[論文レビュー] Using Scratch to Teach Undergraduate Students' Skills on Artificial Intelligence

Julián Estévez, Gorka Garate+2 more|arXiv (Cornell University)|Mar 30, 2019

Teaching and Learning Programming参考文献 17被引用数 4

ひとこと要約

本論文は、クラスタリングとニューラルネットワークを通じて、基礎的な人工知能（AI）概念を、視覚的プログラミングによる実践的・直感的な学習を通じて、大学学部学生に教えるスクラッチベースの教育ワークショップを提示する。ブロックベースのプログラミングを用いることで、高度な数学を必要とせずにAIアルゴリズムの動作原理を学ぶことができ、インタラクティブな演習によってパターン認識や知能システムにおける意思決定の仕組みの理解を深め、AIの難解さを解消する。

ABSTRACT

This paper presents a educational workshop in Scratch that is proposed for the active participation of undergraduate students in contexts of Artificial Intelligence. The main objective of the activity is to demystify the complexity of Artificial Intelligence and its algorithms. For this purpose, students must realize simple exercises of clustering and two neural networks, in Scratch. The detailed methodology to get that is presented in the article.

研究の動機と目的

• インタラクティブで没入型のアプローチにより、複雑なアルゴリズムを大学学部学生が理解できるようにすることで、人工知能（AI）の難解さを解消すること。
• AIや数学の授業における学生の関与度や理解度の低さという課題に、視覚的でブロックベースのプログラミング環境を用いることで対処すること。
• AI教育における能動的で協働的な学習を通じて、計算的思考力と科学的思考法のスキルを育成すること。
• 高校および初期大学教育の場において、クラスタリングやニューラルネットワークといったAIの核となる概念を教えるためのスケーラブルでオープンソースの教育ツールを提供すること。
• 学生が技術的または政策的役割に就く前に、AIに関する基礎的理解を高めることで、デジタルリテラシーの向上と、AIに関する情報的な公的議論の促進を図ること。

提案手法

• スクラッチ（視覚的プログラミング環境）を活用し、学生がグラフィカルなコードブロックをドラッグアンドドロップすることでAIアルゴリズムを構築できるようにする。
• 論理ゲート（AND、OR）を用いた簡単なニューラルネットワークモデル（例：2入力1出力型、3-2-1アーキテクチャ）を採用し、学習プロセスと訓練の仕組みを説明する。
• 微分を避けるために論理的活性化関数を導入し、微積分の知識がなくても16〜18歳の学生が理解できる数学的アプローチを実現する。
• リアルタイムで重みの調整を観察できるインタラクティブな演習を設計し、ネットワークがデータからどう学習するかを視覚的に理解できるようにする。
• 2つのコア演習（点群のクラスタリング、論理ゲート出力へのニューラルネットワークの訓練）を中心に学習を構成する。
• 教員向けの教育的ガイダンスを統合し、教室での利用に向けた段階的なメソッドと実装の詳細を提供する。

実験結果

リサーチクエスチョン

• RQ1 スクラッチを用いて、大学学部学生にクラスタリングやニューラルネットワークといった基本的なAI概念を効果的に教える方法は何か？
• RQ2 視覚的でブロックベースのプログラミングは、概念的正確性を損なわせることなく、AIアルゴリズムの複雑さをどの程度軽減できるか？
• RQ3 スクラッチにおける実践的でインタラクティブな演習を通じて、学生はニューラルネットワークがどのように学習し、意思決定を行うかを意味のある理解に到達できるか？
• RQ4 伝統的な講義中心の指導法と比較して、スクラッチを用いることで学生の関与度や抽象的AI概念の理解度はどの程度向上するか？
• RQ5 微積分の知識がなくても学生が理解できるようにするため、標準的なAIアルゴリズム（例：微分を論理関数に置き換える）に必要な修正は何か？

主な発見

• 学生は論理ゲート（AND、OR）を用いて、スクラッチ上で簡単なニューラルネットワークを正しく訓練でき、学習中の重みの調整をリアルタイムで観察した。
• 微分の代わりに論理的活性化関数を採用したことで、微積分の知識がなくても学生は訓練プロセスの理解が可能になった。
• スクラッチの視覚的でインタラクティブな性質により、直接操作と観察を通じて、クラスタリングやネットワーク学習といった抽象的概念を理解することができた。
• 本教育アプローチは、複雑な数学ではなく、ルールベースの振る舞いやパターン認識に焦点を当てることで、AIの難解さを効果的に解消した。
• ワークショップは、GitLabリポジトリを通じて公開・スケーラブルに利用可能であり、教育者が再利用やカスタマイズが可能である。
• 本研究手法は、スクラッチのような実体のあるツールを用いた能動的で協働的な学習が、AI教育における学生の関与度と概念的理解を顕著に向上させることを示した。