摘要：在信息科技新課程的教學中，真實性學習扮演著至關(guān)重要的角色。本文基于真實性學習的基本意涵，以“探索人工智能之神經(jīng)網(wǎng)絡(luò)”為例，分析、探討其實踐路徑，以期為信息科技教學提供新的視角和方法。關(guān)鍵詞：真實性學習；信息科技；教學策略；人工智能；神經(jīng)網(wǎng)絡(luò)真實性學習的基本意涵著名學者多諾萬、布蘭斯福德和佩萊格里諾將真實學習定義為：允許學生在涉及真實世界的、與學習者關(guān)聯(lián)的問題和項目的情境脈絡(luò)中進行探索、討論和有意義地建構(gòu)概念和關(guān)系。[1]實際上，真實性學習除了具有認知的價值，相對于傳統(tǒng)課堂學習而言，它還強調(diào)學習者的身份構(gòu)建。[2]在真實性學習中，學習者有機會參與及體驗專家的工作與認知旅程，通過理解學科內(nèi)在的認識論與知識結(jié)構(gòu)，同時也在實踐共同體的話語、價值觀、規(guī)范及社會關(guān)系的互動中發(fā)生著從實踐共同體的邊緣參與者向核心成員逐漸過渡的身份構(gòu)建。[3]真實性學習是一種強調(diào)在真實情境中解決真實問題的學習方式，它要求學生置身于真實或模擬的情境中，通過參與實踐活動、解決真實問題來獲取知識、發(fā)展能力。在真實性學習中，學生不再是被動接受知識的容器，而是主動探究、積極構(gòu)建的主體。教師則扮演著引導者和支持者的角色，為學生提供必要的資源和指導。真實性學習的教學策略筆者針對“探索人工智能之神經(jīng)網(wǎng)絡(luò)”這一教學主題，設(shè)計了以下五個步驟的教學策略，旨在讓學生在真實情境中主動探索、實踐應用，進而深入理解神經(jīng)網(wǎng)絡(luò)的基本原理和應用價值。1.創(chuàng)設(shè)情境，聚焦問題為了引導學生進入真實的學習情境，筆者設(shè)計了一系列與神經(jīng)網(wǎng)絡(luò)相關(guān)的現(xiàn)實問題或挑戰(zhàn)，通過展示這些問題的實際應用場景，激發(fā)學生的學習興趣和探究欲望。同時，引導學生思考這些問題背后的技術(shù)原理——神經(jīng)網(wǎng)絡(luò)，從而明確學習目標和方向。案例：請同學們觀看視頻，觀看結(jié)束后回答兩個問題——①在這個視頻中，有一位顧客被推薦衣服，請問視頻中推薦衣服的方式與你們在現(xiàn)實生活中遇到的推薦方式有區(qū)別嗎？②如果有區(qū)別，請問有什么區(qū)別？2.活動體驗，總結(jié)過程在明確學習目標和方向后，教師組織學生進行活動體驗，如體驗“分辨馬和驢”的游戲。在體驗過程中鼓勵學生嘗試總結(jié)自己分辨事物的規(guī)律和步驟，以便更深入地理解神經(jīng)網(wǎng)絡(luò)的建模流程。案例：按序播放24張圖片，在播放第一張圖片時，讓1號同學回答是馬還是驢，回答后教師給出答案，繼續(xù)播放第二張圖片，讓2號學生回答第二張圖片是馬還是驢，2號學生回答后教師給出第二張圖片的答案，以此類推。組織學生進行討論、交流，歸納人腦學習分類的過程，進而引出神經(jīng)網(wǎng)絡(luò)模型的建模流程（如下圖）類似于人腦學習分類的過程：首先，需要采集大量的數(shù)據(jù)；其次，搭建神經(jīng)網(wǎng)絡(luò)模型架構(gòu)；再次，將采集的大量數(shù)據(jù)輸入到神經(jīng)網(wǎng)絡(luò)模型中；最后，訓練該模型，當模型的精確度達到預期時，則可以使用該模型預測未知數(shù)據(jù)。通過具象的游戲，讓學生歸納總結(jié)人腦學習分類的大致流程，為后續(xù)學習神經(jīng)網(wǎng)絡(luò)的建模流程做鋪墊。3.遷移提煉，揭秘原理在游戲活動體驗的基礎(chǔ)上，教師引導學生對總結(jié)的規(guī)律和步驟進行遷移和提煉。通過對比分析人類和計算機分類事物的共性和差異，引導學生發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)的建模流程。同時，利用可視化工具和技術(shù)手段，幫助學生直觀地理解神經(jīng)網(wǎng)絡(luò)的內(nèi)部結(jié)構(gòu)和運行機制。這樣不僅可以加深學生對神經(jīng)網(wǎng)絡(luò)原理的理解，還可以提高他們的邏輯思維和抽象能力。案例：神經(jīng)網(wǎng)絡(luò)模型是一種模擬人類大腦工作方式的數(shù)學模型，它是人工智能領(lǐng)域中最重要的技術(shù)之一。神經(jīng)網(wǎng)絡(luò)模型由許多被稱為神經(jīng)元的單元組成，這些神經(jīng)元之間通過連接進行信息傳遞。每個神經(jīng)元都有許多輸入，它們來自其他神經(jīng)元。神經(jīng)元將這些輸入加權(quán)求和，并通過一個激活函數(shù)進行處理，產(chǎn)生一個輸出。這個輸出會傳遞給其他神經(jīng)元，從而形成一個網(wǎng)絡(luò)。