Kế hoạch bài dạy tiết 10 - lớp 3 soạn theo Khung AI 2422: Phân loại - Dự đoán và huấn luyện

Kế hoạch bài dạy Giáo dục AI lớp 3 – Tiết 10: Phân loại – Dự đoán và huấn luyện

Trong quá trình tìm hiểu về trí tuệ nhân tạo, học sinh lớp 3 cần từng bước hình thành cách hiểu đơn giản nhưng đúng bản chất về việc máy có thể học từ dữ liệu. Ở Tiết 9, học sinh đã được làm quen với ý tưởng học máy học trên dữ liệu, quan sát nhiều ví dụ và sử dụng những gì nhận ra từ các ví dụ đó để xử lí một dữ liệu mới. Tiết 10 tiếp tục phát triển nội dung này bằng cách giúp học sinh nhận biết hai dạng nhiệm vụ quen thuộc của học máy là phân loại và dự đoán, đồng thời mô phỏng những bước cơ bản của quá trình huấn luyện AI. Nội dung của tiết học được thiết kế theo hướng trực quan, gần gũi, để học sinh không chỉ nghe khái niệm mà còn trực tiếp thao tác với thẻ dữ liệu, thảo luận, phân nhóm, dự đoán và giải thích căn cứ cho lựa chọn của mình.

Tiết học thuộc Chuyên đề 5: “AI học từ dữ liệu như thế nào?”, có thời lượng 01 tiết và tập trung vào ba nội dung có mối liên hệ chặt chẽ với nhau: phân loại, dự đoán và huấn luyện. Yêu cầu cần đạt đặt ra cho học sinh không dừng ở việc nhận biết tên gọi mà còn hướng tới khả năng phân biệt hai dạng nhiệm vụ qua những tình huống gần gũi, đồng thời trình bày được quá trình huấn luyện AI ở mức đơn giản thông qua việc thu thập các ví dụ và cho AI học từ những ví dụ đó.

Vị trí của Tiết 10 trong mạch học về AI và dữ liệu

Điểm đáng chú ý của tiết học này là nội dung được xây dựng như một bước chuyển từ việc “AI học từ dữ liệu” sang việc “AI dùng dữ liệu để thực hiện nhiệm vụ”. Nếu ở tiết trước học sinh chủ yếu khám phá dữ liệu và cách máy có thể học từ nhiều ví dụ, thì ở tiết này các em bắt đầu nhận ra rằng sau khi học từ dữ liệu, AI có thể được sử dụng cho những nhiệm vụ khác nhau. Có nhiệm vụ yêu cầu xác định một đối tượng thuộc nhóm nào, chẳng hạn nhận biết một con vật là chó hay mèo; cũng có nhiệm vụ yêu cầu đưa ra một kết quả chưa biết, chẳng hạn dự đoán ngày mai nhiệt độ có thể tăng hay giảm.

Cách tiếp cận này phù hợp với đặc điểm nhận thức của học sinh lớp 3 vì các em được đi từ những việc quen thuộc trong đời sống đến khái niệm công nghệ. Giáo viên không cần bắt đầu bằng những thuật ngữ kỹ thuật phức tạp mà tổ chức cho học sinh quan sát, thực hiện và tự phát hiện sự khác nhau giữa hai dạng nhiệm vụ. Từ trải nghiệm đó, khái niệm phân loại, dự đoán và huấn luyện AI được hình thành từng bước thông qua chính hoạt động học tập của các em.

Mục tiêu của tiết học cũng thể hiện rõ yêu cầu phát triển đồng thời kiến thức, phẩm chất và năng lực. Học sinh cần nhận biết một số tình huống phân loại bằng học máy, nhận biết một số tình huống dự đoán bằng học máy, phân biệt hai dạng nhiệm vụ qua các tình huống gần gũi và trình bày được quá trình đơn giản để huấn luyện AI từ các ví dụ dữ liệu. Bên cạnh đó, học sinh được rèn tính chăm chỉ, trách nhiệm, năng lực giao tiếp và hợp tác, giải quyết vấn đề, đồng thời bước đầu hình thành năng lực AI thông qua việc nhận biết phân loại, dự đoán và mô tả quá trình huấn luyện.

