ACRL批准图书馆AI能力框架

美国大学与研究图书馆协会（ACRL）董事会已于2025年10月3日的虚拟会议上，批准了《学术图书馆工作人员的AI能力框架》（AI Competencies for Academic Library Workers）。该文件旨在作为创建培训计划的指导框架，并为图书馆员社区制定自己的AI能力框架提供基础。

该框架的制定背景是认识到人工智能（AI）正在通过影响研究方法、教学实践、数据分析以及信息的生产和消费等方式，开始转变高等教育。AI正在被整合到图书馆软件和发现平台中，图书馆工作人员越来越需要帮助学生和社区评估和适当使用AI工具。

框架的特点与结构

该能力框架由 ACRL AI Competencies for Library Workers Task Force 于2024年7月创建。它扩展了 Lo（2025）提出的广义AI素养定义，将其量身定制为一套全面的、图书馆特定的能力。

该文件结构包含两个核心部分：指导心态（Guiding Mindsets）和能力（Competencies）。

1. 指导心态 (Guiding Mindsets)

这些心态旨在支持学术图书馆工作人员以好奇心、开放性和批判性探究的态度参与AI。指导心态包括：

好奇心（Curiosity）：保持开放探索AI工具的潜力和局限性。
怀疑精神（Skepticism）：批判性地对待AI，对结果和表述提出质疑。
判断力（Judgment）：在制定或建议AI相关决策时，平衡证据、机构背景和社区影响。
责任感（Responsibility）：将周密的评估和道德考量视为对社区的关怀和管理行为。
协作（Collaboration）：在评估AI工具时寻求多样化的视角。

2. 核心能力类别 (Competencies)

能力被组织成四个主要类别，这些类别与 Davy Tsz Kit Ng 及其同事对AI素养文章的内容分析相平行：

道德考量（Ethical Considerations）：旨在提供道德决策的基础。这包括促进AI技术和素养的公平获取，在数据使用和系统设计中促进公平性（包括理解数据偏差问题），保护个人隐私权、文化多样性和知识产权，确保AI系统的适当问责制（包括透明度和可解释性），以及考虑AI对社区、工人和环境的更广泛影响。
知识与理解（Knowledge & Understanding）：建立对AI技术的基本理解，例如理解“机器学习”、“多模态模型”、“提示”（prompting）和“语义搜索”等基本术语。该类别还要求工作人员理解AI的归属和检测（如AI检测工具的不完全准确性），及时跟进AI应用，并批判性地评估有关AI的信息来源，以应对积极或消极的炒作和误解。
分析与评估（Analysis & Evaluation）：旨在弥合理解AI与实施或创建新AI工具之间的差距。这要求工作人员能够解释AI技术及其对图书馆服务的影响，评估部署AI技术的益处与风险（包括算法固有偏差的影响），并使用多方面方法批判性分析AI技术（包括技术能力和道德方面）。
使用与应用（Use & Application）：强调AI的使用应基于情境、适当性以及与图书馆价值观的一致性。该能力包括应用AI提高任务效率和质量，利用AI促进工作场所沟通与协作，开发有效的提示策略，探索AI的创新能力，并选择注重可访问性和可用性的AI工具。

平衡人工智能的道德考量和实际应用

这份《学术图书馆工作人员的AI能力框架》（AI Competencies for Academic Library Workers）旨在通过其结构化的方法和指导性的理念，实现人工智能（AI）的道德考量与实际应用之间的精妙平衡。

这种平衡体现在以下几个核心方面：

1. 明确的哲学基础：批判性评估与选择性采用

该能力框架开宗明义地强调，学术图书馆工作人员应发展AI素养，但这种素养不意味着必须不加选择地采纳AI工具。

图书馆工作人员必须保持能力去批判性地评估和选择是否采纳特定的AI技术，评估依据包括：道德考量、性能标准、机构背景以及是否符合图书馆的职业价值观。这种“知情参与与深思熟虑的选择性之间的平衡”被认为是图书馆保持对社区相关性并忠于职业原则的关键。

2. 通过“指导心态”进行道德约束

框架中的“指导心态”（Guiding Mindsets）为学术图书馆工作人员提供了一种参与AI的导向性态度，这些心态本身就是对道德与应用进行权衡的基础。

判断力 (Judgment)：要求在制定或建议AI相关决策时，平衡证据、机构背景和社区影响。这直接要求在实际应用中纳入道德和情境的考量。
责任感 (Responsibility)：强调深思熟虑的评估和道德考量是对社区的关怀和管理行为。
怀疑精神 (Skepticism)：鼓励以批判性的方式对待AI，对结果和表述提出质疑。

3. 核心能力类别中的直接平衡：分析与评估（Analysis & Evaluation）

“分析与评估”这一能力类别（第3类）是连接道德理解与实际应用的桥梁。它要求工作人员在评估和实施AI工具时，同时考虑技术能力和道德影响：

多方面批判性分析：工作人员必须使用多方面方法批判性地分析AI技术。这包括同时考虑AI技术的技术能力（例如准确性、相关性和鲁棒性）和其道德方面（例如透明度、可解释性、偏差和公平性）。
权衡益处与风险：工作人员需要评估部署AI技术的益处与风险，这包括讨论如何判断AI工具的输出质量是否足够高，同时要考虑到使用AI进行信息发现时可能涉及的风险或资金投入。
偏差的考量：评估必须涵盖AI工具对数据质量的考量，包括其训练来源的多样性、训练集与预期用途的相关性，以及信息归属实践的道德性。工作人员还需解释算法中固有的偏差如何影响信息的凸显、隐藏或排除。

4. 道德考量（Ethical Considerations）作为应用的前提

框架将“道德考量”（第1类能力）置于应用之前，旨在为其他能力提供道德决策的基础。实际应用必须以满足这些道德要求为前提：

公平与责任：促进AI技术和AI素养的公平获取，并在AI系统设计和数据使用中促进公平性（包括理解数据偏差并解决偏差问题）。
问责制与透明度：确保AI系统的适当问责制，这包括要求创造者对数据选择和系统设计保持透明度、提供可解释的输出，以及确保准确性和可靠性。
更广泛的影响：在考虑实际应用时，工作人员必须考虑AI对社区、工人和环境的更广泛影响，例如意识到开发和支持AI系统涉及的“看不见的劳动力”和对环境的影响。

5. 实际应用（Use & Application）的道德引导

“使用与应用”能力（第4类）强调，AI的使用必须根据情境、适当性以及与图书馆价值观的一致性进行批判性评估。虽然鼓励实际应用，但这些应用是有明确指导的：

提高效率和创新：鼓励应用AI来提高任务效率和质量，并探索AI的创新能力。
以人为本的选择：在选择使用哪些工具时，框架要求工作人员选择注重可访问性和可用性的AI工具，从而确保AI解决方案能减少障碍，并改善图书馆系统对不同群体用户的可用性。
有效的提示策略：实际应用还包括开发有效的提示策略，以优化AI输出并提高准确性，这是一种负责任且高效的应用方法。

适用性与获取

由于学术图书馆工作人员的角色多样化，该能力框架无法统一适用于所有人。因此，鼓励使用者根据特定的工作职能或组织环境对其进行调整。该新的《AI能力框架》可在ACRL 网站的“标准、指南和框架”部分免费获取。

Let's Make AGI Real