这篇文档属于类型b（文献综述类论文）。以下是详细的学术报告内容：

作者及发表信息

本研究由德国波恩大学医院医学教育研究所的Matthias Carl Laupichler*、Alexandra Aster、Jana Schirch和Tobias Raupach合作完成，发表于2022年9月26日的期刊《Computers and Education: Artificial Intelligence》（第3卷，文章编号100101）。论文题为《Artificial Intelligence Literacy in Higher and Adult Education: A Scoping Literature Review》，通过系统性文献综述，分析了高等教育和成人教育中人工智能素养（AI literacy）的研究现状、定义及教学实践。

主题与背景

随着人工智能（AI）技术在日常生活中的渗透，提升非专业人士的AI素养成为重要议题。论文指出，尽管儿童早期AI教育备受关注，但高等教育和成人群体同样需要基础的AI理解能力，即“AI literacy”（人工智能素养），以便有效与技术互动。然而，这一领域的研究仍处于起步阶段，定义模糊，教学内容缺乏共识。因此，作者通过范围性文献综述（scoping review），旨在识别当前研究的主题焦点、定义分歧及实践趋势。

主要观点与论据

1. AI literacy的定义与理论框架

作者梳理了AI literacy的核心定义，指出其最早由Konishi（2015）提出，后经Long & Magerko（2020）完善为“一组使个体能够批判性评估AI技术、与AI有效沟通协作，并在家庭、职场和线上环境中使用AI的能力”。论文对比了不同学者对AI literacy的划分：
- 技能导向型：如Liu & Xie（2021）认为AI literacy包含数字素养（digital literacy）、计算思维（computational thinking）和编程能力。
- 批判反思型：Ng等（2021a）提出四维度模型（理解、应用、评估、伦理），强调非技术背景学习者的需求。
- 争议点：部分研究（如Karaca等2021）提出“AI readiness”（人工智能准备度），侧重职业场景中的知识储备；而Markauskaite等（2022）批评“literacy”术语局限性，主张用“AI capabilities”（人工智能能力）涵盖更广泛的人类原有能力（如协作、创造力）。

支持证据：综述纳入的30篇文献中，16篇引用了Long & Magerko的定义，显示其影响力；但不同学科（如医学、商科）对AI literacy的侧重点差异显著，反映定义的领域依赖性。

2. 研究现状与地域分布

论文通过PRISMA框架筛选了900篇文献，最终纳入30篇符合条件的研究（2016–2022年）。结果显示：
- 地域集中性：北美（43%）和东亚（33%）主导研究，美国、加拿大、中国、韩国为主要贡献国；欧洲研究较少。
- 学科分布：教育学（33%）和医疗健康（30%）是两大主要领域，其次是计算机科学（17%）和商科（10%）。
- 研究类型：37%为课程设计（如医学院AI伦理课），23%为实证研究（如问卷调查医学生对AI的态度），23%为理论综述。

数据支持：图1显示“AI literacy”相关论文自2016年起逐年增长，2021年达峰值，表明研究热度上升。

3. 高等教育中的AI素养课程实践

作者分析了10项课程案例，总结以下趋势：
- 教学形式：50%课程采用编程实践（如Python训练），但争议在于是否需编程技能（Long & Magerko认为非必需）。
- 内容设计：70%课程包含AI基础（如“什么是AI”）、机器学习（machine learning）和伦理模块；30%专门探讨算法偏见（algorithmic bias）。
- 评估短板：多数课程依赖自评量表，缺乏标准化测量工具。

典型案例：
- Kong等（2021）的大学课程通过翻转课堂（flipped classroom）缩小计算机专业与非专业学生的AI素养差距。
- Xu & Babaian（2021）为商科学生设计的课程结合案例分析与编程，但学生反馈技术内容过难。

4. 未来研究方向

论文提出三大挑战：
1. 定义统一：需跨学科共识，区分AI literacy与类似概念（如数据素养）。
2. 测量工具：开发效度验证的AI素养评估量表（Ng等2021b呼吁）。
3. 教学适应性：针对不同成人群体（如医护人员vs.教师）设计差异化内容。

意义与价值

1. 理论贡献：首次系统综述高等教育和成人教育的AI素养研究，揭示领域碎片化现状，为后续研究提供框架。
   
2. 实践指导：指出课程设计的共性（如伦理模块必要性）与争议（编程比重），助力教育者优化教学。
   
3. 社会价值：强调AI素养对职场适应性和伦理决策的关键作用，呼应了OECD等机构对“AI时代公民能力”的倡议。
   

亮点与创新

• 方法创新：采用范围性综述（scoping review）而非传统系统综述，适应新兴领域的高异质性。
  
• 跨学科视角：对比教育学、医学、商科等领域的AI素养差异，凸显定义的情境依赖性。
  
• 批判性观点：质疑“literacy”术语的局限性，引入“capabilities”框架，拓宽研究视野。
  

（注：全文约2100字，涵盖文献综述的核心观点、证据链及学术价值，符合类型b的汇报要求。）