Kế hoạch bài dạy tiết 11 - lớp 3 soạn theo Khung AI 2422: Dữ liệu tốt cho AI

Kế hoạch bài dạy Giáo dục AI lớp 3 – Tiết 11: Dữ liệu tốt cho AI

Sau khi tìm hiểu AI học trên dữ liệu, nhận biết dữ liệu có thể được sử dụng cho nhiệm vụ phân loại, dự đoán và mô phỏng quá trình huấn luyện AI, học sinh lớp 3 tiếp tục đi sâu vào một vấn đề rất quan trọng: dữ liệu dùng để AI học cần có chất lượng như thế nào. Nếu những ví dụ đưa cho AI bị thiếu, bị gán nhãn sai hoặc không rõ ràng thì quá trình học có thể gặp khó khăn và kết quả xử lí dữ liệu mới cũng có thể không phù hợp. Vì vậy, Tiết 11 thuộc Chuyên đề 6 “Em thử dạy AI – AI có thể học sai” được xây dựng để học sinh bước đầu biết kiểm tra dữ liệu trước khi sử dụng, nhận ra những vấn đề thường gặp trong dữ liệu và biết cách bổ sung, chỉnh sửa dữ liệu trong những tình huống mô phỏng.

Với thời lượng một tiết, nội dung bài học không đặt yêu cầu học sinh sử dụng trực tiếp một công cụ AI cụ thể mà chủ yếu tổ chức cho các em làm việc với thẻ dữ liệu, nhãn nhóm, phiếu học tập và những bộ dữ liệu được giáo viên chuẩn bị có chủ ý. Cách tiếp cận này giúp khái niệm “dữ liệu tốt cho AI” trở nên cụ thể, dễ quan sát và phù hợp với học sinh lớp 3. Thông qua việc tự phát hiện lỗi, đề xuất cách xử lí, chỉnh sửa và thử lại dữ liệu mới, học sinh từng bước hiểu rằng AI học từ dữ liệu nên việc chuẩn bị dữ liệu là một phần quan trọng của quá trình huấn luyện.

Vị trí của Tiết 11 trong Chuyên đề “Em thử dạy AI – AI có thể học sai”

Tiết 11 mở đầu Chuyên đề 6 với trọng tâm là chất lượng của dữ liệu dùng để AI học. Nếu những tiết trước tập trung giúp học sinh hiểu AI học từ dữ liệu và có thể thực hiện các nhiệm vụ như phân loại, dự đoán, thì ở bài học này các em bắt đầu nhìn ngược lại vào chính dữ liệu được đưa cho AI. Câu hỏi trung tâm không còn chỉ là “AI học như thế nào?” mà trở thành “Dữ liệu như thế nào thì có thể giúp AI học tốt hơn?”.

Yêu cầu cần đạt của bài học được xây dựng theo hướng rất cụ thể. Học sinh cần nhận biết dữ liệu dùng để AI học có thể bị thiếu, nhầm lẫn hoặc không đúng sự thật; nêu được những yêu cầu cơ bản đối với dữ liệu như phù hợp với nhiệm vụ, rõ ràng, chính xác và đủ ví dụ cần thiết; đồng thời biết phát hiện một số dữ liệu thiếu hoặc gán nhãn chưa phù hợp trong tình huống mô phỏng. Đây là những nhận thức nền tảng để học sinh hiểu rằng số lượng dữ liệu không phải là yếu tố duy nhất quyết định dữ liệu có ích cho quá trình học của AI.

Bài học đồng thời hướng tới việc hình thành phẩm chất chăm chỉ và trách nhiệm. Học sinh được yêu cầu tích cực quan sát, kiểm tra và hoàn thành nhiệm vụ với dữ liệu; cẩn thận khi lựa chọn, sắp xếp và kiểm tra dữ liệu trước khi dùng để dạy AI. Về năng lực, các em được rèn luyện khả năng giao tiếp, hợp tác, giải quyết vấn đề và bước đầu hình thành năng lực AI thông qua việc nhận biết những yêu cầu cơ bản của dữ liệu dùng để AI học.

Khởi động: Dữ liệu nào giúp “máy” học tốt?

