★ FEATURED ARTICLE 1. 课程体系的主线设计一场从“教技术”到“育思维”的方向校准做中小学人工智能通识教育最怕的一件事就是把课程做成了“大学人工智能课的压缩版”。我接触过不少学校一开始信心满满让孩子们直接学Python、训模型、调参数结果一个学期下来能跟着走完的学生不到三分之一剩下的人全在抄代码甚至连抄都抄不明白。问题不出在学生身上出在课程起点的设定上。我说句实在话中小学阶段的人工智能通识教育本质不是培养算法工程师而是让学生完成三件事第一理解人工智能能做什么、不能做什么第二建立与智能体打交道的思维方式第三形成对技术边界的判断力和伦理意识。这三件事跟会不会写代码关系不大跟会不会用技术解决真实问题关系很大。所以我在设计课程体系时把主线从“知识逻辑”切换到了“认知逻辑”。所谓认知逻辑就是按照一个普通孩子在成长过程中认识世界的路径来安排内容小学阶段先“看见人工智能”初中阶段“理解人工智能”高中阶段“驾驭人工智能”。这条主线听起来简单但它决定了后面所有内容模块、教学活动、评价方式的基本走向。具体的体系分成了四个维度认知维度、应用维度、伦理维度、创造维度。这四个维度不是并列排布而是一个螺旋上升的结构。比如小学一年级接触语音助手属于应用维度的启蒙到六年级做一个“隐私保护小调查”就开始触碰伦理维度到了高中学生用机器学习平台训练一个垃圾分类模型则是认知和创造的融合。每个年级、每个学期都能在这四个维度里找到明确的落点课程才不会变成“想起来就上想不起来就停”的零散活动。在设计过程中我们还做了一个关键动作对课程目标进行分层描述。不是笼统地说“培养学生AI素养”而是把目标拆成“知道”“理解”“应用”“评价”“创造”五个层级每个层级配上可观察的行为表现。比如“知道”层面学生能说出三种常见的人工智能应用场景“评价”层面学生能针对某款智能App的隐私政策做出合理判断并提出改进建议。目标一旦变得可观察、可衡量后面的教学和评价就好办了。这里有一个我在实际推进中反复体会到的点通识课程最忌讳“贪多嚼不烂”。一个学期能扎实地完成三到四个主题项目已经非常了不起。很多老师喜欢把内容塞得满满当当结果每个主题都浅尝辄止学生什么都没留下。课程体系的价值不在于覆盖多少知识点而在于让每个知识点都有足够的时间沉淀成素养。2. 内容模块怎么排把知识点变成学生愿意接触的单元确定了主线之后接下来要解决的是内容的组织和选材。中小学人工智能通识教育涉及的内容范围其实非常广机器学习、计算机视觉、语音识别、自然语言处理、机器人、数据、伦理、社会影响等每一块单独拿出来都能讲上一年。关键是我们不能按学科体系来组织这些内容而要按照学生的学习场景来组织。我把整个课程内容梳理成六个模块感知与交互、数据与规律、算法初步、智能系统设计、伦理与社会影响、创造与表达。每个模块内部设置主题单元单元不是以知识点命名而是以问题和任务命名。比如“感知与交互”模块下的单元叫“让机器听懂我的声音”而不是“语音识别技术原理”“数据与规律”模块下的单元叫“学校食堂的菜品预测”而不是“回归模型入门”。为什么这样命名因为问题天然具有驱动性知识点没有。学生听到“语音识别原理”的第一反应是“这跟我有什么关系”但听到“让机器听懂我的声音”会愿意动手试一试。这是通识课程和专业课在内容组织上最本质的区别。在模块比例上我建议小学阶段“感知与交互”和“创造与表达”占大头合计超过百分之六十初中阶段“数据与规律”和“算法初步”逐步增加高中阶段四个维度相对均衡。理由很简单小学生的认知发展还处于具体运算阶段需要通过看得见、摸得着的交互体验建立概念初中生开始具备抽象思维能力可以接触数据和规律高中生已经具备一定的逻辑推理能力可以理解算法思想并进行完整的设计实践。关于选材我从实践中总结了三个来源一是学生身边的真实场景比如校园考勤、图书借阅、食堂消费这些数据容易获取学生也熟悉二是社会热点中的AI元素比如图像修复、语音合成、智能推荐讨论起来有话题性三是学科融合点比如用AI分析古诗词的情感倾向用AI辅助英语口语练习这些素材既能体现AI的工具价值又能反哺其他学科的学习。内容选好之后还有个容易被忽略的步骤写单元说明卡。每个单元用一页纸说明目标、核心问题、活动流程、所需资源、评价方式。这张卡片的作用是让任何一位老师拿到之后都能上手不依赖于某个特定教师的能力。我们学校在推进过程中所有单元都配备了这样的说明卡新老师培训周期因此缩短了将近一半。