数字素养是人们有效参与数字技术所塑造的环境所需的知识、技能、态度与判断力的综合。它涵盖操作设备和软件、查找与评估信息、创作与传播内容、管理数据,以及理解技术系统的社会影响。与更广义的识字概念一样,数字素养关注的是有意义的参与,而非机械地完成一项项孤立的任务。一个人可能熟练使用智能手机,却仍难以识别欺骗性广告、解读电子表格,或控制个人信息的披露。
数字素养之所以重要,是因为获得教育、就业和公共服务的机会,以及进行文化表达和参与公共事务,都日益依赖数字系统。数字素养的范围也随着技术和制度的变化而变化:早期对计算机操作和信息检索的关注,如今已扩展至平台治理、算法推荐、数据保护和生成式人工智能。因此,研究和政策通常将数字素养视为一组相互关联的能力,需要通过实践、教学和有利的社会条件逐步发展,而非一种一经获得便终身具备的资格。
历史发展与概念边界
数字素养源于几种相互交叠的传统。计算机素养在20世纪70年代和80年代的教育讨论中占据重要地位,通常强调熟悉计算机硬件、软件,有时也包括编程。信息素养关注人们如何确定信息需求、查找来源、评估证据并恰当地使用信息。媒介素养则探讨再现、说服、所有权、受众以及信息内容的生产。随着计算机通过互联网连接起来,这些传统日益融合:使用设备也意味着浏览和查找信息、解读媒介内容,以及与各类机构互动。
保罗·吉尔斯特于1997年出版的《数字素养》(Digital Literacy)一书,推动了这一术语在网络信息相关讨论中的确立。吉尔斯特强调理解和评估通过计算机呈现的信息,而不只是掌握软件命令。这一表述产生了重要影响,因为不断扩展的万维网使信息的质量与组织方式成为日常生活中需要关注的问题。用户接触到的文献不再具有单份报纸、某个图书馆馆藏或一本教科书所具备的编辑范围和界限。判断可信度,需要考察作者身份、证据、语境以及不同来源之间的联系。
后续研究进一步拓展了这一概念。2004年,约拉姆·埃舍特-阿尔卡莱提出了一个涵盖图像视觉素养、再创作素养、分支导航素养、信息素养和社会情感素养的框架。这些类别凸显了传统阅读教学未能充分涵盖的数字环境特征:解读界面、利用现有资源创作新内容、浏览非线性信息、判断可信度,以及开展在线社交互动。社会文化取向的研究同样强调,不同社群和机构的数字实践各有差异。撰写公共倡议帖文、管理科学数据集和参与网络游戏,涉及不同的惯例,即使它们所依赖的某些基础技能有所重叠。
因此,数字素养并没有普遍公认的固定边界。它与媒介与信息素养、数字能力、数字公民素养和计算思维相互交叉。数字能力通常指一套有明确规定的知识、技能和态度组合,尤其是在政策框架中。数字公民素养更强调权利、责任、参与和归属感。计算思维关注分解、抽象和构建步骤等实践;它可以促进数字素养,但并不意味着每一项体现数字素养的活动都必须以编程为前提。
“多元数字素养”(digital literacies)这一复数表达强调的正是这种因情境而异的多样性。在一种情境中具备的能力,并不会自动迁移到另一种情境:擅长剪辑短视频,并不代表善于评估金融信息;熟练使用电子表格,也不一定意味着了解网络骚扰问题。反过来,如果把每一种新应用都视为一种完全独立的素养,也可能掩盖来源评估、问题诊断和伦理判断等持久适用的能力。因此,这一领域区分可迁移的理解与针对特定任务的经验。
能力框架与政策定义
能力框架将宽泛的概念转化为可用于课程设计、评估和公共政策的具体类别。这类框架通常将操作能力与信息评估、沟通、内容创作、安全和问题解决等能力区分开来。其目的并不只是分类。框架有助于明确学习者应当能够完成什么任务、在什么条件下完成,以及完成时应具备多大程度的独立性。这样,就能将数字包容等抽象目标与可观察的活动联系起来,例如整理文件、核实信息来源,或管理共享文档的访问权限。
