斯坦福發布AI+學習白皮書提出12條建議

2025年7月21日，斯坦福大學學習加速器（Stanford Accelerator for Learning）發布名為《AI+學習差異：設計無邊界的未來》（AI+ Learning Differences: Designing a Future with No Boundaries）白皮書，強調AI可以成為支持有學習差異的學生的有力工具，但前提是其開發要以他們的需求和意見為核心。

該白皮書為斯坦福大學學習加速器組織的為期兩天的工作研討會和黑客馬拉松活動的結果，兩項活動都基于殘疾人權利原則“沒有我們的參與，不要對我們妄加評論”，強調在新興技術的設計中納入有親身經歷的人的重要性。隨著AI在教育和日常生活中日益融合，與會者反思了被嵌入AI系統的假設，以及在開發過程中誰被優先考慮或者被忽視。

在該白皮書中，“學習差異”涵蓋個體在能力、神經多樣性及認知方式上的廣泛譜系，既包含特定場景下被界定為殘疾的狀況，也承認人類學習與感知世界的天然多樣性。當前，全球多國正積極布局教育AI戰略：歐盟倫理指南強調可及性，澳大利亞聚焦負責任設計，非洲聯盟呼吁公平實施，南非推動STEM教育普惠，中國將AI納入義務教育課程，新加坡機構則通過AI實現個性化教學。教育領域的AI政策制定正在快速發展，并普遍認為應培養學生安全有效運用AI的知識與技能。

該白皮書將研討成果整合為九個相互關聯的章節，每章聚焦AI與學習差異交叉領域的關鍵維度，最后為開發者、教育工作者、研究人員和政策制定者提出了12條建議，具體如下。

一、對開發者的建議

延續打字機、電話、短信等工具從單一功能向多元場景演進的傳統，開發者必須在每個環節貫徹包容性設計理念。最具變革性的AI工具將具備多模態特性，并能預判和適應學習者的個體差異。融入通用學習設計（UDL）原則是優化設計流程的關鍵要素。

1.共創起點：聚焦學習差異的協同設計

創新發展要求開發者打破傳統壁壘，在早期階段就通過協同設計關注學習差異。有效啟動需要組建包含青少年、成人和有學習差異經歷家庭的設計小組。給予合理報酬既認可貢獻者的洞察力，也符合倫理設計準則。

開發者還應審核訓練數據集的代表性缺失，采用循證數據集可避免AI系統接受帶有偏見或不完整的信息。這種協同設計與循證實踐的雙軌策略，既能推動倫理創新，又能打造出情境契合、情感共鳴的工具，真正提升人們與技術互動的學習體驗。

2.差異設計：踐行UDL與神經多樣性理念

創新AI解決方案需適應用戶處理信息、自我表達及數字交互的方式。早期AI工具往往受限于單一輸入輸出形式，而當今多模態AI已能處理語音、文本、手勢和視覺信號。例如某些多模態系統開發者融合了計算機科學與AI技術——用自然語言處理實現語音識別，專家系統構建決策路徑，機器學習完成自適應個性化，以此驅動數字閱讀輔導等工具。未來，多模態系統或可生成實時適應用戶情緒、行為和溝通模式的沉浸式環境。

具體可操作步驟包括：在原型階段嵌入可定制設置，允許用戶調整信息接收與表達方式。開發團隊可參考CAST的UDL框架，整合學習差異、可及性與神經多樣性資源。UDL設計不僅能滿足認知與感知差異，更能促使開發者重構學習工具的基礎架構——讓可及性從事后補丁轉變為創新源泉。

3.融入原則：兒童發展與權利導向設計

開發者必須關注兒童脆弱性，構建促進其福祉的AI系統。建議采用“設計即兒童權利”方法，將《聯合國兒童權利公約》深度植入數字創新核心。該框架強調兒童的隱私權、安全權、自主權及事務參與權，拒絕將兒童視為被動用戶，要求在設計與部署各階段積極考量其發展需求和多元體驗。

適齡設計需體現兒童發展階段特征，包括：用兒童能理解的語言解釋AI原理、通過自主選擇培養主體意識、設定明確的數據收集邊界以保障透明度與安全。尤其在教育工具中，必須杜絕注意力操控或成癮性設計。以兒童最大利益為核心的設計理念，終將塑造更安全、更公平的數字學習與成長空間。

二、對研究者的建議

要充分發揮AI在教育與就業領域的潛力，必須持續開展聚焦可及性、公平性和可量化成效的研究。長期以來，實證研究成果始終指引著教育及職業培訓項目的科學開發。當前及未來關于AI與學習差異的研究，必將推動同類進步。盡管高質量研究面臨挑戰，但跨學科協作與多元參與者共建的機遇已然顯現。基于真實場景的研究設計將催生更多突破性創新。

1.研究AI的長期影響

實證研究的重要性與影響力再怎么強調都不為過。縱向研究對評估AI工具實效至關重要——它們是否真正促進參與、降低門檻并提升學生與從業者的成效？縱向數據還能追蹤生活滿意度的變化，這個日益重要的指標需結合自主性、參與度與發展機會進行長期明確定義。

為增強現實關聯性，研究設計應采用混合方法：既整合生活經驗的質性反饋，又納入歷時量化數據。與研究機構的合作可提供基礎設施與監督機制。唯有持續包容的研究，才能判斷AI系統究竟是拓展了機遇，還是固化了既有不平等。

2.建立倫理AI的評估認證標準

研究者應牽頭制定倫理AI應用標準，參照國際教育技術協會（ISTE）、數字承諾全球組織（Digital Promise Global）和常識媒體（Common Sense Media）等機構的先例。可先組建跨學科工作組，系統評估現有框架并識別空白領域。新標準需聯合倫理學家、教育工作者、技術專家等多元社群共同創建。倫理認證框架既要維護公平性、透明度和問責制，也需契合教育體系與職業發展項目的獨特目標與限制條件。

