中小学机器人传感器教学方法综述

传感器

Review关于在中小学教育中机器人传感器学习所应用的分析 学与学习方法论的系统性综述

丹尼尔·阿莫 1,*,保罗·福克斯 2,大卫·方塞卡 3,*和凯撒·波亚托斯 4

摘要

机器人技术在商业和私人领域中变得越来越普遍。作为社会发展的缩影，中小学教育越来越多地将科学、技术、工程和数学概念融入课程之中。我们的研究问题是：“在向中小学生教授机器人技术时，哪些教学方法干预能够促进学生更好地理解和掌握在教育机器人中使用传感器的知识与技能？”，以及“在向中小学生教授机器人技术时，提出了哪些与学习分析过程相关的分析方法来分析和反思学生在学习教育机器人中传感器概念与技能时的学生行为？”。为了回答这些问题，我们对科学网（WebofScience）和Scopus数据库中的文献进行了系统性综述，内容涉及中小学教育中的机器人传感器及学习分析过程。我们采用了PRISMA方法学，并总共审查了24篇文章。结果表明，在实现学生最佳参与度、动机和表现方面，普遍共识是采用“做中学”和基于项目的学习方法论，包括它们的各种变体，作为最常用的方法。最后，本研究还确定了未来的研究方向。

关键词 ：学习分析；中小学教育；机器人传感器；教育机器人；系统性综述；STE(A)M； PRISMA方法学

1.引言

缩略词STEM指的是科学、技术、工程和数学。美国国家科学基金会最初使用缩略词 SMET（代表科学、数学、工程和技术），但出于语音上的考虑，决定将其更改为STE M。STEM这一术语在教育领域的发展促使一些作者提出了“STEM教育”、“整合型 STEM教育”和“STEM融合”等概念[1]。STEM教育已被不同学者从不同学科角度进行 了多种定义[2–5],，“可用于标识单个学科、独立课程、一系列课程、涉及四个领域中任 一领域的活动、与STEM相关的课程，或相互关联或整合的学习项目”[6]。整合型 STEM教育是一种以学生为重点的动态教学过程。STEM融合则是由教师主导的一种更为 静态的过程[7],，它通过逐步融合使各学科之间的界限变得模糊，从而体现学科之间更强 的互联性与相互依赖性[4]。任何明智的、真正的STEM教育应增强学生对事物工作原理的理解，并提高他们对不同技术的使用 能力。

STEM[8,9]技能可以通过消除教育中的性别差距来实现青年赋权[10–13]并提供平等 就业机会，作为减少总体不平等、消除贫困以及促进全民和平与繁荣的策略。此外，许多 国家提出改进STEM教育，以应对经济挑战中对STEM技能日益增长的需求[3,14,15]。这些均是2030年议程提出的挑战[16–18]。因此，大学前教育中的STEM教育或STEM融合有 助于未来工程师解决当前和未来的可持续性问题[19,20]。然而，在中小学教育中融入 STEM需要一个明确定义的教学实践框架[21–23]。本文旨在关注各种形式的STEM教育， 寻找那些以机器人传感器为重点的教学‐学习实践经验，以帮助理解应采用哪些更有效的策 略。

我们文献综述中所涉及的所有论文都致力于吸引并培养学生成为未来全球社会的有效 成员和领导者[16,24]。事实上，STEM目前已广泛应用于中小学课程，主要通过机器人技 术来教授关键的基于科学的概念[25–27]。因此，机器人技术在大学前教育中的重要性日 益增长。此外，机器人技术具有激励年轻学生的潜力，既可以作为一种知识领域本身，让 学生在类似游戏的环境中学习复杂的概念，也可以作为一种工具，以富有吸引力和激励性 的方式来向学生讲授技术及其他学科内容[28,29]。

这反映了机器人技术在商业和私人生活中日益普及的现象。其中包括用于面部识别的 先进人工智能（AI）[30–33],、工业机器人、社会自动化，以及自主和自动驾驶汽车、空 中无人机，或机器人在工作场所和制造业中的集成[34–36]。此外，预计机器人将取代约 八亿员工的工作量，到 2030[28,37,38]年实现这一目标。政策制定者已认识到，将科学概 念的教学融入这些实例中，对于应对社会和产业的未来需求至关重要[39]。因此， STEM教育对于满足技术驱动和可持续的全球经济的未来需求具有关键作用[16,40–42]。

STEM教育可通过引入人工智能和机器人技术这两个相辅相成的科学领域，帮助应对潜在 的未来适应问题[43],。

机器人技术是一个创新领域，涵盖了从物理、电子学到机械工程、数学和计算机编程 等多个科学领域[44–47]。教育机器人（ER）是将机器人技术应用于教育中，通过使用简 单及复杂的机器人开展活动来教授STEM内容[48–50]。

皮亚杰和帕佩特提出的建构主义学习理论[35,51–54]是教育机器人（ER）的基础。在 教育机器人活动或课程中，学生设计、构建、编程、调试和分享他们的机器人作品。当学 生创造这些个性化和富有表现力的机器人时，他们会为概念构建自己独特的意义。此外， 教育机器人（ER）还可以支持所有年龄段的计算机科学包容性教育和机器人素养[55,56],， 例如通过Crumble机器人工作坊所展示的那样[57]。

