媒體素養與人工智慧素養的整合轉向：PISA 2029 MAIL 評量框架之建構與治理脈絡
一、前言
人工智慧深深改變了人類接收資訊的方式。在我們從使用 AI 汲取文字、影像與聲音時，或許未必意識到這些內容早已經過演算法的篩選與排序，我們所接收的其實是 AI 策用後所納入或排除的結果。此「演算法中介的資訊環境」，即是 Zuboff（2019）所描繪的監控資本主義邏輯，和 Hall（2009）提及的編碼╱解碼理論所延伸的主動閱聽人問題，是當代媒體素養研究亟需回應的核心課題。
傳統的資訊與媒體素養固然重要，依舊需要我們審慎解讀內容、查證其中的錯假和深偽訊息。然而，AI 產出的資訊帶有動態而高度個人化的特性，會隨著與人類的互動而不斷調整，也能模仿人類的語氣與思維，背後的演算法亦悄然左右了我們所能接收到的資訊範疇。因此，身處其中的我們便更需理解資訊是經篩選與生成而來的本質，並在其中保有自主的判斷。
如何將這類複合素養轉化為可評量的能力體系，成為國際教育評量設計的主要挑戰。OECD 在 2029 年 PISA 測驗中納入了將媒體與 AI 兩種素養（Media and Artificial Intelligence Literacy，簡稱 MAIL）整合的創新領域，回應數位時代的新興課題。
本文除了介紹 PISA 2029年的評量重點，也關心這個 MAIL 的評量所蘊含的治理性轉向。 PISA 將 MAIL 整合的意義需從 OECD 的軟性治理與歐盟的硬性治理兩條脈絡共同理解。以下將先梳理 PISA 2029 評量的能力架構與測驗設計，再回溯其背後的治理脈絡，最後探討相關教育工具及臺灣的課程政策回應。
二、PISA 2029 評量納入媒體與人工智慧素養
PISA 是 OECD 主導的國際教育評量，每三年進行一次，受測對象為15歲學生，主要衡量其運用知識解決現實問題之能力。也因各國對排名的高度重視，PISA 所納入的測驗項目，往往牽動各國課程的走向。
當 OECD 宣布將於 2029 年 PISA 測驗中納入MAIL作為創新領域，其意義便不止於測驗範圍的擴充。OECD 將此項素養定義為「有效、合乎倫理且負責任地與數位內容、媒體平台及 AI 系統互動所需的能力組合」（OECD, 2026）。2026 年 1 月發布的首份草案已論及此一領域的三項基礎概念與五項核心能力，評量結果預計於 2031 年 12 月公告。
（一）媒體與人工智慧素養之連結
在 MAIL 領域中，媒體素養與 AI 素養被視為相互依存的能力，可以整合來進行評量（OECD, 2026）。若兩者互無交集，將可能導致媒體素養無法涵蓋演算法所中介的資訊來源，缺少對於 AI 在產製資訊時有關篩選、生成與放大內容的理解。AI 素養若抽離了媒體及社會脈絡，亦容易限縮於技術層的應用，雖然理解工具有其運作邏輯，卻未必深知內部所傳達的敘事與偏見。生成式 AI 雖將技術門檻降低，但在探取資料的同時，卻可能再現資訊內部原有的偏見與刻板印象，因此，OECD 主張將兩者整合評量（OECD, 2026）。
（二）AI 重塑媒體的三個面向
AI 改變了內容的生產方式，能靈活生成文字、影像與聲音，對使用者策展資訊，篩選出使用者得以接觸、進而汲取的知識內容，因而逐漸成為媒介，介入人們的情緒與社交生活（OECD, 2026）。如此，一則訊息可能由媒體與 AI 所混成，MAIL 便以此論述應將兩者置於同樣受到演算法中介之環境中，使學生在判讀內容時，亦同時覺知背後系統的運作。
框架中同時提及媒體素養已具備相對成熟的學科基礎，而 AI 素養則屬新興領域，因此 MAIL 借助歐盟委員會與 OECD 共同開發之 AI素養框架加以補足，自身則採取較為寬廣、以媒體為主軸之取徑（OECD, 2026）。
（三）三項基礎概念
MAIL 將媒體與 AI 的互動，建立於三項彼此相關的大概念之上（OECD, 2026）。