在訓練過程中，神經(jīng)網(wǎng)絡(luò)根據(jù)輸入的已知數(shù)據(jù)和對應的正確答案，通過不斷調(diào)整連接的權(quán)重值和節(jié)點的偏置值來學習正確的映射關(guān)系。通過反復迭代這個過程，神經(jīng)網(wǎng)絡(luò)可以逐漸優(yōu)化自己，提高對未知數(shù)據(jù)的預測能力。神經(jīng)網(wǎng)絡(luò)模型有很多種不同的結(jié)構(gòu)和類型，如前饋神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)等。每種類型的神經(jīng)網(wǎng)絡(luò)都有其特定的應用場景和優(yōu)勢，如卷積神經(jīng)網(wǎng)絡(luò)在圖像識別中表現(xiàn)出色，而循環(huán)神經(jīng)網(wǎng)絡(luò)則擅長處理序列數(shù)據(jù)。信息科技學科主要以簡單的前饋全連接神經(jīng)網(wǎng)絡(luò)為例展開教學。4.實踐分析，優(yōu)化策略在揭示了神經(jīng)網(wǎng)絡(luò)的基本原理后，教師引導學生嘗試體驗神經(jīng)網(wǎng)絡(luò)的運行效果，并進行深入分析。通過分析運行結(jié)果，引導學生思考如何改進和優(yōu)化神經(jīng)網(wǎng)絡(luò)的性能和應用效果。同時，鼓勵學生嘗試不同的優(yōu)化策略和技巧，如調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)、預處理訓練數(shù)據(jù)集等，以便更深入地掌握神經(jīng)網(wǎng)絡(luò)的優(yōu)化方法和技巧。案例：借用平臺為學生搭建項目，并提供神經(jīng)網(wǎng)絡(luò)模型訓練過程、使用模型預測未知數(shù)據(jù)的代碼。引導學生結(jié)合神經(jīng)網(wǎng)絡(luò)模型的基本架構(gòu)、計算原理等知識點，體驗神經(jīng)網(wǎng)絡(luò)模型的代碼實現(xiàn)過程，并感受神經(jīng)網(wǎng)絡(luò)模型的應用潛力。首先，通過實際運行代碼體驗神經(jīng)網(wǎng)絡(luò)模型的建模流程，學生可以深入理解人工智能技術(shù)的原理和應用。神經(jīng)網(wǎng)絡(luò)模型是人工智能領(lǐng)域的核心技術(shù)之一，其訓練過程涉及大量的數(shù)學運算和算法實現(xiàn)。通過親自運行和調(diào)試代碼，學生可以深入了解神經(jīng)網(wǎng)絡(luò)模型的工作原理，加深對人工智能技術(shù)的理解。其次，通過實際運行代碼體驗神經(jīng)網(wǎng)絡(luò)模型的預測過程，學生可以掌握人工智能技術(shù)的實際應用，提高解決問題的能力。通過實際體驗模型的預測過程，學生可以了解人工智能技術(shù)在實際生活中的應用場景和效果，培養(yǎng)解決問題的能力和創(chuàng)新思維。在運行代碼的過程中，有的學生訓練出來的模型精確度相對較低，十張圖片中分類正確的只有一張，教師可引導學生思考是否有辦法提高神經(jīng)網(wǎng)絡(luò)模型的分辨正確率，并根據(jù)學生的回答總結(jié)出神經(jīng)網(wǎng)絡(luò)模型精確度的優(yōu)化策略之一，即增加數(shù)據(jù)量，進而引入增加數(shù)據(jù)量的相關(guān)技術(shù)。還有的學生回答可以將圖片中的無關(guān)要素刪除，只關(guān)注少部分像素即可進行分辨。教師提煉總結(jié)出提高神經(jīng)網(wǎng)絡(luò)模型精確度的另一個優(yōu)化策略是對圖片進行預處理，如裁剪等。在學生體驗的過程中，教師還發(fā)現(xiàn)有學生對神經(jīng)網(wǎng)絡(luò)模型的架構(gòu)進行了調(diào)整，如將激活函數(shù)由ReLU修改為Sigmoid，這也是提高神經(jīng)網(wǎng)絡(luò)模型精確度的優(yōu)化策略之一。除了可以修改激活函數(shù)，還可以修改層數(shù)、每層的神經(jīng)元個數(shù)等。了解提高神經(jīng)網(wǎng)絡(luò)模型精確度的優(yōu)化策略可以幫助學生深入理解人工智能技術(shù)的原理和應用。精確度優(yōu)化策略涉及多個方面，如數(shù)據(jù)預處理、網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計、超參數(shù)調(diào)優(yōu)等。在實際應用中，神經(jīng)網(wǎng)絡(luò)模型的精確度影響著模型的實際效果和應用效果。通過了解和掌握精確度優(yōu)化策略，學生可以有效提高模型的預測準確率，在解決實際問題的過程中，提高解決問題的能力和創(chuàng)新思維。5.拓展交流，歸納總結(jié)學生通過分享各自的學習成果和經(jīng)驗教訓、討論神經(jīng)網(wǎng)絡(luò)的前沿技術(shù)和發(fā)展趨勢等拓寬了視野，深化了理解，同時，通過梳理所學的知識點和技巧方法，形成系統(tǒng)的知識體系和技能框架。這樣的方式不僅可以鞏固學