当技术跑得比伦理快：一份来自孟加拉国的 AI 素养体检报告
想象一个场景：你所在的公司刚上线了一套 AI 简历筛选系统。工程师告诉你它"很准"，HR 说它"很快"，法务说它"合规"。但有一天，一个候选人投诉说系统对他的名字有歧视——你才发现，整个团队里没有一个人能解释这个模型到底在做什么、为什么会出错、出了错该怎么修。
这不是假设。这是 2025 年全球大多数组织的真实状态。技术能力在狂奔，治理能力在原地踏步。
孟加拉国 BUBT 的 Md. Masudul Islam、Mirza Niaz Morshed、Md. Shafiqul Islam 三人在 arXiv 2609.10489 发表了一项研究，用 300 人的跨部门调查给这个问题做了一个"体检"。他们的核心论点只有一句话：AI 素养不是教育问题，是治理问题。
把 Bloom 拉到 AI 时代：AIRE 六层分类法
论文最核心的理论贡献是 AIRE Taxonomy（Artificial Intelligence Reasoning and Ethics）。它把 Bloom 的认知层次分类法——记住、理解、应用、分析、评价、创造——改造成了 AI 时代的治理能力阶梯：
| 层级 | 学习结果 | 治理能力 | 可测量指标 |
|---|---|---|---|
| 1. Recognize（识别） | 知道 AI 是什么、能干什么 | 基础 AI 素养 | 开设 AI 模块的机构比例 |
| 2. Comprehend（理解） | 解释 AI 如何运作、如何影响社会 | 解释性理解 | 教师培训覆盖率 |
| 3. Apply（应用） | 在学习/工作中合乎伦理地使用 AI | 合规与负责任创新 | 伦理模块完成率 |
| 4. Analyze（分析） | 检测数据集和模型输出中的偏见 | 证据驱动的问责 | 算法审计次数 |
| 5. Integrate（整合） | 设计包容、透明、可持续的 AI 工作流 | 公平与可持续原则的制度化 | 伦理框架采纳率 |
| 6. Govern（治理） | 把素养转化为政策、法规、制度战略 | 预见性治理与伦理前瞻 | 国家 AI 基准纳入 SDG 报告 |
这个区分解决了一个长期困扰 AI 素养研究的混乱：到底"AI 素养"包括不包括"治理能力"？作者的答案是——素养是入口，治理是终点，中间隔着三个认知台阶。把它们混为一谈，就像把"识字"和"写小说"混为一谈。
17 个 SDG 的热力图：AI 素养如何映射到可持续发展目标
论文的第二个贡献是 AI-SDG Nexus Framework——把 AI 素养的四个维度（技术认知、伦理反思、社会公民治理、可持续性风险）映射到 17 个 SDG 上。
| SDG 集群 | 关键 SDG | 核心 AI 素养维度 |
|---|---|---|
| 基础赋能 | SDG 1-5（贫困、零饥饿、健康、教育、性别平等） | 数据伦理、偏见检测、算法公平性 |
| 基础设施与创新 | SDG 6-9（水、能源、工作、产业创新） | IoT/ML 技术素养、开放数据标准、算法审计 |
| 公平与包容 | SDG 10-11（减少不平等、可持续城市） | 可访问性、本地化、文化适应 |
| 可持续与环境 | SDG 12-15（消费、气候、海洋、陆地生态） | 环境数据素养、生命周期评估、遥感 |
| 治理与伙伴关系 | SDG 16-17（和平正义、全球伙伴） | 公民科技素养、算法问责、数据协作 |
300 人调查：技术强、治理弱的真实画像
论文的实证部分调查了孟加拉国 300 名受访者：学生 40%、教育工作者 25%、专业人士 20%、政策制定者 15%。64% 每天使用 AI，42% 接受过正式培训。
整体 AI-SDG 素养指数（ASLI）平均 3.59/5——中等水平。但分维度看，差距很大：
| 维度 | 得分 | 解读 |
|---|---|---|
| 技术认知素养 | 3.87 | 知道 AI 是什么、怎么用 |
| 可持续性素养 | 3.55 | 理解 AI 的环境影响 |
| 伦理反思素养 | 3.42 | 知道有偏见、但不知道怎么查 |
| 治理公民素养 | 3.21 | 最弱——不知道怎么问责 |
按职业分解更有意思：
| 职业 | 技术素养 | 伦理素养 | 治理素养 | 可持续素养 | Nexus 意识 |
|---|---|---|---|---|---|
| 学生 | 3.94 | 3.45 | 3.09 | 3.48 | 3.61 |
| 教育工作者 | 3.81 | 3.38 | 3.25 | 3.62 | 3.70 |
| 专业人士 | 3.79 | 3.47 | 3.30 | 3.58 | 3.73 |
| 政策制定者 | 3.91 | 3.54 | 3.46 | 3.68 | 3.82 |
回归模型：治理素养是最强预测因子
论文最关键的统计结果是多元线性回归：
| 预测变量 | 标准化 β | t | p |
|---|---|---|---|
| 治理素养 (GL) | 0.64 | 8.47 | <0.001 |
