这项任务先解决什么
分别评估操作、数据解释与独立判断。模型总体分数之外查看每类结果和样本量，学生则提交标签依据、错误分析和修改理由。工具指标与学习评价并排展示，不能互相代替。
总体结果之外列每类样本数和预测计数，避免多数类掩盖关键少数类。学生的标签解释和排错也单独评价；模型表现差可能与平台或数据有关，不能直接当个人学习分数。
先给指标写清分母与边界
评价AI 教学平台对照任务之前，由教研与采购团队共同约定一次任务何时开始、怎样结束、哪些样本或尝试必须计入。结果、人工帮助与资料完整性分开观察，避免总体分数掩盖关键缺口。若没有可比基线，就先形成描述性记录，不把两个无共同条件的数字相除后称为效果提升。
把评价拆成可复核的证据
评价项目1应对应具体操作：写清本单元要解释的概念；标出学生可修改的输入与程序；在陌生样本上进行一次演示。记录完成与未完成的状态及原因，不只收集最好的一次。需避免的误读是设备会执行复杂动作不代表学生能理解其机制。。同样的检查规则应作用于所有候选或参与组；修改规则后，注明旧结果是否仍可比较。
评价项目2应对应具体操作：使用教学电脑账号安装环境；从官方最小示例开始修改；重新启动设备确认版本已更新。记录完成与未完成的状态及原因，不只收集最好的一次。需避免的误读是教师电脑可用不能代替学校受限账号环境测试。。同样的检查规则应作用于所有候选或参与组；修改规则后，注明旧结果是否仍可比较。
评价项目3应对应具体操作：检查教案是否提供非演示样本；让学生分组标注并讨论歧义；另存未参与调整的验证集合。记录完成与未完成的状态及原因，不只收集最好的一次。需避免的误读是更多训练轮次不自动证明模型更适合真实课堂场景。。同样的检查规则应作用于所有候选或参与组；修改规则后，注明旧结果是否仍可比较。
观察差异后再决定如何改进
将输入样本、真实类别、预测类别、模型版本、人工帮助与新样本结果放在同一张任务记录里，先看问题集中在哪个条件，再提出改进动作。对于“可视化数据平台”应考虑操作直观，底层可调范围需核对，因此评价还需说明人的准备、管理和支持投入。一次试验只能支持所记录条件，长期表现要依赖持续记录，不能从样本少或只选成功案例的演示推出。
把技术边界放到实际动作里
本次核对还要保留两条具体提醒。第一，设备会执行复杂动作不代表学生能理解其机制。；对应动作是写清本单元要解释的概念。第二，教师电脑可用不能代替学校受限账号环境测试。；可从从官方最小示例开始修改开始复核。它们应进入操作说明或问题单，而不是只出现在结尾。若结果与预期不同，先查这些动作是否真的完成，再决定是否需要修改原任务。
课堂预测与错误记录：怎样填写本次任务
本场景工作表字段为样本、划分、真实类别、预测类别、场景变化、修改决定。例如示范行“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”仅展示填写关系；实际运行后用自己的观察替换，不保留示例当结果。填写时重点对应输入样本、真实类别、预测类别、模型版本、人工帮助与新样本结果，让一次选择、操作或修改能找到原始依据。表头中的状态应区分未执行、已观察和仍待确认，适用条件改变时另开一行，而不是覆盖旧结果。
本场景最容易误判的两件事
围绕“AI教学效果如何评：不把总体准确率当课程成绩”，可以把这两个问题用于复核。持续费用要列哪些？ 账号、内容、算力或支持依赖应逐项询问并书面确认。 另一项是：测试图片能反复用来改模型吗？ 可用于调试，但之后要另留新样本验证，明确划分变化。 两者应与本次任务的实际条件一起判断。
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