综述:面向社会影响的MIS专业人员的教育框架开发:系统综述与面向设计的综合

《Sustainability》:Developing an Education Framework for MIS Professionals Aiming at Social Impact: A Systematic Review and Design-Oriented Synthesis

【字体: 大 中 小 】 时间:2026年07月15日 来源:Sustainability 4.1

编辑推荐:

  本研究开发了社会技术影响(ST-Impact)模型,这是一个面向管理信息系统(MIS)教育的可持续性导向课程设计框架,旨在培养未来专业人员以社会和环境负责任的方式设计与治理数字系统。新兴技术(尤其是生成式人工智能(generative AI))的快速扩散加剧了

  
本研究开发了社会技术影响(ST-Impact)模型,这是一个面向管理信息系统(MIS)教育的可持续性导向课程设计框架,旨在培养未来专业人员以社会和环境负责任的方式设计与治理数字系统。新兴技术(尤其是生成式人工智能(generative AI))的快速扩散加剧了对MIS专业人员的需求,这类专业人员需整合技术能力与社会责任、伦理推理、负责任的数字设计以及公共价值导向的问题解决能力——这些能力在现有MIS课程中仍未得到均衡关注。为弥补这一差距,本研究采用设计科学研究(DSR)方法,依据PRISMA2020指南进行系统综述,并对2010年至2025年间发表的120项国际研究进行面向设计的叙事综合。学习活动、学生产出工件和评估机制被提取为课程设计单元,而治理相关指标则根据利益相关者需求、问责性、公平性、可访问性、隐私、安全、可解释性和可持续性进行编码。最终形成的ST-Impact模型包含六个迭代模块和一个三层评估系统。其设计一致性和实践可行性通过证据到模型的可追溯性映射、对公开可见课程结构的说明性比较分析以及一个可调整的15周教学大纲架构进行检验。通过将社会影响、负责任的数字设计和数字可持续性的抽象概念转化为可操作的课程设计元素,本研究为MIS教育中的未来实证验证提供了基于文献的基础。
1. 引言
数字化转型正在从根本上重塑组织价值创造、公共服务交付、工作实践和社会参与。人工智能、数据分析、平台、区块链和自动化决策系统等新兴技术显著扩展了信息系统的战略范围,但也产生了复杂的社会技术问题,包括算法偏见、监控、排斥、隐私侵犯、信息不平等以及对数字资源的不平等获取。这些发展提升了负责任数字化转型和企业数字责任(CDR)的重要性,强调在技术设计和使用中的问责性、透明度、公平性、隐私、数字质量以及利益相关者导向的价值创造。

数字经济同样正在重塑未来信息系统专业人员所需的能力。在数字化组织转型中,这些专业人员不仅需要实施信息技术和提升运营效率,还需要应对数字创新带来的更广泛组织、伦理和社会影响。他们必须解读社会技术问题、评估数字解决方案的组织和社会后果、与多方利益相关者沟通,并做出反映伦理和可持续性关切的设计决策。全球关于未来工作的讨论同样强调分析思维、复杂问题解决、技术素养、韧性和负责任的决策是技术密集型职业的基本能力。

这些发展对管理信息系统(MIS)教育产生了直接影响。MIS传统上在技术、组织和管理决策之间处于边界跨越位置,这使其非常适合教育面向负责任的数字化转型。MIS毕业生必须综合理解技术功能、组织流程、用户需求、治理机制和社会后果。CC2020和IS2020等课程标准已转向能力本位教育,强调知识、技能和倾向,包括伦理、可持续性和社会影响。然而,这些标准有意保持灵活和高层;它们并未完全说明如何通过具体的学习活动、学生产出、评估任务和反馈结构在MIS课程中操作化社会价值和责任。

先前关于服务学习、社区参与、顶点教育、数字伦理、AI伦理以及高等教育可持续性的研究提供了重要的教学和概念资源。近期关于生成式AI在教育中的工作进一步表明,数字教育不仅需要解决工具采纳问题,还需应对批判性思维、学术诚信、伦理判断、隐私、公平、透明度和负责任的AI使用。然而,文献仍分散在不同领域,且通常聚焦于单一课程、局部干预或概念论证。因此,需要一个课程层面的模型将这些价值转化为与MIS教育能力逻辑一致的结构化教育功能。

本研究通过采用设计科学研究(DSR)方法,依据PRISMA2020指导的系统综述和面向设计的国际文献综合,开发了社会技术影响(ST-Impact)模型。该模型名称反映了其根本意图:将社会技术问题理解、数字解决方案开发、责任导向评估和实地关联影响创造连接到一个统一的课程层面结构中。本文定位于一项基于文献的设计研究,而非专家验证或实地实施研究;它识别了反复出现的教育元素并将其重组为一个连贯的课程层面结构。因此,本研究回答了三个研究问题:(RQ1)在关于数字和MED教育面向社会影响的国际研究中,报告了哪些活动、工件、评估和责任相关设计元素?(RQ2)这些元素如何转化为反复出现的教育功能并与IS2020能力结构对齐?(RQ3)什么样的课程层面模型能够支持面向社会影响的负责任MIS教育?

