آزمون واژگان هوش مصنوعی: راهنمای جامع برای دانش آموزان

1. مقدمه

در عصری که به طور فزاینده ای توسط پیشرفت های تکنولوژی شکل می گیرد، هوش مصنوعی (AI) به عنوان یک نیروی دگرگون کننده ظاهر شده است که بر جنبه های متعدد زندگی روزمره ما تأثیر می گذارد.از تلفن‌های هوشمندی که استفاده می‌کنیم تا صنایع رانندگی سیستم‌های پیچیده، هوش مصنوعی رواج بیشتری پیدا می‌کند و درک اساسی از واژگان اصلی آن را برای دانش‌آموزان ضروری می‌کند.این دانش نه تنها سواد فنی عمومی را تقویت می‌کند، بلکه مسیرهایی را برای فرصت‌های تحصیلی و شغلی آینده در دنیای مبتنی بر هوش مصنوعی باز می‌کند.هدف این گزارش ارائه یک طرح دقیق برای ایجاد یک مسابقه واژگان 30 سوالی در هوش مصنوعی است که به طور خاص برای دانش آموزان طراحی شده است. این طرح شامل شناسایی عبارات کلیدی در زیرشاخه‌های مختلف هوش مصنوعی، تدوین تعاریف روشن و مختصر مناسب برای مخاطبان دانشجو، ارائه مثال‌های واقعی مرتبط برای نشان دادن این اصطلاحات، گنجاندن کلمات اختصاری و اختصاری‌های رایج مورد استفاده در این زمینه، برجسته کردن اصطلاحات با معانی متعدد و در نظر گرفتن طیف وسیعی از مفاهیم برای دانش‌آموزان در سطوح دشوار یا تفاوت‌های ظریف است. هوش مصنوعی روش بکار گرفته شده در این گزارش شامل استفاده از واژه نامه های جامع اصطلاحات هوش مصنوعی و به کارگیری دانش تخصصی در توسعه برنامه درسی برای تهیه مجموعه واژگان مرتبط و آموزنده است.   

2. شناسایی واژگان کلیدی هوش مصنوعی

برای ایجاد یک مسابقه واژگان معنادار و موثر، یک رویکرد سیستماتیک برای انتخاب 30 اصطلاح اساسی هوش مصنوعی بسیار مهم است. این فرآیند انتخاب مستلزم تعادلی بین پوشش وسعت هوش مصنوعی، شامل زیرشاخه‌های مختلف آن، و اطمینان از عمق در مفاهیم اصلی است که زیربنای این رشته است.علاوه بر این، باید به فراوانی ظاهر شدن این اصطلاحات در مواد اولیه هوش مصنوعی و اهمیت اساسی آنها برای درک ایده های بعدی و پیچیده تر توجه شود.   

