Kế hoạch bài dạy Giáo dục AI lớp 3 – Tiết 9: AI học trên dữ liệu

Sau khi học sinh lớp 3 đã được làm quen với cấu trúc “nếu… thì…” và hiểu cách một quy tắc có thể được sử dụng để phân loại đối tượng, Tiết 9 của Chuyên đề 5 “AI học từ dữ liệu như thế nào?” đưa các em đến một cách tiếp cận khác: thay vì được cung cấp sẵn một quy tắc, máy có thể xem nhiều ví dụ dữ liệu, tìm ra những đặc điểm hoặc mối liên hệ từ các ví dụ đó và sử dụng những gì đã học để xử lí một dữ liệu mới. Đây là bước đầu giúp học sinh hình thành khái niệm trực quan về học máy mà không cần đi vào các thuật ngữ kỹ thuật phức tạp. Kế hoạch bài dạy xác định học sinh cần nêu được đặc điểm chính của học máy là học trên dữ liệu, nhận biết qua mô phỏng rằng máy có thể xem nhiều ví dụ dữ liệu rồi sử dụng những gì đã học để xử lí một ví dụ mới, đồng thời nhận ra sự khác nhau giữa việc máy làm theo một quy tắc có sẵn và việc máy học từ nhiều ví dụ dữ liệu.

Điểm nổi bật của tiết học là học sinh được đóng vai “máy học”. Các em quan sát những thẻ dữ liệu đã được chia nhóm, tìm đặc điểm chung của các nhóm, sau đó sử dụng điều đã nhận ra để dự đoán nhóm của những thẻ mới. Qua chính hoạt động này, học sinh có thể cảm nhận được sự khác biệt giữa hai cách xử lí: một bên là có quy tắc được viết sẵn rồi áp dụng, còn một bên là xem nhiều ví dụ trước rồi tìm đặc điểm để xử lí trường hợp mới.

Vị trí của Tiết 9 trong Chuyên đề “AI học từ dữ liệu như thế nào?”

Tiết 9 có thời lượng một tiết và tiếp nối trực tiếp nội dung của Tiết 8. Ở Tiết 8, học sinh đã biết xây dựng và áp dụng một quy tắc “nếu… thì…” để phân loại. Sang Tiết 9, giáo viên không tiếp tục yêu cầu các em viết quy tắc trước mà tạo tình huống trong đó học sinh chỉ được xem các ví dụ đã có và phải tự tìm ra điểm chung trước khi xử lí một đối tượng mới.

Mục tiêu cốt lõi của tiết học là giúp học sinh hiểu ở mức độ phù hợp với lứa tuổi rằng học máy là cách máy học trên dữ liệu. Máy có thể được cung cấp nhiều ví dụ, từ đó nhận ra một số đặc điểm hoặc mối liên hệ và sử dụng những gì đã học để xử lí dữ liệu mới. Kế hoạch bài dạy diễn đạt quá trình này theo hướng đơn giản: xem dữ liệu mẫu, nhận ra đặc điểm rồi xử lí ví dụ mới.

Đây không phải là tiết học về lập trình hay yêu cầu học sinh sử dụng một công cụ AI cụ thể. Giáo viên có thể sử dụng công cụ học máy trực quan nếu điều kiện cho phép, nhưng toàn bộ hoạt động vẫn có thể được mô phỏng bằng thẻ dữ liệu. Học sinh không cần tài khoản, thiết bị cá nhân hay kết nối Internet riêng.

Khởi động: Máy có thể học từ ví dụ không?

Hoạt động khởi động được tổ chức thông qua trò chơi “Nhìn ví dụ – đoán thẻ mới”. Giáo viên đặt hai bảng “NHÓM A” và “NHÓM B”, sau đó lần lượt đưa bốn thẻ đã được xếp sẵn: chim và bướm vào nhóm A, cá và mèo vào nhóm B. Giáo viên chưa nói tiêu chí phân loại mà đặt câu hỏi nếu xuất hiện thêm một thẻ mới thì học sinh có thể dự đoán nó thuộc nhóm nào bằng cách nào.

