2026年人工智能教育基础易错试题

2026年人工智能教育基础易错试题1.单选题（每题2分，共20分）1.1在K-means聚类中，若初始质心恰好落在同一坐标点，算法最可能出现的异常行为是A.所有样本被归入同一簇B.迭代次数骤增直至超时C.空簇导致分母为零D.质心震荡无法收敛1.2某校“智能作业系统”采用协同过滤为学生推荐习题，若新注册学生尚未做任何题目，系统冷启动的最佳缓解策略是A.直接推荐全站最热习题B.采用基于内容的推荐并用年级知识点做特征C.随机推送10题收集反馈D.要求教师手动指定初始习题1.3在联邦学习场景下，为防止梯度泄露训练数据，最常用的安全机制是A.同态加密B.差分隐私加噪声C.梯度压缩D.参数服务器隔离1.4下列关于Transformer位置编码的说法正确的是A.绝对位置编码无法外推到更长序列B.相对位置编码必须重新训练才能改变序列长度C.旋转位置编码RoPE在复数域引入旋转矩阵D.去掉位置编码后模型自动具备排列不变性1.5在中学AI实验课中，学生用MobileNetV3对1024×1024显微镜图像做分类，直接推理出现显存溢出，最合理的首要改进是A.将图像双三次插值缩小到224×224B.把batchsize调到1C.改用float16推理D.冻结除最后一层外的全部参数1.6当教师使用ChatGPT生成期末评语，若提示词未加约束，模型最可能违背的教育伦理是A.泄露学生家庭住址B.生成虚假且无法溯源的“事实”C.输出歧视性语言D.过度使用emoji导致非正式1.7在中学人工智能教材里，将“感知机”历史错误地描述为“由Hinton于2006年提出”，该错误属于A.概念性错误B.时效性错误C.归因性错误D.逻辑性错误1.8若某卷积网络输入为6×6×3，采用3×3卷积，padding=1，stride=2，输出特征图尺寸为A.2×2×CB.3×3×CC.4×4×CD.6×6×C1.9在中学AI选修课作业中，学生用决策树做“是否早恋”预测，被学校叫停，其最主要原因是A.侵犯隐私且标签敏感B.决策树准确率过低C.特征工程不充分D.未使用集成学习1.10下列Python代码片段中，会导致模型权重在每次epoch后自动回滚的是A.`torch.save(model.state_dict(),'ckpt.pt')`B.`model.load_state_dict(torch.load('ckpt.pt'))`C.`scheduler.step()`D.`early_stopping(validation_loss)`内部实现含`load_checkpoint`2.多选题（每题3分，共15分；多选少选均不得分）2.1在中学AI实践课部署图像分割项目时，以下做法可直接降低GPU显存占用A.使用梯度累积模拟大batchB.启用torch.cuda.amp自动混合精度C.将U-Net编码器改为MobileNet主干D.将nn.BatchNorm2d替换为nn.GroupNormE.将输入图像随机裁剪到512×5122.2关于教育场景下的差分隐私，下列说法正确的是A.隐私预算ε越大，数据保护强度越弱B.加入的噪声与全局敏感度成正比C.同一数据集多次查询需累积隐私预算D.ε=0时表示绝对隐私不泄露任何信息E.高斯机制比拉普拉斯机制更适合连续值2.3在初中AI教材中，为降低学生理解门槛，对“梯度”概念的可视化可采用A.三维曲面+彩色梯度箭头B.等高线图+最陡下降方向C.单变量函数切线斜率动态GIFD.反向传播链式法则漫画E.向量场中“温度下降最快”比喻2.4以下属于教育大模型“知识幻觉”的典型案例A.模型笃定“《红楼梦》共121回”B.模型给出“勾股定理发现者为商高”并引用《周髀》C.模型编造“2030年高考取消数学”D.模型将“π=3.1416”说成“π=3.1415”E.模型混淆“牛顿-莱布尼茨公式”与“格林公式”2.5在AI作业自动批改系统中，若采用BLEU评分评估学生程序输出与参考答案的相似度，可能引入的偏差包括A.变量命名不同导致BLEU骤降B.注释被计入n-gram匹配C.学生采用更优算法但输出格式不一致D.对长输出惩罚过重E.无法识别逻辑等价但语法不同代码3.