Khởi động: Em đang phân loại hay dự đoán?

Hoạt động khởi động được thiết kế bằng trò chơi nhanh “Xếp nhóm hay đoán trước”, giúp học sinh bước đầu nhận ra sự khác nhau giữa hai nhiệm vụ. Giáo viên đặt hai khay có nhãn “ĐỘNG VẬT SỐNG DƯỚI NƯỚC” và “KHÔNG SỐNG DƯỚI NƯỚC”, sau đó đưa thẻ con cá và hỏi học sinh đang làm việc gì khi xếp con cá vào một khay. Câu trả lời của học sinh hướng tới việc xác định một đối tượng đã biết thuộc nhóm nào dựa trên đặc điểm của đối tượng.

Khi tiếp tục đưa các thẻ mèo, cá, cá heo và gà, giáo viên không chỉ yêu cầu học sinh xếp thẻ mà còn đặt câu hỏi: “Ở mỗi lần xếp, em đã biết đối tượng rồi hay phải đoán một điều chưa biết?”. Câu hỏi này giúp học sinh chú ý đến bản chất của nhiệm vụ thay vì chỉ quan tâm đến đáp án. Các em nhận ra rằng đối tượng đã có sẵn, nhiệm vụ của mình là xác định đối tượng đó thuộc nhóm nào.

Sau đó, giáo viên chuyển sang một tình huống có tính chất khác: “Hôm nay trời nhiều mây, em đoán chiều nay có thể mưa.” Lúc này, học sinh không còn xếp một đối tượng đã biết vào một nhóm mà đang đưa ra một kết quả về điều chưa biết, có thể xảy ra trong tương lai. Việc đặt hai tình huống cạnh nhau tạo ra cơ sở tự nhiên để học sinh nhận ra sự khác biệt ban đầu giữa phân loại và dự đoán.

Hai ví dụ liên quan trực tiếp đến AI sau đó giúp kết nối kiến thức với công nghệ. Khi một ứng dụng nhìn ảnh và cho biết đó là chó hay mèo, học sinh xác định đó là phân loại; khi một ứng dụng dự đoán ngày mai nhiệt độ có thể tăng hay giảm, học sinh xác định đó là dự đoán. Giáo viên tiếp tục hỏi điểm khác nhau dễ nhận thấy nhất giữa hai nhiệm vụ, từ đó giúp học sinh hình thành cách diễn đạt: phân loại là xác định đối tượng thuộc nhóm nào, còn dự đoán là đưa ra kết quả về điều có thể xảy ra hoặc một giá trị chưa biết.

Đây là một cách khởi động hiệu quả vì học sinh được trực tiếp sử dụng hai thẻ “PHÂN LOẠI” và “DỰ ĐOÁN”, sau đó phải giải thích lựa chọn của mình. Sản phẩm của hoạt động không chỉ là việc giơ đúng thẻ mà còn là khả năng nêu được dấu hiệu bước đầu để phân biệt hai dạng nhiệm vụ.

Khám phá: Phân loại và dự đoán khác nhau thế nào?

Sau khi học sinh đã có biểu tượng ban đầu, hoạt động khám phá mở rộng sự hiểu biết thông qua hệ thống tình huống đa dạng. Giáo viên chia lớp thành các nhóm bốn học sinh và phát tám thẻ gồm những tình huống như nhận diện con vật trong ảnh, xếp quả theo màu, đoán ngày mai có mưa, dự đoán chiều cao của cây sau một thời gian, nhận biết thư thuộc nhóm nào, đoán số quả thu hoạch, xếp đồ dùng thành nhóm và dự đoán kết quả của một lượt chơi. Nhiệm vụ của học sinh là đọc từng thẻ, thảo luận và xếp vào hai cột “PHÂN LOẠI” hoặc “DỰ ĐOÁN”.

