學(xué)習(xí)支架支持的初中人工智能實驗教學(xué)
——以可視化機器學(xué)習(xí)軟件Orange為例

陳智敏 廣東省中山市中山紀(jì)念中學(xué)

《義務(wù)教育信息科技課程標(biāo)準(zhǔn)（2022年版）》強調(diào)通過相關(guān)的實驗探究活動幫助學(xué)生在感知、理解和應(yīng)用人工智能技術(shù)的過程中增強人工智能意識，感受機器計算與人工計算的異同等，從而培養(yǎng)學(xué)生的核心素養(yǎng)。筆者認(rèn)為，借助恰當(dāng)?shù)膶W(xué)習(xí)支架開展人工智能教學(xué)，可以引導(dǎo)學(xué)生通過實驗探究的方式學(xué)習(xí)人工智能知識與技能，并了解科學(xué)探究的方法與步驟，有助于培養(yǎng)其分析、理解、創(chuàng)造性解決問題的能力以及適應(yīng)智能化社會的公民素養(yǎng)。然而，目前由于人工智能教育在實驗教學(xué)層面缺乏學(xué)習(xí)支架的支持，無法有效開展科學(xué)探究。[1]因此，初中人工智能教學(xué)有必要科學(xué)設(shè)計并開展實驗探究，借助學(xué)習(xí)支架的支持，將知識建構(gòu)、技能培養(yǎng)與思維發(fā)展融入實驗過程，促進學(xué)生核心素養(yǎng)的發(fā)展。

●初中信息科技課程實施人工智能實驗教學(xué)的困境

網(wǎng)絡(luò)上有豐富的人工智能開源平臺和框架，也有科研機構(gòu)等提供的免費體驗平臺及實驗項目。實驗過程多為采集數(shù)據(jù)，通過調(diào)用接口將數(shù)據(jù)上傳到人工智能平臺，再返回預(yù)測結(jié)果，或者調(diào)用已有數(shù)學(xué)模型進行結(jié)果預(yù)測。因此，大量的人工智能實驗項目可以借助平臺的支持得到實現(xiàn)，然而對初中學(xué)生來說，資源的起點高、難度大，同時由于受到注冊、登錄賬號等問題的影響，在教學(xué)中的應(yīng)用也存在較大的困難，無法進行大規(guī)模教學(xué)，這也是很多無需安裝且具有實用價值的免費平臺存在的問題。[2]

現(xiàn)有的圖形化編程軟件及平臺因趣味性強、易上手、可擴展等而成為常用的工具，尤其是在加入多樣化的人工智能模塊后，極大地降低了學(xué)生操作人工智能的門檻。目前，一些軟件平臺還能與微控制器、單板機等開源硬件連接，加強人工智能與開源硬件的聯(lián)動。[3]但由于其定位為初步體驗智能技術(shù)，并不具備調(diào)整相關(guān)模型參數(shù)的功能等，因此，模型解決實際問題的能力有所欠缺，不利于探究實驗的開展。

當(dāng)然，也可以基于Python編程工具等選擇適當(dāng)?shù)牡谌綌U展庫，采集數(shù)據(jù)進行模型的訓(xùn)練和可視化操作等，從而開展人工智能實驗教學(xué)，在一定程度上能夠有效促進學(xué)生的計算思維發(fā)展。然而，初中學(xué)生的認(rèn)知規(guī)律和數(shù)理基礎(chǔ)不足以支撐其開展探究，對學(xué)生的編程水平要求也較高，難度較大。

●學(xué)習(xí)支架Orange支持初中人工智能實驗教學(xué)

