Teaching machine learning concepts through educational robotics

Abstract

The rapid proliferation of Artificial Intelligence (AI) and Machine Learning (ML) makes their timely and meaningful integration into secondary education critical. Despite notable efforts, gaps persist in mature instructional design, appropriate materials, and targeted teacher professional development. This dissertation investigates how foundational ML concepts can be taught effectively through educational robotics, linking theory and practice in authentic classroom scenarios. Methodologically, the work adopts a Design-Based Research (DBR) approach across successive design–implementation–redesign cycles in the Greek school context. In an initial software-only phase, ML introductory activities were designed with a tooling focus. Subsequently, three open-design robotic platforms were developed; only two were integrated into classroom instructional scenarios. In parallel, digital twins for the BCN3D Moveo and SelfLearn platforms were built in ROS1/Gazebo and used for design, simulation, and preparation. The pedagogical design aligned with Experiential Learning Theory (ELT), Computational Thinking (CT), and the AI4K12 guidelines. Evaluation employed mixed methods (pre/post knowledge and attitude measures, qualitative observations, and reflective artifacts). Findings indicate that software-only activities support basic understanding of ML concepts and workflows, whereas integrating robotics (for the platforms implemented in class) is associated with increased student engagement, deeper conceptual understanding of the data–training–evaluation cycle, and richer metacognitive and ethical reflection on AI’s implications. Although not used in live instruction, the digital twins enhanced safety, preparation, and the reproducibility of the design. The main contributions of the dissertation are: (a) the development of a coherent instructional framework for ML-through-robotics for secondary education, (b) the production of documented andreproducible open-design builds and classroom materials, (c) the development of measurement tools for learning and attitudes, and (d) recommendations for teacher training and curriculum design.

Η ραγδαία εξάπλωση της Τεχνητής Νοημοσύνης (AI) και της Μηχανικής Μάθησης (ML) καθιστά κρίσιμη την έγκαιρη και ουσιαστική ένταξή τους στη δευτεροβάθμια εκπαίδευση. Παρότι υπάρχουν σημαντικές προσπάθειες, εξακολουθούν να παρατηρούνται ελλείψεις σε ώριμο διδακτικό σχεδιασμό, κατάλληλα υλικά και στοχευμένη επιμόρφωση εκπαιδευτικών. Η παρούσα διατριβή διερευνά πώς θεμελιώδεις έννοιες της ML μπορούν να διδαχθούν αποτελεσματικά μέσω εκπαιδευτικής ρομποτικής, συνδέοντας θεωρία και πράξη σε πραγματικά σενάρια τάξης. Μεθοδολογικά υιοθετείται το Design-Based Research (DBR), σε διαδοχικές φάσεις σχεδιασμού–εφαρμογής–ανασχεδιασμού στο ελληνικό σχολικό πλαίσιο. Σε αρχική φάση και μόνο με την χρήση λογισμικού, σχεδιάστηκαν δραστηριότητες εισαγωγής στην μηχανική μάθηση με εργαλειακό προσανατολισμό. Στη συνέχεια αναπτύχθηκαν τρεις ρομποτικές πλατφόρμες ανοικτού σχεδιασμού· μόνο δύο ενσωματώθηκαν στον διδακτικό σχεδιασμό και στις σεναριακές δραστηριότητες της τάξης. Παράλληλα, αναπτύχθηκαν ψηφιακά δίδυμα (digitaltwins) για τις πλατφόρμες BCN3D Moveo και SelfLearn σε περιβάλλον ROS1/Gazebo, τα οποία αξιοποιήθηκαν στη φάση σχεδιασμού, προσομοίωσης και προετοιμασίας. Ο παιδαγωγικός σχεδιασμός ευθυγραμμίστηκε με ExperientialLearning Theory (ELT), Υπολογιστική Σκέψη (CT) και τα πλαίσια AI4K12. Η αξιολόγηση βασίστηκε σε μικτές μεθόδους, οι οποίες περιλάμβαναν προ- και μετα-μετρήσεις γνώσεων και στάσεων, ποιοτικές παρατηρήσεις, καθώς και τεκμήρια αναστοχασμού. Τα ευρήματα δείχνουν ότι οι δραστηριότητες χωρίς ρομπότ υποστηρίζουν βασική κατανόηση εννοιών και ροής εργασιών της ML, ενώ η ενσωμάτωση ρομποτικής συνδέεται με αυξημένη εμπλοκή, βαθύτερη εννοιολογική κατανόηση του κύκλου δεδομένα–εκπαίδευση–αξιολόγηση και πλουσιότερο μεταγνωστικό/ηθικό στοχασμό γύρω από τις επιπτώσεις της AI. Τα ψηφιακά δίδυμα, παρότι δεν χρησιμοποιήθηκαν σε ζωντανή διδασκαλία, ενίσχυσαν την ασφάλεια, την προετοιμασία και την αναπαραγωγιμότητα του σχεδιασμού. Οι συνεισφορές της διατριβής συνοψίζονται στα ακόλουθα: (α) παρουσιάστηκε ένα συνεκτικό διδακτικό πλαίσιο ML μέσω ρομποτικής για τη δευτεροβάθμια εκπαίδευση, (β) τεκμηριωμένες, αναπαραγώγιμες κατασκευές ανοιχτού σχεδιασμού με διαθέσιμα εκπαιδευτικά υλικά και οδηγίες εφαρμογής στην τάξη, (γ) χρησιμοποιήθηκαν εργαλεία μέτρησης μάθησης και στάσεων για την εξαγωγή συμπερασμάτων, και (δ) προτάθηκαν συστάσεις για επιμόρφωση και αναλυτικά προγράμματα.