Teachable Machine：让AI教学走进课堂的零代码工具应用指南

Teachable Machine是由Google开发的开源AI工具，它以零代码门槛和浏览器内操作的特性，为教育工作者和学生提供了创建自定义机器学习模型的便捷途径。本文将以历史文物分类为教学案例，展示如何利用Teachable Machine设计互动教学活动，帮助学生在实践中理解AI原理，提升课堂参与度和知识应用能力。

一、价值定位：Teachable Machine的教育赋能

1.1 降低AI教育门槛

Teachable Machine的核心优势在于其直观的可视化界面，无需编程经验即可完成模型的创建与训练。这一特性打破了传统AI教学的技术壁垒，使学生能够将更多精力放在问题解决和创新应用上，而非代码实现细节。就像使用相机拍照一样简单，学生只需通过点击和拖拽操作，就能完成从数据收集到模型部署的全流程。

1.2 培养数据思维能力

通过使用Teachable Machine进行项目实践，学生能够亲身体验数据收集、模型训练和结果评估的完整过程。这种实践不仅帮助他们理解机器学习的基本原理，还能培养数据质量意识、批判性思维和问题解决能力。在数据收集中学会辨别有效信息，在模型训练中理解参数调整的影响，在结果评估中分析模型的优缺点，这些都是数据时代不可或缺的核心素养。

二、场景设计：历史文物分类教学案例

2.1 教学目标设定

本教学案例面向初中历史课程，旨在通过AI技术辅助学生学习中国古代文物知识。通过创建文物分类模型，学生将能够：掌握至少5种典型文物的特征与年代；理解机器学习的基本流程和原理；培养团队协作和项目管理能力；提升历史知识与现代科技的结合应用能力。

2.2 教学准备工作

准备材料：计算机（带摄像头）、历史文物图片集（可从博物馆网站获取高清图片）、文物信息卡（包含名称、年代、特征描述）、分组工作表。 实施步骤：将学生分为4-5人小组，每组负责3-4种文物类别的数据收集与模型训练；分发文物信息卡，确保学生了解各类别特征；讲解Teachable Machine基本操作方法，确保每位学生都能独立完成基本操作。 常见问题：文物图片获取困难，可提前准备离线图片包；学生操作不熟练，可制作简易操作流程图；小组协作出现分歧，需明确分工（数据收集员、标注员、模型训练员、报告撰写员）。

三、实施流程：从数据到模型的教学实践

3.1 数据采集与标注

学生小组根据分配的文物类别，通过以下方式收集图片数据：使用Teachable Machine的摄像头功能拍摄实物模型或印刷图片；从教师提供的图片集中选择合适样本；利用网络资源下载高清文物图片（注意版权问题）。每个类别建议收集30-50张图片，确保涵盖不同角度、光照条件和细节特征。

图：学生正在为不同文物类别收集训练图像，界面显示了两个类别（Ficus Lyatra和Peace Lily）的样本收集情况，每个类别已有38张图像样本

教学反思：此环节常出现学生收集的图片质量参差不齐的问题。需引导学生理解"什么是好的训练数据"，如避免相似背景、确保主体清晰、涵盖不同视角等。通过对比不同质量数据集的训练效果，帮助学生直观认识数据质量对模型性能的影响。

3.2 模型训练与参数优化

数据收集完成后，学生点击"Train Model"按钮开始训练。Teachable Machine会在浏览器中完成训练过程，通常只需30秒到1分钟。训练过程中，学生可以观察损失值和准确率的变化曲线，理解模型学习的过程。

图：模型训练界面，显示了两个类别（Sleepy/Empty和Morning Mountain!）的样本情况，每个类别有27张图像样本，右侧为训练按钮和高级设置选项

学生主导式探究：让学生尝试调整高级设置中的训练参数（如epochs数量、学习率等），记录不同参数组合下的模型性能变化。通过实验，学生可以直观理解过拟合、欠拟合等概念，培养科学探究精神。例如，当epochs数量过多时，模型可能过度拟合训练数据，在新数据上表现不佳。