Hoạt động khởi động được tổ chức thông qua trò chơi “Thẻ nào có vấn đề?”, giúp học sinh nhanh chóng nhận ra rằng không phải bộ dữ liệu nào cũng có thể sử dụng theo cùng một cách để dạy máy. Giáo viên đưa lên bảng hai bộ thẻ. Bộ A gồm hình con mèo, con chó, con thỏ, con gà kèm tên rõ ràng; trong khi Bộ B có một số hình nhưng một thẻ không có tên và một thẻ bị gắn nhãn nhầm. Học sinh được yêu cầu quan sát, so sánh và trả lời bộ nào dễ giúp máy học hơn.

Khi lựa chọn Bộ A, học sinh cần giải thích rằng các thẻ trong bộ này có thông tin rõ ràng và phù hợp. Đây là bước đầu tiên để các em nhận ra một dữ liệu tốt không đơn giản là dữ liệu “có hình ảnh” mà còn phải chứa thông tin đủ rõ để phục vụ nhiệm vụ đang thực hiện.

Giáo viên sau đó chỉ vào thẻ không có nhãn và đặt câu hỏi: “Máy nhìn thấy hình này nhưng không biết thẻ thuộc nhóm nào. Khi dùng thẻ này để học, chúng ta gặp khó khăn gì?”. Học sinh nhận ra rằng máy không biết thẻ thuộc nhóm nào và ví dụ chưa đủ thông tin để sử dụng làm dữ liệu dạy. Cách đặt câu hỏi này giúp các em nhìn thấy tác động của một dữ liệu thiếu thông tin đối với quá trình học.

Tiếp theo, giáo viên đưa ra một hình con mèo nhưng lại gắn nhãn “chó”. Đây là tình huống đơn giản nhưng rất có giá trị vì học sinh có thể trực tiếp quan sát sự không phù hợp giữa hình và nhãn. Các em nhận ra nếu giữ thông tin nhầm như vậy, máy có thể học theo mối liên hệ không đúng và từ đó đưa ra kết quả không phù hợp.

Một trường hợp khác được đưa ra là hình ảnh bị che gần hết. Khi được hỏi thẻ này có dễ nhận biết không, học sinh nhận ra thông tin chưa rõ nên khó xác định đặc điểm. Từ đó, giáo viên giúp các em hình thành nhận thức rằng dữ liệu sử dụng để dạy AI cần đủ rõ và phù hợp với nhiệm vụ.

Câu hỏi cuối của phần khởi động “Vậy dữ liệu dùng để dạy AI chỉ cần có thật nhiều là đủ chưa?” giúp học sinh tránh một cách hiểu đơn giản rằng càng nhiều dữ liệu thì càng tốt. Câu trả lời mong đợi là chưa đủ; dữ liệu còn cần rõ ràng, phù hợp và không bị thiếu hoặc nhầm lẫn. Đây chính là điểm chuyển tự nhiên từ bài học trước sang nội dung trọng tâm của Tiết 11.

Khám phá: Dữ liệu thiếu, nhầm lẫn và không rõ

Sau khi nhận biết một số vấn đề đơn giản, học sinh bước vào hoạt động khám phá với vai trò của một nhóm đang chuẩn bị dữ liệu để dạy AI. Giáo viên chia lớp thành các nhóm bốn học sinh và phát cho mỗi nhóm một “hộp dữ liệu” gồm các thẻ con vật và nhãn. Nhiệm vụ được đặt ra rất rõ: kiểm tra từng thẻ, nhưng chưa vội sửa mà trước hết phải tìm xem dữ liệu đang có vấn đề gì.

Cách tổ chức này khuyến khích học sinh làm việc theo quy trình thay vì sửa dữ liệu một cách cảm tính. Các thành viên có thể phân công người đọc thẻ, người kiểm tra hình và nhãn, người ghi phiếu và người báo cáo. Khi từng thẻ được kiểm tra, nhóm đặt những thẻ có vấn đề vào ba khu vực “THIẾU”, “NHẦM” và “CHƯA RÕ”.

