Artificial Intelligence Curriculum Guidelines for Primary and Secondary Schools

doi:10.16382/j.cnki.1000-5560.2023.03.013

Abstract

Abstract:

Artificial intelligence (AI) education in primary and secondary schools has just started in China. Lack of unified curriculum standards, we still face many difficulties in the curriculum nature and objectives, textbooks development, and academic evaluation. To address this issue, East China Normal University and Shanghai Artificial Intelligence Laboratory jointly developed the Artificial Intelligence Curriculum Guidelines for Primary and Secondary Schools. The proposed guidelines has six parts including course nature and basic concept, core competency and curriculum objectives, course structure, course content and requirements, academic evaluation standards and implementation suggestions. We aim to construct a scientific and open curriculum guidelines for AI education in primary and secondary schools and simultaneously provide a reference for the construction of an AI education system in China.

Key words: artificial intelligence, curriculum guidelines, primary and secondary schools

Jiang Bo Penner:, Dai Juan Core Members:, Zhou Aimin , Dong Xiaoyong , Liu Xiaoyu , Hong Daocheng Participants:, Jiang Fei , Zheng Longwei , Zhao Jiabao , Zhang Hengyuan , Liu Yalin , Yuan Zhenguo Consultant:. Artificial Intelligence Curriculum Guidelines for Primary and Secondary Schools[J]. Journal of East China Normal University(Educational Sciences), 2023, 41(3): 121-134.

Figures/Tables 6

模块	知识点	小学	初中	高中
感知	感知系统	阐述人和其他生物的感觉器官及作用；能够理解人类如何基于感知系统组合信息。	知道人的感知与机器感知的区别与联系；理解机器感知系统的组成部分。	无
	传感器	了解人工智能是通过传感器来感知世界；能够认识常见的传感器，根据需求选择不同的传感器。	能够描述常见的智能设备（计算机、手机、机器人等）中的传感器及其作用。	能够描述不同类型传感器的优点和缺点；能够根据需求选择不同的传感器。
	数字编码	了解数字编码在生活中的应用；能够使用数字、字母或文字编码表示信息。	理解图像和声音的数字编码原理。	理解雷达、GPS、生物特征的数字编码原理。
	特征提取	知道任何对象都可以特征来表示；能够识别不同对象之间的不同特征。	知道识别图像中的物体时需要提取哪些特征。	知道如何从图像中提取特征。
数据管理	数据类型	能够发现身边数据的数据类型；知道基本的数据类型，能够判断某种数据属于哪种数据类型。	能够根据实际需要，正确定义变量的数据类型、进行数据类型的基本运算以及类型的转换。	无
	数据结构	能够发现生活中数组实例；知道数组的特点；能够用数组来表示数据。	能够在一维数组和二维数据中进行基本的操作和运算；能够通过绘制树状图体会用树来表示数据。	能够利用编程语言进行基本的数组操作和运算。
	数据分析	知道数据经过采集、处理与分析可以提取有用的信息。	能够利用简单的数据分析工具进行数据整理与分析，如Excel。	能够利用Python中相关库包进行数据分析，如Pandas、Numpy等。
	数据可视化	可以就给定具体案例手动绘制包含柱状图和折线图的数据分析小报。	能够利用简单的数据分析工具进行数据的可视化，并以恰当的方式呈现出来，如使用Excel。	能够利用Python中相关的库进行数据可视化，如Matplotlib。
数据集	特征集	能够创建特征来表示对象，理解可以通过事物特征来刻画事物之间的不同，如花瓣的长度和宽度可以区分不同的花。	能够创建特征向量来表示一组对象，掌握通过计算对象在特征向量上的距离来表示对象之间的差异的方法，如计算两个对象之间的欧氏距离和余弦距离。	能够根据图像、文本等特定问题，创建特征，如文本的独热特征和图像的HOG特征。
	公开数据集	知道对数据集进行训练集和测试集划分。	理解数据丰富程度对模型训练的影响；能够寻找并探索公开数据集。	知道如何评估一个数据集是否适用于某些特定的机器学习算法，如样本量较小的数据不适合选用复杂的人工神经网络模型。
	数据偏见	能够发现生活中偏见的案例；理解偏见和数据偏见的含义；明白数据偏见所带来的潜在危害。	能够分析某个数据集的特征以识别数据源可能存在的偏见,理解数据偏见产生的原因,了解消除数据偏见的基本途径。	能够用数据可视化工具找到数据集中在数据属性上的偏见；能够解释为什么数据特征分布不同的数据集会影响学习结果。