建构主义作为一种基于建构主义学习理论的教育方法，是教育机器人被融入中小学教 育的原因之一。构建机器人被视为学习过程中的一个关键部分，通过在现实世界中进行开 放式和解决问题的过程，激发学生的创造力和热情。就STEM而言，在大学前教育中使用 教育机器人有助于培养学生的技术素养，并更好地理解构成机器人这一工程系统的各个组 成部分。

因此，建构主义学习理论是教育机器人教学过程的基石。此外，了解大脑的工作方式对于 激发新科学家至关重要，有助于他们进行智能思考，变得明智和理性[60]。大多数学生接受几乎没有神经科学方面的教育，公众对大脑也缺乏了解。教育神经机器人学[25,61],其中 神经机器人学是研究由人工神经系统控制的机器人，有潜力彻底改变STEM教育以及对大 脑的理解[25,62]。

在从我们的文献综述中提取出的ER课程中，一些最有效的学习STEM概念和技能的方 法论是“做中学”和基于项目的学习方法[63],，这些方法有助于以跨学科的方式实施机 器人技术。基于项目的学习是以学生为中心的，围绕特定主题展开，由一系列需达成的成 果驱动，通常以机器人构建作为结束。项目能够促进讨论、创造力、解决问题、探究、建 模和测试的学习环境，并可应用于所有年级水平和学科，例如编程。例如，将教育机器人 与可视化编程相结合，更具吸引力，有助于提高学生的注意力和兴趣，并产生即时反馈[64– 67]。

机器人竞赛是近年来在全球范围内广泛开展的另一种场景[68–72]。这种场景可以结合 不同类型的机器人框架，并激发中小学学生对机器人技术的兴趣。学校通过使用教育机器 人课程、学科、材料和教室来为这些活动进行练习。此外，机器人竞赛的训练涉及并促进 了STEM教育。学生需要协作、沟通，并运用科学以外的技能来解决竞赛挑战[28]。

为了支持建构主义学习，目前有许多商业机器人套件可用于教授STEM。这些套件通 常由特定的机器人硬件组成，需使用特定的软件编码工具以特定语言进行编程，且仅能在 特定的商业套件套装中运行。每个供应商通常拥有各自互不兼容的硬件和软件，且与 Python等流行编程语言以及标准传感器不兼容。由于这类基础硬件的限制，商业套件在 机械和电子结构上的修改十分困难[73]，因此几乎无法引入新型传感器来扩展学习内容或 人工智能概念[43]。因此，大多数套件仅限于基础技能的学习。通常，在课堂上仅够完成 硬件和机械组装[74],，学生所能构建的机器人也仅限于少数几种远离现实应用场景的可能 性[75]。此外，对于许多发展中国家的学校而言，获取这些工具包可能构成经济障碍[73]。

因此，一些作者指出，有必要整合开放机器人框架[73]，并引入其他类型的机器人传感器， 例如视觉系统[28]。

在ER语境中，机器人技术的教学与其他学科和领域（如学习分析[76]）相融合。以学 习分析为例，其目的是理解学生在使用机器人技术时的行为，以增强学习过程。倡导联通 主义的西门子率先参与学术讨论，从教学视角[77]定义学习分析。他对当时[78],的定义进 行了扩展，纳入了虚拟学习环境（VLE）之外的数据，例如社交网络或个人博客。他将学 习分析描述为“利用智能数据、学习者生成的数据和分析模型来发现信息和社会关系，并 预测并指导学习”[77]。西门子的定义更为宽泛，能够契合教育系统并对其进行补充。他 本人表示，这种描述“不够简洁，但并不试图改变教育系统”，而是利用分析结果来改进 教育系统。因此，ER中的学习分析有助于改进基于科学和艺术的概念与技能[67,78–82]的 教学与学习过程。然而，我们仅发现两篇文献同时涉及ER、机器人传感器和学习分析 [51,65]。尽管相关文献较少，但这两项研究均取得了积极成果，鼓励继续在机器人传感器 活动的教学和学习过程中整合学习分析。

工程教育（如教育机器人）的重要性和相关性具有双重意义。一方面，为了应对社会、 工作和工业领域因即将到来的变革而产生的未来需求，技术进步与革命迫切需要从学校开始培养未来工程师所必需的技能，以便能够预见可持续 性问题[83]并及时找到应对新兴技术的工程解决方案[16]。另一方面，要培养能够理解并 适应由机器人、物联网、人工智能及其他推动数字社会发展的工程解决方案所包围的技术 世界的数字公民。

因此，现在是时候关注在大学前教育背景下用于教育机器人（ER）的教学过程、方法 和方法论，检测哪些方法有助于教授和学习STEM概念与技能，以及教育数据分析[84]等 支持性方法（如学习分析[85,86],）的融合是否能够帮助改善学习教育机器人[87–89]。

由于教育机器人课程的实施与部署具有重要意义，本文将对此进行系统性综述，重点 探讨中小学教育中机器人传感器的教学方法。本研究对发表在三个主要数据库中的文献进 行了系统性综述，旨在探究在中小学教育中用于教授和学习教育机器人（特别是机器人传 感器）所采用的不同教学方法论及分析实践。在文献综述中，从学习方法论的角度分析了 相关实践经验、倡议、新课程、新型机器人提案以及其他促进中小学环境中机器人传感器 教学与学习的相关综述。