Với nhóm “THIẾU”, học sinh phải chỉ ra cụ thể dữ liệu nào đang thiếu tên, thiếu nhãn hoặc thiếu ví dụ cần thiết. Đây là điểm quan trọng vì các em không chỉ nói “thẻ này chưa tốt” mà phải xác định thiếu ở đâu và vì sao sự thiếu hụt đó ảnh hưởng đến việc sử dụng dữ liệu.

Với thẻ bị gán nhãn sai, giáo viên sử dụng tình huống hình con mèo nhưng nhãn ghi “chó”. Học sinh nhận ra nhãn không khớp với hình và nếu giữ nguyên, máy có thể học sai mối liên hệ giữa hình ảnh và nhãn. Qua đó, các em hiểu rằng độ chính xác của nhãn là một yêu cầu quan trọng đối với dữ liệu dùng để AI học.

Với thẻ có hình bị mờ hoặc không đủ đặc điểm, học sinh cần trả lời liệu thông tin trên thẻ có giúp nhận biết rõ hay không và đề xuất cách xử lí. Cách xử lí được đưa ra là thay bằng hình rõ hơn hoặc bổ sung thông tin phù hợp. Như vậy, học sinh không chỉ nhận diện lỗi mà còn bước đầu biết đề xuất phương án cải thiện dữ liệu.

Một vấn đề khác được đưa vào hoạt động là bộ dữ liệu có quá ít ví dụ. Khi giáo viên đưa thêm hai thẻ mới và hỏi điều gì có thể xảy ra nếu bộ dữ liệu chỉ có rất ít ví dụ, học sinh nhận ra máy có thể khó nhận biết hoặc đưa ra kết quả chưa phù hợp vì có ít ví dụ để học. Đây là bước mở rộng quan trọng, giúp học sinh hiểu rằng dữ liệu cần có đủ ví dụ cần thiết chứ không chỉ cần một vài ví dụ đơn lẻ.

Sau khi phát hiện các lỗi, học sinh hoàn thành bảng “Vấn đề của dữ liệu – Cách xử lí”. Những cách xử lí được xác định trong kế hoạch gồm bổ sung nhãn hoặc thông tin đối với thẻ thiếu, sửa nhãn đối với thẻ nhầm, thay hoặc bổ sung dữ liệu rõ đối với hình chưa rõ và bổ sung thêm ví dụ phù hợp khi số lượng ví dụ còn quá ít. Đây là một bước chuyển từ nhận biết sang giải quyết vấn đề rất rõ trong bài học.

Giáo viên sau đó chuẩn hóa kiến thức: dữ liệu dùng để AI học cần phù hợp với nhiệm vụ, rõ ràng, chính xác và có đủ ví dụ cần thiết. Đồng thời, dữ liệu có thể bị thiếu, nhầm lẫn hoặc không đúng sự thật nên cần được kiểm tra trước khi sử dụng. Đây là nội dung cốt lõi mà học sinh cần ghi nhớ sau hoạt động khám phá.

Vì sao dữ liệu sai có thể làm AI học không đúng?

Một trong những nội dung quan trọng nhất của Tiết 11 là giúp học sinh hiểu mối liên hệ giữa chất lượng dữ liệu và việc học của AI. Trong mô phỏng của bài học, AI sử dụng các ví dụ dữ liệu để nhận biết đặc điểm và xử lí những dữ liệu mới. Vì vậy, nếu một ví dụ chứa thông tin sai hoặc không rõ ràng, nó có thể gây khó khăn cho việc nhận ra mối liên hệ mà AI cần học.

Tình huống con mèo nhưng được gắn nhãn “chó” là ví dụ trực quan nhất. Nếu người chuẩn bị dữ liệu không kiểm tra mà đưa thẻ đó vào bộ dữ liệu dạy, “AI” trong mô phỏng sẽ nhận được thông tin không phù hợp giữa hình ảnh và nhãn. Học sinh không cần đi sâu vào thuật toán để hiểu vấn đề; chỉ cần quan sát hình và nhãn là các em có thể nhận ra thông tin đã không thống nhất.

Tương tự, một hình ảnh bị che gần hết hoặc quá mờ cũng gây khó khăn cho việc nhận biết. Khi dữ liệu không thể hiện rõ đặc điểm cần thiết, học sinh hiểu rằng ví dụ đó chưa phải một ví dụ tốt để dùng trong quá trình học. Vì vậy, dữ liệu tốt phải rõ ràng và phù hợp với nhiệm vụ đang đặt ra.

