一個從六項國際與在地 AI 素養框架抽取共通維度而建構的整合性能力框架， 提出 6 × 3 = 18 cell 座標系，作為高等教育 AI 素養課程設計與機構自評工具。
六維度 × 三層的交叉構成 18 個 cell，作為高等教育機構 AI 素養課程設計與自評工具
| 維度 | L1 Acquire 基礎認識 | L2 Deepen 深化應用 | L3 Create 創造與設計 |
|---|---|---|---|
| AI 概念基礎D1 | 知道 AI 是什麼、能做不能做 | 理解 ML / LLM 運作原理 | 能對學生／同儕解釋 AI 概念 |
| AI 倫理與責任D2 | 認識 AI 倫理基本議題 | 在自身學習活動中應用倫理判斷 | 能在學習社群中推動倫理規範討論並反思自身實踐 |
| 資料與隱私治理D3 | 認識同意機制與隱私風險 | 對自身的資料軌跡有反思能力 | 能規劃符合隱私原則的學習活動或同儕協作方案 |
| 批判性使用D4 | 知道 AI 會出錯 | 能驗證／質疑 AI 輸出 | 能設計系統性的訊息驗證流程，並向同儕示範 |
| AI 在學習任務中的整合應用D5 | 能用 AI 完成簡單學習任務 | 能依任務性質選擇恰當的 AI 介入程度 | 能設計個人化的 AI-assisted learning workflow |
| 創造與學習者自主性D6 | 知道 AI 可以被學習者自主形塑或拒絕 | 能 override AI 建議並調整 AI 行為以服務自身學習 | 用 AI 創造原本不存在的東西、設計新 AI 應用或學習路徑 |
黃色標記的 cell（D6 × L3 Create）為本框架識別的 conceptual blind spot—— 該位置在六框架中皆 under-operationalised， 是 generative AI 時代值得學界、政策圈、平台共同優先處理的研究與設計議題。
進階用法：除作為靜態自評清單，每門課程可在這 18 cell 上展現自己的素養分布（distribution profile），使跨課程比較、系所層級聚合、機構間 benchmark 成為可能。完整 measurement methodology 與跨機構應用將於配套論文發表。
從六框架交叉抽取的共通能力／責任維度，每維度均出現於至少三個源頭框架
理解 AI 的本質、運作原理、能與不能：從識別 AI 系統、區分通用與專用 AI，到掌握機器學習與語言模型的基本原理。
認識並能應用 AI 倫理判斷：偏誤、公平性、可解釋性、責任歸屬。屬於六框架全覆蓋的核心議題。
同意機制、資料軌跡反思、隱私邊界設計：從個人資料保護法／GDPR 概念到平台部署實作。
能驗證、質疑、查覺 AI 輸出問題的執行性能力，與 D2 的規範性倫理思考並行而非取代。
學習者在既有學習任務內整合 AI 以提升效率與效能（augment learning）：把 AI 當作 scaffold 與 accelerator，完成被指派或自設的學習目標。
學習者能超越任務或拒絕 AI 建議（transcend or resist），自主形塑、調整、設計 AI 系統創造原本不存在的東西。本框架識別出此維度在 Create 層於六框架中皆 under-operationalised，為 generative AI 時代的研究議程缺口。
D5 與 D6 邊界：兩者皆為 learner-facing，差別在主導動作。D5 是 augment learning（在既有任務內用 AI 把學習做得更好）；D6 是 transcend or resist（超越任務、創造新東西、或拒絕 AI 建議）。若某活動同時涉及兩者，依主導動作分類：任務驅動為 D5、自主驅動為 D6。
D6（創造與學習者自主性）標記為 Contribution Finding 的四層論證
D1（概念）、D2（倫理）、D3（資料）、D4（批判）、D5（整合）在六框架中皆有完整操作化；只有 D6（學習者自主性）以碎片形式存在——出現在 AAAI 的 C17 programmability、UNESCO CFS 的 AI system design、MOE 的「學生主體」宣示——但從未被升格為跨 Acquire/Deepen/Create 三層的完整 dimension。
更精準地說，D6 × L3 (Create)——學習者用 AI 創造原本不存在的東西、override AI 建議、設計新 AI 應用——這個 cell 在 OECD、AAAI、IEEE 7000、EU AI Act、MOE、UNESCO CFS 沒有任何一個有對應的操作化描述。這是「多框架共同盲點」的具體定位。
Generative AI 的核心能力是創造。沒有 D6 × L3 的 framework 等於把學習者鎖在「AI 的 user」位置（D5 augment 取向），永遠進不到「AI 的 author / agent」位置（D6 transcend 取向）。在 GenAI 普及的當下，這個位置從「未來議題」變成「現在必須處理」。
Contribution Finding 是 reviewer 會直接挑戰的主張：「你的框架對既有六個框架加了什麼？」此 claim 可被 verify（reviewer 可去查六框架）、可被 falsified（若有框架其實有 D6×L3，contribution 就崩）、有時代相關性——三項都到位，所以是 publishable contribution，而非 literature review。
結論：6D Framework 不是「把六個框架排成一張表」的 literature review，而是透過系統性編碼識別出共同盲點，並對該盲點給出可操作的維度命名與層級描述。這是 Paper A 的 contribution claim，也是 D6 在頁面上以 Contribution Finding ribbon 標註、且 18-Cell 矩陣中 D6 × L3 以黃色標記的學術依據。
每個維度可依進展層次區分為三層，與 UNESCO AI CFS 平行設計，並源於 Anderson & Krathwohl 2001 修訂版 Bloom 分類學上層三層
建立對該維度的基本知識與識別能力，能描述、定義、辨認相關概念與議題。
能在自身學習情境中應用該維度的判斷與技能，並反思自身實踐。
能設計新方案、向同儕示範、產出新工具或新學習方案，涉及高度自主性與創造性表達。
橫跨政府間原則、學術競爭力框架、工程標準、立法、在地政策、國際組織能力框架
5 條 value-based principles + 5 條 national policy recommendations，偏「系統設計原則」， 提供平台層級倫理承諾的對齊語彙。
5 大提問 → 17 項核心能力，是個人能力面最完整的框架， 為 AI literacy 領域 de facto baseline。
系統面 / 流程面對齊的最強 anchor，特別是 IEEE 7004 學生資料治理草案， 與教育平台研究倫理直接命中。
