[論文レビュー] Teaching Machine Learning in K-12 Computing Education: Potential and Pitfalls

Matti Tedre, Tapani Toivonen+5 more|arXiv (Cornell University)|Jun 2, 2021

Online Learning and Analytics被引用数 9

ひとこと要約

本論文は、K-12教育における機械学習（ML）の統合を検討し、規則ベースのプログラミングに焦点を当てた伝統的な計算的思考モデルが、データ駆動型のMLパラダイムに適合するように進化する必要があると主張する。カリキュラム設計、教育法、教員の準備状況における主な課題を特定するとともに、MLシステムにおける直感的理解と主体性を育成する方向へのシフトを提案し、K-12教育現場における的確な研究と教育フレームワークの必要性を強調している。

ABSTRACT

Over the past decades, numerous practical applications of machine learning techniques have shown the potential of data-driven approaches in a large number of computing fields. Machine learning is increasingly included in computing curricula in higher education, and a quickly growing number of initiatives are expanding it in K-12 computing education, too. As machine learning enters K-12 computing education, understanding how intuition and agency in the context of such systems is developed becomes a key research area. But as schools and teachers are already struggling with integrating traditional computational thinking and traditional artificial intelligence into school curricula, understanding the challenges behind teaching machine learning in K-12 is an even more daunting challenge for computing education research. Despite the central position of machine learning in the field of modern computing, the computing education research body of literature contains remarkably few studies of how people learn to train, test, improve, and deploy machine learning systems. This is especially true of the K-12 curriculum space. This article charts the emerging trajectories in educational practice, theory, and technology related to teaching machine learning in K-12 education. The article situates the existing work in the context of computing education in general, and describes some differences that K-12 computing educators should take into account when facing this challenge. The article focuses on key aspects of the paradigm shift that will be required in order to successfully integrate machine learning into the broader K-12 computing curricula. A crucial step is abandoning the belief that rule-based "traditional" programming is a central aspect and building block in developing next generation computational thinking.

研究の動機と目的

• K-12のコンピューティングカリキュラムへの機械学習の統合の拡大を分析し、教育的実践への影響を評価すること。
• K-12教育現場でMLを導入するにあたり、教育者が直面する教育法的およびカリキュラム上の課題を特定すること。
• 学生がデータ駆動型のMLシステムに対応できるように準備するための、伝統的な計算的思考モデルの限界を検討すること。
• 規則ベースのプログラミングから逸脱し、MLリテラシーと主体性を重視するK-12コンピューティング教育のパラダイム転換を提唱すること。
• K-12の文脈において、学生がMLシステムの訓練、テスト、改善、デプロイをどのように学ぶかに関する研究が著しく不足していることを強調すること。

提案手法

• 本論文は、K-12教育におけるMLと関連する教育的実践、理論、技術の批判的レビューを実施する。
• ML教育をコンピューティング教育の広い文脈に位置づけ、伝統的な計算的思考とAIカリキュラムとを比較する。
• 規則ベースのプログラミングとデータ駆動型のMLシステムとの間の認知的および教育的要請の違いを分析する。
• K-12教育現場におけるMLリテラシーを支援するためのカリキュラム設計における重要な概念的転換を同定する。
• コンピューティング教育、AI、認知科学の分野からの横断的視点を活用して、課題と機会をフレームワーク化する。
• MLの反復的かつデータ依存的な性質に適合した、新たな評価および指導戦略の必要性を強調する。

実験結果

リサーチクエスチョン

• RQ1 規則ベースのプログラミングモデルに依存せずに、K-12のコンピューティングカリキュラムに機械学習を効果的に統合する方法は何か？
• RQ2 K-12教育現場で、学生がMLシステムの訓練、テスト、改善、デプロイを学ぶにあたり、教育者が直面する主な教育的課題は何か？
• RQ3 計算的思考からMLリテラシーへのシフトは、学生がアルゴリズム的システムにおける主体性と直感的理解をどのように変容させるか？
• RQ4 なぜK-12の学生がMLシステムとどのように関わるかに関する研究が著しく不足しているのか？
• RQ5 K-12コンピューティング教育へのML統合を支援するために、どのような概念的およびカリキュラム上の転換が必要か？

主な発見

• K-12の文脈において、学生がMLシステムの訓練、テスト、改善、デプロイをどのように学ぶかに関するコンピューティング教育分野の研究に顕著な空白が存在する。
• 規則ベースのプログラミングに焦点を当てた伝統的な計算的思考モデルは、データ駆動型の機械学習パラダイムに対応するための準備に不十分である。
• K-12カリキュラムへの機械学習の統合には、決定的プログラミングから確率的かつデータ依存的な推論へと向かう根本的なパラダイム転換が必要である。
• 教員は、既存のカリキュラム上の制約とML概念における教員の準備不足のため、MLの実装に大きな課題を抱えている。
• MLシステムにおける直感的理解と主体性の育成は、K-12のコンピューティング教育において重要なが、研究が著しく不足している分野である。
• K-12教育現場におけるMLリテラシーを支援するため、新しい教育フレームワーク、評価ツール、教員研修プログラムの開発が急務である。