高中人工智能教學中計算思維的培養策略

摘 要：計算思維是一種廣泛應用于各個領域的思維方式，其核心在于使用計算機科學的概念、原理和方法來分析和解決復雜問題，強調邏輯性、系統性和創造性。計算思維的培養有助于高中人工智能教學效果的提升。本文通過《基于神經網絡的機器翻譯技術》課例的教學實踐，探討高中人工智能教學中培養計算思維的策略。

關鍵詞：計算思維；人工智能；機器翻譯；信息技術

《普通高中信息技術課程標準》課程內容中明確指出，人工智能教學應該通過剖析具體案例，幫助學生熟悉人工智能技術應用的基本過程和實現原理，同時辯證認識人工智能對人類社會未來發展的影響。隨著深度神經網絡技術的蓬勃發展，新一代圖文和語音翻譯應用迅速普及，機器翻譯技術引起各行業的廣泛關注。在教學實踐中，由于深度神經網絡涉及線性代數、模型結構、自然語言處理等較多領域，機器翻譯主題的教學往往存在較大挑戰。在高中人工智能教學中培養計算思維，助力學生學習神經網絡和機器翻譯技術核心本質，高度契合課程標準的要求。

一、計算思維培養背景

計算思維（Computational Thinking）被廣泛認為是每位學生都應掌握的基本技能[1]。美國非營利組織“數字承諾”在2021年發布的報告中指出，計算思維不僅是計算機科學的一部分，而且是一種解決問題、設計系統和理解人類行為的方法，適用于所有學科和年級的學生。自2006年卡內基梅隆大學計算機系周以真教授正式提出計算思維的概念以來，全球計算思維教育政策倡議的勢頭不斷增強。英國教育部在2013年將計算思維作為新國家課程的核心目標，并于次年正式實施計算課程，成為世界上第一個將編程作為中小學義務教育內容的國家[2]。紐約市在2015年推出了“全民計算機科學”（CS4ALL）項目，保證所有K-12學生都能獲得計算思維方面的高質量學習機會。歐盟在2016年發布科學政策報告《在義務教育階段發展計算思維》，調研最新研究成果以及基層和政策層面的舉措，總結在教學中整合計算思維的主流趨勢，討論在“教—學—評”三個方面培養學齡兒童計算思維的方法。計算思維也分別在2017年和2022年首次作為學科核心素養寫入我國普通高中和義務教育階段學科課程標準。

計算思維作為學科核心素養之一，涉及界定問題、抽象特征、建立結構模型、合理組織數據等一系列思維活動。通過計算思維的培養，學生能夠運用計算機科學的思想方法，在形成問題解決方案的過程中，發展系統化和自動化的思維方式，更有效地處理信息、設計系統和解決問題。在高中人工智能教學視域下培養學生的計算思維，以生活中常見的中英翻譯為抓手，通過設計豐富多樣的教學活動，學生能更有效地了解機器翻譯技術的特點，促進歸納人工智能技術解決問題一般思路的能力，以及遷移和應用所學知識的能力。

二、高中人工智能教學中培養學生計算思維的實踐

（一）緊扣課標學情，巧設環節資源

本課例為基于神經網絡的機器翻譯技術，屬于《普通高中信息技術課程標準》選擇性必修中的“人工智能初步”模塊。課例的授課對象為高一學生。在性格特征方面，學生經過義務教育階段的學習，心理狀態更加成熟，數理邏輯和抽象概括等思維能力得到進一步發展，對新知識、新事物抱有好奇心以及較強的理解和接受能力，具備了向高階思維發展的基礎條件。在認知基礎和經驗分析方面，學生對人工智能應用已有一定認識，并在學習和生活中體驗過部分人工智能應用。學生在授課前已學習基于規則的傳統機器翻譯，了解該技術的特點和基本原理，并完成相應學習任務。

課例遵循學生學習和發展的規律，從學生已掌握的知識、技能和經驗出發，制定“教—學—評”策略和課程資源開發利用策略，為學生創設自主、合作、探究的學習情境和知、情、意、行融合發展的成長環境。課例采用講授法、直觀演示法和任務驅動法開展課堂教學，將學習過程劃分為4個環節，以實踐任務為線索，鼓勵學生通過自主探究和小組合作，利用配套教學資源共同完成實驗驗證和結果觀察，學習基于神經網絡的機器翻譯技術。

在第一環節“機器翻譯一起看”中，學生通過生活案例學習，體會人工智能技術正在幫助人們更便捷地投入學習、生活和工作，知道人工智能與現實社會的關系。學生自主觀察基于規則的機器翻譯對不同文本素材的分步過程演示，簡述傳統機器翻譯技術的基本原理，并根據翻譯結果總結傳統機器翻譯的優劣勢，快速回憶并建立知識體系。

