真实性学习视域下信息科技教学策略探究

摘要：在信息科技新课程的教学中，真实性学习扮演着至关重要的角色。本文基于真实性学习的基本意涵，以“探索人工智能之神经网络”为例，分析、探讨其实践路径，以期为信息科技教学提供新的视角和方法。关键词：真实性学习；信息科技；教学策略；人工智能；神经网络真实性学习的基本意涵著名学者多诺万、布兰斯福德和佩莱格里诺将真实学习定义为：允许学生在涉及真实世界的、与学习者关联的问题和项目的情境脉络中进行探索、讨论和有意义地建构概念和关系。[1]实际上，真实性学习除了具有认知的价值，相对于传统课堂学习而言，它还强调学习者的身份构建。[2]在真实性学习中，学习者有机会参与及体验专家的工作与认知旅程，通过理解学科内在的认识论与知识结构，同时也在实践共同体的话语、价值观、规范及社会关系的互动中发生着从实践共同体的边缘参与者向核心成员逐渐过渡的身份构建。[3]真实性学习是一种强调在真实情境中解决真实问题的学习方式，它要求学生置身于真实或模拟的情境中，通过参与实践活动、解决真实问题来获取知识、发展能力。在真实性学习中，学生不再是被动接受知识的容器，而是主动探究、积极构建的主体。教师则扮演着引导者和支持者的角色，为学生提供必要的资源和指导。真实性学习的教学策略笔者针对“探索人工智能之神经网络”这一教学主题，设计了以下五个步骤的教学策略，旨在让学生在真实情境中主动探索、实践应用，进而深入理解神经网络的基本原理和应用价值。1.创设情境，聚焦问题为了引导学生进入真实的学习情境，笔者设计了一系列与神经网络相关的现实问题或挑战，通过展示这些问题的实际应用场景，激发学生的学习兴趣和探究欲望。同时，引导学生思考这些问题背后的技术原理——神经网络，从而明确学习目标和方向。案例：请同学们观看视频，观看结束后回答两个问题——①在这个视频中，有一位顾客被推荐衣服，请问视频中推荐衣服的方式与你们在现实生活中遇到的推荐方式有区别吗？②如果有区别，请问有什么区别？2.活动体验，总结过程在明确学习目标和方向后，教师组织学生进行活动体验，如体验“分辨马和驴”的游戏。在体验过程中鼓励学生尝试总结自己分辨事物的规律和步骤，以便更深入地理解神经网络的建模流程。案例：按序播放24张图片，在播放第一张图片时，让1号同学回答是马还是驴，回答后教师给出答案，继续播放第二张图片，让2号学生回答第二张图片是马还是驴，2号学生回答后教师给出第二张图片的答案，以此类推。组织学生进行讨论、交流，归纳人脑学习分类的过程，进而引出神经网络模型的建模流程（如下图）类似于人脑学习分类的过程：首先，需要采集大量的数据；其次，搭建神经网络模型架构；再次，将采集的大量数据输入到神经网络模型中；最后，训练该模型，当模型的精确度达到预期时，则可以使用该模型预测未知数据。通过具象的游戏，让学生归纳总结人脑学习分类的大致流程，为后续学习神经网络的建模流程做铺垫。3.迁移提炼，揭秘原理在游戏活动体验的基础上，教师引导学生对总结的规律和步骤进行迁移和提炼。通过对比分析人类和计算机分类事物的共性和差异，引导学生发现神经网络的建模流程。同时，利用可视化工具和技术手段，帮助学生直观地理解神经网络的内部结构和运行机制。这样不仅可以加深学生对神经网络原理的理解，还可以提高他们的逻辑思维和抽象能力。案例：神经网络模型是一种模拟人类大脑工作方式的数学模型，它是人工智能领域中最重要的技术之一。神经网络模型由许多被称为神经元的单元组成，这些神经元之间通过连接进行信息传递。每个神经元都有许多输入，它们来自其他神经元。神经元将这些输入加权求和，并通过一个激活函数进行处理，产生一个输出。这个输出会传递给其他神经元，从而形成一个网络。在训练过程中，神经网络根据输入的已知数据和对应的正确答案，通过不断调整连接的权重值和节点的偏置值来学习正确的映射关系。通过反复迭代这个过程，神经网络可以逐渐优化自己，提高对未知数据的预测能力。神经网络模型有很多种不同的结构和类型，如前馈神经网络、卷积神经网络和循环神经网络等。每种类型的神经网络都有其特定的应用场景和优势，如卷积神经网络在图像识别中表现出色，而循环神经网络则擅长处理序列数据。信息科技学科主要以简单的前馈全连接神经网络为例展开教学。4.实践分析，优化策略在揭示了神经网络的基本原理后，教师引导学生尝试体验神经网络的运行效果，并进行深入分析。通过分析运行结果，引导学生思考如何改进和优化神经网络的性能和应用效果。同时，鼓励学生尝试不同的优化策略和技巧，如调整网络结构、预处理训练数据集等，以便更深入地掌握神经网络的优化方法和技巧。案例：借用平台为学生搭建项目，并提供神经网络模型训练过程、使用模型预测未知数据的代码。引导学生结合神经网络模型的基本架构、计算原理等知识点，体验神经网络模型的代码实现过程，并感受神经网络模型的应用潜力。首先，通过实际运行代码体验神经网络模型的建模流程，学生可以深入理解人工智能技术的原理和应用。神经网络模型是人工智能领域的核心技术之一，其训练过程涉及大量的数学运算和算法实现。通过亲自运行和调试代码，学生可以深入了解神经网络模型的工作原理，加深对人工智能技术的理解。其次，通过实际运行代码体验神经网络模型的预测过程，学生可以掌握人工智能技术的实际应用，提高解决问题的能力。通过实际体验模型的预测过程，学生可以了解人工智能技术在实际生活中的应用场景和效果，培养解决问题的能力和创新思维。在运行代码的过程中，有的学生训练出来的模型精确度相对较低，十张图片中分类正确的只有一张，教师可引导学生思考是否有办法提高神经网络模型的分辨正确率，并根据学生的回答总结出神经网络模型精确度的优化策略之一，即增加数据量，进而引入增加数据量的相关技术。还有的学生回答可以将图片中的无关要素删除，只关注少部分像素即可进行分辨。教师提炼总结出提高神经网络模型精确度的另一个优化策略是对图片进行预处理，如裁剪等。在学生体验的过程中，教师还发现有学生对神经网络模型的架构进行了调整，如将激活函数由ReLU修改为Sigmoid，这也是提高神经网络模型精确度的优化策略之一。除了可以修改激活函数，还可以修改层数、每层的神经元个数等。了解提高神经网络模型精确度的优化策略可以帮助学生深入理解人工智能技术的原理和应用。精确度优化策略涉及多个方面，如数据预处理、网络结构设计、超参数调优等。在实际应用中，神经网络模型的精确度影响着模型的实际效果和应用效果。通过了解和掌握精确度优化策略，学生可以有效提高模型的预测准确率，在解决实际问题的过程中，提高解决问题的能力和创新思维。5.拓展交流，归纳总结学生通过分享各自的学习成果和经验教训、讨论神经网络的前沿技术和发展趋势等拓宽了视野，深化了理解，同时，通过梳理所学的知识点和技巧方法，形成系统的知识体系和技能框架。这样的方式不仅可以巩固学