面向K-9学生的机器学习应用开发平台：GenAI Teachable Machine的设计、测试与教育意义

《IEEE Transactions on Learning Technologies》：Children's AI Design Platform for Making and Deploying ML-Driven Apps: Design, Testing, and Development

本研究针对K-12阶段缺乏完整的机器学习（ML）教育工具的问题，开发了“GenAI Teachable Machine”平台。该平台通过无代码工作流支持学生从数据收集、模型训练到应用部署的全流程实践，显著提升了儿童对ML分类器概念的理解和数据驱动设计思维。研究通过设计科学（DSR）方法、课堂实践（N=213）和可用性测试验证了平台的有效性，为AI教育工具开发提供了新范式。

　　

随着人工智能（AI）技术在社会各领域的快速渗透，教育界日益重视在基础教育阶段引入机器学习（ML）概念。然而，当前K-12教育中缺乏能够完整覆盖ML工作流程的低门槛工具，学生难以理解数据驱动系统的核心机制。例如，谷歌的Teachable Machine 2（TM2）虽简化了模型训练，但无法支持应用部署和协作学习，且存在隐私合规风险。为此，Nicolas Pope等研究者开发了“GenAI Teachable Machine”，旨在通过一体化平台帮助儿童构建可实际部署的ML应用。

研究团队采用设计科学（DSR）方法论，结合课堂实践、可用性实验室测试（N=8）和儿童参与式设计，迭代优化平台功能。平台基于TensorFlow.js实现浏览器端本地训练，新增动作定义（文本、图像、语音）和WebRTC跨设备部署功能，支持离线使用并严格遵循GDPR。通过36次课堂工作坊（涉及4年级和7年级学生共213人），研究发现学生能够自主完成从创意到应用落地的全流程，并在工作表中展现出数据驱动设计思维。

关键技术与方法

研究通过DSR框架的“相关性-严谨性-设计”三循环迭代开发平台，整合教育学原则（如低门槛、兴趣驱动）和UX设计准则（如WCAG无障碍标准）。技术实现上，平台采用前端架构（TypeScript/React）并复用TM2核心库，但移除谷歌服务依赖以增强隐私保护。课堂评估通过记录学生工作表的七步工作流（问题定义、数据选择、训练、测试、调试、动作定义、部署）分析其数据思维水平，并结合教师反馈持续优化界面。

研究结果

1. 1.
   工作流完成度与数据思维：58个学生小组中，81%在数据选择阶段能明确阐述类别差异，但在模型测试（32.8%）和部署（20.7%）环节的数据反思较弱，表明高阶概念需更多脚手架支持。
2. 2.
   可用性验证：所有测试组均在20分钟内完成分类器应用构建，无需外部协助，满足“90%用户独立完成”的可用性标准。
3. 3.
   设计改进：通过实验室测试发现“训练后未重训”等严重问题，通过按钮动态提示和简化操作流程解决，增强工具鲁棒性。

结论与意义

GenAI Teachable Machine通过整合无代码部署、协作功能与隐私保护，降低了ML教育的工具壁垒，使儿童能聚焦于数据驱动思维而非编程技巧。其设计验证了“低门槛-高天花板-宽墙壁”原则在AI教育中的可行性，为未来工具开发提供了实证基础。未来研究需扩展多模态输入（如传感器数据）并探索可解释AI（XAI）在教学中的应用。