引言

STEM教学强调跨学科、动手实践与探究，有利于培养学生的 STEM素养与 21世纪技能（解决问题、创造性思维、团队协作、技术素养等） [1]。在基础教育中引入 STEM教学具有重要作用，一方面可以提高基础教育的质量和有效性，另一方面可以将 STEM教育机会的自由化和开发性扩展到理论上的最大程度 [2]。在当下这个充满变化和技术机遇的时代，如何使用新兴技术促进 STEM教与学开始受到重视。芬兰国家教育委员会（ Finnish National Agency for Education）自 1996年起开始实施的数学和科学教育发展项目，以培养 STEM专业人员为目标，聚焦于中小学生问题解决高阶能力的培养，加强 STEM课程、机构、学习环境的建设，实施多元化、多角度激励性评价，促进 STEM教师的专业发展 [3]。我国 STEM教育研究起步稍晚，但发展迅速 [4]，全国各地都在探索如何将 STEM教育融入教育体系中。

智能种植教育议题近年来也渐受关注。有学者提出农业可以作为学生初级课程不可或缺的一部分，为 STEM教育探索提供真实的材料 [5]。 21世纪的学生应是一个自我导向的批判性学习者，具备全球和公民意识、信息和媒体素养、财务和经济素养、沟通和写作能力以及创新解决问题能力 [6]。新时代的制造产业（包括农业）将集成物联网、大数据、人工智能等新兴技术，逐渐实现生产过程的透明化、智能化和全局优化，全面晋升为智慧工厂 [7]。当代中小学生的生活普遍被更新迭代飞速的豪华建筑和高科技产品围绕，却对农业基本知识及农业科学技术的发展知之较少。我国现代农业教育目前大多局限于高等教育和职业教育，存在教育资源分配不均匀、农业教学形式较单一、社会认可度不足及就业面较窄等问题 [8]。本研究将以智能蔬菜种植为 STEM课程的主题，并评估该课程在我国初中阶段应用的有效性。

一、文献综述

（一）智能技术支持下的 STEM课程研究

已有研究证明人工智能技术能够激发学生参与 STEM学习的兴趣，提高学生 STEM学习动机 [9]。教学活动设计是 STEM课程开发的核心环节，目前已有的相关教学活动设计，大多数会采用基于问题 /项目的探究式教学和协作学习教学法，运用智能技术开发线上教学平台或电子教材及教学工具，结合跨学科课程标准设计包含各种项目的教学活动，且大致遵循理论学习 —设计 —实践的流程。此外，智能技术支持下的 STEM课程，大部分研究集中于生物、物理、机器人、化学、地质等科学与技术相关的主题。有一项关于农业 STEM课程的研究仅实施 10天，研究者认为该研究活动具备一定创新性，值得深入探索，并希望在其基础上有所突破 [5]。

课程评估是 STEM课程开发与实践研究的重要环节。本研究对已有实证研究中涉及课程评估环节的相关研究进行整理归纳得出结论：此类课程的教学评估可以结合定量和定性的方法，从学生、教师角度去评估。从评估目标看，评估学生对 STEM/编程学习的态度和对智能学习的态度研究占多数，关于 STEM职业的兴趣与职业自我效能感的研究也有一定比例，也有部分研究开始关注学生编程技能、科学探究技能、决策能力、实践任务绩效，且已有少数研究关注 STEM学科能力、计算思维能力等综合能力。从教师角度评估教师的智能教学水平的研究较多，也已出现对教师系统思维和技术使用能力的评估研究。不同编程培训对计算思维能力影响的实验结果显示，比起传统编程教学，使用平台进行编程教育总体上对学生的创造力、算法思维、批判性思维因素和计算思维技能均产生积极影响，但是在解决问题和合作方面没有显著差异 [10]。因此，本研究团队选择智能蔬菜种植为课程主题，教学评估关注对智能技术的认知态度、智能技术的学习与农业学习动机，聚焦课程设计和课程评估创新性，研发出一套智能技术支持下的 STEM课程。

