信息技术和人工智能

对技术的兴趣可能始于一款吸引人的应用程序或一件精巧的小玩意，但优秀的大学教育会探究其表象之下的深层含义：数据是如何组织的？系统是如何运作的？我们如何测试它？以及谁会受到其决策的影响？该研究领域融合了计算机科学、软件和系统开发以及数据分析的基础知识，并根据课程设置，提供人工智能或其他领域的专业方向。

名称相似，方法不同

计算机科学、信息技术、软件工程、数据科学和人工智能并非完全相同。它们可能开设一些相同的课程，但侧重点却各不相同，涵盖了从理论基础到系统、应用、数据和工程设计的各个方面。因此，你应该仔细阅读课程设置，而不是仅仅因为某个课程名称中包含常见术语就选择它。[1]

ACM、IEEE-CS 和 AAAI 联合推出的 CS2023 框架有助于理解计算机科学教育的广度，但它并不能将所有技术课程都视为单一模式。实际的大学课程仍然是学生学习内容及其在理论基础、应用和项目之间分配的最佳指南。[1]

编程作为构建思维的工具

通过编程，学生学会将问题分解成各个部分，制定清晰的步骤，检验假设并分析错误。衡量进步的标准并非他们能说出多少种编程语言，而是他们理解问题并编写可读、可测试、可改进的解决方案的能力。

他们可以从满足特定需求的小项目入手：例如安排个人日程、分析公开数据或设计简单的界面。与其启动一个他们无法解释或维护其组件的大型项目，不如完成一个有文档和测试的小型项目。

人工智能需要基础，而不仅仅是一个头衔

人工智能的研究与数学、统计学、数据和算法密切相关，也涉及模型设计、评估以及理解其局限性。使用现成的工具可以作为一个有用的起点，但这并不能取代学习如何衡量结果、系统依赖哪些数据以及系统可能出现哪些问题。[1]

在教育项目中，学生应该理解训练和评估之间的区别，避免在没有解释其衡量方法的情况下就展示令人印象深刻的结果。质疑人工智能的适用性也至关重要。对于特定问题，更简单的解决方案可能更清晰、更高效。这种选择能力是技术成熟的标志。

安全和隐私是设计的一部分

在构建任何应用程序时，学生需要考虑他们收集的数据、谁可以访问这些数据、数据的存储和删除方式以及所需的权限。这并非一项可以推迟到项目结束的任务，而是从一开始就应该纳入项目定义的范畴。在没有法律依据、同意和适当权限的情况下，绝不应在教育活动中使用真实的个人数据。

可以使用合成数据或获得许可的公共数据，并且项目的边界应该清晰地记录下来。必须尊重代码、库和图像的许可协议，不得将他人的作品冒充为自己的作品。对产品的信任始于对其构建方式的信任。

如何比较大学？

考察数学和编程基础、系统和数据课程、项目性质、实验室设施以及指导和评估机制。询问学生如何学习团队合作、版本控制、测试和文档编写，以及学校提供的实习或研究机会及其参与要求。

提及技术或工程认证时，应审查具体的项目及其范围。ABET 明确指出，其认证针对的是单个项目，而非整个大学，也不代表任何优先排名。因此，仅凭公共页面上的徽标不足以确定每个专业或院系的认证状态。[2]

可验证的作品集

作品集应包含清晰的项目、问题陈述、工作方法、测试、已知局限性以及学生所学到的知识。这些要素能为读者提供能力证明，而不仅仅是个人照片或课程列表。在小组项目中，应明确说明每个人的角色，但不要将整个团队的工作归功于一人。

兴趣可能随着项目和经验的积累而转向软件、数据、系统、安全或研究。任何头衔都不能保证薪水或工作，工具的快速更新换代也无法取代扎实的科学基础。真正的价值在于能够负责任地学习、分析和构建，并能清晰地向后续使用者或开发者解释所构建的内容。