NaCl和CsCl晶体结构的分类：为高中教育中的机器学习与化学教学建立一种综合性的教学方法

《Journal of Chemical Education》：Classification of NaCl and CsCl Crystal Structures: Establishing an Integrated Didactic Approach for Machine Learning and Chemistry in Upper Secondary Education

本案例展示了高中阶段机器学习与化学教育的整合实践，通过碱金属卤化物晶体结构分类引入机器学习算法（感知机、Adaline、逻辑回归），学生在自主构建化学性质分类体系后，通过非连接式活动将定性分析转化为数值算法，最终验证机器学习在化学教学中的可行性与应用潜力。

　　

本文介绍了一种将机器学习与化学教育相结合的方法，适用于高中阶段的教学。该活动侧重于碱卤化物的晶体结构分类。基于这一训练数据集，研究人员预测了包括RaO在内的碱土金属氧化物的晶体结构。首先，学生们学习了可用于晶体结构分类的化学原子及离子性质。在此基础上，他们通过将物质及其相关性质变量绘制在图表中进行分类，这一过程不依赖于任何电子设备（即“非数字化”方式）。第二步通过一个模拟数值学习算法的活动引入了机器学习的概念。由此可见，机器学习不仅是一种能够让学生深入探讨化学主题的教学方法，还展示了其在化学应用中的潜力。所选用的三种算法——Perceptron、Adaline和逻辑回归——都具有基础性、通用性，并且其数学原理简单易懂，适合在学校教学中使用。该项目在11年级进行，共有16名学生参与，整个教学过程历时3周，总课时为315分钟。