（二）智能种植教育

智能农业（ Smart Farming）是物联网、大数据等新技术融入农业的实践 [11]。本研究将智能蔬菜种植定义为在种植实践中共同考虑智能技术、蔬菜多样性与市场的种植技术。智能教育（ Intelligence Education,简称 IE）是指人工智能技术在教育中的直接应用 [12]，具有三方面的内涵：智能技术支持的教育、学习智能技术的教育和促进智能发展的教育 [13]。农业教育泛指所有传播农业科技知识、培养农业科技人才的活动 [14]，蔬菜种植教育属于农业教育的范畴中教授蔬菜种植相关知识的教学活动。本研究将智能种植教育定义为蔬菜种植教育与智能教育的融合，智能技术支持蔬菜种植教育，学生接受蔬菜种植教育的同时也学习智能技术。

（三）智能种植教育课程相关案例

国内外关于智能种植教育主题课程与教学的研究涉及教学空间设计、课程设计、教学活动设计、课程评估等方面。关于课程主题和授课对象，国内智能种植教育主题课程主要设计为综合实践活动课程与校本课程，少数涉及物联网课程，且课程大多面向小学生开展，教学目标以科普人工智能相关知识、观察植物为主，教学难度设置普遍较低，初高中阶段的课程研发较为罕见。国外此类课程设计的主题则显得更加丰富，包括编程课程、工程设计能力培养、科学探究课程、生态教育课程等，且涵盖小学、初中、高中、大学。教学设计方面，国内大多为教师利用人工智能技术进行课程教授，教师借助人工智能技术更好地向学生传授蔬菜种植方面的科学知识，课程评估环节较少涉及，少数有此环节评估的内容也仅为学习效果评测；国外此类课程相比国内更加注重智能技术的学习及应用，学生在课上学习生态知识的同时，还学习编程、工程设计、传感器技术等，只是课程评估的内容同样基本是对学习效果的评估。

二、教学案例和课程评价设计

本研究是智能技术在 STEM教育领域与农业教育领域的实践探索，旨在设计与开发智能技术支持下的蔬菜种植主题 STEM课程，并进行教学实践与评估，探索 STEM教育理念与智能种植教育的融合，希望为未来的研究提供有价值的参考。

（一）教学案例设计

首先参考现有成果案例（小学夏令营课程计划与高中 9个月课程计划），依据 STEM教育理念开发了面向初中生的以智能蔬菜种植为主题的 STEM课程，由蔬菜的认识到利用智能技术进行科学探究，引入智能技术的学习，包括编程入门与物联网入门，设计教学活动，使得学生在游戏中学习技术，并逐渐积累智能蔬菜种植的相关知识，涉及卖菜小帮手、蔬菜补光灯的控制、感知蔬菜生长环节、温度播报员、智能浇水系统等迷你项目，最终让学生运用所学知识设计完成智能蔬菜种植辅助系统。

基于 STEM教育理念根据课程内容和实验地学校的课时安排，最终将课程设置为 11个模块，每个模块 1～ 2课时（ 90分 /课时），每周一次课，计划 12课时。整体课程设计围绕蔬菜种植主题，重视实践与项目式学习，分为探究篇、技能篇与迷你项目篇。探究篇由 3个模块构成 ——蔬菜知识大闯关、蔬菜种植比拼、揭秘太空蔬菜种植，让学生在游戏体验中探究蔬菜基本知识、蔬菜种植技巧，体验室内蔬菜种植并探索智能蔬菜种植；技能篇包括 4个模块 ——“你好， Python”、卖菜小帮手、蔬菜补光灯的控制、感知蔬菜生长环境，主要是让学生学习 Python基础语法并完成几个简单小案例，同时体验物联网模块；迷你项目篇包括温度播报员、测光小助手、智能浇水系统、智能蔬菜种植辅助装备，共由 4个模块、 5个课时构成，主要是让学生在开源硬件项目设计中练习 Python语法，并体验智能技术的载体传感器的使用，感受学习智能技术的趣味性。体现核心教学设计的课程计划安排见表 1。

（二）教学资源设计

教学实用性相对较强的个人食品计算机 3.0版（见图 1），由一块 Raspberry Pi，温度、湿度和二氧化碳传感器，气泵， USB相机， LED灯模块等硬件组成，并开发了一款配套软件（在 Raspberry Pi和 Beaglebone等嵌入式 Linux设备上运行受控增长环境的软件），有一组新的云服务（ OpenAg云）支持 PFC_EDU的后端，可将其连接到 Open Phenome（ OpenAg的开源系统， PFC数据和气候食谱的数字图书馆）。

