机器学习教育框架-学习结果和定义

尽管机器学习教育框架 (Lao, 2020) 从未提及能力 本位教育 (CBE)，但它遵循了著名的CBE知识、技能 和态度框架（在其他背景中该框架还包含能力和/或价 值观等要素)(Brewer and Comyn, 2015; CANTA, 2014; European Parliament and Council of the European Union, 2006)。由于缺乏对学生任务意义的关注以及对 能力持简化主义观点，能力本位教育在过去曾一度受 到批评。尽管这种观点广泛根植于绩效的背景之下， 但其过于忽视个体因素，比如先前的经验和利用外部 资源的灵活性－如团队成员的知识 (Rutayuga, 2014)。 然而，建构主义（constructivism）和经验学习等理论 的逐渐整合 (Brunner, 1990; Kolb, 2015; Piaget,1972; Williams, 2017) 促成了能力本位框架的形成， 该框架注重“头、心和手”的融合发展，其中“头” 代表认知领域（你所了解的有关它的知识），“心” 代表情感领域（它为什么重要）以及“手”代表精神 运动领域（你可以用它做什么）(Gazibara, 2013； Williams, 2015； SiposWilliams，2008)。理论的 整合同时扩展了能力的概念，增加了社交和情感两种 技能 (European Parliament and Council of the European Union, 2006; Mulder, 2007)

机器学习教育框架包含六门“机器 学习公民必修课程”，课程主要受众为“进修者/消费 者”(Lao, 2020, p.61)。在该框架中，Lao认为理解人 工智能的偏见和社会影响是针对所有技能获取的基本 要求。

知识

1. 关于机器学习的通用知识* 了解什么是机器学习（以及什么不是机器学习)。理解创造机器学习系统的整个流 程。

2. 关于机器学习方法的知识 明确何时在全领域应用机器学习的系列方法（例如，k近邻算法、CARTs或决策 树、神经网络、集成方法)。了解不同方法的工作原理。

3. 机器学习的系统偏见* 了解系统可能存在偏见，且偏见产生的层次和方式可能不尽相同。

4. 人工智能的社会影响* 了解机器学习系统可以产生广泛的积极和消极影响，考虑其带来的的伦理、 文化和社会影响。

技能

1. 机器学习问题范畴界定 明确哪些问题可以且应该采用机器学习来解决。

2. 机器学习项目规划 规划一个对技术和具体情景兼具敏感性的解决方案。

3. 机器学习产品开发 使用工具开发合适的产品。

4. 机器学习设计交互和结果分析* 描述机器学习系统的显式和隐式设计意图。批判性地分析系统能够及应该如何服 务于该意图。

5. 机器学习评价* 批判性地讨论机器学习政策、产品和教育。

6. 独立的课外学习 学生们在课堂外寻求学习经验。

态度

1. 兴趣 学生愿意参与并有兴趣研究该主题。

2. 身份认同和社群合作 学生在机器学习社群和/或更广泛的在线社区中做出贡献并从中学习。

3. 自我效能感 学生们有权创造新的、有意义的东西。

4. 持续学习 学生保持并扩大对机器学习的参与度。