Học sinh quan sát các ví dụ và tìm đặc điểm chung. Các em có thể nhận ra nhóm A gồm những con vật có cánh, còn nhóm B gồm những con vật không có cánh. Đây là một nhiệm vụ đơn giản nhưng đã đặt học sinh vào đúng vị trí của một “người học từ ví dụ”: các em không được cung cấp ngay tiêu chí mà phải quan sát những trường hợp đã có để tìm ra đặc điểm chung.

Khi giáo viên đưa thẻ con ong và hỏi dựa vào những ví dụ đã xem thì con ong thuộc nhóm nào, học sinh có thể dự đoán con ong thuộc nhóm A vì con ong có cánh, tương tự như chim và bướm. Điều quan trọng không chỉ nằm ở đáp án mà ở căn cứ của đáp án. Học sinh phải dựa vào những đặc điểm đã quan sát ở các ví dụ trước đó để đưa ra dự đoán cho đối tượng chưa xuất hiện.

Giáo viên tiếp tục hỏi học sinh có nhìn thấy một quy tắc được viết sẵn trên bảng hay không, hay các em đã quan sát các ví dụ rồi tìm điểm giống nhau. Học sinh nhận ra rằng trong tình huống này, các em không được cung cấp trước câu “nếu… thì…”, mà phải dựa vào các ví dụ để tìm đặc điểm chung. Đây chính là điểm khởi đầu để phân biệt hoạt động học từ dữ liệu với việc đơn giản áp dụng một quy tắc đã có.

Giáo viên đổi sang một bộ thẻ khác gồm quả táo, quả cam ở nhóm A và quả dưa hấu, quả dừa ở nhóm B rồi đưa một quả mới để học sinh suy nghĩ. Các em tiếp tục phải quan sát những ví dụ đã có, tìm đặc điểm mà giáo viên ngầm sử dụng để chia nhóm và đưa ra dự đoán. Khi được hỏi nếu xem nhiều ví dụ hơn thì việc dự đoán có thể dễ hơn không, học sinh nhận ra rằng nhiều ví dụ giúp có thêm đặc điểm để quan sát và thêm căn cứ cho dự đoán.

Từ đó, giáo viên dẫn vào bài bằng cách liên hệ với Tiết 8: ở tiết trước, học sinh tự viết quy tắc “nếu… thì…” rồi áp dụng; hôm nay các em thử một cách khác là cho “máy” xem nhiều ví dụ dữ liệu rồi xem máy có thể xử lí một ví dụ mới như thế nào. Cách dẫn dắt này tạo ra mối liên hệ rõ ràng giữa hai tiết học và giúp học sinh nhận ra nội dung mới không tách rời những gì đã học.

Khám phá: Máy học từ nhiều ví dụ

Hoạt động khám phá là phần trọng tâm của tiết học. Giáo viên chia lớp thành các nhóm bốn học sinh và phát cho mỗi nhóm tám thẻ “ví dụ đã biết” gồm hai nhóm có nhãn. Chẳng hạn, nhóm A gồm cá, tôm, cua, cá heo; nhóm B gồm mèo, chó, gà, ngựa. Học sinh chưa được xem thẻ mới mà phải quan sát các ví dụ và tìm điểm chung của mỗi nhóm.

Mỗi thành viên trong nhóm có thể đảm nhận một nhiệm vụ như đọc thẻ, xếp nhóm, tìm đặc điểm chung hoặc ghi chép. Khi giáo viên hỏi nhóm A gồm những ví dụ nào và chúng có đặc điểm gì giống nhau, học sinh nhận ra cá, tôm, cua và cá heo đều là những con vật sống dưới nước. Tương tự, các em quan sát nhóm B và tìm đặc điểm chung dựa trên nhiều ví dụ thay vì chỉ dựa vào một trường hợp.

