初中信息技术七年级下册：基于决策树的“猫鼠追踪”智能体设计教案

初中信息技术七年级下册：基于决策树的“猫鼠追踪”智能体设计教案

一、课标依据与设计理念

本教学设计严格依据中华人民共和国教育部制定的《义务教育信息科技课程标准（2022年版）》进行编制，核心指向“人工智能与智慧社会”跨学科主题。设计遵循“科”与“技”并重的原则，强调在真实、有趣的情境中，引导学生从“技术操作者”向“智能体设计者”与“算法思想者”转变。我们摒弃传统软件操作的技能堆砌，转而采用“项目驱动、概念建构、思维外显、伦理并行”的深度学习路径，将“简易人工智能”这一抽象概念，锚定在“有限状态下的智能决策”这一可被初中生理解与建构的核心思想上。

本教案以经典问题“猫抓老鼠”为叙事外壳，本质是引导学生构建一个具有自主决策能力的智能体（Agent）。通过模拟、设计与优化智能体的决策逻辑，学生将亲历从问题定义、特征提取、规则制定（决策树构建）到模拟验证、评估优化的完整人工智能微循环。这不仅是编程技能的练习，更是一次关于“智能如何产生”的哲学与工程学的启蒙，旨在培养学生的计算思维、系统思维及对社会智能化进程的初步责任感。

二、教材与学情分析

1.在教材体系中的定位：

本单元位于初中信息技术七年级下册“算法与程序实现”模块与“跨学科主题学习”的结合部。学生已初步掌握Python语言的基本语法、顺序/分支/循环三种基本结构，并对列表等数据结构有基本了解。本课是上述知识的综合应用与升华，旨在将离散的编程知识置于“构建智能系统”的连贯语境中，为后续学习更复杂的人工智能概念（如机器学习基础）铺设思维桥梁。

2.学情分析：

1.认知基础：七年级学生（约13-14岁）正处于形式运算思维发展的关键期，能够处理假设性命题，进行逻辑推理，但对复杂系统的抽象与建模能力尚在发展中。他们喜爱游戏化情境，对“人工智能”充满好奇，但认知多停留在“科幻”层面，对其实质——基于规则或数据的自动化决策——缺乏理解。

2.技能起点：已具备基础的键盘输入与代码调试能力，能够理解并编写包含多个分支判断的程序。但在解决开放性问题时，策略规划与系统性思考的能力有待提升。

3.潜在困难：将模糊的自然语言策略（如“猫应该去追老鼠”）精确转化为可执行的、无二义性的算法规则；理解并处理多个条件同时作用下的决策优先级；从单次运行结果到系统性能统计评估的思维转变。

