化。耶鲁大学的另一门“GenAI与社交媒体”课程，以讲解和讨论的方式让小组合作完成应用方案的开发，在实操中加强学生的跨学科理解。普林斯顿大学的“AI增进全球福祉”课程，通过案例分析、实践操作及项目式学习等学习活动鼓励学生进行AI伦理探讨，培养学生的跨学科协作思维。这种讲授和实操的组合，确保学生不仅能够获取技术知识，更能通过真实体验实现知识的应用转化。
其二，通过鼓励大学生与自我的反思性对话，开展人机协同的写作与交互训练。芬克强调，写作是激发学生与自我进行深层反思性对话的重要机制。在面对AI带来的冲击时，部分课程将写作训练与技术交互深度融合。例如，斯坦福大学的“写作与修辞1：机器人与AI的修辞”课程，引导学生围绕自动化技术的行业冲击、人类价值的重新定位以及人机互动模式的改变等三大核心议题展开写作实践。在此过程中，学生不仅提升了修辞表达与逻辑论证能力，更在与自我的反思性对话中，培养了对智能时代复杂议题的批判性思考能力。耶鲁大学的“写作研讨课：镜中AI”课程同样通过学术论文写作来训练学习者的逻辑表达与学术论证能力。
其三，通过鼓励大学生与他人的反思性对话，深挖AI相关的伦理与思辨议题。针对AI技术引发的社会与道德争议，一流高校普遍依托研讨式教学来构建学生与他人的反思性对话。例如，耶鲁大学的“AI入门：从图灵到ChatGPT”课程，其主要教学方法为研讨会，引导学生将AI与社会议题结合思考。在斯坦福大学的“AI实用伦理学”“AI的公平性与治理”以及宾夕法尼亚大学的“AI正在如何改变高等教育？”等课程中，教师组织学生围绕特定的AI伦理问题开展研讨或辩论。这种互动式教学活动促使学生在观点碰撞与跨学科协作中，跳出单一的技术视角，进而有效培养其道德判断力与社会责任感。综上所述，世界一流大学在AI通识教育中，以教学方法的多样化为显著特征，通过将讲解、研讨、实践、写作等多种教学活动有机融合，构建了符合芬克主动学习框架的教学环境。这种创新模式不仅极大地激发了学生的学习兴趣和参与热情，更有效地培养了他们应对未来挑战所需的高阶思维、解决问题的能力和人际沟通能力。
（五）学习评价方式
根据整合性课程设计模型，学习评价应摒弃单纯用于等级评定的审核性评价，而是转向旨在促进学生在真实情境中应用知识的教育性评价。本研究通过深入分析案例发现，世界一流大学的AI通识课程中针对学生的学习评价已超越单一的知识测验，转变为一套关联课程内容、适配教学方法、指向核心素养的多维评价体系（见表7）。这些评价设计较好地遵循了内部整合原则，通过前瞻性评价与反思性评价等任务形式，试图从不同维度考查AI核心素养的达成情况。
针对聚焦AI核心概念与技术原理的通识课程，其学习评价方式侧重于技术基础实操，旨在验证学生对基础知识的内化程度。此类课程致力于夯实学生的AI认知基础，因此评价活动常采用概念验证性的实践任务。例如，在哈佛大学的“GenAI：如何使用及其重要性”课程中，教师通过阶梯式的实践练习，引导学生在反复调用工具的过程中理解GenAI的运行机制。在耶鲁大学的“AI应用导论”课程中，教师布置了技术基础实操作业，要求学生搭建AI模型、调试实践项目，以此检验其对算法逻辑的底层理解。
针对聚焦AI在跨学科领域应用的通识课程，其学习评价方式转向结果导向的作品集考核，这高度契合了芬克所倡导的前瞻性评价理念。此类课程关注AI技术在具体场景中的落地，因此其评价跳出了标准答案的限制，转而要求学生在文学、艺术或社会科学等特定学科场景中利用AI工具解决真实问题。例如，耶鲁大学“用AI创作艺术”课程，要求学生提交AI生成的艺术作品；加州大学伯克利分校的“AI：人类智能的论据”课程则要求学生提交包含研究提案、摘要及完整论文的研究档案袋。这些显性项目成果不仅展示了技术应用的结果，更重点验证了学生的跨界迁移能力以及解决复杂问题的实战技能。