Câu hỏi “Nếu chỉ nhìn một con mèo thì có đủ để hiểu nhóm B không?” giúp học sinh suy nghĩ sâu hơn về vai trò của số lượng ví dụ. Các em nhận ra nhiều ví dụ giúp hiểu đặc điểm của nhóm rõ hơn. Đây là một điểm rất quan trọng khi hình thành nhận thức ban đầu về học máy: máy không chỉ nhìn một trường hợp đơn lẻ mà được cung cấp nhiều ví dụ dữ liệu để tìm ra những đặc điểm cần học.

Sau khi quan sát dữ liệu mẫu, giáo viên đưa lần lượt ba thẻ mới là ếch, cá ngựa và thỏ. Học sinh được yêu cầu không thay đổi các ví dụ ban đầu mà chỉ dựa vào những gì đã quan sát để dự đoán nhóm cho từng thẻ. Các em kiểm tra đặc điểm của từng thẻ, đưa ra dự đoán và ghi lí do. Với thẻ ếch, học sinh có thể nhận ra tình huống chưa thật rõ và cần trao đổi về căn cứ lựa chọn.

Tình huống thẻ ếch có ý nghĩa ở chỗ nó không buộc học sinh phải đưa ra một câu trả lời chắc chắn trong mọi trường hợp. Khi dữ liệu mẫu hoặc đặc điểm của đối tượng mới chưa đủ rõ, học sinh có thể nhận ra mức độ chắc chắn của dự đoán còn hạn chế. Điều này giúp các em hiểu rằng học từ dữ liệu không có nghĩa là máy luôn có thể đưa ra một kết quả chắc chắn trong mọi tình huống.

Giáo viên hỏi học sinh trước khi xử lí thẻ mới, các em đã làm gì. Câu trả lời cần hướng đến trình tự: xem nhiều ví dụ, tìm điểm giống nhau hoặc đặc điểm của các nhóm rồi mới xử lí thẻ mới. Sau đó, giáo viên liên hệ rằng nếu gọi các thẻ đã xem là dữ liệu thì “máy” trong hoạt động vừa rồi đã học từ đâu. Học sinh nhận ra máy học từ các dữ liệu hoặc ví dụ đã được xem.

Từ trải nghiệm đó, mỗi nhóm hoàn thành câu “Học máy là cách để máy … từ … rồi …”. Học sinh có thể diễn đạt theo cách hiểu của mình rằng máy học từ dữ liệu hoặc ví dụ rồi sử dụng điều đã học để xử lí một ví dụ mới. Giáo viên sau đó chuẩn hóa cách diễn đạt: trong học máy, máy sử dụng dữ liệu hoặc ví dụ để học các đặc điểm hoặc mối liên hệ, sau đó dùng những gì đã học để xử lí dữ liệu mới.

Điểm cốt lõi được giáo viên chốt lại là học máy “học trên dữ liệu”. Máy không chỉ nhận một quy tắc được viết sẵn mà được cho xem các ví dụ để học, sau đó sử dụng những gì đã học để xử lí ví dụ mới. Học sinh nhắc lại đặc điểm chính của học máy bằng chính ví dụ của nhóm mình, giúp khái niệm được gắn với trải nghiệm vừa thực hiện thay vì trở thành một câu định nghĩa cần học thuộc.

Luyện tập: Em làm “máy học”

Sau khi đã được trải nghiệm mô phỏng một lần, học sinh tiếp tục thực hành bằng cách trực tiếp đóng vai “máy học”. Giáo viên phát cho mỗi nhóm một bộ thẻ mới về đồ dùng học tập, được chia thành hai nhóm theo một đặc điểm đã chuẩn bị. Giáo viên yêu cầu học sinh không hỏi ngay tiêu chí mà phải quan sát những thẻ mẫu và tìm điểm chung của hai nhóm.

Học sinh ghi vào phiếu những điều quan sát được theo cấu trúc “Nhóm 1 có…; Nhóm 2 có…; Điểm khác nhau em nhận thấy là…”. Cách ghi này giúp các em chuyển quá trình quan sát thành một mô tả rõ ràng. Thay vì chỉ nói “em đoán nhóm này”, học sinh phải chỉ ra đặc điểm đã quan sát được từ dữ liệu mẫu.