第一，作者與閱聽人。在此時代人人皆可成為作者，AI 訊息由人與機器協作而生，而閱聽人始終是主動的詮釋者，學生須理解開發者、AI 模型與受眾之間的關係，同時意識到自身既是資訊的接收者，也是被演算法納入計算的對象。
第二，訊息與意義。訊息是為告知、娛樂或說服而刻意建構的產物，本身即帶有價值與立場，而 AI 的訓練資料可能將偏見悄悄嵌入其中，學生因而需能拆解訊息，分辨非出於惡意的錯誤資訊（misinformation）與蓄意誤導的虛假資訊（disinformation）。
第三，再現與真實。媒體所呈現之樣貌為經過揀選的再現，並非全然為事實，AI 會放大訓練資料中的刻板印象，深偽（deepfake）與合成媒體更能建構出虛假的真實。至於可信度，則是藉由權威、真實性、透明度與可解釋性等線索所建構的判斷，而非內容本身便可完善處理。
（四）五項核心能力
在上述概念基礎上，MAIL 提出五項核心能力，其中「倫理且負責任地反思與行動」為模型的中心。此項能力強調當責、公平與對人類價值的尊重，學生需能在隱私與公開等價值衝突之間取捨，並對刻意吸引注意力的機制保持警覺。由於這項能力貫穿其餘四項，學生在媒體與 AI 平台上的每一個行動背後都帶有倫理的考量（OECD, 2026），MAIL 能力模型如圖 1 所示。
圖1
MAIL能力模型
註：作者整理自OECD. (2026). PISA 2029 Media and Artificial Intelligence Literacy (MAIL) assessment framework (First draft).
作為基礎的「取用與使用」，是其餘三項能力發展的前提，涉及尋找資訊、下達查詢、給予提示與整理內容，並須認知搜尋結果與推薦本身便受個人使用紀錄、平台商業邏輯與演算法所形塑。「分析與評估」要求學生批判地檢視人類與 AI 所產出的內容，審視其目的、偏見與可信度，並理解大型語言模型其實是預測下一個字，而非真正理解，因而可能生成形式完整但內容失實的文本。
對此，框架點出橫向閱讀（lateral reading）與預先免疫（inoculation）等具有認知科學實證基礎的方法論設計。橫向閱讀指的是不執著於同一頁面進行推敲，而是另開頁面查證資料來源、是否涉及利害關係，以及其他可信媒體如何描述（Wineburg & McGrew, 2019）；預先免疫則猶如醫學的接種概念，指在人接觸到操弄手法之前，先使其覺知任何可能形塑出不實資訊的手段，建立先備認知，減少日後受騙的機會（Roozenbeek & van der Linden, 2024）。「參與與協作」著眼於有責任感的互動，亦包含對 AI 如何放大、中介或扭曲訊息的覺察。最後的「創作」，則指向辨識自身的溝通需求與形式，學習與 AI 協作，並妥善處理著作權、原創性，以及是否揭露內容由 AI 生成等問題（OECD, 2026）。
五項能力皆已先擬定低、中、高三級的表現描述，不過尚須經過前導研究與實地施測後再行調整。又這三個能力層級所呈現的發展軌跡，本質上從基本意識走向策略性運用，再進至批判性自主，呼應自我調節學習（self-regulated learning）的理論架構（Winne, 1996；Zimmerman, 1986）。此外，MAIL 亦與自我覺察、自我管理、社會覺察、關係技巧與負責任的決定等社會情緒能力相互呼應（OECD, 2026），三級表現進程整理如表 1，與社會情緒學習能力之連結如表 2 所示。
表1
MAIL 五項核心能力的三級表現進程
註：作者翻譯自OECD. (2026). PISA 2029 Media and Artificial Intelligence Literacy (MAIL) assessment framework (First draft).
表2
MAIL 與社會情緒能力之連結
註：作者翻譯自OECD. (2026). PISA 2029 Media and Artificial Intelligence Literacy (MAIL) assessment framework (First draft).
