交互计算与可视推演

23.1

从观看图形到操作模型

静态图适合保留与比较，交互图则适合探索变化。交互的价值来自用户能够提出一个假设、改变参数、观察结果并解释差异，而不只是拖动滑块。教学设计应先确定需要理解的关系，再决定允许调整什么。若每个参数都可随意变化而没有问题引导，学生可能玩得投入，却没有形成可迁移理解。因此，交互模型也需要目标、约束与检验。

可以采用四步操作：先预测，再改变，再比较，最后解释。比如收益案例中先问变动成本增加会让利润最优价格怎样变化，学生写下预测后调整参数，再查看曲线，最后解释差异。预测记录让教师看到原有模型，解释记录让教师判断是否只是跟随画面。AI可以根据回答提出追问，但不能每次都把结果直接说完。

交互也应保留关键状态。一个学生发现特别情境后，可以保存参数、结果和说明，与其他人比较。否则图像随操作不断变化，思考证据容易丢失。建议提供默认状态、重置、状态命名和导出表，必要时保留两条曲线叠加。静态与交互并非相互替代，而是分别支持探索与记录。

23.2

用梯度下降理解模型更新

AI导论可以用一个简单二次函数说明参数更新，而不必一开始进入大型神经网络。设损失是参数与目标值之差的平方，学生从某个初值出发，按梯度方向更新。图中同时显示函数曲线、当前位置和连续更新轨迹。这里的模型刻意简化，目的是理解步长、下降方向与迭代，不代表真实训练问题都具有同样形状。

学生可以比较小、中、大三种步长，观察收敛缓慢、较快接近与振荡或发散。AI帮助把学生的观察整理成说明，计算工具负责产生轨迹。教师要求学生区分“曲线看起来下降”和“算法在设定条件下收敛”，并说明一个简单例子的结论不能直接推广到任意损失面。这样，图帮助理解抽象操作，同时保留数学条件意识。

课程还可以把同一过程表示为数值表、公式说明与轨迹图。学生选取一步手算，与图中的位置对照；再用文字解释为什么更新幅度会变化。三种表征承担不同任务：公式表达规则，表保留数值，图显示变化。AI若在其中一处给出不一致结果，学生应能通过另外两种形式发现问题。这是多重表征互相核验的具体练习。

23.3

敏感性不是不确定性的全部

敏感性分析通常改变某个输入，观察结果怎样变化；不确定性还可能来自模型结构、测量误差、样本偏差和未知事件。一个滑块只改变需求斜率，并没有覆盖酒店经营的全部不确定性。报告中的交互示例应明确“哪些变化被允许、哪些仍未建模”，否则使用者容易把可调整范围误当成现实的完整边界。

可以让学生建立一个不确定性表，分别列出已知参数范围、资料质量、结构假设和外部变化。数量模型能够处理其中某些项目，其他项目需要情境讨论、额外数据或组织判断。AI可帮助枚举，但不能凭语言把未知转换为精确概率。若缺少依据，应使用清楚的情境标签，避免以小数点制造权威感。

敏感性结果也应连接行动。若结论对一个参数非常敏感，下一步可能是优先收集该参数的信息；若在较宽范围内结论稳定，可能支持进一步小试验。图的目的不是展示所有曲线，而是帮助决定哪里值得投入调查。学生应说明自己如何从图走向下一步，而不是只提交一张颜色丰富的参数地图。

23.4

交互作品的验收标准

验收交互作品时，至少检查参数单位、有效范围、默认状态、极端情况、重置和输出记录。图形每次变化都应来自同一套清楚规则，不能随机制造看似合理的趋势。若系统使用随机模拟，应保留种子或重复规则，并解释单次轨迹与总体分布的区别。学生应能够根据一个保存状态复现主要结果。

可访问性也属于验收。滑块应有可读数值和替代输入，颜色应有标签，动态图应允许暂停，手机界面应能读到关键说明。复杂交互还应配静态总结，使无法操作的人仍能理解主要关系。最后要求一个未参与制作的人完成指定任务并说明结果，检查工具是否真正支持理解。技术运行与学习可用性需要分别通过。