WEF发布全球教育AI就绪框架

2026年6月4日，世界经济论坛（WEF）发布《塑造未来学习：做好AI时代的教育准备》（Shaping the Future of Learning: Education Readiness for the Age of AI）报告。该报告作为世界经济论坛系列洞察报告的一部分，深入探讨了AI快速融入教育领域所带来的机遇与风险。报告提出了一套切实可行的“AI就绪框架”，旨在协助决策者、教育工作者、教育机构、技术服务商及社区群体，评估其是否已具备负责任且高效地应用AI所需的各项必要条件。

该框架涵盖了从治理体系、基础设施，到教学法、学业评估及学习者体验等诸多层面；它明确指出了在充分释放AI潜力的同时，维护认知发展、学术诚信及人际联结所必需的各项基石。报告的主要内容概述如下：

一、教育发展面临的新环境

报告指出，当前教育发展面临三个方面的重要背景。

首先，不断变化的经济格局。历次技术变革均倒逼教育适配劳动力市场需求，当下数字化、自动化和AI推动的快速技术变革正在改变全球经济，重塑对教育系统的需求。在此背景下，个人发展和应用认知、数字和适应技能的能力决定了他们如何有效地参与技术变革并从中受益。

其次，技术变革迭代加速。教育是仅次于科技、信息和媒体行业的第二大高AI密集型行业，学生、教师自发自下而上使用AI工具，但各国课程、考核、监管规则更新缓慢，形成技术落地快、制度治理慢的结构性错配。

最后，AI赋能教育前景广阔。AI在教育中的应用前景包括支持教师角色，改进评估与决策、普及负责任的AI和数字素养、规模化个性化教学等。

二、AI在教育中应用的风险

报告指出，AI在教育中的应用面临多重风险，其中已经识别到的非结构化风险包括四个：认知萎缩、幻觉和错误信息泛滥、学术诚信体系崩塌、人际关系的侵蚀等。

首先，认知萎缩。AI减少认知负担的能力，尽管具有高效性，却可能对教育构成潜在威胁。这种风险在儿童和青少年身上尤为明显，因为他们的神经发育仍在进行中。

其次，幻觉和错误信息泛滥。AI制造的虚假信息对教育构成威胁，这种威胁与以往的信息风险性质不同，因为它侵蚀了教育本身旨在培养的认知习惯。

第三，学术诚信体系崩塌。AI对削弱基于能力的资质和真实人力努力的信任与可信度构成威胁，从而损害教育领域的社会契约。

第四，人际关系的侵蚀。AI和数字技术可能削弱学习的关联性基础，部分原因在于许多工具更注重效率、个性化和规模化，而非共享的人类经验。

三、AI时代的教育就绪框架

报告指出，当前教育领域对AI的应对举措仍显分散。政策层面的工作侧重于监管与基础设施建设；教学层面的策略聚焦于课堂实践；而技术层面的解决方案则强调工具与平台。尽管上述各类干预措施均至关重要，但若孤立实施，则无一足以单独奏效。教育成效的产生，源于系统内多个层级之间的相互作用；与此同时，对这些成效所应承担的责任，也分散于不同的参与主体之间。

为此，该报告基于两大原则提出了教育如何做好应对AI的就绪框架，旨在组织与协调集体应对，目标在于识别并落实当下即可实施的变革，且其关注重点并非颠覆性的解决方案，而是致力于夯实基础，从而为教育事业的进一步发展提供坚实支撑。

框架构建的两大原则分别为：一是采用AI时应以增强学习效果、保障公平、维护机构信任并支持人类发展为基本条件；二是需要在标准和公平与自主性和灵活性之间取得平衡。一端是那些优先考量一致性、安全性和公平性的条件。其中包括明确的规则、统一的标准以及强有力的保障机制；另一端则是那些优先考量灵活性、响应能力和创新精神的条件。其中包括各类能够赋能教育工作者和学习者以适应具体情境的策略，例如个性化学习路径、学生主体性的发挥，以及将新兴技术融入教学与学习过程。

