六年级下册信息科技《基于Scratch的机器学习建模：从数据训练到智能预测》教案

六年级下册信息科技《基于Scratch的机器学习建模：从数据训练到智能预测》教案

一、学科与学段定位

本教案适用于义务教育小学六年级下册信息科技学科，隶属于“过程与控制”“人工智能初步”模块。课程定位为基于图形化编程环境的机器学习启蒙课，是连接传统编程教学与当代人工智能原理认知的枢纽型课例。

二、课题设计理念与顶层架构

本课秉持“素养导向、实践育人”的课程改革核心理念，严格依据《义务教育信息科技课程标准（2022年版）》中关于“人工智能教育”与“过程与控制”的内容要求，以“科”与“技”并重为原则。课程跳出“软件操作说明书式”的教学窠臼，以“计算思维的三层架构——数据、模型、决策”为暗线，以“Scratch+机器学习扩展套件”为明线，构建从现象观察到原理迁移，从模仿操作到创新建模的完整认知闭环。课程深度融合数学统计、伦理教育与工程设计思维，致力于培养学生在弱人工智能时代的数字胜任力。

三、教学内容结构化分析

【核心概念·应列尽罗】

1.人工智能的本质：通过计算模拟人类学习能力，而非预设全部规则。

2.机器学习的定义：算法从数据中自动分析获得规律，并利用规律对未知数据进行预测。

3.数据集：由输入特征与对应标签组成的训练样本集合。

4.特征提取：将现实事物转化为计算机可计算的数值维度。

5.模型训练：算法在数据集中寻找特征与标签之间映射关系的过程。

6.分类算法：依据特征将数据归入预设类别，是本课主要的实践载体。

7.模型准确率：衡量模型预测能力的量化指标。

8.过拟合与泛化：模型过度记忆训练集细节而导致应对新数据能力下降。

9.推理/预测：利用已训练模型对新样本进行类别判定的阶段。

10.人机关系：机器决策的逻辑溯源与算法偏见初探。

四、学情精准画像

六年级学生处于皮亚杰认知发展理论中的“形式运算阶段”初期，具备初步的抽象逻辑思维，但仍高度依赖具象化的操作反馈。在技能储备上，学生已熟练使用Scratch中的事件、顺序、循环、分支结构与变量，具备基础的项目调试能力。在认知障碍点上，学生极易将“机器学习”误解为“遥控器触发”或“单纯的条件分支”，难以理解“模型是训练出来的而非逐条编写出来的”这一范式转变。此外，学生在数学学科中已学习条形统计图、平均数及简单概率，但尚不具备系统建模意识，需通过可视化的“模型评分”机制进行支架搭建。

五、核心素养具象化目标

1.【信息意识】能够在生活场景中敏锐识别适合用机器学习而非固定规则解决的问题，主动寻求数据驱动的问题解决方案。

2.【计算思维】能够运用“数据准备—特征定义—模型训练—测试优化”的四阶段模式描述智能系统的工作逻辑；掌握将连续变化的世界转化为离散分类标签的抽象方法。

3.【数字化学习与创新】能够借助Scratch及机器学习扩展插件，独立或协作设计出具备分类预测功能的交互式应用原型，并能根据测试数据反馈迭代优化模型性能。

4.【信息社会责任】辩证认识训练数据质量对模型决策公平性的影响，理解“算法即观点”的深层逻辑，建立审慎使用人工智能技术的情感态度。

六、教学重难点深度解构

【教学重点·核心操作】

1.理解机器学习“数据驱动”的根本特征，区分“编程规则”与“模型训练”的本质差异。【非常重要】【高频考点】

2.掌握利用“机器学习扩展模块”进行图像分类或文本分类模型的完整训练流程：采集样本→标注标签→训练模型→保存模型。【基础】

3.能够在Scratch积木体系中调用已训练模型，利用识别结果作为条件判断的触发器，实现智能交互项目。【基础】

【教学难点·思维进阶】

1.理解“数据质量决定模型上限”：样本多样性（如不同角度、不同光照）对模型泛化能力的决定性影响。【难点】【热点】

2.理解“准确率不是100%”及模型置信度的概念，能够在编程时考虑“无法识别”情况的容错处理。【难点】

3.迁移建模思维：将本课习得的“训练—预测”框架迁移至新的分类问题（如声音识别、手势识别）。【重要】

七、教学环境与资源矩阵

1.硬件环境：多媒体网络计算机教室，师生比为1:1，配备教师广播教学系统。建议外接摄像头（或使用笔记本内置摄像头）用于图像分类实践。

2.软件环境：Scratch3.0离线编辑器或在线版，并预装/推荐“MachineLearningforKids”扩展插件，或“慧编程”机器学习模块。亦可使用兼容TensorFlow.js的图形化插件。

