2025 高中信息技术数据与计算的命名实体识别实践案例课件

一、为什么教：从课程标准到真实需求的双向锚定演讲人为什么教：从课程标准到真实需求的双向锚定01怎么教：从课堂实施到素养提升的深度融合02教什么：从概念解析到实践路径的分层设计03总结：命名实体识别的教学价值与未来展望04目录2025高中信息技术数据与计算的命名实体识别实践案例课件各位同仁、同学们：今天，我想以一线信息技术教师的视角，和大家分享一个与“数据与计算”核心素养紧密相关的实践案例——高中阶段命名实体识别（NamedEntityRecognition,NER）的教学探索。作为人工智能自然语言处理（NLP）领域的基础任务，NER不仅是“数据与计算”模块的典型应用场景，更能帮助学生从“被动接收信息”转向“主动分析数据”，在动手实践中理解技术原理，培养计算思维。接下来，我将从“为什么教”“教什么”“怎么教”三个维度展开，结合近三年带学生实践的经验，为大家呈现一个可复制、可调整的教学方案。01为什么教：从课程标准到真实需求的双向锚定1课程标准的明确指向《普通高中信息技术课程标准（2017年版2020年修订）》在“数据与计算”模块中明确要求：“学生应能通过分析典型案例，了解人工智能的主要特征，体验人工智能技术对人类社会的影响”。具体到“数据处理与分析”部分，更强调“能利用工具处理结构化与非结构化数据，提取有价值的信息”。NER作为从非结构化文本（如新闻、社交平台内容、校园公告）中提取关键实体（人名、地名、机构名、时间等）的核心技术，恰好是落实这一要求的优质载体。2学生认知的现实需求我在教学中观察到，高中生对“人工智能”的认知常停留在“人脸识别”“智能对话”等直观应用层面，对底层数据处理逻辑缺乏深入理解。例如，当学生看到“校报中某活动的时间地点被自动提取”时，往往会问：“机器是怎么‘看懂’这些文字的？”NER的实践能直接解答这类问题——它本质是让计算机学会“标记”文本中的关键信息，将无序的文本转化为结构化数据。这种“从现象到本质”的探索，能有效激发学生的技术好奇心。3社会发展的能力导向当前，无论是新闻信息筛选、用户评论分析，还是教育领域的学习行为数据挖掘，都需要对海量文本进行快速实体提取。以我校为例，每年新生入学时，学生会提交数百份“社团活动申请”，若人工提取“活动名称”“负责人”“时间”等信息，效率极低；而通过简单的NER模型，30分钟内即可完成所有申请的信息结构化。让学生掌握这一技术，本质是培养他们“用技术解决真实问题”的能力，这正是信息时代核心素养的体现。02教什么：从概念解析到实践路径的分层设计1核心概念：用“生活化类比”降低理解门槛针对高中生的知识基础，我将NER定义为“给文本中的‘关键角色’贴标签”。例如，在句子“3月15日，高二（3）班张明同学在科技节上展示了自制的智能垃圾分类装置”中，“3月15日”是时间实体（Temporal），“高二（3）班”是机构实体（Organization），“张明”是人名实体（Person），“智能垃圾分类装置”是产品实体（Product）。通过这种“贴标签”的类比，学生能快速理解NER的核心任务——从非结构化文本中识别并分类特定类型的实体。需要强调的是，NER的“实体类型”并非固定，可根据任务需求调整。例如，在分析“校园新闻”时，我们可能关注“活动名称”“主办部门”“参与人数”；在分析“学生日记”时，可能关注“情绪关键词”“事件地点”。这种灵活性正是NER的魅力所在，也为学生的个性化实践提供了空间。2技术原理：从“规则匹配”到“机器学习”的渐进式渗透考虑到高中生的数学基础（尚未系统学习概率论与深度学习），我将NER的技术路径简化为三个阶段：2技术原理：从“规则匹配”到“机器学习”的渐进式渗透2.1规则匹配（基础版）最原始的NER方法是基于预定义的规则或词典。