这一框架包括4个维度16个指标，4个维度分别为：赋能基础（Enabling foundations）、机构能力（Institutional capacities）、教学实践（Pedagogical practices）和学习体验（Learning experiences）。这四个维度呈纵向排列，旨在反映教育体系中的不同层级，从宏观的赋能基础到具体的学习者体验。自上而下，该框架的逻辑演进依次涵盖了塑造整体系统环境的各类要素、机构能力、教学实践，并最终落脚于学习者利用AI进行互动并从中获益所需的各项条件。

“赋能基础”是指塑造AI如何融入更广泛学习体系的外部条件。随着教育活动日益在数字化及AI赋能的环境中开展，塑造这些条件的责任已不再局限于正规学术机构，而是延伸至更广阔的平台与技术生态系统。尽管这些平台与技术最初并非专为教育而设计，但如今却在深刻影响着学习者获取并参与信息的方式。正是这些条件决定了AI的大规模应用能否实现可行、公平、财务可持续且对环境负责。

“机构能力”体现了学校、高校及培训机构将AI付诸实践的能力，即在运用AI以提升学习成效的同时，切实维护学术诚信、师生福祉与相互信任。这意味着要对学术诚信及知识产权进行有效管理；在人为监督与伦理准则的保障下，为教育创新营造安全的环境；保护那些有助于促进人际联结与身心健康的社会及实体空间；并让家庭与社区作为真正的合作伙伴，共同参与到负责任的AI应用之中。

“教学实践”涉及教育者在将AI融入学习过程中，如何运用专业判断力的条件。尽管AI能够提升内容获取便利性并优化教学任务，但有效的教学仍需要对情境的理解、关系技能以及判断AI何时有助于学习、何时无益的能力。这取决于对教师能力的投入、工作量管理、适合目标的评估方式，以及健全的AI与数字素养框架。

“学习体验”侧重于能够使学习者从AI增强的学习中获益，同时降低相关风险的能力与条件。要实现学习准备，需要持续努力加强包容性与可及性的设计、协作与问题解决方法、个性化与自主节奏的学习路径，以及支持终身、以学生为主导发展的系统。这些条件共同为学习者做好准备，使其成为积极、有道德且认知韧性强的AI使用者，在享受个性化和快速反馈的同时，也发展出AI无法替代的深层能力。

四、教育AI就绪框架的应用

报告指出，这项研究的意义在于努力超越关于AI是否会加强或削弱教育的两极分化辩论。当前的个重大机遇在于利用技术的力量，为学习者创造巨大的价值。而实现这一目标，就需要对未来的挑战与机遇形成共识，并确立一套共同的行动框架。

该框架可作为起点，推动在全球、国家及机构等不同层面上开展协作行动与实践落地。在实际应用中，若能通过利益相关者之间的结构化对话来推进，这些应用将发挥出最佳成效。决策者、机构领导者、教育工作者及其他相关方可共同运用该框架，以此评估现状、识别短板并统一优先事项；从而确保系统内某一层级所采取的行动，既能充分汲取其他层级的洞见，又能与其他层级实现有效协同。

对于教育官员和政策制定者来说，该框架提供了一个诊断结构，用于确定政策领先于实践的地方以及仍然存在的关键差距:

——我们是否有专门为AI学习环境中的儿童设计的可执行的数据和隐私保护，或者我们是否依赖于不是为此目的设计的通用框架？

–——我们使用哪些独立的、公开的证据来评估当前的教育技术投资是否正在改善学习成果，我们是否了解全部拥有成本？

——我们是通过沙盒、采购标准和认证协议为安全创新创造条件，还是技术在没有系统评估的情况下进入课堂。

对于学校管理人员和机构领导来说，该框架为领导层就其机构的地位和可能暴露的地方进行对话提供了结构化的基础。

——我们是否有一个明确的、沟通良好的、可执行的、员工、学生和家长都能理解的关于可接受的AI使用的政策，我们是否会随着技术的发展而更新它？

——我们是在积极保护物理空间、分配的时间和结构化的社交互动和协作学习机会，还是任由它们被侵蚀？

——我们是让家庭作为真正的合作伙伴参与技术使用、数据治理和学生福利的决策，还是只有在做出决策后才通知他们？

对于教师和教育工作者来说，该框架通过澄清AI支持学习的教学条件以及它可能阻碍学习的地方来支持他们的专业判断:

——我什么时候应该鼓励学生使用AI作为工具，什么时候应该坚持让他们自己完成任务？我有能力自信地做出这样的判断吗？

——我如何重新设计评估，以捕捉推理、反思和真正的理解，而不是AI可以轻易产生的输出？

——我是否得到了深思熟虑地整合AI所需的专业发展、时间和机构支持，或者我是否应该在已经要求很高的工作量之上完成这一过渡？

对于父母和看护人，该框架为家庭提供了具体的语言，从对AI的普遍焦虑转向具体的、富有成效的问题:

——我的孩子是否透明地使用AI，我是否有有效的渠道来了解正在使用哪些工具，正在收集哪些数据，以及我孩子的学习成绩如何受到影响？

——我的孩子是否正在发展学习所要建立的技能、习惯和关系，或者产生类似于学习但绕过学习过程的AI辅助输出？

——我如何在家里围绕AI的使用建立知情的界限，我在哪里可以获得指导，以支持我的孩子负责任地使用这些工具？

对于学生和其他学习者而言，该框架中的就绪指标帮助其确立学习的自主性:

——我是在培养课堂之外重要的能力（推理、协作、毅力），还是走捷径，现在感觉很有成效，但随着时间的推移会削弱我的能力？

——我是否理解AI帮助我学习和AI为我学习之间的区别，我对自己诚实吗？

——我是否在维系真实的人际关系，寻求真正的合作，并练习任何技术都无法为我开发的社交和情感技能？

五、教育AI就绪度的评估

该报告指出，这一框架的核心主张是，成果取决于四个维度之间的协调一致：若机构层面的治理无法转化为实际制度实践，则仍停留在理想层面；缺乏教学支持的制度性政策将难以进入课堂；而忽视学习者准备情况的教学创新，也无法实现持久的学习效果。

每个维度都由“准备度信号”支撑，这些信号突出了需要投资、改革以及跨利益相关方协作的重点领域：

（一）赋能基础维度的四个指标的评估参考

赋能基础包括数据治理和在线安全、数字基础设施和连接、可持续性和环境影响、经济效益与融资4个指标，各指标的评估参考如下：

1.数据治理和在线安全

透明的数据和AI治理：采用并执行国家框架，定义如何收集、存储、访问和使用学习者数据。这些框架包括对AI系统（包括第三方提供商）的审计、问责和监督机制。

针对儿童的隐私和安全保护：法律和监管保障，确保年龄适当的同意、数据最小化和免受算法偏见的影响。它们还限制了不适当的数据利用，并为人工智能教育环境中的安全内容和交互制定了可执行的标准。

