基于思維培養的人工智能實驗教學探索

中圖分類號：G434文獻標識碼：A論文編號：1674-2117（2025）09—0035-04

實驗教學不僅能提高學生的技術實操能力，而且能夠突破簡單的技術應用和原理知識，從實驗觀察、數據分析、功能探究等多種角度培養學生的計算思維、工程思維等數字素養與技能。本期解碼，就讓我們深入教學一線的實驗教學探索，為信息科技新課程實施尋找新的動力。

《義務教育信息科技課程標準（2022年版）》明確提出“通過不同的人工智能應用場景，了解數據、算法和算力三大技術基礎的作用，以及搜索、推理、預測和機器學習等常見的人工智能實現方式，正確對待人工智能帶來的倫理與安全挑戰”。當前的中小學人工智能教學存在兩個典型問題：一是教學偏向簡單的應用體驗，即調用現成API得出結果，導致學生誤以為人工智能就是函數調用，不了解其背后的原理；二是存在“認知擬人化誤區”，錯誤地認為人工智能可以像人一樣思考，如“圖像識別是因為機器‘看懂’了圖片內容”，導致學生對數據、計算等關鍵要素的理解存在偏差。筆者針對這兩個問題，并基于“技術實驗2探析人工智能的數據處理”的相關內容，提煉出“基于思維培養的人工智能實驗”教學思路，設計了“利用卷積神經網絡識別植物實驗”，具體教學流程如下頁圖1所示。下面，筆者以“利用卷積神經網絡識別植物實驗”為例，對開展人工智能實驗教學需要關注的要點進行系統的闡述。

0 實驗準備的針對性

人工智能教學對環境資源有一定的依賴性，本課例中不需要物聯網設備、攝像頭、算力平臺等，只需要常規的計算機機房，然后安裝必要的第三方擴展庫即可，筆者主要用到了TensorFlow，OpenCV、Os、Numpy、Scikit-learn等。準備的重點是數據集的收集，即學生要以小組為單位收集連翹和迎春花圖像各30張，并分為訓練集和測試集兩部分。對收集到的圖像做適當處理，剪除不必要的干擾，如建筑雜物等，進而突出該植物，并確保圖像有較高的清晰度。數據收集是實驗準備環節的核心之一，教師可以根據實際需求提前部署，由學生自行收集拷貝到機房，或者教師集中收集發放給學生。若教師收集則需要增加圖片數量，方便后續開展對照實驗。

依據學情進行實驗設計

初中生對人工智能的理解往往偏于簡單，普遍覺得人工智能技術很神秘，對技術概念和技術原理的理解不足。教師可以采取“合理化情境”和“人機對比”等策略，幫助學生了解卷積神經網絡進行植物識別的基本流程和技術原理，促進學生梳理正確的人工智能認知，提升學生的核心素養水平。

1.情境導入，引發實驗需求

① 展示校園里的連翹和迎春花照片，讓學生進行識別學習體驗。② 出示新圖片，學生回答，引導學生思考識別依據（如花瓣數量等）。

③ 引出問題：人工智能能否高效識別植物？從學生已有的植物觀察經驗（如花瓣數量差異）自然過渡到人工智能識別原理的探究，為后續對比機器識別建立認知過渡，能夠有效降低學生的認知負荷。

④ 借助“形色\"APP識別植物，激發學生的學習興趣，引導學生在已有的生活經驗基礎上，歸納人類識別植物的基本流程和內在邏輯，為后續實驗原理的學習做好鋪墊。

2.人機對比，明晰實驗設計

通過對比人類視覺識別和卷積神經網絡基本工作流程，將復雜的機器學習過程轉化為可理解的認知模型，幫助學生明確實驗目的，具體內容包括： ① 驗證卷積神經網絡是如何模擬動物視覺系統進行學習和識別的； ② 探究卷積神經網絡的基本工作流程； ③ 培養學生的計算思維與創新思維等。

