当劳动教育遇上人工智能——探索劳动科创应用的新路径.docx

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

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]

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”。

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LinearRegression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。

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

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，RetrievalAugmentedGeneration）。在大模型中，数据都是以多维