STEM intensīvās mācīŔanās pieeja

InženierizglÄ«tÄ«bas pasaulē ir daudz izcilu kursu, taču nereti ap tiem veidotā mācÄ«bu programma cieÅ” no vienas nopietnas nepilnÄ«bas ā€“ trÅ«kst labas saskaņotÄ«bas starp dažādām tēmām. Varētu iebilst: kā tas var bÅ«t?

Veidojot apmācÄ«bu programmu, katram kursam tiek norādÄ«ti priekÅ”nosacÄ«jumi un skaidra secÄ«ba, kādā disciplÄ«nas jāapgÅ«st. Piemēram, lai uzbÅ«vētu un programmētu primitÄ«vu mobilo robotu, tā fiziskās struktÅ«ras izveidoÅ”anai ir jāpārzina nedaudz mehānikas; elektrÄ«bas pamati Ohma/Kirhofa likumu lÄ«menÄ«, digitālo un analogo signālu attēlojums; operācijas ar vektoriem un matricām, lai aprakstÄ«tu koordinātu sistēmas un robota kustÄ«bas telpā; programmÄ“Å”anas pamati datu prezentācijas lÄ«menÄ«, vienkārÅ”i algoritmi un vadÄ«bas nodoÅ”anas struktÅ«ras u.c. lai aprakstÄ«tu uzvedÄ«bu.

Vai tas viss ir ietverts universitātes kursos? Protams, ir. Tomēr ar Oma/Kirhhofa likumiem mēs iegÅ«stam termodinamiku un lauka teoriju; papildus operācijām ar matricām un vektoriem ir jātiek galā ar Jordānas formām; programmÄ“Å”anā pētÄ«t polimorfismu - tēmas, kas ne vienmēr ir nepiecieÅ”amas vienkārÅ”as praktiskas problēmas risināŔanai.

Augstskolas izglÄ«tÄ«ba ir plaÅ”a ā€“ students iet plaŔā frontē un bieži vien nesaskata iegÅ«tajām zināŔanām jēgu un praktisko nozÄ«mi. Mēs nolēmām pārvērst universitātes izglÄ«tÄ«bas paradigmu STEM (no vārdiem Science, Technology, Engineering, Math) un izveidot programmu, kas balstās uz zināŔanu saskaņotÄ«bu, ļaujot nākotnē palielināt pilnÄ«gumu, tas ir, nozÄ«mē intensÄ«vu priekÅ”metu apguvi.

Jaunas mācÄ«bu jomas apgÅ«Å”anu var salÄ«dzināt ar vietējās teritorijas izpēti. Un Å”eit ir divas iespējas: vai nu mums ir ļoti detalizēta karte ar milzÄ«gu daudzumu detaļu, kas ir jāizpēta (un tas aizņem daudz laika), lai saprastu, kur atrodas galvenie orientieri un kā tie ir saistÄ«ti viens ar otru. ; vai arÄ« varat izmantot primitÄ«vu plānu, kurā ir norādÄ«ti tikai galvenie punkti un to relatÄ«vās pozÄ«cijas - ar Ŕādu karti pietiek, lai nekavējoties sāktu kustÄ«bu pareizajā virzienā, ejot precizējot detaļas.

Mēs izmēģinājām intensīvo STEM mācību pieeju ziemas skolā, kuru rīkojām kopā ar MIT studentiem ar atbalstu JetBrains izpēte.

Materiālu sagatavoŔana


Pirmā skolas programmas daļa bija nodarbÄ«bu nedēļa galvenajās jomās, kas ietvēra algebru, elektriskās ķēdes, datoru arhitektÅ«ru, Python programmÄ“Å”anu un ievadu ROS (Robot Operating System).

Virzieni nav izvēlēti nejauÅ”i: viens otru papildinot, tiem vajadzēja palÄ«dzēt skolēniem saskatÄ«t saikni starp pirmajā acu uzmetienā Ŕķietami dažādām lietām ā€“ matemātiku, elektroniku un programmÄ“Å”anu.

