[论文解读] 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 9

一句话总结

本文探讨了将机器学习（ML）融入K-12计算机教育的必要性，主张以规则为基础的编程为核心的传统计算思维模式必须演进，以适应数据驱动的机器学习范式。文章识别了课程设计、教学法和教师准备度方面的关键挑战，同时提出应转向培养对机器学习系统的直观理解与自主性，强调在K-12教育环境中开展针对性研究和教育框架建设的迫切需求。

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.

研究动机与目标

• 分析机器学习在K-12计算机课程中日益增加的融入情况，并评估其对教育实践的影响。
• 识别教育工作者在K-12环境中引入机器学习时面临的教学法与课程设计挑战。
• 审视传统计算思维模型在培养学生应对数据驱动机器学习系统方面的能力局限。
• 提出K-12计算机教育范式的转变，从以规则为基础的编程转向机器学习素养与自主性。
• 强调目前关于K-12学生如何学习训练、测试、改进和部署机器学习系统的相关研究严重匮乏。

提出的方法

• 本文对与K-12教育中机器学习相关的现有教育实践、理论和技术进行了批判性综述。
• 将机器学习教育置于更广泛的计算机教育语境中，与传统的计算思维和人工智能课程进行比较。
• 分析以规则为基础的编程与数据驱动的机器学习系统在认知和教学需求上的差异。
• 识别在课程设计中为支持K-12环境中机器学习素养所必需的关键概念转变。
• 本研究综合计算教育、人工智能和认知科学等跨学科视角，以界定相关挑战与机遇。
• 强调需要开发针对机器学习迭代性与数据依赖性特征的新型评估与教学策略。

实验结果

研究问题

• RQ1 如何在不依赖传统以规则为基础的编程模型的前提下，有效将机器学习整合进K-12计算机课程？
• RQ2 在K-12教育中，指导学生训练、测试、改进和部署机器学习系统时面临哪些关键教学挑战？
• RQ3 从计算思维向机器学习素养的转变，如何影响学生对算法系统中自主性与直觉的理解？
• RQ4 为何目前关于K-12学生如何学习操作机器学习系统的相关研究显著匮乏？
• RQ5 为支持K-12计算机教育中机器学习的整合，需要哪些概念与课程设计上的转变？

主要发现

• 在K-12教育环境中，关于学生如何学习训练、测试、改进和部署机器学习系统的研究存在显著空白，尤其在该背景下。
• 以规则为基础的编程为核心的传统计算思维模型，不足以帮助学生应对数据驱动的机器学习范式。
• 将机器学习整合进K-12课程，要求从确定性编程向概率性、数据依赖性推理的根本性范式转变。
• 由于现有课程限制和教师在机器学习概念方面的准备不足，教育工作者在实施机器学习时面临重大挑战。
• 在K-12计算机教育中，发展对机器学习系统的直觉与自主性是关键但研究不足的领域。
• 当前迫切需要开发针对K-12环境中机器学习素养的新型教育框架、评估工具和教师培训项目。