（五）評量方法
在評量方式上，MAIL 並用傳統題型與擬真的模擬題，試圖重建學生日常所接觸的網際網路、社群媒體與生成式 AI 工具（OECD, 2026）。評量任務預計納入生成式語言模型，要求學生分辨其輸出之正確與否、何者屬於操控行為，或引入推薦演算法（如 YouTube、Netflix、Spotify 的推薦機制），使學生質疑其推薦背後的假設與偏見。深偽與 AI 生成音訊等合成媒體則編入情境任務，藉以評量學生偵測與因應之能力。這些任務橫跨多種模態，涵蓋數位文字、音訊、視覺媒體、影片，以及 AI 生成與演算法策展的內容，並被置於五種貼近生活的情境之中，包含人際關係、學習、娛樂、說服與公民參與（OECD, 2026）。在時間配置上，專家小組建議將約半數時間集中於「分析與評估」與「創作」兩項，其餘三項再行分配，整體評量設計如圖 2 所示。框架也點出幾項左右題目難度的因子，作為對應不同能力層級的依據。就情境與素材而言，情境與目的越新穎多重、媒體類型越不熟悉或越多樣、和工具與平台介面越陌生，學生所需承擔的認知負荷與操作彈性便越高。就作答要求而言，越倚重高層次批判分析、需書寫或產製數位作品的開放式作答、指示較不明確的開放式任務，和過程中所提供的鷹架與提示越少，也都會增加學生答題難度。此外，情境越擬真、變數越難預期，越需要學生臨場的調適性解題（OECD, 2026）。
圖2
MAIL評量設計
註：作者整理自 OECD. (2026). PISA 2029 Media and Artificial Intelligence Literacy (MAIL) assessment framework (First draft).
框架也為五項能力各擬出了對應的任務範例 (OECD, 2026)。反思與行動中的「是否分享或接受」(To Share/Accept or Not?)，讓學生就一則貼文或一項授權請求，決定是否轉發或同意。參與與協作中的「媒體與 AI 顧問」(Media & AI Advisor)，請學生評估同儕、師長或家人的媒體與 AI 使用對其福祉的風險，並給出建議。創作中的「迷因製作」(Meme Creation) 則要學生運用圖像或影片編輯工具，以加註文字、調整色彩或加入貼圖傳達新的訊息。其中「分析與評估」下的標記廣告與 AI (Flag the Ad/AI ) 任務，最能具體說明評分的取向。學生面對數張圖像，須判別何者為廣告、何者由 AI 生成，並以簡答陳述其判斷依據。評分更重視學生能否說明所憑之推理與證據 (OECD, 2026)。
除認知測驗之外，MAIL 另設問卷一環。框架認為，理解學生不僅在於其知道什麼、做了什麼，還在於其如何思考、抱持何種態度，因而問卷之目的意在衡量學生對媒體與 AI 工具及系統的態度、對與其福祉相關之風險與機會的認知、在校接受相關教學的情形、以及自身的使用習慣與偏好（OECD, 2026）。框架並列舉數項可納入的問卷構念，如對應反思與行動的主動開放心態、對應分析與評估的錯誤資訊易受的影響性，以及數位依賴等（OECD, 2026）。問卷量表所測者，恰好是認知測驗難以觸及的態度與使用習慣，二者因而互為補充。
三、AI 素養背後的治理脈絡
進一步探究，PISA 2029 將 AI 素養納入評量之背後，可溯及 OECD 與歐盟各異其趣卻相互支撐的治理邏輯。
（一）OECD 的軟性治理
OECD 不具備立法權，其影響力來自不具強制力的建議、共同標準，以及國際評比所形成的同儕壓力。在 OECD 的《學習羅盤 2030》（Learning Compass 2030）文件中，未來所需的素養被視為一種轉化能力，強調個人在複雜、不確定且迅速變化的環境中能自主行動和自我發展，因而被稱作學生能動性（student agency）（OECD, 2019）。在此視角下，AI 素養所關切的是如何運用這些工具增進個人與社會的福祉，並在 AI 幾乎可自動產出內容的時代，重新看重人的創造力、批判思考與同理心。