STEAM学习模型（其中“A”代表艺术，作为学生学习的组成部分[35,90–94]）将技 术技能[95,96],信息与通信技术能力[97],以及与艺术和设计相关的思维过程融入课程中， 使学生在学习科学、技术、工程和数学时获得全面发展。表演艺术，包括公开演讲或展览， 在工程设计过程的交流阶段具有重要作用。同样，在艺术领域培养的创造性思维，是寻找 解决方案过程中不可或缺的一部分，无论处于何种教育领域。创造力可以通过学习获得， 并应用于解决问题[98,99],，从而促进学生的整体学习以及概念巩固。尽管本研究文稿采 用了STEAM学习模型以提升STEM与艺术技能，但我们仍将研究定位在STEM教育成果方 面。虽然我们的重点主要是STEM教育研究，但在检索结果中也包含了一些使用STEAM学 习模型的论文。

尽管在中小学教育中已有关于机器人传感器相关教学与学习方法论的应用经验、实践 和案例，但尚缺乏全面且全球性的系统综述。因此，本研究的主要贡献正在于此。

2.材料与方法

我们采用了系统综述和荟萃分析的首选报告项目（PRISMA）来开展系统性综述 [100,101]。PRISMA方法是对QUORUM[102]方法的更新，旨在持续改进荟萃分析的报 告质量，且不限制研究类型和科学领域。我们展示了关于两个研究问题相关方面的手稿中 定性系统综述的结果。我们对发现的概念进行了量化、分类和分析，以解释截至目前已研 究和发表的内容。

2.1.研究问题

我们使用一种称为参与者、干预措施、对照和结果（PICO）的专门框架来定义研究 问题并促进文献检索[100,103]。该框架在系统性综述中常用于构建研究问题，特别是在 PRISMA‐P[104]中有明确说明。我们已确定了两个研究问题：
R1：在向中小学学生教授机器人技术时，哪些教学方法干预措施能够促进对在教育机 器人中使用传感器的更好理解和知识？目的是了解在中小学教育中正在实施哪些教与学活 动，以促进获取使用机器人传感器所需的概念和技能，以及正确使用机器人传感器所需的专业知识。
R2：在向中小学学生教授机器人技术时，提出了哪些与学习分析过程相关的分析方法， 以分析和反思中小学生在教育机器人中学习传感器概念和技能时的学生行为？目的是了解 哪些学习分析方法和技术正在被明确实施。

关于这两个研究问题，我们关注的是学校个体行动或不同主体之间的合作，重点在于 机器人传感器的教学与学习，或通过应用任何教学策略、分析学策略为教师或学生提供的 实践经验。

2.2.检索策略

在本系统性综述中，我们纳入了2015年至2020年9月期间发表于科学期刊的文章以及 会议论文集中的论文。我们认为这一时间段足以开展本次综述，原因在于教育机器人及其 传感器的近期发展。受帕佩特的Logo语言[104,105],影响，乐高教育部门自1980年以来 至今[106—109]已将其产品从最初无电机或传感器的版本发展到最新的SPIKEPrime产品， 后者配备了颜色和力度检测传感器。与此同时，其他商业及开源解决方案相继出现，表明 教育机器人市场已趋于成熟[110,111]。此外，2015年创客运动在教育领域得以巩固 [112,113]。因此，我们认为2015年是开始收集相关科学文献的合适时间点，因为此时教育 用机器人套件市场已趋成熟，且创客运动也已形成规模。

这些论文涉及在初级和中级教育或学生中实施教学方法，以学习机器人传感器的概念 和技能。检索已在科学网和Scopus索引数据库中进行。使用的关键词包括“robotics” （机器人技术）、“sensors”（传感器）、“primary”（初级）、“secondary” （中级）、“education”（教育）、“analytics”（分析学）和“learning analytics”（学习分析），以及这些关键词的同义词或衍生词，例如“school”（学校）。

一方面，加入“sensors”（传感器）一词避免了检索结果过于广泛，包含大量与我们希 望综述内容相距甚远的文章；另一方面，进行如此具体的检索使我们能够找到那些重点关 注传感器特定细节的文章。得益于这一更窄的范围，我们发现一些作者批评教育机器人商 业套件中所包含的传感器，认为其在功能、可编辑性或教育目标方面存在局限性。例如， 使用“LEGOrobotics”和“LEGOroboticslightsensor”进行检索应同时显示两方面 的论文，尽管“LEGOrobotics”并不意味着所找到的文章会直接涉及传感器，而传感器 正是本研究的重点。此外，由于目前可用的教育机器人套件和商标种类繁多，我们排除了 对LEGO或Arduino等具体商标的检索。因此，我们并未聚焦于技术本身，而是将重点放 在教学策略上。

已在文章标题、摘要和关键词字段中检索了这些标准。表格1和2展示了如何组合这 些术语进行检索，以及根据PRISMA要求在两个数据库中的完整检索策略，以便检索过程 可被复现。