Protams, galvenais mērÄ·is nebija lasÄ«t daudz lekciju, bet gan dot iespēju studentiem jauniegÅ«tās zināŔanas pielietot paÅ”iem praksē.

Algebras sadaļā skolēni varēja praktizēt matricu darbÄ«bas un vienādojumu sistēmu risināŔanu, kas noderēja elektrisko ķēžu izpētē. Uzzinot par tranzistora uzbÅ«vi un uz tā bāzes uzbÅ«vētajiem loÄ£iskajiem elementiem, skolēni varēja redzēt to pielietojumu procesora ierÄ«cē un pēc Python valodas pamatu apguves tajā uzrakstÄ«t programmu Ä«stam robotam.

STEM intensīvās mācīŔanās pieeja

Duckietown


Viens no skolas mērķiem bija pēc iespējas samazināt darbu ar simulatoriem. Tāpēc tika sagatavots liels elektronisko shēmu komplekts, kas skolēniem bija jāsaliek uz maizes dēļa no reālām detaļām un jāpārbauda praksē, un par bāzi projektiem tika izvēlēts Duckietown.

Duckietown ir atvērtā pirmkoda projekts, kurā iesaistīti mazi autonomi roboti, ko sauc par Duckiebots, un ceļu tīkli, pa kuriem tie pārvietojas. Duckiebot ir riteņu platforma, kas aprīkota ar Raspberry Pi mikrodatoru un vienu kameru.

Pamatojoties uz to, esam sagatavojuÅ”i iespējamo uzdevumu kopumu, piemēram, ceļa kartes sastādÄ«Å”anu, objektu meklÄ“Å”anu un apstāŔanās pie tiem un virkni citu. Skolēni varēja arÄ« ierosināt savu problēmu un ne tikai uzrakstÄ«t programmu tās risināŔanai, bet arÄ« nekavējoties palaist to uz Ä«sta robota.

Mācīt


Lekcijas laikā pasniedzēji prezentēja materiālu, izmantojot iepriekÅ” sagatavotas prezentācijas. Dažas nodarbÄ«bas tika ierakstÄ«tas video, lai skolēni tās varētu skatÄ«ties mājās. Lekciju laikā studenti izmantoja materiālus savos datoros, uzdeva jautājumus, risināja uzdevumus kopā un patstāvÄ«gi, dažkārt arÄ« pie tāfeles. Pamatojoties uz darba rezultātiem, tika aprēķināts katra skolēna vērtējums atseviŔķi dažādos priekÅ”metos.

STEM intensīvās mācīŔanās pieeja

Ä»aujiet mums sÄ«kāk apsvērt nodarbÄ«bu norisi katrā priekÅ”metā. Pirmais priekÅ”mets bija lineārā algebra. Studenti vienu dienu pavadÄ«ja, pētot vektorus un matricas, lineāro vienādojumu sistēmas utt. Praktiskie uzdevumi tika strukturēti interaktÄ«vi: izvirzÄ«tās problēmas tika risinātas individuāli, skolotājs un citi skolēni sniedza komentārus un padomus.

STEM intensīvās mācīŔanās pieeja

Otrs priekÅ”mets ir elektrÄ«ba un vienkārÅ”as ķēdes. Skolēni apguva elektrodinamikas pamatus: spriegumu, strāvu, pretestÄ«bu, Oma likumu un Kirhofa likumus. Praktiskie uzdevumi tika daļēji veikti simulatorā vai izpildÄ«ti uz tāfeles, bet vairāk laika tika pavadÄ«ts, veidojot reālas shēmas, piemēram, loÄ£iskās shēmas, oscilējoŔās shēmas utt.

STEM intensīvās mācīŔanās pieeja

Nākamā tēma ir Datoru arhitektÅ«ra ā€“ savā ziņā tilts, kas savieno fiziku un programmÄ“Å”anu. Studenti apguva fundamentālos pamatus, kuru nozÄ«me ir vairāk teorētiska nekā praktiska. Praktiski studenti patstāvÄ«gi veidoja aritmētiskās un loÄ£iskās shēmas simulatorā un saņēma punktus par izpildÄ«tajiem uzdevumiem.

