中小学阶段的人工智能课程调研报告（63页）

针对这一框架，Lao(2020) 还提出了根据该框架评 估机器学习项目的规则，建立了出口级的标准基础，并 可以此为标准进一步建立规则。例如，“知识”项下的 四种学习结果中，得分最高的是： 1. 关于机器学习的通用知识：完成本课程学习的学生 能够给出机器学习的精确定义、机器学习管道步骤的 详细说明，并能充分考虑每个步骤的技术和社会伦理 因素。 2. 关于机器学习方法的知识：完成本课程学习的学生 能够准确地辨别何时使用全领域的机器学习方法。 他们能够描述这些方法的核心技术概念，并在适当 的应用中熟练使用/实现它们。(Lao 随后阐述了相 关观点，涉及不同教育阶段应采用的适当方法： 高中及以上：k 近邻算法、CART/DT、回归分 析、卷积神经网络； 无监督方法，如 k-均值聚 类、主成分分析、生成式对抗网络和嵌入 (Embedding); RNNs / LSTMs; 强化学习; 迁移学习 以及集成学习算法。 

中小学：启用相关应用，使学生利用机器学习 完成特定任务，例如利用神经网络和生成式对 抗网络的相关应用创造艺术或音乐作品，或者 将强化学习应用到游戏当中等等。） 3. 偏见：完成本课程学习的学生能够描述机器学习 系统如何在其管道的每个步骤中对特定群体产生不 可预测的偏见。他们可以在自身工作中批判性地融 入伦理思维和设计的实践。 4. 社会影响：完成本课程的学生能够意识到，对于 机器学习技术的创造者来说，考虑其工作带来的社 会影响是相当有必要的。他们能够从伦理和文化的 视角、概念出发，全面、关联且敏感地分析机器学 习的产品（即考虑隐私、安全、滥用的可能性，以 及利益和损害的平衡；并使用利益相关者分析、伦 理矩阵和模型卡等工具评估民族志的接受程度和不同影响）。