由于本研究通篇使用“可持续性”一词,其概念在开头予以澄清。本研究中使用的可持续性导向MIS教育并非仅指环境可持续性。它主要被设想为两种导向的组合:社会可持续性,涉及包容性、公平性、可访问性以及数字机会在利益相关者中的长期分配;以及负责任数字可持续性,涉及数字系统在其设计和运营生命周期内的治理、问责性、隐私和可解释性。环境和资源相关考虑因素,连同联合国可持续发展目标(SDGs),被视为设置社会意义项目背景的补充参考点,而非模型的主要理论锚点。这一概念在整个稿件中一致采用,并在第2.3节中进一步具体说明。

2. 文献综述
2.1. MIS教育中的社会技术责任
信息系统的作用已从提供内部组织支持扩展到塑造复杂社会技术系统的设计、中介和治理。因此,MIS教育不再局限于技术工具获取或组织效率优化;它还必须解决数字系统在问责性、公平性、隐私、可访问性、透明度和利益相关者导向价值创造方面的组织、伦理和社会影响,这与当代IS课程标准中嵌入的期望一致。它还要求学生认识到围绕算法不透明性、偏见、歧视和社会中人工智能治理的更广泛伦理辩论,以及当此类系统部署在教育环境中时产生的更具体伦理风险,包括自动化评估中未缓解的偏见、不透明的决策逻辑和不足的人类监督。在此基础上,本研究将面向社会影响的MIS教育定义为一种课程取向,将数字能力与公共价值、包容性、可持续性、伦理推理和负责任设计联系起来。

服务学习和基于社区的教育模式早已证明,学生可以通过将知识应用于现实世界的社会问题来发展学科能力和公民意识。在信息系统教育中,这些方法尤其有价值,因为它们要求学生将用户需求、组织约束、数字工件和社会后果联系起来。此类学习的教育价值不仅取决于选择有社会意义的主题,还取决于结构化的问题定义、需求分析、设计、实施、评估、反思和反馈。

生成式AI的近期扩散进一步强化了MIS教育将负责任的技术使用融入此社会技术取向的需要。近期研究表明,生成式AI在教育中的作用正从潜在的欺骗性颠覆转向可通过深思熟虑的教学重新设计进行建设性利用。因此,负责任的AI教育不仅限于教学生如何使用AI工具;它还要求学生审视透明度、问责性、隐私、公平性、偏见、人类监督以及AI支持数字系统的更广泛社会后果,这与系统综述中识别出的课堂AI使用伦理原则一致。

这种社会技术取向也与大学社会责任(USR)的更广泛使命一致,高等教育机构日益被期望为社区发展、包容性和负责任创新做出贡献。在这个意义上,将社会影响嵌入MIS教育并非附加的伦理主题,而是一个课程设计问题,需要学科能力、利益相关者参与和负责任数字化转型之间的对齐。

2.2. 规范基础:IS2020、CDR与IT治理
IS2020为本科信息系统教育提供了一个全球能力模型,与本研究的关联尤为密切,因为它超越了固定的课程清单,采用了能力本位结构。该模型强调知识、技能和倾向,并围绕能力领域组织信息系统教育。这种结构允许课程保持灵活性,同时与学科期望保持一致。然而,高层级的能力描述不会自动转化为具体的学习活动、学生工件或评估机制。建构性对齐和能力本位教育支持这种转化,两者都强调学习成果、学习活动、评估任务和表现证明之间的一致性。

企业数字责任(CDR)为连接数字创新与社会责任提供了一个规范视角。CDR认为组织应以透明、负责任、公平、保护隐私、安全且关注利益相关者价值的方式管理数字技术和数据。由于MIS专业人员通常参与需求分析、系统设计、数据治理、平台管理、转型项目和决策支持,CDR构成了MIS课程直接相关的责任视角。特别是AI和数据驱动系统可能引发不透明性、偏见、歧视、不当监控和问责缺口,要求学生识别潜在危害、分析利益相关者影响、设计保障措施、证明决策合理性,并根据反馈修改解决方案。

