AI素养量表：评估与应用

推荐理由：尽管该量表发表于中等影响力期刊，但其在内容效度构建、结构界定及测量设计方面表现出较高的规范性。量表题项精简（12项），结构清晰（四维模型），能够有效降低测量负担并提升实证研究的可操作性。同时，该量表以通用型AI使用情境为基础，适用于不同人群与研究场域，具有较强的外部适用性。此外，该量表发表于生成式人工智能快速发展前期，在后续AI教育与人机交互研究中具有较高的参考价值与可复用性，因此已逐渐成为相关研究中具有代表性的基础测量工具。

随着人工智能（Artificial Intelligence, AI）逐渐融入日常生活，如何评估用户使用 AI 技术的能力愈发重要。本研究提出“人工智能素养”（AI literacy）的概念，并开发了一套用于测量普通用户 AI 素养水平的量化工具。

研究首先界定了 AI 素养的四个核心维度：认知、使用、评估与伦理。在此基础上，初步生成 65 个题项，并通过三阶段内容效度检验筛选至 31 项。随后基于两组样本数据，对量表进行精简与验证，最终形成包含 12 个题项的简化量表。结果表明，该四维结构模型具有良好的结构效度与内部一致性。

进一步分析发现，AI 素养与数字素养、对机器人的态度以及日常 AI 使用行为之间存在显著相关关系。本研究为评估用户 AI 能力提供了可靠工具，有助于深化对人机交互过程的理解，并为智能系统设计提供基于用户能力差异的参考依据。

现实需要

应对人工智能融入日常生活的现实需求：随着人工智能嵌入各类设备与应用，用户在日常生活中越来越频繁地与AI进行交互，因此有必要界定并评估其在这一环境中的基本能力。

提升人机智能交互效果：已有研究表明，用户能力水平会影响其与AI系统的交互表现。通过测量AI素养，可以为系统设计提供依据，使技术更好地匹配用户能力水平。

弥补现有测量方式的局限：既有研究通常使用“使用经验”或“使用频率”作为代理变量来衡量用户能力，但这些指标无法全面反映用户在理解、使用与判断AI方面的真实水平，因此需要开发更为系统的量化工具。

支持人工智能教育与能力培养：AI素养的多维结构（认知、使用、评估与伦理）可作为能力框架，为课程设计与教育实践提供参考。

理论需要

填补AI素养测量的研究空白：尽管已有研究涉及AI相关能力，但缺乏系统化的构念界定及其对应的标准化测量工具，本研究旨在构建并验证这一测量框架。

引入心理模型视角解释人机交互差异：AI素养会影响用户对系统的心理模型（mental models），进而影响其在交互中的理解与行为，该量表为研究这一机制提供了可操作的测量基础。

区分AI素养与数字素养：虽然两者存在交叉，但人工智能具有更强的复杂性与社会属性。用户在与AI（如智能体或机器人）交互时，往往不仅基于技术逻辑，还涉及社会性认知，因此传统数字素养框架难以充分解释相关能力。

构建多维综合能力结构：借鉴相关素养研究，本量表将AI素养界定为包含认知、使用、评估与伦理的四维结构，以覆盖从理解到操作，再到批判性判断与伦理反思的完整能力体系。

人工智能素养（AI Literacy）是指个体在与人工智能交互过程中，理解、使用并评估AI技术的能力，以及对其潜在风险与伦理问题的认知能力。

量表结构

该量表包含 4 个维度，共 12 个题项：

1. 意识（Awareness） 指个体对人工智能技术的基本认知与理解能力，包括识别AI技术及其在应用中的功能与作用。

2. 使用（Usage） 指个体操作和使用人工智能技术以完成任务的能力，包括使用现有工具及学习新应用。

3. 评估（Evaluation） 指个体对人工智能系统及其输出结果进行分析、比较与判断的能力，包括识别其局限性并做出合理选择。

4. 伦理（Ethics） 指个体在使用人工智能过程中，对相关伦理问题、责任归属及潜在风险（如隐私与安全）的认知能力。

意识（Awareness）

用于测量个体对人工智能技术的识别与理解能力。

Item 1 我能区分智能设备和非智能设备。 I can distinguish between smart devices and non-smart devices.

Item 2（反向计分） 我不知道人工智能技术如何帮助我。 I do not know how AI technology can help me.

Item 3 我能识别我所使用的应用或产品中所采用的人工智能技术。 I can identify the AI technology employed in the applications and products I use.

用于测量个体应用人工智能技术完成任务的能力。

Item 4 我能够使用人工智能应用或产品来辅助我的日常工作。 I can use AI applications or products to help me with my daily work.

Item 5（反向计分） 对我来说，学习使用新的人工智能应用或产品通常是困难的。 It is usually hard for me to learn to use a new AI application or product.

Item 6 我能够利用人工智能应用或产品来提高工作效率。 I can use AI applications or products to improve my work efficiency.

