[论文解读] 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 4

一句话总结

本文提出了一项基于Scratch的教育工作坊，旨在通过动手、可视化编程，向本科生传授人工智能基础概念，重点聚焦于聚类和神经网络。通过使用直观的积木式编程，学生无需掌握高阶数学即可理解人工智能算法的工作原理，成功通过互动练习揭示了智能系统中模式识别与决策制定的奥秘。

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.

研究动机与目标

• 通过引人入胜的互动方式，使复杂算法对本科生更易理解，从而揭开人工智能的神秘面纱。
• 通过使用可视化、积木式编程环境，解决人工智能与数学课程中学生参与度低、理解困难的问题。
• 通过在人工智能教育中开展主动、协作式学习，培养学生计算思维与科学方法能力。
• 为高中及早期大学阶段的教学提供可扩展、开源的教育工具，用于讲授聚类与神经网络等核心人工智能概念。
• 通过提升学生在进入技术或政策岗位前对人工智能的基础理解，促进数字素养与公众对人工智能的理性讨论。

提出的方法

• 利用Scratch这一可视化编程环境，让学生通过拖拽和拼接图形化代码块来构建人工智能算法。
• 采用简单的神经网络模型（例如，2输入1输出和3-2-1架构），结合与非门（AND、OR）逻辑门，演示训练与学习过程。
• 引入逻辑激活函数而非导数，避免依赖微积分知识，使数学内容对16至18岁学生更易理解。
• 设计互动练习，让学生在训练过程中实时观察权重调整，直观理解网络如何从数据中学习。
• 以两个核心练习为核心组织学习过程：点云聚类与基于逻辑门输出的神经网络训练。
• 为教师提供教学指导，包括分步教学方法与课堂实施细节。

实验结果

研究问题

• RQ1 如何有效利用Scratch向本科生讲授聚类与神经网络等基础人工智能概念？
• RQ2 可视化积木式编程在多大程度上能降低人工智能算法的感知复杂度，同时不牺牲概念准确性？
• RQ3 学生能否通过在Scratch中开展动手、互动的练习，真正理解神经网络的学习与决策机制？
• RQ4 与传统讲授式教学相比，使用Scratch在多大程度上提升了学生对抽象人工智能概念的参与度与理解力？
• RQ5 为使人工智能算法对缺乏高阶数学训练的学生更易理解，需要对标准算法（如用逻辑函数替代导数）做出哪些调整？

主要发现

• 学生成功在Scratch中使用逻辑门（AND、OR）训练了简单的神经网络，并在学习过程中实时观察到权重的调整。
• 采用逻辑激活函数而非数学导数，使学生在无需微积分知识的前提下理解了训练过程。
• Scratch的可视化与互动特性使学生通过直接操作与观察，成功理解了聚类与网络学习等抽象概念。
• 该教育方法通过聚焦于基于规则的行为与模式识别，而非复杂数学，成功揭开了人工智能的神秘面纱。
• 工作坊设计为可扩展且公开可用，通过GitLab代码仓库发布，支持教育工作者复用与改编。
• 该方法表明，使用如Scratch等实体工具开展主动、协作式学习，能显著提升学生在人工智能教育中的参与度与概念理解力。