然而,要使社会影响和责任成为可操作的教育标准,它们必须与治理和评估逻辑联系起来。IT治理提供了连接目标、流程、角色、控制、指标和反馈的概念。例如,COBIT2019强调治理目标、绩效测量、风险管理、利益相关者需求以及企业目标与IT相关目标之间的对齐。尽管COBIT最初是为组织治理而非教育治理设计的,但其底层逻辑可被富有成效地重新解释为课程设计的问责结构。本研究借鉴了这一治理逻辑,以阐明面向社会影响的MIS教育如何超越纯粹的技术任务完成进行评估。

2.3. 研究空白与ST-Impact模型的设计前提
现有的课程标准与先前研究提供了重要基础,但尚未提供一个能够连接能力标准、可持续性价值观、具体学习活动、学生产出、评估机制和反馈回路的综合模型。服务学习和顶点研究通常提供了丰富的实地关联学习案例,但通常限于具体课程。数字伦理和AI伦理研究识别了关键规范问题,但通常停留在主题识别或概念指导层面。CDR研究提供了责任原则,但这些原则尚未充分转化为MIS课程设计。

因此,本研究基于三个设计前提。第一,面向社会影响的MIS教育应围绕反复出现的教育功能而非孤立主题组织。第二,该模型应与IS2020对齐,以确保社会价值不脱离核心MIS能力。第三,责任标准应嵌入活动、工件、评估和反馈程序中,使可持续性和问责性在课程运行中可见。与第1节中引入的可持续性概念一致,社会可持续性和负责任数字可持续性被视为模型背后的两个主要导向,而环境考虑和SDGs则起到补充性和情境化作用。为进行分析清晰性,社会影响被定义为两个总体轴:负责任的数字设计和公共价值导向的结果。负责任的数字设计指在数字和信息系统的设计和实施中嵌入的伦理、问责、可访问、隐私意识、安全、可解释和偏见意识考量。公共价值导向结果指教育产出对社区、利益相关者、可持续性问题域和公共问题解决的贡献程度。这两个轴通过四个相互关联的维度进一步具体化:社会公平与包容、伦理与治理责任、社区与公共价值、环境与长期可持续性。这些维度并非以一对一方式映射到M1-M6模块;而是作为跨领域的设计和评估透镜贯穿ST-Impact模型。联合国可持续发展目标(SDGs)被用作外部参考点,用于识别有社会意义的项目背景和阐述学生工件的潜在社会或可持续性关联,而非作为内部能力类别或SDG达成的直接衡量标准。模块指一种反复出现的教育功能,可在单一课程内、跨链接课程或在顶点或实习序列中实施。核心研究指通过可识别的活动、工件和评估提供直接设计证据的研究。支持研究为利益相关者关联、问责性、评估或理论基础提供补充证据。AAA指活动、工件和评估,并作为从文献中提取教育设计元素的最小单位。本研究的概念基础总结于表1。

3. 材料与方法
3.1. 研究设计:DSR导向的综述综合
本研究的主要方法目标并非估计教育干预的效果,而是开发一个可操作的课程设计工件。因此,本研究采用了设计科学研究(DSR)取向,该取向专注于创建和评估旨在解决组织或社会技术问题的工件。综述被用作设计导向的证据综合,以识别可为ST-Impact模型提供信息的教育设计单元。

本研究定位为PRISMA2020指导的系统综述和设计导向综合。综述依据PRISMA2020声明进行报告。由于目标是开发课程设计框架而非估计干预效果,综合采用叙事和设计导向方法而非元分析。综述协议未在前瞻性公共注册处注册;因此无注册号可用。

本系统综述采用了受PRISMA2020报告原则启发的精简设计导向综合工作流,用于构建DSR导向框架开发的证据基础。综述目的是设计导向综合而非元分析。因此,分析聚焦于教育活动、学生工件、评估方法和治理相关指标,这些可转化为课程组件。DSR取向与综述协议的方法对齐总结于表2。

3.2. 检索策略与PRISMA知情报告
文献检索于2025年11月21日至2025年12月18日进行。数据源包括Scopus、Web of Science以及MIS、技术、计算机教育、信息系统教育和高等教育领域的选定期刊检索。检索策略围绕四个概念轴构建:高等教育背景、教育干预、作为学习目标的MIS或数字内容、以及社会或可持续性相关价值。

合格记录的出版窗口限于2010-2025年,因为这一时期涵盖了从IS2010和ISO26000到关于能力本位IS教育、企业数字责任(CDR)、环境社会和治理(ESG)和数字伦理的最新讨论的过渡。检索词包括高等教育、大学、课程、模块、顶点、基于项目的学习、服务学习、信息系统、管理信息系统、数字技术、数据分析、人工智能、软件、网络安全、社会影响、可持续性、负责任技术、伦理、公平、包容、可访问性和数字鸿沟等组合。