以可操作的實驗方法來設計實驗內容，具體內容包括： ① 引人圖片的數字化，引導學生探究計算機加工的本質是“計算”； ② 對比人類視覺識別和卷積神經網絡識別的本質差異，驗證卷積神經網絡如何通過卷積運算等方法實現特征提取的工作原理，并通過實驗結論與反思培養學生的批判思維，如認識到“人工智能依賴數據而非經驗”、避免對人工智能能力的“神化”、消除“擬人化認知誤區”等。

基于人機對比，確定實驗原理。在實驗前，師生將人類視覺識別過程分解為“眼睛看到花一大腦提取特征—存儲記憶一分類識別”。通過類比，在實驗中將卷積神經網絡的基本工作過程分解為“讀取數據集一卷積計算提取特征—訓練卷積神經網絡模型—預測分類”（如上頁圖2）。同時，利用有效的類比，在實驗中可大幅降低人工智能神經網絡的認知難度，提高實驗效率，促進學生對卷積原理的理解。

用實驗觀察與數據分析理 解模型訓練

實驗的觀察與數據分析，是本實驗的核心部分，重在引導學生通過數據、現象、結果的分析，觀察實驗現象，發現問題解決的規律，形成科學的實驗方法。

1.引導學生進行實驗數據的預處理

通過配置圖像路徑，利用算法代碼實驗如何進行數據標準化，完成對收集的圖像數據進行統一的規范化處理，強化認識數據質量對模型訓練的重要性。

2.記錄觀察模型訓練實驗的數據反饋結果

根據學情，本實驗采用簡單的卷積神經網絡模型，以降低技術難度。實驗的重點在于探究卷積神經網絡工作的基本流程和原理，在實驗中記錄、觀察、分析訓練結果，完成實驗報告中的《卷積神經網絡模型訓練實驗記錄表》及實驗思考（如下表），學生可以對基于深度學習的人工智能模型訓練和算法框架形成基本認識，理解機器可以通過“特征自動提取”實現學習的重要結論。

首先，通過觀察、分析記錄的模型訓練數據，與傳統程序運行體驗進行對比，引導學生思考問題，如為什么相同的程序、數據集和計算設備，多次訓練的時間、結果卻不一樣？學生由此直觀感知到人工智能程序與傳統程序的確定性結論的不同，認識到卷積神經網絡訓練中存在不確定性。其次，引導學生思考人工智能的不確定性可能帶來人工智能幻覺、錯誤觀點等倫理風險，培養學生正確的人工智能倫理觀念和批判性思維。再次，引導學生課后繼續了解導致不確定性的可能原因，激發學生的好奇心和求知欲，并通過“運行代碼一記錄數據一分析結果”反復迭代，以培養學生科學探究的實證思維。

在該實驗中，教師要引導學生使用不同的數據集訓練同一個算法模型，進而對比訓練精度和識別精度的整體變化，完成實驗報告中的利用模型識別事物的“實驗思考1：哪些因素可能會干擾識別效果”“實驗思考2：如何避免這些因素，提高識別效果”。

最后，引導學生積極討論，歸納出背景、雜物、光線、拍攝角度、圖片清晰度、圖片尺寸格式是否統一等因素，均有可能干擾識別效果，以此建立對“數據質量一模型表現”的因果關系的認知，了解機器學習“數據驅動”的特點，理解數據是人工智能訓練的基礎，以及數據對人工智能的發展的重要意義。

3.多種、多張圖片進行識別測試

教師利用多種、多張新的迎春花、連翹圖片測試模型，引導學生進一步觀察預測結果。針對出現的誤判情況，及時引導學生歸納可能的原因，如除了卷積神經網絡本身存在的不確定性，是不是由于訓練數據集的數據量不足、圖片質量不高、圖片中的花朵混亂等因素導致利用模型識別產生的誤差，為后續理解“為何人工智能需要多次、大數據量的訓練”打下認知基礎。