3.资源支架：教师预设的半成品项目（.sb3文件）、微课示范视频（采样技巧、训练时机）、纸质“算法工程师日志”学习单、模型测试记录表。

八、教学实施过程（核心篇幅）

本课采用“双主线并行”策略：明线是技术操作流（做中学），暗线是认知建构流（思中悟）。总课时拟定1课时，40分钟。

（一）锚定认知冲突：规则失灵与数据力量（预计时长：5分钟）

【教学事件】

教师启动课堂，不直接点题。大屏幕展示一个普通的Scratch“猜拳”游戏。第一版游戏使用传统的“如果……那么……”积木：如果电脑随机数=1，则出石头。学生认为这是编程常态。

随即，教师展示第二版“智能猜拳助手”。教师随机邀请一名学生与计算机进行三局两胜。在第一轮中，学生连续出了三次“剪刀”，第二轮开始时，计算机出“石头”的频率显著增高。

【师生对话建构】

教师：“为什么这台电脑好像‘变聪明’了？我并没有写‘如果你连续出剪刀，我就出石头’这样的指令。”

（学生陷入思维停顿，认知冲突产生）

【教师揭示本质】

教师：“老师并没有逐条写出应对策略，而是‘喂’给它很多历史对战数据，它自己找到了打败对手的规律。这就是机器学习——让计算机从数据中自己找规律，而不是我们替它定规矩。”

【重要概念植入】

板书/课件核心锚词：“数据→规律→预测”。强调这是本堂课所有活动的“三字经”。

（二）范式转型：从“条件判断”到“模型训练”（预计时长：8分钟）

【知识解构与类比】

此处采用【重要·深度学习策略】的“人类学习过程镜像法”。

教师提问：“我刚才没有写代码，计算机是怎么学会反制的？其实，它的学习过程和你小时候认识‘猫’的过程一模一样。”

1.特征提取类比：小时候妈妈指着图片说“这是猫”。（你提取了胡须、毛茸茸、喵喵叫等特征）→计算机看图片的像素灰度值。

2.模型训练类比：你见过波斯猫、暹罗猫、狸花猫，知道这些都是猫。（模型在大量样本中找到了“猫”的边界）→计算机调整内部参数。

3.预测/推理类比：你从没见过一只无毛猫，但一看就知道它是猫。（泛化能力）→计算机给新图片打上“猫”的标签。

【技术实现初探】

教师广播演示：打开Scratch机器学习扩展，新建一个项目。任务目标：训练一个能识别“剪刀手”和“手掌”的简单模型。

1.第一步【数据采集】：摄像头对准手势，添加标签“剪刀”，连续拍摄10-15张不同角度、远近的照片。【非常重要】教师刻意只拍同一角度，先埋下“不准确”的伏笔。

2.第二步【训练模型】：点击“训练”按钮，观察进度条。强调此处计算机在进行复杂的矩阵运算，但小学生不需要懂微积分，只需要理解“它在找规律”。

3.第三步【调用积木】：将训练好的模型拖拽至编程区。使用积木“识别结果（标签）”，如果结果=剪刀，那么说出“剪刀”。

【即时思辨】

教师此时将摄像头对准自己未经训练的手势（如竖大拇指）。程序报错或识别为剪刀。学生哄笑。

教师：“为什么它把大拇指认成了剪刀？是因为它笨吗？还是老师故意没教？”

学生领悟：因为训练数据里只有剪刀手，计算机“没见过”大拇指，只能强行归类。【核心升华】模型的好坏，取决于你喂给它的数据。

（三）深度学习任务：我是算法工程师——构建图书小助手（预计时长：22分钟）

此环节采用【项目式学习·PBL】，以真实问题驱动：学校图书管理员需要一台能够自动识别借阅者所拿物品（“笔记本”/“水杯”/“书籍”）并发出相应语音提示的智能终端。