考虑到我国中小学的教学资源投入成本需求与教学便捷性，本研究选择了国产的开源硬件，开发了智能蔬菜种植机（见图 2）与科学观测平台。因二氧化碳传感器的单价较高，所以暂时选择放弃。硬件安装了温度传感器、湿度传感器、环境光传感器、摄像头模块、 LED灯、水泵等。

智能观测平台为 SIOT物联网平台及其自带的功能库。目前能观测智能蔬菜种植机的数据与远程浇水，数据包括实时数据与历史数据，数据类型有环境温度、环境湿度、光照度等。

（三）课程评价工具设计

1.智能技术的学习态度问卷

经查阅期刊发现一套评估学生对技术的态度和认识的工具并可进行验证的量表 [15]，该问卷共 54项，包括 5个维度 ——对技术的兴趣、技术的未来、对技术的态度、技术教学、技术知识。本研究对该问卷进行适当修改，用智能技术替换技术，部分题目进行缩减，最终生成学生对智能技术的学习态度前后测问卷。通过前测数据计算问卷的信度，可靠性检验的 Cronbach’s alpha系数为 0.87，由此可知问卷的信度较好。

2.智能技术概念理解、学习动机与信心问卷

本研究借鉴了一套关于编程概念的基本理解以及学习动机和信心的问卷 [16]。在该问卷基础上进行修改并生成适用于本研究的智能技术概念理解、学习动机与信心前后测问卷。前测问卷显示各维度的可靠性检验 Cronbach’s alpha系数结果：编程和算法为 0.994，开源硬件与传感器为 0.996，物联网为 0.991，智能应用程序为 0.981。

3.农业领域知识学习动机问卷

本研究改编史蒂芬等人 [17]修订的农业学习动机调查问卷，对此问卷进行翻译并修改和调整题目，作为评估学生关于农业领域知识与学习动机的调查问卷。该问卷共 25项、 5个维度，分别为：职业动机、内在动机、自我决定、自我效能感和成绩动机，各维度可靠性检验 Cronbach’s alpha系数结果分别为： 0.98、 0.97、 0.97、 0.99、 0.87。

（四）数据分析策略

相关问卷收集之后，用 SPSS 26.0软件进行数据分析（配对样本 t检验），以探究研究者设计的课程对学生关于智能技术的理解和使用、学习编程和智能技术、学习农业领域知识的影响，检查在实验前后是否存在显著性差异。同时对实验过程中收集的录音、学习手册、访谈、视频等数据进行内容分析，以了解学生在此课程中的完成情况，为后续课程修改提供参考依据，并可作为重要信息辅助解释实验结果。

关于非问卷类数据的内容分析，由于此类数据采集与分析的主观性较强，在内容分析前，进行了以下准备：

（ 1）确定分析目的：了解课堂学习环境下学生的课程参与情况与项目完成情况。

（ 2）确定记录表格样式：根据教学设计，研究者结合 STEM-6E教学法［主要包括 6个环节：引入（ engage）、探究（ explore）、解释（ explain）、工程（ engineer）、丰富（ enrich）、评价（ evaluate）］，设计了课堂参与观察记录表与项目完成情况记录表。

（ 3）分析过程：参照江南大学牟智佳等人 [18]2020年提出的基于行为序列的学习行为模式，该研究将我国中学生课堂学习行为分为自主性学习行为、交往性学习行为、操作性学习行为、非学习行为、感官性学习行为和教师辅助性学习行为，具体编码如表 2。

对观察对象的课堂学习视频进行观察记录，在观察过程中不评价学生，也不影响、干预他们的行为，使观察对象在最自然真实的情境下做出符合自己意愿的行为，同时比对学习手册的填写情况，确保观察结果的真实性。以教学设计的每个环节（引入、探究、解释、工程、丰富、评价）为记录点，记录下每个学生在每个环节内产生的行为数据，即每堂课每位学生产生 6组行为数据，最终由研究者根据预期目标得出每位同学的课程参与度。研究者选取每堂课录制的课堂学习视频片段与学生学习手册进行分析。

