活动目标与任务
先让小组定义类别并讨论模糊样本，分别保存用于调整和用于验证的图片。活动中换背景、遮挡与拍摄角度，一次只变一个因素。学生需要解释误判集中在哪里，并决定补数据还是缩小任务。
学生先讨论一张模糊图片应如何标注，并说明规则，再开始训练。活动中保持一项变化，让组间能比较判断；结尾让学生用错误分布提出补数据或缩小任务的理由。
材料与准备
教师准备合法可用的三类课堂对象或自采图片，平台需能查看预测。类别由课堂定义，示例不是现成数据集或产品能力报告。
动手前先理解这两个区别
教学机器人首先服务学习目标。若目标是反馈控制，应能观察传感和状态；若目标是分类，应能看到标签、样本与预测。把黑盒演示和学生可修改的功能分开列出，避免把展示能力当课程覆盖。
开发套件要核对系统、驱动、库和部署入口。图形界面与代码接口可以对应不同学习阶段，但必须确认修改会真正更新到设备，以及错误是否可被学生读取和恢复。[S2]
步骤1
先给几张边界或模糊样本，让学生讨论标签规则。把不同意见写清，避免分类结果实际上在比较各组不一样的定义。
步骤2
把用于调整的样本与独立验证样本分开保存并编号。记录背景和角度，不让同一图片只换文件名就同时进入两边。
步骤3
用平台可开放的功能建立最小分类任务，保存模型与标签版本。先用一张已知输入确认部署生效，再扩展到全部样本。
步骤4
在固定条件下记录每张真实类别与预测类别，按类数错。随后只换背景或遮挡的一项，观察错误是否集中到某条件。
步骤5
各组根据错误提出一个调整理由：补数据、修标签或缩小任务。若已看验证结果并据其调整，就为下一轮留新的独立样本。
步骤6
学生交标签解释、错误分类与修改依据，并完成一个新样本的个人判断。教师把模型指标与学习表现分别评价，不拿总体分数替全部能力。
带条件的判断示例
假设三类各有十张新图片，合计三十张；总体判对二十四张时，还应看每类。例如某类只对四张，这个缺口不能被总体百分之八十掩盖。这是教学计算示例，不是任何真实模型结果。
不同基础怎样调整活动
初学课程可只改规则与标签；进阶课程再开放预处理或模型参数。平台若不能导出原始预测，就记录可见任务结果并说明限制，不自行推测内部指标。
完成条件与复盘
学生能解释类别、划分和至少一类错误，模型与数据版本可追溯，新样本与调参样本身份没有混淆。
课堂预测与错误记录的用法
完成活动时用这张工作表承接实际观察：样本、划分、真实类别、预测类别、场景变化、修改决定。示例行“假设样本A / 独立验证 / 课堂自定 / 待执行 / 换背景 / 先看错误分布”只帮助理解字段，不是已经完成的实验或使用报告。参与者先填自己的预测与条件，运行后再填实际现象；失败和中止同样保留。复盘时请未主导操作的人解释一条记录，并据此决定下一次只改变什么。
原始资料阅读
Make a Pick and Place Robot — Lesson Plan
https://education.lego.com/en-gb/lessons/ev3-cim/make-a-pick-and-place-robot/
Built-in Examples
https://docs.arduino.cc/built-in-examples/
AI Risk Management Framework
https://www.nist.gov/itl/ai-risk-management-framework