AI创客指导师实操技能模拟测试真题及解析
AI创客指导师【教育部教育技术与资源发展中心(中央电化教育馆)】
一、单项选择题（本大题共10小题，每小题3分，共30分）
在每小题列出的四个备选项中只有一个是符合题目要求的，请将其代码填写在题后
的括号内。错选、多选或未选均无分。
1.AI创客教育的核心思想是（）
A. 让学生精通全部AI算法理论
B. 借助项目化学习方式，提升学生运用AI处理真实情境问题的创造力和动手
能力
C. 要求学生记忆AI专业概念
D. 完全取代常规编程课程
2.在AI创客活动里，指导师辅导学生开展“数据收集”工作的核心意图是（）
A. 收集的数据量越大越好
C. 让学生熟悉数据记录流程
D. 演示各类传感器的操作方式
3.针对K12学生的AI创客课题，挑选算法模型时首要权衡（）
A. 采用最先进、最高深的模型
B. 选用通俗易懂、可视化友好且算力需求较小的模型
C. 完全避开需要训练的模型
D. 由指导师统一规定使用某一模型
4.模型训练环节中，学生察觉模型在测试集上效果欠佳，指导师最宜引导其（）
A. 弃用现有模型，改用其他模型
B. 排查潜在因素（如样本匮乏、样本质量欠佳、特征选取不合理、超参数
待优化等）并着手改进
C. 擅自调整测试集样本
D. 漠视该现象，只看训练集表现
5.AI创客实践中，指导师重视“模型可解释性”的根本目的在于（）
A. 提升项目挑战度
B. 助力学生把握AI判定的逻辑，形成辩证思考能力，并重视伦理议题
C. 拖延项目进度
D. 体现指导师的专业素养
6.一套完整的AI创客实践流程通常不涵盖（）
A. 需求梳理与实地调研
B. 数据收集与清洗加工
C. 记忆算法的数学推演
D. 模型上线与成果展示
7.作品展示阶段，衡量学生AI创客成果的关键指标是（）
A. 是否选用了最高价的硬件
B. 能否完整讲解项目理念、呈现作品功能，并阐明其实用价值与社会
效益
C. 操作界面是否精美
D. 编码体量是否充足
8.指导师在AI创客课堂中引入“设计思维”（Design Thinking）旨在（）
A. 让学生掌握美术设计技法
B. 塑造学生以用户视角出发、共情理解、界定痛点、创意发散、原型搭建与测试
优化的创新能力
C. 替代工程技术的学习
D. 使项目流程更为繁琐
9.AI创客实践中，学生遭遇挫折（如模型难以收敛、设备连接异常）时，指导师的最佳应对是（）
A. 指责学生粗心大意
B. 将此视作珍贵的学习契机，指导学生剖析成因、留存记录、探索替代
路径
C. 立刻接手帮学生排除故障
D. 建议学生降级选择更易的课题
10.跨学科融合对AI创客教育的意义重点展现在（）
A. 拓宽学生的学科知识面
B. 凸显AI作为使能技术与科学、技术、工程、艺术、数学等多元领域结合
攻克复杂现实问题的属性
C. 加剧指导教师的工作负担
D. 淡化学科间的界限
二、多项选择题（本大题共5小题，每小题4分，共20分）
在每小题列出的五个备选项中至少有两个是符合题目要求的，请将其代码填写在题
后的括号内。错选、多选、少选或未选均无分。
11.适宜K12学生入门AI创客的典型选题涵盖（）
A. 借助图像识别技术的垃圾分类设备
B. 基于自然语言处理的简易聊天机器人
C. 利用传感器结合机器学习预判植物生长状态
D. 研发具备完整自主意识的通用人工智能
E. 复刻当下最新的多模态大语言模型
12.AI创客实践中，数据预处理环节可能包含的步骤有（）
A. 数据净化（填补缺失值、剔除异常值）
B. 数据标记
C. 特征抽取与筛选
D. 数据可视化以揭示规律
E. 直接将原始数据投入训练