Một bộ dữ liệu quá ít ví dụ cũng đặt ra vấn đề. Khi chỉ có một số lượng rất nhỏ các trường hợp, dữ liệu có thể chưa thể hiện đủ những đặc điểm cần thiết của nhóm. Vì vậy, khi gặp một dữ liệu mới, máy có thể khó nhận biết hoặc đưa ra kết quả chưa phù hợp. Bài học không yêu cầu học sinh đi sâu vào các khái niệm kỹ thuật mà chỉ hình thành nhận thức cơ bản rằng cần có đủ ví dụ cần thiết để hỗ trợ quá trình học.

Luyện tập: Em là người kiểm tra dữ liệu

Sau khi đã biết nhận diện dữ liệu thiếu, nhầm và chưa rõ, học sinh chuyển sang hoạt động luyện tập với nhiệm vụ “Cứu bộ dữ liệu”. Đây là hoạt động có tính thực hành cao, trong đó các em phải kiểm tra một bộ dữ liệu trước khi cho “AI” học, sau đó chỉnh sửa và thử lại. Qua hoạt động này, học sinh được thực hành đầy đủ hơn quá trình kiểm tra, sửa chữa và đánh giá lại dữ liệu.

Mỗi nhóm nhận một bộ dữ liệu về hai nhóm con vật “CÓ CÁNH” và “KHÔNG CÓ CÁNH”. Trong bộ dữ liệu có hai thẻ bị gán nhãn nhầm, một thẻ thiếu nhãn và một số ví dụ chưa đủ để thể hiện rõ hai nhóm. Nhiệm vụ của học sinh là tìm tất cả dữ liệu cần xem lại và ghi rõ lí do cho từng trường hợp.

Điểm quan trọng là giáo viên không chỉ yêu cầu học sinh tìm lỗi mà còn yêu cầu phân loại lỗi. Các em phải xác định thẻ nào thiếu, thẻ nào sai hoặc nhầm và vấn đề nằm ở đâu. Việc phân loại lỗi giúp học sinh hiểu rằng những vấn đề khác nhau trong dữ liệu cần những cách xử lí khác nhau.

Một câu hỏi có tính định hướng cao được đưa ra: “Nếu nhóm chỉ xóa thẻ sai mà không bổ sung ví dụ phù hợp thì bộ dữ liệu đã tốt hơn hoàn toàn chưa?”. Học sinh nhận ra rằng loại bỏ dữ liệu sai mới chỉ giải quyết một phần vấn đề; nếu bộ dữ liệu vẫn thiếu ví dụ thì vẫn cần bổ sung dữ liệu phù hợp. Đây là một nhận thức quan trọng về chất lượng dữ liệu: sửa lỗi không đồng nghĩa với việc dữ liệu đã đầy đủ.

Sau đó, nhóm trực tiếp chỉnh sửa bộ dữ liệu bằng cách đổi nhãn đúng, bổ sung nhãn còn thiếu và đề xuất ít nhất hai ví dụ cần bổ sung. Việc cho học sinh thao tác với chính những thẻ dữ liệu giúp kiến thức trở nên cụ thể hơn. Các em không chỉ nói “dữ liệu phải chính xác” mà thực sự thực hiện việc sửa một nhãn sai, bổ sung một nhãn thiếu và lựa chọn thêm ví dụ phù hợp.

Sau khi chỉnh sửa, học sinh phải kiểm tra lần hai bằng ba câu hỏi: dữ liệu hiện tại có đúng với hình không, có rõ không và có đủ ví dụ cho hai nhóm chưa. Đây là bước rất quan trọng vì nó hình thành cho học sinh thói quen kiểm tra lại sau khi chỉnh sửa thay vì mặc nhiên cho rằng sửa xong là đã đúng.