3. 实施环节怎么落地教学场景搭建与项目式学习的组织方法课程体系建得再完善如果实施环节掉链子一切都是纸上谈兵。中小学人工智能通识教育的实施我最想强调的一点是场景大于工具过程大于结果。先说场景。人工智能课程的教学场景不应该只是机房而应该是一个可以做感知、讨论、演示、动手搭建的复合空间。我们的做法是把普通机房改造成“AI学习空间”一侧是配有摄像头的交互体验区中间是围合式的讨论桌另一个角落是硬件搭建区摆着几套入门级的智能小车和传感器套装。这样的空间看似简单但学生在上课时可以随时从讨论切换到体验再从体验回到反思学习节奏完全不一样。当然很多学校没有条件改造专用空间。这种情况下我给出的替代方案是“移动工具箱”几台装有入门级AI体验软件的平板电脑加上一套可折叠的传感器演示套装再加上足够的纸质任务卡。利用普通教室也能完成大部分体验类、讨论类课程。真正需要动手训练的环节集中在某个时间段到机房集中开展。我自己在项目实践中试过这种模式只要任务设计得足够精细教学效果并不差很多。再说教学组织方式。通识课程我强烈建议采用项目式学习而且一定要是“小项目、高频次”。什么意思一个学期四个项目每个项目四周完成比一个学期做一个大项目实际得多。项目太大学生容易在中后期失去方向项目太小又撑不起足够的思维训练量。四周是一个比较合适的周期第一周导入和拆解问题第二周学习必要的知识与技能第三周动手实践第四周展示和反思。这里我要分享一个组织项目的关键细节每个项目必须有一个“可见的产品”。无论是海报、展板、小视频还是简单的网页、小程序、机器人演示总之学生要有一个可以拿得出手的东西。产品本身就是学习过程的外化有了它评价才有依据学生的成就感才有落脚点。课时安排上我们通常采用“11”模式一节常规课加一节实践课。常规课用于概念讲解和讨论实践课用于动手操作。两节课之间间隔不超过三天否则知识容易遗忘教师需要花大量时间重新激活记忆。这一点是从实际教学中总结出来的试过隔一周再上实践课效果明显差很多。实施过程中还有一个重要的角色容易被忽视信息科技教师之外的学科教师。美术老师可以带着学生设计AI产品的界面语文老师可以带着学生撰写AI应用的说明文案道德与法治老师可以带着学生讨论AI伦理案例。跨学科协作不是给信息课“锦上添花”而是让AI教育真正融入学校教育体系的关键路径。4. 师资队伍建设从“技术孤岛”到“教研共同体”人工智能通识教育课程能不能长期落地师资是最关键的因素。这一块如果解决不好再好的课程体系也只能停留在文件里。先说说当前普遍存在的困境。大多数中小学缺乏科班出身的AI教师承担这门课的往往是信息技术老师、科学老师甚至数学老师。他们中的很多人自己也没有系统学过人工智能面对课程内容心里没底。如果学校只是把一门新课塞给某个老师那大概率会变成老师照本宣科、学生昏昏欲睡的局面。我在推进课程实施时采用了一个比较有效的策略组建跨学科教研组而不是让信息老师单打独斗。教研组的构成包括信息技术教师、科学教师、数学教师有条件的话再邀请美术和道德与法治教师加入。信息技术教师负责技术指导和环境维护科学教师负责教学设计和实验环节数学教师负责数据与逻辑部分文科背景的教师负责讨论和表达环节。每个人都发挥自己的学科优势共同完成课程设计和教学实施。教师培训方面我们的做法是“三阶段递进式”第一阶段是认知普及帮助教师建立对人工智能的基本认识了解课程的整体框架第二阶段是操作实训重点是让教师亲自体验每个教学项目做到心中有数第三阶段是教学研究引导教师围绕教学中的真实问题开展小课题研究。整个过程大约持续一个学期之后进入常态化的教研机制。这里有一个容易被忽视的细节通识课程的教师培训不应该只培训“技术操作”更应该培训“提问技术”。比如在课堂上如何向学生提出有层次的问题如何在学生讨论卡壳时给予恰到好处的提示如何引导不同观点的碰撞。这些教学法层面的能力比知识层面的储备更加重要也更加稀缺。校本课程推进的路径我一般建议分三步走第一步选择两个年级试点用一学期的时间打磨流程第二步根据试点反馈修订课程内容和教学方案扩展到更多年级第三步将所有课程资源整理成校本教材和教师手册形成可持续的运转机制。每一步都需要有对应的教研记录和成果积累不能只做事不留痕。5. 评价体系怎么建从“考知识点”到“看思维成长”评价是课程体系里最容易被应付过去、却又最能反映课程理念的环节。如果课程目标是素养导向但评价方式仍然是一张知识卷子那所有的素养口号都会落空。