選題背景

國家對人工智能教育高度重視，將其作為義務教育和普通高中課程標準的重要內容?！镀胀ǜ咧行畔⒓夹g課程標準（2017 年版2022 年修訂）》在必修模塊和選擇性必修模塊均設計了人工智能的課程內容。隨著新一代人工智能技術的迅猛發(fā)展，中小學人工智能教育，尤其是高中階段，不應僅局限于培養(yǎng)人工智能工具的使用者和體驗者，更應適度引導學生深入理解這些新技術背后的原理，從而培養(yǎng)他們運用人工智能的思維方式實踐和創(chuàng)新。

本文以動物足跡識別為主題，開展了實踐取向的大單元教學設計。野生動物，尤其是那些被列入保護動物名錄的，由于數量稀少，其行蹤往往難以追蹤，足跡識別技術提供了一種非侵入性方法監(jiān)測珍貴的野生動物。

課程設計

課程目標

針對足跡識別問題，能選用合適的方式，收集和整理數據；理解圖像邊緣特征和圖像方向梯度直方圖特征（HOG特征）；掌握K 最近鄰算法。通過親歷監(jiān)督學習實現圖像分類的完整過程，理解數據和特征對模型性能的重要性，提升應用人工智能思維解決問題的能力。

課程內容

通過創(chuàng)設真實情境，引導學生分析問題，設計解決方案。圍繞監(jiān)督學習解決問題的技術路線為：采集動物足跡數據—提取圖像特征—訓練模型—測試模型—評價模型—迭代優(yōu)化，最終實現動物足跡的識別和遷移應用。本單元圍繞監(jiān)督學習有三大核心概念：數據、特征、模型。將三大核心概念從前到后順次連接，體現了采用監(jiān)督學習解決問題的過程。模型評價后，如性能不滿意，則反向連接至數據端，體現了監(jiān)督學習迭代優(yōu)化的過程。

課時安排

本單元共計6 課時，內容環(huán)環(huán)相扣，層層遞進。課時安排見表1。

教學準備

在本單元的教學中，采用了上海人工智能實驗室浦育平臺提供的動物足跡數據集、AI 體驗工具、Python 運行環(huán)境和算力資源。

實施過程

體驗足跡分類

在實踐任務3 中，將通過體驗足跡分類歸納機器學習的一般過程。首先，教師利用浦育平臺的AI 體驗工具演示老虎和鹿的足跡識別過程。從浦育平臺獲取該足跡數據集，并分別上傳多張圖像樣本，標記上對應老虎和鹿的類別標簽，進行圖像分類模型的訓練和測試。在自主體驗環(huán)節(jié)，學生可選擇任一足跡圖像進行測試。實驗結果顯示，該模型能夠準確識別出老虎的腳印，且其分類置信度，即分類為老虎類別的可信程度非常高。盡管這個過程沒有明確展示足跡特征和模型的具體表達方式，但教師可引導學生提出這些關鍵信息和步驟，并在后續(xù)的任務中逐步學習和實踐。

足跡特征的提取

圖像數據在人類眼中通常具有具象性和語義概念。看到一張圖片，我們能直接識別出其中的內容。然而，對于計算機來說，圖像通常被表示為0—255 之間的數字組成的三維矩陣。要理解圖像中包含的信息，需要借助機器學習等方法提取其中的語義信息。特征提取就是這樣一個過程，它通過壓縮圖像的冗余信息并提取關鍵特征，從而形成有意義的語義信息。

在實踐任務6 中，教師將引導學生觀察一張笑臉的像素畫圖像（圖1）。通過對照圖像與其底層數據表達，學生能發(fā)現圖像的關鍵信息主要集中在笑臉輪廓邊緣。為了進一步探究這個問題，可鼓勵學生嘗試用數學方法尋找圖像的邊緣。接下來，學生借助網絡資源自主學習提取圖像邊緣特征的方法。最后，學生在實驗平臺上使用邊緣卷積核，通過程序自動提取圖像邊緣特征（圖2、圖3）。在這個過程中，學生有機會觀察和感知提取的邊緣特征維度與原始數據大小之間的關系。

在理解卷積運算原理的基礎上，教師將在實踐任務7中引導學生探索進一步壓縮信息的方向梯度直方圖方法。首先，學生在實驗平臺上直接采用方向梯度直方圖方法提取特征，并探究不同的檢測單元大小對圖像HOG 特征提取的影響。接著，學生觀察和分析特征維度隨參數變化的情況，從而更深入地理解這一過程。

實現動物足跡分類

在理解K 最近鄰算法原理后，在任務9 中，運用該算法實現動物足跡分類。先將數據集按一定比例拆分為訓練集和測試集，確定檢測單元大小，分別提取訓練集和測試集的HOG特征，訓練KNN 模型，確定K 值，最后進行模型測試，并記錄結果。如果分類準確率不理想，可引導學生從數據集規(guī)模、數據質量、數據分布、特征數據維度、檢測單元大小等多方面分析并優(yōu)化模型。在任務12 的遷移應用中，提供了Python代碼模板，可實現行人識別、手寫數字識別等多種任務（圖4）。

學習成果

本課程在江蘇省常州市的部分高中進行了教學，并多次迭代優(yōu)化。學生在學習和實踐過程中感受如下：如果背景太雜，不利于HOG 特征提取和識別；本單元的方法適合區(qū)分輪廓邊緣特征比較明顯的事物；K 最近鄰算法對高維特征的分類準確率不高。

在遷移應用中，有學生收集了更多的真實足跡圖、手繪足跡圖、野生動物圖像等進行分類。在選擇分類方法時，除了K 最近鄰算法，還選擇了決策樹、支持向量機、感知器等方法進行測試比較。

反思與提高

本單元的教學設計展現出了機器學習中監(jiān)督學習的每一個關鍵過程，使得學生能理解其工作原理及作出決策的依據，能更好地信任監(jiān)督學習的結果。教學設計中選用的邊緣特征和方向梯度直方圖，以及K 最近鄰算法，因為要兼顧學生認知階段需要更好的可解釋性和可具象性的內容，在模型性能測試上不太理想，后續(xù)可設計用深度神經網絡提取特征，或直接采用深度神經網絡進行端到端的訓練學習。本單元涉及較多的人工智能學科術語，以及Python 環(huán)境下的探究實踐，需要一些編程和人工智能的通識了解等前置知識作鋪墊。