Ceturtā diena ir pirmā programmÄ“Å”anas diena. Python 2 tika izvēlēta kā programmÄ“Å”anas valoda, jo tā tiek izmantota ROS programmÄ“Å”anā. Å Ä« diena tika strukturēta Ŕādi: skolotāji prezentēja materiālu, sniedza piemērus problēmu risināŔanai, savukārt skolēni klausÄ«jās tos, sēžot pie datoriem un atkārtoja skolotājas uzrakstÄ«to uz tāfeles vai slaida. Pēc tam skolēni paÅ”i risināja lÄ«dzÄ«gas problēmas, un pēc tam risinājumus novērtēja skolotāji.

Piektā diena bija veltÄ«ta ROS: puiÅ”i mācÄ«jās par robotu programmÄ“Å”anu. Visu mācÄ«bu dienu skolēni sēdēja pie saviem datoriem un vadÄ«ja programmas kodu, par kuru runāja skolotājs. Viņi varēja patstāvÄ«gi vadÄ«t ROS pamata vienÄ«bas, kā arÄ« tika iepazÄ«stināti ar Duckietown projektu. Å Ä«s dienas beigās skolēni bija gatavi uzsākt skolas projekta daļu ā€“ praktisko uzdevumu risināŔanu.

STEM intensīvās mācīŔanās pieeja

Izvēlēto projektu apraksts

Skolēniem tika lÅ«gts izveidot komandas trÄ«s cilvēku sastāvā un izvēlēties projekta tēmu. Rezultātā tika pieņemti Ŕādi projekti:

1. Krāsu kalibrÄ“Å”ana. Duckiebot ir jākalibrē kamera, kad mainās apgaismojuma apstākļi, tāpēc ir automātisks kalibrÄ“Å”anas uzdevums. Problēma ir tā, ka krāsu diapazoni ir ļoti jutÄ«gi pret gaismu. DalÄ«bnieki ieviesa utilÄ«tu, kas rāmÄ« iezÄ«mēja vajadzÄ«gās krāsas (sarkanu, baltu un dzeltenu) un izveido diapazonus katrai krāsai HSV formātā.

2. Duck Taxi. Å Ä« projekta ideja ir tāda, ka Duckiebot varētu apstāties pie objekta, pacelt to un sekot noteiktam marÅ”rutam. Par objektu tika izvēlēta spilgti dzeltena pÄ«le.

STEM intensīvās mācīŔanās pieeja

3. Ceļu grafa uzbūve. Ir uzdevums izveidot ceļu un krustojumu grafiku. Šī projekta mērķis ir izveidot ceļa grafiku, nesniedzot Duckiebot a priori vides datus, paļaujoties tikai uz kameras datiem.

4. PatruļmaŔīna. Å o projektu izdomāja paÅ”i skolēni. Viņi ierosināja iemācÄ«t vienam Duckiebot, ā€œpatruļaiā€, vajāt otru, ā€œpārkāpējuā€. Å im nolÅ«kam tika izmantots mērÄ·a atpazÄ«Å”anas mehānisms, izmantojot ArUco marÄ·ieri. TiklÄ«dz atpazÄ«Å”ana ir pabeigta, ā€œiebrucējamā€ tiek nosÅ«tÄ«ts signāls, lai pabeigtu darbu.

STEM intensīvās mācīŔanās pieeja

Krāsu kalibrÄ“Å”ana

Krāsu kalibrÄ“Å”anas projekta mērÄ·is bija pielāgot atpazÄ«stamo marÄ·Ä“Å”anas krāsu diapazonu jauniem apgaismojuma apstākļiem. Bez Ŕādiem pielāgojumiem stop lÄ«niju, joslu atdalÄ«tāju un ceļa robežu atpazÄ«Å”ana kļuva nepareiza. DalÄ«bnieki ierosināja risinājumu, kas balstÄ«ts uz iepriekŔējas apstrādes iezÄ«mÄ“Å”anas krāsu modeļiem: sarkanu, dzeltenu un baltu.