在第二環節“智能的機器翻譯”中，學生學習神經網絡的起源和發展歷程，并以中英翻譯任務為例，了解神經機器翻譯技術的基本原理和流程；學生通過學習“詞向量”[3]和“注意力機制”[4]的設計動機和思路，了解利用神經網絡實現機器翻譯方法的基石技術，建立對神經機器翻譯框架的整體認識。

在第三環節“人人都是翻譯家”中，學生比較基于規則和基于神經網絡方法在翻譯過程的異同，進一步探究神經機器翻譯技術的優勢。學生自主觀察和比較兩種翻譯技術在同一文本素材上的翻譯結果。在此基礎上，學生從預設測試語料庫中自主選擇或自定義翻譯素材，判斷神經機器翻譯結果是否符合預期，記錄實驗結果。

在第四環節“機器翻譯再出發”中，學生查看不同翻譯技術的工作流程和中間數據變量，定位數據不符合期望的步驟，嘗試運用已掌握的知識分析神經機器翻譯中預期與實際翻譯結果產生差異的原因，并描述這些原因對日常生活中使用機器翻譯技術時可能帶來的影響。在此基礎上，學生用自己的語言總結歸納神經機器翻譯技術的特點、優勢和能力邊界[5]，以及如何在生活、學習與工作中合理使用機器翻譯等人工智能技術[6]。

（二）凝練主干內容，深入淺出舉例

基于神經網絡的機器翻譯是一個極富挑戰性的課題，從自然語言處理的語言學基礎，到深度學習的數學模型，再到實際應用中的算法優化，每一個環節都蘊含著深刻的科學原理和技術創新。對于初次接觸這一領域的高一學生而言，面對如此龐大的信息量，可能會感到難以消化和理解。通過培養計算思維，學生能夠更有效地從復雜問題中提煉關鍵信息，同時結合真實案例和生活經驗，深入淺出地學習神經機器翻譯技術的基本原理和工作過程，逐步分析、抽象和模型化神經機器翻譯技術，建立對機器翻譯任務的系統化認識。

一方面，運用簡明語言解釋神經機器翻譯技術的一系列基本概念。例如，在講解神經網絡的運作機制時，將神經網絡比作一個“語言學習者”，它通過學習和訓練，逐漸學會識別和翻譯不同語言之間的文字。再如，將網絡輸入層所使用的詞向量類比為用一連串數字的組合表示一個詞組；將詞向量分量類比為對應詞語的一系列潛在屬性，而詞向量某一分量的數值大小則解釋為該詞語所對應屬性的狀態傾向程度；將對網絡隱含層參數的線性變換解釋為對屬性的進一步計算和理解；將序列到序列模型中的“編碼器—解碼器”結構解釋為“自然語言—機器數值—自然語言”的轉換過程。在不影響理解機器翻譯任務基本原理的前提下，通過生動舉例和比喻對相關概念進行轉義描述，在營造輕松愉快的學習氛圍的同時，盡量降低學生在學習過程中的畏難情緒。這不僅幫助學生消化和理解復雜的理論知識，更重要的是培養了他們面對復雜問題時的分析和解決問題的能力。

另一方面，突出神經機器翻譯技術的核心思想和關鍵工作流程。為此，筆者按照相關度從強到弱和對思維程度要求從簡單到復雜的原則，對課堂知識點進行層次劃分，分配不同課堂時間和講授方法，并設計相應的配套資源和驗證實驗。例如，重點講解機器翻譯技術的出現背景和工作流程中的關鍵步驟，幫助學生快速建立對翻譯任務的整體認知；對于“詞向量”和“注意力機制”兩種基石技術，聚焦其在機器翻譯任務中的作用，適當介紹其含義、形式和特點。再如，對于翻譯過程中涉及的具體模型結構，如全連接神經網絡（FCNN）、循環神經網絡（RNN）、雙向長短期記憶網絡（BiLSTM），由于理解難度較大且與課堂核心內容的耦合度較低，在課堂上應分配較低的優先級。對于與機器翻譯技術相關，但耦合度或優先級較低的理論知識和技術細節（如統計語言模型的數學建模過程、詞向量的、注意力機制的發展歷程），可以在分類整理后形成多媒體文檔，作為補充材料。學生通過完成課堂拓展任務或參與人工智能校本選修課的方式按需求學習，繼續深挖神經機器翻譯專題的內涵。