با استفاده از واژه نامه های ارائه شده، چندین اصطلاح به طور مداوم به عنوان اساسی در زمینه هوش مصنوعی ظاهر می شوند. تعریف «هوش مصنوعی (AI)» به خودی خود یک مدخل تکراری در چندین منبع است که بر نقش مرکزی آن تأکید دارد.به طور مشابه، اصطلاح "الگوریتم" که منطق اصلی پشت عملیات هوش مصنوعی را نشان می دهد، به طور مداوم به عنوان یک روش گام به گام تعریف می شود.زیرشاخه‌های هوش مصنوعی نیز در این واژه‌نامه‌ها به خوبی نشان داده شده‌اند، با «یادگیری ماشینی»، «یادگیری عمیق»، «پردازش زبان طبیعی (NLP)» و «بینایی رایانه‌ای» که به طور مکرر ظاهر می‌شوند، که نشان‌دهنده وضعیت بنیادی آنها در حوزه وسیع‌تر است.فراتر از این تعاریف اصلی و زیرشاخه ها، اصطلاحات مربوط به برنامه های کاربردی محبوب و تمایزات اساسی نیز به طور منظم ظاهر می شوند. "Chatbot" به عنوان یک برنامه کاربردی شناخته شده هوش مصنوعی، در واژه نامه های مختلف تعریف شده است.مفهوم "هوش مصنوعی مولد" که اخیراً جذابیت قابل توجهی پیدا کرده است نیز به طور مداوم وجود دارد.علاوه بر این، ساختارهای زیربنایی که بسیاری از هوش مصنوعی مدرن، «شبکه‌های عصبی» را قادر می‌سازند نیز اغلب تعریف می‌شوند.تمایز بین "هوش باریک مصنوعی (ANI)" و "هوش عمومی مصنوعی (AGI)" یکی دیگر از مفاهیم اساسی است که اغلب در اوایل آموزش هوش مصنوعی معرفی می شود و این اصطلاحات در واژه نامه های متعدد وجود دارند.در نهایت، ابعاد اخلاقی هوش مصنوعی با حضور مکرر عباراتی مانند "تعصب" و "اخلاق" برجسته می شود، که بر اهمیت آنها در درک جامع این زمینه تاکید می کند.ظاهر ثابت این اصطلاحات در واژه‌نامه‌های سطح دانشگاه، یک اجماع گسترده در جامعه هوش مصنوعی دانشگاهی در مورد واژگان اصلی لازم برای درک این رشته را نشان می‌دهد. دانشگاه ها، به عنوان مؤسسات کلیدی در تحقیق و آموزش هوش مصنوعی، احتمالاً اساسی ترین و پرکاربردترین اصطلاحات را در منابع آموزشی خود در اولویت قرار می دهند و همپوشانی در واژه نامه های آنها نشان دهنده این اولویت بندی است.   

برای اطمینان از مجموعه ای متنوع از اصطلاحات، بررسی زیرشاخه های مختلف هوش مصنوعی، از جمله یادگیری ماشینی، پردازش زبان طبیعی، بینایی کامپیوتر و روباتیک ضروری است. در یادگیری ماشینی، پارادایم‌های یادگیری بنیادی «یادگیری تحت نظارت»، «یادگیری بدون نظارت» و «یادگیری تقویتی» برای درک اینکه چگونه سیستم‌های هوش مصنوعی دانش را از داده‌ها به دست می‌آورند، حیاتی هستند.در قلمرو پردازش زبان طبیعی، عباراتی مانند "Tokenization"، فرآیند تجزیه متن به واحدهای قابل مدیریت، "Embedding"، نمایش کلمات در یک فضای عددی برای گرفتن روابط معنایی، و "مدل زبان بزرگ (LLM)" حیاتی هستند.حوزه بینایی رایانه شامل عباراتی مانند "تشخیص تصویر"، "تشخیص شی" و "تقسیم بندی تصویر" است که وظایف اصلی را در هوش مصنوعی بصری نشان می دهد.در نهایت، کاوش در رباتیک عباراتی مانند «محرک»، مؤلفه فعال کننده حرکت، «حسگر» که اطلاعات محیطی را جمع‌آوری می‌کند و مفهوم روباتی که «خودکار» است، معرفی می‌کند که قادر به کار مستقل است.این تنوع اصطلاحات در زیر شاخه‌های مختلف، دیدگاه جامع‌تری از هوش مصنوعی را برای دانش‌آموزان فراهم می‌کند، که فراتر از تاکید فعلی بر LLM است و وسعت تکنیک‌ها و کاربردهای درون این رشته را برجسته می‌کند.   

