【深度洞察】学习平台的的公共属性和市场属性之争

UNESCO 七条原则与一场关于教育公共性的全球争论

全球 EdTech 市场突破 1400 亿美元，学生数据频遭泄露，三大国际组织联合发布七条原则，重新定义数字时代教育平台的公共底线。

2020 年春天，某个发展中国家的一位中学教师收到了一封来自商业教育平台的邮件："疫情期间，本平台对所有教师免费开放。"她把全班 40 个学生搬上了这个平台。三个月后，免费版开始插入广告，学生的学习行为数据被用于精准推送课外辅导广告。六个月后，平台宣布涨价 70%。她想迁移到另一个平台，却发现过去半年积累的课程内容、学生学习记录全部无法导出。

这不是个案。全球数以百万计教师在疫情期间有过类似经历——被迫将教学搬上商业平台，然后发现自己和学生都成了平台商业模式的一部分。

一个根本问题浮出水面：学习平台该由谁来建？这远不止技术架构的选择，它触及的是"教育究竟是不是商品"这个古老争论的数字化翻版。

2026 年 3 月 19 日，芬兰赫尔辛基，UNESCO、UNICEF 和 ITU 在国际数字学习日（International Day for Digital Learning）联合发布了《公共数字学习平台宪章》（Charter for Public Digital Learning Platforms）。这份由 14 位国际专家参与研发、经全球公众评议后定稿的文件，给出了一个明确立场：教育是公共产品（public good），数字学习平台应当服务于这一定位，而非为商业逻辑让路。

七条原则，一个框架。一份价值指南，而非技术手册。

全球教育科技（EdTech）市场在 2023 年达到了 1423.7 亿美元（UNICEF Innocenti, 2025）。教育已成为科技资本最热衷的赛道之一。

繁荣背后是惊人的渗透深度。根据 Nichols 和 Dixon-Roman 在《Review of Educational Research》上的研究，美国学区每月平均访问超过 1400 个教育科技平台（Nichols & Dixon-Roman, 2024）。注意，是 1400 个不同的平台，不是 1400 次访问。一个学区里的教师和学生每天在十几个甚至几十个商业应用之间切换，每个应用收集着不同维度的数据，遵循着不同的隐私政策——如果它们有隐私政策的话。

商业 EdTech 的核心矛盾不在于个别企业的道德瑕疵，而在于商业逻辑与教育逻辑之间的系统性张力。Nichols 和 Dixon-Roman 的分析揭示了三重结构性矛盾：用户增长优先于教育效果——平台需要更多用户来维持估值，学习成果的改善反而不是核心 KPI；数据变现优先于隐私保护——用户数据是商业模式的核心资产；锁定效应优先于互操作性——让学校难以迁移才能确保续约。

这些矛盾已经转化为现实冲突。Coursera 被指控使用 Meta Pixel 追踪工具，将用户观看课程视频的详细信息秘密发送给 Facebook，面临违反美国《视频隐私保护法》（Video Privacy Protection Act, VPPA）的集体诉讼。曾是全球估值最高 EdTech 公司的印度 Byju's，从 2022 年 220 亿美元的巅峰估值到 2024 年进入破产程序，"增长优先"模式的脆弱性暴露无遗。Google Classroom 作为全球使用最广泛的教育平台之一，持续面临学生数据是否被用于广告定向的质疑。

这里需要厘清一个前提：以上论点并非指向"商业平台都有问题"。许多商业平台确实提供了优秀的教育工具和内容。真正的议题在于一个更根本的命题——教育作为公共产品，其数字基础设施不能只依赖市场力量来供给。正如公共图书馆的存在从未否定商业书店的价值，公共数字学习平台的存在，是为了确保每个学习者——无论支付能力——都有获得数字教育资源的基本权利。

《公共数字学习平台宪章》的逻辑起点异常朴素：教育是人权（human right），也是公共产品（public good）。这两个定位从来都不只是修辞，它们是制度设计的基石。

宪章脱胎于 UNESCO-UNICEF Gateways to Public Digital Learning Initiative（公共数字学习门户倡议），该倡议 2022 年在变革教育峰会（Transforming Education Summit）上启动，已有约 30 个成员国参与。值得注意的是，宪章并非几个专家闭门造车的产物——它经历了 2025 年底到 2026 年初的公众评议，合作方涵盖 Creative Commons、EdTech Hub、World Bank 等机构。