例如，我们可以建立一个“校园人名词典”（如“李华”“王雨桐”）和“校园地点词典”（如“科技楼301”“操场主席台”），当文本中出现词典中的词汇时，自动标记为对应实体。这种方法的优点是简单易懂（学生用Excel就能制作词典），缺点是无法处理未收录的新词（如转学生的名字）或复杂表述（如“咱们班的学习委员”）。2技术原理：从“规则匹配”到“机器学习”的渐进式渗透2.2统计学习（进阶版）当学生掌握Python基础后，可以引入统计学习模型（如条件随机场CRF）。这类模型通过分析文本中的“上下文特征”（如前后词、词性）来判断实体边界。例如，“在[科技楼]举办”中，“举办”常与地点搭配，因此“科技楼”更可能是地点实体。我曾带学生用“人民日报语料库”训练CRF模型，虽然准确率仅70%左右，但学生能直观看到“数据量越大，模型越聪明”的规律。2技术原理：从“规则匹配”到“机器学习”的渐进式渗透2.3深度学习（拓展版）对于学有余力的学生，可简单介绍BERT等预训练模型的原理（如“通过大量文本学习语言规律，再针对特定任务微调”），并提供HuggingFace等平台的在线工具，让他们体验“零代码调用预训练模型”的便捷。例如，输入“2024年校运会将于10月28日在新操场举行，学生会负责组织”，模型能自动输出：时间（2024年10月28日）、地点（新操场）、机构（学生会）。这种“高门槛技术的低门槛使用”，既能激发学生的探索欲，又避免了因代码复杂导致的挫败感。3实践路径：“问题驱动—工具选择—结果验证”的闭环设计结合高中课时安排（通常2-3个课时），我将实践路径设计为“1个真实问题+2种工具选择+3步结果验证”，确保学生能在有限时间内完成从“需求分析”到“成果输出”的完整流程。3实践路径：“问题驱动—工具选择—结果验证”的闭环设计3.1问题选择：贴近学生生活的“小而美”任务我优先选择学生熟悉的场景，例如：任务1：分析校公众号近3个月的推文，提取“活动名称”“主办部门”“参与人数”，生成《校园活动统计表》；任务2：整理班级日志中的“好人好事”记录，提取“事件主角”“时间”“地点”，制作《班级温暖瞬间海报》。这些任务的好处是数据易获取（校公众号可爬取，班级日志由学生自己记录）、目标明确（输出可展示的成果），能有效调动学生的参与感。3实践路径：“问题驱动—工具选择—结果验证”的闭环设计3.2工具选择：兼顾易用性与教育性根据学生的技术水平，提供两类工具：低代码工具：如腾讯云NLP平台、百度飞桨PaddleNLP的在线API。学生只需注册账号，复制文本到输入框，即可获取实体识别结果（如图1）。这种工具适合技术基础薄弱的学生，重点培养“需求-工具匹配”的思维。代码工具：基于Python的spaCy库（英文）或LAC（百度的中文分词与实体识别工具）。例如，使用LAC的代码仅需5行：fromLACimportLAClac=LAC(mode='lac')#加载模型text='下周一下午3点，高二（5）班在图书馆二楼举办读书分享会'result=lac.run(text)#执行识别3实践路径：“问题驱动—工具选择—结果验证”的闭环设计3.2工具选择：兼顾易用性与教育性print(result)#输出：[['下周','周一','下午','3点','高二','（5）班','在','图书馆','二楼','举办','读书','分享会'],['TIME','TIME','TIME','TIME','ORG','ORG','O','LOC','LOC','O','O','O']]学生通过修改文本内容，能直观看到模型输出的变化，理解“实体标签”与“文本内容”的对应关系。