用于测量个体对人工智能系统及其输出结果进行判断与选择的能力。

Item 7 在使用一段时间后，我能评估一个人工智能应用或产品的能力和局限性。 I can evaluate the capabilities and limitations of an AI application or product after using it for a while.

Item 8 我能从智能代理提供的各种方案中选择一个合适的方案。 I can choose a proper solution from various solutions provided by a smart agent.

Item 9 我能针对特定任务从多种产品中选择最合适的人工智能应用或产品。 I can choose the most appropriate AI application or product from a variety for a particular task.

用于测量个体在使用人工智能过程中对伦理问题与风险的认知能力。

Item 10 我在使用人工智能应用或产品时会遵循伦理原则。 I comply with ethical principles when using AI applications or products.

Item 11（反向计分） 我在使用人工智能时不会警惕隐私和信息安全问题。 I am never alert to privacy and information security issues when using AI applications or products.

Item 12 我对人工智能技术的滥用保持警惕。 I am always alert to the abuse of AI technology.

信度与效度

信度（Reliability）

本量表整体及各维度均表现出良好的内部一致性。具体而言：

意识（Awareness）：Cronbach’s α =0.73

使用（Usage）：Cronbach’s α =0.75

评估（Evaluation）：Cronbach’s α =0.78

伦理（Ethics）：Cronbach’s α =0.74

整体量表的 Cronbach’s α =0.83。

上述结果表明，各维度α系数均达到0.70以上的推荐标准，说明量表在不同题项之间具有良好的内部一致性，能够稳定测量个体的人工智能素养水平。

此外，各维度的组合信度（Composite Reliability, CR）均高于0.70，进一步支持量表的信度质量。

本量表通过系统的三阶段专家评估过程建立内容效度。研究邀请5位领域专家（SMEs）对初始题项进行多轮筛选与修订，包括题项分类、一致性检验及焦点访谈，从而确保量表题项能够充分覆盖人工智能素养的四个核心构面（意识、使用、评估与伦理）。

研究采用验证性因子分析（Confirmatory Factor Analysis, CFA）对量表结构进行检验。结果表明，四因子模型拟合良好，各项模型拟合指标均达到推荐标准，支持人工智能素养的四维结构设定。

各维度的平均方差提取值（Average Variance Extracted, AVE）介于0.48 至 0.55之间。尽管个别维度略低于0.50的推荐阈值，但结合较高的组合信度（CR），仍可认为量表具有可接受的聚合效度。

各维度之间具有良好的区分性，不同构面之间能够有效区分，表明量表在结构上具有清晰的维度划分。

研究进一步检验了量表的效标关联效度。结果表明：

人工智能素养与数字素养呈显著正相关

与对机器人的负面态度呈显著负相关

与个体的AI使用行为（包括使用频率、广度与多样性）呈显著正相关

上述结果表明，该量表在预测相关行为与态度变量方面具有良好的效标效度。

综上所述，该量表在内容效度、结构效度、聚合效度及效标关联效度等多个层面均获得支持，同时具有良好的内部一致性，属于信效度较为完善的人工智能素养测量工具。

使用方法

本量表采用 7 点李克特量表（7-point Likert scale）进行计分。受访者根据自身在日常生活、学习或工作中与人工智能技术交互的实际情况，对各题项的符合程度进行评价（1 = 强烈不同意，7 = 强烈同意）。

量表用于测量个体的人工智能素养水平，包括认知、使用、评估与伦理四个维度。因此：得分越高，表示个体在人工智能环境中的综合能力水平越高；得分越低，则表明其在相关能力方面仍有提升空间。需要注意的是，量表包含反向计分题项（Item 2、5、11），在数据分析前需进行反向处理。

数据分析

研究者可基于12个题项计算总量表得分，或分别计算意识（Awareness）、使用（Usage）、评估（Evaluation）与伦理（Ethics）四个维度的平均得分，以评估个体整体及各维度的人工智能素养水平。需要注意的是，原研究表明总量表的信度（α = 0.83）高于各单一维度，因此在实证分析中建议优先将该量表作为整体构念（composite construct）使用。在进一步分析中，该量表可作为潜变量纳入结构方程模型（SEM或PLS-SEM），用于探讨人工智能素养与数字素养、对机器人的态度以及AI使用行为等变量之间的关系，同时也可拓展至技术接受模型（如TAM、UTAUT）或人机交互（HAII）研究框架中。

适用场景

教育研究：用于评估学生或教师的AI素养水平，并分析其对学习效果与教学实践的影响。

技术接受研究：用于探讨AI素养在技术采纳过程中的作用，如其对使用意愿与行为的影响。

人机交互研究（HCI/HAII）：用于分析用户AI能力差异如何影响其与智能系统的交互表现与决策过程。

AI产品设计：用于支持基于用户能力差异的系统设计与功能优化。

可解释人工智能（XAI）研究：用于评估解释机制对用户理解能力与信任形成的影响。

原文连接

https://doi.org/10.1080/0144929X.2022.2072768