Giáo viên lần lượt đưa bốn thẻ mới và yêu cầu một học sinh trong nhóm cầm thẻ nhưng chưa nói tên. Các thành viên còn lại phải quan sát đặc điểm, đối chiếu với những ví dụ đã xem, đưa ra dự đoán và giải thích căn cứ. Qua nhiệm vụ này, học sinh tiếp tục thực hành quy trình xem dữ liệu mẫu, nhận ra đặc điểm và sử dụng điều đã học để xử lí dữ liệu mới.

Một tình huống được giáo viên chủ động đưa vào là một thẻ có đặc điểm chưa rõ hoặc có thể thuộc cả hai cách hiểu. Giáo viên hỏi nhóm có chắc chắn không và dữ liệu đã xem có giúp quyết định rõ chưa. Học sinh có thể nhận ra rằng có những trường hợp dữ liệu mẫu chưa đủ để đưa ra dự đoán chắc chắn, từ đó nêu lí do và mức độ tin cậy của dự đoán.

Nội dung này tạo ra một điểm kết nối rất tốt với những gì học sinh đã học ở Chuyên đề 4 về việc AI có thể sai và cần kiểm tra. Trong Tiết 9, trọng tâm vẫn là hiểu học máy học từ dữ liệu, nhưng học sinh đồng thời được trải nghiệm rằng nếu dữ liệu mẫu chưa đủ hoặc đối tượng mới chưa rõ thì việc dự đoán có thể gặp khó khăn. Điều đó giúp các em không hình thành suy nghĩ rằng “máy học từ dữ liệu” đồng nghĩa với “máy luôn biết đúng”.

Giáo viên yêu cầu học sinh xem lại toàn bộ dữ liệu mẫu và suy nghĩ xem có ví dụ nào nếu được bổ sung sẽ giúp hiểu nhóm rõ hơn không. Học sinh đề xuất một ví dụ cụ thể và giải thích vì sao ví dụ đó có ích. Qua đó, các em nhận ra rằng dữ liệu bổ sung có thể cung cấp thêm căn cứ để hiểu đặc điểm của nhóm.

Tiếp theo, các nhóm đổi bộ dữ liệu cho nhau và thử dự đoán một thẻ mới của nhóm bạn. Nhóm nhận phải ghi lại “Dự đoán của chúng tôi – Căn cứ từ các ví dụ”. Yêu cầu này giúp học sinh luôn gắn kết quả dự đoán với dữ liệu mẫu thay vì chỉ đưa ra câu trả lời theo cảm tính.

Khi giáo viên hỏi nếu không có các ví dụ mẫu mà chỉ đưa thẻ mới thì có thể thực hiện hoạt động “học máy” theo cách vừa rồi hay không, học sinh nhận ra dữ liệu mẫu chính là cơ sở của hoạt động. Không có ví dụ thì không có căn cứ để mô phỏng việc học từ dữ liệu. Đây là một trong những kết luận quan trọng nhất của tiết học.

Giáo viên tiếp tục phân biệt với Tiết 8: ở tiết trước, học sinh viết quy tắc trước rồi áp dụng; trong hoạt động hôm nay, các em xem nhiều ví dụ trước rồi mới xử lí thẻ mới. Học sinh nêu được điểm khác nhau giữa hai cách: một bên có quy tắc được nêu trước, còn một bên dựa vào nhiều ví dụ dữ liệu để học.

Cuối hoạt động, giáo viên chốt rằng học máy cần dữ liệu làm ví dụ để máy học. Khi gặp dữ liệu mới, máy sử dụng những gì đã học từ dữ liệu trước đó để đưa ra kết quả. Học sinh hoàn thiện phiếu và nêu lại đặc điểm chính của học máy. Sản phẩm là phiếu mô phỏng “Dữ liệu mẫu – Đặc điểm nhận ra – Dự đoán dữ liệu mới” cùng phần giải thích căn cứ của dự đoán.

