林淼焱 謝作如 浙江省溫州科技高級中學(xué)

● 引言

《義務(wù)教育勞動課程標(biāo)準(zhǔn)（2022年版）》（以下簡稱“課標(biāo)”）[1]指出：“勞動教育是發(fā)揮勞動的育人功能，對學(xué)生進行熱愛勞動、熱愛勞動人民的教育活動?！敝行W(xué)勞動教育，重在對學(xué)生知情意行的全方面培養(yǎng)，增強學(xué)生的綜合勞動素養(yǎng)。為了達成這一目標(biāo)，勞動課程被劃為三類主要模塊供實際教學(xué)選用:以烹飪、衛(wèi)生、收納為主的“日常生活勞動”；涵蓋農(nóng)業(yè)、工藝、工業(yè)技術(shù)的“生產(chǎn)勞動”；社會實踐性較強的“服務(wù)性勞動”。人工智能對勞動教育的影響主要體現(xiàn)在對技能需求的變化、教育方式的變革、更真實的學(xué)習(xí)體驗等方面。

● 中小學(xué)勞動教育和人工智能教育的現(xiàn)狀

中小學(xué)開展勞動教育的情況會因地區(qū)、學(xué)校和具體課程設(shè)置而異。在具體實施上，一些學(xué)?？赡軙袑ｉT的勞動教育課程或活動，如種植園地、手工制作等。由于各地區(qū)的人工智能教育起步基礎(chǔ)不同，目前較少在勞動教育實施的過程中看到人工智能工具的出現(xiàn)。但在部分地區(qū)，有研究者已經(jīng)利用虛擬場景技術(shù)，提供沉浸式的勞動體驗和虛實結(jié)合的勞動場景，讓學(xué)生在虛擬場景中觀察和操作，規(guī)避實際環(huán)境中的風(fēng)險，并提供工具的仿真操作，達到“虛實結(jié)合”的案例。[2]

● 人工智能融入勞動教育

作為一門交叉學(xué)科，人工智能可以利用機器學(xué)習(xí)對某類數(shù)據(jù)進行預(yù)測，也可以是對圖像進行分類，還可以是構(gòu)造一個“無所不知”的農(nóng)業(yè)專家，進而增加勞動課程的趣味性與知識性。例如，依據(jù)不同模型與目的，人工智能在勞動教育中存在典型的應(yīng)用：若需要預(yù)測離散值如“果物的類別是‘好果壞果’”，可以將這類任務(wù)稱為“分類”，若是要預(yù)測連續(xù)值如“西瓜的成熟程度為‘0.7’”，則此類任務(wù)可以被稱為“回歸”；當(dāng)使用深度神經(jīng)網(wǎng)絡(luò)模型學(xué)習(xí)數(shù)據(jù)的特征時，就可以稱這種機器學(xué)習(xí)為“深度學(xué)習(xí)”。

1.回歸預(yù)測：農(nóng)業(yè)監(jiān)控系統(tǒng)

課標(biāo)對各個學(xué)段給出了不同要求，為體現(xiàn)種植活動的重要性，其中第二、三學(xué)段（3～4、5～6年級）都指出“初步體驗”“進一步體驗簡單的種植、養(yǎng)殖、手工等生產(chǎn)勞動，根據(jù)勞動任務(wù)選擇合適的材料和工具”。要想保證作物健康生長，就需要對其進行適當(dāng)?shù)挠^測，各類教材常使用基于傳感器和無線通信技術(shù)的智能農(nóng)業(yè)監(jiān)控系統(tǒng)完成這一目標(biāo)，系統(tǒng)會監(jiān)測土壤濕度、溫度、光照等參數(shù)，并根據(jù)這些參數(shù)自動調(diào)整灌溉和施肥方案。

然而，當(dāng)教師將上述系統(tǒng)搬到實際生活中時會發(fā)現(xiàn)，植物適應(yīng)的溫濕度往往不會是固定值，也無法用一個固定的數(shù)值序列預(yù)測，而應(yīng)根據(jù)植物的生長狀況進行自適應(yīng)的調(diào)節(jié)。

例如，筆者設(shè)計了一個物聯(lián)網(wǎng)科學(xué)探究活動，并對其進行了延時觀測。在同一個花盆內(nèi)種植有兩株性質(zhì)相差較大的植物，一株是喜歡溫暖干燥的環(huán)境的多肉植物，一株是對水分需求較大的葉下珠屬草本植物。兩株植物在相同光照、相同濕度的情況下展現(xiàn)出了完全不同的生長特性。在實施過程中，系統(tǒng)可以利用傳感器收集到土壤濕度、溫度、光照等關(guān)鍵數(shù)據(jù)，將這些數(shù)據(jù)輸入到一個回歸模型中，然后進行分析。在Python中調(diào)用sklearn庫中的線性回歸函數(shù)Linear Regression對植物的濕度變化情況進行預(yù)測，學(xué)生會發(fā)現(xiàn)，植物的濕度是在一定范圍內(nèi)浮動的，如果利用非線性函數(shù)，則能夠更好地擬合出其波動情況，如圖1所示。

