科学-AI融合：面向物理教育的块编码

人工智能（AI）在教育中的整合正在迅速增加，其驱动力在于需要为学生提供利用跨学科方法解决现实世界问题的技能。本文探讨了一个科学-AI融合课程的开发和应用，该课程利用块编码来增强学生对物理概念的理解，特别是阻尼摆的运动。通过使用KNIME平台，学生可以构建AI模型来预测摆的位移，从而加深对物理和AI原理的理解。这种方法旨在使高中生更容易接触AI，使他们能够以创新和引人入胜的方式接触复杂的科学概念。

2022年修订的科学课程强调了AI整合探究活动的重要性，以培养学生基于融合性思维解决日常生活中科学问题的能力。将AI融入科学教育可以使现代科学实践在课程中得到应用。以往的研究探索了使用Python等编程语言创建神经网络模型的、数据驱动的融合课程。然而，这些方法通常需要对编码有深入的理解，这可能成为许多学生的障碍。本文通过使用KNIME这一块编码平台来解决这一挑战，该平台简化了构建和分析AI模型的过程，使其对编码经验有限的学生更易于接触。

科学-AI融合课程围绕阻尼摆这一物理学基本概念进行开发。该课程包含几个关键步骤：（1）选择阻尼摆作为探究主题；（2）分析教材中的摆动运动探索活动；（3）使用Tracker软件收集摆的位移和速度数据，构建数据集；（4）使用KNIME构建AI模型来预测摆的位移；（5）评估模型的预测结果。这种结构化的方法使学生在接触AI技术的同时，能够理解潜在的物理原理。

科学-AI融合课程面向高中生进行实施，并通过深入访谈分析了他们的体验。结果突出了几个关键主题，包括学生的参与动机、他们的体验和理解的变化，以及他们面临的挑战和局限性。学生们表示参与度提高，对物理和AI概念的理解都更深入了。然而，一些学生发现KNIME的初始学习曲线具有挑战性，需要额外的支持和指导。总的来说，该项目在促进积极的学习体验和培养跨学科思维方面取得了成功。

本研究的发现对科学-AI融合课程的开发和实施具有重要意义。使用KNIME等块编码平台可以降低编码经验有限的学生的入门门槛，使AI更易于接触和参与。从数据收集、模型构建到评估的结构化方法为学生提供了一个清晰的遵循框架。此外，整合现实世界数据和实践活动可以增强学生对物理和AI原理的理解。该研究还强调了在学生学习新技术过程中提供充分支持和指导的重要性。

本研究证明了科学-AI融合课程在增强学生对物理概念的理解和培养跨学科思维方面的潜力。通过使用KNIME等块编码平台，学生可以构建AI模型来预测阻尼摆的运动，从而加深对物理和AI原理的理解。基于本研究的发现，可以为未来的研究和实践提出几点建议：（1）继续开发和完善整合现实世界数据和实践活动的科学-AI融合课程；（2）在学生学习新技术过程中提供充分的支持和指导；（3）探索使用其他块编码平台和AI工具来增强学习体验；（4）进行进一步研究，评估科学-AI融合课程对学生学业成就和职业抱负的长期影响。

KNIME（Konstanz Information Miner）是一款广泛用于数据集成、处理和分析的开源软件，无需 extensive 编码知识即可实现机器学习。其图形用户界面（GUI）允许用户连接各种节点来构建数据分析和AI模型。KNIME提供数千个节点和共享工作流，促进协作和模型比较。其离线功能以及与Python和R等语言的兼容性提供了学习的灵活性和自主性。KNIME的视觉工作流简化了编码过程，使其更容易接触机器学习概念。

多层感知器（MLP）是本研究中使用的一种人工神经网络。它由输入层、输出层和多个隐藏层组成。MLP模型通过反向传播过程调整权重和偏差来学习，最小化预测值与实际值之间的误差。隐藏层中的神经元数量通常使用特定公式确定，以避免过拟合。使用均方根误差（RMSE）等指标来评估模型的性能。MLP模型可用于各种任务，包括预测物体运动和开发临床医学中的预测模型。

为了收集阻尼摆的数据，构建了一个弹簧摆，并使用Tracker软件量化了其轨迹。将摆浸入装有水的量筒中以引起阻尼。随时间收集了位移和速度数据，生成了包含581个数据点的数据集。然后使用这些数据来训练和测试AI模型。数据收集和分析过程有助于学生理解阻尼简谐运动中时间、位移和速度之间的关系。

MLP模型是使用KNIME的工作流构建的，节点代表输入层、隐藏层和输出层。数据使用归一化进行预处理，以确保位移和速度值在同一尺度上。数据集被分为训练集和测试集。使用RProp MLP Learner节点训练模型，并使用MultiLayer Perceptron Predictor节点生成预测。使用R平方和RMSE评估模型的性能。结果表明，MLP模型能够准确预测阻尼摆的位移，R平方值为0.992，RMSE为0.01。