七条原则，每一条都对应着一个真实问题：

P1 Public（公共性）——谁治理、谁出资、数据归谁？公共当局必须掌握治理权，数据留存本国管辖，公共财政支持确保可持续性。把平台运营事实上外包给营利机构，就意味着让渡了这些权力。

P2 Inclusive（包容性）——所有人都能用吗？包括最边缘化的群体：残障学习者、少数语言使用者、低带宽地区的用户、数字技能薄弱的家长。

P3 Pedagogical（教学性）——教师主导还是算法主导？平台应赋予教师更大的控制权，让专业判断而非推荐算法来决定学生看什么、学什么。

P4 Complementary（补充性）——数字平台是公共教育体系的有机组成部分。它应当支持面授教学，而非绕过教师、架空课堂。

P5 Open（开放性）——开放架构、开放内容、开放门槛。基于开放标准的模块化设计，避免供应商锁定；内容采用开放许可；尽可能无需注册即可访问学习资源。

P6 Focused（聚焦性）——从小做起，需求驱动而非技术驱动。以一两个实际教育目标出发，避免功能膨胀。一条特别值得注意的细则：义务教育阶段的学生不应成为未经验证的新技术的实验对象（P6.4）。

P7 Trustworthy（可信性）——数据责任、AI 责任、对公众透明。用户数据严禁用于商业目的，AI 必须经过严格测试，平台不得以冗长的用户协议向用户施压。

七条原则的设计哲学值得玩味：它从不规定"该用什么技术"，只回答"该坚守什么价值"。对各国而言，这提供的不是标准答案，而是共同的评估框架。

原则写在纸上容易，落地为系统则是另一回事。过去十年，至少有四种截然不同的路径正在被验证。

印度 DIKSHA：开源架构撬动 14 亿人口

2017 年，印度国家教育研究与培训委员会（National Council of Educational Research and Training, NCERT）启动了 DIKSHA（Digital Infrastructure for Knowledge Sharing）。据卡内基国际和平基金会 2023 年的报告，DIKSHA 的内容已触达约 1.8 亿学生（Carnegie Endowment, 2023）。

DIKSHA 最值得关注的设计决策是技术栈的选择：底层框架 Sunbird 采用 MIT 开源许可，任何国家都可以免费复用和修改这套代码。这并非象征性的开源——斯里兰卡、埃塞俄比亚等国已经在基于 Sunbird 构建本国平台。作为联邦制国家，DIKSHA 支持 36 种印度语言，各邦可根据本地需求定制内容。

但规模不等于成功。Pachori 等人在《British Journal of Educational Technology》上的研究发现，互联网中断仍是主要障碍，教师培训不足严重影响实际使用效果，基础设施差距制约着偏远地区的访问（Pachori et al., 2024）。平台建好了，教育未必就发生了。

DIKSHA 的路径回应了宪章的 P2（包容性）和 P5（开放性）：用开源架构降低技术门槛，用多语言设计保障文化包容。

乌拉圭 Plan CEIBAL：小国的二十年长期主义

2007 年，乌拉圭总统 Tabare Vazquez 签署法令启动了 Plan CEIBAL。这个仅有 330 万人口的南美小国，由此成为全球第一个实现"每个小学生一台笔记本电脑"的国家。到 2009 年，超过 50 万台免费笔记本被分发到全国学校。

CEIBAL 的故事远不止一次性的硬件发放。从设备分发到在线学习平台，再到编程教育（Scratch、Python），再到 AI 辅助学习——这是一段持续 20 年的公共投资演进史。核心特征是 公共财政的持续承诺：无论政府更迭，投入从未中断。

效果并非一帆风顺。前两年的评估显示，笔记本电脑对数学和阅读成绩没有显著影响；由于政策层面将教师培训定位为选修而非必修，课堂整合效果受到制约。但长期数据揭示了另一面：计划显著缩小了数字鸿沟，低收入家庭的劳动收入出现了统计学显著的正向效应，特殊教育课堂的学习成果大幅提升。

CEIBAL 回应了宪章的 P6（聚焦性）和 P1（公共性）：先把一件事做好，然后用二十年的公共投入让它长出枝叶。

新加坡 Student Learning Space：精品路线与审慎 AI

2018 年，新加坡教育部（MOE）与政府科技局（GovTech）联合开发了 Student Learning Space（SLS），覆盖全国所有学校，约 50 万用户。疫情期间，SLS 支撑了 30 万并发用户的在线学习。