共识别1737条国际记录。使用DOI作为主键进行去重,并在DOI信息不可用时使用保守书目匹配。此过程移除233条重复记录,产生1504条待筛选记录。经筛选和优先化后,346条记录被识别为高优先级全文候选池。在全文资格审核前,因额外重复记录、书目不一致或无法获取全文,移除59条记录。因此,对287份报告进行了全文资格评估,最终保留120项研究用于分析集。PRISMA知情的综述和衰减过程总结于表3并在图1中可视化。在287份接受全文资格评估的报告中,167份未保留用于最终分析综合。每份未保留报告分配一个主要原因。报告未保留的原因包括:超出高等教育或结构化教育干预范围(n=65);在概念或情境上与更广泛综述领域相关,但未描述可提取用于框架综合的具体教育设计元素(如学习活动、学生产出工件、评估机制或课程结构)(n=68);未充分定位于MIS或数字学习背景,或缺乏清晰的课程设计关联(n=30);社会影响或可持续性考虑缺失或仅弱嵌入(n=3);或其他资格信息不足(n=1)。因此,最终保留120项研究用于分析集,包括11项核心证据研究和109项支持证据研究。

3.3. 筛选、优先化与资格审核
基于摘要的筛选检查每条记录是否可能涉及高等教育、教育干预、数字或MIS学习内容以及社会影响。在第一筛选阶段,记录按六类编码:I-SI用于具有高等教育、教育干预、MIS或数字学习目标以及明确社会影响维度证据的记录;I-Base用于满足相同标准但缺乏明确社会影响证据的记录;U用于在这些维度上证据模糊或不确定的记录;E1、E2和E3分别用于因位于高等教育外、位于相关学科领域外或仅将技术作为传递媒介而非学习目标而被排除的记录。编码方案旨在最小化过早排除。仅当记录明确位于高等教育外、缺乏教育干预或技术仅作为传递媒介而不以数字能力为学习目标时,才予以排除。模糊记录保留以供后续确认。

由于摘要池庞大且异质,采用第二阶段优先化程序组织全文审查顺序。所有1504条去重记录按四个维度编码:高等教育干预、作为学习目标的MIS或数字内容、社会影响关联性、以及评估或验证证据。还应用基于T/E/S/F的10分评分系统评估设计证据密度。T表示技术实施水平,E表示教育结构化程度,S表示社会影响证据明确性,F表示评估、验证或设计模型证据的存在。最终国际分析集的功能组成总结于表4。

3.4. 人机协作的AI使用
文献检索完成后,在全面应用前对筛选和编码方案进行了迭代试点和完善。随后在2026年1月至2月期间,使用ChatGPT(OpenAI;付费网络界面,如2026年1月至2月间部署的版本)进行了AI辅助的摘要级组织、标记、优先化和临时评分。此时期特指初步摘要级筛选、优先化和评分阶段。ChatGPT网络界面作为平台级工具使用,而非固定的API模型端点。因此,AI辅助以工具/平台和部署时期报告,而非精确验证的模型版本。AI辅助程序使用每条记录可用的检索记录信息,包括标题、摘要、关键词(如有)、出版年份、期刊或来源、DOI(如有)和数据库信息。这些元数据用于记录识别和组织。然而,相关性评估、优先化和临时评分主要在摘要层面进行。在此阶段未向ChatGPT提供全文。提示围绕预定的审查标准构建,包括高等教育背景、教育干预、MIS或数字学习内容、社会或可持续性相关相关性,以及设计或评估证据的存在。使用基于T/E/S/F的评分逻辑评估设计相关证据密度并组织全文审查顺序。近期关于AI支持综述和混合智能的方法论讨论强调,此类工具应保持在人机协作工作流中并在研究人员控制下。因此,AI生成输出仅作为初步摘要级标签、优先化辅助和临时评分;未用于自动包含或排除决策。

为降低错误排除风险,筛选逻辑有意追求高召回率。模糊、部分或弱相关性的记录不被自动排除;而是作为弱或不确定候选保留供后续研究人员审查。研究人员根据预定义包含和排除标准审查AI辅助标签和临时评分。最终包含和排除决策、全文资格审核、活动、工件、评估和治理相关指标的提取、核心/支持分类、综合以及ST-Impact模型开发由研究人员完成。