针对聚焦AI历史、伦理与社会影响的通识课程，其学习评价方式侧重反思性深度写作与专题研讨，旨在验证人文维度和关怀目标的达成。此类课程聚焦于技术背后的社会图景与道德困境，不再单纯考查技术操作的熟练度，而是通过案例剖析引导学生进行道德推理。以斯坦福大学的“AI实用伦理学”课程为例，其核心考核要求学生撰写案例分析报告并进行小组汇报，针对算法偏见、版权争议等具体伦理议题进行深度剖析。此类评价方式有效验证了学生的批判性思维、伦理敏感度以及社会责任感。
综上所述，上述三类学习评价方式分别构成了技术验证、前瞻性应用与反思性思辨的证据链，它们精准呼应了课程内容的分类架构，较好地体现了芬克课程设计中强调的核心三角逻辑闭环，系统支撑起AI通识教育培养懂技术、会应用、有担当的复合型AI人才的培养目标。
四、案例总结及启示
（一）世界一流大学AI通识课程特点梳理
本研究通过对美国7所世界一流大学开设的21门AI通识课程的系统剖析发现，这些课程并非各教学要素的随机组合，其中的内容较好地契合了整合性课程设计模型的核心理念。整体而言，这些课程在授课形式、教师背景、内容聚焦、教学活动及评价方式这五个维度上，较好地展现了情境基底因素与核心三角因素的有机协同（见表8）。
在课程组织形式方面，已有AI通识课程多为2023年后集中更新或开设，以面授课程为主，辅以少量在线课程。7所高校分三类，其中5所学校（斯坦福大学、宾夕法尼亚大学、普林斯顿大学、加州大学伯克利分校以及耶鲁大学）为在校学生提供了传统面授形式的AI通识课程，任课教师结合讲授、案例分析、研讨课等形式开展教学。哈佛大学授课方式兼顾线上和线下两种形式，学校为校内学生提供了三门线下AI通识课程，同时也为校内外学习者提供了一门在线AI通识课程。麻省理工学院充分发挥其Open Learning平台的优势，为校内外学习者提供了两门在线AI通识课程。绝大多数通识课程在教学中都强调互动、体验以及研讨等活动设计。
在授课教师背景方面，已有AI通识课程师资构成多元化，学科交叉特征明显，且重视跨学科合作模式的建立。一方面，跨院系组织机制成为主流，样本中的5所高校（麻省理工学院、哈佛大学、斯坦福大学、加州大学伯克利分校以及耶鲁大学）均采用多学院联合开课模式，有效打破了行政与学科壁垒，体现了AI知识体系的跨领域整合特性；另一方面，教师个体的跨学科素养显著，多门课程的主讲教师兼具文、理、工等复合学科背景。这种跨院系协同和跨学科师资的双重架构，有力佐证了AI通识教育综合性与交叉性的本质特征。
在课程内容聚焦方面，各类课程的内容架构高度呼应了“有意义学习分类学”，形成了承载不同维度学习目标的知识体系。具体而言：首先，聚焦AI核心概念与技术原理的通识课程旨在夯实学生的基础知识。此类课程的内容分布呈现出从通识认知到技术底座的谱系特征，具体涵盖了AI的工作原理及其应用（4所）、大语言模型与GenAI（2所）、机器学习（2所）、算法编程（1所）和数学基础（1所）等内容。其次，聚焦AI在跨学科领域的应用的通识课程侧重于推动知识的“应用与整合”。此类课程（6所）广泛将智能技术嵌入艺术、教育、文学写作等人文社科情境，旨在阐释AI对人类文化与社会生活的广泛影响。值得关注的是，哈佛大学开设的“AI与脑科学”课程进一步将视野拓展至前沿科学研究，体现了极具前瞻性的交叉学科定位。最后，聚焦AI的历史、伦理与社会影响的通识课程则明确指向了分类学中人的维度与关怀。此类课程跳出了技术工具主义的藩篱，重点讨论AI推广所带来的伦理议题，特别关注AI在加剧社会不平等、不公正以及权力失衡等方面可能产生的负面影响。