Katrai no Ŕīm krāsām ir iepriekÅ” iestatÄ«ts HSV vai RGB vērtÄ«bu diapazons. Izmantojot Å”o diapazonu, tiek atrasti visi rāmja apgabali, kuros ir piemērotas krāsas, un tiek atlasÄ«ts lielākais. Å Ä« zona tiek uzskatÄ«ta par krāsu, kas ir jāatceras. Pēc tam, lai novērtētu jauno krāsu diapazonu, tiek izmantotas statistikas formulas, piemēram, vidējās un standarta novirzes aprēķināŔana.

Å is diapazons ir ierakstÄ«ts Duckiebot kameras konfigurācijas failos, un to var izmantot vēlāk. AprakstÄ«tā pieeja tika piemērota visām trim krāsām, galu galā veidojot diapazonus katrai iezÄ«mÄ“Å”anas krāsai.

Testi uzrādÄ«ja gandrÄ«z perfektu marķējuma lÄ«niju atpazÄ«Å”anu, izņemot gadÄ«jumus, kad marÄ·Ä“Å”anas materiālos tika izmantota glancēta lente, kas tik spēcÄ«gi atstaro gaismas avotus, ka no kameras skata leņķa marķējumi Ŕķita balti neatkarÄ«gi no sākotnējās krāsas.

STEM intensīvās mācīŔanās pieeja

Pīļu taksometrs

Projekts Duck Taxi ietvēra algoritma izveidi pÄ«les pasažiera meklÄ“Å”anai pilsētā un pēc tam nogādāŔanu vajadzÄ«gajā vietā. DalÄ«bnieki sadalÄ«ja Å”o problēmu divās daļās: noteikÅ”ana un kustÄ«ba pa grafiku.

Studenti veica pÄ«les noteikÅ”anu, pieņemot, ka pÄ«le ir jebkurÅ” laukums kadrā, ko var atpazÄ«t kā dzeltenu, uz kura ir sarkans trÄ«sstÅ«ris (knābis). TiklÄ«dz Ŕāds laukums tiek konstatēts nākamajā kadrā, robotam vajadzētu tam pietuvoties un pēc tam uz dažām sekundēm apstāties, imitējot pasažiera nosÄ“Å”anos.

Pēc tam, iepriekÅ” saglabājot atmiņā visas Dukitaunas ceļa grafiku un robota atraÅ”anās vietu, kā arÄ« saņemot galamērÄ·i kā ievadi, dalÄ«bnieki izveido ceļu no izbraukÅ”anas punkta lÄ«dz ieraÅ”anās punktam, izmantojot Dijkstra algoritmu, lai grafikā atrastu ceļus. . Izvade tiek parādÄ«ta kā komandu kopa - pagriezieni katrā no Å”iem krustojumiem.

STEM intensīvās mācīŔanās pieeja

Ceļu grafiks

Å Ä« projekta mērÄ·is bija izveidot grafiku - ceļu tÄ«klu Duckietaunā. IegÅ«tā grafika mezgli ir krustojumi, bet loki ir ceļi. Lai to izdarÄ«tu, Duckiebot ir jāizpēta pilsēta un jāanalizē tās marÅ”ruts.

Strādājot pie projekta, tika apsvērta, bet pēc tam atmesta ideja par svērta grafika izveidi, kurā malas izmaksas nosaka attālums (pārvietoÅ”anās laiks) starp krustojumiem. Å Ä«s idejas Ä«stenoÅ”ana izrādÄ«jās pārāk darbietilpÄ«ga, un skolas ietvaros tam nepietika laika.

