《Digital》：Edge AI Gas-Sensing Project in Vocational Education: A Mixed-Methods Study of Problem-Solving Attitudes
编辑推荐：
这项探索性混合方法研究考察了在真实课堂环境中，边缘人工智能（edge AI）气体传感项目与职业高中学生自我报告的问题解决态度之间的关联。研究中，38名电气、电子与自动化专业的学生面对相同的设计问题：通过收集传感器数据、训练机器学习分类器并将模型部署到嵌入式硬件
这项探索性混合方法研究考察了在真实课堂环境中，边缘人工智能（edge AI）气体传感项目与职业高中学生自我报告的问题解决态度之间的关联。研究中，38名电气、电子与自动化专业的学生面对相同的设计问题：通过收集传感器数据、训练机器学习分类器并将模型部署到嵌入式硬件上进行本地推理和实时决策支持（无需持续依赖云端处理），来开发一个气体传感原型。研究比较了三种教学路径：（i）创客学习（Maker Learning, ML；n = 12），侧重于动手原型制作和设备上测试；（ii）虚拟学习（Virtual Learning, VL；n = 13），侧重于基于模拟的活动；（iii）传统学习（Traditional Learning, C；n = 13），侧重于教师指导的教学。定量数据通过三次实施问题解决量表（Problem-Solving Inventory, PSI）收集，并辅以干预后的半结构化访谈。探索性分析显示，所有路径的PSI总分均出现统计学显著变化（p ≤ 0.003），反映出更积极的问题解决评价。在后测中，ML和VL路径比传统学习路径表现出更强的趋近导向特征，且效应量估计值较大（ML ? C：r = 0.714；VL ? C：r = 0.611）；而在问题解决信心方面，创客学习路径更占优势（ML ? VL：r = 0.496）。访谈提供了补充性的解释背景，突显了迭代调试、反馈、协作和人工制品所有权等主题。在这项探索性职业中学课堂实施的范围限制内，研究结果和效应量估计值均被谨慎解读。总体而言，该研究描绘了边缘AI气体传感项目如何支持积极的问题解决评价，并为职业教育中整合边缘AI技术提供了一条有意义的路径。
**论文解读：职业教育中边缘AI气体传感项目对问题解决态度的影响**
**1. 研究背景与问题**
随着人工智能（AI）和机器学习（ML）技术的快速发展，气体传感系统在环境监测、工业安全等领域得到了广泛应用，其能够处理复杂传感器数据、识别信号模式并分类气体响应。边缘人工智能（edge AI）作为在数据源附近执行AI模型的技术，可实现本地推理和实时决策支持，无需持续依赖云端处理。将气体传感与边缘AI整合，为职业教育中引入当代数字-物理系统提供了合适的教育情境。然而，现有研究多聚焦于概念、技术或表现类结果，较少关注学生自我报告的问题解决态度；在职业学校环境中，关于学生自信心、感知能力以及面对复杂技术问题意愿的实证证据尤为有限。此外，将边缘AI作为包含传感器数据采集、模型训练、嵌入式部署和迭代测试的完整教育工作流程进行研究的案例稀少。为此，本研究在问题式学习（Problem-Based Learning, PBL）框架下，探索边缘AI气体传感项目与学生问题解决态度变化之间的关联。
**2. 研究设计与方法**
研究人员采用混合方法设计，在希腊阿提卡地区一所公立职业高中（EPAL）开展研究，样本为38名主修电气、电子与自动化的学生（36男，2女，年龄15-16岁）。干预项目围绕设计边缘AI气体传感原型展开，包含12次40分钟的课程，分为两个阶段：基础概念阶段和应用PBL阶段。在应用阶段，学生被分为三个教学路径：创客学习（Maker Learning, ML；n=12）进行动手原型制作和设备上测试；虚拟学习（Virtual Learning, VL；n=13）进行仿真活动；传统学习（Traditional Learning, C；n=13）接受教师引导式教学。定量数据通过问题解决量表（Problem-Solving Inventory, PSI）在三个时间点收集，定性数据通过干预后半结构化访谈获得。关键技术环境包括Arduino Nano 33 BLE Sense微控制器、Edge Impulse机器学习平台和Tinkercad仿真平台。