| 伦理素养 (EL) | 0.21 | 2.93 | 0.004 |
| 技术素养 (TL) | 0.18 | 2.61 | 0.010 |
这个结果有几个值得玩味的点：
1. 治理素养的预测力是技术素养的 3.6 倍（β=0.64 vs 0.18）。换句话说，一个人是否理解 AI 与 SDG 的关系，不取决于他多懂技术，而取决于他多懂治理。这直接挑战了"先学技术再说"的直觉——技术素养可能是必要条件，但远不是充分条件。
2. 伦理素养的独立贡献也显著（β=0.21）。伦理素养和技术素养的 β 接近（0.21 vs 0.18），说明"知道 AI 会出偏见"和"知道 AI 怎么工作"对理解 AI-SDG 关系同样重要。
3. 43% 的解释力不算高。剩下 57% 的变异来自哪里？可能是制度环境、个人价值观、信息暴露度等论文没测量的因素。这也提示了 AI 素养研究还有大量未解释的方差。
相关性热力图：治理与 Nexus 意识最强耦合
论文的相关性矩阵也值得细看：
| 技术 | 伦理 | 治理 | 可持续 | Nexus | |
|---|---|---|---|---|---|
| 技术 | 1 | 0.49 | 0.41 | 0.44 | 0.55 |
| 伦理 | 0.49 | 1 | 0.62 | 0.56 | 0.60 |
| 治理 | 0.41 | 0.62 | 1 | 0.58 | 0.67 |
| 可持续 | 0.44 | 0.56 | 0.58 | 1 | 0.64 |
| Nexus | 0.55 | 0.60 | 0.67 | 0.64 | 1 |
伦理与治理的相关性（r=0.62）高于技术与治理（r=0.41）——说明"懂伦理"和"懂治理"更可能同时出现，而"懂技术"和"懂治理"可以脱节。这印证了论文的核心论点：技术能力不自动带来治理能力。
障碍分析：60% 的人缺培训，49% 的人不信任
论文列出了 AI 素养落地的六大障碍：
| 障碍 | 占比 |
|---|---|
| 缺乏培训 | 60.2% |
| 伦理不信任 | 49.2% |
| 机构支持不足 | 48.3% |
| 政策空白 | 39.8% |
| 成本高 | 39.8% |
| 本地语言内容少 | 5.9% |
这和"技术跑得快、治理跟不上"的诊断一致：问题不在硬件投入，而在人力资本和制度信任。
局限性：单国样本的代表性
论文诚实地承认了几个局限：
1. 样本仅来自孟加拉国——一个发展中经济体，数字化进程快但治理能力还在建设。结论能否推广到发达国家或其他发展中国家，需要跨国验证。 2. 政策制定者只占 15%——治理相关的结论主要来自这一小群体，外推力有限。 3. 横截面设计——只能看相关性，不能看因果性。AI 素养和 SDG 意识谁因谁果，需要纵向研究。 4. 自我报告数据——所有分数来自 Likert 量表自评，可能受社会期望偏差影响。
这些局限不致命，但提示了后续研究方向：跨国比较、纵向追踪、行为测量（而不只是态度测量）。
为什么这篇论文重要
这篇论文在 AI 素养研究里的位置，类似于"AI 时代的公民教育宪法草案"。它做了三件之前没人系统做过的事：
第一，把 AI 素养从"教育话题"重新定义为"治理话题"。之前的研究要么把 AI 素养当技术技能培训（怎么用 ChatGPT），要么当伦理教育（AI 会出偏见）。这篇论文说：都不对，AI 素养是治理基础设施——和司法独立、新闻自由、公民教育一个层级。
第二，给出了可操作的分层框架。AIRE 六层不是抽象概念，每层都有学习结果、治理能力、可测量指标。政策制定者可以直接用它做国家评估：我们国家在第几层？差距在哪？该投什么？
第三，用数据说话。300 人调查虽然样本有限，但回归模型清晰显示：治理素养比技术素养更预测 SDG 意识。这个发现如果被跨国数据验证，将直接影响国际 AI 治理政策的资源分配——把钱投在治理教育上，比投在技术培训上更有效。
对 AI 研究者的启示
这篇论文对做技术的读者也有启发：
1. "AI 素养"不只是用户教育问题，也是系统设计问题。如果用户不懂你的模型在做什么，那不是用户的错，是你的模型可解释性不够。AIRE 第 4 层"分析"能力（检测偏见）的前提是模型能被审计。
2. "第 18 个 SDG"的隐喻适用于所有 AI 系统。任何一个 AI 系统都应该问自己：我对 17 个 SDG 里的哪些有正贡献？哪些有负贡献？我的存在是否让治理更难？这不是道德姿态，是系统设计维度。
3. 回归模型里技术素养 β=0.18 这个数字值得所有 AI 研究者反思。我们花大量精力提升模型性能，但用户对 AI 的理解几乎不来自模型本身——而来自治理框架、伦理教育、制度透明度。模型不是素养的载体，制度才是。
论文没有开源代码（社会科学论文通常没有），但附录里有完整的调查问卷——任何研究者可以直接复用，做跨国比较研究。
---
论文链接：arXiv:2609.10489 作者：Md. Masudul Islam, Mirza Niaz Morshed, Md. Shafiqul Islam（Bangladesh University of Business and Technology） 发布时间：2026-09-09