Điểm quan trọng trong hoạt động này là học sinh không được dừng ở việc chọn đáp án. Giáo viên yêu cầu các nhóm ghi lí do cho ít nhất bốn thẻ và thường xuyên đặt câu hỏi: “Trong thẻ này, kết quả đã có sẵn dưới dạng các nhóm hay chúng ta cần đoán một kết quả chưa biết?”. Cách hỏi này giúp học sinh hình thành thói quen xác định bản chất của nhiệm vụ dựa trên căn cứ cụ thể.

Một số tình huống được thiết kế để học sinh tránh nhầm lẫn. Chẳng hạn, nếu đã có sẵn các nhóm chó và mèo, sau đó có một ảnh mới cần đưa vào một nhóm thì đây là phân loại. Ngược lại, nếu câu hỏi là “Ngày mai có bao nhiêu bạn đi xe đạp đến trường?” thì đây là một nhiệm vụ dự đoán vì kết quả chưa biết và cần được ước đoán dựa trên những dữ liệu đã có.

Một yêu cầu có giá trị trong hoạt động khám phá là mỗi nhóm phải tự tạo thêm một thẻ phân loại và một thẻ dự đoán mà không sử dụng đúng ví dụ giáo viên đã nêu. Sau đó, các nhóm đổi thẻ cho nhau và nhóm nhận phải xác định dạng nhiệm vụ, đồng thời nói lí do. Qua quá trình này, học sinh không chỉ nhận biết tình huống có sẵn mà còn phải tự tạo ra tình huống, kiểm tra lại tình huống và phản hồi sản phẩm của nhóm bạn.

Giáo viên tiếp tục đưa học sinh đến một nhận thức quan trọng: dự đoán không đồng nghĩa với chắc chắn đúng. Khi được hỏi “Một nhiệm vụ dự đoán có chắc chắn đúng không? Vì sao?”, học sinh nhận ra dự đoán là kết quả có thể xảy ra, có thể đúng hoặc chưa đúng và cần dựa vào dữ liệu đã có. Đây là một điểm cần được nhấn mạnh vì nó giúp học sinh hình thành cách nhìn phù hợp về AI: kết quả dự đoán là kết quả được đưa ra dựa trên dữ liệu, không phải một lời khẳng định tuyệt đối.

Từ đây, vai trò của dữ liệu được đặt vào trung tâm. Học sinh nhận ra dữ liệu cung cấp các ví dụ hoặc thông tin làm căn cứ để máy học và đưa ra kết quả. Giáo viên chuẩn hóa kiến thức bằng cách xác định: phân loại là xác định một đối tượng thuộc nhóm nào; dự đoán là đưa ra một kết quả chưa biết dựa trên những dữ liệu đã có; cả phân loại và dự đoán đều có thể là nhiệm vụ của học máy.

Luyện tập: Mô phỏng huấn luyện một “máy AI”

Nếu hoạt động khám phá giúp học sinh phân biệt nhiệm vụ, hoạt động luyện tập đưa các em tiến thêm một bước: mô phỏng quá trình huấn luyện một “máy AI”. Đây là nội dung trọng tâm của tiết học vì học sinh được trực tiếp đóng vai nhóm huấn luyện AI, sử dụng các thẻ ví dụ đã có nhãn để “dạy” máy nhận biết hai nhóm, sau đó thử với những dữ liệu mới.

Giáo viên phát cho mỗi nhóm một bộ gồm tám thẻ hình con vật, được chia thành hai nhóm theo một tiêu chí rõ ràng, chẳng hạn “sống dưới nước/không sống dưới nước”. Giáo viên giới thiệu các thẻ này như những ví dụ dùng để dạy máy và yêu cầu học sinh trước hết thu thập, sắp xếp và kiểm tra nhãn của từng ví dụ. Việc học sinh được nhìn thấy cả đối tượng và nhãn giúp các em hiểu rằng trong mô phỏng này, máy cần có những ví dụ đã được xác định nhóm để học.

