EP09. "Teaching AI Fluency：给 AI 素养教学设计者的 4D 框架实战"

首页 › AI 工具 › Claude · AI Fluency Collections · EP09

约 17 分钟· #EP09#Claude#AI Fluency Collections

这门课的读者不是「想学 4D 的人」，是已经会 4D、现在要设计课程去教别人 4D 的人——课程明确说是给已经熟悉 AI Fluency 框架、想把它教给学生的大学教师和教学设计师，起手点比 03_AI Fluency/EP01 高一层
Anthropic Academy「AI Fluency」系列面向高校教师/教学设计师的专属课程，7 节课 + 1 测验，约 4.5 小时，内容重心是「怎么教」「怎么评」「怎么落到具体学科」，不是重新讲 4D 是什么
全课分三段：先讲怎么教两个循环（4 种教学法），再讲怎么评估和设计作业（3 种评估法 + 3 种作业类型），最后讲怎么把框架套进自己的具体学科——每一段都配一次跟 AI 一起动手做的实操产出
前置知识：需要已经掌握 4D 框架本身（建议先上 AI Fluency: Framework & Foundations，即 03_AI Fluency/EP01），这门课完全不重讲框架定义

重点内容

框架的双重性质：既是「描述」也是「规范」

第 1 节课先定调一个贯穿全课的认知——4D 框架同时承担两种功能：描述性功能（解释人跟 AI 互动时实际发生了什么）和规范性功能（指导人怎么做得更好、做出更好的判断）。教学设计要不要突出某一面，会影响该选哪种教法。

四种教学法，按学生程度和课时挑选：

教法	结构	适合
Linear（线性）	按 Delegation → Description → Discernment → Diligence 顺序走，一个能力建立在上一个之上	新手，需要按步骤搭建结构
Non-Linear（非线性）	从框架任意一点切入，几个能力之间灵活跳转	有一定基础的学生，更贴近真实世界跟 AI 互动的复杂程度
Focused（聚焦）	只深挖一个能力，讲得比泛讲更深入	想在某一项能力上做专精的学生
Two-Loops（双循环）	把框架教成「战略层」和「战术层」两套嵌套的决策系统	程度较高的学生

📌 选哪种教法看三件事：学生的准备程度、可用课时、具体的学习目标。

实操（Mapping Your Teaching Context）：把自己的教学背景分享给 AI——课程细节、学生背景（注意隐私）、学生对 AI 的熟悉程度、学生的学习动机；跟 AI 一起探讨自己这个教学情境有什么特别之处、学生大概会在哪里强/在哪里卡、「教成功了」长什么样、有什么资源和支持、有哪些限制（课时有限、设备条件、机构政策）——产出一份「Teaching Context Document」，后面第 2、3 节课都会直接复用。

教 Delegation-Diligence 循环：用「有场景的决策」代替抽象定义

这个循环处理的是「该不该用、什么时候用、怎么用」这类战略和伦理层面的判断，不是操作层面的问题。课程强调 Delegation 的决定会引出 Diligence 的问题，Diligence 的考量又会反过来重塑 Delegation 的策略——两者互相塑造，不是各自独立打勾的清单项。

📌 教学上的关键提醒：透明和问责不是创造力的限制，反而会打开更多创作可能性——这句话本身也是这节课想让学生学到的态度。

实操（Creating Your Loop Scenario）：跟 AI 一起设计一个贴合自己学科的真实场景/工作流，细节要覆盖：具体在做什么工作、人和 AI 各自的能力和局限、伦理/透明度/问责怎么体现；在场景里设几个决策点，让学生在「战略选择」和「伦理考量」之间来回判断；同时规划怎么记录学生在这个场景里的思考过程。

教 Description-Discernment 循环：从「单次 prompt」升级成「持续对话」

这个循环讲的是「怎么搭建一个人和 AI 能有效协作的认知环境」这门手艺，重点不是单条 prompt 写得好不好，而是一段能持续积累共同语境的对话。课程点出一个常见的教学难题：学生一开始都是冲着「prompt 技巧」来的，但真正要学的是怎么跟 AI 建立真正的协作关系，这是更高层次的东西。