一个具有代表性的例子是欧洲联盟《公民数字能力框架》,通常称为 DigComp。该框架于2013年首次发布,将数字能力划分为五个领域:信息与数据素养、沟通与协作、数字内容创作、安全,以及问题解决。2016年发布的 DigComp 2.0 完善了其概念参考模型。2017年发布的 DigComp 2.1 针对21项能力划分并描述了八个熟练程度等级。2022年发布的 DigComp 2.2 则增加了知识、技能和态度方面的示例,以回应人工智能、数据密集型服务和远程互动等领域的发展。
DigComp 对熟练程度的划分,依据的不只是操作速度或一个人熟悉的应用程序数量,还考虑了任务复杂性、自主程度和认知要求。按照指示完成一项熟悉的任务,与独立为陌生问题选择工具,或设计可供他人使用的解决方案,并不相同。因此,同样是制作演示文稿,两个人可能表现出不同的能力水平:一个人照着模板制作,另一个人则会选择符合无障碍要求的格式、评估素材来源、管理权限,并根据不同受众调整成品。
2018年,联合国教科文组织统计研究所发布了《指标4.4.2数字素养技能全球参考框架》。该框架以 DigComp 及其他框架为基础,除信息、沟通、创作、安全和问题解决等较宽泛的领域外,还纳入了设备与软件操作以及职业相关能力。这项工作为可持续发展目标相关的监测提供了支持,尤其关注提升就业、体面工作和创业所需相关技能的目标。其覆盖范围更广,反映出在某一技术和经济环境中制定的框架,很难原封不动地应用于世界各地。
不过,框架本身也体现了对哪些活动应纳入考量、以哪些条件为前提的取舍。以个人在线交易为核心的框架,可能无法充分涵盖共用设备、集体解决问题,或通过即时通信应用开展工作的情况。职业能力框架可能要求具备某些专业能力,而一般的公民参与并不需要这些能力。因此,基于框架制定政策时,仍需结合具体情境加以解读:能力类别可以提供一套共同术语,但要使框架得到切实有效的实施,还取决于当地语言、可用的基础设施、机构要求,以及人们使用技术的目的。
操作技能、数据实践与内容创作
操作能力为许多数字活动提供了实践基础,包括熟悉并使用界面、在获准的情况下安装或更新软件、管理账户、整理文件,以及在应用程序之间传递信息。这些活动既依赖对概念的理解,也依赖对操作步骤的记忆。例如,认识到本地文件与云端文档的区别,就有助于理解为什么某份文档在离线时无法使用,或者为什么在一台设备上所做的修改会出现在另一台设备上。理解权限,则有助于区分查看文档、编辑文档和再分发文档的不同权限。
故障排查是操作技能的重要延伸。上传失败可能是因为文件格式不受支持、文件大小超出限制、网络连接中断,或权限不足。具备数字素养的人会判断故障可能出在哪里、尝试其他办法并解读反馈,而不是反复执行同一条命令。这种能力在一定程度上可以迁移到不同工具中,因为它依赖于建立对系统运作方式的认知模型。界面经常变化,但身份验证、存储、同步和访问控制等概念往往仍然适用。
数据素养关注数字信息如何生成、组织、解读和使用。在电子表格中,看似简单的决定也可能改变结果:日期可能按不同地区的惯例被解读,缺失值可能被误认为零,而仅对某一列排序,可能使其中的值与其所属记录错位。因此,相关能力也包括留意单位、变量定义、数据收集方法和不确定性。当数据看板或可视化图表展示百分比却不交代分母、对规模不等的群体进行比较,或暗示相关性足以证明因果关系时,理解统计学就显得尤为重要。