4.通過參數調優提升模型訓練質量

學生在上述三個環節的實驗操作中已觀察到初始模型表現（如識別迎春花準確率僅 6 5 % ，教師由此引導學生思考如何提升識別準確率，從而引入優化實驗。

在優化實驗中，教師引導學生調整卷積核數量、神經元數量和迭代次數等關鍵參數并觀察程序運行時間及模型性能的變化，幫助學生進一步理解卷積神經網絡模型的訓練過程，直觀掌握模型優化的核心思想，培養學生調試優化人工智能模型的創新思維和工程思維，使其學會全面地看待運行成本與模型性能的關系，進而為后續學習算力要素打下基礎。

在該實驗過程中，“卷積核”“神經元”“迭代”等概念較難理解，學生能夠簡述即可，不要求細致掌握，但要把握重點，即讓學生通過修改體驗，了解參數調優是人工智能訓練的必需過程。如果學情允許，教師可通過類比的方法來解釋這些技術概念，如將卷積核比作“管理森嚴的秘密基地”“特征提取”的觀察員，將神經元比作“通信員”，將神經網絡層的迭代次數比作“門崗數”，讓其共同完成“外來人”信息的加工、傳遞與判斷，決定是否“放行”，以故事式、通俗化的方式降低技術概念的理解門檻。

5.以拓展實驗，探索數據集的作用

通過前面的學習，學生對“擴展數據集的數量對提升識別準確人工智能技術。

率是否有幫助”進行了猜想，教師這時就可以根據學情和課堂情況選擇性地開展拓展實驗。例如，指導學生將相同類別的數據集匯總起來，去掉重復數據，運行程序，觀察運行時間和識別準確率的變化，指導學生探索數據集的大小會影響運行時間和識別準確率，同時提升學生積極進行“假設-驗證”的科學理念。

6.以實驗報告，貫穿學習評價

根據認知科學和人工智能理論，人類的學習也需要構建一個認知閉環，即“學習材料加工-知識結論”的完整過程。在操作實驗前、中、后，用實驗報告貫穿學生實施過程，進行實驗準備、指導、交流與評價，尤其在最后，通過實驗結論來引導學生總結卷積神經網絡的基本工作流程、原理和特點，歸納數據、參數對卷積神經網絡模型的影響和關鍵作用，引導學生理解可能影響識別準確率的因素，如數據集大小、數據集質量、參數的變化等，并進一步分析卷積神經網絡的優勢與局限性。通過討論人工智能與人類智能的異同，知曉人工智能目前存在的不足，強調人工智能是輔助人類發展的工具而非人類的替代品，引導學生批判性著待人工智能技術，在學習和生活中合理應用

結語

在本節課中，學生通過實驗、觀察、分析，從原理層面基本了解了“數據、算法、算力”三要素中“數據”的作用，對機器學習“數據驅動”和“特征自動提取”等特點有了較為深刻的理解，促進了核心素養的培養。該實驗模式強調學生的動手實踐，淡化了編程語法學習的要求，體現出“做中學”的課程理念，學生參與度明顯提高，學生的數字素養與技能得到顯著提升。當然，在本實驗中，隨著數據集的增大，數據預處理和卷積神經網絡模型訓練耗時較長，要是能提前準備第三方標準化數據集效果會更好；實驗原理較難，內容較多，建議用2課時完成，第1課時重實驗驗證，第2課時重實驗探究；針對部分學生對神經網絡的原理理解不深的問題，可引入形象的視頻、動畫或卷積神經網絡的可視化網頁工具等作為支撐。

參考文獻：

[1中華人民共和國教育部.義務教育信息科技課程標準（2022年版）[].北京：北京師范大學出版社，2022.

[2]孫波，王愛勝，張渤，等.信息科技（八年級下冊）M.威海：泰山出版社，2025.e