再者，OECD 在重視技術的同時納入人際與社會的關注（socio-technical approach），認為 AI 素養須兼顧技術理解與社會脈絡，不能簡化為操作技能的精熟，而必須包含對技術嵌入社會不平等結構的批判性認識。AI 可視為鑲嵌於人的組織、文化與制度之中，訓練資料可能潛藏著資料中所累積的社會不平等，一旦採用，便可能影響到權力關係、司法與教育公平面向等的偏差。OECD 於 2019 年提出、2024 年更新的人工智慧原則（OECD AI Principles）亦持相同立場，主張 AI 的發展須促進包容成長、尊重人權與公平、確保透明與可解釋、維持穩健安全，並落實問責（OECD, 2019, 2024）。這樣的軟性治理能迅速且彈性地應變，於短期內凝聚跨國共識，卻也因缺乏強制力，未必能產生實質的約束效果。
（二）歐盟的硬性治理
歐盟以《歐盟人工智慧法案》（Artificial Intelligence Act）回應同一問題。這是全球首部全面性的 AI 法律，當中依系統對基本權利與安全的威脅程度，劃分為不可接受、高風險、有限風險與最小風險四個等級（European Union, 2024）。
法案第 4 條首度將 AI 素養入法，要求 AI 系統之提供者與部署者盡力確保其員工及代為操作系統者皆具備足夠的 AI 素養，此項義務已自 2025 年 2 月起適用（European Union, 2024）。值得批判性省察的是，第 4 條的素養要求以「提供者與部署者的責任」為框架，本質上是將治理責任從政府移向企業，而非直接向個別公民賦能，這與 OECD 強調學習者主體性的論述之間存在治理想像上的張力。監督與裁罰則由各國主管機關執行，並依分階段時程漸漸到位。治理架構與罰則規定自 2025 年 8 月起生效，法案整體適用與多數高風險義務則自 2026 年 8 月起施行 (European Union, 2024)。
第 4 條的素養要求，亦牽動法案對高風險系統的監督規定。法案於第 14 條要求高風險系統須設計人類監督機制，並明文及於防範自動化偏誤（automation bias）；第 26 條則課予部署者指派具備能力者執行監督之責。然而，監督能否發揮作用，終究取決於監督者本身的倫理和素養，若其不了解模型運作之邏輯，未能識別 AI 似是而非的錯誤，便可能因過度信任系統而疏於把關與監督。
四、教育與公民能力的培養
在教育的面向，歐盟與 OECD 分別針對在學學生與成年公民，發展出對應的工具。
（一）AILit 框架
歐盟委員會與 OECD 共同開發了《賦能 AI 時代的學習者：中小學人工智慧素養框架》(Empowering Learners for the Age of AI，簡稱 AILit Framework)，並獲 CodeAI 及多國專家參與，於 2026 年 4 月經 PISA 理事會核定發布 (OECD & European Union, 2026)。其以知識、技能與態度 (KSA) 三個面向，描述學習者與 AI 互動的四個領域。
就四個領域的性質而言，與 AI 互動 (Engage with AI) 重點在於先辨識出 AI 的存在，再批判評估其輸出。與 AI 共創 (Create with AI) 強調在創作或解題時與 AI 協作，同時省思內容的歸屬、真實性與資料偏見。管理 AI (Manage AI) 強調人的主導與監督，學習在關鍵之處才將任務委由 AI，並設定使用界線。其中值得關注的是第四個領域—形塑 AI (Shape AI)，它要求學習者運用技術理解，進入系統內部檢視訓練資料與設計倫理，提出並改善能促進社會效益的 AI 系統，體會工程抉擇如何左右系統的公平與透明 (OECD & European Union, 2026)。這一層次也正是 PISA 標準化測驗難以完整評量之處。
AILit 主張不將 AI 素養限縮於資訊學科，而強調其跨學科的性質。當中特意將態度與知識、技能並列，明列反思、負責、好奇、創新、適應與同理等情意面向 (OECD & European Union, 2026)，回應了 AI 教育觸及價值觀與社會意識的訴求。框架也著力於將技術去神祕化，指出 AI 是在訓練資料上調整統計權重，而這正是偏見與幻覺的來源。
圖3
AILit 架構圖
註：作者整理自 OECD & European Union (2026). Empowering learners for the age of AI.