（三）分層任務遞進，技術賦能教學

機器翻譯技術課題具有較強的可操作性，在教學實踐中實施任務驅動法教學策略，有助于學生在解決實際問題的過程中培養計算思維。由于學生的認知水平和學習興趣各不相同，“一刀切”的教學模式難以滿足所有學習對象的需求。課例根據不同學習目標創設多元任務，同時設置必做和選做任務，滿足培養過程中的個性化學習需求。例如，在學習詞向量的概念和特性時，學生通過閱讀材料和觀察圖表數據，了解詞向量的含義和呈現形式，歸納出“語義相近的詞屬性相似，對應詞向量的距離也相對接近”這一規律，并嘗試歸納出更多詞向量類似的規律。再如，在探究機器翻譯的工作流程時，學生運用實驗軟件，分步模擬神經網絡執行中英翻譯任務的流程，觀察并記錄每一步驟的實驗結果。

此外，學生的認知發展是一個逐步深入的過程，需要從簡單到復雜，從具體到抽象。課例參考SOLO分類理論[7]，設計不同思維層次的任務，兼顧不同學生的認知需求和學習水平，使每位學生都能在適合自己的節奏中逐步提升。以學習注意力機制為例，學生可以從三個層次進行分析：基礎層次僅需要了解該機制在神經機器翻譯技術中的作用（提升機器翻譯結果的質量）；在此基礎上，進階層次需要從運作原理層面了解該機制有效的原因（對時序詞向量的自適應加權求和）；在此基礎上，提高層次需要結合樣例解釋該機制的工作流程。遞進式分層任務的設計，不僅能夠激發學生的探索欲望和學習興趣，還能幫助學生在掌握基礎知識的同時，逐步深入理解機器翻譯的深層次原理和應用。

課例注重對知識和思維的可視化，充分利用信息技術手段，賦能教學準備和個性化學習。依托在線智慧教育平臺資源，整合數字化工具，根據不同任務內容，定向原創或二次開發教學輔助素材。例如，在探索詞向量的特性時，學生觀察兩種情況下（同義詞、同詞不同語種）詞語對應的降維詞向量在平面直角坐標系上的相對位置關系，為歸納詞向量典型規律提供直觀的視覺提示。再如，在對比傳統機器翻譯（基于規則）技術和神經機器翻譯技術基本原理和工作流程時，學生借助“暢言智AI”中小學人工智能教學平臺當中的“機器翻譯”模塊，進行交互式仿真實驗。通過修改輸入文本數據和跳轉翻譯流程，學生可以觀察每個步驟的實時推理結果。這種在不斷調試和觀察的實踐中得到反饋的交互方式，不僅加深了學生對神經機器翻譯技術的理解，也鍛煉了他們的實驗設計和問題解決能力。

（四）啟發問題牽引，構筑思維鏈路

在學習機器翻譯技術的過程中，學生除了需要知識和技能的積累外，更需要計算思維能力的培養和應用。重視課堂互動，通過啟發式問題，激發學生的主動學習精神，引導學生深入思考問題本質。例如，在情境導入環節中，通過微視頻展示機器語言和人類語言的區別，在指出機器不懂人類語言，卻能完成人類語言的翻譯任務這一事實后，恰當引出問題“機器到底是如何理解人類語言的翻譯的？”可以引起學生的興趣，驅動學生思考機器對人類語言進行數字化建模的方法，主動邁出理解神經機器翻譯技術工作原理和挑戰的第一步。再如，在學生了解神經機器翻譯的原理、優勢和能力邊界的基礎上，總結提升環節中以開放式問題“如何利用機器翻譯更好地實現信、達、雅的職業翻譯，探索未來翻譯新模式？”作為結尾，能夠激發學生的討論熱情，引導學生審視機器翻譯在過去、現在和將來與人工翻譯的關系，認識到智慧社會這一新型社會形態下的新機遇與新挑戰。提出啟發式問題不僅是為了獲取答案，更多的是鼓勵學生在討論互動中學會質疑、分析和評估不同觀點和信息，形成自己的見解和理解，促進對知識的理解。

以認知沖突為媒介，以邏輯推理為關聯，設計系列啟發式問題，幫助學生厘清思考過程中的因果關系，建立明確的邏輯思維路徑。在高中人工智能教學中實施思維鏈路策略[8]，能夠強化學生對知識點的理解、記憶和運用，有助于學生理解復雜問題的不同方面和層次，培養他們的系統化思維能力。例如，在實驗驗證環節中，通過復現神經機器翻譯技術出現“奇怪現象”的過程，學生觀察中間結果，以思維鏈路的形式分析出現翻譯效果欠佳的詞匯或句子表達的原因，并在此基礎上嘗試歸納總結神經機器翻譯技術的潛在局限性。通過建立思維鏈路，有助于學生將新知識與已有知識相聯系，構建起完整的知識網絡。學生在加深理解神經機器翻譯技術運行原理的同時，可以對思維鏈路進行拓展，思考人工智能技術在其他學科領域產生類似的現象以及對社會的影響，將知識遷移到與之相關的其他問題解決中，實現觸類旁通，使學習有效發生。最后，課例以探究神經機器翻譯結果的課堂實錄節選為例，展示構筑思維鏈路的過程。學生通過觀察不同翻譯素材在不同機器翻譯方法下的流程和中間結果，在教師的引導下，利用自己的語言歸納出神經機器翻譯技術的特點、優勢和能力邊界，并逐步思考基于神經網絡的機器翻譯技術在日常生活和學習中使用可能產生的影響。