4.差异化表现：部分学生可能迅速实现基础功能，但陷于代码细节而忽视策略优化；另一部分学生可能在策略构思上富有创意，但代码实现困难。需设计分层任务与协作支架。

三、教学目标

基于核心素养导向，设定如下三维教学目标：

（一）知识与技能

1.能准确复述智能体（Agent）、感知、决策、行动、环境等基本概念，并阐释其在“猫鼠追踪”情境中的具体对应。

2.能运用自然语言和流程图，描述一种以上的猫抓老鼠策略，并将其结构化表示为决策树。

3.能使用Python语言，基于turtle

库或简单的网格环境，实现一个具备基础感知（如获取猫鼠相对位置）和决策（基于自建规则）功能的“猫”智能体。

4.能设计简单的模拟实验，收集数据（如平均抓捕步数），并利用数据定量评估不同决策策略的有效性。

（二）过程与方法

1.经历“观察现象->抽象特征->制定规则->编码实现->仿真测试->分析优化”的完整探究过程，体验简易人工智能系统的开发流程。

2.通过小组研讨、策略辩论和“算法擂台”等活动，学习比较、分析、优化算法策略的系统方法。

3.学会使用伪代码、决策树等工具进行算法设计与表达，将思维过程可视化、条理化。

（三）情感、态度与价值观

1.在挑战性的项目任务中，激发对人工智能技术内在原理的探究兴趣，形成积极主动的学习态度。

2.通过策略设计与优化，体会工程思维中严谨、迭代、追求卓越的重要性，培养耐心与韧性。

3.初步讨论智能体行为的伦理边界（如“穷追不舍”是否最优？是否存在“公平”的规则？），萌芽负责任的科技创新意识。

四、教学重难点

1.教学重点：

1.2.决策树的概念与构建：引导学生将直觉策略分解为“如果-那么”的规则集合，并理清规则间的优先级与排他关系，形成清晰的树状逻辑结构。

2.3.智能体与环境的交互实现：在代码层面清晰界定感知函数（获取环境信息）、决策函数（应用规则树）、行动函数（改变自身状态）的边界与数据流转。

3.4.从定性描述到定量评估的转变：引导学生设计评估指标，通过多次模拟运行获取统计数据，用证据支撑对算法优劣的判断。

5.教学难点：

1.6.多维状态的特征抽象：如何从复杂的游戏场景中，抽取最关键的、可供决策的特征（如距离、方向、相对方位角），并对其进行离散化或数值化处理。

2.7.复杂分支逻辑的无矛盾编码：确保多条决策规则在程序中协同工作而不产生冲突或逻辑漏洞，理解“elif”链与独立“if”语句在实现决策树时的区别与适用场景。

3.8.策略的涌现性理解：理解简单规则在多次迭代后可能产生的复杂整体行为（如围堵、预判），并能有意识地进行设计。

五、教学准备

1.教师准备：

1.2.教学环境：多媒体网络教室，配备Python开发环境（推荐使用Thonny或VSCodewithPython插件），确保turtle

库可用。安装并测试好课堂互动工具（如班级优化大师或简易局域网文件共享）。

2.3.教学课件：包含情境动画、概念图解、决策树范例、代码片段、评估表格等。

3.4.演示程序：预先开发三个层次的“猫”智能体Demo：

1.4.5.DemoA：随机移动的猫（基线对比）。

2.5.6.DemoB：基于“靠近老鼠”单一规则的猫。

3.6.7.DemoC：包含“追击”与“拦截”两种模式的猫（展示决策树）。

7.8.学习材料：项目任务书、决策树设计工作纸、代码框架（含关键函数定义与注释）、实验记录表、拓展阅读材料（关于真实世界中的路径规划算法，如A*算法简介）。

8.9.分组方案：将学生异质分组，4人一组，设组长、记录员、首席程序员、测试员等角色，明确分工。

10.学生准备：

1.11.复习Python分支语句（if-elif-else）和循环语句。

2.12.预习“智能体”和“决策树”的基本概念（通过教师下发的微课视频或阅读材料）。

3.13.思考：如果你是猫，你会用什么策略抓住老鼠？把你的策略写下来。

六、教学过程（总计3课时，135分钟）

第一课时：情境入项——初探智能体与决策（45分钟）

环节一：创设情境，提出问题(10分钟)

1.教师活动：

1.2.播放一段经典卡通《猫和老鼠》中追逐片段的静音视频，提问：“汤姆猫为什么总是抓不到杰瑞鼠？”引导学生从“运气”、“剧情”聊到“策略”。

2.3.提出核心项目：“今天，我们不再做动画的观众，而要做智能体的设计师。我们的任务是：设计并实现一个‘猫’智能体的‘大脑’，让它在数字网格世界里，能够自主决策，高效地抓住‘老鼠’。”展示简单的网格世界界面（猫和老鼠用不同图标表示）。

3.4.演示三个Demo：随机猫（笨）、简单追猫（稍好）、智能猫（更好），直观展示不同“大脑”导致的性能差异，引发认知冲突与探究欲望。

4.5.引出关键术语：环境、智能体、感知、决策、行动。并类比：智能体就像机器人，感知是它的传感器（眼睛），决策是它的大脑（芯片中的程序），行动是它的执行器（轮子）。

