Forscher der North Carolina State University haben einen einwöchigen High-School-Lehrplan entwickelt, der Schülern hilft, Konzepte sowohl in der Farbchemie als auch in der künstlichen Intelligenz schnell zu verstehen – und gleichzeitig ihre Neugier auf die Wissenschaft und die Welt um sie herum zu wecken.
Um zu testen, ob ein kurzes naturwissenschaftliches Modul an weiterführenden Schulen den Schülern effektiv etwas über Chemie – ein bekanntermaßen heikles Fach – und künstliche Intelligenz (KI) beibringen kann, entwarfen die Forscher ein relativ einfaches Experiment mit pH-Werten, die den Säuregehalt oder die Alkalität einer Flüssigkeit widerspiegeln Lösung.
Beim Testen des pH-Werts auf einem Teststreifen sind Farbumrechnungstabellen eine praktische Referenz: Säurehaltigere Lösungen färben die Teststreifen rot, wenn viel Säure vorhanden ist, und färben die Teststreifen gelb und grün, wenn der Säuregehalt schwächer wird. Teststreifen verfärben sich tiefviolett, wenn Flüssigkeiten stark alkalisch sind, und werden blau und dunkelgrün, wenn der alkalische Gehalt sinkt.
Die numerischen pH-Bereiche reichen von 0 bis 14, wobei sieben pH-Werte neutral sind – etwa dem Niveau des Leitungswassers in Ihrem Zuhause – und die niedrigeren Werte einen höheren Säuregehalt widerspiegeln, während höhere Zahlen eine höhere Alkalität widerspiegeln.
„Wir wollten die Frage beantworten: ‚Können wir maschinelles Lernen nutzen, um pH-Streifen genauer als visuell abzulesen?‘“, sagte Yang Zhang, Assistenzprofessor für Textiltechnik, Chemie und Naturwissenschaften und Mitautor von eine Arbeit, die die Arbeit beschreibt. „Es stellte sich heraus, dass das von Studenten trainierte KI-Vorhersagemodell etwa 5,5-mal präziser war als visuelle Interpretationen.“
Die Schüler nutzten ihre Handykameras, um pH-Teststreifen zu fotografieren, nachdem sie sie in einer Vielzahl alltäglicher Flüssigkeiten – Getränke, Teich- oder Seewasser, Kosmetika und dergleichen – angefeuchtet hatten, und ihre pH-Werte visuell vorherzusagen. Sie erhielten von den Ausbildern auch Teststreifen mit bekannten pH-Werten, die mit hochentwickelten Instrumenten entnommen und visuell vorhergesagt wurden.
„Wir wollten, dass die Schüler über die realen Auswirkungen dieser Art von Tests nachdenken, beispielsweise an unterentwickelten Orten, an denen Trinkwasser ein Problem darstellen könnte“, sagte Zhang. „Vielleicht verfügen Sie nicht über ein hochentwickeltes Instrument, möchten aber unbedingt wissen, ob der pH-Wert unter 5 oder unter 7 liegt.“
Die Schüler gaben Daten in die kostenlose Software für maschinelles Lernen namens Orange ein, die keine Codezeilen enthält, was die Arbeit auch für Anfänger erleichtert. Sie arbeiteten daran, Teststreifenbilder und pH-Werte in Vorhersagen umzuwandeln, wobei maschinelles Lernen die Genauigkeit verbesserte, da es lernte, die subtileren Änderungen in der Teststreifenfarbe mit den entsprechenden pH-Werten abzugrenzen.
Anschließend verglichen die Schüler ihre pH-Wert-Vorhersagen durch maschinelles Lernen mit ihren visuellen Vorhersagen und stellten fest, dass die KI-Vorhersagen zwar nicht perfekt waren, aber viel näher am wahren pH-Wert lagen als ihre visuellen Vorhersagen.
Die Forscher befragten die Schüler auch vor und nach dem einwöchigen Lehrplan und stellten fest, dass sie angaben, motivierter zum Lernen zu sein und sich besser mit Chemie und KI auszukennen.
„Studenten konnten die Relevanz modernster Technologie bei der Anwendung auf reale Probleme und wissenschaftliche Fortschritte erkennen“, sagte Shiyan Jiang, Assistenzprofessor für Lerndesign und -technologie an der NC State und Mitautor des Papiers.
„Diese praktische Anwendung verbessert nicht nur ihr Verständnis komplexer wissenschaftlicher Konzepte, sondern inspiriert sie auch zur Erforschung innovativer Lösungen und fördert so ein tieferes Verständnis für die Schnittstelle zwischen Spitzentechnologie und Wissenschaft, insbesondere der Chemie.“
„Was die Chemie betrifft, gibt es viele ähnliche Konzepte der Farbchemie, die wir auf diese Weise vermitteln können“, sagte Zhang. „Wir können diesen Lehrplan auch erweitern, um mehr Studierende einzubeziehen.“
Die Forschung ist veröffentlicht im Zeitschrift für chemische Bildung.
Mehr Informationen:
Shiyan Jiang et al., Integration von maschinellem Lernen und Farbchemie: Entwicklung eines High-School-Lehrplans zur Lösung realer Probleme, Zeitschrift für chemische Bildung (2023). DOI: 10.1021/acs.jchemed.3c00589