2025 高中信息技术人工智能初步智能技术计算思维课件

一、课程定位与目标：为何要在高中阶段开展AI教育？演讲人CONTENTS课程定位与目标：为何要在高中阶段开展AI教育？智能技术基础：从概念到原理的具象化解析计算思维培养：AI教育的核心目标教学实施建议：从理论到实践的落地策略难点1：抽象概念难以理解总结与展望：培养“懂技术、会思考、有责任”的未来公民目录2025高中信息技术人工智能初步智能技术计算思维课件引言：面向未来的技术启蒙与思维锻造作为深耕中学信息技术教育十余年的一线教师，我常被学生追问：“AI真的会取代人类吗？”“我学的这些算法和模型，对未来有什么用？”这些问题背后，是青少年对技术变革的好奇与迷茫，也折射出新时代信息技术教育的核心使命——不仅要传递知识，更要培养适应智能时代的思维能力。2025年，随着《普通高中信息技术课程标准（202X年版）》的深化实施，“人工智能初步”模块已从“拓展内容”升级为“核心主题”，其教学目标也从“了解技术”转向“理解技术逻辑+培养计算思维”的双轨并进。本课件将围绕“智能技术”与“计算思维”的深度融合，系统构建高中生可理解、可实践的AI认知体系。01课程定位与目标：为何要在高中阶段开展AI教育？1时代背景：智能社会对人才的新要求根据《中国新一代人工智能发展报告2024》，我国AI核心产业规模已突破5000亿元，智能技术正以“场景渗透+模式重构”的方式重塑医疗、教育、交通等领域。但调研显示（2023年全国中学生信息素养调查），73%的高中生能说出“ChatGPT”“人脸识别”等AI应用，却仅有18%能解释其技术原理；85%对AI感兴趣，却因“代码复杂”“概念抽象”望而却步。这提示我们：高中AI教育需打破“技术崇拜”或“技术恐惧”的认知偏差，建立“技术-思维-应用”的三维认知框架。2课标要求：从“知识记忆”到“思维迁移”新课标明确指出，“人工智能初步”模块需达成三个层次目标：知识层：理解AI的核心概念（如机器学习、数据标注）、典型应用（如图像识别、自然语言处理）及社会影响；能力层：能运用计算思维分析智能系统的工作流程，设计简单的智能应用场景；素养层：形成对AI技术的理性认知，培养“负责任的技术使用者”意识。以“智能语音助手”为例，学生不仅要知道它能“听”会“说”，更要能拆解其背后的“语音识别→语义理解→知识检索→语音合成”流程，思考“数据质量如何影响识别准确率”“隐私保护在哪个环节实现”等问题。3学生发展：思维成长的关键窗口期高中生正处于逻辑思维从“经验型”向“理论型”转化的关键期。AI教育中的“问题抽象”（如将图像分类转化为特征提取问题）、“算法设计”（如用决策树划分数据类别）、“模型验证”（如通过测试集评估准确率）等环节，恰好能为其提供“具体-抽象-再具体”的思维训练场景。笔者曾带学生开发“校园植物识别小程序”，学生从拍摄300张植物照片开始，到标注“叶片形状”“花瓣数量”等特征，再到用Python调用开源模型训练，整个过程中，他们不止学会了操作，更体会到“数据驱动决策”的思维逻辑——这种思维，远比记住“卷积神经网络”的定义更重要。02智能技术基础：从概念到原理的具象化解析1AI的核心概念：澄清认知误区教学中常遇到的误区是将“AI”等同于“机器人”或“深度学习”。需明确：AI的本质：通过算法让机器模拟人类智能（如感知、推理、学习）的技术体系，包含符号主义（如专家系统）、连接主义（如神经网络）、行为主义（如智能控制）三大流派；弱AI与强AI：当前主流是弱AI（专用智能，如AlphaGo下围棋），强AI（通用智能）仍处于理论探索阶段；智能技术的三要素：数据（原材料）、算法（加工工具）、算力（基础设施）。