l 随着计算思维在世界各国教育系统中的广泛应用,中小学和高等教育开始思考如何培养学生的计算思维能力。(大背景)
物联网是人工智能与物联网相结合的产物,它将最底层的传感技术与相关算法相结合,以解决现实问题。
因此,它已成为计算思维培训的一种流行技术应用。
(本研究概述)在这项研究中,一个新的AIoT学习与增强现实(AR)技术被提出,并探讨了影响计算思维技能。学生们利用AR应用来了解AIoT(人工智能物联网)在实际中的应用,尝试在实际场景中放置不同的AR传感器,并进一步归纳和设计算法。根据实验结果,探讨了先验知识和使用意向对学生计算机断层扫描能力培养的影响。研究结果表明,AIoT学习能提高学生的学习意向,并对AR技术的问题解决和理解以及应用规划和设计产生积极影响。
l 引言:随着科学技术的不断进步,科学技术对日常生活的总体影响已不再局限于衣食住行等基本生活必需品;科学技术也涉及国民教育的范围。不仅许多研究开始使用人工智能来解决以前复杂和困难的问题,人工智能教育和编程技能也逐渐从大学的信息专业知识过渡到对所有公民的新的一般知识要求。例如,美国前总统奥巴马颁布了《每一个学生成功法案》,该法案将计算机科学视为一个重要的学术领域和综合能力,并鼓励学校将数据科学纳入基础课程。除了编程技能培训外,计算思维还包括对复杂问题的有效分析和解构,人们可以从计算机编程的角度理解人类的问题,并利用计算机解决问题。
国际教育技术学会(ISTE)也根据学生信息时代的发展需要,算法思维、创造力、逻辑思维、问题解决能力的培养表明,计算机辅助教学不仅注重基本编程技能的培养,而且注重培养学生理解问题、解决问题和系统设计的能力。因此,计算思维适合不同阶段、不同领域的基本素养和思维方式,适合跨学科应用的整合,适合不同领域的教学课程。
l 流行的AIoT技术将物联网与人工智能技术相结合,创造了许多智能应用,如智能家居、智能企业,甚至智能城市。AIoT和AI编程学习的不同传感技术也与工程教育、创客学习、基于项目的学习和面向问题的学习的各种教育策略兼容,从而使学生能够将传感器应用程序与AI算法集成,以创建不同的智能应用程序并解决实际问题。通过学习过程,学生不仅可以练习使用传感技术和人工智能算法,还可以培养他们思考问题和团队合作的能力。
传感技术与问题解决目标的跨学科整合也使AIoT课程成为培养和提高学生计算思维能力的教育环境。
l (问题)然而,由于AIoT应用的多样性和环境的复杂性,它往往导致学生对应用领域的不熟悉,或者涉及平面设计,导致学生对问题的探索深度不够或选择忽略问题的某些部分。例如,在智能农业中,在考虑传感器的部署和选择时,应考虑不同的环境和作物;如果不这样做,可能会导致整体学习效果不佳。
因此,本研究主要探讨了这一类型的AR-AIoT学习对计算思维技能训练的影响,并介绍了基于AR技术的AIoT教学方法,以探讨其对AIoT课程学习效果和计算思维能力表现的影响。通过AR空间设计的概念,旨在培养对编程结构的理解,拓展科学教育领域的数据,从而为学生的基础科学知识和不同编程组件结构的理解打下基础。学生们利用AR在不同领域的应用,将物联网传感模块放置在实际应用领域内,使他们能够思考和规划适合特定领域的项目设计。本研究逐步引入相关的AR模块设计,将计算思维教学方法融入到AIoT课程中,分析AR模块对学生学习意向和计算思维能力的影响。最后,基于相关的数据测量对本研究进行了讨论和阐述。
l 计算思维:计算思维最早出现在1980年,当时西摩·帕普特(Seymour Papert)提出对计算机进行更深入的思考,并建议将计算机带来的变化纳入儿童的学习和自我表达中。计算思维的概念在1993年再次被提及(Papert,1980,1993);然而,直到2006年周以真定义了这个概念并将其应用于解决问题时,它才受到更多的关注。在后来的研究中,周以真呼吁所有教育研究领域强调计算思维作为K-12教育的核心技能,并开发计算思维教学法。计算思维能力可分为以下四类:分解、模式识别、模式概括与抽象、算法设计。从那时起,计算思维已经吸引了越来越多的教育工作者和教育研究人员的注意,并被认为是一种使学生掌握基本的解决问题的技能。在K-12教育中,学生的计算思维能力主要通过编程培训培养。计算思维可以帮助学生获得更高层次的思维过程,如问题分解和创新思维。通过不同的课程,计算思维教学可以培养数学、机器人和音乐等各个领域的技能,甚至可以将当前的物联网应用与AI技术学习相结合。许多研究还开发了支持计算思维学习的相关技术工具,如增强现实(AR)技术、虚拟现实(VR)技术,甚至机器人辅助设备。