3实践路径：“问题驱动—工具选择—结果验证”的闭环设计3.3结果验证：从“准确率”到“实用性”的多元评估A实践中，我要求学生从三个维度验证结果：B准确率：随机抽取10条文本，人工标注实体，计算模型正确识别的比例（如8/10则准确率80%）；C漏报率：统计模型未识别的关键实体（如漏掉“读书分享会”这一活动名称）；D实用性：评估结果能否直接用于后续任务（如《校园活动统计表》是否需要人工补充信息）。E通过这种评估，学生能深刻理解“技术不是万能的”，并思考改进方向（如扩充自定义词典、调整模型参数）。03怎么教：从课堂实施到素养提升的深度融合1情境导入：用“学生困惑”引发认知冲突课堂伊始，我会展示两则真实案例：案例1：校学生会整理“社团招新问卷”时，发现100份问卷中，“期望加入的社团”一栏填写混乱（如“机器人社”“机器人社团”“机社”），人工合并耗时2小时；案例2：学生小明想统计自己半年的日记中“开心事件”的发生频率，但手动标注“开心”相关的时间、地点、人物需要半天。然后提问：“如果用计算机自动提取这些关键信息，你们觉得可能吗？需要计算机‘学会’什么？”这种“用学生的问题引出技术”的方式，能快速激活他们的参与欲。2分层教学：满足不同水平学生的学习需求考虑到学生的技术基础差异，我将实践活动分为“基础层”“进阶层”“挑战层”：基础层（60%学生）：使用低代码工具完成校公众号推文的实体提取，输出包含“活动名称”“时间”的统计表；进阶层（30%学生）：用Python调用LAC模型，自定义“活动名称”标签（如将“读书分享会”标记为EVENT），并分析模型漏报原因；挑战层（10%学生）：尝试用Excel制作简单的规则词典（如将“社”“社团”结尾的词标记为ORG），与模型结果对比，撰写《规则匹配vs机器学习效果分析报告》。这种分层设计既保证了全体学生的参与感，又为学有余力的学生提供了探索空间。例如，2023届学生小吴在挑战层中发现，规则匹配对“固定表述”（如“XX社团”）的准确率达100%，但对“口语化表述”（如“咱们的机器人小组”）完全失效；而机器学习模型虽然能识别“机器人小组”为ORG，但会误标“小组”为ORG。这种对比分析，让他深刻理解了两种技术的适用场景。3反思迁移：从“做任务”到“用思维”的升华实践结束后，我会引导学生思考三个问题：技术局限性：“为什么模型会漏标‘新转学生的名字’？如何解决？”（引出“领域适配”“数据更新”的重要性）；伦理问题：“如果用NER分析学生日记中的隐私信息（如家庭矛盾），可能带来什么风险？”（培养数据安全意识）；生活应用：“除了校园场景，NER还能帮助我们解决哪些生活问题？”（如旅行时自动提取攻略中的“景点”“美食”，购物时提取评论中的“产品优缺点”）。这些问题的讨论，能将“技术操作”升华为“计算思维”与“信息社会责任”的培养。例如，有学生提出：“可以用NER分析班级群聊中的‘作业求助’信息，自动汇总高频问题，帮助老师针对性讲解。”这种“技术服务于生活”的思维，正是我们希望学生形成的核心素养。04总结：命名实体识别的教学价值与未来展望总结：命名实体识别的教学价值与未来展望回顾整个实践过程，命名实体识别在高中信息技术课堂中的价值，远不止于让学生“学会一个技术”，更在于：1知识维度：串联了“数据采集—数据清洗—数据建模—数据应用”的全流程，深化了学生对“数据与计算”核心概念的理解；2能力维度：培养了“问题抽象—工具选择—结果验证”的计算思维，以及“合作探究—反思改进”的实践能力；3素养维度：让学生在真实任务中体会技术的“工具性”与“局限性”，形成“合理使用技术”的信息社会责任。4总结：命名实体识别的教学价值与未来展望作为一线教师，我也在思考未来的优化方向：例如，引入“跨学科融合”（如结合语文的“文本分析”，历史的“