探索生成模型与中学生

文献标题

探索中学生生成模型的学习过程

文献信息

• 主题领域: 生成模型教育，包括生成对抗网络（GANs）、人工智能教育及其伦理影响
• 关键词: 生成机器学习, AI教育, 生成对抗网络, 人工智能, 中学生教育, 生成模型的应用, 深度伪造, AI伦理, 游戏式学习, 认知建构

研究背景与问题

• 发现的挑战:

  • 中学生是生成机器学习技术的主要用户和接触者，应用包括社交媒体上的Deepfake内容和内容生成工具（如FaceApp），但他们对这些技术的理解有限。
  • 校园和社会中缺乏可供中小学生学习生成对抗网络（GANs）等复杂AI技术的课程和框架。

• 重要性:

  • 生成模型（如GANs）已经深入到社交和技术领域，包括图像生成、艺术创作、医学成像等，这使得未来人才需具备与AI协作的能力。
  • 由于生成模型可能带来如媒体操控、隐私泄露等伦理风险，中学生需要学会批判性评估AI生成的内容并理解其潜在社会影响。

• 研究动机与相关工作:

  • 现有AI教育聚焦基础算法或高级学习者，但缺少适合中学生的、非技术性且低门槛的生成模型教学材料。
  • 本研究旨在填补这一空白，将“生成AI”的概念引入到中学生教育中，赋予学生理解技术及其社会影响的能力。

解决方案

• 提出的解决方案:

  • 设计一个适用于中学生的学习路线图（Learning Trajectory，LT），通过互动活动和课程让学生理解以下主题：
    1. 生成的概念；
    2. GANs 的结构与工作原理；
    3. GANs 在艺术、音乐、以及Deepfake等领域的实际应用；
    4. 使用生成AI工具创作及反思。

• 创新之处:

  • 将技术与社会伦理讨论结合（"融合的伦理方法"），将生成模型的伦理问题融入技术和应用学习中。
  • 为学生设计无技术门槛和易用的教学活动和工具。
  • 应用实际案例和交互式活动（包括“生成器”和“判别器”角色扮演游戏）增强学习体验。

• 实施步骤和关键技术:

  1. 介绍生成概念: 通过“GAN生成或非GAN生成”的游戏，使学生辨别AI生成的内容。
  2. 教学GAN工作原理: 创建模拟“生成网络对抗判别者”的游戏，学生分别扮演生成器和判别器角色，通过交互式反馈理解GANs的迭代学习过程。
  3. 探索GAN应用: 使用交互式网络工具（如AI Duet、Sketch-RNN）了解GANs在艺术、音乐和人脸生成等方面的创新能力。
  4. 深伪视频检验活动: 学生通过鉴别Deepfake视频，学习辨别算法操控内容的方法，并讨论伦理影响。
  5. 生成工具创作: 学生使用生成AI工具创作故事，同时思考生成内容的作用和潜在影响。

研究成果

• 具体成果:

  • 技术理解: 学生对GANs工作原理、生成器和判别器的角色等技术概念有了更清晰的认知。
  • 应用认知: 学生对AI工具在生成内容中的潜在好处（如艺术创新）和风险（如隐私侵害、作假）表达清晰观点。
  • 伦理思考: 学生能够反思生成AI在社会中的伦理问题，并在内容真实性和操控可能之间提出质疑。
  • 互动活动效果: 多项活动促进了学生对技术、应用及其背后伦理的联动理解。

• 与现有解决方案的比较:

  • 在以往针对数学和计算机课程的直线型学习框架上，添加了融入社会与伦理问题的多层次学习方法。
  • 专注于11-14岁学生的低门槛生成AI教育框架，而非依赖先进数学公式或编程技能的方案。

• 实验或评估结果:

  • 在概念认知测试中，学生对GAN相关问题理解精准度从45.16%提升至83.87%，显著提升。
  • 在GAN应用学习活动中，88%的学生能够正确识别工具生成器的目标，60%能够识别判别器所基于的数据集。
  • 在Deepfake鉴别任务中，尽管技术难度较高，学生能够明确描述他们对Deepfake的观察。

• 局限性与未来方向:

  • 学生对GANs判别器的角色与数据集的音视频生成有混淆，需加强补充神经网络和训练数据集的学习目标。
  • 缺乏包含False选项的全面测试题设计。
  • 未来需要进一步优化GAN工具透明性以及教学活动的直观性和连贯性。