框架用 Product / Process / Performance 三个视角检视同一个协作过程：Product 是「产出了什么」，Process 是「用什么方法架构出来的」，Performance 是「互动本身是怎么展开的」。

📌 「两个循环是嵌套系统——战略层的决定，为战术层的互动搭好了容器。」教这个循环，本质是带学生从「自动化」走向真正的「增强」，一段成功的协作要有共同的词汇、固定下来的互动模式、能在前面对话基础上持续累积的机制。

实操（Creating Your Loop Scenario，延续上一节的场景）：把场景重点从 Delegation-Diligence 换成 Description-Discernment，设计 Product/Process/Performance 描述怎么随着反复迭代演变，规划学生怎么记录自己跟 AI 之间共同语境是怎么一步步建立起来的。

怎么评估 4D：三种评估法 + 每个 D 各自的评估重点

第 4 节给出三种互补的评估方式，课程明确说三种一起用，才能完整看清学生 4D 能力发展到哪：

评估类型	评的是什么
Outcome-Based（产出型）	学生跟 AI 协作后实际做出来的东西
Process-Based（过程型）	学生跟 AI 互动的方式、随时间怎么演进——不只看终点，看整个方法路径
Reflection-Based（反思型）	学生对自己思考过程的元认知，评的是「他知不知道自己在怎么想」

每个 D 分别看什么证据：

D	评估重点
Delegation	定目标、拆任务、选工具的能力
Description	对话质量、能不能一步步迭代优化
Discernment	批判性评估的能力
Diligence	伦理判断和问责意识

📌 「能观察到的行为和实际产出，比『猜学生是不是懂了』靠谱得多」——评估本身也是一次学习机会，不只是打分工具。

实操（Establishing Your Assessment Foundation）：描述一份学生会用到 AI 的具体作业，说清楚这份作业里 4D 的哪几项最重要；跟 AI 一起讨论哪几个 D 跟这份作业最相关、这个情境下「成功」的标准是什么、预判学生可能会卡在哪里或产生什么误解、什么样的证据能证明学生真的具备这项能力——产出一份贴合自己教学情境的评分标准（rubric）。

设计作业：Authenticity / Iteration / Pedagogical Transparency

第 5 节给出三条作业设计原则：

Authenticity（真实性）：作业要贴近真实世界里 AI 协作的样子，用学科里真实存在的问题，AI 的参与要真的能加分，不是硬凑
Iteration（迭代）：留出修改打磨的空间，让学生的成长能被看见
Pedagogical Transparency（教学透明度）：明确告诉学生，评的是「协作过程」，不只是最终产出

三种作业类型对应上面三种评估法：Outcome-Based 作业聚焦产出但同时能看出协作能力（例如「改进一份 AI 产出」或「比较不同 AI 系统的表现」）；Process-Based 作业靠标注过的聊天记录、录一段讲解自己怎么做决定的录音，把原本看不见的决策过程显性化；Reflection-Based 作业靠学习日志、个人 AI 使用政策声明培养元认知——但这类作业不能用太多，容易让学生疲劳。

📌 应对「AI 让学生产出的量暴增」这个新问题，课程给了四招：用详细的评分标准提高批改效率、加重同侪互评的比例、开「闪电轮」式的简短面谈、对学生作品做抽样检查而不是每份全看。

实操（Assignment Architecture）：把作业对接回第 4 节做好的评分标准，挑合适的作业类型（产出/过程/反思，或者混用），确保跟课程的真实情境对得上，同时把工作量控制在能承受的范围内。

AI 对自己学科的冲击：先分析，再写一份立场文件

第 6 节要求老师直接面对三个问题：自己学科里，哪些流程正在被自动化？人机协作在哪里创造的价值最大？怎么让学生学会未来管理并为 AI 系统负责？

📌 课程提醒冲击不是均匀发生的——可能课程内容不变但评估方式彻底变了，也可能教学方法在变但核心内容依然稳定，具体哪里变、哪里不变要自己分析。「AI Fluency 是放大学科专业性，不是取代它」这句话是这节课的立足点。