Giáo viên tiếp tục đưa một thẻ mới để nhóm thử dùng bộ dữ liệu đã chỉnh sửa nhằm xác định nhóm. Khi đưa ra kết quả, học sinh phải chỉ ra những ví dụ trong bộ dữ liệu làm căn cứ. Như vậy, hoạt động đã nối trực tiếp chất lượng dữ liệu với khả năng xử lí một trường hợp mới, đồng thời củng cố nội dung của các tiết trước về việc AI học từ dữ liệu và sử dụng điều đã học để xử lí dữ liệu mới.

Sau đó, hai nhóm đổi sản phẩm để kiểm tra bộ dữ liệu của nhau theo ba tiêu chí phù hợp, rõ ràng và chính xác/đúng nhãn. Mỗi nhóm cần ghi một điểm tốt và một điểm cần chỉnh sửa nếu có. Đây vừa là hoạt động đánh giá đồng đẳng vừa giúp học sinh tiếp tục sử dụng các tiêu chí của bài học để nhìn nhận sản phẩm của người khác.

Khi so sánh trước và sau chỉnh sửa, học sinh được hỏi việc xử lí thẻ mới có thuận lợi hơn không và vì sao. Các em nhận ra dữ liệu được chỉnh sửa giúp việc nhận biết, phân loại rõ ràng hơn. Giáo viên từ đó chốt lại một nguyên tắc quan trọng: kiểm tra dữ liệu là bước cần thiết trước khi cho AI học; dữ liệu không chỉ cần có mà còn phải phù hợp, rõ ràng, chính xác và đủ ví dụ cần thiết.

Bốn yêu cầu cơ bản của dữ liệu dùng để AI học

Qua toàn bộ hoạt động khám phá và luyện tập, học sinh dần hình thành bốn yêu cầu cơ bản đối với dữ liệu dùng để AI học. Trước hết, dữ liệu phải phù hợp với nhiệm vụ. Nếu muốn AI nhận biết chó và mèo thì dữ liệu cần cung cấp những ví dụ liên quan đến chó và mèo, thay vì những thông tin không phục vụ nhiệm vụ.

Tiếp theo, dữ liệu cần rõ ràng. Một hình ảnh bị che gần hết hoặc quá mờ sẽ khó thể hiện đặc điểm cần nhận biết. Khi dữ liệu rõ, học sinh có thể quan sát và xác định được thông tin mà dữ liệu đang cung cấp.

Dữ liệu cũng cần chính xác. Hình ảnh con mèo phải đi cùng nhãn phù hợp với hình ảnh đó. Nếu nhãn bị gán sai, thông tin đưa vào quá trình học sẽ không thống nhất và có thể khiến AI học mối liên hệ không phù hợp.

Cuối cùng, dữ liệu cần có đủ ví dụ cần thiết. Một bộ dữ liệu quá ít ví dụ có thể khiến máy gặp khó khăn khi xử lí dữ liệu mới. Vì vậy, chuẩn bị dữ liệu không chỉ là tìm một vài ví dụ mà cần xem xét liệu các ví dụ đã đủ để thể hiện nhiệm vụ hay chưa. Những yêu cầu này được giáo viên chuẩn hóa trực tiếp trong hoạt động khám phá và được học sinh sử dụng lại trong phần luyện tập, vận dụng.

Vận dụng: Em thiết kế một bộ dữ liệu tốt

Hoạt động vận dụng đưa học sinh từ việc sửa dữ liệu do giáo viên chuẩn bị sang việc tự thiết kế một bộ dữ liệu đơn giản. Mục tiêu là để các em biết lựa chọn ví dụ cần thiết và tự kiểm tra bộ dữ liệu theo những yêu cầu cơ bản trước khi “dạy AI”.

Mỗi học sinh nhận một phiếu gồm bốn câu hỏi: “AI cần nhận biết điều gì?”, “Em cần những ví dụ nào?”, “Dữ liệu có rõ và đúng không?” và “Còn thiếu dữ liệu nào không?”. Các em lựa chọn một nhiệm vụ quen thuộc như nhận biết chó/mèo, phân loại đồ dùng học tập hoặc nhận biết phương tiện đường bộ/đường thủy, sau đó liệt kê hoặc dùng hình vẽ để tạo các ví dụ dữ liệu cần thiết.