1.子任务一：需求分析与算法选型（3分钟）

【小组合作】学生以2-3人为一小组。讨论：这个问题为什么不能用普通的条件判断做？

【结论建构】因为“笔记本”有封面、翻开、合上等无穷多种形态，写不完所有条件。必须用机器学习。

2.子任务二：数据采集与质量博弈（6分钟）

【基础操作】学生分组在Scratch机器学习模块中建立三个类别：NOTEBOOK，BOTTLE，BOOK。每组利用摄像头采集样本。

【教师巡回指导】此时，教师重点干预【难点突破】环节。

1.针对数据多样性：教师引导：“如果你的训练集10张照片都是横着放的笔记本，测试时笔记本竖着放，模型还认识吗？”引导小组在采集中主动变换角度、远近、遮挡情况。

2.针对类别平衡：检查各组是否在“BOTTLE”类别下只拍了透明水杯，提醒拍摄保温杯等不同形态。

3.【高频考点】教师在此环节插播微视频：数据科学家需要清洗数据，去掉模糊的、无关的照片。学生需对已采集样本进行“审核删除”。

1.子任务三：首次训练与“过拟合”现象捕捉（3分钟）

【全体实践】点击训练按钮，生成模型。

【测试风暴】小组内互测：A同学持训练时从未用过的新物体（如B同学新拿出的一个异形水瓶）进行识别测试。

【结果分析】绝大多数小组出现识别错误。教师组织全班30秒快闪分享：为什么训练时得分挺高，一换新东西就错？

【教师精讲】引出【难点】“泛化能力”——模型太死板，只背下了训练集的答案，没学会真正的规律。这就是过拟合的雏形概念。

【解决方案】增加数据多样性，或者减少训练轮次（针对小学生，引导其增加照片数量及变式）。

2.子任务四：模型迭代与二次训练（5分钟）

【进阶实践】各小组针对测试中暴露的问题，补充采集“困难样本”。如：把笔记本半打开拍、在逆光环境下拍、把水瓶放在书本后面拍。

【重要】教师引导学生记录“版本迭代日志”：1.0版准确率低，改进措施是多拍；2.0版对水瓶还行，但笔记本和书混在一起，改进措施是拍摄笔记本内部的纸张特征。

【计算思维显性化】学生口述：“我们的程序不是越写越长，而是越‘喂’越准。”这是本课最关键的思维拔高。

3.子任务五：Scratch交互逻辑实现（5分钟）

【代码组块】学生将训练好的模型嵌入项目：

当绿旗被点击

无限循环

识别当前摄像头画面并等待

如果识别结果=BOOK那么

广播“欢迎借阅”并播放声音

如果识别结果=NOTEBOOK那么

广播“请勿携带笔记本入内”

否则

广播“请确认随身物品”//处理置信度低的异常情况【重要】

【高阶拓展】学有余力的小组可以尝试在“否则”分支中嵌套询问“是否需要管理员帮助？”，强化人机协作意识。

（四）智能伦理思辨场：数据偏见与公平性（预计时长：3分钟）

【情境创设】教师展示一组预设的“偏见模型”：训练数据中识别“科学家”的照片全是男性，导致模型看到女性照片时识别度极低。

【辩论式讨论】

教师：“模型这么准，为什么它却‘看不起’女科学家？是它坏吗？”

学生回应：不是模型坏，是给它学习的数据坏。

【核心素养落地】信息社会责任：机器决策的公平性取决于数据采样的公平性。我们在做项目时，必须时刻反思——我的数据覆盖了所有人群吗？有没有遗漏？这便是人工智能时代最重要的信息伦理。

（五）迁移挑战：模态转换与举一反三（预计时长：2分钟，弹性拓展）

【认知架构升级】教师提出挑战：“刚才我们用的是摄像头识别，也就是计算机视觉。现在我想训练一个能识别‘高兴’和‘难过’情绪的程序，靠什么数据？难道拍表情包吗？”

【发散思维】学生提出可以用麦克风识别音调高低，或者识别打字速度快慢。

【总结升华】机器学习的框架是通用的——只要你能把现实问题转化为‘分类标签+特征数据’，就能套用本课所学的‘训练-预测’模型。这是从具体技能走向学科大观念的质变。

九、板书逻辑架构（思维外化）

黑板上呈现全课认知地图，非纯文字列表，而是概念关系图：

左侧书写：传统编程→规则固定→人写逻辑

中间绘制箭头，跨越鸿沟

右侧书写：机器学习→数据驱动→人喂数据

下方分支：

数据多≠数据好——【强调多样性】

模型准≠模型公——【强调伦理】

预测快≠理解深——【强调机器本质】

十、评价体系与反馈闭环

本课实施“嵌入式”与“成果式”双轨评价。

1.过程性评价：【高频考点】在数据采集环节，教师巡视时使用星级评定：一颗星（拍了10张以上）、两颗星（拍摄角度有变化）、三颗星（主动考虑背景干扰并排除）。

2.表现性评价：在测试迭代环节，各小组需填写半结构化学习单《模型迭代报告》。内容包括：第一次测试错了几次？猜猜为什么错？第二次你加拍了哪些照片？准确率从____%提升到____%（估算）。

3.作品评价：课后收集各小组.sb3文件及迭代报告。重点关注是否具备“未识别”分支处理，而非仅关注高识别率。因为知道机器何时会犯错，比追求100%正确更重要。【重要】

十一、课后作业与跨学科延伸

1.【基础巩固】利用家中电脑或平板，尝试训练一个“宠物识别器”，区分猫和狗。记录下你拍摄的照片张数和测试结果。

2.【热点探究】观看短视频《AI偏见》，与家长讨论：如果招聘公司用人工智能筛选简历，数据全部来自过去10年的男性员工，这会带来什么问题？写下100字观点。

3.【项目预热】（与数学学科融合）下节课我们将利用机器学习识别手写数字0-9。请你利用周末收集自己和家人的笔迹，每个数字写5遍，扫描或拍照上传班级文件夹。这将是我们的班级专属数