实操（分析自己学科受到的冲击）：把自己的学科背景交代给 AI，说明要做一份阐述自己立场的 position paper；一起探讨：自己学科里哪些常规任务现在/未来很快会被 AI 自动化，这会怎么改变哪些基础概念变得更重要或更不重要；准备好怎么回答学生那句「AI 都能做了为什么还要学 XYZ」，要给出真正贴合自己学科的答案（不是空泛的套话）；随着 AI 接手常规工作，哪些人类技能反而变得更重要；自己学科里学生还需要具备哪些新的能力才能跟 AI 有效协作。

把 4D 翻译成自己学科的语言

第 7 节（结课）要做的事是把学科里的隐性知识显性化——什么叫「做得好」、专家怎么沟通、什么问题才重要、这个领域的标准是什么，这些平时没人明说、靠师徒相传的东西，要拆解出来才能教给学生怎么跟 AI 协作。建议找同事一起做，四个讨论题对应 4D：

Discernment：「我们这个领域的『好』长什么样？」——讲清楚「卓越」具体指什么（不能只说一句空泛的形容词），找出区分「出色」和「普通」的具体特征，讨论怎么教学生认出这些质量标志，写下评判人类和 AI 产出都能用的标准
Description：「我们这个领域怎么沟通？」——精确列出这个领域的关键产出（不是泛泛的标签），把专家解决问题时的思路写下来，标出行业里的行为规范和惯例，让这些沟通模式对学生变得清楚可见
Delegation：「我们这个领域实际在做什么工作？」——把典型任务拆成一个个组成部分，标出哪些部分必须靠人的判断力/创造力/专业知识，讨论 AI 在哪些地方可以自动化、增强、或者作为 agent 独立运作，做出一套判断「什么时候该用 AI」的决策框架
Diligence：「我们这个领域的价值观和标准是什么？」——把学科专属的伦理框架写清楚，明确透明度和披露的预期，讨论问责标准和专业责任，想清楚 AI 参与进来之后这些标准该怎么应用

最终产出：一份汇总文档，收录每个能力在自己学科里的具体例子、怎么教这些能力、团队里哪些地方有共识/哪些地方看法不同、怎么把内容教给学生、怎么融进课程、怎么评估、以及后续怎么持续推进落地。

常见错误

❌ 没先确认学生的程度和课时，直接套用某一种教学法（比如新手班直接上 Non-Linear 或 Two-Loops）——四种教法各自适合不同的学生程度，选错了学生会跟不上
❌ 评估只看学生最后交上来的产出（Outcome-Based），没搭配 Process-Based 或 Reflection-Based——课程明确说三种评估法合在一起才能完整看出学生 4D 发展到哪
❌ 作业设计只顾「真实」，没考虑 AI 让学生产出量暴增之后批改跟不跟得上——课程给了详细评分标准、同侪互评、闪电轮面谈、抽样检查四招应对，设计作业时要一并规划
❌ 面对「AI 都能做了为什么还要学」这类学生提问，只用「打好基础总是有用的」这种空泛套话应付，没有针对自己学科给出具体、有说服力的答案
💡 4D 落到具体学科前，先把学科里那些没人明说、靠师徒相传的「隐性知识」（什么叫做得好、专家怎么沟通、什么问题重要）写出来——这是第 7 节练习的核心，也是这门课区别于其他分支课最关键的一步

Sources

官方文档：

Teaching AI Fluency（课程总览）— https://academy.claude.com/courses/teaching-ai-fluency
Welcome & approaches to teaching AI Fluency — https://academy.claude.com/courses/teaching-ai-fluency/welcome-approaches-to-teaching-ai-fluency
The Delegation-Diligence loop — https://academy.claude.com/courses/teaching-ai-fluency/the-delegation-diligence-loop
The Description-Discernment loop — https://academy.claude.com/courses/teaching-ai-fluency/the-description-discernment-loop
How do we assess the 4Ds? — https://academy.claude.com/courses/teaching-ai-fluency/how-do-we-assess-the-4ds
Designing assignments for AI Fluency — https://academy.claude.com/courses/teaching-ai-fluency/designing-assignments-for-ai-fluency
AI's impact and your discipline — https://academy.claude.com/courses/teaching-ai-fluency/ai-s-impact-and-your-discipline
Applying discipline expertise to AI Fluency — https://academy.claude.com/courses/teaching-ai-fluency/applying-discipline-expertise-to-ai-fluency