第一课教师核对页｜参考答案与 10 分判分表
对应 学生工作纸。本页在学生完成对应任务后再使用，不作为提前发放的学生材料。
先统一核对方式
- 预测题记录的是学生原先的想法，猜错不扣分。核对实际观察与解释即可。
- 下表共 10 个项目，每项达标记 1 分，未达标记 0 分，总分 10 分。不另设隐藏加分、扣分或小数分。
- 允许学生使用自己的话，不要求复述术语。先留存个人答案，再用不同颜色订正；课堂原得分与订正后的学习进步分开记录。
- 这份小测检查本课理解，不用总分推断学生的整体学习能力、专业适合度或职业方向。
10 分快速判分表
| 项目 | 达标记 1 分的条件 |
|---|---|
| Q1 人写的办法 | 3、4、5 格输出依次写为甲、乙、乙，并说明 4 是人直接规定的，程序没有从样本挑选它。 |
| Q2 第一次训练 | 记录选中 t = 4、训练分错 0/6，并说明它是按训练卡分错最少及同分取最小数的步骤选出的。 |
| Q3 第一次测试 | 记录分对 2/3、B2 分错，并用这个结果说明“训练卡全对”不保证新卡全对。 |
| Q4 改标签与重训 | 记录原模型 t = 4；改标签但未重训时仍为 4；重训后变成 7；指出两次测试都对 2/3，但错卡从 B2 变成 B1。 |
| Q5 三个圈 | AI 包含机器学习，机器学习包含深度学习；把本课阈值模型放在机器学习范围内、深度学习范围外，并引用样本挑选 t 的依据。 |
| Q6-P1 固定提醒 | 说明是普通固定条件程序，不是机器学习或深度学习；不因自动发通知就断言它用了 AI，并引用没有训练这一依据。 |
| Q6-P2 棋盘搜索 | 说明属于本课讨论的传统 AI 搜索方法，未使用机器学习或深度学习；依据是人工搜索与评分、没有训练。 |
| Q6-P3 文本分类树 | 说明属于机器学习，也在 AI 范围内，不是深度学习；依据是分支由样本训练得到、没有神经网络。 |
| Q6-P4 语音分类 | 说明属于深度学习，也属于机器学习和 AI；依据是用样本训练多层神经网络。 |
| Q7 离堂两句话 | 一句说明程序从样本中比较并选出分法；另一句给出至少一个有理由的边界，例如新卡不保证全对，或本实验不能证明已训练了深度网络。 |
总分：_ / 10。需要下次课再解释的一项：_______。
Q0｜课前理解
不设标准答案，不计分。保留学生原句，课末让学生指出具体改动。例如从“AI 就是一个聊天软件”改成“AI 是一个较大的研究与技术领域，聊天软件可以包含其中的技术”。如果学生仍有疑问，记录问题即可，不要求假装全懂。
Q1｜人写好的办法
| x | 按“达到 4 格分到乙”的办法输出 |
|---|---|
| 3 | 甲 |
| 4 | 乙 |
| 5 | 乙 |
4 由人直接指定；程序只是照着做。这里尚未出示参考标签，因此只能说“是否遵守了指定规则”，不能说“对真实类别的预测准确率是多少”。
可接受解释：“它没有从例子里找出 4，是我们直接告诉它 4。”
常见错误：“只要自动输出就是机器学习。”追问：“这个数是谁决定的？有没有尝试不同的数并根据样本挑选？”
Q2｜从训练样本里挑选办法
初始训练卡：1 甲、2 甲、3 甲、6 乙、7 乙、8 乙。
| 候选 t | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 |
|---|---|---|---|---|---|---|---|---|---|
| 分错张数（共 6 张） | 3 | 2 | 1 | 0 | 0 | 0 | 1 | 2 | 3 |
- t = 4、5、6 在训练卡上都没有分错。
- 按事先规定的“同分取最小 t”，选中 t = 4。
- 选中规则为“横线长度达到 4 格分到乙，否则分到甲”，训练分错 0/6。
具体检查例子：t = 3 时，A3 的长度为 3，程序分到乙，但标签写甲，所以错 1 张；t = 7 时，A4 的长度为 6，程序分到甲，但标签写乙，所以错 1 张。
为什么这是一次学习？ 人规定了可尝试的办法及挑选步骤，程序根据训练数据挑出了具体的 t。最后保存的模型很简单，就是这个挑出的数及相应分法。人参与编写算法，并不意味着最终参数一定是人直接给出的。
为什么 Q1 和 Q2 都得到 4，却仍要区分？ 结果相同，形成方式不同。Q1 直接指定 4；Q2 根据样本比较后选出 4。不能只看输出规则长得一样，就忽略规则怎样得到。
不要宣称 t = 4 是唯一符合数据的办法；t = 5、6 同样符合这组训练卡，只是并列处理方式让程序选了 4。
Q3｜第一次处理新卡
使用第一次训练得到的 t = 4，不再调整它。参考标签只在预测后揭示。
| 测试卡 | x | 模型输出 | 参考标签 | 是否分对 |
|---|---|---|---|---|
| B1 | 4 | 乙 | 乙 | 对 |
| B2 | 5 | 乙 | 甲 | 错 |
| B3 | 9 | 乙 | 乙 | 对 |
