Page 249 - 木工创客空间与幼儿创新能力培养

第六章 结论与展望

化、个性化与高效化。未来应加强 AI 教育产品的适龄化开发，确保其真正服务
于幼儿成长，而非成为技术堆砌的玩具。

二、基于大数据的幼儿创新行为模式识别研究

当前，教育研究越来越依赖于数据驱动的方法来揭示学习者的行为规律。木
工创客活动因其高度互动性与创造性，成为获取儿童创新行为数据的理想场景。
未来研究可借助大数据分析技术，建立幼儿创新行为的量化模型。

首先，可通过传感器与物联网设备采集幼儿在木工活动中的多模态数据，包
括操作频率、工具选择偏好、错误修正次数、社交互动频次等。这些数据可用于
构建个体创新行为图谱，识别其在问题解决、创意表达、团队协作等方面的独特
特征。

其次，机器学习算法可对大量幼儿数据进行聚类分析，发现不同类型幼儿在
创新表现上的共性与差异。例如，是否有一类幼儿倾向于“试错—调整”策略，
而另一类更偏向于“规划—执行”？这种分类有助于教师制定更具针对性的教学
干预方案。

最后，大数据还可用于追踪幼儿创新行为的发展轨迹。例如，通过长期积累
的数据集，研究者可以观察到某位幼儿在参与多次木工活动后，其流畅性、变通
性与独创性指标的变化趋势，进而评估木工创客教育对其创造力发展的促进效果。
因此，未来应建立统一的数据采集标准与共享平台，推动幼儿创新行为研究

从主观描述走向定量分析。
为进一步深化大数据在幼儿创新行为研究中的应用，我们需要构建更具科学
性与实用性的数据分析模型，并探索其在教育实践中的转化路径。
（一）多模态数据融合分析

当前研究主要依赖单一数据源（如教师评价或作品分析），而未来可整合多
种数据类型，包括：
生理数据：通过可穿戴设备监测幼儿心率、皮肤电反应等指标，判断其在创
作过程中的情绪状态（如紧张、专注、兴奋）。

社交互动数据：利用视频分析技术记录幼儿在小组合作中的发言频次、眼神
交流、肢体语言等，揭示其在团队中的角色定位与影响力。
环境变量：采集活动空间的光照强度、噪声水平、温度湿度等信息，分析其

231