西克利夫大学校长兼首席执行官安东尼·李博士 – 采访系列

安东尼·M·李博士 是位于加利福尼亚州尔湾的 西克利夫大学 的校长，这所大学是美国增长最快的大学之一，过去十年从不到几百名学生发展到现在的3000多名学生。李博士曾在美国和国际各地的多所大学和学校担任过领导职务。他在创新混合和在线课程方面具有专长，曾推出新的课程，将技术与传统的校园课程相结合，以提高学习体验。他曾成功地领导学校通过大学和K-12级别的认证过程。他的经验使他在高等教育的许多关键领域成为领导者，包括营销、财务、运营、合规和认证。

您如何看待在人工智能和自动化时代，劳动力准备就业的定义的演变？

过去，劳动力准备就业意味着技术能力和能够立即在特定角色中贡献。然而，在人工智能时代，这个定义已经不再足够，因为工作的性质正在发生变化。

如今，准备就业意味着能够在人类和机器之间的智能分布环境中有效地运作，工具不断演进，执行力也越来越依赖于增强。竞争优势不再仅仅是知道如何执行任务，而是知道如何定义问题，监督人工智能输出，质疑假设，并在现实世界的约束下做出判断。

我们正在见证从任务执行到认知监督的转变。入门级工作正在被重新定义。可以自动化的常规生产，但责任不能。因此，更加强调了批判性思维、伦理推理、背景意识和将人工智能生成的输出转化为负责任的决策的能力。

在西克利夫大学，我们认为劳动力准备就业是领域专业知识、人工智能熟练度和纪律性人类判断力的整合。学生必须了解生成系统的工作原理、它们的优势和劣势。更重要的是，他们必须学会如何与这些系统合作，而不放弃智力责任。

我们的应用学习模型围绕真实环境中的新兴技术进行结构化的互动。目标不仅仅是工具熟练度，而是适应性，即在工具发生变化时保持有效性。

在这个时代，脱颖而出的专业人士将不再是与人工智能竞争的人，而是那些能够深思熟虑地引导人工智能、严格审视人工智能并对其影响的结果负责的人。这就是现在所需要的劳动力准备就业的含义。

机构如何在课程和机构层面上认真对待人工智能，而不是将其视为附加功能？

人工智能不仅仅是一种教学工具，它改变了教育的架构。

认真对待人工智能的开始是重新设计。每个学科都必须检查人工智能如何改变专业期望，并定义人工智能增强的专业能力所需的内容。评估必须衡量推理和应用能力，而不仅仅是输出。

但是，认真对待人工智能也需要机构的一致性。人工智能识读能力不能仅仅局限于单独的课程。教师发展、治理、评估策略和供应商监督必须围绕一个明确的原则，即技术应该加强学术质量，而不是削弱它。

在这一点上，人工智能成为大学的智力基础设施的一部分。它塑造了学习的结构、掌握的展示和机构在人工智能与人类判断并存的劳动力市场中的信誉。我们正在西克利夫大学推进这一思路。

您如何平衡基础人类技能与教导学生在人工智能的帮助下有效工作的能力？

我并不认为这是一个妥协。事实上，人工智能增加了对基础人类能力的溢价。

当常规认知生产变得廉价时，区别在于更高层次的推理。批判性思维意味着提出更好的问题和审视机器生成的输出。判断意味着知道何时依赖系统和何时暂停。伦理变得实际，关于在规模上部署智能系统的后果。

学生必须学会在人工智能存在的环境中思考。提示是一个起点，但认知监督是一个更深层次的技能。毕业生必须能够阐述和辩护他们的结论，这些结论是由智能系统告知的，但不是由它们决定的。

在西克利夫大学，我们将人工智能熟练度视为基础技能的放大器。学生在保持清晰度、可信度和后果的责任感的同时，参与智能工具的互动。在长期来看，脱颖而出的专业人士将结合智力深度和技术敏捷性。人工智能提供速度和规模。人类必须提供辨别力、责任感和领导力。

哪些高等教育领域最容易受到人工智能的破坏，哪些领域比人们预期的更具韧性？

最容易受到破坏的领域是建立在信息传递和标准输出上的。 如果一个模型主要依赖于讲座传递或评估生产量，人工智能将迅速挑战它。

高等教育在以下方面更具韧性：结构化发展、指导、应用实践、团队合作、临床学习和专业身份形成。人工智能可以支持这些体验，但不能取代通过反馈和责任感建立的成长。

区分线在于设计。那些主要将自己视为内容提供者的机构容易受到影响。那些运作作为故意的学习系统，专注于推理、应用能力和可衡量的成长的机构仍然具有高度的相关性。

人工智能提高了证书必须代表的标准。

大学如何重新思考学位设计，因为人工智能压缩了技能获取的时间并降低了进入壁垒？

随着人工智能压缩获得技术技能所需的时间，大学必须阐明学位的价值所在。

如果工具加速任务熟练度，高等教育必须关注无法自动化的内容：概念深度、结构化问题解决、伦理判断和在约束条件下持续表现。

学位设计应该是模块化和应用性的，但具有连贯性。目标是累积能力，整合技术熟练度、推理和适应性。

人工智能降低了进入壁垒。大学必须通过提高整合、判断和展示能力的门槛来应对。学位必须代表持久的能力，而不仅仅是接触。

在西克利夫大学，我们将学位视为动态的生态系统，而不是固定的线性进展。可堆叠的证书和阶梯式路径允许学习者在行业转变时重新参与，同时保持连贯性和严谨性。灵活性很重要，但智力进步更为重要。

