Wissenschaft-KI-Konvergenz: Block-Codierung für die Physikdidaktik

Die Integration von Künstlicher Intelligenz (KI) in die Bildung nimmt rasant zu, angetrieben durch die Notwendigkeit, Studierenden Fähigkeiten zur Lösung realer Probleme mit interdisziplinären Ansätzen zu vermitteln. Dieser Artikel untersucht die Entwicklung und Anwendung eines Kurses zur Wissenschaft-KI-Konvergenz, der Block-Codierung nutzt, um das Verständnis der Schüler für physikalische Konzepte, insbesondere die Bewegung eines gedämpften Pendels, zu verbessern. Durch die Verwendung der KNIME-Plattform können Schüler KI-Modelle erstellen, um die Position des Pendels vorherzusagen, und so ein tieferes Verständnis sowohl für Physik- als auch für KI-Prinzipien fördern. Dieser Ansatz zielt darauf ab, KI für High-School-Schüler zugänglicher zu machen und ihnen zu ermöglichen, sich auf innovative und ansprechende Weise mit komplexen wissenschaftlichen Konzepten auseinanderzusetzen.

Der überarbeitete naturwissenschaftliche Lehrplan von 2022 betont die Bedeutung von KI-integrierten Erkundungsaktivitäten, um die Fähigkeit der Schüler zu fördern, wissenschaftliche Probleme im Alltag und in der Gesellschaft auf der Grundlage konvergenter Denkweise zu lösen. Die Integration von KI in die naturwissenschaftliche Bildung ermöglicht die Anwendung moderner wissenschaftlicher Praktiken im Lehrplan. Frühere Forschungsarbeiten haben datengesteuerte Konvergenzkurse mit Programmiersprachen wie Python zur Erstellung von neuronalen Netzwerkmodellen untersucht. Diese Ansätze erfordern jedoch oft ein tiefes Verständnis der Codierung, was für viele Schüler eine Hürde darstellen kann. Dieser Artikel befasst sich mit dieser Herausforderung, indem er KNIME, eine Block-Codierungsplattform, verwendet, die den Prozess der Erstellung und Analyse von KI-Modellen vereinfacht und ihn für Schüler mit begrenzten Codierungskenntnissen zugänglicher macht.

Das Programm zur Wissenschaft-KI-Konvergenz wurde rund um das Konzept eines gedämpften Pendels, einem grundlegenden Thema der Physik, entwickelt. Das Programm umfasst mehrere wichtige Schritte: (1) Auswahl des gedämpften Pendels als Erkundungsthema; (2) Analyse von Erkundungsaktivitäten zur Pendelbewegung in Lehrbüchern; (3) Erstellung eines Datensatzes durch Sammlung von Positions- und Geschwindigkeitsdaten des Pendels mit der Tracker-Software; (4) Erstellung eines KI-Modells mit KNIME zur Vorhersage der Pendelposition; (5) Bewertung der Vorhersageergebnisse des Modells. Dieser strukturierte Ansatz ermöglicht es den Schülern, die zugrunde liegenden physikalischen Prinzipien zu verstehen und sich gleichzeitig mit KI-Technologie auseinanderzusetzen.

Der Kurs zur Wissenschaft-KI-Konvergenz wurde mit High-School-Schülern durchgeführt und ihre Erfahrungen wurden durch Tiefeninterviews analysiert. Die Ergebnisse hoben mehrere Schlüsselthemen hervor, darunter die Motivation der Schüler zur Teilnahme, ihre Erfahrungen und Veränderungen im Verständnis sowie die Herausforderungen und Einschränkungen, denen sie begegneten. Die Schüler berichteten von gesteigertem Engagement und einem tieferen Verständnis sowohl für Physik- als auch für KI-Konzepte. Einige Schüler empfanden jedoch die anfängliche Lernkurve von KNIME als herausfordernd und benötigten zusätzliche Unterstützung und Anleitung. Insgesamt war das Programm erfolgreich darin, eine positive Lernerfahrung zu fördern und interdisziplinäres Denken zu fördern.

Die Ergebnisse dieser Studie haben erhebliche Auswirkungen auf die Entwicklung und Implementierung von Programmen zur Wissenschaft-KI-Konvergenz. Die Verwendung von Block-Codierungsplattformen wie KNIME kann die Einstiegshürde für Schüler mit begrenzten Codierungskenntnissen senken und KI zugänglicher und ansprechender machen. Der strukturierte Ansatz zur Datenerfassung, Modellbildung und -bewertung bietet den Schülern einen klaren Rahmen. Darüber hinaus verbessern die Integration von realen Daten und praktischen Aktivitäten das Verständnis der Schüler sowohl für Physik- als auch für KI-Prinzipien. Die Studie unterstreicht auch die Bedeutung der Bereitstellung angemessener Unterstützung und Anleitung für die Schüler, während sie die Herausforderungen des Erlernens neuer Technologien meistern.