l AR技术:
AR的核心概念是拓展现实领域。通过引入虚拟信息和虚拟对象,AR可以增强对相关信息技术的理解或增强对给定对象的理解。
在教育领域,信息技术的进步促进了传统的面对面教学向计算机辅助教学的转变,AR被广泛应用于帮助学生学习科学概念,特别是AR可以有效地提高理解能力,建立学习自信。因此,使用AR作为教学工具可以帮助学生进行科学探索,并提供相对独特的教育效益。在AR中,虚拟场景与真实场景的交互可以促进学生对信息的交互探索。因此,它在涉及空间能力、实践技能、概念理解和科学探究与学习的科学、技术、工程和数学(STEM)领域特别有用。
l 研究模型:本研究旨在探讨应用AR-IoT技术,学生在AIoT课程中的计算思维能力表现。研究模型如下图所示。
本研究参考并修改了技术接受模型,以调查学生使用AR物联网应用的意愿。技术接受模型以理性行为理论为基础,继承了理性行为的本质。它假设信念感知影响态度,而态度反过来又影响行为意图;行为意图对系统使用有显著的正向影响。技术接受模型提出了影响信息系统用户接受的两个因素,即感知有用性和感知易用性。这两个认知因素被认为与用户对绩效和努力的评价相对应。技术接受模型可以帮助我们探索影响系统使用的因素。感知有用性和感知易用性都受到外部变量的影响,即与系统或教学模式相关的因素。此外,本研究还介绍了学生对物联网和AR的先验知识,考察了AR认知负荷对使用意向的影响,并探讨了这些因素是否会影响计算思维能力。
l AIoT AR应用程序设计:
本研究的主要目的是设计一个AIoT-AR应用程序,并将其引入AIoT教学环境中,使学生在面对复杂的AIoT情境时,能够获得多样化的知识和思维方式,从而培养学生的计算思维能力。首先,本研究使用Unity程序并参考物联网传感器模块套件,创建了总共37个物联网传感器模块,如图所示。
为了确保AIoT AR模块能够覆盖在应用场景上,ARCore主要用于初步构建。ARCore是谷歌推出的AR开发平台;它包括一套新的应用程序编程接口(API)和框架。它结合了摄像机、惯性测量单元(IMU)、三维加速度计和陀螺仪来获取特征点和点云数据,以便在不同的视野中跟踪某些点,并尝试在现实中识别它们的位置。在获得用户的位置后,同时定位和映射(SLAM)被合并以帮助ARCore定位用户(设备)并识别用户周围的对象。一旦定位完成,将每一帧与摄影图像中的前一帧进行比较以识别相似点,从而确定用户的相对距离和位移距离,从而确保设备的定位位置在运动中保持相对距离。AR模块作为一个整体可以导入到应用程序中,如下图所示。
在AIoT课程中使用AR提供了一种新颖的学习和思考方式。学生不仅可以看到传感器的三维图像,还可以尝试在实际场景中通过三维AR传感器进行规划和部署。与传统的纸笔或幻灯片思维方式相比,AR可以帮助学生更容易地思考问题的解决办法,提高AIoT课程的实践实施。
l 实验设计:
在这项研究中,参加AIoT应用实践课程的学生被招募为参与者。课程计划如图所示:
18周课程的第1周介绍了AIoT和学习目标。学生们参加了一个关于AIoT和AR的先验知识测试来评估他们先前的能力。第2-4周介绍了传感器组件、物联网Arduino编码和AR应用操作方法。在第5-13周,学生被分成三组进行计算思维训练。每个小组都使用固定传感器进行各种应用。基于对学生场景可访问性的考虑,选定的应用包括智能农业、智能家庭、智能校园、智能照明和智能交通。每个训练周期为3周。在每个训练周期的第一阶段,要求学生研究实际应用环境中的问题,在AR应用的背景下思考问题,选择合适的AR传感器模块进行布局设计。在第二周,学生们被要求根据AR设计计划思考每个传感器所需的算法和编码。在第三周,每组被要求提交他们的报告。作为我们研究目标的一部分,AR模块被用于教授AIoT课程,以培养四个类别的计算思维能力。
在课程的最后几周,每个学生都使用传感器独立解决相关问题。学期结束时,邀请了内部和外部评审员进行项目评审。每个项目的最终陈述都由一位顾问和两位专业的行业专家进行评审。评估标准基于计算思维能力,包括算法思维、创造力、逻辑思维和解决问题的能力。总分被用作学生个人学习反馈和动机的指标。分数越高,学习动机越强,反之亦然。
l 实验分析:实验共邀请两个班级的96名物联网学生参加。共有91名学生完成了课程,并在学期末填写了调查问卷。
