Слияние науки и ИИ: блочное программирование для преподавания физики

Интеграция искусственного интеллекта (ИИ) в образование стремительно растет, обусловленная необходимостью вооружить студентов навыками решения реальных задач с использованием междисциплинарных подходов. В этой статье исследуется разработка и применение курса по слиянию науки и ИИ, который использует блочное программирование для улучшения понимания студентами физических концепций, в частности, движения затухающего маятника. Используя платформу KNIME, студенты могут создавать модели ИИ для прогнозирования положения маятника, способствуя более глубокому пониманию как физики, так и принципов ИИ. Этот подход направлен на то, чтобы сделать ИИ более доступным для старшеклассников, позволяя им взаимодействовать со сложными научными концепциями в инновационной и увлекательной форме.

Пересмотренная в 2022 году учебная программа по естественным наукам подчеркивает важность исследовательских мероприятий с интеграцией ИИ для развития у студентов способности решать научные проблемы в повседневной жизни и обществе на основе конвергентного мышления. Интеграция ИИ в естественнонаучное образование позволяет применять современные научные практики в учебной программе. Предыдущие исследования были посвящены междисциплинарным курсам на основе данных с использованием языков программирования, таких как Python, для создания моделей нейронных сетей. Однако эти подходы часто требуют глубокого понимания программирования, что может стать барьером для многих студентов. В этой статье решается эта проблема путем использования KNIME, платформы блочного программирования, которая упрощает процесс создания и анализа моделей ИИ, делая его более доступным для студентов с ограниченным опытом программирования.

Программа слияния науки и ИИ была разработана вокруг концепции затухающего маятника, фундаментальной темы в физике. Программа включает несколько ключевых этапов: (1) Выбор затухающего маятника в качестве темы исследования; (2) Анализ исследовательских мероприятий по движению маятника в учебниках; (3) Построение набора данных путем сбора данных о положении и скорости маятника с использованием программного обеспечения Tracker; (4) Создание модели ИИ с использованием KNIME для прогнозирования положения маятника; (5) Оценка результатов прогнозирования модели. Этот структурированный подход позволяет студентам понять основные физические принципы, одновременно взаимодействуя с технологией ИИ.

Курс по слиянию науки и ИИ был реализован со старшеклассниками, и их опыт был проанализирован посредством углубленных интервью. Результаты выявили несколько ключевых тем, включая мотивацию студентов к участию, их опыт и изменения в понимании, а также трудности и ограничения, с которыми они столкнулись. Студенты сообщили о повышенной вовлеченности и более глубоком понимании как физики, так и концепций ИИ. Однако некоторые студенты сочли начальный этап изучения KNIME сложным, требующим дополнительной поддержки и руководства. В целом, программа была успешной в создании положительного учебного опыта и содействии междисциплинарному мышлению.

Выводы этого исследования имеют значительные последствия для разработки и внедрения программ слияния науки и ИИ. Использование платформ блочного программирования, таких как KNIME, может снизить барьер для входа студентов с ограниченным опытом программирования, делая ИИ более доступным и привлекательным. Структурированный подход к сбору данных, построению моделей и оценке предоставляет студентам четкую структуру для следования. Кроме того, интеграция реальных данных и практических занятий улучшает понимание студентами как физических, так и ИИ-принципов. Исследование также подчеркивает важность предоставления адекватной поддержки и руководства студентам при преодолении трудностей в освоении новых технологий.

Это исследование демонстрирует потенциал программ слияния науки и ИИ для улучшения понимания студентами физических концепций и содействия междисциплинарному мышлению. Используя платформы блочного программирования, такие как KNIME, студенты могут создавать модели ИИ для прогнозирования движения затухающего маятника, способствуя более глубокому пониманию как физики, так и принципов ИИ. На основе выводов этого исследования можно сделать несколько рекомендаций для будущих исследований и практики: (1) Продолжать разрабатывать и совершенствовать программы слияния науки и ИИ, которые интегрируют реальные данные и практические занятия; (2) Предоставлять адекватную поддержку и руководство студентам при освоении новых технологий; (3) Исследовать использование других платформ блочного программирования и инструментов ИИ для улучшения учебного процесса; (4) Провести дальнейшие исследования для оценки долгосрочного влияния программ слияния науки и ИИ на академическую успеваемость и карьерные устремления студентов.

KNIME (Konstanz Information Miner) — это программное обеспечение с открытым исходным кодом, широко используемое для интеграции, обработки и анализа данных, позволяющее машинное обучение без обширных знаний в области программирования. Его графический пользовательский интерфейс (GUI) позволяет пользователям подключать различные узлы для создания моделей анализа данных и ИИ. KNIME предлагает тысячи узлов и общих рабочих процессов, способствуя сотрудничеству и сравнению моделей. Его автономная работа и совместимость с такими языками, как Python и R, обеспечивают гибкость и самостоятельность в обучении. Визуальный рабочий процесс KNIME упрощает процесс кодирования, облегчая подход к концепциям машинного обучения.

Многослойный перцептрон (MLP) — это тип искусственной нейронной сети, используемый в этом исследовании. Он состоит из входного слоя, выходного слоя и нескольких скрытых слоев. Модель MLP обучается путем корректировки весов и смещений в процессе, называемом обратным распространением ошибки, минимизируя ошибку между прогнозируемыми и фактическими значениями. Количество нейронов в скрытых слоях обычно определяется с использованием определенной формулы для предотвращения переобучения. Производительность модели оценивается с использованием таких метрик, как среднеквадратичная ошибка (RMSE). Модели MLP могут использоваться для различных задач, включая прогнозирование движения объектов и разработку прогностических моделей в клинической медицине.

Для сбора данных о затухающем маятнике был сконструирован пружинный маятник, и его траектория была количественно определена с помощью программного обеспечения Tracker. Маятник был погружен в градуированный цилиндр, наполненный водой, для создания затухания. Данные о положении и скорости собирались с течением времени, в результате чего был получен набор данных из 581 точки. Эти данные затем использовались для обучения и тестирования модели ИИ. Процесс сбора и анализа данных помогает студентам понять взаимосвязь между временем, положением и скоростью при затухающем гармоническом движении.

Модель MLP была построена с использованием рабочего процесса KNIME, где узлы представляют входной слой, скрытые слои и выходной слой. Данные были предварительно обработаны с использованием нормализации, чтобы значения положения и скорости были в одном масштабе. Набор данных был разделен на обучающую и тестовую выборки. Узел RProp MLP Learner использовался для обучения модели, а узел MultiLayer Perceptron Predictor — для генерации прогнозов. Производительность модели оценивалась с использованием R-квадрата и RMSE. Результаты показали, что модель MLP смогла точно предсказать положение затухающего маятника, с R-квадратом 0,992 и RMSE 0,01.