教学AI、机器人技术与社区：一个基于中心的K-12教育框架，旨在覆盖乡村学校

# 基于枢纽的K-12教育框架：面向乡村学校的AI与机器人教育  
来源：https://arxiv.org/html/2609.18072  

## AI、机器人与社区：基于枢纽的K-12教育框架——面向乡村学校的实践方案  

###### 摘要  
K-12阶段的机器人与AI教育仍难以规模化推广，尤其在缺乏持续技术指导的乡村地区。FIRST等竞赛项目虽提供了竞赛路径和教学机会，但未能消除本地编程与机器人专业知识的缺口。本文提出“AI、机器人与社区”（ARC）框架——一种基于枢纽的协作模式，由高等院校培养本科生导师，并为邻近K-12团队举办工作坊。成熟的学校项目可升级为次级枢纽，支持更多学校发展，形成自增强的教育循环：导师资源随地理范围扩展实现超线性增长。我们首先在一所大学进行试点部署，创建了三个乡村机器人团队。基于李克特五点量表的调查显示，K-12学生的编程知识、资源获取能力和实践机会平均提升2.00分、2.25分和1.25分；本科生导师在技术概念教学、解释适配、团队管理以及指导工作的意义认同度方面平均提升1.29分、1.14分、1.00分和1.14分。此外，我们构建了ARC增长的空间马尔可夫模型，以印第安纳州为测试场景进行模拟。在中等增长假设下，40年内ARC可覆盖该州1925所公立K-12学校中的74%，催生992个机器人项目（自然增长模型下仅能产生161个项目）。研究结果表明：ARC能够创建并支持乡村机器人项目，培养本科AI与机器人导师，并实现区域性导师网络规模化扩展。  

普渡大学 [email protected], [email protected], [email protected], [email protected]  

参见图注  
图1：ARC枢纽式教育框架概览。高校主枢纽培训本科生机器人与AI导师，并为邻近K-12团队举办工作坊。随着项目成熟，部分团队可发展为次级枢纽，将机器人与AI指导延伸至乡村地区，支持更多学校，使教育网络突破高校辐射范围。  

参见图注  
图2：左：2020年远程赛季参与度暴跌前后印第安纳州FIRST LEGO League（FLL）参与情况。左侧面板显示2015-2025年城市、乡村及总体FLL组织数量；地图展示2017年（参与高峰）与2025年参赛组织的地理分布（对比人口普查划定的城市区域与主要STEM高校）。城市参与度逐步回升，乡村参与度未现复苏迹象。右：ARC的自增强教育循环机制。主循环（蓝色）展示枢纽通过工作坊支持K-12学校，成熟团队可升级为次级枢纽，扩展枢纽网络并举办更多工作坊。本科生培养循环（红色）显示主枢纽培训本科生导师，导师成熟后可引领或支持主枢纽，继续培训新一代本科生。乡村扩展循环（绿色）体现新次级枢纽如何扩大地理覆盖，并可能衍生更多次级枢纽。三大循环在多环节相互耦合，通过协同增强实现三重目标：更全面的团队支持、更广泛的本科生培养、更深入的乡村覆盖。  

## 引言  
在K-12教育中推广AI与机器人素养尤为困难，尤其在服务匮乏的乡村地区。机器人与AI对未来经济、创新和社会治理日趋重要，但缺乏持续技术支持的学校难以获得优质学习资源。以印第安纳州为例，2020年远程赛季后，乡村地区在FLL机器人竞赛的参与恢复速度远落后于城市。早期接触机会的缺失可能导致学生难以理解AI与机器人的工作原理，从技术的主动创造者或批判性评估者沦为被动消费者。  

现有机器人项目为K-12教育奠定了坚实基础。FIRST生态体系提供渐进式团队竞赛，让学生在不断复杂的挑战中构建、编程并操控机器人参赛。学校、教师和社区志愿者已通过本地社团和竞赛支持这些项目。相关研究也开发了中学阶段AI概念与伦理课程（Williams等，2021；Alvarez等，2022；Krakowski等，2022）。当前的瓶颈并非缺乏机器人项目或教材，而是难以规模化提供持续技术指导。许多K-12团队依赖少数志愿者，而地理分散的乡村学校可能难以接触具备编程、机器人或AI专业知识的导师。即便学校拥有积极的学生和意愿强烈的教师，也可能因缺乏启动和维持项目所需的技术知识而受阻。  

这种指导缺口限制了K-12机器人团队的组建、存续与发展。欠支持地区的学生即使有兴趣，也缺乏发展编程、工程和AI素养的机会。与此同时，本科生计算机科学学生鲜有机会通过教学深化技术理解，或在真实教育场景中应用知识。  

我们提出“AI、机器人与社区”（ARC）教育框架，旨在规模化K-12机器人与AI指导资源。ARC围绕区域枢纽组织实践工作坊，让同一地区的多个团队获得直接技术指导。每个团队在导师指导下学习当前竞赛所需的编程与机器人技能。工作坊内容根据年龄和竞赛级别定制：低龄团队侧重编程与机器人设计，高阶团队则涉及自主导航、计算机视觉与AI。  

**主枢纽**由高校或其他STEM机构担任，负责开设ARC课程、培训本科生机器人与AI导师、为邻近K-12团队举办工作坊。经验丰富的导师不仅培训本科生的技术能力，还传授教学技巧与人际沟通技能。本科生在监督下主导工作坊。课程还让本科生接触本地AI与机器人研究及其对社区的影响。通过使学生理解技术指导在社区中的价值，ARC鼓励课程结束后持续参与志愿服务。  