Giáo viên đưa ra một câu hỏi gợi mở rất phù hợp với mục tiêu của hoạt động: “Nếu em muốn AI nhận biết chó và mèo, em sẽ cho AI xem những ví dụ nào? Có nên chỉ cho xem một con chó và một con mèo không?”. Qua trao đổi, học sinh nhận ra cần nhiều ví dụ phù hợp, hình ảnh cần rõ ràng và thông tin hoặc nhãn cần chính xác. Đây là lúc các em vận dụng tổng hợp những gì đã học ở các hoạt động trước.

Sau khi tạo bộ dữ liệu, học sinh dùng bốn câu hỏi để tự kiểm tra: dữ liệu có phù hợp nhiệm vụ không, có rõ không, có đúng không và có đủ ví dụ không. Các em đánh dấu, bổ sung hoặc điều chỉnh những phần còn thiếu. Quy trình này giúp học sinh biến bốn yêu cầu cơ bản của dữ liệu thành một công cụ kiểm tra đơn giản có thể sử dụng trong những tình huống tương tự.

Hoạt động được mở rộng bằng hình thức đổi phiếu theo cặp. Bạn cùng học đóng vai người kiểm tra và đặt câu hỏi: “Nếu em là ‘AI’, dữ liệu này đã đủ để học chưa? Em muốn bạn bổ sung thẻ nào?”. Học sinh nhận xét sản phẩm của bạn và chỉ ra một dữ liệu cần bổ sung hoặc chỉnh sửa nếu phát hiện vấn đề. Qua đó, các em vừa củng cố kiến thức vừa rèn năng lực giao tiếp, hợp tác và phản hồi.

Cuối hoạt động, giáo viên mời một số học sinh trình bày và đặt câu hỏi: “Điều quan trọng nhất em cần nhớ khi chuẩn bị dữ liệu cho AI là gì?”. Câu trả lời được hướng tới bốn yêu cầu: dữ liệu cần phù hợp, rõ ràng, chính xác và đủ ví dụ cần thiết; đồng thời cần kiểm tra trước khi cho AI học. Giáo viên chốt lại bằng thông điệp: AI học từ dữ liệu, vì vậy người chuẩn bị dữ liệu cần kiểm tra cẩn thận; dữ liệu thiếu, nhầm hoặc không rõ có thể làm quá trình học gặp khó khăn.

Dữ liệu nhiều chưa chắc đã là dữ liệu tốt

Một trong những nhận thức quan trọng mà bài học muốn hình thành là số lượng không phải tiêu chí duy nhất để đánh giá dữ liệu. Ngay từ hoạt động khởi động, học sinh đã được đặt trước hai bộ thẻ để so sánh. Một bộ có thông tin rõ ràng và phù hợp, trong khi bộ còn lại có thẻ thiếu nhãn và thẻ gán nhãn nhầm. Từ đó, học sinh nhận ra rằng không thể chỉ dựa vào số lượng để kết luận một bộ dữ liệu sẽ giúp máy học tốt.

Một bộ dữ liệu có nhiều ví dụ nhưng chứa nhiều nhãn sai vẫn có vấn đề. Ngược lại, một bộ dữ liệu được kiểm tra cẩn thận, thông tin rõ và nhãn chính xác sẽ có giá trị hơn đối với nhiệm vụ mà người sử dụng đang hướng tới. Trong phạm vi của bài học, học sinh chưa cần đi sâu vào các tiêu chí kỹ thuật phức tạp mà chỉ cần nắm được bốn yêu cầu cơ bản: phù hợp, rõ ràng, chính xác và đủ ví dụ cần thiết.

Cách hiểu này cũng tạo nền tảng để học sinh tiếp tục khám phá những bài học sau về việc AI có thể học sai. Khi dữ liệu đầu vào có vấn đề, kết quả của quá trình học cũng có thể gặp khó khăn. Vì vậy, trước khi đặt câu hỏi AI học được gì, người sử dụng cần quan tâm đến việc AI đã được cung cấp những dữ liệu như thế nào.