SLS 的设计哲学是"教师主导"：教师可以定制内容、创建协作课程、应用多元教学法。平台的角色是放大教师的专业判断，而非替代它。

在 AI 应用上，SLS 的策略极其审慎。自适应学习系统（Adaptive Learning System, ALS）仅覆盖小学高年级数学和中学地理两个学科——不是技术做不到更多，而是只在有充分证据支持的领域才部署。短答反馈助手（ShortAnsFA）为简答题提供个性化反馈，但最终采纳与否始终由教师决定。技术标准方面，SLS 采用 LTI 1.3、QTI3、xAPI 等国际规范，确保与第三方工具的互操作性。

SLS 回应了宪章的 P3（教学性）和 P6（聚焦性）：不做大而全，只在验证充分的地方下注。

法国 GAR：用数据中介保护学生隐私

法国走了一条不同的路：在现有商业平台和学生之间插入一个"数据中介"。GAR（Gestionnaire d'Acces aux Ressources，资源访问管理器）允许学校使用第三方 EdTech 资源，但学生的个人数据不直接传给商业供应商。GAR 作为中间层，实现了"使用商业内容，保护公共数据"的平衡。

这种方案回应了宪章的 P7（可信性）：在公共治理框架下设定数据流动的规则，而非一刀切地拒绝商业参与。

四个案例，四条路径。印度用开源架构撬动规模，乌拉圭用二十年公共投资积累厚度，新加坡用精品路线追求深度，法国用制度设计守住底线。没有唯一正确的模式，但一个共同点清晰可见：公共治理不可缺位。

前面讨论的是"存量问题"。AI 的介入正在创造一个全新的"增量风险"。

宪章对 AI 的立场浓缩在三个判断中，每一个都值得细读。

第一，AI 是工具，不是伙伴（P7.7）。宪章明确要求：AI 应作为机器工具（machine tool）呈现，不应被拟人化为"学习伙伴"或"AI 导师"。这绝非语义洁癖。当一个八岁的孩子把 AI 聊天机器人当作"朋友"，她对信息的批判性过滤会显著降低。工具和伙伴的区别，是认知防线的区别。

第二，学生不是实验品（P6.4）。义务教育阶段的儿童不应成为未经验证的 AI 技术的实验对象。背景是：全球 EdTech 公司争相将生成式 AI 功能塞进教育产品，上线速度远快于效果验证。医疗领域有一条铁律——未经临床试验的药物不允许上市。宪章的逻辑是：教育领域应有类似的审慎标准。

第三，人类教师必须能覆盖 AI 的输出（P7.7）。注意措辞：不是"参考"，不是"建议采纳"，而是"覆盖"（override）。系统设计上必须保留教师否决 AI 决策的技术能力和制度权限。

这三条立场之所以紧迫，是因为全球 AI 教育治理存在巨大的真空地带。OECD 2023 年的调查覆盖了 29 个国家，结果令人警醒：没有任何一个国家出台了专项规制生成式 AI 在教育中应用的政策（OECD, 2023）。29 个国家，零个专项框架。欧盟《AI 法案》（AI Act, 2024）将教育列为"高风险"（high-risk）领域，但实施细则仍在制定中。AI 教育产品的部署速度，远远跑在治理框架前面。

Khan Academy 的 Khanmigo 常被视为"负责任的商业 AI 教育实践"的参照。它承诺不用学生数据训练模型、不出售数据、对发送给大语言模型的信息进行匿名化处理。这些做法值得肯定。但一个根本性的问题绕不过去：这些承诺依赖的是公司政策，而非法律约束。公司可以修改隐私政策，可以被收购，可以在投资者压力下改变方向。当教育数据治理依赖商业善意而非制度保障时，风险始终是不对称的——企业承担商业风险，学生承担隐私风险。

回到开篇的问题：学习平台该由谁来建？

宪章给出的答案并非"只能由政府来建"。它的回答更为根本："无论谁来建，公共治理框架必须存在。"平台可以由公共部门自建（如新加坡 SLS），可以基于开源社区共建（如印度 DIKSHA），可以在商业生态中嵌入公共保护机制（如法国 GAR），也可以用二十年的公共财政耐心浇灌（如乌拉圭 CEIBAL）。路径可以不同，但有一条底线不可让渡：教育数据的主权、教学决策的自主权、边缘群体的受教育权，不能交给市场来定价。

AI 正在以前所未有的速度重塑教育的数字基础设施。在这个窗口期，宪章的价值不在于每一条原则都能立刻落地，而在于它为一个关键问题提供了不被商业逻辑主导的回答框架：教育的数字未来，应该长什么样？

30 个国家用各自的试错提炼出了这七条共识。它不是终点，而是一个起点。