网络安全和风险监督能力：系统级协议和监控机制，用于识别、监控、审计和应对数字和人工智能学习环境中的风险。

2.数字基础设施和连接

可靠连接和接入的可用性：以规定的最低连接标准提供可靠的宽带、设备接入和电源。

可负担性和公平性：监测各地区、收入群体和人口统计数据，为有针对性的、适应性的投资政策提供信息，以缩小基础设施差距。

互操作性和维护：开放标准、供应商中立性和数据交换原则，辅以日常监控、计划升级周期，以保持长期性能和弹性。

3.可持续性和环境影响

能源使用问责制和透明度：衡量和报告与信息和通信技术（ICT）相关的能源消耗，包括碳足迹和教育中生态责任部署的指导。

设备生命周期责任和电子废物管理：管理负责任的设备采购、维修、再利用和设备报废处置的政策，具有减少电子废物的可衡量目标。

可持续和负责任的采购：采购框架纳入了环境和道德标准，包括能源效率、耐用性、可修复性和绿色AI考虑因素，并在技术部门和审批流程中得到一致应用。

4.经济效益与融资

成本效益评估：能够根据对学习成果和教育工作者工作量的影响的独立和公开证据获得投资，包括将新技术整合到学习过程中的全部成本。

资金模式：通过由明确的监管和长期预算规划管理的多样化资金模式，确保教育技术的可持续、公平分配的融资。

采购和财政责任：管理教育公共支出的标准和问责机制，确保完全的成本透明度、供应商中立性，并使商 业关系服从于教育成果。

（二）机构能力维度的四个指标的评估参考

机构能力维度包括学术诚信和知识产权、教育创新治理、社会空间和福祉、社区和家长的参与4个指标，各指标的评估参考如下：

1.学术诚信和知识产权

学术著作权：机构建立、传达和执行对可接受的AI使用的明确期望，包括引用、披露以及学习者和教育工作者对合成媒体的使用。

知识产权监管：在教学、学习和研究中定义和应用AI辅助和AI生成内容的所有权和使用原则。

证书标准：在资格、评估和发表成果方面，对作者和原创性有明确的标准，包括对AI辅助工作的要求。

预期机制：一种正式的制度机制，用于监测AI工具、知识产权法和学术诚信风险的发展，并定期更新相应的政策。

2.教育创新治理

创新沙箱：结构化的试点环境和适当的创新空间，以便在全系统推广之前安全地测试、迭代和评估新的教育技术。

认证和影响评估协议：根据数据保护和安全标准，在采用教育技术创新和AI工具之前对其进行评估的过程，以及教育工作者的综合反馈机制。

活跃的教育技术行业协会：公认的行业机构制定和执行透明度、数据道德和学习影响证据的行业标准，在市场内与监管标准一起建立问责制。

3.社交空间和福祉

包容性物理空间的可用性：保护安全、包容的环境，支持面对面互动、游戏和体育以及数字学习环境。

分配的社交学习时间：专门用于社交互动、协作和玩耍的时间，正式融入学校的日常活动、时间表和活动中。

幸福感监测：定期测量出勤率、参与度和社会联系，将缺勤作为关键的预警指标进行跟踪。

无障碍支持服务：不仅在危机情况下，咨询、社会情感和心理健康服务也是持续支持的一部分。

4.社区和家长的参与

结构化的家长参与：为家长和护理人员提供明确的渠道，以获取学生表现信息，提供反馈，参与学校和学生数据治理，并为技术使用和保障决策做出贡献。

家长教育和意识：为家长提供知识和工具，让他们了解AI在教育中的使用，在数字环境中导航，并积极支持孩子在家的学习和幸福。

社区、雇主和职业伙伴关系：与雇主、行业、民间社会和文化组织建立积极关系，为学习者和护理人员提供对职业道路、现实世界机会和劳动力市场期望的了解，以及职业教育和咨询。

