仰望星空，点亮星智

摘要：信息技术学科的实验教学既有本学科自身特色，又有科学实验的一般特征，它除了能促进学生对信息技术原理、方法和应用的深入理解，成为培养学生信息技术学科核心素养的重要平台，还通过动手操作、数据处理、模型搭建、观察分析等过程，融合了科学实验的探索性、验证性和创新性。本文介绍了“观察星空——描绘星座——搭建模型智能识别星座”的实验教学过程，并围绕此案例，提出以信息技术学科实验教学为线索重构课程内容，建立多种形式夹杂的实验教学过程，在实验教学中充分融合不同类别的资源和技术，从而丰富和深化学生的学习体验。

关键词：实验教学；学科融合；人工智能教学

中图分类号：G434"文献标识码：A"论文编号：1674-2117（2025）01-0017-05

在那无垠的夜幕之下，每一颗星星都仿佛是大自然赋予的灵感火花，引领人们的思绪跨越时空的界限，追寻宇宙间最深刻的奥秘。夜晚的星空是心灵慰藉的港湾，也是科学探索的起点。在仰望星空的过程中，人类感受自身的渺小，却也体会到生命的广阔与自由。星空以其独有的宁静与浩瀚，激发起人们对知识的渴望、对真理的追求，在追寻与探索中，不断丰富自我，拓展认知的边界。

本文将围绕“仰望星空，点亮星智”为主题的实验活动，讨论开展人工智能实验教学的一些策略。该实验教学由星空观测开始，到搭建人工智能模型识别星座告一段落，主要流程如下表所示。

这里对实验教学过程中的几处具体细节的设计意图加以说明：利用仿真软件进行观测，可以保证实验数据采集这一阶段学习的完成率，但还是希望在条件允许的情况下，让学生们亲自抬头看一下星空，实地做一些记录；选择海豚座、小马座、三角座这样的小星座，是为了降低数据采集的工作量，另外，在光污染比较严重的城市，肉眼观测到的星座可能有较为严重的缺失，较暗一些的星可能无法用肉眼看到，这时候可以借助望远镜来辅助观测，但望远镜的视场比较小，只有占夜空区域较小的星座才能完整地在望远镜视场中呈现（一般双筒望远镜的视场范围在3度到10度之间），图1是Stellarium模仿7倍望远镜在9级光污染环境下所观察到的海豚座的场景；实验任务中规定的星座绘制的图样的分辨率，和后续数据处理所需要的算力相关，目前，一般的计算机能较快实施40*40像素的单色位图的分类和预测任务，图2所示的是描绘海豚座并用40*40像素存储的图像，如果算力充分，当然可采用更大分辨率的图样来保存所绘制的星座。之所以在星座的描绘时，允许星座朝向有一定偏差，同时，表示星的亮度的像素数量和图样形状也可自行确定，对学生提交上来的星座图样的形状也不做精准性上的判断，是为了能够积累在一定程度上在不确定性的数据，这样更能够体现出人工智能模型解决问题的优势。

围绕实验教学的课程内容重构

基于单元教学对课程内容进行重构，旨在通过整合相关联的知识点与技能，形成连贯、有序的学习单元，从而促进学生深度学习，提升知识迁移与应用能力，同时帮助教师在宏观上更系统地规划和实施教学，确保学习目标的有效达成。

除了和人工智能内容密切相关，“仰望星空，点亮星智”实验项目还可以沟通信息技术教学中多个板块的内容，成为一个“超单元”的实验项目。例如，在信息的数字化模块，可以结合实验内容，比较不同参数位图的显示效果、计算其存储容量，通过在位图中描绘星座，亲身体验数据采集和量化的过程；在数据处理与分析模块，可以落实数据预处理、数据统计等任务；在信息系统模块，可以设计制作简单的星座识别在线工具。作为一个“超单元”的实验项目，其多个具体环节可以分散到多个教学模块中进行。在实验的每一个阶段，都提供给学生一定的自主学习探索的空间，但为了保证整个实验能够顺利完成，在每个阶段结束时，教师应给予评点，提供参考性的建议和阶段性的优秀成果，使得每一个阶段的活动都具有“发散——收束”的特点，从而更好地为后续阶段的活动做好准备。