表1.研究问题1的搜索术语和字段

数据库	搜索术语
WOS完整搜索	检索1：TS=(机器人技术AND传感器AND中级)ORTS=(机器人技术AND传感器AND初级) 检索2：TS=(机器人技术AND传感器AND中级) 检索3：TS=(机器人技术AND传感器AND学校) 检索4：TS=(机器人技术AND传感器AND“高中”) 检索5：TS=(机器人技术AND传感器AND教育)
Scopus检索完成	搜索1:标题（机器人传感器）AND关键词(初级) 搜索2:标题（机器人传感器）AND关键词(中级) 搜索3:标题（机器人传感器）AND关键词(学校) 搜索4:标题（机器人传感器）AND关键词(“高中”) 搜索5:标题（机器人传感器）AND关键词(教育)

表2.研究问题2的搜索术语和字段

数据库	搜索术语
WOS完整搜索	搜索1：TS=(机器人技术AND传感器AND学习AND分析学) 搜索2：TS=(机器人技术AND学习AND分析学) 检索3：TS=(机器人技术AND传感器AND分析学) 检索4：TS=(机器人技术AND分析学)
Scopus完整检索	检索1：标题（机器人传感器）AND关键词（“学习分析”） 检索2：标题（机器人）AND关键词（“学习分析”） 检索3：标题（机器人传感器）AND关键词（分析） 检索4：标题（机器人）AND关键词（分析）

2.3.纳入与排除标准

所选论文需综述近五年来用于中小学教育中机器人传感器相关概念和技能学习的教学 方法。因此，未聚焦该主题的论文被排除在外。该过程分为三个阶段，最终有24篇文章被 评估为符合资格，并用于本研究工作。四位作者平行参与了所有阶段的工作，包括搜索、 筛选和数据提取，以确保流程的可靠性和安全性，符合PRISMA的要求。

2.4.试验流程/筛选过程

搜索共获得784篇文章，其中386篇因发表于2015年及以后被排除。在剩余的398篇文 章中，有97篇因重复被剔除。接着，剔除了标题、关键词或摘要中未包含所搜索概念（机 器人传感器与初级或中级教育，或机器人传感器与学习分析）及其任何组合和衍生词的文 章，这些组合和衍生词列于表1和2中。此后，又剔除了250篇文章。随后对剩下的53篇文 章的摘要进行分析，以判断其是否涉及研究问题，这导致进一步剔除29篇文章，最终剩下 24篇最终文章进行深入分析。因此，共获取了24篇文章的数据，并在以下章节中进行分析。

这些数据在后续阶段得到了进一步提炼和完善。图1展示了整个过程的流程图。

3.结果

我们对筛选过程产生的论文进行了分析，包括定量和定性处理，提供了每年出版物数 量、国家、在期刊或会议上的发表、按教学方法分类以及用于识别样本指标的分析方法分 类等方面的信息。该初步分析的结果以图表形式呈现，便于查阅和理解，并为每个表格附 上最相关数据的百分比分析。四位作者共同审阅了所有选定论文的结果。对于每篇论文， 一方面提供两个与教学与分析方法论相关的汇总表，另一方面总结核心思想以及用于执行 的方法。所有这些信息和数据为第四部分的后续讨论奠定了基础。

3.1.研究描述符

关于图 2 中所示按发表年份划分的论文数量，可以看出平均发表四篇文章，在研究期间有三个重要年份：2016年为零篇论文，2018年为七篇论文，2020年为五篇论文。

表3.研究人员国家及在期刊/会议上的发表情况

(a)
| 参考 | 研究国家 |
| — | — |
| [25,34,43,65] | 美国 |
| [28,57,75,110] | 西班牙 |
| [52,64,114] | 希腊 |
| [35,115] | 哥伦比亚 |
| [24,74] | 印度 |
| [51] | 意大利 |
| [111] | 葡萄牙 |
| [39] | 瑞士 |
| [116] | 巴西 |
| [117] | 哥斯达黎加 |
| [60] | 巴基斯坦 |

(b)
| 参考 | 期刊/会议 |
| — | — |
| [63,64,110] | EDUCON |
| [60,73] | 计算机在工程教育中的应用 |
| [35,75] | 智能系统与计算进展 |
| [111,114] | INTED |
| [24,34] | ISEC |
| [52] | 传感器 |
| [51] | 机器人学与人工智能前沿 |
| [25] | 神经机器人学前沿 |
| [65] | 物理教师 |
| [28] | 电子学 |
| [74] | Procedia计算机科学 |
| [117] | 拉丁美洲计算会议 |
| [115] | 国际教育会议 ,研究与创新 |
| [116] | 拉丁美洲机器人研讨会 |
| [39] | IEEE机器人与人机交互通信国际会议 |
| [57] | 教育前沿 |
| [43] | SIGGRAPH亚洲 |
| [118] | 国际机械工程大会暨展览会 |

我们根据作者所属机构的来源国家来考虑研究视角的差异。来自西班牙（本篇文稿作 者所属机构的国家）的文章试图解决诸如自制或低成本机器人等社会问题，尽管其中一篇 入选文章通过使用智能手机增加了更多的感知能力。美国的文章涉及更前沿的科学技术主 题，如人工神经系统、人工智能以及应用于机器人技术的算法。来自希腊的文章倾向于关 注利用传感器进行机器人编程，而来自南美洲的文章则倾向于关注学生对电子垃圾等具有 社会影响的不同主题的认知。

