基于思维培养的人工智能实验教学探索.docx

基于思维培养的人工智能实验教学探索

实验教学不仅能提高学生的技术实操能力，而且能够突破简单的技术应用和原理知识，从实验观察、数据分析、功能探究等多种角度培养学生的计算思维、工程思维等数字素养与技能。本期解码，就让我们深入教学一线的实验教学探索，为信息科技新课程实施寻找新的动力。

《义务教育信息科技课程标准（2022年版）》明确提出“通过不同的人工智能应用场景，了解数据、算法和算力三大技术基础的作用，以及搜索、推理、预测和机器学习等常见的人工智能实现方式，正确对待人工智能带来的伦理与安全挑战”。当前的中小学人工智能教学存在两个典型问题：一是教学偏向简单的应用体验，即调用现成API得出结果，导致学生误以为人工智能就是函数调用，不了解其背后的原理；二是存在“认知拟人化误区”，错误地认为人工智能可以像人一样思考，如“图像识别是因为机器‘看懂’了图片内容”，导致学生对数据、计算等关键要素的理解存在偏差。笔者针对这两个问题，并基于“技术实验2探析人工智能的数据处理”的相关内容，提炼出“基于思维培养的人工智能实验”教学思路，设计了“利用卷积神经网络识别植物实验”，具体教学流程如下页图1所示。下面，笔者以“利用卷积神经网络识别植物实验”为例，对开展人工智能实验教学需要关注的要点进行系统的阐述。

0实验准备的针对性

人工智能教学对环境资源有一定的依赖性，本课例中不需要物联网设备、摄像头、算力平台等，只需要常规的计算机机房，然后安装必要的第三方扩展库即可，笔者主要用到了TensorFlow，OpenCV、Os、Numpy、Scikit-learn等。准备的重点是数据集的收集，即学生要以小组为单位收集连翘和迎春花图像各30张，并分为训练集和测试集两部分。对收集到的图像做适当处理，剪除不必要的干扰，如建筑杂物等，进而突出该植物，并确保图像有较高的清晰度。数据收集是实验准备环节的核心之一，教师可以根据实际需求提前部署，由学生自行收集拷贝到机房，或者教师集中收集发放给学生。若教师收集则需要增加图片数量，方便后续开展对照实验。

依据学情进行实验设计

初中生对人工智能的理解往往偏于简单，普遍觉得人工智能技术很神秘，对技术概念和技术原理的理解不足。教师可以采取“合理化情境”和“人机对比”等策略，帮助学生了解卷积神经网络进行植物识别的基本流程和技术原理，促进学生梳理正确的人工智能认知，提升学生的核心素养水平。

1.情境导入，引发实验需求

①展示校园里的连翘和迎春花照片，让学生进行识别学习体验。②出示新图片，学生回答，引导学生思考识别依据（如花瓣数量等）。

③引出问题：人工智能能否高效识别植物？从学生已有的植物观察经验（如花瓣数量差异）自然过渡到人工智能识别原理的探究，为后续对比机器识别建立认知过渡，能够有效降低学生的认知负荷。

④借助“形色\APP识别植物，激发学生的学习兴趣，引导学生在已有的生活经验基础上，归纳人类识别植物的基本流程和内在逻辑，为后续实验原理的学习做好铺垫。

2.人机对比，明晰实验设计

通过对比人类视觉识别和卷积神经网络基本工作流程，将复杂的机器学习过程转化为可理解的认知模型，帮助学生明确实验目的，具体内容包括：①验证卷积神经网络是如何模拟动物视觉系统进行学习和识别的；②探究卷积神经网络的基本工作流程；③培养学生的计算思维与创新思维等。

以可操作的实验方法来设计实验内容，具体内容包括：①引人图片的数字化，引导学生探究计算机加工的本质是“计算”；②对比人类视觉识别和卷积神经网络识别的本质差异，验证卷积神经网络如何通过卷积运算等方法实现特征提取的工作原理，并通过实验结论与反思培养学生的批判思维，如认识到“人工智能依赖数据而非经验”、避免对人工智能能力的“神化”、消除“拟人化认知误区”等。

基于人机对比，确定实验原理。在实验前，师生将人类视觉识别过程分解为“眼睛看到花一大脑提取特征—存储记忆一分类识别”。通过类比，在实验中将卷积神经网络的基本工作过程分解为“读取数据集一卷积计算提取特征—训练卷积神经网络模型—预测分类”（如上页图2）。同时，利用有效的类比，在实验中可大幅降低人工智能神经网络的认知难度，提高实验效率，促进学生对卷积原理的理解。

图1利用卷积神经网络识别植物实验的基本流程卷积神经网络的工作原理对比理解图表

用实验观察与数据分析理解模型训练

实验的观察与数据分析，是本实验的核心部分，重在引导学生通过数据、现象、结果的分析，观察实验现象，发现问题解决的规律，形成科学的实验方法。

1.引导学生进行实验数据的预处理

通过配置图像路径，利用算法代码实验如何进行数据标准化，完成对收集的图像数据进行统一的规范化处理，强化认识数据质量对模型训练的重要性。

2.记录观察模型训练实验的数据反馈结果

根据学情，本实验采用简单的卷