内容创作的范围从写作和图像编辑,延伸到制作音频、视频、网站、演示文稿和结构化数据集。这一过程包括根据目的和受众选择合适的格式、修改内容,以及检查内容在不同设备上的呈现效果。无障碍是这一过程的组成部分,而不是可有可无的收尾步骤。字幕可以让无法听到录音内容的人了解其中的言语信息;有意义的标题有助于使用屏幕阅读器的人浏览内容;替代文本则能传达信息性图像的用途。这些选择也会影响内容的可检索性、复用和理解。
创作还意味着了解素材来源及相关法律授权。素材可以被公众看到,并不一定意味着可以自由复制。著作权、许可条件、署名要求,以及合理使用等例外规定,都会影响素材的复用,具体情况因司法管辖区而异。知识共享许可协议提供了标准化的授权方式,但不同协议的条款有所区别:有些允许商业性复用,有些禁止改编,还有些要求改编作品采用相同的许可协议。数字素养包括识别这些区别并准确记录来源的能力。在技术上能够复制、修改或发布内容,与是否获得法律授权、是否符合伦理要求,是不同的问题。
信息评估与对平台的批判性理解
信息评估在用户打开某个具体来源之前就已经开始。搜索词决定了哪些资料会进入视野,而语言、地理位置、索引方式和排序系统都会影响搜索结果。搜索引擎并不是涵盖全部知识的完整目录,其结果的排列顺序也不能证明内容在事实层面是否可靠。广告可能与非付费结果并列显示,简短的答案面板则可能省略理解某项说法所必需的背景。因此,数字素养也包括理解人们接触证据时所处的信息环境。
评估一个信息来源,需要分别判断其专业性、证据、目的和相关性。专家可能在某一领域具有很高的权威性,在另一领域却未必如此。官方文件可以证实某个机构发布过什么声明,却不能独立证明声明的内容准确无误。个人叙述可以为某种经历提供直接证据,但仍不足以证明这种经历有多普遍。应采用什么标准,取决于所要回答的问题:查询博物馆的开放时间,与评估一项存在争议的科学论断,需要开展不同的调查。
一种得到广泛研究的策略是横向阅读:离开不熟悉的网页,查看独立来源如何评价其发布者、作者或其中的说法。这不同于仅凭网站自身的设计、宗旨声明或参考资料来评估网站。关于专业事实核查的研究,使人们注意到尽早核查外部背景信息的价值。相关做法还包括查找新闻报道所依据的原始研究、追溯引文的出处,以及核查图片最初呈现的是否是另一起事件。如果同一说法的多个版本都出自同一个来源,它们就不能构成相互独立的佐证。
批判性评估还涉及平台如何筛选和分发内容。推荐算法可能依据预测的互动程度、相关性、商业目标,或多种信号的组合,对内容进行排序。热度指标描述的是系统内的活动情况,并不直接衡量内容的真实性、公共重要性或代表性。自动化的个性化机制可以为不同用户营造不同的信息环境,但其影响取决于平台设计、用户选择以及更广泛的媒体体系。数字素养包括辨别这些机制,而不是认定所有信息流要么完全中立,要么能彻底决定用户所见所想。
人的判断也会带来更多复杂因素。确认偏误可能使符合自身看法的说法显得更可信,而熟悉感也可能被误当作证据。能够激起情绪或与身份认同相关的内容,可能在其事实依据得到审查之前就吸引人们的注意。因此,切实有效的批判素养并不等同于普遍怀疑。拒绝所有机构来源,可能与接受所有制作精良的网站一样无益。真正需要的是恰如其分的判断能力:根据证据的充分程度确定确信程度,承认不确定性,并在获得更可靠的信息时修正结论。
沟通、身份、隐私与安全
数字沟通既涉及技术惯例,也涉及社会层面的解读。电子邮件、协作文档、即时通信应用、讨论论坛和公开社交网络,在受众、信息留存时间、可见范围以及预期回复时间等方面各不相同。一条原本只面向小群体的言论,可能被复制到广泛得多的场合。信息在传播过程中可能脱离原有语境,而不同语言和社群对幽默或反讽的理解也可能不同。因此,沟通能力不仅包括知道如何发送信息,还包括理解谁可能收到信息、信息可能以何种方式留存,以及在谈及他人时需要承担哪些责任。