Từ người học thành người kiểm tra dữ liệu

Một điểm hay của Tiết 11 là học sinh không chỉ đứng ở vị trí người sử dụng AI mà được đặt vào vai trò của người chuẩn bị dữ liệu. Các em được giao nhiệm vụ kiểm tra từng thẻ, phát hiện vấn đề, phân loại lỗi, sửa nhãn, bổ sung thông tin, đề xuất thêm ví dụ và kiểm tra lại sản phẩm. Qua đó, học sinh hiểu rằng chất lượng của một quá trình học máy không chỉ phụ thuộc vào “máy” mà còn liên quan đến cách con người chuẩn bị dữ liệu.

Vai trò này phù hợp với mục tiêu hình thành phẩm chất trách nhiệm trong bài học. Học sinh được yêu cầu cẩn thận khi lựa chọn, sắp xếp và kiểm tra dữ liệu trước khi dùng để dạy AI. Việc kiểm tra dữ liệu trở thành một nhiệm vụ có trách nhiệm chứ không phải một bước làm thêm khi có thời gian.

Đồng thời, học sinh được rèn năng lực giải quyết vấn đề thông qua việc không chỉ phát hiện lỗi mà còn phải đề xuất cách bổ sung và chỉnh sửa. Khi thấy thẻ thiếu nhãn, các em bổ sung nhãn; khi thấy nhãn sai, các em sửa nhãn; khi hình chưa rõ, các em đề xuất thay hoặc bổ sung dữ liệu rõ; khi có quá ít ví dụ, các em đề xuất thêm ví dụ phù hợp. Đây chính là quá trình từ nhận diện vấn đề đến tìm giải pháp mà bài học hướng tới.

Tổ chức dạy học không phụ thuộc vào công cụ AI

Mặc dù chủ đề liên quan trực tiếp đến việc AI học từ dữ liệu, kế hoạch bài dạy không yêu cầu học sinh sử dụng phần mềm AI. Giáo viên có thể sử dụng thiết bị của mình để minh họa nếu có, nhưng trọng tâm vẫn là thẻ dữ liệu và mô phỏng. Học sinh chỉ cần vở, bút, phiếu học tập và thẻ dữ liệu do giáo viên phát.

Điều này giúp tiết học có thể triển khai trong điều kiện lớp học khác nhau. Giáo viên hoàn toàn có thể tạo các bộ dữ liệu mô phỏng bằng hình ảnh con vật, đồ vật hoặc phương tiện, sau đó chủ động thiết kế một số lỗi như thiếu nhãn, nhầm nhãn, hình chưa rõ hoặc thiếu ví dụ. Học sinh sẽ sử dụng chính những bộ dữ liệu đó để thực hành kiểm tra và chỉnh sửa.

Cách tổ chức này cũng phù hợp với mục tiêu đánh giá của bài học. Kế hoạch xác định rõ học sinh không được đánh giá dựa vào khả năng sử dụng phần mềm AI và không yêu cầu thiết bị, tài khoản hoặc kết nối Internet riêng. Điều cần đánh giá là khả năng nhận biết dữ liệu có vấn đề, nêu các yêu cầu cơ bản và biết kiểm tra dữ liệu trước khi sử dụng.

Đánh giá kết quả học tập

Việc đánh giá được thực hiện thường xuyên trong suốt tiết học thông qua quan sát cách học sinh kiểm tra thẻ dữ liệu, phiếu nhóm, khả năng phát hiện dữ liệu thiếu, nhầm, chưa rõ và cách các em đề xuất bổ sung hoặc chỉnh sửa. Như vậy, giáo viên có thể thu thập minh chứng từ nhiều hoạt động thay vì chỉ dựa vào một sản phẩm cuối cùng.

Học sinh đạt yêu cầu khi nhận biết được dữ liệu có thể thiếu, nhầm lẫn hoặc không đúng sự thật; nêu được các yêu cầu cơ bản đối với dữ liệu dùng để AI học và biết kiểm tra dữ liệu trước khi sử dụng. Đây là ba biểu hiện quan trọng cho thấy học sinh đã đạt được trọng tâm của bài.

Trong quá trình đánh giá, giáo viên nên chú ý cả cách học sinh giải thích. Một học sinh phát hiện thẻ sai nhưng không nói được sai ở đâu sẽ cần được gợi mở thêm. Ngược lại, học sinh có thể chỉ ra “hình là con mèo nhưng nhãn ghi chó”, đồng thời đề xuất sửa nhãn và giải thích rằng dữ liệu cần chính xác thì đã thể hiện rõ năng lực mà bài học hướng tới.