（三）教学维度的四个指标的评估参考

教学实践维度包括AI和媒体及数字素养、教育者的工作量和幸福感、评估、教育者的能力和自主性4个指标，各指标的评估参考如下：

1.AI和媒体及数字素养

素养框架的可用性：教育系统将AI、媒体和数字素养框架作为学习者和教育工作者的基本能力，并为课堂实践提供明确的指导。

跨学科整合和教育者支持：AI、媒体和数字素养跨学科整合，并得到专门的教师培训、课程指导和面向社区的学习计划的支持。

数字流畅性的系统测量：系统通过国家、地区或机构评估来评估和跟踪学习者和教育工作者的AI、媒体和数字能力。

2.教育者的工作量和幸福感

行政工作量和任务分配：各机构监测和审查在行政和非教学任务上花费的时间，找出简化流程和减少不必要负担的机会。

工作量、幸福感和任期监测：系统定期跟踪教育工作者的工作量、工作满意度、压力水平和保留率，作为教育工作者幸福感和组织健康状况的指标。

教育者支持：机构提供涵盖技术援助、同伴交流和心理健康的无障碍教学支持基础设施。

3.评估

展示理解：评估优先考虑推理、反思和迭代，而不是主要依赖回忆或最终输出的格式。

透明的辅助表现：评估政策规定了AI的允许使用，并要求在评估学习者有效和负责任地使用AI的能力时进行适当的披露。

负责任的评估过程：明确的框架来管理如何进行评估，包括披露评估中使用的AI工具、防止自动化偏见、身份验证和可访问的上诉协议。

技能认证：评估和获取超越学科知识的更广泛技能、态度和价值观的方法，与资格框架保持一致，并得到雇主和学术机构的认可。

4.教育者的能力和自主性

受保护的专业自主权：政策和制度实践保障了教育工作者在AI辅助和数据知情决策中的判断，确保教师保留对教学选择、工具选择和评估策略的权威。

专业发展：教育工作者可以获得持续的相关培训和支持，以使用新兴技术并建立真正的专业能力。

教育者代表：教师及其工会在塑造AI采用、课程设计和数字学习政策的机构中拥有正式、有意义的代表权。

（四）学习体验维度的四个指标的评估参考

学习体验维度包括无障碍和包容性学习、问题解决和协作学习、终身学习和学生驱动学习、个性化和自定进度的学习4个指标，各指标的评估参考如下：

1.无障碍和包容性学习

无障碍标准：通过和执行的标准确保学习环境适应残疾学习者、社会经济障碍和不同的连接水平，包括低带宽和离线选项。

辅助技术和设计：文本转语音和自适应界面等辅助技术在学习平台上得到规范和整合，并具有强制性的适龄设计要求。

本地化相关性：访问多语言和符合上下文的材料，防止通用或不一致的数字内容在文化和社会情感上脱节。

2.问题解决和协作学习

问题和基于项目的学习：通过项目和团队任务，整合对结构化认知挑战的持续接触和解决问题的能力。

教师培训：为教师提供设计、促进和评估基于问题和协作学习体验的培训和指导。

伙伴关系：与行业、民间社会和社区组织积极合作，共同设计融入课程的现实世界挑战、奥赛、黑客马拉松和模拟。

3.终身学习和学生驱动学习

学分记录和可移植性：可互操作的系统和通用标准，使学习者证书和进度记录能够在机构和提供者之间转移，并有透明的反馈机制支持学习的连续性。

对先前学习的认可：一个正式认可在传统教育环境之外获得的技能和知识的框架。

跟踪职业生涯中的学习情况：监控继续教育和继续教育的参与情况，积极的校友关系机制。

选择退出机制：对学分进行有意义的控制、透明的治理、同意机制和强有力的选择退出选项，以防止滥用或确定性。

探究式学习发展：在教育系统中加强开放式、探究式学习模式的整合，激发好奇心，鼓励探索。

4.个性化和自定进度的学习

自适应学习系统：根据个人学习进度动态调整内容、速度和难度的系统，在人工监督下确保自动化支持而不是取代教学判断。

基于掌握的课程：能够根据所展示的理解而不是年龄和花费的时间来进步，具有灵活的途径，可以适应不同的速度、优势、劣势和学习目标。

学习者能动性：衡量学习者的自我调节能力，在学习环境中设定目标，确保个性化加强而不是减少积极参与。

报告最后指出，技术本身并不能决定教育成果。当AI及其他新兴技术被盲目采纳而缺乏明确方向时，就可能削弱教育本身旨在培养的认知能力。因此，目标不应是为技术而技术，而是有意识地将创新与人类能力的发展相协调。最终，当前教育的核心问题不再是AI变得多么强大，而是社会如何有意识地塑造其在学习中的角色，以确保教育能在新经济和新社会中为学习者创造价值。

教育体系历史上曾多次适应深刻的社会、经济和技术变革。AI时代又是一个这样的时刻，充满不确定性，但也蕴含着无限可能。如果加以审慎思考，AI有助于打造更具适应性、包容性和应对现实教育挑战的学习环境。未来的工作不仅在于为现有系统寻找AI的应用场景，更在于通过重新构想教育方式，使技术进步与人类潜能的发展相契合，从而为未来的变革与机遇做好准备。

资料来源：

WEF. Shaping the Future of Learning: Education Readiness for the Age of AI. https://reports.weforum.org/docs/WEF_Shaping_the_Future_of_Learning_2026.pdf

[本文为教育部国别和区域研究基地中国教育科学研究院国际教育研究中心成果]

本文由中国教育科学研究院“教育国际前沿”课题组整理，课题组负责人张永军，编辑刘强。点击左下角阅读原文可下载该文献。