网络身份分布在账户、个人资料、记录以及个人和机构共同塑造的各种身份呈现之中。一个人可能在工作、家庭和休闲场景中展现身份的不同侧面,而平台则可能通过账户标识符或推断出的关系,将不同活动关联起来。使用化名参与并不等于匿名:一个账户即使没有使用法定姓名,仍可能通过其他信息与某个人关联起来。共用设备和共同管理的账户,也使“每个账户都对应一名独立用户”这一假设变得更加复杂。
数据隐私涉及个人数据的收集、使用、披露和治理,而不只是信息是否保密。一张照片可能泄露位置;一份联系人列表可能揭示涉及未曾上传该列表者的人际关系;活动记录则可能被用于推断兴趣或日常习惯。隐私设置只能控制其中一部分过程。自2018年起在欧盟适用的通用数据保护条例表明,与个人数据有关的法律义务并不限于个人选择。仅仅理解一项权限请求,并不足以判断某个组织的数据处理行为是否合法。
网络安全还涉及未经授权的访问、欺骗和系统完整性等问题。数字素养包括识别网络钓鱼、凭据窃取、恶意附件和身份冒用等常见手段,也包括理解身份验证、软件更新、备份和加密的用途及局限。例如,加密可以保护通信免受某些形式的截取,却不能证明通信另一端的人值得信任。技术上安全的渠道仍然可能传递诈骗请求。
安全不能仅靠用户保持警惕来保障。界面设计、组织流程、账户找回机制、内容管理政策及其执行,都会影响人们面临伤害的风险。即使经验丰富的用户,也可能遭遇胁迫、骚扰,或使用已被入侵的服务。同样,能够识别可疑信息,并不意味着有自由拒绝雇主或其他强势主体提出的要求。数字素养框架日益将个人能力与人权、机构责任以及数字环境的设计联系起来,强调应让人们能够参与其中,而不必承担不合理的负担。
不平等、无障碍与数字鸿沟
数字鸿沟不仅关乎一个人能否连接互联网。研究通常区分接入机会的不平等、技能与使用方式的不平等,以及从数字参与中获益的不平等。这些维度相互影响。一个家庭可能拥有一部可以上网的手机,却没有适合填写冗长申请表、同时打开多个窗口学习或制作复杂文档的设备。因此,一个看似已经普遍联网的群体,在完成重要任务的能力上仍可能存在不平等。
物质条件影响着技能的发展。可靠的电力供应、负担得起的网络连接、充足的存储空间、及时更新的软件,以及练习机会,都很重要。有限的流量额度可能使人不愿尝试新事物、通过视频学习或下载大文件。共用设备可能限制隐私和学习时间,而机构设置的过滤措施或账号规则则可能限制人们获取有用资源。公共图书馆或社区中心可以提供重要支持,但开放时间、交通条件以及是否有人提供协助,都会影响哪些人能够从中受益。
语言和文化背景也影响着参与。不同语言所能获得的界面、帮助材料和优质教育资源并不均衡。搜索系统在处理数字资源中较少使用的语言时,表现可能有所不同;语音或文本技术在处理某些方言时,也可能效果不佳。如果一项服务在数字化时没有兼顾当地的语言使用习惯,就可能把办理事务的困难转嫁给用户。因此,文化多样性既影响数字素养项目的设计,也影响数字系统所提供的内容。
对于残疾人士而言,障碍可能来自不符合无障碍要求的文档、缺少标签的控件、缺失的字幕,或以用户具备特定感官或运动能力为前提的身份验证流程。辅助技术可以帮助人们参与,但其成效取决于它们与内容及软件的兼容性。残疾并不意味着缺乏数字能力:一位熟练使用屏幕阅读器的用户,也可能因网站不符合无障碍要求而无法完成任务。若将这种失败归结为个人技能不足,就会误判原因。