13.AI创客项目教学中，指导师应重点关注并组织学生研讨的伦理与安全议题包含（）
A. 训练样本的偏差现象
B. 模型判定的透明度与公正性
C. 项目产出可能引发的隐私风险
D. 技术应用的社会担当
E. 算法的数学论证
14.高质量的AI创客项目展示应当涵盖（）
A. 项目拟回应的现实问题或创意缘起
B. 所采用的核心技术（如传感器、算法）概述
C. 作品功能演示
D. 项目推进中的难点、应对策略及后续优化方向
E. 项目全部代码的逐条讲解
15.AI创客指导师应拥有的关键素养涵盖（）
A. 对AI基础理论与常用工具（如机器学习平台、开源硬件）的掌握
B. 项目策划与教学统筹能力
C. 鼓励试错、宽容失败、推崇协作的引导风格
D. 持续更新知识与技能的自觉
E. 通晓AI全部细分方向
三、判断题（本大题共10小题，每小题1分，共10分）
判断下列各题正误，正确的在题后括号内打“√”，错误的打“×”。
16.AI创客教育的核心是让学生完整经历从构想到落地的全过程，把握AI运作
机制，而非单纯地使用AI产品。（）
17.针对K12学生，调用现成的AI服务接口（如语音、图像识别API）完成应用
搭建，不算真正意义上的AI学习。（）
18.AI创客项目中，团队配合能力与技术水平具有同等地位。（）
19.项目回顾与反思在AI创客学习链条中属于可取舍的环节。（）
20.筛选AI创客选题时，应优先聚焦与学生日常学习生活紧密相连的真实需求。（）
21.模型训练中，“过拟合”特指模型在训练样本上效果突出，但对新样本表现
欠佳的情形。（）
22.AI创客教育仅适配对编程抱有浓厚兴趣的学生。（）
23.指导师须保证学生开展的每一项AI创客课题均获成功。（）
24.倡导学生记录项目日志（涵盖思路、尝试、失误、应对方案）有益于锻造其
规范的工程素养与元认知水平。（）
25.AI创客实践中，运用开源软硬件值得提倡，但需指导学生遵循知识产权
规范，正确引用并标注来源。（）
四、简答题（本大题共4小题，每小题5分，共20分）
26.简述在AI创客项目启动阶段，如何辅导学生高效地“界定问题”？
27.为何在AI创客教育中，突出“原型迭代”尤为关键？
28.AI创客实践中，指导师怎样辅导学生认识“数据质量”对AI模型表现的
决定性作用？
29.辅导学生完成AI创客项目展示时，应着重培育哪些层面的素养？
五、案例分析题（本大题共2小题，每小题10分，共20分）
30.某初中AI创客团队拟开发一款“智能书房助手”，初步构思是依据环境
光线自动调节台灯亮度，并能响应语音指令播放音乐。作为指导师：
(1)请协助该团队将此构思拆解为2至3个核心可落地的功能模块。
(2)针对每一模块，列出可能涉及的核心硬件传感器/部件以及所
关联的AI技术或算法思路。
31.某学生小组正着手开发一套“基于图像识别的校园鸟类观测系统”。他们
从网络获取了一份鸟类图像样本集，训练出一套识别模型，但在真实测试中利
用手机拍摄的校园鸟类照片识别时，效果明显差于数据集上的表现。学生
们情绪低落。作为指导师：
(1)请剖析造成该现象的可能因素（至少列出两点）。
(2)你将怎样辅导学生逐步排查并攻克这一难题？
答案解析
一、单项选择题
1.B AI创客教育实质是STEAM教育在AI阶段的演进，核心在于通过动手实
践，塑造计算思维、设计思维、创新意识及破解真实问题的素养，把握AI技
术与社会的关联。
2.B数据堪称AI的“燃料”。采集数据的宗旨是为特定任务获取相关、具备
代表性的样本，数据品质直接左右模型表现，而非一味贪多。
3.B教学情境中，模型的易理解性、交互性与可达性（低算力门槛）举足轻
重，有助于学生形成直观认知，维持学习热情。过于复杂的模型易成黑箱，
