综述：高等教育中弥合学生人工智能素养差距的提示工程范围综述

《Computers and Education: Artificial Intelligence》：A scoping literature review of prompt engineering for bridging students AI literacy in higher education

这篇综述（Scoping Review）系统梳理了2020-2025年间关于“提示工程”（Prompt Engineering）在高等教育中如何帮助学生提升AI素养（AI Literacy）的研究。文章指出，将生成式人工智能（GenAI）整合进教学，需重点培养学生通过“角色设置、任务明确、语境构建、输出验证”等结构化的提示设计策略，以引导AI生成更精准、相关的输出，从而在实践中同步提升其（AI）使用、评估和伦理等维度的素养。综述归纳了六大研究主题，为教师课程整合、工具开发及未来研究指明了方向。

　　

引言：人工智能教育的新挑战与新机遇

生成式人工智能（Generative AI, GenAI）技术在教育领域的整合，正在深刻改变大学生的学习方式，尤其是在写作和问题解决活动中。这种整合是人工智能教育（AIED）更广泛愿景的最新发展。人工智能教育被定义为利用AI技术在教育环境中促进教学、学习或决策，其主要目标是为每个学习者提供个性化的学习指导。然而，人工智能教育的跨学科性质带来了独特的挑战，因为如果不理解AI技术的作用和工作原理，研究人员和实践者就有可能无法有效地实施AIED应用。

随着学生现在通过“提示”（Prompts）直接与AI系统交互，这些跨学科挑战变得日益重要，这需要特定的技能来充分利用GenAI的潜力。但在实践中，许多学生仍然缺乏充分挖掘GenAI潜力的技能。联合国教科文组织（UNESCO）的研究指出，大多数高等教育机构尚未形成正式的AI素养课程框架，因此学生往往在没有深入理解的情况下自学使用GenAI。学生在与GenAI交互时常常进行不熟练的提示，导致输出不准确。为了充分利用GenAI的潜力，需要一种精心设计的策略来制定和优化提示输入。输入提示是给予GenAI的指令，使其按照用户的意愿执行任务。描述为GenAI制定输入提示策略的术语被称为“提示工程”。

在教育的语境中，提示工程已获得国际学术界的认可。在一项涉及14位教育计算专家的多学科社论中，明确将提示工程列为推荐的研究重点之一，即通过有效使用GenAI来设计任务和策略，以促进学生的计算思维和问题解决能力。这种认可证实，提示工程不仅仅是技术技能，更已被定位为一种需要得到系统研究关注的教育计算实践。提示工程是学生必须关注的一项技能，因为通过理解提示工程的原理，学生可以在优化与GenAI互动的同时，发展批判性思维和AI素养技能。

AI素养是一种使用户能够与GenAI有效沟通、协作并批判性评估其输出的能力。因此，使用提示工程有助于学生理解和应用AI素养，从而对GenAI的回应保持批判性态度。本研究的关联性，因GenAI在各种教育目的中的出现所引发的学生角色转变而得到加强，这也提出了关于学生学习GenAI权利的议题。

方法学：严谨的系统性综述

本研究是一项范围综述（Scoping Review），旨在系统性地梳理和描绘现有关于“提示工程”在高等教育中如何“弥合”或“提升”学生AI素养的研究图景。综述严格遵循PRISMA-ScR指南，这是一种适用于新兴领域、证据尚在发展的标准方法。

研究团队在Scopus、PubMed和ERIC三个学术数据库中，对2020年至2025年10月9日间发表的文献进行了系统性检索。检索策略结合了“生成式AI”、“提示工程”、“AI素养”和“高等教育”等相关关键词。初步检索共得到76篇文献，在剔除重复项并按预先设定的纳入与排除标准进行两轮筛选（标题/摘要筛选和全文筛选）后，最终有15篇符合标准的实证研究被纳入本次分析。整个筛选过程的流程可参考PRISMA-ScR流程图。

纳入的15项研究反映了该领域仍处于发展初期的特点，自2022年11月ChatGPT发布以来，相关实证研究才开始大量涌现。研究采用了编码和主题分析的方法，重点关注六个研究问题，包括提示工程的定义与应用、用于弥合AI素养的提示策略、研究方法、任务类型、现有研究空白以及干预研究的结果。

核心发现：提示工程的定义、应用与策略

提示工程的定义与应用

文献中对“提示工程”的定义可以归纳为两种互补的概念化路径：显性定义和隐性定义。

• •
  显性定义：将提示工程明确定义为设计、制定和优化输入GenAI的提示的过程，旨在产生期望的、准确的和符合语境的输出。这一定义导向专门设计的教学，如包含独立模块和评估量规的提示写作工作坊。
• •
  隐性定义：将提示工程技能隐含在更广泛的GenAI使用能力或AI素养框架中，作为课程的一部分进行整合，而不单独定义。这种方式允许将提示技能整合到现有课程中，无需单独分配时间。

这两种定义方式在教学中各有侧重。显性定义提供了操作上的清晰度，便于进行专门的培训、评估和监督；而隐性定义则确保了跨课程的连贯性，并有助于强化基于伦理的使用治理。在纳入的15项研究中，有10项采用了显性定义，5项采用了隐性定义。

提示工程已被广泛应用于高等教育的多种学习场景中，以加强不同学科的学习过程。其中，在英语（特别是学术写作）和计算机科学（编程）学习中的应用最为常见，各出现在4项研究中。这主要是因为GenAI擅长引导生成文本和代码，能显著提升这两类任务的效率。此外，在工程、设计、医学（如妇产科临床场景）、心理学和翻译等领域的教学中也均有应用。

弥合AI素养的提示策略

有效的提示工程通常包含一套结构化的策略。综述发现，研究中最常强调的策略包括：

1. 1.
   角色设定：为GenAI指定一个特定的角色（如“你是一位经验丰富的编程导师”）。
2. 2.
   语境与任务构建：清晰描述背景信息和需要完成的具体任务。
3. 3.
   设定边界：明确限制输出的范围、格式、长度、风格等。
4. 4.
   请求解释与验证：要求GenAI分步解释其推理过程，或提供其答案的来源依据，以便用户进行核实。

特别是“请求解释与验证”这一策略被广泛采用。这是由于GenAI可能存在“幻觉”现象，即生成看似合理但不准确或虚构的信息。鼓励学生对输出进行验证和可靠性评估，是发展其批判性评估能力的关键。在使用的GenAI工具方面，ChatGPT在14项研究中被使用，占据主导地位，这反映了其当时的普及度和可及性。其他被提及的工具还包括Midjourney、DALL-E、Gemini等。

提示工程与AI素养维度的关联

本综述采用了Wang等人（2023）提出的AI素养四维框架，该框架基于“技术-认知-伦理”模型，聚焦用户与AI技术交互的能力，包括：意识、使用、评估和伦理。分析发现，提示工程的结构化实践能有效地激活这些AI素养维度：

• •
  意识：在定义角色和构建语境时，学生需要了解GenAI的能力与局限。
• •
  使用：在结构化地编写提示和管理多轮迭代对话时，体现了学生的操作技能。
• •
  评估：在请求逐步解释和核查输出时，直接对应了学生的批判性评估能力。
• •
  伦理：在考虑学术诚信、正确归属和潜在偏见时，涉及到伦理和责任维