模块	知识点	小学	初中	高中
机器学习模式	人与机器的学习	知道人的学习与机器学习的不同，能够描绘人是如何学习的、机器是如何学习的。	知道人是通过经验、询问、实验、实践等方式进行学习，并可以迁移；机器是通过算法和数据对非常有限的问题进行学习，迁移难度大。	理解无监督学习、有监督学习和强化学习这三类机器学习模式的基本原理；能够阐明有监督学习、无监督学习和强化学习三类机器学习模式各自的优势与局限。
	无监督学习	能够在生活中发现无监督学习的实例；能够理解无监督学习的含义。	知道无监督学习的基本原理；知道无监督学习的适用场景。	理解无监督学习的基本过程。
	有监督学习	能够在生活中发现有监督学习的实例；能够理解有监督学习的含义。	知道有监督学习的基本原理；知道有监督学习的适用场景。	理解有监督学习的训练、测试和应用过程；理解训练过程的重要性；理解训练和测试要保持平衡。
	强化学习	能够在生活中发现强化学习的实例；能够理解强化学习的含义。	知道强化学习的基本原理；知道强化学习的适用场景。	理解强化学习的基本过程，知道Q-学习的基本原理。
机器学习算法	回归算法	了解什么是算法；能对情境中所运用的算法做出初步判断。	知道二维空间中线性回归的基本原理；能够利用人工智能教育开源平台实现和体验简单的线性回归算法。	能够利用Python 中的相关库包实现简单的线性回归分析算法。
	分类算法		知道逻辑函数的特性；知道如何计算两个样本之间的欧氏距离；知道信息熵的基本概念；能够利用人工智能教育开源平台实现和体验简单的逻辑回归、最近邻、决策树等算法。	理解逻辑回归、最近邻、决策树、神经网络这四类算法的原理；能够利用Python 相关库包实现简单的逻辑回归、最近邻、决策树、神经网络。
	聚类算法		了解K-均值聚类的基本原理，能够通过纸笔计算推演低维度数据的聚类过程；能够利用人工智能教育开源平台实现和体验简单的K-均值聚类算法。	理解K-均值聚类的工作原理；能够应用Python相关库包实现简单的K-均值聚类算法。
	深度学习算法		知道利用单一神经元和阶跃函数实现分类；理解神经网络是一种基于误差反馈的迭代控制系统。能够利用人工智能教育开源平台实现和体验人工智能网络。	知道二维卷积神经网络、循环神经网络和生成对抗网络的基本原理，能够利用Python相关库包和开源编程框架实现人工神经网络和上述三种深度学习算法。
人工智能基础软硬件平台	智能芯片	知道CPU在计算机系统中的作用。	知道CPU、GPU、TPU、XPU之间的不同，以及在人工智能中的作用。	体验CPU和GPU在运行同一深度学习算法上的效率；能够解释为什么GPU运算速度快于CPU。
人工智能基础软硬件平台	开发框架	会使用人工智能开源教育工具进行体验，如商汤教育、腾讯扣叮、Dancing with AI。	知道人工智能主要开发框架及各自的特点，如百度飞浆、PyTorch、TensorFlow等。	会使用一种主流开发框架实现人工智能算法，如百度飞浆、PyTorch、TensorFlow等。

模块	知识点	小学	初中	高中
人工智能伦理道德	人工智能带来伦理挑战	知道人工智能在现实生活中产生的某些潜在威胁。	理解“偏见”“公平”等道德术语在与人工智能相关时的含义。	理解人工智能可能引发的伦理思考与困境；树立技术可控、绿色环保、可持续、以人为本的伦理观。
	算法模型可信赖	无	理解信息质量、算法偏见如何影响人工智能规则的公平性。	设计一个端到端的机器学习简要流程，最大限度提高透明度并确保公平性。
	隐私保护	知道个人隐私的重要性；知道通过信息化技术可以泄露隐私。	知道数字服务提供商如何告知用户使用个人信息。	知道如何使用个人身份信息。
	补救措施	无	知道管理数字身份和声誉的基本方式。	知道在权利受到侵犯的条件下如何进行自我保护和补救。
人工智能社会影响	对劳动力的影响	知道人工智能可以替代某些重复性劳动。	知道人工智能如何帮助人类劳动，以及对于人的劳动技能的影响。	理解哪些领域是不能被人工智能所替代的。
	对法律的影响	知道人工智能与法律领域之间存在相互作用，人工智能受到法律的规制，也能影响法律的发展。	知道机器人法官的利弊。	理解法律要适应人工智能的进步。
	对治理的影响	了解人工智能计算和环境成本的构成；了解计算和环境成本的消耗可能带来哪些影响。	知道如何降低计算和环境成本。	理解计算成本和环境成本如何导致AI开发过程中的不公平。
	对非IT领域的影响	在理解人工智能是综合的、发展的和实践的学科的基础上，理解人工智能能对非IT领域产生作用。	知道人工智能在金融、艺术、商业决策等领域的应用。	理解人工智能在不同领域应用中的本质特征。
	对人的影响	无	知道人工智能影响了人的生活方式及思考方式。	理解人工智能对人影响的两面性，知道未来人类如何与人工智能共存。