圖1 利用線性函數(shù)對濕度值進行回歸預(yù)測

依據(jù)圖1，學(xué)生就知道可以將花盆的濕度閾值設(shè)置在671這一濕度水平，低于該值時調(diào)用電磁閥或繼電器澆水。但如要對草本植物的生長進行精細(xì)化控制，那么日間與夜間、冬季與夏季均需要有合理的閾值預(yù)測模型。于是，在實際植物種植和監(jiān)測活動中，學(xué)生觀察、記錄和分析數(shù)據(jù)，從而理解植物生長與環(huán)境因素之間的關(guān)系。在解決實際問題的過程中，學(xué)生思考如何根據(jù)植物的具體需求來設(shè)定適宜的溫濕度閾值，并通過實踐驗證其效果。

2.深度學(xué)習(xí)分類：植物病蟲害預(yù)警

在勞動課程實施過程中，教師要有意識引導(dǎo)學(xué)生關(guān)注植物生長中存在的問題。傳統(tǒng)的植物病蟲害預(yù)警主要依賴于人工監(jiān)測和專家經(jīng)驗，這種方法不僅效率低下，而且容易出現(xiàn)漏報或誤報的情況。而深度學(xué)習(xí)可以自動從大量的圖像數(shù)據(jù)中提取出有用的特征，從而實現(xiàn)對植物病蟲害的快速、準(zhǔn)確識別，大大提高了預(yù)警效率。

（1）圖片識別：從葉片長勢判斷病理病因

教師可以先利用深度學(xué)習(xí)對圖片進行分類，訓(xùn)練出一個能夠檢測植物健康狀況的模型的一般流程，如圖2所示。

圖2 機器學(xué)習(xí)的一般流程

針對植物的不同生長狀態(tài)，引導(dǎo)學(xué)生收集數(shù)據(jù)。如果種植的作物較為常見，那么可以嘗試在kaggle、天池、opendatalab、heywhale等數(shù)據(jù)集網(wǎng)站上尋找相關(guān)數(shù)據(jù)。在模型的訓(xùn)練與推理過程中，教師可以利用XEdu工具以最少量的代碼（如下頁圖3），實現(xiàn)較為完備的功能。

圖3 核心代碼

在訓(xùn)練出針對某種作物的健康檢測模型后，引導(dǎo)學(xué)生考慮如何將其應(yīng)用到實際場景中，畢竟無法做到為每棵樹都安裝一個攝像頭。為了獲取每株作物的照片，教師提出可以采取從俯拍農(nóng)場的大景物中分割出具體植物、利用無人車或無人機移動檢測等方案，獲取符合模型輸入規(guī)范的圖像數(shù)據(jù)。

（2）目標(biāo)識別：蟲害精準(zhǔn)驅(qū)殺

相較于作物葉片的變化，蟲害更加不易察覺。在這一方面，僅靠圖像分類無法從作物上找到害蟲或受到影響的作物，這時就需要學(xué)生自行收集數(shù)據(jù)，再將數(shù)據(jù)制作為能夠用于目標(biāo)檢測的數(shù)據(jù)集。

XEdu工具能夠快速地完成分類任務(wù)，則目標(biāo)檢測任務(wù)僅需再多一步數(shù)據(jù)集標(biāo)注的工作（如下頁圖4），進而完成目標(biāo)檢測模型的訓(xùn)練，再依據(jù)目標(biāo)檢測確定蟲害的嚴(yán)重程度，對癥下藥。

圖4 利用數(shù)據(jù)標(biāo)注工具生成coco格式數(shù)據(jù)集

3.大語言模型：助力常識推理與知識歸納

隨著各類GPT的開源與開放API接口，越來越多的個性化大模型出現(xiàn)。除了調(diào)用訓(xùn)練原有的模型，教師自己可以構(gòu)建“農(nóng)業(yè)大模型”。在文本問答領(lǐng)域，常見的開源大語言模型框架有InternLM、Llama、ChatGLM等，要想讓大語言模型能夠回答特定領(lǐng)域的問題，教師可以將上述框架作為基底進行微調(diào)，也就是使用領(lǐng)域內(nèi)的數(shù)據(jù)集進行訓(xùn)練。這一過程被稱為檢索增強生成（RAG，Retrieval Augmented Generation）。在大模型中，數(shù)據(jù)都是以多維向量的形式存在的，RAG的本質(zhì)就是在獲取用戶的問題向量后，在向量數(shù)據(jù)庫中搜索與之最相似的向量，并將這兩個內(nèi)容一起提供給擁有基礎(chǔ)問答功能的大模型?？傊瑒趧咏逃哂懈鼜姷膶嵺`性和體驗性，更注重培養(yǎng)學(xué)生的實際操作能力、團隊合作精神及公共服務(wù)意識等。如果能在教學(xué)中恰當(dāng)?shù)匾氪笳Z言模型，不僅能避免課堂拘泥于特定知識點，還能拓寬學(xué)生思路。

● 結(jié)語

人工智能走入中小學(xué)已是不可阻擋的趨勢，將人工智能與勞動教育融合能為學(xué)生提供更加豐富、多元的學(xué)習(xí)資源和體驗，幫助他們更好地掌握勞動技能和知識，進而在與作物真實交互的過程中培養(yǎng)正確的勞動觀念和態(tài)度。