您认为人工智能在评估和认证中的作用是什么？

人工智能迫使高等教育面对一个现实，即许多传统评估只衡量生产力，而不是理解力。如果一个任务现在可以用最小的努力自动化，我们必须质疑它是否曾经代表了推理能力。

评估必须转向对能力的真实展示，口头辩护，基于场景的问题解决，迭代改进，应用模拟和使思维可见的作品集证据。在人工智能启用的环境中，重要的不是单独的工件，而是背后的认知过程。

在西克利夫大学，我们已经转向口头和迭代评估模型，要求学生实时阐述和辩护他们的推理。人工智能可以通过生成自适应提示和支持可扩展的反馈来协助，但设计责任仍然是人类的。机构必须确保他们正在评估学习者的认知能力，而不是模型输出。

认证越来越多地关注验证的能力，而不是积累的时间。雇主希望看到应用能力和负责判断的证据。那些重新设计评估的机构将加强其学位的可信度。

当实施得当时，人工智能揭示了学术标准必须提高的领域。

您如何处理在教学和管理中引入人工智能的治理和监督？

我们将人工智能视为任何可能对学术质量和机构可信度产生重大影响的系统。治理始于明确的目的、定义的界限和明确的责任线。

有效的监督确保创新加强信任，而不是侵蚀它。这意味着严格的数据隐私和安全标准，当系统影响学生结果时进行偏见和公平性审查，并对使用的工具和处理的数据保持透明度。

这还需要更新完整性框架，以反映当前的现实，而不是传统的假设。教师发展至关重要，以便采用是故意的，并与学习目标保持一致，而不是零碎或被动的。

当我们在西克利夫大学引入人工智能支持的评估模型时，监督被嵌入到设计中。教师监控实施，评估影响，并根据证据改进流程。供应商评估是持续的，而不是偶然的。机构必须定期重新评估与学术标准和学生保护的对齐性。

目标是负责任的创新。

教育者对人工智能最常见的误解是什么，需要什么样的心态转变？

两个误解反复出现。第一个是人工智能主要是一个作弊问题。第二个是它只是一个生产力工具。它在孤立中既不是这样，也不是那样。更根本地说，它反映了知识生成、评估和应用的转变。

当机构仅将人工智能视为诚信问题时，他们会默认为限制。当他们仅将其视为效率工具时，他们低估了其影响。更重要的问题是如何设计学习，使推理在人工智能启用的环境中保持可见和负责。

必要的心态转变是从控制到设计。这使教师能够成为学习体验的建筑师，这些体验强调判断、综合和应用能力。

有了机构支持、共享实践和一致的治理，教育者可以真正推动人工智能提高了对深思熟虑的教学法和学术设计的标准，使其比以往任何时候都更重要。

大学如何为学生做好准备，以便他们能够在劳动力市场中适应不断变化的角色和人工智能重新定义的入门级工作？

入门级角色传统上是培训常规生产任务的场所。然而，在许多领域，人工智能现在吸收了大部分初级工作。因此，毕业生被期望更快地在更高的层次上运作。

准备必须专注于难以自动化的能力：问题定义、沟通、决策和负责监督智能系统。学生需要能够在工具演变和角色流动的环境中工作。

大学应该强调可适应的能力，这些能力可以跨上下文使用，而不仅仅是狭隘的专业化。结构化的、基于项目的学习，具有真实的约束，是必不可少的。当学生解决复杂问题并为他们的建议辩护时，他们练习了雇主越来越重视的负责思考。

人工智能识读能力必须成为基准。并非每个人都需要构建模型，但每个人都必须了解智能系统如何影响他们的职业决策。

劳动力市场将继续转变。高等教育的责任不是预测每个角色，而是培养能够跨角色移动、持续学习并在技术加速的环境中有意义地贡献的个人。

什么迹象表明一所大学已经成功地适应了人工智能驱动的变化，而不是仅仅生存下来？

成功将通过结果来衡量，而不是通过公共定位或虚荣指标。

一所大学真正适应了人工智能驱动的变化，当其课程和评估模型被重新设计为基于现实世界的能力，而不是内容传递时。教师可以展示深思熟虑的学习设计，而不是落后于采用或被动的采用。学生可以清晰地阐述和辩护他们的推理，以一种无法按需生成的方式。

机构适应性也体现在治理中。人工智能的使用是透明的，监督是嵌入式的，我们可以展示信任在学术成果中的加强，而不是削弱。

最可靠的指标是外部验证。雇主认识到毕业生展示了成熟的判断力、应用能力、决策和人工智能启用的环境中的流利度。

适应性意味着在技术进步的同时保持严格的标准和道德清晰度。在西克利夫大学，我们相信我们正在生产一个学习模型，它在人工智能继续重塑格局的同时保持可信度、韧性和价值。

感谢这次精彩的采访，希望读者能够通过访问 西克利夫大学 的网站来了解更多关于该大学的信息。