**3. 主要研究结果**
**3.1 三种教学路径中问题解决态度的变化**
通过Kruskal–Wallis检验和Mann–Whitney U事后比较，基线（Q1-pre）和中间阶段（Q2）各路径间PSI各分量表无显著差异，表明组间初始态度相似。后测（Q1-post）显示，趋近-回避风格（Approach-Avoidance Style, AAS）和问题解决信心（Problem-Solving Confidence, PSC）存在显著组间差异，而个人控制（Personal Control, PC）无显著变化。Wilcoxon符号秩检验显示，所有路径的PSI总分均显著改善（p ≤ 0.003，效应量r > 0.85）。事后比较表明，ML和VL路径在AAS上均显著优于传统学习路径（ML-C：r = 0.714；VL-C：r = 0.611），而ML在PSC上显著优于VL（r = 0.496）。这些结果表明，迭代测试、反馈和修订机会可能促进更积极的问题解决取向。
**3.2 半结构化访谈中学生的感知**
主题分析揭示了三个主题。主题一“参与感、所有权与现实相关性”：学生普遍认为项目具有真实性，连接实际应用，增强了参与感和所有权感。主题二“信心、能力与协作的发展”：学生报告在工具使用、传感器理解和处理复杂问题方面信心增强；虚拟学习学生提到仿真支持工程思维，传统学习学生则强调教师结构化解说的价值；协作被普遍视为培养能力的重要机制。主题三“应对挑战、约束与学习差距”：学生提到时间限制、概念陌生和初始技术困难，但克服这些挑战被视为有益学习经验。这些定性发现为定量结果提供了解释性背景。
**4. 讨论与结论**
讨论部分指出，所有路径的显著改善与PBL环境促进积极态度转变的文献一致。ML和VL路径在趋近-回避风格上的优势，可能源于两者都提供了主动测试和迭代修订的机会，而传统路径中这种机会较少。问题解决信心对ML的偏好则可能与实体原型和实时调试带来的所有权感有关。认知负荷理论（CLT）解释了传统路径中脚手架的作用，自我决定理论（SDT）和Kolb经验学习循环则解释了ML和VL中的动机与学习过程。
研究结论部分翻译如下：本研究提供了关于在PBL框架内通过三种教学路径实施边缘AI气体传感项目与职业高中生问题解决态度关联的实证证据。尽管先前研究常强调认知或技术结果，本研究发现突出显示了技术丰富任务中对教学敏感的学习维度，尤其是趋近-回避倾向和问题解决信心，它们与学习者应对不确定性、迭代和决策的方式密切相关。定量结果显示各路径均有整体改善；组间比较表明，ML和VL路径比传统学习路径更具趋近导向，而ML在问题解决信心上呈现相对有利（尽管是探索性的）的模式。定性发现提供了解释背景，学生将项目描述为有目的且与真实工程实践相关，并认为意外模型行为、系统错误或传感器异常是过程的正常特征而非失败。这些经历似乎支持了坚持、调整和迭代解决问题作为边缘AI工作流中的有效策略。这些发现通过强调态度发展（表现为接近挑战任务的意愿、信心和协作参与）是技术丰富学习环境中有意义参与的基础组成部分，为AI增强的STEM教育提供了更全面的视角。在职业情境中，设计时应将学习定位于专业相关的工程问题，同时关注教学选择如何构建学生的实验、反馈和协作机会。从设计角度看，将制作融入PBL可通过实体人工制品和实时测试额外地培养信心和参与度；仿真路径可作为资源受限时的可扩展替代方案。更广泛地，该研究表明原型制作或仿真等实施选择是能够塑造职业学习者体验能力、所有权和参与度的教学杠杆。