برای اطمینان از مرتبط بودن و جذاب بودن مسابقه، همچنین مهم است که اصطلاحات مربوط به پیشرفت‌های اخیر و برنامه‌های محبوبی را که دانش‌آموزان احتمالاً با آن‌ها مواجه می‌شوند در نظر بگیرید. «ChatGPT»، یک ربات چت بسیار قابل تشخیص که توسط OpenAI توسعه یافته است، به عنوان نمونه بارز هوش مصنوعی مولد عمل می کند و اغلب در فرهنگ عامه مورد بحث قرار می گیرد.«مدل ترانسفورمر»، معماری شبکه‌های عصبی زیربنایی که به بسیاری از پیشرفت‌های اخیر در NLP و سایر حوزه‌ها کمک می‌کند، اصطلاح مهم دیگری است که باید گنجانده شود.مفهوم «عامل هوش مصنوعی»، یک نهاد نرم‌افزاری که می‌تواند به‌طور مستقل وظایف را انجام دهد، نیز جذابیت قابل توجهی پیدا می‌کند و حوزه کلیدی توسعه هوش مصنوعی آینده را نشان می‌دهد.گنجاندن این اصطلاحات معاصر، مسابقه را برای دانش‌آموزانی که احتمالاً در اخبار و بحث‌های رایج درباره هوش مصنوعی با آنها مواجه می‌شوند، مرتبط‌تر می‌کند.   

3. تعریف و توضیح اصطلاحات برای دانش آموزان

برای اینکه مسابقه واژگان یک ابزار یادگیری موثر باشد، بسیار مهم است که تعاریف ارائه شده دقیق و در عین حال قابل دسترس برای دانش آموزان باشد. این امر مستلزم استفاده از زبان واضح و مختصر، اجتناب از اصطلاحات فنی بیش از حد است که ممکن است زبان آموزان را سردرگم یا دلسرد کند.در جایی که مفاهیم پیچیده درگیر هستند، استفاده از قیاس ها یا مثال های مرتبط در درون خود تعاریف می تواند درک را به میزان قابل توجهی افزایش دهد.   

به عنوان مثال، هنگام تعریف «هوش مصنوعی (AI)،» یک توضیح دقیق و در عین حال دانشجوپسند می‌تواند این باشد: «توانایی یک سیستم کامپیوتری برای انجام وظایفی که معمولاً به هوش انسانی نیاز دارند».این را می توان با یک قیاس بیشتر توضیح داد: "به آن فکر کنید مانند آموزش دادن به رایانه برای فکر کردن و یادگیری مانند یک انسان، بنابراین می تواند کارهایی مانند درک زبان یا تشخیص تصاویر را انجام دهد." به طور مشابه، یک "الگوریتم" را می توان اینگونه تعریف کرد: "مجموعه گام به گام دستورالعمل هایی که یک کامپیوتر برای حل یک مشکل یا انجام یک کار دنبال می کند".یک توضیح مرتبط می تواند به شرح زیر باشد: "این مانند دستور العمل برای یک کامپیوتر است - لیستی از مراحل دقیقی که برای انجام کاری باید طی کند، مانند یافتن سریع ترین مسیر روی نقشه." این رویکرد ارائه یک تعریف مختصر و به دنبال آن یک توضیح ساده و مشابه باید برای هر یک از اصطلاحات انتخاب شده هوش مصنوعی اعمال شود. توضیحات باید به طور مداوم عملکرد و هدف اصلی هر اصطلاح را در زمینه وسیع‌تر هوش مصنوعی برجسته کند، و اطمینان حاصل شود که دانش‌آموزان نه تنها معنی این واژه را درک می‌کنند، بلکه چرایی اهمیت آن را نیز درک می‌کنند. تطبیق زبان مورد استفاده با سطح درک دانش آموزان برای تقویت درک و حفظ تعامل بسیار مهم است و در نهایت فرآیند یادگیری را موثرتر می کند.   

4. تصویرسازی با برنامه های کاربردی در دنیای واقعی

برای تقویت درک دانش آموزان از واژگان هوش مصنوعی، ارائه مثال های مختصر و مرتبط در دنیای واقعی برای هر اصطلاح ضروری است. این مثال ها باید به راحتی قابل درک و در حالت ایده آل با تجربیات خود دانش آموزان مرتبط باشند.هدف گذاری برای کاربردهای متنوع در صنایع و حوزه های مختلف، دیدگاه آنها را در مورد تأثیر هوش مصنوعی گسترش می دهد.   