阶段	评价标准
小学	智能意识：
	1. 在日常生活中，具备主动接触人工智能产品的意识。
	2. 针对具体的生活场景，能够判断人工智能的应用与否。
	3. 能够区分动物、人类和机器的智能，区分三者学习的不同。
	4. 能够理解人的五感，主动体验机器感知功能，了解机器是否能映射实现人的五感。
	5. 在日常生活中，主动参与各种人工智能的应用场景。
	智能思维：
	1. 能够了解大脑的组成结构和人脑智能的产生过程，类比此过程的机器实现。
	2. 能够理解人类的表达方式，类比机器的表达方式。
	3. 针对给定的简单任务，能够初步运用人工智能思维提取特征，通过图表可视化呈现数据关系，并形成问题解决的粗略方案。
	4. 针对特定任务进行智能化分析，明确问题关键。
小学	5. 能提取问题特征并进行抽象和形式化表征。
	6. 运用人工智能模式设计问题解决方案，并运用人工智能工具加以实现。
	智能应用与创造：
	1. 了解人工智能的典型应用场景，知道应用中的人工智能关键领域技术。
	2. 在人工智能实际应用的过程中，认识到相关资源和工具给学习和生活带来的便利，并能简单描述具体实例。
	3. 依据具体任务，进行需求分析，并选择合适的人工智能资源。
	4. 能够初步利用简单的智能化工具，完成作品的设计与创作。
	5. 了解人工智能教育开源工具，能根据具体的需要进行恰当的选择。
	6. 针对特定的学习和生活任务，运用一定的智能化资源进行管理，完成一定的任务，实现个性化的创作。
	7. 了解人工智能的应用可以解放一些重复性、危险性的人力劳动。
	智能社会责任：
	1. 认识人工智能的应用对社会和人类的生活发展带来的双向影响。
	2. 认识人工智能在应用过程中可能引发的潜在问题，以及发展过程中可能面临的风险挑战。
	3. 在智能化活动过程中，能够初步采用简单的策略和方法保护个人信息，安全使用人工智能技术和工具。
	4. 遵守基本的智能法律法规，按照社会公认的智能伦理道德规范开展智能化的行为活动。
	5. 在智能活动中，具备智能安全意识，尊重与保护个人及他人的合法权益与隐私。
	6. 能够采用简单的技术手段保护数据、信息以及智能设备的安全。
	7. 了解数据偏见、算法偏见会造成人工智能的不公平。
初中	智能意识：
	1. 认识人工智能的作用，并能选择适当的实例作为论证支持。
	2. 了解人工智能的含义、特征、基本原理和发展历程等基础知识。
	3. 主动关注人工智能的发展动向和趋势，理性想象人工智能的未来。
	4. 理解人工智能的三要素（数据、算法、算力），清晰概念，形成知识结构。
	5. 对于日常生活中常见的人工智能产品，能甄别异同并主动归类。
	6. 主动了解较为复杂的人工智能综合应用场景。
	7. 具备在日常学习生活中主动运用人工智能解决问题的意识，能够针对实际需要，恰当地选择人工智能工具。
	智能思维：
	1. 理解监督学习、无监督学习、强化学习的机制原理。
	2. 理解人工智能核心理念及实现机制，理解简单的回归、分类和聚类方法。
	3. 掌握寻找、训练、划分、分析、识别数据集的方法。
	4. 针对较为复杂任务，能运用数据、图表进行形式化描述，训练模型，以人机协同的系统化智能方法设计问题的解决方案。
	5. 区分问题解决中涉及的各类智能算法和技术，并能依据问题特征做出恰当选择。