Những điểm học sinh cần ghi nhớ sau tiết học

Sau Tiết 11, học sinh cần hình thành được một cách hiểu đơn giản nhưng rõ ràng: dữ liệu dùng để AI học có thể gặp vấn đề. Dữ liệu có thể bị thiếu, bị gán nhãn nhầm, không rõ hoặc có quá ít ví dụ cần thiết. Vì vậy, trước khi sử dụng dữ liệu để dạy AI, con người cần kiểm tra và xử lí những vấn đề có thể phát hiện được.

Bốn yêu cầu cơ bản cần được học sinh ghi nhớ là dữ liệu phải phù hợp với nhiệm vụ, rõ ràng, chính xác và đủ ví dụ cần thiết. Đây không chỉ là những từ khóa của bài học mà được các em trực tiếp sử dụng trong hoạt động kiểm tra và thiết kế bộ dữ liệu.

Thông điệp quan trọng nhất có thể diễn đạt ngắn gọn là: AI học từ dữ liệu, vì vậy dữ liệu cần được chuẩn bị và kiểm tra cẩn thận. Dữ liệu thiếu, nhầm hoặc không rõ có thể làm quá trình học gặp khó khăn.

Kết luận

Tiết 11 “Dữ liệu tốt cho AI” tạo ra một bước phát triển quan trọng trong quá trình hình thành hiểu biết ban đầu về trí tuệ nhân tạo cho học sinh lớp 3. Thay vì chỉ tìm hiểu AI học từ dữ liệu như thế nào, học sinh được đặt vào vai trò của người chuẩn bị và kiểm tra dữ liệu, trực tiếp phát hiện những vấn đề có thể xuất hiện trong bộ dữ liệu mô phỏng. Qua các hoạt động từ “Thẻ nào có vấn đề?” đến “Cứu bộ dữ liệu” và “Em thiết kế một bộ dữ liệu tốt”, học sinh được trải nghiệm trọn vẹn hơn quá trình kiểm tra và cải thiện dữ liệu trước khi đưa vào sử dụng.

Điểm nổi bật của bài học là kiến thức được hình thành thông qua thao tác và tình huống cụ thể. Học sinh nhìn thấy một thẻ không có nhãn, một hình con mèo gắn nhãn “chó”, một hình ảnh không rõ hoặc một bộ dữ liệu có quá ít ví dụ; từ đó các em tự phát hiện vấn đề và đề xuất cách xử lí. Khi được thử lại dữ liệu sau chỉnh sửa, học sinh nhận ra rằng dữ liệu được chuẩn bị tốt hơn có thể giúp việc nhận biết và phân loại rõ ràng hơn trong mô phỏng của bài học.

Quan trọng hơn, Tiết 11 góp phần hình thành cho học sinh một thói quen cần thiết khi tiếp cận AI: không chỉ quan tâm đến kết quả mà còn phải chú ý đến dữ liệu được sử dụng. Biết kiểm tra dữ liệu, phát hiện dữ liệu thiếu hoặc nhầm, bổ sung ví dụ phù hợp và kiểm tra lại trước khi cho AI học là những bước nhỏ nhưng có ý nghĩa trong việc xây dựng năng lực AI và tinh thần sử dụng công nghệ có trách nhiệm.

BẤM VÀO ĐÂY TẢI MIỄN PHÍ TIẾT 11

Với cách tổ chức bằng thẻ, phiếu và mô phỏng, bài học không phụ thuộc vào phần mềm AI hay thiết bị cá nhân của học sinh. Điều quan trọng nhất là giáo viên tạo được những bộ dữ liệu có vấn đề vừa sức, đặt câu hỏi gợi mở và cho học sinh đủ thời gian quan sát, trao đổi, sửa chữa và kiểm tra lại. Qua đó, học sinh từng bước hiểu được một nguyên tắc cốt lõi của bài học: muốn AI học tốt, trước hết con người cần chuẩn bị dữ liệu tốt.