我理解的AI通识课程评价核心应该放在“学生在真实情境中运用AI相关思维解决问题的能力”上。这意味着评价不能只在期末进行一次而要贯穿整个学习过程。我们设计了“过程性评价阶段性表现性评价终结性展示评价”三层结构。过程性评价主要记录学生在项目中的参与情况、协作表现、问题解决策略和反思质量。具体做法包括每节课结束前用三分钟写学习日志每周提交一份项目进展简讯每次项目结束后完成个人反思。这些材料不必长篇大论但要求真实。为了避免学生把日志写成流水账我们会提供引导性的问题模板比如“今天项目中遇到的困难是什么你尝试了哪几种方法哪种有效为什么”阶段性表现性评价设计成“小任务关卡”的形式。比如完成“给智能音箱设计一句安全的唤醒词”完成“对一个AI应用进行简单评测并提出改进建议”完成“用数据图表说明班级图书借阅规律”。这类任务不考死记硬背考的是迁移应用学生需要把已经学到的知识在新的情境中使用才能完成任务。每个任务都有明确的评分量规从思维、表达、合作三个维度进行描述性评价。终结性展示评价放在学期末形式类似于一个“AI嘉年华”或“学习成果展”。每个小组选择一个本学期的项目进行深化和展示由教师、家长代表和其他年级的学生代表共同参与评审。评审的标准不是作品多炫酷而是学生能够清晰地讲出“我做了什么、为什么这样做、遇到了什么问题、我怎么解决的、我有什么新的思考”。这五个问题背后其实就是完整的学习闭环。我特别想提醒的是评价方式一定要避免过度量化和排名焦虑。中小学通识课程的评价建议采用等级制而不是分数制等级划分尽量宽泛优秀、良好、合格、待改进。只要学生认真参与了项目、完成了基本任务、在反思中展现了真实思考就应该给予合格及以上的评价。教育的目的是让每个孩子建立对AI的正确认知和信心而不是通过课程筛选出所谓的“少数精英”。6. 常见问题与排查技巧实录那些踩过的坑和填过的土整个课程体系的构建和实施过程远没有纸面上写的这么顺当。下面把这些年遇到过的典型问题整理出来算是给大家的一份避坑指南。第一类问题硬件条件不足怎么办。这是绝大多数学校都会遇到的现实问题。解决的基本思路是“重设计、轻设备”。AI通识教育中真正依赖高性能硬件的环节其实很少大部分认知类、讨论类、设计类活动完全可以在普通教室开展。需要动手实践的环节可以利用免费或低成本的在线AI体验平台搭配简单的传感器套装完成。还有一些项目完全不需要硬件比如“AI伦理辩论赛”“人工智能产品评测会”一张纸一支笔就能开展。第二类问题学生水平差异太大。同一个班里有的学生家里已经接触过不少AI应用有的学生连智能手机都不太会用。我的经验是采用“角色分工法”每个项目小组里设置不同层次的角色比如“技术员”负责操作工具“记录员”负责整理过程“发言员”负责汇报表达“协调员”负责组织进度。学生根据自己的特点认领角色定期轮换。这样既保证了每个学生都有参与感又避免了水平差异带来的挫败感。第三类问题课程与现有课表冲突。很多学校在推进时最头疼的是课时从哪来。比较务实的方案有两个一是将AI通识教育与信息科技课、科学课整合利用其中一部分课时开展主题活动二是利用课后服务或社团时间开设。根据我观察到的实际情况两节课联排的“项目课”形式效果最好因为学生有整块时间完成一个完整的探究活动。如果只有零散的课时那宁愿减少项目数量也不要频繁中断。第四类问题教师转岗培训的积极性不高。这其实是一个管理问题而非技术问题。学校需要把AI课程的承担纳入教师工作量认定和考核体系同时提供充分的教研支持和外出学习机会。另外为承担课程的教师配备“助教学生团队”也是一个有效的做法——让高年级对AI感兴趣的学生协助低年级课程既能减轻教师压力又让这些学生获得了真实的锻炼。我在实践中试过效果出奇地好。这几类问题看起来各有不同但本质上都指向同一个方向课程实施不能只靠少数人的热情必须建立起制度化的支持体系。设备不足可以通过课程设计弥补水平差异可以通过组织策略调和课时冲突可以通过课程整合化解教师积极性需要通过管理机制保障。每一项都需要耐心也需要创造性地寻找解决方案。最后再分享一个让我印象深刻的细节。有一次一个平时成绩中等的学生在项目反思里写道“以前我以为人工智能什么都能做现在我知道它有边界也知道我自己可以为它做点什么。”那一刻我觉得这门课程最大的成果不一定是学生学会了某种具体技术而是他们开始用一种新的眼光审视自己与技术的关系。这大概就是通识教育真正想要抵达的地方。
阅读完成 · 觉得有帮助？
