← 返回 PaperDaily 大模型与智能体

54位成年人参与，AI素养被重新定义

这篇论文不聊“AI有多酷”，而是把镜头对准真正会被AI影响的人：社区里的成年人。它最有意思的地方在于，教育不是单向灌知识，而是和社区一起把问题问清楚。

龙哥读论文发布于 2026-08-14 09:10:48 阅读 4 查看原文

#人工智能 #AI应用

🐉 龙哥读论文知识星球来了！
公众号每日8篇拆解不够看？星球无上限更AI领域论文、资讯、招聘、招博、开源代码，一站式干货，每日2分钟刷完即赚！ 👇扫码加入「龙哥读论文」知识星球，前沿干货、实用资源一站式拿捏～ xingqiu_header

龙哥导读：
这篇论文不聊“AI有多酷”，而是把镜头对准真正会被AI影响的人：社区里的成年人。它最有意思的地方在于，教育不是单向灌知识，而是和社区一起把问题问清楚。

原论文信息如下：

论文标题:
Co-Designing Community-Centered AI Education for Adults: A Midwestern Case Study 发表日期:
2026年06月发表单位:
University of Michigan 原文链接:
https://arxiv.org/pdf/2606.26565v1.pdf

AI教育不应该只有“高大上”，这个社区案例给出了不同的答案

AI教育这件事，很多时候一不小心就会滑向同一个套路：先讲概念，再讲模型，再讲“未来会改变世界”，听起来很完整，落到社区里却常常像隔着一层毛玻璃。成年人真正关心的，往往不是“什么是机器学习”，而是“它会不会影响我的工作”“我刷到的图到底是不是真的”“平台和公司凭什么决定我看到什么”。这篇论文最有意思的地方就在于，它没有把AI教育当成课堂里的知识投喂，而是把它放进一个真实社区里，看看成年人到底需要怎样的AI教育。

图1：本次社区AI教育活动的内容设计示意图。论文把讲解、互动、示例和讨论揉在一起，核心不是“讲得多专业”，而是“讲得能不能进社区、进生活”。

这篇研究来自密歇根大学团队，场景设在美国中西部某大城市东侧的一个以非裔社区为主的社区。研究对象是54位成年人，48人线下、6人线上。论文的重点不是“教会他们做AI”，而是回答两个更接地气的问题：脱离学校体系的成年人，AI教育在实践中到底长什么样？以及这场教育活动能不能反映出社区层面的AI素养？

从“单向灌输”到“对话共创”：AI教育如何才能真正走进社区？

如果把传统AI课比作“老师在台上开火车”，这篇论文做的事情就像把火车改成了“社区大巴”：不只看终点，还要照顾每个人上车的时间、路线和晕车程度。论文把教育活动设计成共创式流程，研究团队和社区伙伴反复讨论内容、活动和表达方式，最后才定稿。这里的关键，不是把知识讲得更炫，而是把教育方式改得更像社区自己的事。

论文里提到的一个核心思路是社区基础参与式设计，也就是社区成员不是“被教育对象”，而是共同决定教育内容和形式的人。这个思路在社会计算和参与式设计里并不陌生，但放到AI教育里就很有意思：AI不是一套抽象技术，而是会进入招聘、教育、医疗、社交媒体、诈骗识别等具体情境的现实力量。社区成员如果只被动听“AI很强”，很容易产生两种极端反应：要么神化，要么恐慌。共创式设计的价值，就是把这种模糊情绪拉回到具体问题上。

这场教育活动的设计有四个特别值得拎出来说的点。第一是主题平衡：内容既讲AI的好处，也讲风险，不搞“AI万能论”，也不搞“AI原罪论”。第二是概念打底：尽量用低门槛材料，比如面向一般公众的教学视频和小游戏，减少技术术语。第三是本地相关性：用本地地标、体育队、社区里可能遇到的诈骗场景来举例，让AI不是漂浮在天上的概念。第四是对话式学习：不是讲完就散，而是留出问答、讨论和互动投票，让参与者把自己的经验说出来。

图1：教育内容设计图。论文把活动拆成讲解、互动、示例和讨论几个环节，强调不是“讲一次就完事”，而是让参与者在过程中不断形成自己的判断。

说白了，这套设计的思路很朴素：成年人不是来参加“技术夏令营”的，他们是带着真实生活问题来的。AI教育如果不能回应这些问题，内容再精致也像包装很漂亮但不顶饿的点心，看着热闹，吃完还是饿。

