【读书笔记】AI4STEM | Chapter8 基于零代码 AI 工具的科学探究学习设计

21 世纪科学领域的研究方式发生了重大变革。科学家们面对着健康、能源与环境等领域的复杂问题，而问题的日益复杂也催生了新的研究方法与创新技术。其中人工智能（AI）——通过其精准的决策力和预测能力在科学探究中展现出巨大潜力，正在改变科学家开展研究的方式。

然而这些变革同时对新一代学习者发起了严峻的考验，即必须具备相应的人工智能应用能力，才能在科研实践中取得成功。本章节由翟小铭（佐治亚大学）领衔，以扎实的课堂实证，深入探索了零代码 AI 工具（Google Teachable Machine, GTM）在中学科学探究中的落地路径。

文章干货满满，建议收藏慢慢看~

AI 在科学教育中的应用，最早可追溯至 1987 年 Ron Good 的开创性研究，他首次将机器的信息处理、问题解决能力与人类认知、科学学习相关联，预言了 AI 将成为科学教育的核心趋势。时至今日，AI 已在自适应学习、自动评分、个性化辅导、无障碍教学等场景实现广泛应用，但现有研究始终未能突破 “AI 为教学服务” 的局限，忽视了其作为科学探究核心工具的本质价值。

本章将基于 AI 的科学探究与美国下一代科学标准（NGSS）的三维学习目标深度绑定，三维学习包括科学与工程实践（SEP）、跨学科概念（CCC）、学科核心思想（DCI），提出真正的 AI 科学教育，不是让学生学习 AI 编程，而是让 AI 成为学生开展科学实践、探究真实科学问题的载体，让学生在完整的探究流程中，同步掌握科学知识、实践能力与 AI 素养。

而 GTM 则成为了实践这一想法载体：这款基于 TensorFlow.js 的无代码工具，通过迁移学习大幅降低了机器学习的技术门槛，让无编程基础的中学生，也能完整完成数据采集、模型训练、算法验证、问题解决的全流程科学探究。

研究选取了美国亚特兰大郊区一所高水平学校的 128 名八年级学生为研究对象，样本覆盖多元种族背景，其中 86% 为资优学生，且均有过机器学习的基础接触。

研究设计了为期 8 个课时的生物分类单元教学，分为三个核心阶段：

第一阶段为基础认知，通过 2 个课时完成 AI 与 ML 核心概念教学、GTM 工具实操训练，并引导学生探讨 AI 的伦理困境；

第二阶段为项目设计，用 1 个课时让学生围绕生物分类主题，提出可通过 AI 解决的真实社会问题，完成项目方案设计与可行性论证；

第三阶段为探究实践，学生以 3-4 人小组为单位，用 5 个课时完成数据采集、模型训练、算法验证与成果展示，最终研究共收集到 38 组完整的学生项目作品。

在数据分析层面，研究构建了包含 7 个核心维度的三级编码量表，维度涵盖 AI 理解、问题开发、数据集质量、算法开发、算法验证、样本量、AI 局限性，全面评估学生的 AI 科学探究能力。并通过潜在类别分析（LCA）挖掘学生的能力表现模式。