[论文解读] Twenty Constructionist Things to Do with Artificial Intelligence and Machine Learning

Yasmin B. Kafai, Luis Morales‐Navarro|arXiv (Cornell University)|Feb 9, 2024

Big Data and Business IntelligenceBusiness, Management and Accounting被引用 3

一句话总结

本文通过提出20项结合人工智能与机器学习（AI/ML）的建构主义、实践性活动，将Seymour Papert于1971年提出的《计算机可以做的二十件事》扩展至当代AI与机器学习语境。活动强调个人相关性、认知反思、伦理意识以及参与式数据实践，以促进学习者在技术技能之外的深层理解，同时关注算法偏见与AI/ML开发的社会维度。

ABSTRACT

In this paper, we build on the 1971 memo "Twenty Things to Do With a Computer" by Seymour Papert and Cynthia Solomon and propose twenty constructionist things to do with artificial intelligence and machine learning. Several proposals build on ideas developed in the original memo while others are new and address topics in science, mathematics, and the arts. In reviewing the big themes, we notice a renewed interest in children's engagement not just for technical proficiency but also to cultivate a deeper understanding of their own cognitive processes. Furthermore, the ideas stress the importance of designing personally relevant AI/ML applications, moving beyond isolated models and off-the-shelf datasets disconnected from their interests. We also acknowledge the social aspects of data production involved in making AI/ML applications. Finally, we highlight the critical dimensions necessary to address potential harmful algorithmic biases and consequences of AI/ML applications.

研究动机与目标

• 将Papert于1971年提出的以学习者为中心的计算理念，适配至当代人工智能与机器学习语境。
• 不仅促进技术熟练度，更推动对人类与机器认知的元认知理解。
• 强调设计与学习者兴趣及生活经验紧密相关的个人意义明确的AI/ML应用。
• 突出AI/ML系统中数据生产与算法偏见的社会与伦理维度。
• 支持学习者成为AI开发的积极、反思性参与者，而非被动消费者。

提出的方法

• 提出20项以学习者为中心的实践性活动，将AI/ML概念融入科学、数学与艺术领域。
• 以建构主义学习原则为核心组织每项活动——通过制作与反思创作成果来学习。
• 通过鼓励学习者基于自身兴趣与社群背景开发AI/ML应用，增强个人相关性。
• 整合对人类与人工智能认知过程的反思，以深化概念理解。
• 强调参与式数据实践，包括数据收集、标注与整理作为学习过程的一部分。
• 通过在每项活动中嵌入对数据来源、模型决策与社会影响的批判性探究，应对算法偏见。

实验结果

研究问题

• RQ1 如何将建构主义学习原则适配至学习者参与有意义、个人相关AI与机器学习体验的情境？
• RQ2 当学习者设计并反思自身思维与AI/ML系统时，元认知发挥何种作用？
• RQ3 学习者如何批判性审视AI/ML应用中数据生产与算法决策的社会与伦理维度？
• RQ4 AI/ML教育如何超越孤立的模型与现成数据集，反映学习者的实际生活经验？
• RQ5 建构主义AI/ML活动如何促进对算法偏见的认知，并推动负责任的设计实践？

主要发现

• 所提出的20项活动成功将Papert原始愿景拓展至当代AI/ML语境，突出学习者自主性与个人相关性。
• 与个人兴趣相关的AI/ML应用设计，使学习者展现出更深层次的参与度与对认知过程的反思性理解。
• 将数据整理与标注纳入学习过程，显著提升了学习者对数据偏见与社会影响的认知。
• 包含对人类与机器认知双重反思的活动，有助于学习者形成对AI能力与局限的批判性视角。
• 在实践项目中整合伦理探究，使学习者能够识别并质疑有害的算法后果。
• 该框架支持学习者从AI工具的被动消费，转向主动、批判性地参与AI开发与评估。