Một câu hỏi rất có giá trị được giáo viên đặt ra là: “Nếu chỉ có hình mà không biết thẻ thuộc nhóm nào thì việc ‘dạy máy’ theo cách mô phỏng này có khó không?”. Qua câu hỏi đó, học sinh nhận ra rằng các ví dụ trong quá trình mô phỏng không phải những hình ảnh rời rạc mà là dữ liệu có thông tin về nhóm. Đây là bước chuẩn bị để các em hiểu khái niệm dữ liệu dùng cho việc học của AI một cách trực quan.

Sau khi sắp xếp bộ thẻ vào khu vực “DỮ LIỆU DẠY”, học sinh lần lượt đưa các ví dụ cho “AI” xem và chỉ ra đặc điểm mà nhóm đang dùng để phân loại. Các em phải quan sát nhiều ví dụ và diễn đạt đặc điểm của hai nhóm, qua đó tái hiện một cách đơn giản ý tưởng rằng máy có thể học từ các ví dụ dữ liệu.

Khi giáo viên đặt thẻ “AI HỌC” sau bộ dữ liệu và hỏi “Sau khi xem các ví dụ, ‘AI’ đã học được điều gì?”, học sinh nêu rằng AI đã học từ các ví dụ để nhận ra đặc điểm giúp phân biệt hai nhóm. Cách mô phỏng này giúp học sinh kết nối trực tiếp ba thành phần: dữ liệu ví dụ, việc học và khả năng xử lí dữ liệu mới.

Bước tiếp theo là đưa ba thẻ dữ liệu mới, không có trong bộ thẻ ban đầu, để nhóm đưa từng thẻ cho “AI” và ghi kết quả dự đoán. Học sinh phải xử lí các thẻ mới dựa trên những gì đã học từ dữ liệu mẫu và đưa thẻ vào nhóm dự đoán. Như vậy, quá trình học không kết thúc ở việc quan sát dữ liệu mẫu mà hướng tới việc sử dụng điều đã học để xử lí một trường hợp chưa xuất hiện trước đó.

Một câu hỏi kiểm tra nhận thức rất quan trọng được đưa ra: “Các em có thể bỏ bước xem các ví dụ mà vẫn nói rằng AI đã được huấn luyện theo cách vừa rồi không?”. Học sinh trả lời không thể, bởi mô phỏng này cần có các ví dụ dữ liệu để thực hiện quá trình học. Qua đó, các em hiểu rằng dữ liệu không phải phần phụ mà là thành phần quan trọng của quá trình huấn luyện được mô phỏng trong bài học.

Cuối hoạt động, học sinh hoàn thành sơ đồ ba bước “Thu thập ví dụ → Cho AI học từ các ví dụ → Thử/xử lí dữ liệu mới”. Đây chính là cấu trúc cốt lõi mà học sinh cần ghi nhớ sau tiết học. Giáo viên chuẩn hóa bằng cách giải thích rằng ở mức đơn giản, có thể hình dung huấn luyện AI là thu thập các ví dụ dữ liệu, cho AI học từ những ví dụ đó, sau đó thử với dữ liệu mới để xem AI xử lí như thế nào.

Phân biệt “phân loại” và “dự đoán” trong học máy

Một nội dung cần được làm rõ trong tiết học là phân loại và dự đoán không phải hai khái niệm hoàn toàn tách rời dữ liệu. Cả hai đều sử dụng dữ liệu làm căn cứ, nhưng nhiệm vụ mà hệ thống thực hiện có điểm khác nhau.

Trong nhiệm vụ phân loại, đối tượng hoặc dữ liệu mới cần được xác định xem thuộc nhóm nào. Ví dụ, một ứng dụng nhìn hình ảnh và xác định đó là chó hay mèo là một tình huống phân loại. Các nhóm đã được xác định và dữ liệu mới được đưa vào một trong những nhóm phù hợp.

Trong nhiệm vụ dự đoán, kết quả cần tìm chưa biết tại thời điểm xử lí. Chẳng hạn, dự đoán ngày mai có mưa hay không, dự đoán chiều cao của cây sau một thời gian hoặc dự đoán số quả thu hoạch đều là những tình huống trong đó hệ thống đưa ra một kết quả về điều chưa biết. Kết quả dự đoán có thể đúng hoặc chưa đúng và cần dựa vào dữ liệu đã có.