3.5. 数据提取:AAA与治理指标
数据提取依据核心研究与支持研究的功能区分进行。此区分是功能性的证据分类,而非对纳入研究质量排序。核心研究定义为提供直接且可提取的课程设计证据的研究,包括可识别的学习活动、学生产出工件和评估机制。它们还必须定位于高等教育,并包含与社会影响、可持续性、责任或利益相关者导向价值相关的MIS相关数字、数据、AI、分析或信息系统学习目标。支持研究提供相关概念、规范、评估或背景证据,但未提供完整的可提取AAA元素集。它们用于完善模型的可持续性框架、治理指标、责任标准、利益相关者关联、评估逻辑和理论基础。补充表S1报告分类标准,补充表S2提供11项核心研究的核心证据提取矩阵,补充表S3列出包含的120项研究的完整分析集。

为支持编码一致性,AAA类别在全文提取前定义并在审查过程中一致应用。活动定义为学生执行的可观察学习任务或教学过程,如问题探索、利益相关者分析、需求收集、设计、原型制作、反思或演示。工件定义为有形的学生产出,如议题简报、利益相关者地图、需求文档、数据地图、流程图表、原型、仪表板、报告、作品集或反思论文。评估定义为用于评估学生学习、工件质量、责任推理或实地相关性的机制,包括:量规、调查、前后测量、教师或同伴评估、利益相关者反馈、演示和反思性评估。边界案例反复对照相同AAA定义进行检查。仅当从全文明确识别出所有三个AAA组件时,研究才被分类为核心证据;未提供完整活动-工件-评估序列的研究当提供相关概念、治理、可持续性或责任相关洞见时,保留为支持证据。AAA提取框架总结于表5。

第二个组件涉及治理指标的提取。此组件捕获与利益相关者需求、问责性、公共价值、公平性、可访问性、隐私、安全、安全性、透明度、负责任AI、质量保证、实地反馈和项目改进相关的证据。初始提取后,进行主题综合以将碎片化AAA单元聚类为连贯的教育序列。提取的AAA元素和治理指标随后被综合为反复出现的教育功能,与IS2020能力结构对齐,并重组为ST-Impact模型。

表6总结了用于推导ST-Impact模型的七步程序。此程序将第3节描述的数据提取过程与第4节呈现的教学设计元素综合以及第5节的ST-Impact模型开发连接起来。

4. 结果:教学设计元素
4.1. 主题景观与功能分类
最终120项国际研究的分析集显示出从以讲座为中心的伦理教学向体验式和实地关联教育干预的转变。代表性形式包括服务学习、社区参与项目、基于项目的学习、顶点实习、数字伦理模块、AI伦理教育和可持续性相关计算活动。这些干预表明,当学生将数字知识与真实或模拟的社会、组织或社区问题联系时,社会影响最具操作化意义。

包含的120项研究语料以两个互补阶段进行综合。首先,对所有120项研究进行描述性叙事综合,以刻画国际文献中所代表的主题景观、教育背景以及责任或可持续性相关课程关切。其次,进行设计导向综合以推导ST-Impact模型的结构组件,其中11项核心研究和109项支持研究以功能不同但互补的方式贡献:核心研究为提取活动、工件和评估元素提供直接证据,而支持研究为治理、责任、利益相关者关联和评估逻辑的完善提供信息。此核心/支持区分反映了综合内的功能证据分类,而非包含层级或质量排序;所有120项研究构成完整的系统综述语料。

为将此主题景观转化为ST-Impact模型的设计输入,语料按功能分类为11项核心研究和109项支持研究。核心研究提供明确且可提取的AAA元素,作为构建教学模块的直接输入。支持研究为治理原则、外部利益相关者参与、责任标准和多层评估逻辑提供补充证据。此区分允许框架扎根于直接教学证据,同时纳入更广泛的规范和评估洞见。所有120项纳入研究的特征及其相应参考文献编号见补充表S3。

4.2. AAA元素综合与框架设计
从核心文献中提取AAA元素证实,社会技术能力需要阶段性但迭代的教学配置。活动强调社会问题探索、利益相关者映射、需求收集、流程映射、设计、原型制作、反馈和反思。工件包括议题简报、需求分析报告、诊断性数据地图、流程地图、原型、仪表板、反思报告和顶点作品集。评估通常涉及量规、反思性论文、外部反馈、前后测量和责任导向的评估标准。

为将这些发现操作化用于DSR过程,提取的AAA单元被综合并映射到技术问题解决的渐进阶段。此综合还融入了责任和治理相关指标,包括公共价值、公平性、可访问性、可解释性、问责性、隐私、安全、可持续性、利益相关者响应性和项目反馈。由此产生的综合为ST-Impact模型六个模块的设计基础提供了依据,详见第5.2节。