6.学生活动：观看、思考、回答。在教师引导下，尝试用刚学的术语描述Demo中猫的行为（如“智能猫感知到了老鼠在它的右上方，于是决策为向右上移动一格”）。

7.设计意图：快速将学生带入项目语境，明确学习目标和价值。通过对比演示，建立“决策质量决定性能”的直观印象，激发学习动机。术语的自然引出为后续讨论提供了语言工具。

环节二：解构任务，抽象特征(15分钟)

1.教师活动：

1.2.任务分解：带领学生将宏大任务分解为可操作的子任务：①理解环境规则（世界大小、移动方式等）；②让猫能“看”（感知）；③让猫会“想”（决策）；④让猫能“走”（行动）；⑤检验猫有多“聪明”（评估）。

2.3.特征抽象：聚焦“感知”环节。提问：“猫要做出好的决策，最少需要知道环境的哪些信息？”引导学生得出核心特征：猫的位置、老鼠的位置。进一步追问：“知道这两个坐标后，能计算出哪些更有用的决策信息？”小组讨论后，汇总：相对方向（老鼠在猫的哪个方位）、直线距离、水平与垂直方向的距离差。

3.4.建立模型：介绍将连续位置离散化为网格坐标（x,y），将连续方向离散化为八个方向（东、南、西、北、东北等）的方法。这是将现实问题转化为可计算问题的关键一步。

5.学生活动：参与讨论，提出自己的看法。在教师指导下，在工作纸上画出网格，标出猫和老鼠，尝试计算它们之间的横向差（dx）和纵向差（dy），并判断相对方位。

6.设计意图：渗透计算思维中的“分解”与“抽象”思想。引导学生剥离无关细节，聚焦影响决策的核心数据，并学习如何将现实信息转化为程序可处理的数据形式。

环节三：从策略到规则——决策树初建(20分钟)

1.教师活动：

1.2.策略分享：邀请几位学生分享课前思考的捕鼠策略（如“一直朝老鼠方向追”、“堵在老鼠洞口”等）。将这些自然语言策略写在黑板上。

2.3.规则转化：选取“一直朝老鼠方向追”这一简单策略。挑战学生：“如何让计算机严格执行这条策略？”引导学生将其转化为精确的、无歧义的规则。例如：“如果老鼠在猫的右边（dx>0），那么猫向右移动一格；如果老鼠在左边（dx<0），则向左移动；如果左右对齐（dx==0），则不动（考虑上下）。”用流程图展示这一判断过程。

3.4.引入决策树：将此流程图转化为更形式化的决策树图示。解释根节点（判断dx）、分支（>0,<0,==0）、叶节点（对应的行动）。强调决策树是表达复杂决策逻辑的利器。

4.5.小组任务：各小组选择一种策略（可以是教师提供的，也可以是自创的），尝试将其转化为一个简单的决策树，绘制在工作纸上。要求至少包含两层判断（例如先判断水平方向，再判断垂直方向）。

6.学生活动：聆听、思考。小组合作，将本组的策略“翻译”成决策树。期间会暴露出很多逻辑不严谨之处（如条件未全覆盖、行动冲突），在组内争论与教师巡视指导下进行修正。

7.设计意图：攻克教学重点——决策树构建。让学生亲身体验将模糊的人类策略转化为结构化、可执行逻辑的过程，这是编程与算法设计的核心能力。小组合作促进了思维碰撞与深化。

第二课时：工程实现——编码与调试（45分钟）

环节一：架构解析与框架填充(15分钟)

1.教师活动：

1.2.代码架构讲解：分发带有详细注释的代码框架。框架包含以下几个关键部分：

python

#1.环境与智能体状态初始化

world_size=10

cat_pos=[0,0]

mouse_pos=[7,8]