提出的第一个分类基于所采用的教学策略。通过回顾我们研究中选定的论文，我们观 察到了10种不同的方法论，这些方法论在表4中进行了分类：

表4.根据所实施的教学策略类型对选定论文的分类：（A）做中学，（B）基于项目的学习，（C） 基于挑战的学习，（D）问题解决，（E）发现式学习，（F）基于能力的学习，（G）协作学习， （H）基于冒险的学习，以及（I）基于模拟的学习

作者（年份）[参考文献]	文档类型	A	B	C	D	E	F	G	H	I
巴拉吉等，(2015)[74]	X
贝拉斯等，(2018)[75]	X	X
卡马戈等，(2015)[115]	X
科斯塔，桑托斯，和苏扎，(2018)[111]	X
丰塞卡和埃尔南德斯，(2018)[117]	X
Foukarakis&薛,(2018年)[114]	X
冈萨雷斯etal.,(2020)[35]	X
哈里斯etal.,(2020)[25]	X
哈蒂根&哈德梅诺斯,(2019)[65]	X
贾瓦伊德etal.,(2020)[60]	X	X	X
Johal等，(2019)[39]	X
卡拉莱卡斯，(2020)[52]	X
卡拉曼等人，(2017)[34]	X	X
奈良原&小林，(2018)[43]	X
普拉扎等人，(2017)[110]	X
普拉扎等，(2019)[57]	X
罗特，(2015)[63]	X	X
斯卡多齐等人，（2020）[51]	X
塞拉诺和华雷斯，（2019）[73]	X
斯基鲁，（2017年）[ 64 ]	X	X	X
施蒂姆等人，（2015）[118]	X	X
特谢拉、布雷姆和罗克，（2018年）[116]	X
韦加和卡尼亚斯，（2018年） [ 28 ]	X
韦斯特等人，（2017年） [ 24 ]	X

最常用的方法是“做中学”，有13/24（54.16%）的实践经验发表，其次是基于项目 的学习，有9/24（37.5%）的实践经验发表。七篇论文在学习过程中使用了多种教学策略。

提出的第二种分类基于教育数据分析（EDA）的分析方法论。回顾本研究中选定的论文关 于数据分析的内容，我们可以观察到两种不同的方法论，这些方法论在表5中进行了分类：

表5。根据所实施的EDA策略类型对选定论文进行分类：（A）k均值 s 聚类（肘部法）和（B）数据图

作者（年份）[参考文献]	A	B
哈蒂根和哈德梅诺斯，（2019）[65]	X
Scaradozzi等，（2020）[51]		X

已确定并研究的论文中，有一半涉及数据聚类问题，特别是使用基于k‐means聚类的 肘部法等机器学习方法。其余50%的重点是数据绘图和收集数据的感知分析计算。

3.2.各项研究的主要数据和结论

在本小节的最后部分，我们对24篇选定的论文进行了定性分析。表6和7展示了与各个 研究问题相关的论文。在表6中，论文按照从每篇论文阅读中提取的机器人传感器教学方 法以及获得的主要结果进行组织。在表7中，论文按照从每篇论文阅读中提取的分析方法 以及获得的主要结果进行组织。