3.多渠道招募參與者并聯動教育者

通過與教育工作者深度合作，并借助教師網絡、研究注冊庫、先行試點區及眾包平臺等多元渠道招募，研究者能顯著提升AI研究的覆蓋面和現實意義。例如，部分非營利機構已組建教育顧問委員會，與高校研究者共同試點優化AI教學工具。

除創新招募策略外，基金會資助或公私合作等替代性融資模式對保障研究持續性至關重要。當研究目標與學區規劃、課堂實際緊密結合時，其對政策與實踐的影響力將大幅提升。應用研究與教學實踐的深度融合，方能讓AI產生持久、系統級的變革力量。

三、對教育工作者的建議

教育工作者正邁入一個激動人心的新時代——AI系統將成為他們的得力助手，既能放大教學影響力，又能讓每位學生在學習旅程中獲得個性化關注。通過配備合適的工具與培訓，AI系統將成為個性化教學的專業伙伴：它能協助定制課程方案、促進教師專業成長、并為學生迎接未來做好準備。雖然快速行動的呼聲很高，但真正賦能教育工作者需要深思熟慮的戰略規劃與持續支持承諾。由于教師最了解學生需求，關于AI在教育場景中的應用決策必須充分吸納他們的意見。AI永遠不會取代教師，但在最懂學生的教育者手中，它能重新定義學習的可能性邊界。

1.為教育工作者提供AI應用支持體系

教育工作者理應獲得高質量的培訓資源，以幫助學生應對不斷變化的未來。地區和學校管理者可以從建設可持續的專業發展體系著手，整合三大AI功能：智能備課系統、實時反饋工具、自適應教學模塊。個性化數據看板、智能輔導平臺和AI教研社區能讓教師根據自身教學目標、學科特點及課堂實際情況進行精準提升。面對學生的個體差異，教育工具的適應性往往決定著學習成效。當教師將AI系統融入日常教學實踐時，就能顯著提升教育公平性、課堂參與度與學業成就。

2.將AI納入個性化教育計劃

教育轉型過程中，必須倡導將AI技術整合進個別化教育計劃（IEP）等定制化教學框架。這種做法既符合教育技術發展趨勢，也強化了以學生為中心的設計理念。鑒于IEP流程涉及倫理與法律規范，教育管理者應建立跨特殊教育與普通教育的協同教研機制。在這些共創空間中，教師可以共享資源、切磋策略、協同創新，從而加強教育技術與個性化教學的有機融合。

3.AI驅動的個性化學習實踐

AI系統能讓教師基于實時學習數據動態調整教學內容、進度與輔助策略。建議從試點智能教學平臺開始，該平臺能根據形成性評估數據（如閱讀水平、參與度、學習偏好）自動調節教學策略。自適應學習APP或智能輔導系統等工具，可提供契合學生優勢與薄弱環節的差異化學習路徑。需定期核查AI輸出建議，防止出現算法偏見或匹配偏差。通過審慎實施，AI將成為連通教學設計與學習者多樣性的橋梁，最終實現教育普惠、深度學習與全員成長的三大目標。

四、對政策制定者的建議

隨著AI重塑教育和勞動力市場，政策制定者正面臨引領變革的機遇——通過構建AI治理框架為所有人創造發展機會。聚焦治理體系、跨領域協同和目標性投資三大方向，政策杠桿能將AI轉化為社會福祉的推動力。現有實踐已為賦能學習者和勞動者奠定了重要基礎。

1.構建全面的AI治理政策體系

建立審慎而前瞻的治理框架并非限制創新，而是以負責任的態度引導技術發展。正如醫療行業長期依靠嚴格標準在保護公眾的同時推進前沿技術，AI的應用同樣需要基于證據的倫理政策。完善的治理能確保AI系統公平透明，真正服務于全民利益。當政策制定者率先建立這些保障機制時，就能營造出讓社會安心擁抱AI潛力的環境。

2.推動教育、就業與AI領域的協同創新

打破領域壁壘才能實現實質突破。政策制定者可通過促進多方協作來激發變革動能：在AI政策戰略會議中組織跨領域研討，邀請利益相關方在委員會聽證會提供專業見解。這種協同機制能確保AI研發既保持創新性，又扎根現實需求。當各方利益形成合力時，學校教育將精準對接雇主需求，而學習環境中的AI應用也將融合多元群體的智慧。

3.加大AI創新投資的戰略布局

政策制定者在推動包容性創新方面具有關鍵作用，包括明確投資方向以支持為特殊學習需求者開發職業通道的AI工具。設立專項創新基金和公私合營資金流，既能扶持包容性技術的早期研發，也能促進規模化應用。這些投資應優先考慮終端用戶參與設計的解決方案，以提升實用價值。通過支持拓寬人才定義的創新計劃，政策領導者傳遞出重要信號：未來建設需要集體智慧。

資料來源：

Nneka J. McGee，Elizabeth Kozleski，Christopher J. Lemons，Isabelle C. Hau. AI + Learning Differences: Designing a Future with No Boundaries. https://acceleratelearning.stanford.edu/app/uploads/2025/07/AI-Learning-Differences-Designing-a-Future-with-No-Boundaries_Final.pdf

[本文為教育部國別和區域研究基地中國教育科學研究院國際教育研究中心研究成果]

本文由中國教育科學研究院“教育國際前沿”課題組成員整理，課題組負責人張永軍，編輯劉強，內容僅供參考。點擊左下角“閱讀原文”可下載該文獻。