三、数据分析和结果

（一）课程对学生关于智能技术的学习态度的影响

通过问卷检验学生在课程实施前后关于智能技术的学习态度的变化。表 3为学生在关于智能技术学习态度的各个维度上的配对样本 t检验结果，显示在对智能技术的兴趣、个人学习智能技术两个维度上，学生的学习态度没有显著变化（ Sig.值大于 0.05），而在智能技术的未来、智能教育两个维度上，学生的学习态度得到了显著改变（ Sig.值小于 0.05）。另外，在没有显著变化的两个维度上，学生得分的均值差均呈现了学生关于智能技术的学习态度的正面提升。由此可见，通过智能蔬菜种植 STEM课程的学习，在一定程度上改善了学生对智能技术的学习态度。

为进一步探讨课程对学生关于智能技术的学习态度的影响，本研究分析了学生的课程参与度。研究者查阅相关文献，参照国外学者做的关于大学生课程参与的定性研究中采用恒定比较的方法 [19]，根据课堂视频素材、学习手册完成情况与教师观察记录等进行内容分析，绘制学生的课程参与度记录图（见图 3）。由图可知，全班学生的课程参与度均值在 80%，模块 1的课程参与度为最高值，模块 9出现了最低值，总体的课程参与度呈先下降、再增长、再下降、再增长的趋势。

结合教学设计，可一定程度上解释出现此趋势的原因：前 4个模块的教学难度相较后 7个模块差距较明显。学生从第一模块时参与度 100%之后就开始逐渐下降，因本课程实施时间为每周五放学前，大部分学生携带周末作业参加课程，因此课程难度较低，这也可解释学生的课程参与度降低。自第四模块起，学生开始接触编程与智能硬件，对大部分是初学者的学生来讲教学难度相较前几个模块大大提高，教学活动安排的紧密性变化也是如此，因此学生能完成其他学科作业的机会大大降低。根据学习手册完成情况也可发现，学生无法完成全部学习手册任务的情况不可避免。但根据课程参与度的折线趋势判断可得，学生的课程参与度是有所提升的。而第九模块出现最低值，当归结于第九模块的教学难度属于整个课程中最大的（第九模块课程实施后，研究者调整了后几个模块的教学难度）。因此，学生课程参与度的变化可以解释其在关于智能技术的个人态度上，为什么没有每个维度的得分均得到显著性提高。

另外，对比男生课程参与度记录图与女生课程参与度记录图可得，女生的课程参与度变化相较男生更平缓，大部分课程模块的参与度远高于男生。根据课堂观察与各小组信息汇总，研究者发现各小组中起主导作用的同学均为女生，且在项目中负责编程与搭建的同学中女生的比例也较高，且主动参与回答问题或展示作品的同学中女生占多数。对此，研究者认为，一部分原因可能是参加本课程的学生男女比例较为悬殊（每组男生仅为 1～ 2人），一定程度上影响了男生课堂参与积极性。

（二）课程对学生智能技术概念理解、学习动机与信心的影响

为探究课程对学生智能技术概念理解、学习动机与信心的影响，研究者参照系列相关实证研究，在课程实施前后对学生实施了前后测。

表 4为实验中学生在智能技术学习的各个维度（编程和算法、开源硬件和传感器、物联网工具、智能应用程序）上的配对样本 t检验结果。结果显示：在开源硬件和传感器、物联网工具、智能应用程序 3个维度上，学生的基本理解以及学习动机与信心均有显著性提高（ Sig.值小于 0.05）；在编程和算法维度上，后测分数高于前测，但未达到显著性水平（ Sig.值大于 0.05）。

传感器技术、物联网应用程序等概念在中小学教育中虽然不多，但似乎具有良好的可接受性。无论是学生的课堂表现与学习手册的填写情况，还是学生访谈的结果，均显示学生对开源硬件、传感器、物联网工具、智能应用程序等概念有较好的理解，对学习的动机与信心有了一定的提升。

虽然编程和算法没有显著性提升，但前后测得分均值差显示课程实施后此维度得分有所提高。在进行教学设计专家评估阶段，一线资深信息技术教师表示计算机编程相关知识的理解与提升需要长时间的积累，未接触过编程的学生很难在短时间内通过相关课程的学习提高编程和算法能力。本研究在研究设计时为规避此局限性，将课程设置为 11个模块，计划 12个课时，每个模块的课程教学时间超过 90分钟， 11个模块的课程包含 8个模块的智能技术学习，以学习相关模块的知识。同时，考虑到在编程基础性知识学习和项目式学习时，学生的参与度具有差异性，且大部分学生为初学者，研究者设置基础篇学习的教学场所为学校机房，每位学生配 1台计算机，大部分项目为单人任务；迷你项目篇教学场所为活动室， 4～ 6人一组，每组 1台计算机，大部分项目为小组任务。前后测得分的均值差为 0.363，说明虽然本研究编程和算法维度得分未有显著性提高，但课程已初见成效。