以“智能推荐系统”为例，其运行逻辑是：用户行为数据（点击、购买）→算法提取兴趣特征（如“偏好科幻类图书”）→算力支撑实时计算→生成个性化推荐。学生通过拆解这一流程，能直观理解“三要素”的协同作用。2机器学习：从“编程”到“训练”的范式转变传统程序设计是“人给规则，机器执行”（如用if-else判断用户输入），而机器学习是“人给数据，机器学规则”（如通过用户历史数据自动生成推荐规则）。这一范式转变是理解AI的关键。教学中可通过“垃圾邮件分类”案例对比两种模式：传统模式：工程师预设“包含‘中奖’‘链接’等关键词→标记为垃圾邮件”；机器学习模式：给机器大量已标注的邮件数据（“垃圾”或“正常”），机器自动学习“哪些关键词组合最可能是垃圾邮件”。进一步可引入“监督学习”（数据有标签，如垃圾邮件分类）、“无监督学习”（数据无标签，如用户群体聚类）、“强化学习”（通过奖励机制学习，如游戏AI）的区分，结合生活实例（如购物平台“猜你喜欢”是监督学习，社交平台“兴趣圈子”是无监督学习）帮助学生记忆。3深度学习：神经网络的“黑箱”与可解释性深度学习是机器学习的子集，其核心是模拟人脑神经元连接的多层神经网络。教学中需避免陷入“层数越多越好”的误区，而应聚焦其“特征自动提取”的优势。例如，识别猫的图片时：浅层网络提取边缘、颜色等低级特征；深层网络将低级特征组合成“胡须形状”“瞳孔形态”等高级特征；最终输出“是否为猫”的判断。同时需强调“黑箱”问题：深层网络的决策过程难以直接解释（如为何认为某张图片是猫），这引出“可解释AI”（XAI）的重要性——这不仅是技术问题，更是伦理问题（如医疗AI的诊断依据需可追溯）。笔者曾让学生用“特征可视化工具”观察神经网络的中间层输出，当看到“网络确实在关注猫的胡须”时，学生对“黑箱”的恐惧明显降低。03计算思维培养：AI教育的核心目标1计算思维的本质：用计算机的方式解决问题计算思维（ComputationalThinking）并非“编程思维”，而是“通过分解、抽象、自动化等方法，将复杂问题转化为可计算步骤”的思维方式。在AI场景中，其具体表现为：01分解（Decomposition）：将“设计智能客服”分解为“意图识别”“答案检索”“对话生成”等子问题；02抽象（Abstraction）：从用户输入的“我想买便宜的运动鞋”中提取“商品类型=运动鞋，需求=价格低”的关键特征；03模式识别（PatternRecognition）：发现“用户多次询问尺码”与“购买意愿高”的关联模式；041计算思维的本质：用计算机的方式解决问题算法设计（AlgorithmDesign）：设计“基于用户历史行为的推荐算法”；验证与优化（Validation&Optimization）：用测试数据评估推荐准确率，调整算法参数。2AI场景下的计算思维训练路径2.1从“观察现象”到“拆解流程”以“人脸识别打卡”为例，引导学生绘制流程图：输入（人脸图像）→预处理（对齐、归一化）→特征提取（用卷积神经网络提取面部特征）→特征匹配（与数据库中的特征对比）→输出（打卡成功/失败）。通过绘制流程图，学生能直观理解“复杂系统是简单步骤的有序组合”，培养分解与抽象能力。2AI场景下的计算思维训练路径2.2从“使用工具”到“理解逻辑”多数学生接触过AI工具（如剪映的“智能抠图”），但仅停留在“点击按钮”层面。可设计“参数调优”活动：让学生用同一工具处理不同背景的图片（如纯色背景vs复杂背景），记录“阈值参数”对抠图效果的影响，进而思考“工具背后的算法可能如何设计”。