Kad Duckiebot nonāk nākamajā krustojumā, tas izvēlas ceļu, kas ved no krustojuma, pa kuru tas vēl nav braucis. Kad ir izbraukti visi ceļi visos krustojumos, Ä£enerētais krustojumu blakus esoÅ”o vietu saraksts paliek bota atmiņā, kas tiek pārveidots par attēlu, izmantojot Graphviz bibliotēku.

DalÄ«bnieku piedāvātais algoritms nebija piemērots nejauÅ”ai Duckietown, bet labi darbojās mazā pilsētiņā ar četriem krustojumiem, ko izmantoja skolā. Ideja bija pievienot ArUco marÄ·ieri katram krustojumam, kas satur krustojuma identifikatoru, lai izsekotu krustojumu braukÅ”anas secÄ«bai.
Dalībnieku izstrādātā algoritma diagramma ir parādīta attēlā.

STEM intensīvās mācīŔanās pieeja

Patruļas automaŔīna

Å Ä« projekta mērÄ·is ir pārmeklēt, vajāt un aizturēt pārkāpēju robotu Duckietown pilsētā. Patruļas robotam jāpārvietojas pa pilsētas ceļa ārējo apli, meklējot zināmu iebrucēju robotu. Pēc iebrucēja atklāŔanas patruļas robotam ir jāseko iebrucējam un jāpiespiež viņŔ apstāties.

Darbs sākās ar idejas meklÄ“Å”anu, kā atklāt botu kadrā un atpazÄ«t tajā iebrucēju. Komanda ierosināja aprÄ«kot katru pilsētas botu ar unikālu marÄ·ieri aizmugurē - tāpat kā Ä«stām automaŔīnām ir valsts reÄ£istrācijas numuri. Å im nolÅ«kam tika izvēlēti ArUco marÄ·ieri. Tie ir izmantoti iepriekÅ” Dukietown, jo ar tiem ir viegli strādāt un tie ļauj noteikt marÄ·iera orientāciju telpā un attālumu lÄ«dz tam.

Tālāk bija jānodroÅ”ina, lai patruļbots stingri pārvietotos pa ārējo apli, neapstājoties krustojumos. Pēc noklusējuma Duckiebot pārvietojas pa joslu un apstājas pie pieturas lÄ«nijas. Pēc tam viņŔ ar ceļa zÄ«mju palÄ«dzÄ«bu nosaka krustojuma konfigurāciju un izdara izvēli par krustojuma braukÅ”anas virzienu. Par katru no aprakstÄ«tajiem posmiem ir atbildÄ«gs viens no robota galÄ«gā stāvokļa maŔīnas stāvokļiem. Lai atbrÄ«votos no pieturām krustojumā, komanda nomainÄ«ja stāvokļa maŔīnu tā, lai, tuvojoties stop lÄ«nijai, bots uzreiz pārslēgtos stāvoklÄ« braukt taisni caur krustojumu.

Nākamais solis bija atrisināt iebrucēju robota apturÄ“Å”anas problēmu. Komanda izdarÄ«ja pieņēmumu, ka patruļas robotam varētu bÅ«t SSH piekļuve katram pilsētas robotam, tas ir, tam ir zināma informācija par to, kādi autorizācijas dati un kāds ID ir katram robotam. Tādējādi pēc iebrucēja noteikÅ”anas patruļas robots caur SSH sāka savienoties ar iebrucēju robotu un izslēdza tā sistēmu.

Pēc apstiprināŔanas, ka izslēgÅ”anas komanda ir pabeigta, patruļas robots arÄ« apstājās.
Patruļas robota darbÄ«bas algoritmu var attēlot kā Ŕādu diagrammu:

STEM intensīvās mācīŔanās pieeja

Darbs pie projektiem

Darbs tika organizēts līdzīgā formātā kā Scrum: katru rītu skolēni plānoja kārtējās dienas uzdevumus, bet vakarā atskaitījās par paveikto.