表6。机器人传感器教学方法（基于表3中的分类）及所选论文的主要结果汇总

作者[参考文献]	方法论 （基于表3）	主要结果
巴拉吉等人[74]	A	•结果表明所使用的机器人具有高可用性。 •用户对工程职业的兴趣增强。 •教师对学生行为的高度满意。
贝拉斯等人[75]	A-D	•开发的方法重点在于改善互动。 •该方案的适应性调整以用于智能手机。 •多语言程序系统环境。
Camargo等[115]	B	•所开发平台的高灵活性。 •允许多传感器连接。 •社会性PBL项目开发的可能性 •实施了具有高水平分类法的新学习过程。
Costa,Santos,&Sousa[111]	A	•低成本解决方案的应用 •智能手机与虚拟传感器的结合使用 •使用该方法解决的可能性 机械、电子学和/或信息学挑战。
Fonseca&Hernandez[117]	C	•学生和教师的高度积极性 •缩小性别差距。 •提高教师的技术能力。
Foukarakis&Sy[114]	B	•学生达到了高水平的技术和编程技能 学生。 •团队合作能力的提升。 •高动机。
冈萨雷斯等人[35]	F	•不同方法的整合 •使用机器人技术提高了学生的自主水平 问题解决
哈里斯等人[25]	A	•学生对相关概念的高水平的理解 研讨会后的神经科学。 •可用性水平低，需要进一步改进。
哈蒂根&哈德梅诺斯[65]	B	•关于以协作方式工作的多种需求的识别。 •开发首个机器人方法所需的知识水平较低，用于 导航。 •利用团队合作解决水上问题方面的高水平知识 水上导航方法。
Jawaid等人[60]	B‐G‐H	•通过使用基于项目的学习（PBL）并结合协作学习（CL），可以改进教学过程 与协作学习（CL）的整合。 •增加导入性支持讲座可以改善最终结果。 •该课程弥合了学习的技术方面之间的差距 以及学校的陈旧的课程体系。 •该方法促进了解决问题能力的发展以及 团队合作技能
Johal等人[39]	A	•使用增强现实（AR）能显著提高学习效果。
Karalekas[52]	A	•所使用的方案对学生产生了积极影响。 •所使用的系统帮助学生理解传感器， 执行器和控制系统。
Karamanetal.[34]	B-C	•团队合作和技术技能方面的高水平提升 学生应用软件系统来操作迷你赛车 完全自主运行。
奈良原&小林[43]	A	•研究表明，人工智能可以个性化情绪调节解决方案。 •目前无法实时运行人工智能网络作为 限制因素
普拉扎等人[110]	A	•机器人技术可用于促进成年人与儿童之间的互动。 •在成年人和儿童之间共享知识会增加他们的 机器人技术方面的技能和知识。 •高动机
普拉扎等[57]	A	• Crumble是由作者构建的低成本机器人，其 易于使用，儿童和成年人均可在家使用， •有助于理解机器人传感器的基础知识并提升 编程时的动机。
罗特[63]	A-B	•启动项目能够增强学生动机并改善科学学习效果 编程等技能。 •反馈收集应以系统性方式加强 严谨的方式
Scaradozzi等[51]	B	•机器学习有助于提取学生行为。 •测试阶段检测到两种行为：那些学生的行为 小改动和其他更大改动。
Serrano&Juarez[73]	B	•缩小技术和经济差距是可能的 超低成本ER •低成本ER为学习编程引入了更多的动机 语言并有助于提升不同领域的吸引力 向学生教授工程。
斯基鲁[64]	B‐D‐E	•基于新信息通信技术的平台有助于学生更好地 理解编程技术和方法。 •交互是提高动机的基础 理解。
施蒂姆等人[118]	D-I	•与模拟相比，机器人技术对学生更具吸引力。 •通过科学的方式交流实践经验、反馈和指导 专业人员加深讲座内容是相关的。
Teixeira,Bremm,&Roque[116]	A	•仅靠演讲和课程不足以引起对 电子废弃物。 •使用Arduino平台提高了年轻人重新利用过时电子设备的动机。
韦加，卡尼亚斯[28]	A	•大学前科学课程之间的水平差距被发现 大学科学技术学位 •一种新的教学工具被开发出来。
韦斯特等人[24]	A	•使用自由和开源软件进行高质量的研究 低成本ER活动。 •高动机。

表7。Summar分析方法的分类（基于表4中的分类）以及所选论文的主要结果

作者[参考文献]	（方基法于论表4）	主要结果
哈蒂根和哈德梅诺斯[65]	A	•机器人传感器的数据收集与分析能够改进并 避免应急响应建设中的失败。 •机器人传感器数据有助于学生学习和应用数据 分析。
Scaradozzi等人[51]	B	•跟踪系统可以商业性地集成到机器人技术中 使用可用工具包提取学生行为和学习路径 机器学习技术，例如肘部法（k‐均值）。

考虑到表6和7总结了每项研究的结果，我们通过在下方展示研究结果的综合分析来补充 数据。

我们找到了一些文章，其中作者提出了自己的机器人技术解决方案：巴拉吉等人[74] 提出了FastBot，贝拉斯等人[75]提出了Robobo项目，卡马戈等人[115]提出了一种低成 本安卓和Arduino移动机器人，科斯塔、桑托斯和苏扎[111]创建了SquirlRob，韦加和 卡尼亚斯[28]提出了PiBoot工具的实施。尽管所有这些文章都提出了各自的解决方案， 但其目标往往有所不同。巴拉吉等人的研究旨在通过机器人教育使中小学生意识到工程可 作为一种职业选择。贝拉斯等人的[18]目标是激励更多教育机器人的实际实施。卡马戈 等人提供了根据不同学术需求连接各种传感器和执行器的可能性。科斯塔、桑托斯和苏扎 支持将教授机器人技术作为一个多学科的科学与工程领域来开展。韦加和卡尼亚斯则提供 了比常见教育机器人商业套件更多的新型传感器扩展能力。

一些文章可以归类到新兴科学学科中，例如神经机器人学、人工智能或遥控机器人。

韦斯特等人[24]提出了一种综合教学项目，学生可以通过该项目从基础到高级水平学习编 程和机器人设计，且成本极低甚至免费。在通过预先设计的课程学习编程和机器人技术后， 学生可以以模拟方式远程访问并操作机器人。Narahara和Kobayashi[43]提出了一种新 的教育框架，用于在实践模块中向从K‐12到成年的初学者教授人工智能与机器人技术。哈 里斯等人[25]在使用通用部件组装的自制机器人基础上，探究神经科学的基本概念。

这些不同研究的共同目标是改善机器人技术的教学环境。一方面，让学生能够在不同 程度上学习STEM和软技能方面的知识；另一方面，提供适应各种学习需求的机器人解决 方案。哈蒂根和哈德梅诺斯[65] 将物理与工程概念融合到一项实践性强的动手工程活动 中。贾瓦伊德等人提出的方案[60]旨在培养批判性思维、解决问题、自主学习和协作等技 能，同时也支持专业化技术知识的学习。Karalekas[52]的目标是为学生提供一个开放平 台，使其能够从入门到高级水平学习机电一体化概念。Narahara和Kobayashi[43] 支持 基础编程与电子学知识及技能的获取。普拉扎等人[57]开展了一个研讨会，向参与者介绍 机器人世界。罗特[63] 教授编程、算法、传感器技术和机器人技术。Serrano和Juarez [73]则发展硬件编码以及基于建模和纸板设计的艺术表达能力。