3.3 模型测试与应用

模型训练完成后，学生使用测试集评估模型性能，并设计互动应用：

准备材料：测试图片集（未参与训练的文物图片）、评分表、应用设计工作表。 实施步骤：使用测试图片评估模型准确率；分析错误分类案例，讨论原因；小组合作设计基于模型的教学应用（如文物知识问答、虚拟博物馆导览等）。 常见问题：模型准确率低，需引导学生检查训练数据质量；应用创意有限，可提供案例参考（如"文物知识小老师"、"时空穿越寻宝"等游戏）。

图：展示从图像采集到模型训练的完整流程，左侧为通过摄像头收集图像样本的界面，右侧为训练和导出选项

四、教学拓展：跨学科融合与能力提升

4.1 跨学科知识连接

本项目可与多学科知识相结合：

历史学科：深入学习各类文物的历史背景、文化价值和制作工艺； 艺术学科：分析文物的造型美学、色彩运用和装饰图案； 数学学科：理解模型准确率、混淆矩阵等统计概念； 信息技术：学习图像识别原理、模型部署和应用开发基础。

通过跨学科融合，学生能够建立知识间的联系，培养综合应用能力。例如，在分析陶瓷文物时，既学习其历史年代和制作工艺（历史），又研究其纹饰图案的美学特征（艺术），同时通过模型准确率分析（数学）理解数据与识别结果的关系。

4.2 硬件部署与拓展应用

对于高年级学生或有兴趣的小组，可以进一步将模型部署到硬件设备：

准备材料：Arduino开发板、摄像头模块、连接线、计算机。 实施步骤：在Teachable Machine中选择"Export Model"；选择"TensorFlow Lite"格式和"Arduino Sketch"选项；下载生成的代码并上传到Arduino设备；连接摄像头模块，测试实物识别效果。 常见问题：硬件连接困难，可提供接线图；代码上传失败，检查开发板型号和端口设置；识别效果不佳，优化模型或调整摄像头位置。

图：模型导出界面，显示了TensorFlow.js、TensorFlow和TensorFlow Lite三种导出格式，当前选择的是TensorFlow Lite和Arduino Sketch选项

4.3 教学效果评估工具

为量化教学成果，可采用以下评估方法：

模型性能评估：记录模型准确率、混淆矩阵、各类别识别率等指标； 知识掌握测试：设计文物识别测验，比较使用AI工具前后的成绩变化； 项目报告评分：从数据质量、模型性能、应用创意、团队协作等维度评分； 反思日志评估：分析学生在项目过程中的反思记录，评估其认知提升。

通过多维度评估，全面了解学生的知识掌握情况和能力发展。例如，比较传统教学与AI辅助教学的文物识别测试成绩，量化AI工具对知识学习的促进效果。

五、差异化教学策略与家校联动

5.1 分年龄段教学调整

针对不同年龄段学生，可调整项目难度和要求：

小学高年级：简化为2-3类简单分类（如陶器、青铜器），重点培养观察能力和分类思维； 初中阶段：增加到5-6类，引入基本参数调整和简单应用设计； 高中阶段：可扩展到10类以上复杂分类，深入探讨模型原理和优化方法。

5.2 家校联动延伸学习

将课堂活动延伸至家庭学习场景：

家庭文物摄影活动：鼓励学生与家长一起拍摄身边的"文物"（如传统工艺品、老照片等），扩展数据集； 家庭AI导览：学生使用训练好的模型为家人讲解家中的"文物"，巩固知识； 亲子项目开发：家长与学生共同设计基于模型的小游戏或应用，增进亲子互动。

六、开始使用Teachable Machine

要开始使用Teachable Machine进行教学活动，请按照以下步骤操作：

1. 访问Teachable Machine网站创建图像项目
2. 克隆项目仓库获取教学资源：git clone https://gitcode.com/gh_mirrors/te/teachablemachine-community
3. 参考项目中的教学案例和代码示例，设计适合自己课堂的教学活动

通过Teachable Machine，教育工作者可以将抽象的AI概念转化为生动有趣的实践活动，让学生在动手操作中理解机器学习原理，培养数据思维和创新能力。这种寓教于乐的方式不仅提升了课堂参与度，更为学生未来的STEM学习奠定了坚实基础。