从课程结束后的访谈发现，学生能基本了解自己在课程中做的各个项目的运作原理，并且描述最为清晰的项目均为软硬件结合的项目。一位女同学表示做过很多项目，最满意的项目是自动浇水装置：“在自动浇水项目中，我完成了水泵拼装与程序代码编写，最后让水泵可以自动吸水给蔬菜浇水。”另一位女同学介绍了如何使用 Python的数学语句编写卖菜小帮手小程序以及结合温度传感器自动测量温度、光照强度传感器自动测量光照强度，也着重介绍了智能浇水系统的项目： “在这个项目里，我们全组人都参与了，刚开始是 2个人连接电线和传感器， 3个人敲代码，浇水的时候大家都要一起，有人要接着电线，有人要负责接水和插水泵，有人要调试代码运行和停止，最后大家一起完成了这个项目。”因班里男同学较少，研究者仅对 2名男同学实施访谈，男同学对课上学习的软硬件相关知识与原理描述较为简单，但也切中要点，可见课程能有效帮助学生学习智能技术。

访谈内容节选如下：

S1：我在课程中学习种植蔬菜，使用各种传感器测量蔬菜的温度、光照强度、湿度。我在组内帮忙种植蔬菜、安装硬件等。

S2：我了解了如何制作一个智能蔬菜种植设备，它需要水泵、温度检测器、湿度检测器、侦测设备、芯片、锂电池等材料。

（三）课程对学生农业领域知识与学习动机的影响

本研究通过问卷检验学生在课程实施前后对农业领域知识学习动机的变化。表 5为学生在农业领域知识学习动机的各个维度（内在动机、自我效能、自决、成绩动机、职业动机）上的配对样本 t检验结果，显示在农业领域知识学习的内在动机、自我效能感、自决、成绩动机、职业动机 4个维度上，课程实施前后学生的学习动机均得到了显著提高（ Sig.值小于 0.05）。由此可见，学生通过课程的学习能提高对农业领域知识的学习动机。

教师的课堂观察也有同样的发现。在教师引导下，每组学生在第二个模块课程时种下蔬菜，学生对浇水与观察积极性颇高，在后续课程的学习中使用开源硬件、传感器等智能硬件的过程虽然艰辛，但是观察到自己组蔬菜的温度、湿度、光照度等数组时，各组均激动异常，未实现程序跑通的小组也会到其他组的 SIoT物联网平台上进行查看，并主动邀请成功实现智能观测的小组的同学协助自己组完成开发。在最后一堂课时，两组种植生长周期较短的学生成功摘取自己成熟的蔬菜，其他小组的蔬菜也均长势良好。从一颗颗种子到一棵棵菜苗，学生脸上洋溢的笑容与花房绿油油的蔬菜叶子，无不透露出学生在本课程中种植蔬菜获得的满足感。

课程结束后教师对部分学生进行访谈，学生的回答也同样显示课程可提高学生对农业领域知识的学习动机。访谈结果如下：

S1：用科学技术来种植蔬菜能使人们更加轻松地获得收成，老师还让我们在课堂上模拟了 ……

S2：我认为农业科学知识是很重要的，它能够带领我们与未来的世界更加贴近。看科幻电影的时候，我们就都很好奇原来可以这样子 ……

可见学生对智能蔬菜种植的评价较高，学习农业相关知识的热情高涨，且一定程度上提升了学生的见识与社会责任感。

四、结语

将智能教育与蔬菜种植教育融合的 STEM课程能促进学生学习智能技术、提高农业科学知识学习动机，智能技术可有效支持蔬菜种植教育，学生在接受农业科学新知识的同时，也可提升关于智能技术的概念理解与使用信心。此外，研究者通过量化与定性数据分析发现，无论是基础技能模块还是软硬件项目模块，在课堂中女生的学习积极性与参与热情均高于男生。但是，由于本研究的研究对象是通过网上自主选课的学生，最终确认名单时发现选课的男生仅 7名，女生 23名，导致性别差异分析受到限制。另外，社团课上学生容易出现请假的情况，影响学生项目完成率与课程参与积极性，此发现值得后续继续探讨。

参考文献：

[1]WAHONO B， CHANG C Y.Assessing teacher’s attitude， knowledge， and application (AKA) on STEM： an effort to foster the sustainable development of STEM education[J].Sustainability， 2019， 11(4)： 950.