Với học sinh lớp 3, không nhất thiết phải đưa thêm các thuật ngữ kỹ thuật ngoài nội dung kế hoạch bài dạy. Điều quan trọng hơn là các em có thể nhìn vào một tình huống và tự hỏi: “Mình đang đưa một đối tượng vào nhóm đã có hay đang đoán một kết quả chưa biết?”. Khi hình thành được câu hỏi này, học sinh đã có một công cụ tư duy đơn giản để phân biệt hai dạng nhiệm vụ.

Từ dữ liệu dạy đến dữ liệu mới

Quá trình mô phỏng huấn luyện trong tiết học được xây dựng theo một chuỗi rõ ràng. Đầu tiên là thu thập các ví dụ, sau đó cho AI học từ các ví dụ và cuối cùng thử hoặc xử lí dữ liệu mới. Ba bước này tạo thành một mạch thống nhất, giúp học sinh hiểu tại sao dữ liệu xuất hiện ở cả đầu vào của quá trình học và ở bước thử sau khi AI đã học.

“Dữ liệu dạy” trong hoạt động là những thẻ ví dụ đã được phân nhóm và có nhãn. Học sinh quan sát các thẻ này để nhận ra đặc điểm của từng nhóm. Sau đó, “dữ liệu mới” là những thẻ chưa được xem trong bộ dữ liệu ban đầu và được sử dụng để kiểm tra xem AI có thể xử lí dựa trên những gì đã học hay không.

Việc phân biệt hai loại dữ liệu này có ý nghĩa quan trọng đối với nhận thức ban đầu về học máy. Học sinh không còn hình dung AI chỉ đơn giản là một công cụ đưa ra câu trả lời ngay lập tức mà bắt đầu hiểu rằng để máy có thể thực hiện một nhiệm vụ học máy, cần có những ví dụ dữ liệu phù hợp để máy học. Kế hoạch bài dạy cũng yêu cầu học sinh chỉ ra được bộ thẻ ví dụ là dữ liệu dùng để học, còn các thẻ chưa xem là dữ liệu mới để thử.

Vận dụng: Em giải thích một bài toán cho AI

Hoạt động vận dụng chuyển trọng tâm từ mô phỏng theo nhóm sang khả năng tự xác định và giải thích. Mỗi học sinh được phát một phiếu gồm bốn nội dung: “Tình huống”; “Phân loại hay dự đoán?”; “Ví dụ dữ liệu cần cho AI học”; “AI xử lí dữ liệu mới như thế nào?”. Các em lựa chọn một trong ba tình huống: nhận biết con vật trong ảnh, dự đoán thời tiết hoặc phân loại đồ dùng học tập, sau đó hoàn thành phiếu bằng từ ngữ hoặc hình vẽ.

Trong quá trình học sinh thực hiện, giáo viên có thể đến từng bàn và đặt hai câu hỏi trọng tâm: “Em đang yêu cầu AI xếp đối tượng vào nhóm hay dự đoán một kết quả chưa biết?” và “Muốn AI học, em sẽ cho AI xem những ví dụ nào?”. Hai câu hỏi này giúp kiểm tra đồng thời hai yêu cầu quan trọng của bài: xác định đúng dạng nhiệm vụ và xác định được dữ liệu cần thiết cho quá trình học.

Sau khi hoàn thành, học sinh đổi phiếu theo cặp để kiểm tra cho nhau. Bạn đọc phiếu cần xem hai điểm: bạn mình đã xác định đúng phân loại hay dự đoán chưa và đã nêu được ví dụ dữ liệu để AI học hay chưa. Hoạt động đánh giá đồng đẳng này giúp học sinh tiếp tục sử dụng ngôn ngữ của bài học để trao đổi, nhận xét và đề nghị bổ sung khi câu trả lời còn thiếu.