当K-12团队趋于成熟且能自维持时，部分可成为**次级枢纽**，在主枢纽网络有限支持下为其他学校举办工作坊。高年级K-12学生则成为同伴导师。次级枢纽使技术支持突破高校局限，深入乡村地区。更重要的是，次级枢纽可推动邻近团队发展为新枢纽，从而形成**自增强教育循环**：主枢纽培训本科生，本科生通过工作坊指导K-12学生，团队实现自维持后可自主举办工作坊。由于每个新次级枢纽都能催生更多枢纽，ARC有望实现导师资源与地理覆盖的超线性增长。  

ARC通过使技术支持随地理扩展而非集中于高校与城市区域来弥合指导缺口。主枢纽支持邻近学校，成熟的K-12项目则成为次级枢纽，为更偏远乡村地区提供支持。学校既能获取技术知识，又能逐步培养向他人传递知识的能力。  

我们采用空间显式马尔可夫模型评估ARC的增长潜力，该模型刻画了学校机器人项目发展及其与ARC网络的关联。在包含1925所公立K-12学校的印第安纳州模拟中，中等增长假设下，40年内ARC可覆盖约74%的学校并产生992个机器人项目（自然增长基线仅为161个项目）。在最乐观假设下，覆盖率达约95%，产生约1638个项目（占全州85%），次级枢纽的增殖呈现明显超线性增长。即使最保守假设也预测出338个项目，是自然增长模式的两倍以上。  

我们还通过主枢纽支持三个新FLL团队进行了初步部署。在测量本科生导师成长维度的5点李克特量表调查中，技术概念教学信心从3.00±1.15提升至4.29±0.49，解释适配信心从3.29±1.11提升至4.43±0.53，社区归属感从1.86±1.07提升至4.00±0.82。家长反馈显示学生同样获得显著提升：机器人编程基础知识从2.00±1.41提升至4.00±1.41，编程资源获取能力从2.00±0.82提升至4.25±0.50。学生对本科生导师合作的享受度评分为4.75±0.50，导师支持度评分为4.50±0.58（满分5分）。  

模拟与试点部署共同表明：ARC不仅能产生有效的本地指导，还可能通过枢纽持续衍生实现区域性规模化扩展。  

## 乡村机器人教育资源的鸿沟  
FIRST等项目通过团队竞赛为K-12学生提供学习编程、机器人、AI及相关技能的机会。FIRST设有多个阶段项目——FLL面向低龄学生引入机器人编程，FTC为中学生提供进阶机器人竞赛，FRC则为高中生设计大型赛事。这些项目构成学生技能进阶路径。然而，这些资源的地理分布并不均衡。  

图2左上面板显示了印第安纳州FLL参与度的这种模式：2020年远程赛季期间城市与乡村参与度均骤降，此后城市参与度逐步恢复（新老学校共同参与），而乡村参与度未现同等复苏。2025-2026赛季中，乡村FLL参与度仍接近2020年后水平，远低于2017年峰值。图2左下两幅地图显示对应的地理分布：恢复的参与度主要集中在城市区域及主要STEM高校周边。  

造成这一鸿沟的重要机制是导师资源获取差异。我们所指的导师资源是具备足够机器人、AI和编程知识，能帮助团队启动、发展技术能力并持续参与竞赛的人员。指导资源已被证实是制约学校机器人项目的关键因素。教师的专业知识会影响教育机器人的采纳与持续使用（Stokes等，2023），而乡村教育者的机器人教学准备尤其不足（Meador等，2025）。  

这给乡村学校带来双重困境：即便师生对机器人感兴趣，也可能缺乏维持项目所需的技术知识。ARC框架正是通过枢纽式布局解决这一问题——技术指导随地理扩展而非集中于高校周边。主枢纽支持邻近学校，成熟K-12项目可升级为次级枢纽，为更偏远乡村学校提供支持。由于次级枢纽能催生更多枢纽，该结构有望实现导师资源与地理覆盖的超线性增长。  

参见图注  
图3：空间显式马尔可夫模型的状态转移简化示意图。K-12学校网格的两轴表示基础状态变量：项目成熟度∈{无项目，初期项目，成熟项目}，ARC参与度∈{未接触，已接触，已支持，次级枢纽}。每个转移概率表示年终状态变更的可能性。高校单独建模为枢纽或非枢纽。可达性取决于与枢纽的地理距离——蓝色枢纽可支持绿色学校，但无法覆盖灰色学校。可通过禁用转移概率（设为0）进行消融实验。例如，隔离“未接触”列（斜线区域）可模拟无ARC时的预期增长。  

### 教育工作坊  
工作坊是ARC为K-12团队提供指导的基本单元。这些导师主导的实践活动允许多个团队同时参与，每个团队与小组导师直接协作。竞赛场地供学生调试机器人并完成当年赛事任务。导师不会抽象教授编程或机器人理论，而是聚焦于学生在竞赛中取得进展所需的技能。例如，导师可能重点指导机器人导航至目标球并稳定推向得分区的相关概念，由此延伸电机控制、传感器应用、路径规划等技能。学生在导师直接协助下设计机器人行为、编写调试程序、测试解决方案并迭代优化。  

工作坊内容根据各团队的年龄、经验和竞赛级别定制。FLL团队主要训练基础机器人与编程技能，FTC和FRC团队则需掌握进阶机器人技术、自主控制、计算机视觉及AI（具体需求因赛事规则和团队水平而异）。工作坊形式使跨地理的指导与资源共享更具可行性。