年龄、教育程度、收入、性别、地理位置和以往的职业经历都可能影响机会,但这些因素都不能一概决定一个人的能力。数字原住民这一说法在21世纪初开始流行,但当它被用来暗示伴随技术成长就会自然而然地形成深入理解时,便受到批评。频繁使用数字技术进行娱乐或收发消息,并不一定能培养信息评估能力或职场技能。同样,老年人在经验和能力方面也存在很大差异。数字素养研究必须区分群体层面的模式与个人能力,避免将人口统计类别本身当作解释。有效的分析应当追问:哪些资源、经历和制度安排造成了某种具体的优势或障碍。
教学、学习与专业发展
数字素养教育可以设为独立学科,融入整个课程体系,也可以通过非正式学习和工作场所学习来开展。每种方式都能满足不同的需求。独立课程可以明确讲授原本不易被注意到的概念,包括文件管理、信息来源评估和数据保护。融入课程的方式则让学习者能够在有意义的情境中运用这些概念,例如解读历史资料、分析实验结果,或合作完成设计项目。然而,如果缺乏协调,这种融入方式可能导致一些关键能力无人教授,因为每个学科都以为其他学科已经讲过。
将操作与背后的原理联系起来,通常更有助于学习者理解。记住一连串点击步骤可以解决眼前的问题,但界面一旦变化,这种做法就容易失效。讲解文件类型、权限、搜索逻辑,或模型输出与经核实的证据之间的区别,有助于学习者将所学迁移到不熟悉的工具上。因此,教学法通常会将明确示范、指导下的练习、独立任务以及对所作决策的反思结合起来。学习者需要有机会遇到错误并理解错误,而不只是重复一次成功的示范。
真实任务能够呈现各种能力之间的联系。例如,制作一场地方历史展览,可能需要查找资料、核查使用权、将图像数字化、撰写说明、管理共享文件,以及制作符合无障碍要求的展示内容。工作中的一项任务则可能将数据录入与保密、质量控制和沟通结合起来。这些活动表明,数字能力并非一堆互不相关的软件操作技巧。它们也揭示了各种能力之间的依赖关系:出色的视觉设计无法弥补原始资料的不准确,而计算即使正确,如果没有说明其所依据的假设,也仍然可能造成误导。
教师所需的专业学习不能仅限于熟悉课堂设备。他们可能还需要评估数字资源、设计无障碍材料、解读平台生成的分析数据,以及管理学生信息。有关教育技术的决策还涉及采购、合同和机构支持,这些并非教师个人所能掌控。自2020年起,COVID-19疫情期间远程教育的扩展,使这些关联尤为明显:能否获得设备和网络、学习活动是否适宜,以及家庭能够提供何种支持,都会影响参与情况。仅有视频会议平台,并不意味着就建立了有效的学习环境。
对成年人而言,数字技能学习往往与就业、照护责任或使用公共服务同时进行。成人教育、图书馆、社区组织和工作场所的培训项目,可以围绕填写表格或管理文档等眼前需求提供教学。认可学习者已有的知识十分重要,因为不熟悉某个界面并不意味着整体能力不足。当服务和工作场所系统不断变化时,终身学习尤其重要。要持续胜任相关任务,需要有机会更新知识、获得帮助并练习新任务,而不能指望个人在缺乏支持的情况下仅靠自身努力跟上变化。
评估与研究方法
评估数字素养,需要先界定所要测量的构念。键盘快捷键测试与信息来源可信度考察或协作设计任务所测量的内容并不相同。数字素养具有多个维度,因此单一总分可能掩盖重要差异。有的人可能擅长评估信息,却不熟悉电子表格;另一些人可能具备高超的技术技能,却对数据隐私存在误解。因此,评估设计需要明确说明涵盖哪些能力,以及如何解读评估结果。
自我报告问卷成本低,可以反映受访者的信心、使用频率或感知到的困难程度,但不能直接证明其实际表现。受访者可能高估或低估自身能力,对技能描述作出不同理解,或以不同群体为参照来评价自己。使用频率也不是理想的替代指标:经常使用即时通信应用,可能只是反复进行少数几种操作。因此,研究者会区分自述经验、自我感知的能力、态度和实际展现的熟练程度,而不会将它们视为可以互换的指标。