这些文章在学生学习机器人技术的媒介上有所不同。不同的作者通过研讨会开展研究，例如哈 里斯等人[25],、普拉扎等人[110],、斯蒂姆等人[118],、韦加和卡尼亚斯[28]。其他作者则在课程 中进行他们的研究。

在课程中，如Foukarakis和Syrris[114],贾瓦伊德等人[60],罗特[63],施蒂姆[118],以及韦 加和卡尼亚斯[28]。

这些研究的贡献也各不相同。一些文章描述了新型机器人平台的开发与实施，另一些 则可归入新兴的科学领域。总体而言，所有作者都致力于STEM知识的传授，其中一些研 究在促进协作工作或创造力等其他技能或知识方面尤为突出。

4.讨论

本综述针对24篇关于机器人传感器如何在中小学教育中进行教学的论文，提出的研究 问题有助于中小学生作为未来公民在科学与技术技能方面的学习。

机器人技术、科学以及总体上的技术与科学实践，在个人和工业领域中正变得越来越 普遍[34,35]。在这两种社会背景下，我们可以看到人工智能（AI）被整合到各种过程中， 例如安全部队和安全领域的面部识别，或公共卫生领域中对疾病的检测甚至预防。机器人 技术在工作场所的应用已有多年历史，但人工智能开辟了新的途径和可能性，并推动其在 众多行业中的应用。物联网也是一种不断发展的趋势，不久的将来，机器人技术和人工智 能将融合在一起，无人机、自动驾驶汽车和智慧城市将成为常态。

面对当前和未来的形势，政策制定者认识到，将科学概念引入大学前教育将是应对社 会和产业的未来需求的关键，这与《2030年议程》中关于可持续且由技术驱动的未来目标 相一致[39],。正是这些原因使得STEM学习在中小学教育中发挥着关键作用。因此，人们 期望这种教育能够帮助培养致力于数字社会并有能力引领未来可持续变革的公民。我们文 献综述中所呈现的所有文章都旨在让学生参与其中，并为此做好准备。

教育机器人（ER）[119]旨在通过使用机器人、其传感器和编程的活动来教授科学、 技术、工程和数学（STEM），此外，这些学习目标还包括艺术与人文学科教育，使 STEM扩展为科学、技术、工程、艺术和数学（STEAM）。然而，在本文稿中我们将沿用 STEM这一术语。为了促进这些教学目标的实现，我们分析了24篇论文，以确定教授与学 习机器人传感器使用的最常见且最有效的教育实践，并探讨如何通过教育数据的分析来辅 助这些实践。

在分析的24篇文章中，我们检测到至少10种教学方法：做中学、基于项目的学习、基 于挑战的学习、解决问题、发现式学习、基于能力的学习、协作学习、基于冒险的学习以 及基于模拟的学习。通过此分析，我们得出，基于“做中学”方法的教学过程应用最为广 泛，在54.16%的文章中出现（24篇中的13篇）。此外，我们观察到第二种重要的常用方 法是基于项目的学习方法，该方法在37.5%的文章中出现（24篇中的9篇）。其余方法在 文章中的出现比例介于4%至8%之间。所有文章均将机器人设备的构建视为学习目标，其 中传感器和机器人编程对其目标实现至关重要。因此，皮亚杰和帕佩特的建构主义理论出 现在所有文章中[35,51,52]。

根据这些文章的结果，我们得出结论：通过设定需要实现的目标来构建机器人设备， 为学生提供了学习如何更加自主、独立工作以及团队合作的机会，并帮助他们掌握与数学、 力学、电子学、物理、技术、编程以及科学整体相关的科学概念[34,35,60,63–65,114]。此 外，在不确定情境中通过做中学或基于问题解决的学习方式，能够促使学生更深入地意识 到问题所在及其解决方法。

社会问题可以通过科学来解决，并以轻松的方式学习需要高认知能力的复杂概念[52,57]。

此外，神经科学、增强现实（AR）、虚拟现实和人工智能[39,43,75,81]可能在改善 STEM学习方面发挥重要作用[25]。

采用这些基于建构主义的教学方法，教师还认为学生在有趣的活动中学习效果更好， 相较于基于讲授式课程的传统课程[115,117]，学生表现出更高的兴奋度、好奇心和学习动 机，并掌握了更扎实的STEM概念。总之，促进学生更好地学习机器人传感器相关概念和 技能的过程，是基于建构主义学习理论的实践性和体验性过程，以及“做中学”和基于项 目的学习等能力本位方法[60,118]。

尽管学习分析目前在教育工作者中引起了极大的兴趣，但它经常与人工智能或机器学 习等概念混用[120]。我们认为，上述三个概念的不精确使用或许可以解释为何我们发现与 以传感器为中心的学习分析和教育机器人相关的论文很少。然而，在本研究中，我们希望 纳入那些专门从事学习分析与机器人传感器研究的研究者。我们仅找到了两篇相关论文。