師：基于規則和基于神經網絡的機器翻譯，哪種方法比較好？

生：基于神經網絡的方法。

師：除了系統預設的文本內容外，請學生嘗試翻譯教師給出的一些非預設參考詞組，觀察結果跟大家預測的結果是否一致。

師：大家對哪些詞組的翻譯印象最深刻？為什么？

生：大咖、老鐵、小心地滑……因為翻譯結果明顯不對。

師：基于神經網絡的翻譯，連長句子都能翻譯得不錯，為什么短詞組反而不行？

生：因為網紅店、大咖、老鐵這些詞組是網絡用語。

師：對的。但網紅也是網絡用語，為什么它能翻譯正確？翻譯結果不符合預期的根本原因是什么？

生：網紅這個詞組在神經網絡中，但其他詞組不存在。如果需要翻譯的詞組不存在于神經網絡之中，會被進一步拆分，分別翻譯。

師：很好。基于神經網絡的機器翻譯，第一步是把每一個詞轉換成詞向量。如果將句子拆分為詞組的方式不對，或者拆分后的詞語不存在于神經網絡中，翻譯結果就會受到影響。

生：網紅店應為“網紅/店”，但是被拆分為“網/紅/店”，所以有Net red shop的翻譯結果；滅煙臺應為“滅煙/臺”，但是被拆分為“滅/煙臺”；大咖應作為一個詞“大咖”，但是被拆分為“大/咖”兩個字。

師：有些詞組拆分正確，如“小心/地/滑”和“路/轉/粉”，為什么翻譯仍然不符合預期？

生：神經網絡對詞組的上下文理解存在問題。“小心地滑”大部分場合是強調小心地（dì）滑而不是小心地（de）滑。“路轉粉”，沒有根據“轉”將上文“路”理解為路人，將下文“粉”理解為粉絲。

結束語

在高中人工智能教學實踐中，計算思維的培養與應用被提升到了前所未有的重要位置。本文立足新課標背景，以機器翻譯任務為切入點，探索高中人工智能教學中計算思維的培養和應用策略，以及如何實現這一目標的具體方法和實例。計算思維不僅是一種解決問題的工具，更是一種全新的思考方式。在高中階段培養學生的計算思維，有助于學生學會如何創造性地思考問題，形成系統化、邏輯化的問題解決策略，同時促進學生對跨學科領域的深入學習和理解。與此同時，計算思維的培養是一個持續的過程，將訓練高階思維能力的目標應用到終身學習中，有助于學生在面對實際問題時，靈活應用所學知識進行創新性解決，適應未來社會的需求。筆者希望本文能夠為教育工作者在學段銜接、主題選擇、任務設計、策略制定等方面提供一些啟示和思考，共同推動高中人工智能教育的發展。筆者也希望，隨著更多教育實踐和研究的出現，計算思維能夠幫助學生在未來的學習和生活中，不斷探索、創新和成長。

參考文獻

[1]孟鴻偉.面向數字化未來的“計算思維”[J].中國教育信息化，2024，30（2）：3-12.

[2]肖新鳳，李石君，余偉，等.基于改進seq2seq模型的英漢翻譯研究[J].計算機工程與科學，2019，41（7）：1257-1265.

[3]周練.word2vec的工作原理及應用探究[J].科技情報開發與經濟，2015，25（2）：145-148.

[4]朱張莉，饒元，吳淵，等.注意力機制在深度學習中的研究進展[J].中文信息學報，2019，33（6）：1-11.

[5]李亞超，熊德意，張民.神經機器翻譯綜述[J].計算機學報，2018，41（12）：2734-2755.

[6]劉洋.神經機器翻譯前沿進展[J].計算機研究與發展，2017，54（6）：1144-1149.

[7]馬志強，沈詩淼，杜鴻羽.基于SOLO分類理論的思維發展表現性評價研究[J].遠程教育雜志，2024，42（3）：52-58，67.

[8]蘭穎.大單元視域下的問題鏈設計探索：以高中信息技術為例[J].人民教育，2024（11）：71-74.

本文系廣州市教育科學規劃2022年度課題“計算思維導向的高中信息技術教學探究”（編號：202214498）的科研成果。