把黑箱拆开：青少年科技教育的工程化尺度
先别问创意，先看故障树
“智能花盆”可以拆成感知、决策、执行三段。土壤湿度传感器给出读数，控制器按阈值判断，水泵执行浇水。每一段都该有可观测变量。传感器读数受温度、盐分、接触面积影响；阈值不是常数；水泵有延迟和流量误差。学生若能画出故障树，标出“读数异常”“阈值误判”“执行不足”的路径，就已经在接近工程思维。这里的关键不是术语，而是可观测、可复现、可证伪。
方法可以很小。固定温度，改变土壤含水量，记录传感器输出，做三点校准。条件也简单：一个开发板、一杯土、一台电子秤。说实话，失败数据往往比成功视频更有信息量。反例同样明显：成品套件把故障树写成说明书复述，学生只会换模块，不会定位问题。如果学校只有一块开发板，项目就该缩小问题，而不是堆功能。把智能花盆缩成“只测湿度，不控制水泵”，仍然能训练变量控制。
中学生用开源硬件校准土壤湿度传感器的实验台场景
故障树还有一层价值：它迫使项目留下证据链。学生要写清哪一次改动导致哪一条曲线变化。没有证据链，创意越热闹，越难迁移。
工具链不是教具：演示与能力的距离
图形化编程降低了门槛，也带来抽象泄漏。学生拖拽模块，程序能跑，但状态管理、异常处理、边界条件被隐藏。开源硬件同样如此。接线正确不等于理解电路；调用库函数不等于理解采样。更麻烦的是机器学习项目。预训练模型一加载，准确率看着不错。问题在数据划分：训练集和测试集若共享背景，准确率会虚高；标签若由同一人批量填写，误差会集中。基线模型、数据划分、误差来源，这三个词比精度数字更能说明学生是否理解项目。
应用边界要讲清。中小学阶段不宜把模型精度当目标。精度受数据规模、标注质量、算力条件限制，换一个教室就可能失效。较可行的路径是把模型当成一个待检验的黑箱：先做简单基线，比如颜色阈值或均值分类；再比较改进模型；再分析错误样本。趋势是低成本传感器和开源工具链让校内外协同变得可行，但风险也跟着来：拖拽式创新会让学生误以为创新等于换模块。外壳越精致，越要追问内部接线。
青少年科技教育项目数据标注与误差分析白板讨论场景
教师角色在这里很关键。教师不必会写复杂代码，但要能问出条件：数据从哪来？标注规则是什么？换一批样本会怎样？如果这些问题缺位，工具链就只是教具，演示与能力之间仍然隔着一条沟。
评价的尺度：能复现，才算数
项目评价常看展示效果。展示有它的道理：公众沟通、表达训练、团队协作。但只展示成功路径，会掩盖故障定位能力。我倾向于把评审问题固定在三个：你改了什么？怎么知道有效？换一个人能否重跑？对应的证据是复现记录、失败日志、交接测试。复现记录写明器材、环境、步骤；失败日志记录异常现象和排除过程；交接测试让另一组学生按文档重跑，看能否得到相近结果。
这套做法有条件限制。课时碎片化，记录模板必须精简。一页纸就够：假设、变量、一次改动、观察结果、下一步。反例是家长代劳或外包制作。作品越完整，越要核对过程证据。风险在于表演化：为了展示而裁剪失败记录，短期好看，长期失真。趋势是过程性评价进入校本课程，但不要把它做成新的表格负担。记录要服务于判断，不是服务于归档。
边界感：别把科研流程压成表演
边界感：别把科研流程压成表演
青少年科技教育不必模拟完整科研流程。完整流程需要文献综述、伦理审查、统计检验、同行评议，这些对中学生来说过重。可行的做法是保留关键节点：问题定义、变量控制、证据链、边界说明。涉及人脸、位置、语音数据的项目，要少采集、做脱敏、明确用途。学校缺少伦理审查时，可以用简化清单：数据是否必要？是否可识别个人？保存多久？谁能访问？
风险还包括安全与过度承诺。水泵、激光、加热装置要有限流和防护；项目结论要写明适用条件，避免把一次课堂实验说成普遍规律。校内外协同是趋势，高校实验室、企业工程师、开源社区都能提供支持，但支持应落在方法上，而不是代做作品。把黑箱拆开，哪怕只拆一层，也比多做一个漂亮外壳更接近教育。