Pirmajā un pēdējā dienā skolēni sagatavoja prezentācijas, aprakstot uzdevumu un tā risināŔanas veidu. Lai palÄ«dzētu skolēniem sekot saviem izvēlētajiem plāniem, telpās, kur notika darbs pie projektiem, pastāvÄ«gi atradās skolotāji no Krievijas un Amerikas, kas atbildēja uz jautājumiem. Saziņa galvenokārt notika angļu valodā.

Rezultāti un to demonstrÄ“Å”ana

Darbs pie projektiem ilga vienu nedēļu, pēc tam skolēni prezentēja savus rezultātus. Ikviens sagatavoja prezentācijas, kurās stāstÄ«ja par to, ko apguva Å”ajā skolā, kādas bija svarÄ«gākās mācÄ«bas, kas patika vai nepatika. Pēc tam katra komanda prezentēja savu projektu. Visas komandas izpildÄ«ja savus uzdevumus.

Komanda, kas Ä«stenoja krāsu kalibrÄ“Å”anu, projektu pabeidza ātrāk nekā citi, tāpēc viņiem bija arÄ« laiks sagatavot dokumentāciju savai programmai. Un komanda, kas strādāja pie ceļa grafika, pat pēdējā dienā pirms projekta demonstrācijas mēģināja precizēt un labot savus algoritmus.

STEM intensīvās mācīŔanās pieeja

Secinājums

Pēc skolas beigÅ”anas aicinājām skolēnus izvērtēt pagātnes aktivitātes un atbildēt uz jautājumiem par to, cik labi skola atbilda viņu cerÄ«bām, kādas prasmes viņi apguva utt. Visi skolēni atzÄ«mēja, ka mācÄ«jās strādāt komandā, sadalÄ«t uzdevumus un plānot savu laiku.

Skolēniem arī tika lūgts novērtēt apgūto kursu lietderību un grūtības. Un te izveidojās divas vērtējumu grupas: vieniem kursi nesagādāja lielas grūtības, citi novērtēja kā ārkārtīgi sarežģītus.

Tas nozÄ«mē, ka skola ir ieņēmusi pareizo pozÄ«ciju, paliekot pieejama iesācējiem konkrētā jomā, bet arÄ« nodroÅ”inot materiālus atkārtoÅ”anai un nostiprināŔanai pieredzējuÅ”iem studentiem. Jāpiebilst, ka programmÄ“Å”anas kursu (Python) gandrÄ«z visi atzÄ«mēja kā nesarežģītu, bet noderÄ«gu. Pēc studentu domām, grÅ«tākais bija kurss ā€œDatorarhitektÅ«raā€.

Kad skolēniem tika jautāts par skolas stiprajām un vājajām pusēm, daudzi atbildēja, ka viņiem patīk izvēlētais mācību stils, kurā skolotāji sniedza operatīvu un personisku palīdzību un atbildēja uz jautājumiem.

Skolēni arÄ« atzÄ«mēja, ka viņiem patika strādāt ikdienas uzdevumu plānoÅ”anas režīmā un noteikt savus termiņus. Kā mÄ«nusus skolēni atzÄ«mēja sniegto zināŔanu trÅ«kumu, kas bija nepiecieÅ”ams, strādājot ar botu: pieslēdzoties, izpratni par tā darbÄ«bas pamatiem un principiem.

GandrÄ«z visi skolēni atzÄ«mēja, ka skola pārspēja viņu cerÄ«bas, un tas liecina par pareizo virzienu skolas organizÄ“Å”anā. Tādējādi, organizējot nākamo skolu, bÅ«tu jāsaglabā vispārÄ«gie principi, ņemot vērā un, ja iespējams, novērÅ”ot skolēnu un skolotāju konstatētās nepilnÄ«bas, iespējams, mainot kursu sarakstu vai to pasniegÅ”anas laiku.

Raksta autori: komanda mobilo robotu algoritmu laboratorija Š² JetBrains izpēte.

PS Mūsu korporatīvajam emuāram ir jauns nosaukums. Tagad tas būs veltīts JetBrains izglītības projektiem.

Avots: www.habr.com

Pievieno komentāru