Vận dụng: Giải thích một lần “AI học”

Hoạt động vận dụng giúp học sinh chuyển từ việc đóng vai “máy học” sang khả năng giải thích lại quá trình bằng một sơ đồ đơn giản. Giáo viên phát phiếu gồm bốn ô: “Dữ liệu mẫu”, “AI học được gì?”, “Dữ liệu mới” và “AI có thể đưa ra kết quả gì?”. Học sinh chọn một bộ dữ liệu đã trải nghiệm trong tiết học và điền từng ô bằng từ ngữ hoặc hình vẽ.

Trong quá trình học sinh hoàn thành phiếu, giáo viên đặt các câu hỏi gợi mở: AI đã được xem những ví dụ nào, từ các ví dụ đó AI nhận ra đặc điểm gì và khi gặp ví dụ mới AI làm gì. Cách hỏi này giúp học sinh giữ đúng trình tự của quá trình học từ dữ liệu và tránh diễn đạt theo kiểu AI “biết sẵn” đáp án.

Sau đó, học sinh đổi phiếu theo cặp. Người bạn đọc sơ đồ và đặt câu hỏi “Dữ liệu nào giúp AI đưa ra kết quả này?”. Người thực hiện phải giải thích dựa trên dữ liệu mẫu và chỉnh sửa sơ đồ nếu thiếu bước. Hoạt động này giúp học sinh kiểm tra xem sơ đồ của mình đã thể hiện đầy đủ mối quan hệ giữa dữ liệu mẫu, việc học, dữ liệu mới và kết quả hay chưa.

Giáo viên mời một số học sinh trình bày theo mẫu câu “AI xem … ví dụ; từ đó học …; khi gặp …, AI có thể …”. Học sinh có thể minh họa bằng tình huống AI xem nhiều hình con vật đã được phân nhóm rồi sử dụng những gì đã học để dự đoán nhóm của một hình mới. Cách trình bày theo trình tự giúp học sinh diễn đạt rõ quá trình thay vì chỉ nói kết quả cuối cùng.

Một câu hỏi mở rộng được đặt ra là nếu chỉ cho AI xem một ví dụ thì có giống với việc cho AI xem nhiều ví dụ hay không. Học sinh nhận ra nhiều ví dụ cung cấp thêm dữ liệu để học, trong khi một ví dụ có thể chưa đủ để mô phỏng tốt việc học. Nội dung này tiếp tục củng cố vai trò của dữ liệu trong học máy mà học sinh đã trải nghiệm qua các hoạt động trước đó.

Cuối cùng, giáo viên chốt toàn bài: học máy là cách máy học trên dữ liệu; máy được xem các ví dụ dữ liệu, tìm ra những điểm cần học và sử dụng điều đã học để xử lí dữ liệu mới. Vì vậy, dữ liệu có vai trò rất quan trọng đối với học máy. Học sinh nhắc lại thông điệp và nêu một ví dụ về AI học trên dữ liệu.

Từ “làm theo quy tắc” đến “học từ dữ liệu”

Nội dung quan trọng nhất cần giúp học sinh phân biệt trong Tiết 9 là sự khác nhau giữa một máy làm theo quy tắc có sẵn và một máy học từ nhiều ví dụ dữ liệu. Ở Tiết 8, học sinh đã tự viết một câu “nếu… thì…” rồi dùng câu đó để phân loại đối tượng. Trong trường hợp này, quy tắc được xác định trước và người thực hiện chỉ cần kiểm tra điều kiện rồi áp dụng kết quả tương ứng.

Ở Tiết 9, tình huống được thay đổi. Học sinh không được cung cấp ngay quy tắc mà phải xem nhiều ví dụ đã có nhãn, tìm đặc điểm chung của các nhóm và sử dụng điều nhận ra để dự đoán một đối tượng mới. Vì vậy, điểm khác biệt nằm ở cách hình thành căn cứ cho việc xử lí: một bên áp dụng quy tắc đã được nêu trước, còn một bên học từ các ví dụ dữ liệu trước khi xử lí dữ liệu mới.