表现性评估要求参与者在真实或模拟的数字环境中完成任务,例如查找文件、修改文档、比较信息来源或整理数据。这些方法可以捕捉可观察的决策行为,但也有自身的局限。即使评估旨在测量更一般性的能力,参与者对某一操作系统的熟悉程度仍可能影响表现。时间限制可能使操作准确但速度较慢的参与者处于不利地位,而存在无障碍缺陷的界面,则可能使数字能力不足与评估系统的设计缺陷混淆不清。
国际教育成就评价协会开展的“国际计算机与信息素养研究”,是大规模评估的一个重要实例。该研究于2013年开展首轮评估,随后于2018年和2023年开展后续轮次。研究通常以接受学校教育的第八学年学生为对象,通过计算机化任务,评估他们运用计算机探究、创建和交流信息的能力。参与研究的教育系统还会收集背景信息。这类研究能够识别规律和关联,但分数差异需要结合课程、资源、抽样以及更广泛的社会条件来解读。
干预研究也面临类似的方法问题。在练习过的任务上取得进步,未必意味着能力能够迁移到不熟悉的平台,也未必能长期保持。如果研究设计未处理参与者与未参与者之间原有的动机或使用机会差异,两组之间的比较结果就可能反映这些差异。在适当条件下,随机对照试验可以增强因果推断,而定性研究则可以解释学习者如何理解任务、应对障碍。严谨的评估既考察能力,也关注有实际意义的结果,包括参与者能否更独立地完成相关活动。同时,还应区分个人学习带来的进步,与界面更清晰或机构支持更完善所带来的改善。
人工智能与不断变化的数字环境
人工智能的普及,使围绕数字素养的讨论从评估检索到的信息,扩展到评估机器生成的内容。如今,系统能够根据日常语言表达的请求,生成看似可信的文本、图像、音频和计算机代码。这改变了人们投入精力的方式:起草或转换材料可能变得更容易,而核查、明确任务和作出判断则变得更加重要。当系统能够在缺乏可靠证据依据的情况下营造权威语气时,流畅的表达尤其容易误导人。
大语言模型利用训练过程中学到的统计关系,结合外围应用程序提供的机制来生成文本。它的输出本身并不等于经过核实的数据库检索报告,也不是对推理过程的透明说明。有些应用程序将模型与检索工具、计算器或外部服务连接起来,但这些附加功能并不能消除审查证据的必要性。数字素养包括分清模型、用户界面、提供给模型的信息来源,以及整个系统获准执行的操作。
这些区分意味着用户需要具备若干能力。用户需要认识到,生成的引文可能不准确,回答可能随措辞和语境而变化,而自信的表达并不能证明内容真实。提供更详细的指令,可以使输出更符合任务要求,却不能保证事实准确。输出也可能反映训练数据的局限,包括对不同语言的覆盖不均,以及从数据中继承的、呈现不同群体与事物的固有模式。因此,评估生成的论述,需要核查实质性主张、追溯支撑材料,并识别哪些环节仍然需要人类的专业知识。
生成式系统也使作者身份、考核和真实性问题变得更加复杂。一份提交的文档可能同时包含人工起草、自动编辑、生成段落和检索所得的材料。因此,教育机构和工作单位会区分哪些辅助方式可以使用、哪些使用情况需要披露,以及哪些任务旨在检验独立完成任务的能力。自动化工具判定某篇文本由人工智能生成,并不等同于确凿证明其作者身份。合成图像和克隆语音同样提升了追溯来源和交叉印证的重要性,因为仅凭感官上的逼真程度,无法证实某件事确实发生过。
人工智能素养的范围仍在逐步界定之中。有些思路强调与工具有效互动;另一些则还包括理解自动化、劳动、环境资源、机构问责,以及数据所涉及人群的权利。这些侧重点不一定相互排斥,却意味着不同的教学与考核选择。一个人可能能够有效地使用人工智能应用程序完成某项特定任务,却缺乏评估其在招聘、教育或公共行政中应用所需的知识。与以往各种形式的数字素养一样,对能力的判断必须结合具体目的、风险程度,以及技术使用所处的制度条件。