[2]CTPИЖAК О Є,СЛ IП YXIHA ІА ,Пол ісун Н І,et al.STEM-освіта :основн ідефініції[J].Інформаційнітехнологіїізасоби навчання ,2017， 62(6):16-33.

[3]杨盼 ,韩芳 .芬兰 STEM教育的框架及趋势 [J].电化教育研究 ,2019,40(9):106-112.

[4]曾宁 ,张宝辉 ,王群利 .近十年国内外 STEM教育研究的对比分析：基于内容分析法 [J].现代远距离教育 ,2018(5):27-38.

[5]VALLERA F L,BODZIN A M.Integrating STEM with AgLIT (agricultural literacy through innovative technology):the efficacy of a project-based curriculum for upper-primary students[J].International Journal of Science and Mathematics Education,2020,18:419-439.

[6]ABDURRAHMAN A,ARIYANI F,NURULSARI N.Designing an Inquiry-based STEM learning strategy as a powerful alternative solution to enhance students’ 21st-century skills:a preliminary research[C]//Journal of Physics: Conference Series.IOP Publishing,2019,1155(1).

[7]吕佑龙 ,张洁 .基于大数据的智慧工厂技术框架 [J].计算机集成制造系统 ,2016,22(11):2691-2697.

[8]邓祥丰 ,李成彬 .浅谈发达国家农业教育对我国的启示与思考 [J].现代化农业 ,2020(1):43-46.

[9]KLEBANOV B B,BURSTEIN J,Harackiewicz J M,et al.Reflective writing about the utility value of science as a tool for increasing STEM motivation and retention-can AI help scale up?[J].International Journal of Artificial Intelligence in Education,2017,27(4):791-818.

[10]PALA F K,M1HÇ1 TÜRKER P.The effects of different programming trainings on the computational thinking skills[J].Interactive Learning Environments, 2021,29(7):1090-1100.

[11]WOLFERT S,GE L,VERDOUW C,et al.Big data in smart farming:a review[J]. Agricultural Systems,2017,153:69-80.

[12]祝智庭 ,魏非 .教育信息化 2.0:智能教育启程 ,智慧教育领航 [J].电化教育研究 ,2018,39(9):5-16.

[13]祝智庭 ,彭红超 ,雷云鹤 .智能教育 :智慧教育的实践路径 [J].开放教育研究 ,2018,24(4):13-24， 42.

[14]靳占忠 .高等农业教育概念新探 [J].中国农业教育 ,2002(2):14-15.

[15]INCANTALUPO L,TREAGUST D F,KOUL R.Measuring student attitude and knowledge in technology-rich biology classrooms[J].Journal of Science Education and Technology,2014,23(1):98-107.

[16]KUAN W H,TSENG C H,CHEN S,et al.Development of a computer-assisted instrumentation curriculum for physics students:using lab VIEW and arduino platform[J].Journal of Science Education and Technology,2016,25(3):427-438.

[17]CHUMBLEY S B,HAYNES J C,Stofer K A.A measure of students’motivation to learn science through agricultural STEM emphasis[J].Journal of Agricultural Education,2015,56(4):107-122.

[18]牟智佳 ,张勤娜 ,陈思睿 .基于行为序列的学习行为模式识别与教学干预 [J].现代教育技术 ,2020,30(5):74-80.

[19]KIM M.A qualitative multiple case study on the participation structure and interactions in college courses with active student participation[J]. Korean Journal of Educational Psychology,2015,29(1):135-168.

作者简介：

陆雅楠（1997— ），女，浙江瑞安人， 上海人工智能实验室智能教育中心AI教育教研员，研究方向为STEM教育；

江丰光（ 1981— ），男，台湾彰化人，上海交通大学教育学院未来教育中心主任、长聘教授、博士生导师，研究方向为 STEM教育、学习空间、信息技术创新教学。

本文发表于《数字教育》 2023年第 2期（总第 50期）实践案例栏目，页码： 69-77。转载请注明出处。