判断题（每题1分，共10分；正确打“√”，错误打“×”）3.1在中学阶段教授GAN时，可以省略判别器直接让生成器通过自监督完成训练。3.2使用EdTech平台收集学生鼠标轨迹无需任何伦理审查，因为轨迹不含姓名。3.3知识蒸馏中，温度T越高，softlabel分布越平缓，有助于学生模型学习暗知识。3.4当batchsize=1时，BatchNorm等价于InstanceNorm。3.5在AI教材中，将“人工智能=机器学习=深度学习”列为等式，属于概念混淆。3.6联邦学习中，参与方上传模型梯度而非原始数据，因此一定不会泄露隐私。3.7教育大模型输出“π=4”属于事实性错误而非知识幻觉。3.8在中学Python课上，用time.sleep(0)可让学生直观感受并发切换，但会显著拖慢程序。3.9对中小学AI竞赛，允许使用预训练ImageNet权重不属于“作弊”。3.10若学习率过大，SGD在凸函数上仍能保证收敛到全局最优。4.填空题（每空2分，共20分）4.1在Transformer自注意力中，当序列长度n=2048，隐层维度d=768，则单次注意力计算的理论复杂度为O(__________)，若采用FlashAttention-2，显存占用从O(n²)降至O(__________)。4.2若某中学AI服务器有8张RTX306012GB，采用数据并行训练，每张卡实际可用显存10GB，模型参数量1.2×10⁹，采用fp16存储，则理论上单卡可存下模型，但batchsize受激活值限制，设激活占用5GB，则单卡最大batchsize为__________（保留整数）。4.3在中学AI课程评价体系中，常用TPR=TP/(TP+FN)与FPR=FP/(FP+TN)绘制__________曲线，其下面积AUC越__________（大/小），表明模型区分优生与待进生能力越强。4.4当教师使用ChatGPT生成试卷，若温度参数从0.7调到1.5，则输出多样性__________（增加/减少），事实准确性__________（增加/减少）。4.5在联邦学习框架FedAvg中，设本地epoch=5，客户端学习率η，聚合权重按数据量占比，则全局模型更新公式可写为：=其中n=__________，符号∇F_k表示__________。4.6若中学AI教材要介绍“可解释AI”，可采用LIME方法，其关键假设是局部__________（线性/非线性）近似，通过对单个样本进行__________（扰动/插值）生成局部数据集。5.简答题（每题8分，共24分）5.1某中学AI社团用YOLOv5n检测校园果树病虫害，训练集仅50张标注图像，测试集20张，结果mAP@0.5=0.92。请指出潜在问题并给出至少三条改进方案，要求具体可操作。5.2简述在中学阶段开展“生成式AI”伦理教育的三点核心内容，并各举一真实教学案例说明如何落地。5.3说明在AI作业批改系统中，如何结合“规则引擎+大模型”实现Python代码抄袭检测，要求给出系统流程图文字描述及关键匹配算法。6.计算与推导题（共31分）6.1（10分）某校AI选修课学生实现单层感知机拟合AND运算，输入x∈{0,1}²，权重w=[w₁,w₂]，偏置b，激活函数为阶跃函数。(1)写出损失函数E(w,b)的表达式（采用均方误差，数据集4条样本）。(2)对w₁求偏导∂E/∂w₁，要求给出分段表达式。(3)若初始w=[0.2,0.3],b=−0.1，学习率η=0.1，请手工迭代一步更新w₁。6.2（10分）在中学AI实验“手写数字识别”中，学生用PCA降维后接Softmax回归。已知原始图像28×28，训练集60000张，测试集10000张。(1)若保留主成分k=50，求投影矩阵W的维度，并写出降维后单样本x′的表达式。(2)推导Softmax回归的梯度∂L/∂W′，其中W′∈ℝ^{k×10}。(3)若测试集准确率在k=50时为0.92，k=100时为0.94，请从偏差-方差角度解释为何k继续增大到200时准确率反而降至0.93。6.3（11分）某中学AI平台采用LoRA微调LLaMA-7B用于作文批改，LoRA秩r=16，原矩阵W∈ℝ^{d×k}，d=4096，k=11008。