學(xué)習(xí)支架又稱“腳手架”，維果斯基將學(xué)生的實際發(fā)展水平和潛在發(fā)展水平相交疊的區(qū)域稱為最近發(fā)展區(qū)，而學(xué)習(xí)支架則是在學(xué)生穿越最近發(fā)展區(qū)時所給予的幫助。在初中人工智能實驗教學(xué)的開展過程中，需要借助經(jīng)濟實用、方便快捷、安全且邏輯清晰的可視化機器學(xué)習(xí)軟平臺或者軟件幫助開展模塊參數(shù)的快速調(diào)整等。Orange是由斯洛文尼亞的盧布爾雅那大學(xué)計算機與信息科學(xué)學(xué)院的生物信息實驗室開發(fā)的一款基于組件的開源可視化數(shù)據(jù)挖掘及機器學(xué)習(xí)軟件[4]，開源的低成本為普及中小學(xué)人工智能實驗教學(xué)提供了合適的學(xué)習(xí)支架。

Orange安裝版和便攜版的功能一致，擁有非常直觀的交互式用戶界面，近2 0 個大類、220個左右的組件提供了數(shù)據(jù)采集、數(shù)據(jù)分析、建立模型功能，可直接下載、使用設(shè)計好的實驗項目，或?qū)㈩A(yù)先定義好的多種組件拖拽到畫布中以組成工作流，結(jié)合交互式的數(shù)據(jù)探索和清晰的可視化操作，幫助學(xué)生更容易地了解機器學(xué)習(xí)（無需深入學(xué)習(xí)程序設(shè)計知識）。因此，利用Orange開展初中人工智能實驗教學(xué)是一種有意義的嘗試，有助于降低學(xué)習(xí)難度，提升學(xué)生的學(xué)習(xí)參與度。通過簡易的學(xué)習(xí)活動驅(qū)動學(xué)生開展實踐體驗并收集記錄實驗數(shù)據(jù)，有助于學(xué)生在應(yīng)用過程中進一步理解機器學(xué)習(xí)的過程及實現(xiàn)的原理。

●利用Orange軟件開展初中人工智能實驗教學(xué)的實踐

1.直觀對比選擇不同特征所構(gòu)建模型的預(yù)測效果，理解有效特征設(shè)計的重要性

決策樹是經(jīng)典的機器學(xué)習(xí)算法，基于訓(xùn)練集中的各個特征，通過一系列問題來推測樣本的所屬類別，是記錄決策過程的一種樹狀結(jié)構(gòu)。筆者以“基于決策樹算法處理鳶尾花分類”實驗為例，引導(dǎo)學(xué)生在導(dǎo)入數(shù)據(jù)集后，根據(jù)相關(guān)特征，對已知品種的鳶尾花測量數(shù)據(jù)進行學(xué)習(xí)進而構(gòu)建出基于決策樹的機器學(xué)習(xí)模型，并測試評估分類效果，著重探究有效特征設(shè)計的重要性。實驗設(shè)計如圖1所示。

鳶尾花分類實驗數(shù)據(jù)集分為3類，每類50個數(shù)據(jù)，每個數(shù)據(jù)包含花萼長度、花萼寬度、花瓣長度、花瓣寬度4個特征和1個類別信息。學(xué)生根據(jù)指引對比在File組件中同時選擇4個特征，或者只選擇花瓣長度和花瓣寬度等特征組合來訓(xùn)練機器模型Test and Score組件中顯示的模型測試結(jié)果，從而理解特征的質(zhì)量很大程度上決定了最終分類結(jié)果的好壞，并借助組件Tree Viewer進一步理解決策樹算法的實現(xiàn)原理。當(dāng)然，實驗還可以借助Orange軟件的智能可視化功能，通過Scatter plot、Distributions等組件觀察哪些特征組合能夠提供最多的信息并達(dá)到最佳的區(qū)分效果，或者使用Rank組件根據(jù)變量之間的相關(guān)性對數(shù)據(jù)集的特征屬性進行評分，從而發(fā)現(xiàn)有效的特征屬性。

