当劳动教育遇上人工智能——探索劳动科创应用的新路径

林淼焱 谢作如 浙江省温州科技高级中学

● 引言

《义务教育劳动课程标准（2022年版）》（以下简称“课标”）[1]指出：“劳动教育是发挥劳动的育人功能，对学生进行热爱劳动、热爱劳动人民的教育活动。”中小学劳动教育，重在对学生知情意行的全方面培养，增强学生的综合劳动素养。为了达成这一目标，劳动课程被划为三类主要模块供实际教学选用:以烹饪、卫生、收纳为主的“日常生活劳动”；涵盖农业、工艺、工业技术的“生产劳动”；社会实践性较强的“服务性劳动”。人工智能对劳动教育的影响主要体现在对技能需求的变化、教育方式的变革、更真实的学习体验等方面。

● 中小学劳动教育和人工智能教育的现状

中小学开展劳动教育的情况会因地区、学校和具体课程设置而异。在具体实施上，一些学校可能会有专门的劳动教育课程或活动，如种植园地、手工制作等。由于各地区的人工智能教育起步基础不同，目前较少在劳动教育实施的过程中看到人工智能工具的出现。但在部分地区，有研究者已经利用虚拟场景技术，提供沉浸式的劳动体验和虚实结合的劳动场景，让学生在虚拟场景中观察和操作，规避实际环境中的风险，并提供工具的仿真操作，达到“虚实结合”的案例。[2]

● 人工智能融入劳动教育

作为一门交叉学科，人工智能可以利用机器学习对某类数据进行预测，也可以是对图像进行分类，还可以是构造一个“无所不知”的农业专家，进而增加劳动课程的趣味性与知识性。例如，依据不同模型与目的，人工智能在劳动教育中存在典型的应用：若需要预测离散值如“果物的类别是‘好果坏果’”，可以将这类任务称为“分类”，若是要预测连续值如“西瓜的成熟程度为‘0.7’”，则此类任务可以被称为“回归”；当使用深度神经网络模型学习数据的特征时，就可以称这种机器学习为“深度学习”。

1.回归预测：农业监控系统

课标对各个学段给出了不同要求，为体现种植活动的重要性，其中第二、三学段（3～4、5～6年级）都指出“初步体验”“进一步体验简单的种植、养殖、手工等生产劳动，根据劳动任务选择合适的材料和工具”。要想保证作物健康生长，就需要对其进行适当的观测，各类教材常使用基于传感器和无线通信技术的智能农业监控系统完成这一目标，系统会监测土壤湿度、温度、光照等参数，并根据这些参数自动调整灌溉和施肥方案。

然而，当教师将上述系统搬到实际生活中时会发现，植物适应的温湿度往往不会是固定值，也无法用一个固定的数值序列预测，而应根据植物的生长状况进行自适应的调节。

例如，笔者设计了一个物联网科学探究活动，并对其进行了延时观测。在同一个花盆内种植有两株性质相差较大的植物，一株是喜欢温暖干燥的环境的多肉植物，一株是对水分需求较大的叶下珠属草本植物。两株植物在相同光照、相同湿度的情况下展现出了完全不同的生长特性。在实施过程中，系统可以利用传感器收集到土壤湿度、温度、光照等关键数据，将这些数据输入到一个回归模型中，然后进行分析。在Python中调用sklearn库中的线性回归函数Linear Regression对植物的湿度变化情况进行预测，学生会发现，植物的湿度是在一定范围内浮动的，如果利用非线性函数，则能够更好地拟合出其波动情况，如图1所示。

图1 利用线性函数对湿度值进行回归预测

依据图1，学生就知道可以将花盆的湿度阈值设置在671这一湿度水平，低于该值时调用电磁阀或继电器浇水。但如要对草本植物的生长进行精细化控制，那么日间与夜间、冬季与夏季均需要有合理的阈值预测模型。于是，在实际植物种植和监测活动中，学生观察、记录和分析数据，从而理解植物生长与环境因素之间的关系。在解决实际问题的过程中，学生思考如何根据植物的具体需求来设定适宜的温湿度阈值，并通过实践验证其效果。

2.深度学习分类：植物病虫害预警

在劳动课程实施过程中，教师要有意识引导学生关注植物生长中存在的问题。传统的植物病虫害预警主要依赖于人工监测和专家经验，这种方法不仅效率低下，而且容易出现漏报或误报的情况。而深度学习可以自动从大量的图像数据中提取出有用的特征，从而实现对植物病虫害的快速、准确识别，大大提高了预警效率。

（1）图片识别：从叶片长势判断病理病因

教师可以先利用深度学习对图片进行分类，训练出一个能够检测植物健康状况的模型的一般流程，如图2所示。

图2 机器学习的一般流程

针对植物的不同生长状态，引导学生收集数据。如果种植的作物较为常见，那么可以尝试在kaggle、天池、opendatalab、heywhale等数据集网站上寻找相关数据。在模型的训练与推理过程中，教师可以利用XEdu工具以最少量的代码（如下页图3），实现较为完备的功能。

图3 核心代码

在训练出针对某种作物的健康检测模型后，引导学生考虑如何将其应用到实际场景中，毕竟无法做到为每棵树都安装一个摄像头。为了获取每株作物的照片，教师提出可以采取从俯拍农场的大景物中分割出具体植物、利用无人车或无人机移动检测等方案，获取符合模型输入规范的图像数据。

（2）目标识别：虫害精准驱杀

相较于作物叶片的变化，虫害更加不易察觉。在这一方面，仅靠图像分类无法从作物上找到害虫或受到影响的作物，这时就需要学生自行收集数据，再将数据制作为能够用于目标检测的数据集。

XEdu工具能够快速地完成分类任务，则目标检测任务仅需再多一步数据集标注的工作（如下页图4），进而完成目标检测模型的训练，再依据目标检测确定虫害的严重程度，对症下药。

图4 利用数据标注工具生成coco格式数据集

3.大语言模型：助力常识推理与知识归纳

随着各类GPT的开源与开放API接口，越来越多的个性化大模型出现。除了调用训练原有的模型，教师自己可以构建“农业大模型”。在文本问答领域，常见的开源大语言模型框架有InternLM、Llama、ChatGLM等，要想让大语言模型能够回答特定领域的问题，教师可以将上述框架作为基底进行微调，也就是使用领域内的数据集进行训练。这一过程被称为检索增强生成（RAG，Retrieval Augmented Generation）。在大模型中，数据都是以多维向量的形式存在的，RAG的本质就是在获取用户的问题向量后，在向量数据库中搜索与之最相似的向量，并将这两个内容一起提供给拥有基础问答功能的大模型。总之，劳动教育具有更强的实践性和体验性，更注重培养学生的实际操作能力、团队合作精神及公共服务意识等。如果能在教学中恰当地引入大语言模型，不仅能避免课堂拘泥于特定知识点，还能拓宽学生思路。

● 结语

人工智能走入中小学已是不可阻挡的趋势，将人工智能与劳动教育融合能为学生提供更加丰富、多元的学习资源和体验，帮助他们更好地掌握劳动技能和知识，进而在与作物真实交互的过程中培养正确的劳动观念和态度。