5. ST-Impact模型的开发
5.1. 推导逻辑与设计原则
在本研究中,提议的课程设计框架正式命名为社会技术影响(ST-Impact)模型。“社会技术”一词反映了MIS视角,即数字系统由技术、组织和社会条件共同塑造,而“影响”表明模型面向公共价值、可持续性、利益相关者响应性和负责任数字化转型。

ST-Impact模型通过三个证据层的可追溯综合开发。第一,核心研究提供了关于学生做什么、产出什么以及如何评估的直接证据。第二,支持研究提供了关于伦理、可持续性、数字责任、利益相关者关联、治理和评估的补充证据。第三,IS2020、CDR和IT治理逻辑提供了学科和责任导向的参考结构。设计过程将重复的AAA模式聚类为教育功能,将这些功能与IS2020对齐,并将责任标准嵌入每个模块。此程序明确了模型并非任意的教学序列,而是基于文献的设计综合。

模型基于三个设计原则。第一,社会影响和伦理不应作为孤立主题处理;责任相关标准应嵌入技术问题解决过程。第二,应纳入利益相关者反馈和反思性修订,使学生产出工件可通过审查和结构化反思得到改进。第三,评估应考虑学习者的能力、负责任的设计质量和项目层面反馈,而非仅依赖技术完成度。

5.2. ST-Impact模型的六模块结构
ST-Impact模型将综合的AAA元素操作化为六个顺序但迭代的模块。每个模块代表一种反复出现的教育功能,而非强制性的独立课程,可在单一课程内、跨链接课程、在顶点序列或课程轨道中实施。

M1. 社会问题定义。此模块将广泛的社会挑战转化为结构化的MIS教育任务。学生定义信息系统问题的公共维度并识别受影响的利益相关者。模块聚焦于澄清问题的公共意义、受影响利益相关者范围以及问题与信息系统关联性。

M2. 需求与背景分析。此模块通过分析组织、用户、社区和环境条件扩展问题定义。它强调需求收集、利益相关者映射、背景诊断和需求可追溯性,关注代表性、数字公平性、可访问性和背景适配性。

M3. 数据、流程与系统设计。此模块将概念需求转化为数据模型、流程流、系统架构和设计理由。责任标准嵌入设计决策中,使可解释性、隐私、安全、问责性和偏见意识在技术规范期间得到考虑。

M4. 数字实施。此模块聚焦于数字工件的实现、测试和演示。学生开发原型、测试系统输出并修订实施结果,同时考虑技术可靠性、可用性、负责任的数据处理、安全性和人类监督。

M5. 评估与反思。此模块作为责任导向的审查点。通过反思报告、评估表、反馈摘要和修订提案,检查公共价值、包容性、可持续性、问责性和修订逻辑。当识别到风险或意外后果时,学生需重新考虑早期假设或设计选择。

M6. 实地关联综合实践。此模块通过顶点、实地或外部演示活动综合前述能力。它强调最终报告、作品集、外部演示、利益相关者反馈、适用性、实地相关性以及社会或组织价值的证据。ST-Impact模块的AAA证据、IS2020对齐、责任焦点和评估焦点的综合总结于表7。

5.3. 迭代与多学科操作流程
ST-Impact模型将多学科整合视为一个连接技术、组织、社会和教育实践的操作原则,而非简单的学科并置。在实际操作中,一个模块的输出成为后续模块的输入。来自M1的问题定义陈述通知M2的需求分析报告。来自M2的需求和利益相关者地图成为M3的设计条件。来自M3的设计规格成为M4的实施要求。M5中的评估和反思可修订早期假设,而M6通过实地关联或基于顶点的演示整合全过程。此逻辑使ST-Impact能够作为一个累积和迭代的学习架构运行,而非线性检查表。ST-Impact流程中多学科整合的维度总结于表8。ST-Impact模型的整体结构(包括累积模块序列、递归反馈逻辑和三层评估系统)在图2中说明。

5.4. 三层评估与治理系统
提议的评估系统包括三层。第一层是学习者能力成就评估。此层通过阶段特定工件评估学生的理解、表现和倾向性展示。第二层是负责任设计与社会成果标准。此层评估工件和设计决策是否反映公共价值、公平性、可访问性、可解释性、问责性、隐私、安全、安全性和可持续性。第三层是项目运行与治理反馈。此层评估模块连贯性、外部反馈、运行连续性、实地适用性和课程改进。从治理角度看,早期证据(如需求可追溯性、设计理由、风险审查和反思)可视为领先指标,而实地反馈、适用性和课程改进可视为滞后指标。ST-Impact模型的三层评估系统总结于表9。

