ml-machine.org: 构建研究产品以在教育中传播人工智能素养

文献标题

ml-machine.org: Infrastructuring a Research Product to Disseminate AI Literacy in Education

文献信息

• 主题领域: 人机交互, 教育技术, 人工智能素养
• 关键词: AI素养, 研究产品, 参与式基础设施建设, 教育工具设计, 人机交互, K-12教育, 机器学习教学, 技术传播, 教育规模化, 学校技术整合

研究背景与问题

• 问题或挑战:

  1. 当前AI素养教育工具在影响力和采纳方面存有不足，很少有研究探讨这些工具如何在真实教育实践中被大规模整合。
  2. 许多现有的教学资源技术门槛高、成本昂贵，且缺少关于AI如何运作的讨论，而只是演示了其能力。
  3. 普遍缺乏将AI工具集成到K-12教育课程实践中的长期研究和策略。

• 重要性:

  • 随着人工智能和机器学习的快速发展和广泛应用，培养学生AI素养在学校教育和社会变革中愈发重要。缺少能够恰当整合进课堂并被教师采纳的教育工具，限制了AI教育的推广。
  • AI教育不仅需要关注技术内容，还需要引导学生反思AI对社会的实际影响。

• 研究动机与相关工作:

  • 当前针对AI素养教育的HCI研究，多集中于开发原型，却缺乏被大范围应用的实践研究。
  • 本文期望通过构建 ml-machine.org 作为研究产品，探索如何将教育工具嵌入到教学实践和教育基础设施中，并保障其长期影响力与采纳。

解决方案

• 提出的方法:

  • 开发名为 ml-machine.org 的基于Web和Micro:bit的教育工具，用于教授K-12学生机器学习概念和技术。
  • 采用研究产品方法（Research Product Approach）和参与式基础设施建设（Participatory Infrastructuring），与教育和技术领域的多个战略合作伙伴合作，确保工具能够传播并融入正式教育体系。

• 创新之处:

  1. 研究产品框架: 将临时性教学原型转化为成熟的产品，便于课堂采纳与规模化使用。
  2. 嵌入教育基础设施: 构建合作关系，将技术工具与现有教育资源（例如丹麦广播公司课件和Micro:bits硬件）整合，降低教育使用门槛。
  3. 开放性与可扩展性: 工具设计强调低成本实施（基于Web和Micro:bit的架构），支持教师和合作机构扩大使用范围。

• 实施步骤:

  1. 工具设计: 开发支持学生通过身体探索和互动活动教学的软件，帮助其通过Micro:bit收集数据、创建简单ML模型并进行实验。
  2. 技术提升: 通过引入Web USB和Web Bluetooth技术，简化硬件与软件连接流程，降低技术门槛。
  3. 合作传播:
     • 与丹麦广播公司（DBC）合作制订课程单元。
     • 与Micro:bit教育基金会（MEF）合作进行开源开发、软件维护和国际化推广。
  4. 嵌入式场景探索: 基于教师、教育者和学生的真实反馈，调整并推广工具。

研究成果

• 具体成果:

  1. 用户规模: ml-machine.org 和其定制版本已吸引超过5000名独立用户（截至2024年2月）。
  2. 教师采纳与反馈: 多名教师和教育顾问采纳并分享工具，有些教师改编内容融入课件，有些为其他教师及学生设计了新活动。
  3. 合作伙伴关系: 实现了与顶级教育机构和技术组织（如DBC和MEF）的深度合作，并获得了新资金继续开发。

• 与现有解决方案比较:

  1. 更加关注工具的规模化适配与长效影响，而非短期教学原型。
  2. 提供了低门槛、开源且可靠的硬件和软件框架。
  3. 打破学术研究和实践应用之间的壁垒，通过教育网络和公共媒体实现影响传播。

• 实验与评估结果:

  • 工具的灵活设计获得教师较高评价：如易使用性、可快速搭建活动模型、强调学生体验与反思。
  • 教师也希望工具具备更多进阶功能以支持多样化教学需求。

• 局限性与未来方向:

  1. 数据收集局限: 工具的采纳和使用无法被细粒度跟踪，部分由于隐私法规限制，难以全面揭示使用场景。
  2. 教师支持需求: 不同学科背景的教师对工具的理解和应用能力存在差异，需更系统的支撑方案，如师资培训和更明确的教学指导。
  3. 长线研究计划: 当前还未全面启动对教师长期采纳过程的深入研究，但教育组织开始主动开展相关工作。

总结与启示

• 本研究通过结合研究产品方法和参与式基础设施思想，推动了解决AI素养教育工具在K-12背景下的可采纳性和可持续性问题。
• 提出“基础设施”作为研究产品属性，强调技术工具如何融入教育生态和现有实践。
• 未来将聚焦于教学工具的全球扩展和教师采纳全过程的长期跟踪研究，为进一步优化AI教育提供数据与实践支持。