（二）AILit 與 PISA 的對照
AILit 正式版進一步釐清了兩者的分工定調，AILit 採取的是更具針對性、專注於 AI 本身的框架，而 PISA 2029 MAIL 則是在 AI 發展的脈絡下，採取更廣泛的媒體素養視角，並提供支援國際數據蒐集的具體測量策略與工具。因此，AILit 所列的四個領域難以全然於 PISA 2029 之測驗中加以評量。前三個領域（與 AI 互動、與 AI 共創，以及管理 AI 並辨識其中的偏見），在 PISA 的模擬任務中大致都能評量。然而在「形塑 AI」層次，強調其意在賦能年輕人整合對 AI 系統運作的技術理解，進一步反思並改善 AI 系統以促進社會效益，使其從被動的消費者轉變為負責任的創造者。這樣的能力須追問訓練資料從何而來、資料運算過程中潛藏的偏見，以及演算法設計的倫理，這些都高度仰賴較長期的專題實作與開放式反思，難以納入一場標準化的電腦測驗 (OECD & European Union, 2026;OECD, 2026)。AILit 正式版雖已為各項能力擬出由基礎、中階到進階 (Basic, Intermediate, Advanced) 的發展進程，卻刻意不與年級或年齡對應，而是留給教師據以發展自己的評量規準 (OECD & European Union, 2026)。這類進程著眼於學習的發展軌跡，框架中所看重的能力，未必皆能由一次測驗的分數衡量得出來。
（三）歐盟 DigComp 數位能力框架
面對公民群體，歐盟數度改版其數位能力框架（DigComp）。最新的 DigComp 3.0 於 2025 年更新，最大的轉變在於不再將 AI 視為少數專家才需要的技能，而界定為一種「橫向」的能力，融入框架原有的21項核心能力之中。無論搜尋資訊、創作內容、線上協作或設定資安，公民皆須能處理 AI 介面、防範 AI 風險（Cosgrove & Cachia, 2025）。這套指標一方面為歐盟的數位十年政策設定可衡量的基準，另一方面也提供企業或教育機構一套技術中立的工具，用以盤點成員能力、落實 AI 法案第 4 條的素養義務。
就發展系譜而言，AILit 的能力分類與學習者能動性強調，明顯繼承自 DigComp 的知識、技能與態度語法。而 PISA 2029 MAIL 框架亦明確指出以 AILit 作為 AI 素養一環的基礎。因此，「DigComp 到 AILit 到 MAIL」的演化脈絡，說明 PISA 2029 並非憑空出現，而是站在既有治理積累之上的延伸建構。
五、臺灣的教育治理回應
臺灣現行的十二年國教課綱，早已將「科技資訊與媒體素養」列為九項核心素養之一，方向上與國際趨勢相近（教育部，2014）。然而，課綱中「科技資訊」與「媒體素養」置於同一項之下，所談者偏重資訊工具的運用與媒體識讀，在幾個具體面向上尚未完整回應 MAIL 的整合邏輯。一是課綱目前缺乏系統性處理演算法中介的批判性評估能力；二是生成式 AI 的納入仍以工具使用為主，缺乏倫理反思的課程架構；三是媒體素養與 AI 素養仍屬分離的能力想像，尚未如 MAIL 一般被整合為相互依存的體系。AI 雖於近年迅速進入校園，多半仍循資訊科技、程式設計的面向，或藉各種獨立的生成式 AI 教學指引而推展，OECD 所主張的整合在臺灣來說尚未有完全一致的樣貌。
臺灣本身亦為 PISA 的參與方，隨著 2029 年推出 MAIL 創新領域，其回沖效應（washback effect）便可能實質體現至課程與教學之中。屆時所須回答的問題，也可能包含學生能否在被演算法中介的資訊之中，看穿篩選與生成的機制，並保有主體的判斷。制度上雖然沒有正式整併，實際教學時媒體素養與人工智慧素養仍會彼此連結和體現。
六、結語
從 OECD 的願景、歐盟的法案，到 AILit、DigComp 與 PISA 評量，AI 素養的治理橫跨了國際願景、法律規範與基礎教育，從國際組織一路延伸到各國校園，如表 3 所示。
表3
從國家發展到國民教育的 AI 素養治理模式
註：作者自行整理。
在這樣的治理生態之下，PISA 的角色格外關鍵。一項能力一旦納入國際評比，往往牽動各國課綱與教學的調整，形成所謂的回沖效應。當 MAIL 進入 PISA 2029，優秀學生的能力定義也隨之轉化，不再只看數學、科學與閱讀，也須能涵蓋學生能否在演算法中介的資訊環境裡保有自主的判斷。
然而，從 OECD 的願景到 PISA 的評量，上述框架均以個別學習者的能力建構為可能的解方，將媒體與 AI 環境中的結構性問題轉化為可訓練的個人素養。這類直觀式個體素養化的治理邏輯，能否足以回應更大尺度的平台權力與資訊不平等，以及演算法設計所嵌入的社會偏見，仍是值得持續考察和追蹤研究的課題（Feenberg, 2002；Zuboff, 2019）。雖然 MAIL 本身在論述上指認了監控資本主義、注意力操控與平台權力的結構性問題，卻將解方落在個別學習者的認知能力之上，這個問題化與可欲的未來發展間的張力，將是 AI 素養教育研究需要繼續深化的關鍵議題。
參考資料
教育部（2014）。十二年國民基本教育課程綱要總綱。https://www.naer.edu.tw/upload/1/16/doc/288/%E5%8D%81%E4%BA%8C%E5%B9%B4%E5%9C%8B%E6%95%99%E8%AA%B2%E7%A8%8B%E7%B6%B1%E8%A6%81%E7%B8%BD%E7%B6%B1.pdf
Cosgrove, J., & Cachia, R. (2025). DigComp 3.0: European digital competence framework fifth edition (EUR 40491). Publications Office of the European Union. https://data.europa.eu/doi/10.2760/0001149