不只是学技术：AI素养应该是一种社区集体能力

这篇论文最值得记住的一句话，差不多可以概括成：AI素养不只是个人会不会用工具，而是社区能不能一起识别、理解、讨论和应对AI带来的变化。这里的“AI素养”，英文通常写作 AI literacy，直译就是人工智能素养。论文在讨论时还借用了“community capacity”这个概念，也就是社区能力：一个社区是否拥有识别问题、整合资源、形成共识并采取行动的能力。

这个视角很重要，因为很多现有AI素养框架默认受众是学生、技术从业者或者准备进入相关行业的人，重点放在技能、效率和职业能力上。但社区里的成年人往往面临的是另一种现实：他们不一定要自己训练模型，却一定会被模型影响生活。比如求职筛选、内容推荐、图像生成、语音伪造、隐私泄露、自动化决策，这些都不是“以后再说”的问题，而是已经在身边发生的事情。

所以，论文把AI素养理解成一种“社区集体能力”并不是概念包装，而是非常现实的转向。参与者在活动前普遍对AI有较强的泛化担忧：担心不可信、担心隐私、担心公司不会自律、担心社会层面的伤害。这种担忧并不奇怪，因为很多人接触AI的第一印象，往往不是“它能帮我写代码”，而是“它会不会骗我”“它会不会替别人决定我能不能得到机会”。

更有意思的是，活动结束后，这些担忧并没有凭空消失。论文没有把结果包装成“上完课大家都爱上AI了”这种童话，而是发现参与者的担忧依旧存在，只是变得更具体、更可说、更能落到问题上。这就是社区教育的真正价值：不是强行把情绪改造成乐观，而是把模糊的不安变成可以讨论和行动的判断。

比如，参与者在活动后更能区分“AI是什么”“AI在哪些地方起作用”“人类在哪些环节仍然在做决定”。还有人明确提到，AI图像识别、AI训练依赖人类数据、如何辨别真假图片，这些都是他们真正学到的东西。换句话说，教育没有把社区成员变成AI工程师，但让他们多了一层“看懂门道”的能力。这层能力不一定写在简历里，却可能直接影响他们在生活中的判断。

一个成功的社区AI教育案例：从设计到执行的细节与反思

这部分最像“幕后花絮”，但其实最能看出一场社区AI教育到底靠不靠谱。论文没有把活动办成“学术讲座搬到社区”的简化版，而是从时间、地点、交通、线上线下混合、饮食、儿童照看等细节上都做了配套。比如活动时间安排在傍晚，尽量避开工作时间；地点选在社区中心，而不是大学校园；需要的人可以获得交通支持；现场还提供食物和饮料。听起来像后勤，但实际上这些都是能不能让人真的来、来了能不能安心坐住的关键。

这说明社区教育不是“内容正确”就够了，环境设计同样重要。论文引用并呼应了参与式设计和社区能力相关研究的观点：学习环境如果不安全、不便利、不尊重参与者的生活节奏，再好的内容也很难真正进入社区。很多AI教育失败，不是因为知识点太难，而是因为组织方式默认了“所有人都能像大学生一样坐在教室里听两小时”。现实当然没这么配合。

活动过程中，研究团队用了预调查、后调查、互动投票和现场观察等方式收集反馈。这里的调查不是为了“考试”，而是为了让参与者把自己对AI的感觉说出来。比如活动一开始，大家对AI的第一印象就很分散：有人担心失业，有人担心政府和平台掌握更多控制权，也有人直接说“我还不懂它是什么”。这种差异本身就很说明问题——社区里的AI经验并不统一，教育内容也就不能假设大家起点相同。

图2：社区AI教育活动的核心内容设计示意。论文用平衡式内容、低门槛材料、本地化例子和互动讨论，把“理解AI”变成一场双向交流，而不是单向灌输。

互动投票环节尤其有意思。论文设计了真假图片识别任务，参与者需要判断哪些图片是AI生成的，哪些不是。这个环节看似简单，实际上非常适合社区教育，因为它把抽象的“生成式AI”直接拉进日常经验里。参与者不仅会判断，还会说出理由：背景是否太完美、颜色是否怪、眼睛是否不自然、整体有没有“发光感”。这种理由比单纯答对更重要，因为它说明参与者已经开始形成自己的观察框架。