6. 分析性评估与讨论
6.1. 基于DSR的分析性评估策略
在DSR中,对提议工件的评估是展示工件是否扎根于其理论基础以及是否具有解决现实问题潜在效用的关键阶段。由于ST-Impact模型是一个规范性教育治理模型,而非直接实施的信息系统,本研究不声称纵向实证验证。相反,采用多方面分析性评估策略来检查结构连贯性和实践差异性。

使用了两种分析性评估方法。第一,可追溯性映射检查M1-M6模块是否系统性地与IS2020能力领域和CDR原则对齐。第二,说明性课程结构比较检查选定的IS/MIS和分析导向本科项目,以确定责任导向学习是否在公开可用的必修技术课程结构中明确可见。

6.2. 通过可追溯性矩阵对内部连贯性进行分析性评估
在DSR中建立内部连贯性需要证明设计工件满足其目标理论要求。此模型的核心设计标准基于IS2020能力架构和CDR维度。由于IS2020能力领域和CDR原则作为全面指南,需要进行操作化以将其嵌入教育管道。因此,构建了可追溯性矩阵展示宏观CDR原则如何转化为模块级控制标准。连接IS2020、CDR原则和ST-Impact模块的可追溯性矩阵见表10。

表10中的映射表明技术实施与反思性责任之间的系统性可追溯性。IS2020伦理、可持续性和社会影响领域以及CDR相关控制原则并未局限于理论规划,而是作为技术问题解决过程中的审查和反馈机制。这支持了模型作为多学科教育框架的内部连贯性。

6.3. 对可见课程结构的说明性比较分析
基于第5.2节和表7中呈现的六模块结构,本节使用ST-Impact模块作为说明性分析透镜,检查选定IS/MIS和分析导向本科项目的公开可见必修课程结构。为减少任意案例选择,采用两步目的性抽样方法。首先,识别具有认可度高的MIS相关领域本科项目和AACSB认证的机构,包括卡内基梅隆大学(CMU)、德克萨斯大学奥斯汀分校(UT Austin)和麻省理工学院(MIT)。其次,使用教学计划分类(CIP)逻辑识别功能相关的学位项目,包括计算机与信息科学以及商业/管理量化方法项目。

比较分析使用官方学术信息中必修课程的可视结构作为分析单元。ST-Impact模块的内化程度评估为集成、碎片化或孤立,或在必修技术核心中未明确可见。由于课程层面 syllabus、作业、隐藏的评估量规和非正式教学实践可能包含额外责任相关内容,结果应解释为说明性课程结构分析,而非结论性项目评估。

如表11所示,所选项目在其必修课程结构中使若干ST-Impact相关组件可见,特别是在需求分析、数据/系统设计、数字实施和综合实践方面。然而,责任导向反思和明确公共价值评估在可见技术核心中嵌入得不够一致。例如,CMU在技术设计课程旁包括社会技术背景学习,UT Austin强烈强调业务系统和开发能力,MIT Sloan包括与分析导向、与社会福祉相关的课程。然而,由于此分析仅限于公开可见课程结构,这些发现应被解释为暗示性而非结论性。

结果表明,在公开可见的必修课程结构中,责任导向学习在所选的案例中仅部分作为技术教育整合组件可见。此说明性对比突显了ST-Impact模型作为在相同学习生命周期内连接技术实施与责任导向反思框架的潜在价值。

6.4. 实践操作化:说明性15周教学大纲架构
在DSR中,通过展示工件如何在现实环境中实例化,可加强其实用效用。为支持教学采纳,本节呈现了一个说明性15周教学大纲架构。此架构与课程无关,可适配于特定MIS课程,如数据库设计、系统分析、商业分析或AI相关课程。

模块安排基于三个教育设计原则。第一,布鲁姆分类法表明学习者从知识理解进展到应用、评估和创造。因此,早期周次聚焦于价值规划和需求分析,期中周次强调技术设计和实施,后期周次关注评估、反思和综合实践。第二,认知负荷理论暗示技术设计和实施需要充分时间分配以避免过载学习者。第三,Sch?n的反思实践者视角强调行动中反思的重要性,支持将M5紧接技术实施后放置。基于ST-Impact的说明性教学大纲蓝图见表12。

作为说明性实施指南,评估权重可分布在三个能力领域:价值规划能力(20%;M1-M2)、技术实施能力(40%;M3-M4)以及社会责任与实习能力(40%;M5-M6)。此20:40:40比率应理解为适应性设计指南,而非固定统一标准。该结构旨在支持技术严谨性与社会责任在整个系统开发生命周期中的整合,但权重可根据机构背景、课程类型、学习者水平和利益相关者伙伴关系条件进行修改。

