三、 人工智能与教育
人工智能正在改变我们生活的方方面面。在人工智能的影响下，交通、医疗保健、物流、金融和工业制造等众多行业正在进行着新的变革，它们将发展得更具生产力和成本优势，更重要的是，将会提供更好的教育，其中教育将是受影响最深的领域之一。
根据《全球市场洞察》的一份报告，人工智能在教育中的应用在未来六年内预计将爆发式增长至 60 亿美元的全球市场价值。事实证明，教育系统和教育机构确实需要做出很多改革，人工智能将对此有很大帮助。
1. 教育领域全球人工智能发展的现状
目前，世界多数发达经济体的政府已经确定了人工智能作为其未来劳动力和经济的竞争要素的潜力，都通过不同的方式推动相关教育的普及。
2017 年，中国《普通高中信息技术课程标准》发布，人工智能被纳入中国高中学生
课程体系中。
2019 年 5 月，中国习近平总书记向“国际人工智能与教育大会”致贺信中指出，把握全球人工智能发展态势，找准突破口和主攻方向，培养大批具有创新能力和合作精神的人工智能高端人才，是教育的重要使命。
2021 年 12 月，中国教育部部长怀进鹏提出，将人工智能教育全面融入各级各类教育，提高学生数字技能和数字素养。
2022 年 4 月，中国《义务教育信息科技课程标准》发布，人工智能加入到中国义务
教育 7-9 年级的学习内容中。
2018 年 5 月，美国人工智能促进协会（Association for theAdvancement of Artificial Intelligence ， AAAI ） 与计算机科学教师协会（ Computer Science Teachers Association，CSTA）联合成立了工作组，启动美国 K-12 人工智能教育行动“。
日本从 2016 年就开始探讨并深入展开人工智能以及编程教育，提出要帮助所有儿童建立这个时代需要的“人工智能思维”。
2014 年，英国教育部启用新的计算机教学大纲，规定儿童从 5 岁开始学习编写简单的电脑程序、存储和检索数据，11 至 14 岁学习电脑编程语言和解决电脑故障。现在包括美国、日本和英国等国家开始探索和实践人工智能与K-12 教育的结合。
2022 年 2 月，联合国教科文组织发布了《K-12 人工智能课程：官方认可的 Al 课程设计指南》，介绍了现有 K-12 人工智能课程中 9 类人工智能课程涵盖的范围和时长，以及每类课程预期的学习结果，总结了实施该课程所需的先决条件，包括教师培训、学习工具和环境，并提出了教学建议。
人工智能与 K-12 教育的结合是大势所趋，但是如何做，这对教育工作者和政策制
定者来说是一个巨大的挑战，他们必须让今天的学生在非常不确定的明天茁壮成长。
2. 实施人工智能教育的关键要素
人工智能运用于K-12 教育，可以分两条思路来看：
• 一是运用人工智能技术，引领教育系统性曼革，比如说智能化感知，智能化的教育评价，智能化推荐数字教育资源，实现个性化学习等，即人工智能技术在各类教有场景的应用。
• 二是进行人工智能教育，即中小学生接受人工智能相关內容的学习，人工智能
理论、计算思维、编程等相关的知识技能。
前一种人工智能技术可以视为对 K-12 教育所提供的帮助，第二种是要具体描述学习人工智能技术。所以基于这两种关系，延伸出来 5 种中小学课程的关键要素，是发展K-12 人工智能教育的必要因素。如图所示：
• Al 教材：就是指用于 Al 教学的教材。它是依据课程标准编制的、系统反映学科内容的教学用书，教材是课程标准的具体化，它不同于一般的书籍，通常按学年或学期分册，划分单元或章节。
• Al 的开放教育资源： 指各类应用 Al 技术增强的开放教育资源（ Open Educational Resource），采用开放授权的资源，通常是数字化的资料，可供教学、学习、研究之用。
• 教师发展在线社区：用于教师学习的在线社区，通过系列活动使教师能够与同事一起反思实践，在分布式知识框架中分享专业知识，并建立对新教学方法、标准和课程的共同理解。
• 开源算法、工具与数据集：算法是一系列解决问题的清晰指令，算法代表着用系统的方法描述解决问题的策略机制 16。工具指 Al 开发工具，如 TensorFlow、飞桨（PaddlePaddle）等 Al 开源框架。数据集指是用于 AI 算法训练的样本数据，如用于字符识别的 MNIST、图像识别处理的 ImageNet 等。
• AI 实验室：用于 K-12 学习人工智能内容的实验室，其中包括个人工作站所需要的设备和教学型实验室所需其他设备。其中，要素 1 和要素 2 为人工智能与
教育关系中学习内容所必要的内容，要素 3、4 和 5 点则涵盖了教学工具的必要要素。
3. 适合 K-12 的人工智能算法