Sự phân biệt này giúp học sinh có một cách hiểu ban đầu về học máy mà không cần sử dụng thuật ngữ kỹ thuật phức tạp. Các em chỉ cần nhớ rằng trong học máy, dữ liệu mẫu đóng vai trò rất quan trọng bởi máy cần xem những ví dụ đó để học các đặc điểm hoặc mối liên hệ trước khi xử lí dữ liệu mới.

Vì sao cần nhiều ví dụ dữ liệu?

Một thông điệp xuyên suốt tiết học là nhiều ví dụ giúp có thêm căn cứ để nhận ra đặc điểm của một nhóm. Ngay từ hoạt động khởi động, học sinh đã nhận ra nếu được xem nhiều ví dụ hơn thì việc dự đoán có thể dễ hơn vì có thêm đặc điểm để quan sát.

Trong hoạt động khám phá, câu hỏi nếu chỉ nhìn một con mèo thì có đủ để hiểu nhóm B hay không giúp học sinh nhận ra vai trò của nhiều ví dụ. Khi có cá, tôm, cua và cá heo cùng nằm trong một nhóm, học sinh có thêm căn cứ để nhận ra đặc điểm chung “sống dưới nước”. Nhiều ví dụ giúp các em quan sát được nhiều trường hợp thay vì dựa vào một trường hợp đơn lẻ.

Đến hoạt động vận dụng, học sinh tiếp tục nhận ra một ví dụ có thể chưa đủ để mô phỏng tốt việc học, trong khi nhiều ví dụ cung cấp thêm dữ liệu để học. Đây là nhận thức ban đầu quan trọng để các em hiểu tại sao dữ liệu lại có vai trò lớn trong hoạt động của học máy.

Khi dữ liệu chưa đủ thì dự đoán có thể chưa chắc chắn

Bài học không chỉ giúp học sinh hiểu máy học từ dữ liệu mà còn tạo cơ hội để các em nhận ra giới hạn của việc dự đoán. Khi giáo viên đưa thẻ ếch trong hoạt động khám phá hoặc một thẻ có đặc điểm chưa rõ trong hoạt động luyện tập, học sinh có thể nhận ra rằng dữ liệu mẫu chưa chắc đã giúp đưa ra một quyết định rõ ràng.

Thay vì yêu cầu học sinh luôn phải đưa ra một đáp án chắc chắn, giáo viên đặt câu hỏi về mức độ tin cậy của dự đoán và liệu dữ liệu đã xem có đủ để quyết định hay chưa. Đây là một cách giáo dục rất phù hợp với định hướng AI ở tiểu học, bởi học sinh được hình thành thói quen xem xét căn cứ trước khi chấp nhận một kết quả.

Khi học sinh đề xuất bổ sung một ví dụ mới để giúp hiểu nhóm rõ hơn, các em bắt đầu nhận ra dữ liệu bổ sung có thể làm cho quá trình nhận biết trở nên có căn cứ hơn. Điều này đồng thời tạo nền tảng để các em tiếp tục tìm hiểu trong những bài học sau về vai trò của dữ liệu và chất lượng dữ liệu đối với hoạt động của AI.

Học sinh phải giải thích căn cứ của dự đoán

Một yêu cầu xuyên suốt các hoạt động là học sinh không chỉ đưa ra dự đoán mà phải giải thích dự đoán dựa trên những ví dụ đã quan sát. Khi xử lí thẻ mới, các em phải chỉ ra đặc điểm của thẻ và đối chiếu với các ví dụ mẫu. Khi đổi bộ dữ liệu cho nhóm khác, sản phẩm còn phải ghi rõ “Dự đoán của chúng tôi – Căn cứ từ các ví dụ”.