信息技术课程中的实验教学，其内容涉及数据采集、整理和分析，算法编程，信息系统搭建，人工智能等，除此之外，它还可以借实验的契机，强化学生对科学方法的理解和应用，可以将观察、假设、验证等一般科学研究过程融入实验教学中，引导学生通过观察现象、提出问题，进而形成合理的假设，并设计实验方案对假设进行验证，最后用科学的描述方法来叙述自己的观点和研究结论。以“仰望星空，点亮星智”实验项目为例，一开始，大家并不知道，哪一种机器学习算法或者哪一种结构的人工神经网络，对实现星座识别有着更好的效果，也无法知道生成式人工智能所提供的方案是否恰当，这些都需要通过实际的实验来加以验证。

基于笔者带领学生所采集的数据，在实际的实验中可发现，对于学生所描绘的40×40像素分辨率的星座图样，如分别采用K近邻算法、决策树算法和人工神经网络进行分类（教师当然可以根据实际情况补充其他算法或模型进行实验），K近邻算法效果最差，决策树算法效果一般，人工神经网络效果最优。

“仰望星空，点亮星智”实验项目可以作为后续相关综合实践活动课程或学生自主研究学习的重要铺垫。例如，可以开展人工智能支持下的自然观测综合实践活动课程，对多种自然对象，如鸟类、蝴蝶、园林花卉、野生植物等进行识别，既利用现有成熟的人工智能工具进行识别分类，也尝试利用已有的知识和技能，自行构造识别模型。又如，可以指导少数学生开展较为专业的研究课题，如了解星座识别的现实需求，初步领会三角形角距匹配算法、多主星模式匹配算法的基本原理，利用已有算法进行星座识别的实验（完整的算法实现较为艰深，一般不默认作为中学阶段的研究内容，不排除少数特别有兴趣、有能力的学生希望做更深入的研究，具体深入到什么程度需要视实际情况而定）。

多种形式夹杂的实验教学过程

科学实验的形式是多样的，根据实验目的，可分为探索性实验、验证性实验、测定性实验等。在信息技术实验教学过程中，可以有多个阶段目标，每个阶段中的具体实验形式可以是多样的。

探索性实验的主要目的是探索未知的现象，寻找新的规律或发现。在科学研究的初期阶段，可以通过探索性实验提出新的问题和假设。在信息技术教学中，要学生探索的并不是自然界中的对象，而是一种和自然有关的人为设定的规律，希望学生在实验中自行通过观察和分析，归纳出某些特定的规律。例如，在星图记录时，可以通过实验发现像素颜色和图像文件二进制数据之间的关系，实验的实施工具可以是多样的，既可以用二进制编辑器打开图像文件，观察像素颜色所对应的二进制数据（常常以十六进制形式呈现），也可以直接用写字板打开图像文件，观察二进制数据所对应的ASCII码或汉字内码，如果二进制数据恰好对应了某个字符或汉字，就能够在写字板中显示出来，如图3所示。另外，还可以借用一个编写好的仿真软件，来观察像素颜色和二进制数据的对应关系，如下页图4所示。

验证性实验旨在验证已知的理论或假设，这类实验通常有一个明确的目标，即检验某个特定的原理或定律是否成立。以先前的像素颜色和二进制存储数据对应关系为例，可以先通过改变颜色、观察存储数据，来构建一个像素颜色存储方式的假设，然后根据假设来针对特定数据设定像素颜色，通过实验来验证假设是否成立；在机器学习和人工神经网络进行预测识别的模块，则有更多实验可用于验证某算法或模型是否能达到预期的识别效果。

测定性实验主要用于测量某个量的具体数值。以“仰望星空，点亮星智”实验项目为例，不同算法和模型的计算速度（可能是训练模型的速度，也可能是测试模型的速度）、分类准确性等都可以经由实验得到具体的数值。