Diese Forschung zeigt das Potenzial von Programmen zur Wissenschaft-KI-Konvergenz zur Verbesserung des Verständnisses der Schüler für physikalische Konzepte und zur Förderung des interdisziplinären Denkens. Durch die Verwendung von Block-Codierungsplattformen wie KNIME können Schüler KI-Modelle erstellen, um die Bewegung eines gedämpften Pendels vorherzusagen, und so ein tieferes Verständnis sowohl für Physik- als auch für KI-Prinzipien fördern. Basierend auf den Ergebnissen dieser Studie können mehrere Empfehlungen für zukünftige Forschung und Praxis gegeben werden: (1) Weiterentwicklung und Verfeinerung von Programmen zur Wissenschaft-KI-Konvergenz, die reale Daten und praktische Aktivitäten integrieren; (2) Bereitstellung angemessener Unterstützung und Anleitung für die Schüler, während sie die Herausforderungen des Erlernens neuer Technologien meistern; (3) Erforschung der Verwendung anderer Block-Codierungsplattformen und KI-Tools zur Verbesserung der Lernerfahrung; (4) Durchführung weiterer Forschung zur Bewertung der langfristigen Auswirkungen von Programmen zur Wissenschaft-KI-Konvergenz auf die akademische Leistung und die Karrierewünsche der Schüler.

KNIME (Konstanz Information Miner) ist eine Open-Source-Software, die häufig für die Datenintegration, -verarbeitung und -analyse verwendet wird und maschinelles Lernen ohne umfangreiche Codierungskenntnisse ermöglicht. Seine grafische Benutzeroberfläche (GUI) ermöglicht es Benutzern, verschiedene Knoten zu verbinden, um Datenanalyse- und KI-Modelle zu erstellen. KNIME bietet Tausende von Knoten und gemeinsame Workflows, die die Zusammenarbeit und den Modellvergleich erleichtern. Seine Offline-Fähigkeit und Kompatibilität mit Sprachen wie Python und R bieten Flexibilität und Autonomie beim Lernen. KNIMEs visueller Workflow vereinfacht den Codierungsprozess und erleichtert den Zugang zu Konzepten des maschinellen Lernens.

Das Multi-Layer Perceptron (MLP) ist eine Art künstliches neuronales Netz, das in dieser Studie verwendet wird. Es besteht aus einer Eingabeschicht, einer Ausgabeschicht und mehreren versteckten Schichten. Das MLP-Modell lernt durch Anpassung von Gewichten und Biases durch einen Prozess namens Backpropagation, wodurch der Fehler zwischen vorhergesagten und tatsächlichen Werten minimiert wird. Die Anzahl der Neuronen in den versteckten Schichten wird typischerweise mit einer bestimmten Formel bestimmt, um Overfitting zu vermeiden. Die Leistung des Modells wird anhand von Metriken wie dem Root Mean Square Error (RMSE) bewertet. MLP-Modelle können für verschiedene Aufgaben verwendet werden, einschließlich der Vorhersage der Bewegung von Objekten und der Entwicklung von Vorhersagemodellen in der klinischen Medizin.

Zur Datenerfassung für das gedämpfte Pendel wurde ein Federpendel konstruiert und seine Flugbahn mit der Tracker-Software quantifiziert. Das Pendel wurde in einen mit Wasser gefüllten Messzylinder getaucht, um Dämpfung zu erzeugen. Die Positions- und Geschwindigkeitsdaten wurden über die Zeit gesammelt, was zu einem Datensatz von 581 Datenpunkten führte. Diese Daten wurden dann zum Trainieren und Testen des KI-Modells verwendet. Der Prozess der Erfassung und Analyse der Daten hilft den Schülern, die Beziehung zwischen Zeit, Position und Geschwindigkeit bei gedämpfter harmonischer Bewegung zu verstehen.

Das MLP-Modell wurde mit dem KNIME-Workflow erstellt, wobei Knoten die Eingabeschicht, die versteckten Schichten und die Ausgabeschicht darstellen. Die Daten wurden durch Normalisierung vorverarbeitet, um sicherzustellen, dass die Positions- und Geschwindigkeitswerte auf derselben Skala liegen. Der Datensatz wurde in Trainings- und Testdatensätze aufgeteilt. Der RProp MLP Learner-Knoten wurde zum Trainieren des Modells verwendet, und der MultiLayer Perceptron Predictor-Knoten wurde zum Generieren von Vorhersagen verwendet. Die Leistung des Modells wurde anhand von R-squared und RMSE bewertet. Die Ergebnisse zeigten, dass das MLP-Modell die Position des gedämpften Pendels genau vorhersagen konnte, mit einem R-squared-Wert von 0,992 und einem RMSE von 0,01.