Ba học sinh có thể được mời trình bày ba tình huống khác nhau. Khi đó, giáo viên đặt câu hỏi: “Nếu em cho AI xem nhiều ví dụ rồi đưa một dữ liệu mới, AI đang làm gì?”. Câu trả lời mong đợi là AI sử dụng điều đã học từ các ví dụ để xử lí dữ liệu mới và đưa ra kết quả.

Một điểm kết thúc rất phù hợp của tiết học là yêu cầu mỗi học sinh tự hoàn thành câu “Học máy cần dữ liệu vì…”. Qua câu trả lời “máy học từ các ví dụ dữ liệu để xử lí dữ liệu mới”, học sinh tự diễn đạt lại kiến thức cốt lõi bằng ngôn ngữ của mình. Giáo viên sau đó chốt lại ba ý chính: có những bài toán học máy dùng để phân loại, có những bài toán dùng để dự đoán; để AI có thể học cần có các ví dụ dữ liệu phù hợp; quá trình đơn giản là thu thập ví dụ, cho AI học rồi thử với dữ liệu mới.

Học sinh không chỉ cần chọn đáp án mà phải nêu căn cứ

Một điểm đáng chú ý của kế hoạch bài dạy là nhiều hoạt động đều yêu cầu học sinh giải thích căn cứ cho lựa chọn. Khi phân loại các tình huống, học sinh phải nói vì sao đó là phân loại hoặc dự đoán. Khi mô phỏng huấn luyện, các em phải chỉ ra đặc điểm đã nhận ra từ dữ liệu mẫu. Khi xử lí dữ liệu mới, các em cần dựa vào những gì đã học để đưa ra kết quả.

Cách tổ chức này giúp tránh việc học sinh ghi nhớ máy móc hai định nghĩa. Một học sinh có thể nhớ “phân loại là xếp nhóm” nhưng chưa chắc đã nhận biết được một tình huống mới. Vì vậy, yêu cầu giải thích bằng căn cứ dữ liệu giúp giáo viên đánh giá sâu hơn khả năng vận dụng của học sinh.

Đặc biệt, nội dung về trách nhiệm trong yêu cầu cần đạt cũng gắn với việc nêu kết quả dựa trên dữ liệu và biết trao đổi khi chưa đủ căn cứ. Điều này tạo nền tảng cho cách sử dụng AI có trách nhiệm: không chỉ quan tâm AI đưa ra kết quả gì mà còn phải quan tâm kết quả đó dựa trên những dữ liệu nào và liệu căn cứ đã đủ hay chưa.

Dữ liệu là nền tảng của quá trình huấn luyện

Toàn bộ tiết học đều hướng học sinh trở lại một ý tưởng xuyên suốt: AI học máy cần dữ liệu. Dữ liệu cung cấp những ví dụ để máy quan sát, nhận ra đặc điểm và sử dụng những gì đã học khi gặp dữ liệu mới. Nếu bỏ bước xem các ví dụ, học sinh không thể mô phỏng đúng quá trình “dạy máy” theo cách mà bài học đặt ra.

Điều này cũng giúp học sinh hiểu sâu hơn nội dung của Tiết 9. Ở Tiết 9, các em đã làm quen với việc máy xem nhiều ví dụ dữ liệu và sử dụng những gì đã học để xử lí một ví dụ mới. Sang Tiết 10, kiến thức đó được đặt vào các nhiệm vụ cụ thể hơn là phân loại và dự đoán, sau đó được mô phỏng thành một quy trình huấn luyện gồm ba bước.

Như vậy, hai tiết học tạo thành một chuỗi logic: dữ liệu là gì, máy học trên dữ liệu như thế nào, dữ liệu được dùng cho nhiệm vụ phân loại và dự đoán ra sao, và một quá trình huấn luyện đơn giản có thể được hình dung như thế nào. Cách xây dựng này giúp học sinh không học từng khái niệm riêng lẻ mà dần hình thành một bức tranh thống nhất về cách AI học từ dữ liệu.

Không cần học sinh sử dụng phần mềm AI trực tiếp

Tiết học được thiết kế theo hướng mô phỏng bằng thẻ dữ liệu, thẻ nhãn, phiếu học tập và hoạt động nhóm. Giáo viên có thể sử dụng công cụ học máy trực quan trên thiết bị của giáo viên hoặc thiết bị dùng chung nếu có, nhưng học sinh không được yêu cầu phải thao tác phần mềm hay có tài khoản cá nhân.

