Следуя тенденции визуальных языков для внедрения алгоритмов и программирования в K-12, в этой статье мы представляем десятилетнее систематическое отображение появляющихся визуальных инструментов, которые поддерживают обучение машинному обучению на этом образовательном этапе, и анализируем инструменты, касающиеся их образовательных характеристик. , поддержка разработки моделей машинного обучения, а также их развертывания и способов разработки и оценки инструментов.
В результате мы обнаружили 16 инструментов, в том числе:
- блочные среды, такие как eCraft2learn или DeepScratch,
- среды на основе рабочих процессов, такие как Google Teachable Machine, LearningML или Personal Image Classifier,
- среды потока данных, такие как Orange или RapidMiner.
Инструменты в основном поддерживают интерактивную разработку моделей машинного обучения для задач распознавания изображений с использованием контролируемого обучения, охватывающего основные этапы процесса машинного обучения. Будучи интегрированными в популярные блочные языки программирования (в первую очередь, Scratch и App Inventor, а также SNAP!), Они также поддерживают развертывание созданных моделей машинного обучения как часть игр или мобильных приложений.
Полученные данные показывают, что эти инструменты могут эффективно использовать понимание учащимися машинного обучения, однако необходимы дальнейшие исследования в отношении разработки инструментов, касающихся образовательных аспектов, чтобы лучше направлять их эффективное внедрение в школах и их усовершенствование для более полной поддержки процесса обучения.
Полная статья доступна в Интернете: Кристиан Гресс фон Вангенхайм, Жан К. Р. Хаук, Фернандо С. Пачеко, Матеус Ф. Бертонсели Буэно. Визуальные инструменты для обучения машинному обучению в K-12: 10-летнее систематическое картографирование, Образование и информационные технологии, 2021.
Статья является результатом исследования, проведенного по инициативе Computação na Escola / INCoD / INE / UFSC и PET / INE / UFSC в сотрудничестве с IFSC / Флорианополис.