	6. 针对不同问题，选择合适算法，利用人工智能教育开源平台实现和体验算法运行过程和结果。
	智能应用与创造：
	1. 能够针对不同的人工智能应用场景，辨别和罗列其中涉及的人工智能关键领域技术和通用技术。
	2. 在较为复杂的人工智能综合应用环境中，体验人工智能在学习和生活中各领域的典型案例，能够有效评估各种智能化资源工具对于特定任务的价值。
	3. 针对较为复杂的情境任务，能使用智能工具快速获取和筛选所需资源，并通过卓有成效地管理创造性地解决问题，生成富有个人或社会价值的作品。
	4. 有效应用恰当的智能化资源与工具，促进知识关联与综合运用，提高学习与生活的质量。
	智能社会责任：
	1. 认识人工智能活动中法律法规的管理、调节与规制的必要性，能够自觉遵守智能法律法规、信息伦理道德规范。
初中	2. 知道人工智能的应用会对社会职业发展带来的冲击，辩证地看待人工智能对于特定职业的可替代性。
	3. 在人工智能应用过程中，能够采用一定的技术性策略保障信息、数据安全，有效管理自身的数字身份。
	4. 初步理解数据偏见、算法偏见对人工智能公平性的影响，理解智能技术可能带来的隐私泄露等问题，在利用积极作用的同时，具备主动规避负面影响的意识。
	5. 认识人工智能的责任边界，自觉抵制违反智能法律法规和道德准则的行为活动，针对不良的智能行为，能够运用法律手段解决问题。
高中	智能意识：
	1. 理解人与机器在感知和意识方面的差别，理解机器的局限性。
	2. 在复杂的人工智能应用情境中体会人工智能的核心价值，形成自己的人工智能观念。
	3. 针对实际生活中的复杂问题，能够主动运用人工智能进行分析与综合判断，选择运用人工智能解决问题的路径。
	4. 具备积极建设与服务智能化社会的贡献意识，具备分享智能化资源的意识和行动。
	智能思维：
	1. 理解机器感知、机器学习和深度学习的原理，掌握基本算法，并能运用常见编程语言和开发框架进行算法实现。
	2. 理解各种常见算法的优势与局限，区分人与机器的思维差异。
	3. 针对较为复杂的问题，能够依据人工智能进行全面评估、系统设计，并采用有效方法迭代优化解决方案。
	4. 能够把利用人工智能解决问题的过程迁移到学习和生活中其他相关问题的解决。
	智能应用与创造：
	1. 能够批判性地认识、评估和合理地选择、应用人工智能应用系统的开发工具和开发平台。
	2. 根据实际任务复杂程度和个体需求特点，合理创设和运用智能化的学习和生活环境。
	3. 能够独立或合作开发支持跨学科学习和真实问题解决的适切智能资源，实现富有价值意义的创新创造。
	4. 能适应人机交融环境中的学习与生活，感悟人工智能的应用对强化与提升个体综合能力、促进实践创新和高效学习的特殊价值。
	智能社会责任：
	1. 较深入地理解数据偏见、算法偏见对人工智能公平性的影响，能够设法规避负面影响。
	2. 能够以可持续发展的视野态度，理解智能法律法规、伦理道德规范的科学性并自觉遵守，能够理解法律要适应人工智能的进步。
	3. 在智能活动中，掌握保护个人和他人合法权益的手段和方法，自觉维护智能社会的绿色环境。
	4. 知道社会生活中现有的哪些领域难以被人工智能替代。
	5. 理解人工智能对于社会发展带来的崭新可能性，具有积极学习的态度、理性判断的思维和负责行动的能力。