برای عبارت "AI Agent"، یک برنامه کاربردی مرتبط این است: "دستیارهای مجازی مانند سیری، الکسا و دستیار گوگل که به دستورات صوتی پاسخ می‌دهند و وظایفی را برای کاربران انجام می‌دهند".اکثر دانش‌آموزان احتمالاً با این دستیاران مجازی آشنا هستند، و این را به نمونه‌ای بسیار مرتبط از یک عامل هوش مصنوعی در عمل تبدیل می‌کند. برای "تشخیص چهره"، یک مثال می تواند این باشد: "باز کردن قفل گوشی های هوشمند با استفاده از چهره یا شناسایی افراد در عکس ها در رسانه های اجتماعی".این یک کاربرد رایج از بینایی رایانه را نشان می دهد که دانش آموزان احتمالاً مرتباً با آن مواجه می شوند. در مورد "Chatbot" یک کاربرد عملی این است: "ربات های خدمات مشتری در وب سایت هایی که از طریق متن به سوالات شما پاسخ می دهند".تعاملات خدمات مشتری آنلاین یک تجربه رایج برای دانش آموزان است و چت بات ها را به نمونه ای مرتبط از هوش مصنوعی مبتنی بر NLP تبدیل می کند. هر مثال باید به وضوح نشان دهد که اصطلاح هوش مصنوعی چگونه در یک سناریوی واقعی به کار می رود و تأثیر یا عملکرد آن را برجسته می کند. این ارتباط بین اصطلاحات انتزاعی و کاربردهای ملموس به طور قابل توجهی درک و درک دانش آموزان از نقش هوش مصنوعی در زندگی آنها را افزایش می دهد.   

5. ترکیب کلمات اختصاری و اختصاری

حوزه هوش مصنوعی، مانند بسیاری از حوزه های فنی، اغلب از کلمات اختصاری و اختصاری استفاده می کند.برای کمک به دانش‌آموزان در جهت‌یابی مؤثرتر در بحث‌های مرتبط با هوش مصنوعی و خواندن مطالب، مهم است که کلمات اختصاری و اختصارات رایج را در مسابقه واژگان لحاظ کنید. تمرکز باید روی مواردی باشد که اغلب در مطالب مقدماتی و بحث‌های کلی در مورد هوش مصنوعی با آن مواجه می‌شویم.   

مخفف های رایج هوش مصنوعی عبارتند از: "AI" (هوش مصنوعی)، "ML" (آموزش ماشین)، "DL" (آموزش عمیق)، "NLP" (پردازش زبان طبیعی) و "CV" (دید کامپیوتر).دیگر مخفف های مهم عبارتند از "LLM" (مدل زبان بزرگ)، "GAN" (شبکه متخاصم مولد)، "AGI" (هوش عمومی مصنوعی) و "ANI" (هوش باریک مصنوعی).علاوه بر این، عباراتی مانند "GPT" (ترانسفورماتور از پیش آموزش دیده مولد)، "RAG" (نسل تقویت شده بازیابی) و "API" (رابط برنامه نویسی برنامه) به طور فزاینده ای رایج می شوند.برای مسابقه، هر یک از این کلمات اختصاری باید در کنار شکل کامل و توضیح مختصر و دانش‌آموز پسند از معنای آن در زمینه هوش مصنوعی فهرست شود. این تلاش اختصاصی برای شفاف سازی این اختصارات به طور قابل توجهی توانایی دانش آموزان را برای درک مطالب و بحث های مرتبط با هوش مصنوعی افزایش می دهد.   