#2.感知函数：获取决策所需信息

defperceive(cat,mouse):

dx=mouse[0]-cat[0]

dy=mouse[1]-cat[1]

distance=(dx**2+dy**2)**0.5#欧氏距离，可选

#返回特征字典

return{'dx':dx,'dy':dy,'distance':distance}

#3.决策函数（待完善）：根据感知信息返回移动方向

defdecide(perception):

dx=perception['dx']

dy=perception['dy']

#学生在此处填写决策树代码

#示例：简单追击策略

ifdx>0:

return'right'

elifdx<0:

return'left'

else:#dx==0

ifdy>0:

return'up'

else:

return'down'

#4.行动函数：根据决策更新猫的位置

defact(cat_pos,decision):

ifdecision=='up':

cat_pos[1]+=1

elifdecision=='down':

#...其他方向类似

returncat_pos

#5.主循环：模拟一回合

perception=perceive(cat_pos,mouse_pos)

decision=decide(perception)

cat_pos=act(cat_pos,decision)

2.3.框架讲解：逐一讲解每个函数的作用、输入输出。重点强调decide

函数是“猫大脑”的核心，我们将把上节课画的决策树，用if-elif-else

语句编程实现并放入此函数。

3.4.对接决策树：以某个小组的决策树为例，现场师生共同将其“翻译”成decide

函数中的代码，演示如何将图形逻辑转化为条件判断语句，特别注意条件覆盖的完整性和分支的优先级。

5.学生活动：对照代码框架，理解智能体程序的基本架构。跟随教师演示，学习将本组的决策树“移植”到代码中的方法。初步尝试在decide

函数中编写自己决策树的第一层判断。

6.设计意图：提供脚手架，降低编程复杂度，让学生聚焦于核心算法（决策逻辑）的实现，而非环境模拟等次要细节。清晰的架构分离有助于学生理解模块化编程思想。

环节二：小组编程与调试实践(25分钟)

1.教师活动：

1.2.发布核心任务：要求各小组在代码框架基础上，完成本组智能体的decide

函数编码，并确保程序能完整运行一个回合（即猫根据策略移动一步）。

2.3.巡视与分层指导：

1.3.4.对基础薄弱组：指导其实现最简单的“坐标差值追击”策略，确保语法正确，程序能跑通。

2.4.5.对进展顺利组：鼓励他们实现更复杂的策略，如“当距离很远时直接追击，当距离较近时尝试预判老鼠的逃跑方向（假设老鼠向固定方向逃）”，引导他们思考如何在决策树中增加新的判断节点。

3.5.6.对能力突出组：提出挑战性问题：“如果老鼠不是静止的，而是会随机移动一步，你的策略需要如何调整？如何让猫的决策考虑到老鼠的移动可能性？”引入“期望收益”的初步思想。

6.7.共性错误集中讲解：利用教师机广播，展示常见的逻辑错误（如条件重叠、边界值处理不当导致猫走出网格）和调试方法（使用print

语句输出中间变量值）。

8.学生活动：

1.9.小组内角色协作：首席程序员主导编码，记录员对照决策树检查代码逻辑，测试员设计测试用例（如将猫鼠放在不同相对位置）并记录结果。

2.10.遇到问题首先组内讨论，利用print

调试，查阅笔记；解决不了再举手求助教师或邻组。

3.11.基本完成代码后，尝试手动修改cat_pos

和mouse_pos

的初始值，测试智能体在不同情境下的决策是否正确。

12.设计意图：这是教学实施的核心环节，将设计转化为产品。通过动手实践，学生深刻理解算法与代码的对应关系。分层指导确保所有学生都能在最近发展区内获得成功体验。协作学习培养了工程实践中的团队合作能力。

环节三：初期成果展示与思维外显(5分钟)