7. 结论
7.1. 主要发现总结
在数字化转型时代,培养具备技术熟练度和企业数字责任(CDR)的IS专业人员日益重要。本研究开发了ST-Impact模型作为可持续性导向MIS教育的课程设计框架。采用DSR取向,依据PRISMA2020指导的系统综述和面向设计的综合(涵盖120项国际研究),提取了细粒度的教育设计单元,即活动、工件和评估。这些设计输入与IS2020能力架构对齐,形成了六模块模型,涵盖从社会技术问题定义到综合实地实习的轨迹。

为分析性评估提议工件的内部连贯性和实践关联性,使用了可追溯性矩阵和说明性课程结构比较。可追溯性矩阵表明CDR原则与ST-Impact模块之间存在系统性对齐。与所选美国项目的说明性比较表明,在公开可用的必修课程结构中,责任导向学习仅部分作为技术教育的集成组件可见。最后,本研究提出说明性15周教学大纲架构和适应性三级评分比例作为情境化实施的实践指南。

7.2. 理论贡献
第一,本研究通过将MIS伦理、可持续性和社会责任的抽象讨论转化为系统性教育工件做出贡献。先前研究常强调数字伦理的必要性,但本研究通过DSR逻辑将教学功能、有形工件和治理标准组织成连贯的课程设计模型。

第二,本研究通过展示责任导向学习在公开可用课程结构中可能仍仅部分与技术实施集成,突出了现代IS教育可见组织中的可能结构性缺口。该模型提出技术实施和外部性反思可以在同一学习生命周期内更系统性地连接,而非作为无关或平行的课程组件。

第三,该模型通过将操作逻辑从线性项目序列转变为迭代和累积的学习流,推进了教学理论。通过内化结构化反馈机制,在M5中识别出的价值缺陷可通知M1和M3中问题定义或系统设计决策的修订。

7.3. 实践与政策意义
该模型的主要实践价值在于为高等教育从业者提供了一种与课程无关的课程重组指南,支持大学社会责任和负责任数字可持续性。教师可通过根据课程领域替换技术内容同时保持社会技术治理结构,适配15周教学大纲蓝图。因此,该模型旨在被适配而非作为固定模板采纳。

此外,本研究通过将IT治理逻辑适配为学术评估系统,提供了多层级质量保证标准。说明性三级评分比例鼓励教师共同评估价值规划、技术实施和负责任实习组件,而非仅聚焦技术产出。

最后,从高等教育政策视角看,该模型提供了促进与社区和公共部门相关联的多学科融合的路径。通过正式化利益相关者需求收集和实地演示反馈,该模型可支持将大学定位为应对社会技术、区域和社会挑战的制度平台的教育政策。

7.4. 局限性与未来研究
尽管本研究通过国际文献综合、分析性映射和说明性课程结构比较开发了模型,但它受限于缺乏在实际教育环境中的纵向实证实施。因此,研究结果应被解释为设计导向的框架贡献和基于设计的提议,而非课堂有效性或机构影响的证据。此外,核心证据库仅包含11项研究;尽管这些研究通过透明筛选过程被系统性识别,但这一相对较小的集合意味着所得模块结构应被视为初步综合,而非饱和或详尽的领域表征。在初步筛选中使用AI辅助工具,尽管受到人机协作保障措施约束,也意味着筛选过程在没有相同工具版本和底层记录元数据的情况下无法完全复制;这代表了AI辅助和简化系统综述工作流更广泛的内在局限性。此外,综述由单研究人员在AI辅助支持和研究人员验证下进行,而非由两名或更多独立审稿人进行。尽管采用了高召回率筛选逻辑和全文研究人员验证以减少过早排除,但这可能限制了筛选和提取过程的可重复性。未对纳入研究进行正式偏倚风险或方法学质量评估,因为综述目的是提取设计相关的教育元素以进行框架综合,而非估计干预效果或比较效应量。未来系统性更新应纳入双独立筛选和适合异质性教育设计证据的正式评估工具。

未来研究应基于此模型在实际本科项目中设计课程,并纵向分析学习者的多学科能力发展。鉴于生成式AI在高等教育中的快速扩散,未来研究还应考察ST-Impact模型如何支持负责任的AI使用、批判性思维、伦理推理和社会价值导向的数字工件开发。此外,由于本研究中的分析性评估主要依赖可追溯性映射和说明性课程比较,未来研究应扩展至焦点小组访谈、德尔菲调查或与MIS教育者和IT行业专家的专家小组审查。这些方法将使不同机构背景下的模块适配指南得以进一步完善。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号