6. پرداختن به معانی و تفاوت های ظریف

برخی از اصطلاحات در زمینه هوش مصنوعی می توانند معانی یا تفاوت های ظریف متعددی داشته باشند، که گاهی اوقات می تواند منجر به سردرگمی شود، به خصوص برای دانش آموزانی که تازه با این موضوع آشنا هستند.بنابراین مهم است که چنین اصطلاحاتی را شناسایی کنیم و تفاسیر مختلف آنها را در ارتباط با هوش مصنوعی روشن کنیم. این امر به ویژه در مورد اصطلاحاتی که در زمینه های دیگر با معانی بالقوه متفاوت استفاده می شوند صادق است.   

به عنوان مثال، عبارت «Bias» در هوش مصنوعی می‌تواند به سوگیری آماری موجود در داده‌های مورد استفاده برای آموزش مدل‌های هوش مصنوعی اشاره داشته باشد که می‌تواند منجر به سوگیری الگوریتمی در خروجی‌های مدل شود که منجر به نتایج ناعادلانه یا تبعیض‌آمیز شود.همچنین می‌تواند مربوط به سوگیری‌های شناختی باشد که ممکن است به‌طور ناخواسته توسط طراحان انسانی در فرآیند طراحی یا آموزش سیستم هوش مصنوعی تعبیه شده باشد.درک این جنبه های مختلف "سوگیری" برای دانش آموزان برای درک پیچیدگی های اخلاقی ذاتی در توسعه و استقرار هوش مصنوعی بسیار مهم است. اصطلاح "عامل" به معنای عام است که به کسی یا چیزی اطلاق می شود که از طرف دیگری عمل می کند. با این حال، در زمینه هوش مصنوعی، "عامل" به طور خاص به سیستم یا برنامه ای اطلاق می شود که می تواند محیط خود را از طریق حسگرها درک کند و به طور مستقل با استفاده از محرک ها برای دستیابی به اهداف خاص عمل کند.روشن کردن این معنای خاص هوش مصنوعی از سردرگمی با استفاده عمومی تر این اصطلاح جلوگیری می کند. اصطلاح دیگر با معانی متعدد «مدل» است. در حالی که به طور کلی می تواند به یک بازنمایی فیزیکی یا شخصی اشاره کند که برای هنر ژست می گیرد، در هوش مصنوعی، "مدل" به نمایش دانش آموخته شده برگرفته از داده های آموزشی اشاره دارد که سپس برای پیش بینی یا طبقه بندی داده های جدید و دیده نشده استفاده می شود.تعریف صریح «مدل» در زمینه یادگیری ماشین برای دانش‌آموزان ضروری است تا نحوه عملکرد سیستم‌های هوش مصنوعی را درک کنند. در نهایت، اصطلاح "یادگیری" مفهوم انسانی گسترده ای دارد، اما در هوش مصنوعی، "یادگیری ماشینی" به طور خاص به فرآیندی اشاره دارد که توسط آن سیستم های کامپیوتری دانش کسب می کنند و عملکرد خود را در وظایف از طریق الگوریتم هایی که از داده ها یاد می گیرند، به جای اینکه به طور صریح برنامه ریزی شوند، بهبود می بخشند.تاکید بر این نکته مهم است که "یادگیری" هوش مصنوعی شامل الگوریتم ها و داده ها است و به معنای هوشیاری یا درک در معنای انسانی نیست. پرداختن صریح این اصطلاحات با معانی متعدد به جلوگیری از سوء تفاهم کمک می کند و اطمینان حاصل می کند که دانش آموزان درک دقیق تری از مفاهیم هوش مصنوعی ایجاد می کنند.   