论文还提到一个很实际的细节：活动里用了本地元素，比如本地景观和体育队相关内容。这个设计看起来不起眼，但效果很可能比“通用示例”更好，因为社区成员会觉得这不是遥远世界里的AI，而是和自己生活有关系的AI。教育一旦和本地经验挂钩，讨论就更容易打开，参与者也更容易把技术问题和现实风险连起来。

从结果看，这场活动的成功不在于“说服了大家AI很好”，而在于“让大家知道AI到底在哪儿、怎么起作用、自己该怎么看它”。这其实是社区AI教育最务实的目标。与其把AI包装成神秘黑盒，不如把它拆成几个社区成员能看懂的部件：数据从哪来、谁在训练、谁在部署、可能伤到谁、谁来负责。这样一来，AI素养就不只是知识，而是社区面对技术变化时的集体判断力。

龙迷三问

下面是龙哥对于大家可能的一些问题的解答：

这篇论文到底解决了什么问题？它解决的不是“怎么训练一个更强的AI模型”，而是“成年人尤其是社区中的成年人，应该怎样被更合适地教育AI”。论文关注的是AI教育如何走出学校和技术圈，进入真实社区，并且让社区成员真正参与进来。

文中的AI literacy和community capacity分别是什么意思？AI literacy就是人工智能素养，指人们理解、识别、判断和使用AI的能力；community capacity则是社区能力，强调社区能否调动人、组织和社会资源，一起识别问题并采取行动。论文认为，AI素养不应只看个人技能，也要看社区整体的理解和应对能力。

这场活动为什么要强调本地化和互动，而不是直接讲AI原理？因为社区成员最需要的通常不是算法细节，而是和自己生活相关的判断能力。互动和本地化例子能把AI从抽象概念变成可讨论的现实问题，帮助参与者把“我听说过AI”变成“我知道它在我生活里可能怎么起作用”。

如果你还有哪些想要了解的，欢迎在评论区留言或者讨论~

龙哥点评

论文创新性分数：★★★★☆ 这篇论文的创新不在模型，而在视角：把AI教育从“技能培训”转成“社区能力建设”，这个切口挺实在，也挺少见。

实验合理度：★★★★☆ 采用预后调查、互动投票、观察记录和社区共创流程，和研究问题是对得上的；不过它是案例研究，结论更偏质性理解，不适合硬往大规模普适性上拔高。

学术研究价值：★★★★☆ 对AI素养、社区教育和HCI/CSCW都很有启发，尤其适合研究“技术如何进入真实社会场景”这条线。

稳定性：★★★☆☆ 这套方法强依赖社区伙伴、场地组织和现场协调，能不能复制到别的社区，要看本地关系和执行能力，不是拿个PPT就能复刻。

适应性以及泛化能力：★★★☆☆ 思路可迁移，但内容必须本地化重做；不同社区关心的问题差异很大，不能把一个案例当万能模板。

硬件需求及成本：★★★★☆ 主要成本在组织、沟通和现场执行，不吃算力，技术门槛不高，真正烧的是人力和耐心。

复现难度：★★★☆☆ 研究流程清楚，但社区关系、参与者构成和现场氛围很难完全复刻，属于“方法能学，场景难抄”。

产品化成熟度：★★★☆☆ 适合社区活动、公益教育和公共传播场景；如果想做成标准化产品，还需要更系统的课程包、评估指标和长期效果验证。

可能的问题：样本规模不大，且高度依赖特定社区语境；它证明了“这样做有意义”，但还没证明“到处都一样有效”。

主要参考文献

Yao Lyu, Leonymae Aumentado, Holden Winton, Jared Lee Katzman, Sparkle Berry, Zachary Rowe, Kimberly Sanders, and Tawanna R. Dillahunt. Co-Designing Community-Centered AI Education for Adults: A Midwestern Case Study. arXiv:2606.26565v1, 2026.

Robert J. Chaskin. Building Community Capacity: A Definitional Framework and Case Studies from a Comprehensive Community Initiative. Urban Affairs Review, 2001.

Omaima Almatrafi, Aditya Johri, and Hyuna Lee. A systematic review of AI literacy conceptualization, constructs, and implementation and assessment efforts (2019–2023). Computers and Education Open, 2024.

*本文仅代表个人理解及观点，不构成任何论文审核或者项目落地推荐意见，具体以相关组织评审结果为准。欢迎就论文内容交流探讨，理性发言哦～想了解更多原文细节的小伙伴，可以点击"阅读原文"，查看更多原论文细节哦！