模块	小学	初中	高中
基本概念	理解智能的定义；能区别智能与非智能；知道人、生物与机器智能的区别与联系。	理解数据、算法和算力等基本概念；知道数据、算法和算力是人工智能的三大要素。	了解常用的人工智能芯片，理解芯片在人工智能中的作用。
基本特征	理解人工智能是综合的、发展的和实践的学科。	知道人工智能具有感知、记忆、学习和行为等特征。	理解人工智能为什么能够具有感知、记忆、学习和行为等特征。
发展历史	知道人工智能起源；知道人工智能里程碑事件。	知道人工智能的发展历程、流派分支和每个分支的基本思想。	能够想象人工智能的发展趋势。

模块	小学	初中	高中
典型行业应用	了解并体验人工智能在制造业、农业、交通、医疗、教育等行业场景中的应用。	能够根据不同的应用场景罗列出关键领域技术和通用技术。	能够想象或提出新的人工智能应用场景。
关键领域技术	了解自然语言处理、智能语音、计算机视觉、生物特征识别、虚拟现实/增强现实、人机交互等关键领域技术的应用场景。	知道自然语言处理、智能语音、计算机视觉、生物特征识别、虚拟现实/增强现实、人机交互等关键领域技术的基本原理。	了解自然语言处理、智能语音、计算机视觉、生物特征识别、虚拟现实/增强现实、人机交互等关键领域技术的进阶原理。

[1]	Li Zhao, Yinsheng Liu. The Technological Turn in Educational Dialogue: Transmutation Paths, Application Dilemma and Paradigm Reconfiguration—Logical Reflection and Prospect on the Application of ChatGPT [J]. Journal of East China Normal University(Educational Sciences), 2024, 42(8): 76-84.
[2]	Yingqiang Zhang, Yucong Tang. Based on “Education” or “Labor”: Reflection on Two General Concepts of Labor Education [J]. Journal of East China Normal University(Educational Sciences), 2024, 42(6): 38-50.
[3]	Yonghe Zheng, Danhua Zhou, Yonghe Zhang, Xuewei Tian, Jingying Wang, Yi Zheng. ChatGPT from the Perspective of Computational Education: Connotation, Theme, Reflection, and Challenge [J]. Journal of East China Normal University(Educational Sciences), 2023, 41(7): 91-102.
[4]	Bo Jiang, Yingwen Ding, Yuang Wei. The Core Technology Engine of Digital Transformation in Education: Trustworthy Education Artificial Intelligence [J]. Journal of East China Normal University(Educational Sciences), 2023, 41(3): 52-61.
[5]	Xiangjun Hao, Xue He. The Game and Integration between AI and Human in Knowledge Production and its Enlightenment to Education [J]. Journal of East China Normal University(Educational Sciences), 2022, 40(9): 78-89.
[6]	Shijin Li, Chenglong Wang, Xiaoqing Gu. Governance of Artificial Intelligence Education: Logical Mechanism and Practical Approach [J]. Journal of East China Normal University(Educational Sciences), 2022, 40(9): 55-66.
[7]	Huiying Cai, Haixia Dong, Xu Chen, Xiaoqing Gu. How to Build Future School: Prospective Analysis and Practical Enlightenment of Application Scenarios of AI in Education [J]. Journal of East China Normal University(Educational Sciences), 2022, 40(9): 45-54.
[8]	Xuesong Zhai, Jiaqi Xu, Yonggu Wang. Research on Learning Affective Computing in Online Education: From the Perspective of Multi-source Data Fusion [J]. Journal of East China Normal University(Educational Sciences), 2022, 40(9): 32-44.
[9]	Xiaoqing Gu, Shijin Li. Artificial Intelligence Promotes the Development of Future Education: Essential Connotation and Proper Direction [J]. Journal of East China Normal University(Educational Sciences), 2022, 40(9): 1-9.
[10]	Yunyun Li, Shanhuai Liu, Ailei Xie. Identity Separation and Identity Crisis: Research on the Professional Commitment of Non-staff Teachers under the Rural Revitalization Strategy [J]. Journal of East China Normal University(Educational Sciences), 2022, 40(6): 31-43.
[11]	Haoxiang Hou, Xianyi Zhang, Dan Wang. Can Educational Robots Improve Student Creativity: An Meta-analysis Based on 48 Experimental and Quasi-experimental Studies [J]. Journal of East China Normal University(Educational Sciences), 2022, 40(3): 99-111.
[12]	Xin Yang. Trace on Calculation Method of Evaluation Reform of Education [J]. Journal of East China Normal University(Educational Sciences), 2022, 40(1): 19-29.
[13]	Yuexia Liu. Tracing Back to the Root: Teaching Research Originated from the Local Practice in China [J]. Journal of East China Normal University(Educational Sciences), 2021, 39(5): 85-98.
[14]	Haitao Ren, Xinglong Yang. The Legal Status of Primary and Secondary Schools [J]. Journal of East China Normal University(Educational Sciences), 2021, 39(1): 40-48.
[15]	Wu Honglin. Technological Progress and Educational Development: Two Possibilities of Pedagogy in the Age of Artificial Intelligence [J]. Journal of East China Normal University(Educationa, 2019, 37(5): 26-37.