分对 2/3，错卡为 B2。训练卡全对，新卡仍有一张分错，是本班实验里已经观察到的反例。
这里只能报告“这 3 张新卡上的结果”，不能把 2/3 当成所有卡片的可靠正确率，也不能把它推广成现实产品的性能。
Q4｜改标签、重训、再使用
只把 A4 的标签从乙改成甲。修改后的训练卡是：1 甲、2 甲、3 甲、6 甲、7 乙、8 乙。
| 操作阶段 | 当前保存的 t | A4 是否已改标签 | 这一步有没有重新训练 |
|---|---|---|---|
| 修改 A4 之前 | 4 | 否 | 本步没有；此前已完成第一次训练 |
| 已修改 A4，但还没点击重新训练 | 4 | 是 | 没有 |
| 点击重新训练之后 | 7 | 是 | 有 |
表中的“本步没有”不表示从未训练，学生写“之前已训练、这一步没再训练”同样正确。
修改后的候选核对表，供教师出现争议时检查，不要求学生全部重算：
| 候选 t | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 |
|---|---|---|---|---|---|---|---|---|---|
| 分错张数（共 6 张） | 4 | 3 | 2 | 1 | 1 | 1 | 0 | 1 | 2 |
重新训练后选中 t = 7，在修改后的训练卡上分错 0/6。注意旧模型 t = 4 在修改后的训练卡上会错 A4，这和“保存的 t 没变”并不矛盾：变的是参考标签，保存的模型尚未重新计算。
| 测试卡 | x | 新模型输出 | 未改动的参考标签 | 是否分对 |
|---|---|---|---|---|
| B1 | 4 | 甲 | 乙 | 错 |
| B2 | 5 | 甲 | 甲 | 对 |
| B3 | 9 | 乙 | 乙 | 对 |
新模型仍然分对 2/3，但错卡变为 B1。不能只看“都对两张”，就说两个模型行为一样；也不能说改标签必定使模型更好。
可接受解释：“改标签只是换了给程序的参考材料；重新训练会按材料再选一次数；使用模型是拿目前保存的数给新卡分类，使用时不一定在学习。”
本环节已经让全班看到测试标签，因此后续比较属于课堂说明。不能再把同一组测试卡称作对后续改进完全独立、从未看过的最终评测。
Q5｜三个圈
在本课采用的常见技术分类中：
AI
└─ 机器学习
└─ 深度学习
可画嵌套圈、嵌套框或写清包含关系。今天的阈值模型放在机器学习内、深度学习外：t 是根据训练样本选择的，但没有采用多层神经网络。圈的面积不代表使用比例或效果高低。
深度学习是一类使用多层神经网络的机器学习；本课展示的多层路径图只是结构示意，没有训练那个网络。不能因为图上有几层箭头，就声称本实验已经实现深度学习。
Q6｜四张独立分类卡
P1 固定提醒： 普通固定条件程序，非机器学习、非深度学习。自动发通知本身不足以证明用了 AI。这里不要求学生解决整个 AI 领域的边界争论，只需依据材料作出明确、有限的结论。学生写“普通自动化，没有训练”可视为正确；不要因其未写“AI 外”扣分。
P2 棋盘搜索： 属于传统 AI 中的搜索与规划思路；材料明确没有通过棋谱训练，不属机器学习或深度学习。人写好的搜索算法可以是 AI 方法，所以不能反推“只要没有训练就一定不是 AI”。
P3 文本分类树： 机器学习，也在 AI 范围内；没有使用神经网络，因此不是深度学习。训练根据样本选择判断条件和分支，上线后固定使用不抹掉此前训练的事实。不要把它误判成“上线时没学，所以从未学过”。
P4 语音分类： 深度学习，同时属于机器学习和 AI。依据是样本训练与多层神经网络，不能只凭“会听声音”这个用途判断。
Q7｜离堂题
第一句示例：“我们给程序一些标好甲乙的卡片，它试了几个分界数，按分错最少的条件选出一个数，保存下来处理新卡。”不用出现“优化”“参数”等术语也可达标。
第二句从下面任选一项并说明理由即可：
- “不能证明它以后全部分对，因为这次三张新卡已经有一张分错。”
- “不能证明做出了深度学习，因为这里只挑了一个分界数，没有训练多层神经网络。”
- “不能证明改标签会自动改模型，因为没再训练时保存的数没有变。”
- “不能证明这套办法能判断人的能力，因为卡片标签是虚构的，实验也没有任何能力测量材料。”
若学生只写“不能证明什么都行”而没有依据，暂不达标；追问他指出表格或实现中对应的一处事实。
Q8｜课后迁移选做
E1： 能确定介绍声称具有文章总结用途；不能确定具体实现、是否训练过、是否采用深层神经网络或效果是否可靠。可追问“摘要是用固定模板提取，还是调用了训练过的模型？如果是模型，它使用什么结构？”不要求学生知道任何品牌。
E2： 上传、下载、存储是普通网站功能；回答组件明确调用经过训练的深层语言模型，可以把该模型归入深度学习、机器学习、AI。完整网站组合了不同组件，不能因为其中调用模型，就把每个按钮都称作深度学习。
Q8 不纳入本课 10 分，也不挤占 60 分钟。它用于检验学生能否把“看实现证据”迁移到产品介绍中。