2.直觀對比選擇不同模型參數(shù)所產(chǎn)生的預(yù)測效果，理解模型參數(shù)調(diào)整的必要性

k 近鄰算法是指對每個給定的待預(yù)測數(shù)據(jù)，找出k個與其距離最接近的點，根據(jù)這些點的類別頻數(shù)對未知數(shù)據(jù)的類別進行預(yù)測。k近鄰算法的思路很簡單，但卻比較依賴一個合理的k值。那么，k的選取有沒有要求？值過大或過小會產(chǎn)生什么樣的影響？筆者以“基于k近鄰算法處理鳶尾花分類”實驗為例，引導(dǎo)學(xué)生在導(dǎo)入數(shù)據(jù)集后，根據(jù)相關(guān)特征，對已知品種的鳶尾花測量數(shù)據(jù)進行學(xué)習(xí)，進而構(gòu)建一個基于k近鄰算法的機器學(xué)習(xí)模型，并測試評估分類效果，著重探究模型參數(shù)調(diào)整的必要性。實驗設(shè)計如圖2所示。

圖2

圖3

在實驗過程中，學(xué)生通過對比在KNN組件中選擇不同的k值，以及在Test and Score組件中改變數(shù)據(jù)集劃分訓(xùn)練集和測試集的具體參數(shù)時所訓(xùn)練的機器模型的測試結(jié)果，從而理解k值需要根據(jù)數(shù)據(jù)情況動態(tài)調(diào)整，如果選取的k值太小，預(yù)測結(jié)果對鄰近的實例點就會非常敏感，如果選取的k值較大，則相當(dāng)于用較大鄰域的訓(xùn)練數(shù)據(jù)進行預(yù)測，整體模型又會變得簡單而不具備預(yù)測能力。

3.直觀對比選擇不同的機器學(xué)習(xí)模型的預(yù)測效果，理解機器學(xué)習(xí)模型的適用性

機器學(xué)習(xí)的過程就是通過訓(xùn)練已有數(shù)據(jù)得到某個模型，并且期望該模型能夠很好地契合新數(shù)據(jù)。筆者以“不同分類模型預(yù)測效果對比”實驗為例，引導(dǎo)學(xué)生分別根據(jù)鳶尾花數(shù)據(jù)集等構(gòu)建基于決策樹和k近鄰算法的機器學(xué)習(xí)模型，引導(dǎo)學(xué)生通過對比不同模型預(yù)測效果，理解機器學(xué)習(xí)的原理及不同模型的特點。實驗設(shè)計如圖3所示。

在實驗過程中，學(xué)生通過對比選擇不同數(shù)據(jù)集時在組件Test and Score、ROC Analysis、Confusion Matrix中顯示的兩種模型的測試結(jié)果發(fā)現(xiàn)，在鳶尾花數(shù)據(jù)集上兩種模型并沒有明顯的差異，但是在泰坦尼克號的數(shù)據(jù)集上兩者的分類效果具有明顯差異：基于k近鄰算法的分類模型的ROC曲線被基于決策樹算法的分類模型曲線完全包住，后者的性能優(yōu)于前者。學(xué)生通過測試結(jié)果明確，機器學(xué)習(xí)過程中特定數(shù)據(jù)集需要通過評估不同模型的訓(xùn)練效果最終選擇性能較好的模型。

●結(jié)語

本文利用可視化機器學(xué)習(xí)軟件Orange有效開展了初中人工智能實驗教學(xué)，為學(xué)生提供適切的學(xué)習(xí)支架，降低了學(xué)習(xí)難度，引導(dǎo)學(xué)生直觀對比選擇不同特征構(gòu)建模型的預(yù)測效果，理解有效特征設(shè)計的重要性；直觀對比選擇不同模型參數(shù)所產(chǎn)生的預(yù)測效果，理解模型參數(shù)調(diào)整的必要性；直觀對比選擇不同的機器學(xué)習(xí)模型的預(yù)測效果，理解機器學(xué)習(xí)模型的適用性等，幫助學(xué)生在應(yīng)用過程中進一步理解機器學(xué)習(xí)的過程及實現(xiàn)的原理。后續(xù)，筆者還將挖掘更多類型且有效的學(xué)習(xí)支架，為初中人工智能的回歸、分類等教學(xué)實驗助力，并進一步探尋培養(yǎng)和提升學(xué)生核心素養(yǎng)和能力的方法和途徑。