Đây là một điểm phù hợp với điều kiện tổ chức dạy học ở tiểu học. Mục tiêu của tiết học là giúp học sinh hiểu nguyên lí ở mức phù hợp với lứa tuổi chứ không phải đánh giá khả năng vận hành một phần mềm AI cụ thể. Vì vậy, toàn bộ hoạt động có thể triển khai bằng những bộ thẻ do giáo viên chuẩn bị, bảng nhóm, giấy A3, phiếu “Phân loại hay dự đoán?” và phiếu “Các bước huấn luyện AI”.

Cách tổ chức này cũng giúp cơ hội tham gia của học sinh không phụ thuộc vào việc em có thiết bị cá nhân hay không. Cuối tiết, kế hoạch bài dạy xác định rõ không đánh giá dựa vào khả năng sử dụng phần mềm AI và không yêu cầu học sinh có thiết bị, tài khoản hoặc kết nối Internet riêng.

Gợi ý tổ chức hoạt động nhóm hiệu quả

Trong tiết học này, hoạt động nhóm giữ vai trò khá rõ, đặc biệt ở phần phân biệt phân loại và dự đoán và phần mô phỏng huấn luyện. Giáo viên có thể duy trì nhóm bốn học sinh như kế hoạch để mỗi em có cơ hội tham gia vào một nhiệm vụ cụ thể: đọc thẻ, sắp xếp, giải thích, ghi kết quả hoặc trình bày.

Khi nhóm xử lí các thẻ tình huống, giáo viên nên khuyến khích học sinh trao đổi trước khi đặt thẻ vào cột “PHÂN LOẠI” hoặc “DỰ ĐOÁN”. Nếu có ý kiến khác nhau, học sinh cần quay lại câu hỏi cốt lõi: kết quả đã có sẵn dưới dạng nhóm hay đang cần đoán một kết quả chưa biết? Việc tranh luận dựa trên câu hỏi này sẽ giúp học sinh hình thành thói quen dùng căn cứ thay vì chỉ bảo vệ đáp án của mình.

Trong phần mô phỏng huấn luyện, nhóm cần có thời gian quan sát toàn bộ bộ dữ liệu mẫu trước khi xử lí dữ liệu mới. Giáo viên không nên vội cung cấp tiêu chí phân loại nếu học sinh có thể tự phát hiện từ các ví dụ. Chính quá trình quan sát, tìm đặc điểm và thử với thẻ mới mới là phần có giá trị nhất đối với việc hình thành khái niệm học máy.

Đánh giá học sinh qua quá trình học tập

Việc đánh giá trong tiết học được thực hiện thường xuyên thông qua quan sát hoạt động phân loại thẻ, phiếu “Phân loại hay dự đoán?”, mô phỏng huấn luyện và phần trình bày của học sinh. Cách đánh giá này phù hợp với đặc trưng của bài học vì sản phẩm học tập không chỉ nằm trên giấy mà còn thể hiện qua cách học sinh trao đổi, lựa chọn, giải thích và mô phỏng.

Học sinh đạt yêu cầu khi có thể nhận biết được tình huống phân loại và dự đoán, phân biệt được hai dạng nhiệm vụ và trình bày được quá trình đơn giản “thu thập ví dụ → cho AI học từ ví dụ → thử với dữ liệu mới”. Đây là ba minh chứng quan trọng cho thấy học sinh đã nắm được trọng tâm của tiết học.

Giáo viên cũng cần quan sát cách học sinh đưa ra kết quả. Một kết quả đúng nhưng không có căn cứ chưa thể hiện đầy đủ yêu cầu của bài. Trong khi đó, học sinh biết chỉ ra dữ liệu mẫu, đặc điểm đã nhận ra và giải thích cách sử dụng những điều đã học để xử lí dữ liệu mới sẽ thể hiện rõ hơn năng lực giải quyết vấn đề và năng lực AI được hướng tới trong tiết học.