除了实验目的不同，具体的实验方法也可以不同。例如，对照实验通过设置实验组和对照组来比较不同条件下的实验结果。在人工神经网络实验中，可以改变人工神经网络的一个条件，其他条件不变，用以比较人工神经网络的分类效果。又如，重复实验是为了验证实验结果的可靠性和稳定性而进行的多次实验，在对样本划分训练集和测试集时，往往需要多次取随机种子，用不同的组合方式划分数据集，通过重复实验来评估实验结果的稳定性和一致性，从而增强实验结论的可信度。

实验教学中资源和技术的融合

在实验教学过程中，常常需要融合不同的资源和技术手段。以“仰望星空，点亮星智”实验项目为例，在利用资源方面，学生需要使用到星空仿真、画图、二进制编辑器、文本编辑器等软件，还会使用到简易星空观测指南、ASCII码表等资料。另外，教师为了创建演示材料，可能需要用到望远镜、数码相机、星空叠加工具等软硬件。

天文素描是传统的天文实验项目，在无法用照相机拍摄星空的时代，通过望远镜观测到的星座和深空天体的形态只能通过素描来记录和传播，伽利略在用望远镜发现昴星团由许多颗恒星组成后，正是通过素描，将观察到的结果记录了下来。为了能够表达星的亮度，伽利略（以及其后诸多观测者）选择通过描绘星芒的大小来表达星的亮度，在普森对星等（星的亮度单位）进行量化之前，这种方法虽然无法将星的亮度以标准化的方式呈现，但仍然能在一定程度上反映出星的亮度的差异，为后来的科学研究提供了宝贵的视觉资料。随着信息技术的飞速发展，尤其是数字化工具的广泛应用，天文图像采集与处理系统能够以前所未有的精度捕捉并记录星体的亮度、颜色、位置等详细信息。但即便是这样，一些星空仿真软件在模拟星空时，仍然沿用了类似于传统素描中通过星体在屏幕上占用面积的大小来体现亮度的方法，在这一做法的背后，蕴含着深刻的科学原理与技术考量：一方面，虽然数字化技术能够提供灰度等级（一般为255级灰度），但在模拟人眼感知的连续亮度变化时，尤其是在从一等星到六等星这样跨度极大的亮度范围（约100倍的差异），仅凭灰度变化难以达到完全自然的视觉体验，在某些亮度区间内，微小的灰度变化可能不足以引起人眼明显的感知差异，于是，可以通过调整星体显示面积来模拟亮度，使仿真软件里的星空更加贴近人眼的直观感受。另一方面，不同恒星呈现的色彩其实有所不同，一般年轻恒星色彩偏蓝，老年恒星偏红，为了能表达恒星的颜色，就不得不突出像素RGB值中的R值或B值，而减少另两个值，这样，当星等相似而颜色不同时，就只能依靠星所占用的面积来表达亮度，在这里，可以通过简单的取色实验来验证这一点。围绕以上问题，可以融合传统技术和现代数字技术设计实验，让学生通过亲手进行天文素描与现代数字化记录的对比实践，直观感受到特定记录方法的优势，从而培养跨学科的综合素养与创新思维。融合传统技术与现代数字技术来设计实验，不仅是对实验教学的一次创新尝试，更是对科学精神与文化传承的致敬，赋予了实验教学更为丰富的内涵与更为广阔的发展空间。

在实验教学中，也常需要融合多种不同的数字化技术。以人工智能为例，在实验教学过程中，既可以使用人工智能识图引擎识别图像（一般只能识别出属于星座，而难以识别出是什么星座），也可以利用生成式人工智能帮助生成代码，实施特定的数据整理任务。当然，任务线最终汇聚到自行搭建人工神经网络模型。而具体到搭建的方式，既可以利用本地的人工神经网络库搭建模型并训练，也可以将数据提交到在线的神经网络模型（如OpenInnoLab）进行训练，或者也可以利用图形化的神经网络教学工具，如图5所示的MemBrain，不仅可以直接绘制神经网络，还可以直接在图形化环境中进行训练和分类测试。

人工智能可能以不同的形式参与到实验教学过程中，可以用某种人工智能应用直接作为识别工具或生成程序代码的工具。同时，搭建人工智能模型是整个实验项目的最终目标和学习对象，并将这个模型用于具体的数据分析和处理，这里不妨将其称为信息技术实验教学中的人工智能三重奏。