7. ساختار آزمون واژگان

یک مسابقه واژگانی با ساختار مناسب می تواند اثربخشی آن را به عنوان یک ابزار یادگیری افزایش دهد. یک ساختار بالقوه برای مسابقه 30 سوالی می تواند شامل دسته بندی سوالات بر اساس زیرشاخه هوش مصنوعی باشد. به عنوان مثال، 10 سؤال می تواند بر مفاهیم کلی هوش مصنوعی و اصول یادگیری ماشین تمرکز کند، 5 سؤال می تواند پردازش زبان طبیعی، 5 سؤال در مورد بینایی رایانه ای، 5 سؤال در مورد رباتیک، و 5 سؤال باقی مانده می تواند ملاحظات اخلاقی و تأثیرات اجتماعی هوش مصنوعی را پوشش دهد. متناوبا، آزمون می تواند بر اساس سطح دشواری، با 10 سوال در سطح مبتدی، 10 سوال متوسط ​​و 10 سوال پیشرفته تر طراحی شود. ترکیبی از این دو رویکرد نیز ممکن است موثر باشد، که هم پوشش گسترده ای از موضوعات و هم طیف وسیعی از دشواری را برای دانش آموزان با سطوح مختلف دانش قبلی مناسب تضمین می کند. فرمت سوال مناسب برای مسابقه واژگان اغلب چند گزینه ای است، زیرا امکان ارزیابی واضح درک را فراهم می کند و درجه بندی نسبتا آسان است.

برای تسهیل در ایجاد مسابقه، جدول زیر 30 اصطلاح کلیدی هوش مصنوعی شناسایی شده در این گزارش را همراه با تعاریف مختصر و دانش‌آموز پسند آنها فهرست می‌کند:

مدت	تعریف مختصر برای دانش آموزان
هوش مصنوعی (AI)	سیستم‌های رایانه‌ای که می‌توانند وظایفی را که نیاز به هوش انسانی دارند انجام دهند.
الگوریتم	مجموعه ای از دستورالعمل های گام به گام برای رایانه برای حل یک مشکل.
یادگیری ماشینی (ML)	هوش مصنوعی که به رایانه‌ها اجازه می‌دهد از داده‌ها بدون برنامه‌ریزی صریح یاد بگیرند.
یادگیری عمیق	نوعی از ML با استفاده از شبکه های عصبی پیچیده با الهام از مغز انسان.
پردازش زبان طبیعی (NLP)	هوش مصنوعی که کامپیوترها را قادر می سازد زبان انسان را درک و پردازش کنند.
کامپیوتر ویژن	هوش مصنوعی که به رایانه‌ها اجازه می‌دهد تصاویر و ویدیوها را ببینند و درک کنند.
رباتیک	زمینه طراحی، ساخت و راه اندازی ربات ها.
چت بات	نرم افزاری که مکالمه انسان را شبیه سازی می کند.
هوش مصنوعی مولد	هوش مصنوعی که می تواند محتوای جدیدی مانند متن، تصویر یا موسیقی ایجاد کند.
شبکه عصبی	یک سیستم محاسباتی با الهام از مغز انسان که برای یادگیری پیچیده استفاده می شود.
هوش مصنوعی باریک (ANI)	هوش مصنوعی برای یک کار خاص طراحی شده است.
هوش عمومی مصنوعی (AGI)	هوش مصنوعی فرضی با هوش در سطح انسانی در بسیاری از وظایف.
تعصب	خطاهای سیستماتیک در هوش مصنوعی که می تواند منجر به نتایج ناعادلانه شود.
اخلاق	ملاحظات اخلاقی در توسعه و استفاده از هوش مصنوعی.
یادگیری تحت نظارت	ML که در آن کامپیوتر از نمونه های برچسب گذاری شده یاد می گیرد.
یادگیری بدون نظارت	ML که در آن رایانه از داده های بدون برچسب الگوها را یاد می گیرد.
یادگیری تقویتی	ML که در آن یک نماینده با دریافت پاداش یا جریمه برای اقدامات خود یاد می گیرد.
توکن سازی	تجزیه متن به واحدهای کوچکتر برای پردازش.
جاسازی	نمایش کلمات به عنوان بردارهای عددی برای دریافت معنای آنها.
مدل زبان بزرگ (LLM)	هوش مصنوعی بر روی مقادیر زیادی متن آموزش دیده تا زبانی شبیه انسان را بفهمد و تولید کند.
تشخیص تصویر	وظیفه بینایی رایانه ای برای شناسایی اشیا یا ویژگی ها در یک تصویر.
تشخیص شی	وظیفه بینایی کامپیوتری برای مکان یابی و شناسایی اشیاء در یک تصویر.
تقسیم بندی تصویر	وظیفه بینایی رایانه تقسیم یک تصویر به مناطق معنی دار.
محرک	جزء یک ربات که حرکت را امکان پذیر می کند.
سنسور	جزء یک ربات که اطلاعات را از محیط جمع آوری می کند.
خودمختار	توانایی یک ماشین برای انجام وظایف بدون دخالت انسان.
ChatGPT	یک چت بات محبوب که توسط OpenAI ایجاد شده است.
مدل ترانسفورماتور	نوعی معماری شبکه عصبی موثر برای پردازش توالی هایی مانند زبان.
عامل هوش مصنوعی	یک سیستم نرم افزاری که از هوش مصنوعی برای انجام وظایف به طور مستقل استفاده می کند.
توهم	زمانی که یک مدل هوش مصنوعی اطلاعات نادرست یا بی معنی تولید می کند.

