秉持上述思考方向
後續開始進行系列教學
這是在上學期 對六年級孩子進行的教學
一開始 和孩子們討論 社區當中有甚麼問題 是長久存在且亟待解決的
(開始找主題囉)
許多孩子們提到 他們發現社區中有個普遍可見的東西：狗屎
對 沒錯 就是雪特
到處可見的雪特
總是造成他們小小困擾
有沒有可能針對這個狀況 我們來進行分析探討 找出解決之道?
...................
好樣的 要研究雪特了喔
第一
我請孩子們進行分組 利用為期約兩周的時間
將學區畫分成幾個區域
請孩子們進行雪特調查
發現雪特之後 將雪特發現地點標注在 Google Map 上
第二
將雪特的資料拿過來之後
將大家的成果秀出來
如下圖
其中以圓點標注的地方 就是有雪特的地方
第三
再來就是引導孩子們
我們要怎麼來分析這樣的資料
首先當然是針對資料進行探索
孩子們發現雪特出現之處
分布並不是隨機性 似乎有其群聚性
要如何進行這樣的分析
也就是如找出群聚的特性與範圍 再做後續探討
首先將這些地點 轉化為座標(其實這只是很簡單的二維資料)
接著便導入機器學習 Clustering(群聚，也有一說是聚類)的概念
說明這種演算法如何對資料進行分群
(這時我一直提 這是人工智慧的一種喔 孩子們眼睛亮了起來 原來我也可以用人工智慧啊... 所以偶爾灌灌迷湯也是很重要地...)
k-means 演算法蠻簡單的 六年級的孩子可以接受
當然 影片中的一堆英文 會造成心理上的障礙
不怕 主要是要看的是演算法的過程
大約是看 3：07 之後的內容
視覺化總是比較親近
說明這種演算法如何找出資料中群聚的趨勢
後續考量到 要排除一些離群值 以及根據其密度特性來做群聚分析
接著介紹了另一種 clustering 的演算法 ： DBSCAN
在講述上述兩種演算法時
不求過度深入 以免孩子心生畏懼
盡量著重在視覺化的部分
讓孩子有感
畢竟他們才小學高年級呀
只求他們知道 這些演算法可以發現資料群聚的特性
後來 我們就採用了 DBSCAN 來針對雪特的資料進行分析
第四
將阿里阿雜的資料 整理在 Google 試算表中
包過每處雪特發現點的 X,Y 座標之後
餵進 weka (一個開源的機器學習軟體 )跑結果
這部分主要是由我示範操作 然後同學分組玩一次
發現群聚趨勢下圖
看見沒？
雪特出現密度較高之處
真有其群聚性
密度較高之處有四處
A為運動公園 B為某社區 C為另一座公園 有山丘的那座 D為學校後方大市場
第五
此時請孩子們就群聚的結果進行討論
為何這些地方雪特出現的頻率與密度高於其他地方？
A,C 孩子們認為 可能遛狗的民眾較多 或者是野狗出沒的機率較高
D 則是市場 野狗可能會較多
B 的原因較撲朔迷離 比較找不到確切的原因 雖然雪特密度高 但相對來說數量少
第六
這樣一個發現 能怎樣幫助社區解決這樣的問題
討論後 孩子們認為
這樣一份資料 可以提供給環保單位
建議環保局可以有效的將有限的人力
投注在這些重點區域
例如解決野狗的問題 垃圾引來野狗覓食的問題
或者是飼主公德心不足 這些區域可以加派稽核人員取締宣導
簡單來說 就是將有限的資源投注在重點區域
以提高效益
最後跟孩子們討論
這樣的探究方式 有沒有問題 例如是侷限性 或者是有可以再加強的地方
孩子們也紛紛提出
樣本數可能太少 可能重複採計
資料收集(實察)日期太短
調查不夠精細
對於狗的數量和種類(家犬 VS 野犬)掌握資訊不足
當然孩子們提出的問題方向大致正確
個人覺得可貴的重點 是在於這次調查與資料分析的歷程
孩子們第一次發現
原來自己是可以發現社區問題所在 並運用資訊工具協助分析
第一次對資訊工具和技術這麼有感
資訊和生活 就這樣連結起來
更重要的一點是
這節是什麼課? 資訊? 綜合? 社會?
我想 這已經不重要了.......
不過自己也深切思考
若是用這樣的方式進行教學
對資訊教師門檻是否太高?
這種模式是否難以複製?
對於社會議題 在有限教學時間
要如何真的能夠讓學生深入探討 參與並著手實際進行解決？
這些 還是我待思考的地方