这种“使用-观察-推测”的过程，能深化对“数据-算法-结果”关系的理解。2AI场景下的计算思维训练路径2.3从“模拟实验”到“项目实践”项目式学习（PBL）是培养计算思维的最佳载体。笔者曾设计“校园智能助手”项目，要求学生完成：1需求分析：调研师生需求（如查询课表、图书馆空位）；2数据收集：整理课表数据、拍摄图书馆照片并标注空位；3模型选择：选择适合小数据集的轻量级模型（如KNN分类器）；4测试优化：用真实数据测试，调整模型参数（如K值）提高准确率；5展示反思：汇报项目局限（如课表更新不及时的影响），讨论“如何提升鲁棒性”。6学生在项目中不仅掌握了技术流程，更学会用计算思维权衡“数据量与模型复杂度”“准确性与实时性”等工程问题。73计算思维与学科核心素养的融合

在“数据标注”环节，强调“标注错误会导致模型偏见”（如将深肤色人脸错误标注，可能导致识别率下降），培养“数据伦理”意识；在“项目展示”环节，要求学生说明“技术可能被滥用的场景及应对措施”（如智能助手的隐私泄露风险），树立“负责任的技术使用”态度。AI教育中的计算思维培养，需与“信息意识”“数字化学习与创新”“信息社会责任”等核心素养结合。例如：在“模型测试”环节，鼓励学生用不同群体的数据（如不同年级、性别的用户）验证公平性，强化“技术公平”理念；0102030404教学实施建议：从理论到实践的落地策略1教学资源的选择与开发工具选择：优先选用低代码/无代码平台（如GoogleColab、阿里云机器学习PAI-DSW），降低编程门槛；推荐开源数据集（如MNIST手写数字、CIFAR-10图像），确保数据的可获得性与教育性。01案例设计：贴近学生生活（如“食堂菜品推荐”“操场人数统计”），避免“高大上”但距离感强的案例（如“自动驾驶”）；融入跨学科元素（如结合生物课的“植物分类”开展图像识别项目）。02评价方式：采用“过程性评价+成果评价”，关注学生在“问题分析”“团队协作”“反思改进”中的表现；设计“思维可视化”任务（如要求学生用思维导图总结AI系统流程），直观评估计算思维发展水平。0305难点1：抽象概念难以理解难点1：抽象概念难以理解对策：用“类比法”转化。如将“神经网络的层数”类比为“做数学题的步骤”——浅层网络解决简单问题（如1+1），深层网络解决复杂问题（如微积分）；将“过拟合”类比为“死记硬背”——模型只记住训练数据的细节，无法应对新数据。难点2：学生畏难情绪严重对策：设置“小步进阶”任务。从“用现成模型预测”（如用预训练模型识别图片）→“调整模型参数”（如改变KNN的K值）→“尝试简单模型训练”（如用线性回归预测成绩），逐步提升挑战难度；通过“同伴互助”（如分组完成项目）降低个体压力。难点3：技术伦理教育空洞对策：结合真实事件讨论。如分析“某招聘AI因训练数据偏见歧视女性”的案例，引导学生思考“数据从何而来？标注是否公平？模型如何避免偏见？”；组织“AI伦理辩论会”（如“是否应该让AI参与高考作文评分”），培养批判性思维。06总结与展望：培养“懂技术、会思考、有责任”的未来公民总结与展望：培养“懂技术、会思考、有责任”的未来公民2025年的高中AI教育，已不再是“赶时髦”的点缀，而是面向智能社会的基础素养培育。通过“智能技术”的知识传授与“计算思维”的刻意训练，我们希望学生：不仅能说出“什么是AI”，更能拆解“AI如何工作”；不仅会使用AI工具，更能理解工具背后的逻辑与局限；不仅关注技术的“能”，更思考技术的“不能