不利于教学。
4.B调试与优化是AI项目的核心步骤。指导分析成因（如数据、特征、模型、
超参数）并尝试改进，是锤炼问题处理能力与科学探究精神的重中之重，远
胜于直接给答案或放弃。
5.B可解释性涉及信任、公平与伦理。助力学生明白模型为何输出特定结论，
可培育其批判性审视技术的素养，察觉技术的社会效应，这是公民AI素养的
关键组成部分。
6.C AI创客侧重应用与实践，重点在把握概念与流程。繁复的数学推演并非K12
阶段重点，死记硬背更无益于创新能力塑造。项目流程应围绕问题、数据、模
型、应用、评价与反思展开。
7.B展示是综合素养的折射。清晰的陈述、有效的演示、对价值与社会意义的
思量，体现对项目的深层理解、沟通能力与社会担当，比技术堆砌更具分量。
8.B设计思维提供了一套以人为本、迭代创新的方法论，能够有效引导学生
从真实需求出发进行创作，避免为技术而技术，与创客教育理念高度吻合。
9.B失败属常态也是宝贵资源。指导分析失败成因、留存过程、尝试新方案，
能够极大锤炼抗挫能力、科学探究精神与问题处理能力，是成长的关键一环。
10.B AI属于赋能型技术。与STEAM等学科结合，可展现其攻克复杂现实问题
的强大潜力，使学习更具意义与趣味，同时培育学生的综合素养。
二、多项选择题
11.ABC这些选题贴近生活，任务相对清晰，能彰显AI应用价值，且已有较
成熟的工具与数据集支撑，适宜初学者体验完整链路。D、E选项远超K12学
生认知层级与资源条件。
12.ABCD数据预处理是提升数据质量、左右模型表现的关键环节，涵盖清洗、
标注、特征工程、探索分析等。E选项直接套用原始数据通常效果不佳，预处
理是必要流程。
13.ABCD AI教育必然涵盖伦理维度。研讨偏见、公平、透明、隐私、责任等
议题，是培育负责任的创新者与公民的核心，算法数学证明并非伦理研讨重点。
14.ABCD优质展示应讲清问题、技术、演示效果与过程反思，呈现思考深度。
逐行解释代码冗长低效，应聚焦整体思路与关键节点。
15.ABCD指导师需兼具技术、教学、学生认知理解能力，保持良好态度并坚
持学习。E选项不现实亦无必要，视野广度与引导能力比单一领域纵深更重要。
三、判断题
16.√ AI创客教育核心在于推动学生从技术消费者转变为理解者与创造者，借
由亲身参与设计、训练、调试、应用AI模型的流程，构建对AI技术的深层理解。
17.×调用API是学习AI应用层的有效路径，能够迅速体验AI能力，把握输
入输出，激发兴趣，是入门方式之一。关键在于引导反思API背后的原理与局
限。
18.√ AI项目常常需多学科知识协同完成。团队配合能够促进知识共享、观点
碰撞、问题处理，塑造沟通、分工、协作能力，这些是未来创新人才的核心素
养。
19.×复盘反思属于元认知过程，能够帮助学生提炼经验、识别短板、规划后
续学习，是将实践经验升华为能力的关键环节，不可或缺。
20.√贴近学生经验的选题能够激发内在动机，使项目更具价值，也更便于获
取相关数据并开展测试验证，提高项目可行性与成功概率。
21.√过拟合是机器学习的常见现象，指模型过度学习训练数据的细节与噪声，
导致泛化能力下降。理解这一概念对正确评估模型至关重要。
22.× AI创客教育能够融合硬件、艺术、设计、社会调研等多元元素，吸引不
同兴趣与特长的学生参与。编程是工具之一，并非唯一入口。
23.×失败是学习进程的一部分。允许并正视失败，引导从失败中汲取教训，比
追逐表面成功更重要。关键在于过程中的思考、尝试与成长。
24.√项目日志是思维的外化与学习过程的留痕，能够帮助学生梳理思路、跟