由于参与人数较少,采用偏最小二乘结构方程模型(PLS-SEM)对数据进行分析。本研究的样本量是基于10倍规则,该规则提出调查9个指标需要90个样本。
利用SmartPLS对调查的相关数据进行分析。
分析结果如表所示:
| Cronbach’s alpha | rho_A | CR | AVE |
PK | 0.713 | 0.724 | 0.682 | 0.624 |
PU | 0.814 | 0.805 | 0.812 | 0.614 |
PE | 0.751 | 0.812 | 0.802 | 0.754 |
CL | 0.702 | 0.713 | 0.681 | 0.620 |
BI | 0.852 | 0.852 | 0.715 | 0.574 |
AT | 0.913 | 0.892 | 0.845 | 0.752 |
CR | 0.721 | 0.745 | 0.785 | 0.542 |
LT | 0.851 | 0.881 | 0.892 | 0.621 |
PS | 0.749 | 0.785 | 0.712 | 0.672 |
所有项目的克隆巴赫系数和rho_a>0.7;先验知识和认知负荷的综合信度(CR)略小于0.7,但仍在可接受的范围内。所有项目的平均方差(AVE)均>0.5,满足变量方差收敛有效性的标准。
使用异质性-单质比率(HTMT)评估每个结构的判别效度。所有结构均满足相关判别效度的要求,为<0.9。
PK | PU | PE | CL | BI | AT | CR | LT | PS | |
PK |
|
|
|
|
|
|
|
|
|
PU | 0.8 |
|
|
|
|
|
|
|
|
PE | 0.5 | 0.6 |
|
|
|
|
|
|
|
CL | 0.6 | 0.4 | 0.5 |
|
|
|
|
|
|
BI | 0.6 | 0.5 | 0.4 | 0.7 |
|
|
|
|
|
AT | 0.7 | 0.8 | 0.3 | 0.6 | 0.5 |
|
|
|
|
CR | 0.6 | 0.8 | 0.7 | 0.8 | 0.4 | 0.5 |
|
|
|
LT | 0.5 | 0.7 | 0.3 | 0.4 | 0.4 | 0.7 | 0.6 |
|
|
PS | 0.5 | 0.6 | 0.8 | 0.6 | 0.6 | 0.6 | 0.5 | 0.6 |
|
总体结构图如下图所示。
根据结构方程,学生使用AR AIoT应用程序的意图受到感知有用性和感知易用性的影响。总体r2值为0.105,但总体效应较小,不受技术认知负荷的影响。
此外,学生的意图对其创造力、逻辑思维和解决问题的能力表现也有相应的影响。因此,研究结果显示,在课程中引入AR-AIoT有显著的影响。
l 讨论:本研究尝试在一门AIoT课程中,整合AR应用与计算思维能力,以帮助学生培养解决问题的能力及忽略创造力。本研究模式主要探讨在不同的先验知识和认知负荷情境下,AIoT学习对学生认知、使用意图和计算思维技能的影响。根据我们的研究结果得出以下结论:
1.提出的AIoT学习影响计算思维表现。
根据分析结果,本研究设计的AR-AIoT应用程序的引入,在创造力、逻辑思维和问题解决方面对计算思维胜任力绩效产生了影响。这表明,与让学生在常规课堂环境中思考问题相比,AR-AIoT应用程序允许学生了解实际场景中的问题,并通过放置AR传感器进一步完善整体应用程序规划。先验知识主要探讨学生在不同程度上对AR总体使用意向的影响。感知易用性主要考察学生是否易于使用AR应用程序,其主要影响因素是在没有先验知识的情况下设计AR应用程序。然而,先验知识只与认知有用性有关,而与认知负荷和学习动机无关。根据详细访谈的结果,部分学生认为自己主要影响的是应用的易用性,而本次应用会不断修改用户界面,提高使用意图
2.AR应用对培养学生计算思维技能的算法思维没有影响。
在计算思维能力中,算法思维主要与编程和算法选择技能相对应。
相比之下,AR应用虽然可以帮助学生理解问题,但在现阶段,仍然有必要使用计算机编程进行课程编码练习。因此,在这方面的应用并不能提高学生编程技能或算法练习的有效性。
3.技术认知负荷对学生的影响不大
在本研究中,最初假设科学技术的认知负荷可能会影响学生的使用意向和学习结果。
然而,根据实验结果,没有发现使用意向的影响。对计算思维能力的影响仅限于对创造力的负面影响。因此,可以推测,在现阶段,本研究主要测试来自信息学科的参与者,他们具有一定的先验知识和对AR应用的熟悉程度;因此,这一因素的影响并不显著