صادرات به Sheets

این جدول منبع تلفیقی از واژگان کلیدی هوش مصنوعی و تعاریف دانش‌آموز پسند آنها را ارائه می‌دهد که می‌تواند مستقیماً توسط مربیان برای فرمول‌بندی سؤالات مسابقه و کلیدهای پاسخ مربوط به آنها استفاده شود. ماهیت مختصر تعاریف وضوح و سهولت درک را برای دانش آموزان تضمین می کند.

8. نتیجه گیری

ایجاد یک مسابقه واژگان موثر 30 سوالی در مورد هوش مصنوعی برای دانش آموزان شامل چندین مرحله کلیدی است که در این گزارش ذکر شده است. اول، یک رویکرد سیستماتیک برای شناسایی اصطلاحات اساسی هوش مصنوعی در زیر شاخه های مختلف، با توجه به فراوانی استفاده و اهمیت اساسی آنها مورد نیاز است. دوم، تعاریف دقیق و در عین حال دانش‌آموز پسند باید برای هر اصطلاح ایجاد شود، که اغلب از قیاس‌ها و مثال‌های مرتبط برای تقویت درک استفاده می‌کند. سوم، برنامه‌های کاربردی مربوط به دنیای واقعی باید ارائه شوند تا نشان دهند که چگونه این اصطلاحات هوش مصنوعی در عمل استفاده می‌شوند و مفاهیم را ملموس‌تر می‌کنند. چهارم، کلمات اختصاری و اختصاری رایج در این زمینه باید گنجانده شود و توضیح داده شود تا به دانش آموزان در جهت یابی مطالب مرتبط با هوش مصنوعی کمک شود. پنجم، اصطلاحات با معانی یا تفاوت های ظریف باید شناسایی و روشن شوند تا از سردرگمی احتمالی جلوگیری شود. در نهایت، ساختار و قالب مسابقه باید به دقت مورد توجه قرار گیرد تا اطمینان حاصل شود که یک ابزار ارزیابی و یادگیری موثر است. درک قوی از واژگان هوش مصنوعی برای دانش‌آموزان برای تعامل مؤثر و درک زمینه سریع در حال تکامل هوش مصنوعی، که در جنبه‌های مختلف فناوری و جامعه نفوذ می‌کند، به طور فزاینده‌ای مهم است. توصیه می شود مربیان پیشنهادات ارائه شده در این گزارش را بر اساس نیازهای خاص و سطح علمی دانش آموزان خود برای به حداکثر رساندن ارزش آموزشی آزمون تطبیق دهند.