臺南市北區賢北國小數位學習推動與因材網應用教師社群

• AI 分類器 (AI classifier) • 訓練數據 (Training data) • AI 偏差 (AI bias) • 姿勢/身體感測數據 【專題終極升級： AI 增補接力】 當 SPIKE 的顏色感測器無法分辨「真樹葉」與「綠色塑膠袋」時。學生轉向使用 CS & AI Kit ，利用相機鏡頭收集大量照片作為訓練數據，建立專屬的自訂 AI 分類器。並探討若只給 AI 看特定角度的照片，會如何造成 AI 偏差。最終實現「鏡頭看見垃圾 ➔ AI 辨識 ➔ 驅動機器人清理」的高階智能。

• 函式 (Functions) • 參數 (Parameters) • 模組化程式 (Modular programs) 【專題後期：程式碼優化與抽象化】 當機器人的程式越來越長，學生學習將重複的程式碼打包成函式（例如建立一個名為 夾取垃圾 的方塊）。接著加入參數，例如 夾取垃圾(力道: 80) 或 夾取垃圾(力道: 50)，讓同一個動作能應對鹽水溪中不同重量的廢棄物。

• 變數 (Variables) • 追蹤/修改數值 • 隨機值 (Random values) • 遊戲化設計 (Game design) 【專題中後期：成果追蹤與挑戰】 學生在程式中建立一個變數並命名為 Garbage_Count (清理數量)，每夾到一個垃圾，變數就 +1 ，以此追蹤清理成效。為增加測試難度，可加入隨機變數模擬鹽水溪不可預測的水流速度，讓機器人的馬達出力必須動態調整。

• 條件語句 (Conditionals) • 複合條件 (Compound conditionals) • 流程圖 (Flowchart) • 科技的權衡 (Tradeoffs) 【專題中期：精準偵測邏輯】 學生繪製流程圖來規劃機器人的決策。利用複合條件讓機器人變聰明：「如果偵測到紅色物體（垃圾）且 超音波距離小於 5cm ，那麼啟動夾爪」。並在過程中反思這項科技的正負面影響（ Tradeoffs ）（如：清理了垃圾，但電池是否污染？）。

• 迴圈 (Loops) • 巢狀迴圈 (Nested loops) • 除錯 (Debugging) • 反覆運算/迭代 (Iterate) 【專題中期：實作與巡邏設定】 為了讓機器人能在河岸或水面上持續運作，學生必須寫出迴圈程式（例如：「重複」向前巡邏）。同時，在測試過程中，學生會遇到機器人卡住或停不下來的 Bug ，必須經歷不斷除錯與反覆運算的工程歷程。

• 拆解 (Decomposition) • 偽代碼 (Pseudocode) • 群眾外包 (Crowdsourcing) • 輸入/輸出 (Inputs/Outputs) 【專題前期：定標與擇策】 學生利用群眾外包（發送問卷給社區）確認鹽水溪最嚴重的污染類型。接著將龐大的清理任務拆解為子問題（移動、偵測、夾取）。在動手寫程式前，先用偽代碼寫下機器人的預期路徑，並釐清感測器（輸入）與馬達（輸出）的對應關係。