Cách tổ chức này giúp học sinh hình thành thói quen suy nghĩ dựa trên căn cứ. Một câu trả lời đúng nhưng không có lý do sẽ chưa thể hiện đầy đủ quá trình học từ dữ liệu. Ngược lại, khi học sinh nói được mình dựa vào những ví dụ nào, nhận ra đặc điểm gì và từ đó đưa ra dự đoán ra sao, giáo viên có thể quan sát rõ hơn quá trình tư duy của các em.

Đây cũng là điểm liên kết với năng lực giải quyết vấn đề và sáng tạo được đặt ra trong yêu cầu cần đạt. Học sinh quan sát các ví dụ, tìm đặc điểm chung, dự đoán cách xử lí ví dụ mới và trao đổi với bạn để thống nhất nhận xét.

Vai trò của dữ liệu trong học máy

Qua toàn bộ tiết học, học sinh từng bước hình thành chuỗi nhận thức: dữ liệu mẫu được đưa vào, máy quan sát các ví dụ, từ đó nhận ra những đặc điểm hoặc mối liên hệ cần học, sau đó sử dụng điều đã học để xử lí dữ liệu mới. Đây chính là nội dung cốt lõi mà giáo viên cần giúp học sinh ghi nhớ.

Kế hoạch bài dạy chuẩn hóa cách diễn đạt rằng trong học máy, máy sử dụng dữ liệu hoặc ví dụ để học các đặc điểm hoặc mối liên hệ, sau đó dùng những gì đã học để xử lí dữ liệu mới. Giáo viên chốt lại bằng thông điệp “học trên dữ liệu”, qua đó giúp học sinh có một cách diễn đạt ngắn gọn về đặc điểm chính của học máy.

Điều quan trọng là học sinh không nên hiểu rằng máy tự nhiên “biết” cách xử lí dữ liệu mới. Hoạt động mô phỏng cho các em thấy trước đó phải có những ví dụ để máy học. Khi gặp một dữ liệu mới, máy mới có thể sử dụng những gì đã học từ các dữ liệu trước đó để đưa ra kết quả.

Đánh giá kết quả học tập

Việc đánh giá trong Tiết 9 được thực hiện thường xuyên thông qua quan sát hoạt động mô phỏng, phiếu nhóm, cách học sinh tìm đặc điểm từ các ví dụ và khả năng giải thích dự đoán đối với dữ liệu mới. Giáo viên có thể dựa vào quá trình học sinh quan sát, trao đổi, ghi nhận đặc điểm và đưa ra dự đoán để đánh giá mức độ hình thành khái niệm.

Học sinh đạt yêu cầu khi có thể nêu được đặc điểm chính của học máy là học trên dữ liệu và mô tả được bằng một ví dụ rằng máy xem nhiều dữ liệu mẫu rồi sử dụng điều đã học để xử lí một dữ liệu mới. Như vậy, trọng tâm đánh giá không nằm ở việc học sinh có sử dụng thành thạo một phần mềm AI hay không mà ở khả năng hiểu và giải thích quá trình mô phỏng.

Kế hoạch bài dạy cũng xác định rõ không đánh giá dựa vào khả năng thao tác một công cụ AI cụ thể và không yêu cầu học sinh phải có thiết bị, tài khoản hoặc kết nối Internet riêng. Toàn bộ nội dung có thể được tổ chức bằng thẻ dữ liệu, phiếu học tập và hoạt động nhóm. Điều này giúp đảm bảo mọi học sinh đều có cơ hội tham gia và thể hiện năng lực của mình.

Đồ dùng và hình thức tổ chức

Giáo viên cần chuẩn bị bộ thẻ dữ liệu có hình con vật hoặc đồ vật được chia thành các nhóm theo một đặc điểm rõ ràng, cùng một số thẻ mới để “máy” xử lí. Ngoài ra còn có thẻ nhãn nhóm, phiếu “Ví dụ đã xem – Điều em nhận ra – Dự đoán thẻ mới” và bảng phụ hoặc giấy A3. Nếu điều kiện cho phép, giáo viên có thể sử dụng công cụ học máy trực quan trên thiết bị dùng chung, nhưng phương án mô phỏng hoàn toàn bằng thẻ vẫn đáp ứng được mục tiêu bài học.