European Union. (2024). Regulation (EU) 2024/1689 of the European Parliament and of the Council of 13 June 2024 laying down harmonised rules on artificial intelligence (Artificial Intelligence Act). Official Journal of the European Union, L, 2024/1689. http://data.europa.eu/eli/reg/2024/1689/oj
Feenberg, A. (2002). Transforming technology: A critical theory revisited (2nd ed.). Oxford University Press. https://doi.org/10.1093/oso/9780195146158.001.0001
Hall, S. (2009). Encoding/decoding. In S. Thornham, C. Bassett, & P. Marris (Eds.), Media studies: A reader (pp. 28–38). Edinburgh University Press. https://doi.org/10.1515/9781474473231-005
OECD. (2019). OECD Learning Compass 2030: A series of concept notes. OECD Publishing. https://www.oecd.org/content/dam/oecd/en/about/projects/edu/education-2040/1-1-learning-compass/OECD_Learning_Compass_2030_Concept_Note_Series.pdf
OECD. (2024). Recommendation of the Council on Artificial Intelligence (OECD AI Principles, updated). OECD. https://legalinstruments.oecd.org/en/instruments/OECD-LEGAL-0449
OECD. (2026). PISA 2029 Media and Artificial Intelligence Literacy (MAIL) assessment framework (First draft).
OECD Publishing. https://www.oecd.org/en/about/projects/pisa-2029-media-and-artificial-intelligence-literacy.html
OECD, & European Union. (2026). Empowering learners for the age of AI: An AI literacy framework for primary and secondary education. https://ailiteracyframework.org/
Roozenbeek, J., & van der Linden, S. (2024). The psychology of misinformation. Cambridge University Press. https://doi.org/10.1017/9781009214414
Wineburg, S., & McGrew, S. (2019). Lateral reading and the nature of expertise: Reading less and learning more when evaluating digital information. Teachers College Record, 121(11), 1–40. https://doi.org/10.1177/016146811912101102
Winne, P. H. (1996). A metacognitive view of individual differences in self-regulated learning. Learning and Individual Differences, 8(4), 327–353. https://doi.org/10.1016/S1041-6080(96)90022-9
Zimmerman, B. J. (1986). Becoming a self-regulated learner: Which are the key subprocesses? Contemporary Educational Psychology, 11(4), 307–313. https://doi.org/10.1016/0361-476X(86)90027-5
Zuboff, S. (2019). The age of surveillance capitalism: The fight for a human future at the new frontier of power. PublicAffairs. https://www.hbs.edu/faculty/Pages/item.aspx?num=56791
若需引用此文章內容，請使用下列APA 7格式：
陳佩英、梁松平（2026年8月20日）。媒體素養與人工智慧素養的整合轉向：PISA 2029 MAIL 評量框架之建構與治理脈絡。教育新知國際串聯。https://www.gel-net.com/post/媒體素養與人工智慧素養的整合轉向：PISA 2029 MAIL 評量框架之建構與治理脈絡