(1)写出LoRA前向公式h=Wx+BAx，并指出B,A的维度。(2)计算可训练参数量与全量微调参数量的比值，用LaTex表示。(3)若微调阶段batchsize=4，序列长度=512，fp16，估算显存占用下降百分比（给出推导过程，忽略优化器状态）。7.综合设计题（20分）7.1设计一套面向初中生的“AI+生物”跨学科项目——“校园植物智能识别小程序”。要求：①列出教学目标（含知识、能力、情感三维）；②给出数据采集规范（含隐私、伦理、安全）；③技术方案：模型选择、训练策略、部署方式、推理延迟<200ms（中端手机）；④评价量规：含过程性评价与终结性评价指标；⑤潜在风险及应急预案。卷后答案与解析1.单选题1.1C空簇导致分母为零，需重新初始化。1.2B新用户无交互，用内容特征缓解冷启动。1.3B差分隐私加噪声是主流。1.4CRoPE在复数域旋转。1.5A首降分辨率最立竿见影。1.6B生成虚假“事实”最难被教师察觉。1.7C归因错误。1.8B(6+2−3)/2+1=3。1.9A标签敏感且侵犯隐私。1.10Dearly_stopping自动回滚最优权重。2.多选题2.1BCEA显存不变，D显存略增。2.2ABCED错误，ε=0无意义。2.3ABCDE均为有效可视化。2.4ACEB为正确史实，D为精度误差。2.5ABCDE均正确。3.判断题3.1×无判别器无法训练GAN。3.2×轨迹可间接识别身份，需审查。3.3√高温软化分布。3.4√单样本时统计量等价。3.5√概念混淆。3.6×梯度仍可泄露，需加噪声。3.7×明显事实错误。3.8√sleep(0)让出CPU但耗时增加。3.9√预训练权重公开允许。3.10×过大学习率可能发散。4.填空题4.1O(n²d),O(n)4.2最大batchsize=floor(10×1024³/(5×1024³+1.2×10⁹×2))=8194.3ROC,大4.4增加,减少4.5n=∑n_k,客户端k的本地损失梯度4.6线性,扰动5.简答题（答案要点）5.1潜在问题：严重过拟合；数据增强不足；标签质量低。改进：①采用Albumentations做色彩空间扰动、随机旋转、MixUp；②引入预训练YOLOv5s并在COCO植物类上二次预训练；③用主动学习：教师对高不确定性样本再标注，逐步扩增到≥500张。5.2核心内容：①真实性辨识——案例：让学生用ChatGPT生成“北京故宫建于宋代”并查证；②版权与引用——案例：生成式作文须标注AI参与比例；③隐私保护——案例：上传同学照片前打码。落地：每节课5分钟“伦理微讨论”，用TruetheNews插件实时核查。5.3流程：①学生提交→②规则引擎做AST解析与标准化→③生成指纹（token序列+结构哈希）→④大模型对语义等价但语法不同代码做embedding→⑤计算指纹相似度与语义余弦相似度加权→⑥阈值0.85以上触发人工复核。关键算法：ASTdiff+MinHash+SBERT代码版。6.计算与推导题6.1(1)E=¼∑_{i=1}^4(yᵢ−σ(w·xᵢ+b))²，σ为阶跃。(2)∂E/∂w₁=¼∑2(yᵢ−σ)⋅(−σ′)⋅xᵢ₁，其中σ′在0处未定义，取0。(3)对样本(1,1)→1，σ=1，误差0，w₁不变；样本(1,0)→0，σ=1，误差−1，σ′=0，故Δw₁=0；综合得w₁仍为0.2。6.2(1)W∈ℝ^{784×50},x′=W^T(x−μ)。(2)∂L/∂W′=X′^T(P−Y)，P为softmax概率矩阵。(3)k=200方差下降但偏差上升，过拟合噪声，测试准确率微降。6.3(1)B∈ℝ^{d×r},A∈ℝ^{r×k}。(2)可训练参数量=dr+rk=4096×16+16×11008=65536+176128=241664；全量参数=4096×11008=45.1×10⁶；比值=241664/45.1×10⁶≈0.536%。(3)全量显存≈45.1×10⁶×2×4≈352MB（仅参数），LoRA仅0.536%，显存下降≈99.46%。（实际需加激活，但题目忽略优化器，故近似此值）7.综合设计题（评分参考）①教学目标：知识——