多數教育 AI 模組（成果評估、考試監控）歸類為高風險； Article 4 AI 素養義務是個人能力與系統部署的橋樑。
透明說明、學生主體、多元評估、風險意識、公平合理、道德責任—— 在地政策對齊是 Uedu 高教 user adoption 的必要證明。
CFS 為 4 aspects × 3 levels = 12 blocks。本框架定位為 learner-facing，僅對應 CFS（學生版），不對應 CFT（教師版）。3 層進展模型與 CFS 平行設計，便於跨框架對話；CFS 在 D3 與 D6 兩維度 under-specified，正是 6D 對 CFS 的擴充貢獻所在。
AI Literacy 6D 與 Educational Omics 是平行而非包含關係——前者回答「學習者該成為什麼樣子」（competency），後者回答「學習者身上有哪些可測量維度」（measurement）。
本框架建構過程的方法論決策，避免落入「列舉式對應」陷阱
六維度的抽取先於接觸 Uedu 平台資料。維度確立後才以平台作為 instantiation evidence，避免被質疑為 reverse-engineered from platform features。
每個共通維度必須在至少 3 個源頭框架中出現，確保維度不是任一框架的單獨延伸，而是跨框架共識的歸納結果。
對六框架做開放編碼後進行軸心編碼，編碼書與 inter-rater reliability 將於正式論文 Appendix 公開，支持 reproducibility。
Uedu 平台在本框架中定位為 instantiation evidence，非 subject of analysis。每維度挑 1–2 個 representative 工具，未涵蓋 cell 透明標註。
兩個互補框架構成 measurement-to-competency 的完整 research programme（深讀者 anchor）
張家凱的研究計畫由兩個互補框架構成。Educational Omics（教育組學）是 educational practice that operationalizes Multimodal Learning Analytics（MMLA），在大學通識教育場域實踐 MMLA paradigm，浮現 Cognomics、Linguomics、Physioneuromics、Sociomics、Environomics、Ethicomics 六個可觀測維度。AI Literacy 6D Framework 是 learner-facing competency framework，整合 UNESCO AI CFS、OECD AI Principles、IEEE 7000 系列、EU AI Act、AAAI AI Literacy 與教育部生成式 AI 原則，抽取 D1 概念基礎、D2 倫理責任、D3 資料治理、D4 批判性使用、D5 學習任務整合（augment）、D6 創造與自主性（transcend）六向度與 Acquire／Deepen／Create 三層進展，回答「學習者應發展哪些 AI 素養」。兩框架在 Ethics 與 Agency 維度交會，並以 Uedu 平台（48 機構部署、280,000+ 學習者—AI 互動，NCU 為 first instantiation）作為共同實證基礎，構成 measurement-to-competency 的完整 research programme。
約 220 字 · 適用於對外簡報、研究經費申請、學術通信引介Chia-Kai Chang's research programme rests on two complementary frameworks. Educational Omics (EO) is an educational practice that operationalizes Multimodal Learning Analytics (MMLA) in higher education general education contexts, with six observable dimensions—Cognomics, Linguomics, Physioneuromics, Sociomics, Environomics, and Ethicomics—emerging from sustained practice. The AI Literacy 6D Framework is a learner-facing competency framework synthesizing UNESCO AI CFS, OECD AI Principles, IEEE 7000 standards, the EU AI Act, AAAI AI Literacy, and Taiwan's MOE GenAI principles into six common dimensions (D1 conceptual foundations, D2 ethics, D3 data governance, D4 critical use, D5 AI integration in learning tasks—augment, D6 creation and learner agency—transcend) across three progression levels (Acquire, Deepen, Create), addressing what AI competencies learners should develop. The two frameworks intersect at the ethics and agency dimensions, and share Uedu Platform (deployed at 48 institutions, 280,000+ learner–AI interactions, with NCU as the first instantiation) as their common empirical foundation, together forming an integrated measurement-to-competency research programme.
~200 words · For international outreach, grant applications, academic correspondence學術慣例聲明：本框架對應論文（Paper A）目前處於同儕審查前（pre-peer-review）階段，內容為工作草稿，後續可能依審查意見調整。引用本頁內容請註明「working draft, subject to revision」。正式定稿版本將於論文發表後同步更新。