為高小學生而設的機器學習教程指南

機器學習作為人工智能的分支之一，現已發展成資訊科技領域中不可缺少的工具。憑著強大的學習和決策能力，機器學習已在數據分析、詐騙偵測和自然語言處理等多個範疇獲得廣泛應用。有意見認為在小學階段學習有關知識言之過早，但其實坊間亦不乏讓高小學生學習人工智能的工具。

隨著 Teachable Machine 和 Machine Learning for Kids等軟件相繼推出，學生無需深入研究機器學習常用的演算法和基本原理，亦可體驗機器學習的運作，大大降低學習門檻。所以在設計課程時，只要因應學生水平，制訂適當的學習目標，教授機器學習其實是可行的。如果教師可將課程緊扣社會步伐，更可擴闊學生視野。以下指南將從制定學習目標開始，介紹如何設計適合高小學生的機器學習課程。

制定適當的學習目標：機器學習的基本概念與應用

機器學習涉及的範疇廣泛，為了方便小學生學習，我們建議把重點放在具體的概念和實際應用上。通過現實世界的情景帶出機器學習的基礎知識，並讓學生反思機器學習對日常生活的影響，皆是合適的學習目標。這些目標不涉及演算法或機器學習如何模擬人類的神經網絡，更可以與高小的資訊技術和常識科融會貫通，是個實踐機器學習教育的好開始。英皇書院同學會小學便運用機器學習配搭上述兩門學科的跨學科學習進行了案例研究。

此外，麻省理工學院亦設計了一個名為概述人工智能的基本原理，指出所有科技系統都是社會科技系統(socio-technical systems)，反思科技為世界帶來的影響等。

機器學習及倫理

機器學習可分為監督式學習、非監督式學習和強化學習三種訓練模式。針對學校課程，我們可集中討論監督式學習，即在訓練機器的過程提供答案。視乎機器學習模型的功能，這些「有標籤」的示例可以是圖像、文字、聲音。

監督式學習的目標是訓練模型對輸入數據作出預測。教師可以從介紹數據集(dataset)，學習演算法(learning algorithm)及預測(prediction)開始，然後解釋如何使用數據來訓練模型。有別於一般小學科目，機器學習模型的預測結果沒有明確的標準答案，預測的可靠度取決於訓練數據的質量。教師可將機器學習和一般小學科目比較，帶出前者有趣之處。

最後，當學生理解上述概念並嘗試構建模型後，教師可與他們探討機器學習的倫理。例如當機器學習模型的演算法存在系統誤差並造成不公平的結果時，我們該如何處理？當社會廣泛採用機器學習時，又會帶來什麼影響？

使用網上免費的機器學習工具構建文字、圖像和聲音分類

介紹機器學習的基本概念後，教師可運用 Teachable Machine 、 Machine Learning for Kids兩個免費機器學習軟件，讓學生著手建立和訓練分類模型。Teachable Machine是由Google開發，支援圖像、聲音和姿勢三種數據類型的機器學習專案；Machine Learning for Kids則由IBM研發，根據文字、圖像、數字和聲音進行分類。

使用生動具體的例子在高小課程尤為重要，教授分類模型亦不例外。Google推薦的Teachable Machine教材中， readyai的Teachable Machine教學計劃就以魚類分類為例，教授圖像分類模型，同時深化學生的語文能力及科學知識。麻省理工學院設計的「為中學生而設的人工智能倫理課程」也是值得參考的例子，其中「監督式機器學習和演算法偏差簡介" (Introduction to Supervised Machine Learning and Algorithmic Bias) 」一節以狗和貓的數據來訓練模型，從而討論演算法偏差。這些材料均以圖像分類為主，有助學生將有關學習概念形象化。

文字和聲音分類則可參考 Machine Learning for Kids 中的練習，適合不同程度的學生。學習聲音分類可從難度最低的「Alien Language 」項目開始，學生只需要提供兩段模擬外星人的聲音便可訓練聲音分類模型。這項有趣而簡單的活動估計僅需1小時，亦不涉及語音識別(speech recognition)等較艱深的概念。

Machine Learning for Kids 中的練習

至於文字分類，可由「Make me happy」專案開始。學生需運用帶有積極和消極情緒的詞彙訓練模型，當測試的詞彙被歸類為正面時，系統會顯示微笑；反之，則會出現一張哭泣的臉，從而學習分析不同詞彙代表的情感。教師只需稍微調節專案的主題，便可教授反義詞，豐富學生的詞彙量。

無論採用哪種工具進行教學，流程上都離不開收集數據、訓練數據集、測試和應用模型。為了在教授分類模型和鼓勵學生在有限的課時內發揮想像力之間取得平衡，我們建議教師依照原定的教學主題來教授，以確保每位學生都了解如何在一個情景中訓練分類模型。其後，教師可透過家課，讓學生創作出自己的分類模型來解決現實世界的問題。