Việc sử dụng thẻ dữ liệu có ưu điểm là học sinh được trực tiếp thao tác với “dữ liệu mẫu”. Các em có thể quan sát, sắp xếp, tìm đặc điểm, đưa ra dự đoán và kiểm tra lại căn cứ. Nhờ vậy, khái niệm học máy được chuyển thành một trải nghiệm cụ thể thay vì chỉ được nghe giải thích.

Hình thức làm việc nhóm bốn cũng phù hợp với yêu cầu phát triển năng lực giao tiếp và hợp tác. Các em có thể phân công người đọc thẻ, người xếp nhóm, người tìm đặc điểm chung và người ghi chép, sau đó cùng thống nhất dự đoán.

Ghi nhớ sau bài học

Sau Tiết 9, học sinh cần ghi nhớ rằng học máy là cách máy học trên dữ liệu. Máy có thể xem nhiều ví dụ dữ liệu, từ những ví dụ đó học các đặc điểm hoặc mối liên hệ, rồi sử dụng điều đã học để xử lí một dữ liệu mới.

Các em cũng cần phân biệt được hai cách xử lí đã được trải nghiệm trong Tiết 8 và Tiết 9. Với quy tắc có sẵn, quy tắc được viết trước rồi áp dụng cho đối tượng; với mô phỏng học máy, máy xem nhiều ví dụ dữ liệu trước, tìm đặc điểm và sử dụng điều đã học để xử lí dữ liệu mới.

Một thông điệp quan trọng khác là dữ liệu mẫu có vai trò rất lớn. Nếu không có những ví dụ ban đầu thì không có căn cứ để mô phỏng việc học từ dữ liệu. Khi dữ liệu mẫu chưa đủ rõ, dự đoán đối với dữ liệu mới cũng có thể chưa chắc chắn, vì vậy cần quan tâm đến những ví dụ đã được cung cấp và căn cứ của kết quả.

Kết luận

Tiết 9 “AI học trên dữ liệu” là một bước tiến quan trọng trong quá trình hình thành hiểu biết về AI cho học sinh lớp 3. Từ những thẻ hình quen thuộc, học sinh được trải nghiệm một quá trình mô phỏng trong đó các em xem nhiều ví dụ, tìm đặc điểm chung và sử dụng điều đã nhận ra để xử lí một ví dụ mới. Qua đó, khái niệm “học máy” được hình thành bằng trải nghiệm trực tiếp thay vì chỉ bằng một định nghĩa trừu tượng.

Điểm nổi bật của bài học là giúp học sinh nhận ra sự khác nhau giữa “làm theo quy tắc” và “học từ dữ liệu”. Ở tiết trước, các em đã tự xây dựng quy tắc “nếu… thì…” rồi áp dụng; trong tiết này, các em không được cung cấp quy tắc ngay mà phải quan sát nhiều ví dụ để tìm đặc điểm trước khi xử lí dữ liệu mới. Sự chuyển đổi này giúp học sinh bước đầu hiểu một đặc điểm quan trọng của học máy: máy học trên dữ liệu và sử dụng những gì đã học để xử lí dữ liệu mới.

BẤM VÀO ĐÂY TẢI MIỄN PHÍ TIẾT 9

Thông qua hoạt động “Em làm máy học” và sơ đồ “Dữ liệu mẫu → AI học → Dữ liệu mới → Kết quả”, học sinh còn nhận ra rằng dữ liệu là cơ sở của quá trình học máy. Các em biết giải thích kết quả dự đoán dựa trên những ví dụ đã quan sát và bước đầu nhận ra rằng khi dữ liệu chưa đủ rõ, kết quả cũng có thể chưa chắc chắn. Đây là nền tảng cần thiết để các em tiếp tục khám phá sâu hơn về dữ liệu, quá trình AI học và những yếu tố có thể ảnh hưởng đến kết quả của AI trong các tiết học tiếp theo.