踪进度、归纳方法，塑造系统性、反思性的工作习惯。
25.√运用开源资源是创客文化的重要组成，但需借此契机教育学生遵守开源
协议，尊重他人劳动成果，规范引用，培育知识产权意识。
四、简答题（答案要点）
26.辅导学生有效界定问题：①从真实需求切入：引导学生思考“为谁化解什
么问题？”、“这一问题的价值何在？”。②具体化：将模糊构思细化为明确、
可量化的目标（如“检测疲劳”而非“保障安全”）。③评估可行性：结合可
用时间、资源、技术水平，判断问题是否可解。④设定边界：明确项目边界，
防止过于庞大。可借助“用户画像”、“问题陈述”等工具。
27.突出“原型迭代”的价值：①降低试错代价：快速搭建简易原型加以测试，
尽早暴露重大问题，避免在错误方向过度投入。②持续获取反馈：凭借原型
与用户（或同伴）互动，收集反馈，使产品更好契合需求。③支撑渐进式学
习：每次迭代都是学习、调整、优化的契机，使学习过程更灵活、响应更迅
捷。④塑造成长型心态：理解产品开发是持续改进的进程，而非一蹴而就。
28.辅导学生认识数据质量的影响：①直观对比：运用高质量数据（清晰、标
注精准）和低质量数据（模糊、标注有误）分别训练简易模型，对比效果差
异。②案例剖析：展示因数据偏差（如样本集中于某一类别）造成模型决策
不公的真实案例。③实践体验：让学生在数据清洗、标注中亲身感受其耗时
费力，理解高质量数据的价值。强调“垃圾进，垃圾出”。
29.展示环节着重培育的能力：①逻辑表达能力：清晰陈述项目背景、目标、
方法、结果与结论。②演示能力：有效呈现作品功能，突出关键。③沟通与
应答能力：自信表达，并精准回应听众提问。④批判性思维：能够客观剖析
项目优劣、挑战及后续优化方向。⑤叙事能力：将项目过程转化为引人入胜
的故事，引发共鸣。
五、案例分析题（答案要点）
30.
(1)功能模块拆解：
o模块1：环境光线感知与自动调光。
o模块2：语音指令识别与音乐播放控制。
(2)硬件与技术：
o模块1：硬件：光敏传感器/环境光传感器、可调光LED台灯（或
LED灯带+PWM控制器）、主控板（如Arduino、Micro:bit）。AI技
术/算法：可设置简单的阈值判断逻辑（if-else），或利用传感器数
据训练简易的回归模型映射光强与亮度关系（进阶）。
o模块2：硬件：麦克风模块、扬声器、主控板（如树莓派，算力更
强）。AI技术/算法：调用语音识别API（如百度、科大讯飞等提
供的SDK）或预训练模型完成关键词识别；音乐播放功能可调用本
地或在线曲库。
31.
(1)主要因素剖析：
o数据分布差异：网络样本集中的鸟类图像可能与校园实拍图像在
拍摄视角、光照条件、背景、鸟类姿态、清晰度等方面存在显著差
异，致使模型泛化能力不足。
o类别不匹配：网络样本集涵盖的鸟类种类可能与校园常见鸟类种
类不完全对应。
o过拟合：模型可能过度拟合了训练样本集的特定特征，未能学习
到更具泛化性的特征。
(2)辅导分析与解决步骤：
o步骤1：剖析差异：引导学生对比网络样本集图像与校园实拍图像，
锁定具体差异（如背景、光线等）。
o步骤2：数据扩充与优化：建议学生采集更多校园环境下的鸟类
图像（数据增强），或对现有校园图像进行预处理（如调节亮度、裁
剪背景），使测试数据更贴近训练数据分布。
o步骤3：模型评估与调优：检查模型对校园图像中不同鸟类的识别
表现，观察是否某些类别识别率特别低（可能是类别不匹配）。考
虑能否增补缺失类别的数据重新训练，或调整模型结构/参数降低
过拟合。
o步骤4：迭代改进：这是典型的“数据-模型”迭代优化流程。鼓励
学生依据测试结果，持续改善数据质量与模型，理解AI应用落地的
挑战与应对方法。