模型可及性、AI 医疗的信任问题与人机融合学习
AI 模型可及，是否等于真正可用？
💡
本期前沿速递分享了三篇论文。
第一篇区分了生成式 AI 系统的「发布」与真正的「可及性」，提出了评估可及性的三维框架（资源获取、技术可用性、实用性），并强调在扩大可及性与控制风险间取得平衡的重要性。
第二篇则重新思考了 AI 医疗时代的信任问题，指出 AI 无法获得情感信任，但可通过设计、责任机制和透明度赢得「结构性信任」，并探讨了责任模糊与信任维护的挑战。
第三篇基于大学生数据，分析了自我调节学习（SRL）与人工智能素养（AIL）的发展模式，识别出四种学生类型，并提出需协同发展这两种能力，通过差异化教学支持迈向人机融合学习。
祝今日读写愉悦，洞见深省。
第一篇区分了生成式 AI 系统的「发布」与真正的「可及性」，提出了评估可及性的三维框架（资源获取、技术可用性、实用性），并强调在扩大可及性与控制风险间取得平衡的重要性。
第二篇则重新思考了 AI 医疗时代的信任问题，指出 AI 无法获得情感信任，但可通过设计、责任机制和透明度赢得「结构性信任」，并探讨了责任模糊与信任维护的挑战。
第三篇基于大学生数据，分析了自我调节学习（SRL）与人工智能素养（AIL）的发展模式，识别出四种学生类型，并提出需协同发展这两种能力，通过差异化教学支持迈向人机融合学习。
祝今日读写愉悦，洞见深省。
前沿速递
超越发布：生成式人工智能系统的可及性考量
研究问题
近年来，生成式人工智能在全球快速普及，引发了关于其发布方式的广泛讨论。人们常将「开放」与「封闭」模型对立起来讨论，但这种二元划分忽视了一个关键问题：即使模型被「发布」了，是否真的「可及」？也就是说，模型是否真的能被不同背景、不同资源水平的用户使用和理解？论文指出，发布只是第一步，更重要的是要分析系统组件（如模型权重、训练数据、代码等）对不同用户是否真正可用和有用。
本研究试图回答以下问题：仅仅发布一个生成式 AI 系统是否足够？我们如何评估一个系统是否真正可及？谁能够访问这些系统组件？哪些因素决定了访问的便利性与风险？扩大可及性是否会带来更高的社会风险，还是促进更广泛的技术惠及？