Những điểm học sinh cần ghi nhớ sau tiết học

Sau tiết học, học sinh cần hình thành được ba ý chính. Thứ nhất, học máy có thể được sử dụng cho những nhiệm vụ phân loại, trong đó một đối tượng hoặc dữ liệu được xác định thuộc nhóm nào. Thứ hai, học máy cũng có thể được sử dụng cho những nhiệm vụ dự đoán, trong đó hệ thống đưa ra một kết quả về điều chưa biết dựa trên dữ liệu đã có.

Thứ ba, để AI có thể học trong mô phỏng đơn giản của bài học, cần có các ví dụ dữ liệu phù hợp. Quy trình có thể ghi nhớ bằng ba bước: “Thu thập ví dụ → Cho AI học → Thử dữ liệu mới”. Đây cũng là nội dung được học sinh nhắc lại ở phần vận dụng khi các em hoàn thành câu “Học máy cần dữ liệu vì…”.

Điều quan trọng hơn cả là học sinh hiểu được mối quan hệ giữa dữ liệu, việc học và kết quả. AI không tự nhiên biết cách xử lí một dữ liệu mới; trong mô hình học máy được mô phỏng ở bài học, máy cần xem các ví dụ, nhận ra những điểm cần thiết và sau đó sử dụng điều đã học để xử lí dữ liệu mới.

Kết luận

Tiết 10 “Phân loại – Dự đoán và huấn luyện” là một bước phát triển tự nhiên trong Chuyên đề 5 “AI học từ dữ liệu như thế nào?”. Thông qua các tình huống gần gũi, trò chơi phân loại và dự đoán, hoạt động nhóm, mô phỏng huấn luyện bằng thẻ dữ liệu và phiếu vận dụng cá nhân, học sinh được tiếp cận với một số ý tưởng cốt lõi của học máy theo cách trực quan, vừa sức và không phụ thuộc vào việc sử dụng phần mềm AI trực tiếp.

Điểm nổi bật của tiết học nằm ở việc học sinh được tự mình trải nghiệm quy trình từ dữ liệu đến kết quả. Các em trước hết nhận biết dữ liệu có thể được sử dụng để phân loại hoặc dự đoán, sau đó đóng vai nhóm huấn luyện AI, cho “AI” xem những ví dụ đã có nhãn, xác định đặc điểm của các nhóm và thử xử lí dữ liệu mới. Qua đó, quy trình “Thu thập ví dụ → Cho AI học → Thử dữ liệu mới” trở thành một trải nghiệm cụ thể thay vì chỉ là một câu định nghĩa cần ghi nhớ.

Tiết học đồng thời góp phần hình thành cho học sinh thái độ học tập có trách nhiệm. Khi được yêu cầu nêu kết quả dựa trên dữ liệu và trao đổi khi chưa đủ căn cứ, học sinh bắt đầu hiểu rằng kết quả của một quá trình học máy cần được xem xét trong mối quan hệ với dữ liệu đã được sử dụng. Đây là nền tảng cần thiết để các em tiếp tục học các nội dung sâu hơn về AI, dữ liệu, kiểm chứng và sử dụng công nghệ một cách có trách nhiệm trong những tiết học tiếp theo.

BẤM VÀO ĐÂY TẢI MIỄN PHÍ TIẾT 10

Với cách tổ chức chủ yếu dựa trên thẻ dữ liệu, tình huống, phiếu học tập và mô phỏng, giáo viên có thể triển khai tiết học linh hoạt trong nhiều điều kiện lớp học khác nhau. Mục tiêu cuối cùng không phải là làm cho học sinh trở thành người sử dụng thành thạo một công cụ AI ngay ở lớp 3, mà là giúp các em có một cách hiểu ban đầu, đúng hướng: AI có thể học từ dữ liệu; dữ liệu có thể được dùng cho phân loại và dự đoán; và để AI học trong mô hình đơn giản, cần có những ví dụ dữ liệu để máy học trước khi xử lí dữ liệu mới.