其中一篇明确应用了学习分析，并采用机器学习技术，特别是肘部法，进行k‐均值聚类[51]； 另一篇则使用机器人传感器收集环境数据[65],，学生通过分析这些数据来提升数据素养并 做出客观决策。这两种分析行为均属于学习分析的基础内容。基于这两项发现，我们意识 到，在发展学习分析与机器人传感器这两个科学领域的交叉研究方面，仍有很长的路要走。

因此，我们认为有必要继续推进将学习分析与教育机器人应用于机器人传感器的研究方向。

值得注意的是，随着商业机器人套件的强势进入，越来越多面向教育机器人的新软硬 件平台正在出现，这些平台更加开放、模块化，并且经济可及[73,110,111,116]。这些新举 措正从封闭式机器人和黑箱[24,28]模式转向开放且可定制的模式。这些新方案的提出基 于多种原因。有人指出，虽然使用商业机器人套件可以学习基础知识，但它们无法将实践 与现实紧密结合，因为它们未能向学生展示机器人的真正可能性。另一些人则强调需要模 块化、开放的机器人，能够使用通用编程语言（如Python）以及通用硬件或传感器，而不 依赖特定品牌和型号的机器人。因此，他们的目标是实现一种开放的教育机器人（ER）， 其软件和硬件能与其他机器人解决方案互操作，这与市面上的商业机器人套件不同。还有 研究者指出，市售机器人套件价格高昂，在某些教育环境中难以获得。所有这些方面都在 当前的研究方向中得到了观察。

最后，作为本综述的总结，我们必须强调，所找到的24篇文章中均未提出任何反对使 用教育机器人或基于问题的学习的论点against。文献中讨论的所有实践经验都集中在积极 方面。例如，在家中使用机器人可以促进成年人与年轻参与者之间的关系。此外，机器人 教育可以提高注意力和动机，并有助于学习力学、电子学、物理、技术、编程以及科学等 不同概念和技能。然而，有关教学方法论的文献表明，当这些教学方法被误用或在不恰当 的时间融入课程时，会产生负面结果。因此，值得探讨在采用所选文献中最常用的两种策 略——“做中学”和基于项目的学习时可能遇到的困难，因为这两种策略出现在90%的文 章中。我们提醒，认为将这些教学策略与教育机器人结合使用只会带来积极结果的观点是 错误的。以下我们将列出一些针对基于项目的学习的反面论点。

大卫指出：“基于项目的学习的核心理念是，现实世界的问题能够激发学生的兴趣， 并促使他们在获取和应用新知识以解决问题的过程中进行深入思考。教师扮演着促进者的 角色，与学生共同提出有价值的问题，设计有意义的任务，指导知识的发展和社会技能的 培养，并对学生从学习体验中所获得的知识进行细致评估”（[121],第80页）。这一表述 意味着教师必须具备实施基于项目的学习（PBL）并实现学习目标所需的知识与技能。库 格尔指出的一个问题是，基于项目的学习可以在教室内外开展。然而，当基于项目的学习 延伸到课外时间时，学生往往无法享受该过程。因此，若在项目时长、重点或主题方面对 学习体验规划不当，可能会产生负面结果[123,124]。

基于项目的学习（PBL）的其他潜在问题涉及用于开展学习体验的语言。学生常常发 现，当基于项目的学习（PBL）未使用学生的母语进行时，由于所涉及的活动类型，可能 会变得过于具有挑战性。因此，学生会感觉自己的交际能力不足以完成这类活动[125],， 这也可能导致动机和参与度降低。

正如我们在基于项目的学习中所阐述的，必须考虑并妥善规划教学策略的各个方面， 例如教师或学生的需求和能力[126,127]，以及教育中的外部问题，例如由于财务资源有 限而无法购买技术，因为这些问题可能导致负面结果[124]。

我们必须承认本次综述存在一些局限性。我们仅使用了两个数据库来筛选论文，并且 只考虑了在机器人传感器与教学方法这一特定背景下的文章和会议论文。我们确信，采用 更广泛的视角将会获得更多的结果，这可以留待未来研究进一步探索。然而，本研究的范 围使我们能够辨别出最常用的教学方法以及所应用的教学理论。我们得出结论：尽管该领 域的重要性稳步增加，但针对机器人传感器领域的学习分析仍是一条几乎未被探索的研究 路径。教育机器人套件本身的硬件是一个限制因素。商业套件不允许修改，因此从机器人 传感器中提取数据并不容易。同样，从机器人软件中提取数据也十分困难。这些局限性使 得开展定量研究具有挑战性。这些问题或许可以解释为何目前缺乏将数据分析方法应用于 从机器人传感器提取数据的研究。

最后，我们指出了几个值得进一步探索的研究方向。一方面，我们认为有必要重点研 究学习分析与教育机器人在机器人传感器中的应用，因为其在提升学习体验方面具有潜力， 而目前针对这一现象的出版物相对较少。另一方面，我们认为有必要进一步研究开源技术 在机器人传感器以及机器人技术整体中的应用。这一开源机器人技术的研究方向能够推动 新型先进传感器的发展，促进新的学习可能性，并降低教育机器人套件的价格。此外，人 工智能在教育机器人中的应用也需要更多关注，以帮助引入标准课程中不常见的新型 STEM概念和技能。