在典型教学活动方面，已有AI通识课程倡导场景化与体验式教学，全面转向指向高阶思维的主动学习活动设计。主要教学活动有核心知识的系统讲解与实践探索；伦理与思辨的研讨式深度挖掘；人机协同能力的写作与交互式训练。所有高校均涵盖基础知识讲授环节。在此基础上，教学形式呈现出差异化侧重：哈佛大学与普林斯顿大学倾向于使用案例分析法；斯坦福大学、宾夕法尼亚大学等4所高校侧重研讨式教学（seminar）；斯坦福大学、加州大学伯克利分校及耶鲁大学通过写作训练来巩固学习成果；而麻省理工学院等6所高校则普遍设立了实践项目，旨在通过“做中学”强化知识的迁移应用。整体而言，绝大多数课程均极力避免单向灌输，转而强调互动性、体验感与探究性的活动设计。
在学习评价方式方面，已有AI通识课程确立了呼应多维目标的教育性评价体系，较少采用知识测验，较多采用关联课程内容、适配教学方法、指向核心素养的多维评价体系，注重学生问题解决能力、沟通能力及合作能力的培养。5所高校（哈佛大学、斯坦福大学、普林斯顿大学、加州大学伯克利分校以及耶鲁大学）开设的AI通识课程要求学生递交文本写作。3所高校（麻省理工学院、斯坦福大学以及普林斯顿大学）开设的AI通识课程将小组项目与展示作为课程评价方式。还有3所高校（哈佛大学、宾夕法尼亚大学以及耶鲁大学）在课程评价中安排了技术实操内容。斯坦福大学和耶鲁大学的AI通识课程还安排学生进行AI作品创作。虽然各个学校通识课程的评价内容及形式有所差异，但不难发现，这些评价内容都指向学生的问题解决能力、书面或口头沟通能力，以及合作能力等技能。
（二）对我国AI通识教育发展的启示
我国高校虽然近年来普遍加快了AI通识课程的建设步伐（陈静远等，2025），但在实践层面仍面临教学要素内部割裂的现实挑战。在开课情境上，部分高校未能充分结合校本特色与生源结构，课程定位存在同质化和技术工具化倾向；在师资配置上，受制于传统院系管理体制，跨学科教学团队往往停留在形式拼凑，难以实现深度的知识融通；在教学与评价环节，受国内普遍的大班额教学条件制约，单向讲授与终结性测验仍占主导（柳欣源等，2024；岳李等，2025）。基于对7所美国世界一流大学开设的21门AI通识课程的案例分析可知，高质量的AI通识教育应当是一个各教学要素高度协同的生态系统。据此，为推进我国高校AI通识课程的高水平建设，本研究提出以下四点启示。
第一，立足校本情境要素，差异化重构有意义学习导向的AI通识课程目标与内容。上述案例表明，AI通识课程的建设绝非高校单一标准下的技术科普或工具培训，而是需要紧密结合学校办学理念与学科优势的情境化设计。以哈佛大学为例，其AI通识课程并未局限于单纯的专业知识传授，而是与本科教育的核心目标深度融合，致力于培养知识渊博、富有道德、理解AI并具备审慎应用态度的未来公民。这种强调学习意义建构的课程目标定位，能较好地激发学生的学习动机，充分体现了基于情境因素进行目标定制的优势。此外，这些一流高校还通过灵活设置学分与非学分课程、结合线下面授与在线开放平台，以最大限度地满足校内外不同背景学习者的个性化需求。因此，我国高校在探索AI通识教育实践时，首先应打开建设思路，进行严密的情境分析，即精准评估本校的学科底蕴、现有教学资源以及特定生源的认知起点。在此基础上，采取因地制宜的策略，依托“有意义学习分类学”构建分层分类的课程目标与内容架构。在课程的具体落实过程中，高校应突破单一的课程形态限制，灵活拓展受众范围与授课方式，以确保AI通识教育既能实现基础知识与应用技能的广度传播，又能彰显各校独特的教育特色，从而促进全体大学生AI素养的全面提升。