K-12 人工智能算法示例
每种人工智能技术都是很复杂的，比如，“机器学习”既涉及“统计学”、“信息论”和“控制论”等数学基础，还包含其他非数学的知识。这些技术都非常专业，对于K-12 学生来说不需要对详细掌握某个复杂算法，只需要了解算法的基本原理、应用领域、使用方法等。两个典型的人工智能算法供参考。
• 人脸识别技术
人脸识别是一种技术，用于通过处理可见个入脸部的视频帧或数字图像来验证或识
别个人的身份。
由于计算机化的面部识别涉及测量人的生理特征，面部识别系统被归类为生物识别。面部识别技术有几种不同的方法，但它们通常将图像中的面部特征与数据库中包含的面部特征进行比较。面部识别系统在智能手机和其他形式的技术（如机器人）上得到了更广泛的应用。
例如，警察可以使用这种技术来识别犯罪嫌疑人；或者是他一些应用包括自动图像索引、视频监控、人机交互等。人脸识别算法是任何面部检测和识别系统或软件的基本组成部分。
专家将这些算法分为两种中心方法：
- 第一种几何方法侧重于区分特征。人脸识别技术中被广浅采用的区域特征分析算法，它融合了计算机图像处理技术与与生物统计学原理于一体，利用计算机图像处理技术从视频中提取人像特征点，利用生物统计学的原理进行分析建立数学模型，即人脸特征模板。
- 另一种照片计量统计方法用于从图像中提取值，然后将这些值与模板进行比较，以消除方差。
从大方向来说，算法也可以分为两个更通用的类别，就是基于部分和整体模型。前者侧重于面部特征，并分析其空间参数和与其他特征的相关性，而整体方法将人脸视为整个单元。人脸识别所涉及到的算法有卷积神经网络（CNN、EIGENFACES、 FISHERFACES、PCA、SVM 等）。
面部识别技术现在正在公共生活的各个方面引入。这包括将面部识别和面部检测迅速整合到K-12 教育中，以解决校园安全，自动注册和学生情绪检测等问题。在这种有争议的背景下，我们需要考虑将这项技术应用于特定的教育环境中。面部识别技术的一个突出的教育应用是校园安全。
除了识别未经授权的入侵者之外，还开发了系统，以检测视频对象是否有携带危险物品入校。面部识别在学校的另一个应用是出勤监控，这样可以避免教师上课点名所造成的时间浪费或者是遗漏。除此之外，在该领域的研究和发展报告说，检测短暂的“面部动作”（即情绪检测）可以证明学生对于该课程是否感兴趣，以便实现个性化教学，实时检测到学生的情绪，就可以及时响应，鼓励学生们积极听课或互动。这些系统都可以帮助教师进行教学活动。
• 决策树算法
决策树是最广泛便用和最实用的机器学习算法之一，它涉及到的数学不多，非常容
易使用和解释。
决策树算法属于受监督学习算法的家族。与其他受监督的学习算法不同，决策树算法也可用于解决回归和分类问题。使用决策树的目标是创建一个培训模型，该模型可以通过学习从先前数据（培训数据）推断出的筒单决策规则来预测目标变量的级别或值。学生选课系统的规划和设计特别复杂，涉及到多种算法。
同时，选课系统是否合理、科学直接影响到整个选课教学质量以及字生对选修课的积极性。采用决策树算法和其他技术一起，对学生信息进行统一分类，综合分析学生的爱好和需求，以实现目标数据挖掘。除了可以在学生选课系统发挥作用，还能够在高校教务管理中应用。
目前，高等院校的人数越来越多，为了促进学校合理、科学的发展，分类规则是能为教务管理者提供一些帮助，所以决策树算法在这两方面起到了一定作用。
4. K-12 人工智能教育的展望
随着过去十年的显著进步，以及在 COVID-19 大流行期间，在世界各地和不同部门加速了对人工智能的采用。
预计到 2027 年，人工智能全球市场将达到惊人的 3124 亿美元。因此世界各国政府已将人工智能作为优先事项，推出国家战略，鼓励研究和开发，促进监管改革，并增加人才储备。人才短缺一直被强调为人工智能政策中的一个关键问题。政府、学术界和私人企业部门的主要决策者通过启动和增加对人工智能教育和研究的支持，特别是在K-12 的教育阶段，因为他们认为人工智能主要是对经济竞争力的投资。
然而，关于将人工智能落实到 K-12 教育课程中的信息普遍不足。有的国家将人工智能教育列于国家级计划，以系统的方式引入人工智能教育，而有的国家仍依靠地方或大学组织的倡议。这种分岐表明，创造机会对 K-12 人工智能教育进行国际讨论，分享彼此良好的做法，并确定共同挑战的解决方案是重要的。政府可以对 K-12阶段的人工智能教育进行切实的投资，为所有学生提供获得基本知识和技能的平等机会，并应鼓励私营部门和民间社会参与，但政府应确保人工智能教育的质量和一致性。
最后则鼓励教育者应该寻求教育上的突破，人工智能不应该只是计算机专业老师的唯一工具，任何学科都可以寻求人工智能在教育上的协助。