第二，突破院系管理壁垒，构建支撑学生多元素养达成的跨学科师资共同体。世界一流大学的已有实践表明，具备多学科背景与前瞻性视野的多元化师资，是保障AI通识课程实现跨界融合的核心因素。主讲老师不限于计算机学科或人工智能专业背景，这促使课程能够从源头上将技术理解、人文关怀与伦理审视有机融合。在我国高校的现实情境中，受制于传统院系分类管理体制与教学工作量独立核算机制，跨学科教师的深度协同往往面临制度性阻碍。因此，学校本科教育管理部门应采取行动，打破任课教师的学科壁垒。一方面，学校和学院层面应出台专项激励政策，以支持跨学科教师组建教学共同体，开展实质性的协同备课与合作授课，并确保学习者能够以多学科视角理解AI及其学科应用。另一方面，高校还应加大对非技术学科背景的教师开展AI素养系统培训的力度，不仅要提升教师的AI认知水平，更要为其提供AI技术应用和教学方法创新的实践机会，从而全面优化课程设计的师资情境配置。
第三，创新指向主动学习的教学方法，探索契合中国高校课堂的场景化育人新范式。纵观全球高校实践，大学AI通识教育的最终目标是提升大学生的AI素养，它既包含有关AI的体系化知识，更要包含构建式能力、创造性价值以及有关AI的人本型伦理（吴飞等，2024）。在整合性课程设计视域中，此类高阶目标的实现有赖于主动学习活动的构建。我国高校通识课程普遍面临大班额教学的现实约束，极易陷入单向知识灌输的传统窠臼。任课教师在课程设计上应依据学生特点以及授课内容的侧重点进行差异化构建，深入践行以学生为中心的教育理念。具体而言，针对那些旨在激发学生深度思考、强调思想碰撞的教学环节，可采纳互动式教学策略以及情境化探究模式。一方面，教师应积极设计并组织以AI应用为导向的项目式学习活动，为学生提供直接体验机会，赋能学生运用AI技术解决真实世界的复杂问题；另一方面，教师可通过案例驱动的深度研讨和AI议题辩论活动，促成师生及生生间的反思性对话。面对规模化教学挑战，教师还可依托数字化平台重塑交互空间，以此有效提升学生的批判性思维、沟通表达、团队协作能力，全面落实高阶AI素养的培养要求。
第四，实施契合多维育人目标的教育性评价，设计覆盖全过程、聚焦素养提升的多元评价方案。在整合性课程设计视域下，学习评价需要突破以分数为核心的审核性评价，转向以推动学生在真实情境中灵活应用知识为目标的教育性评价。然而，当前我国高校通识课程的考核往往受限于标准化考试的惯性思维，高度依赖期末闭卷测验或单一的总结性论文，这种评价模式极易导致通识课程缺乏实质性的学业挑战，使学生的认知停留在浅层学习阶段。因此，任课教师亟须破除单一评价路径，开展与不同教学模块有机整合的多元评价设计。具体而言，针对“AI核心概念与技术原理”模块，应引入前瞻性评价，将考核重点转向项目式学习成果与实际操作，要求学生设计、开发或实现具有实际应用价值的AI解决方案（如技术原型或创新应用方案设计），以精准评估其知识转化和技能应用能力。针对“AI在跨学科领域的应用”模块，教师可以引导学生围绕核心AI议题开展独立研究，通过提交作品集来验证迁移创新能力。针对“AI的历史、伦理与社会影响”模块，则应强化反思性的自我评价，教师可以通过布置深入的伦理挑战案例报告，深入考查学生在公平性、偏见、版权、价值对齐等复杂AI议题上的价值判断能力。最终，通过构建关注学生知识、技能、思维及价值观增值变化的全过程评价体系，教师不仅能够精准核验学生AI素养的学习产出，更能利用评价数据反哺教学设计，实现课程质量的持续迭代，推动AI通识课程核心三角体系落地。
[远程教育杂志 2026年第4期 作者简介：马学纯，浙江大学教育学院博士研究生；陈静远，浙江大学教育学院百人计划研究员，国家教材建设重点研究基地（高等学校人工智能教材研究）研究人员、博士生导师；陈立萌，浙江大学人工智能学院教师，国家教材建设重点研究基地（高等学校人工智能教材研究）研究人员；吴飞，浙江大学人工智能学院教授、博士生导师，国家教材建设重点研究基地（高等学校人工智能教材研究）执行主任；李艳（通讯作者），浙江大学教育学院教授、博士生导师，国家教材建设重点研究基地（高等学校人工智能教材研究）副主任，浙江大学自主知识体系构建与教育强国建设研究中心研究员。］