1.教师活动：随机邀请1-2个小组，通过屏幕共享简要展示其代码的decide

函数部分，并口头解释其决策逻辑（对应哪棵决策树）。教师进行简短点评，重点表扬逻辑清晰、代码注释良好的设计。

2.学生活动：展示小组进行讲解，其他小组观摩、思考与自己设计的异同。

3.设计意图：提供展示平台，促进思维外显与交流。通过观摩他人代码，学生能获得新的启发，也为下节课的优化迭代埋下伏笔。

第三课时：评估优化与迁移拓展（45分钟）

环节一：从单步到博弈——引入动态模拟与评估(15分钟)

1.教师活动：

1.2.升级环境：宣布项目进入第二阶段：“我们的老鼠不是木偶！”发布新的模拟引擎代码，其中老鼠会在猫每移动一步后，也随机向四个方向之一移动一步（或采用某种简单逃跑策略）。这构成了一个简单的动态博弈环境。

2.3.引入评估标准：提问：“现在猫不一定能抓住老鼠了。如何科学地比较两个不同‘猫大脑’的优劣？”引导学生提出需要多次模拟，并定义评估指标。教师总结并确定核心评估指标：在固定最大步数（如200步）内，成功抓住老鼠的成功率，以及平均每次成功所需的步数。

3.4.构建测试平台：提供或带领学生编写一个simulate

函数，能够自动运行多次（如100次）模拟，记录每次是否成功及所用步数，最后统计并输出成功率和平均步数。

4.5.首次基准测试：指导所有小组用这个测试平台，对自己第一版的智能体进行测试，并将结果记录在实验记录表上。

6.学生活动：更新代码，接入动态环境和测试平台。怀着紧张和期待的心情运行测试，看到自己设计的智能体有一个确切的“性能得分”。对比不同小组的初始结果，产生竞争意识和优化动力。

7.设计意图：将项目复杂度提升到更真实的层次。引入定量评估是工程思维的标志，让学生学会用数据说话，客观评价设计效果，摆脱主观感觉。

环节二：基于数据的策略迭代优化(20分钟)

1.教师活动：

1.2.分析测试报告：选择几个有代表性的测试结果（高成功率但步数长、低成功率、性能不稳定等）进行分析。引导学生思考性能背后的原因：“为什么你的猫总在绕圈子？”“为什么成功率这么低？是不是策略太容易被随机移动的老鼠‘溜走’？”

2.3.优化方法引导：

1.3.4.诊断问题：观察模拟过程动画，或分析失败回合的日志，定位策略漏洞。

2.4.5.优化决策树：提出优化方向：a)增加状态判断：如引入“距离”特征，距离远时采用激进策略，距离近时采用保守围堵；b)调整规则优先级；c)引入随机性：在特定情况下加入小概率的随机移动，避免陷入死循环（局部最优）。

3.5.6.A/B测试思想：鼓励学生每次只修改策略中的一个点，然后重新测试，对比数据，看是否提升。这就是简单的控制变量法和迭代开发。

6.7.“算法擂台”准备：宣布本节课最后将举行班级“算法擂台”，每个小组的智能体将以相同的初始条件（随机种子）进行对决，最终根据综合得分（成功率权重+步数效率权重）进行排名。

8.学生活动：

1.9.小组紧急讨论，分析自家智能体的“病历”（测试结果），提出优化假设。

2.10.修改决策树和代码，进行快速测试验证。这是一个高度紧张、充满试错的迭代过程。学生需要不断在“想”和“试”之间循环。

3.11.确定参与擂台的最终版本代码。

12.设计意图：这是教学的高潮和难点突破环节。学生体验真实的工程优化过程：发现问题、提出假设、实验验证、分析结果。数据驱动的决策和迭代思维是科学探究与工程设计的核心。擂台赛的设定极大地激发了学生的投入度和成就感。

环节三：项目总结、擂台展示与伦理反思(10分钟)

1.教师活动：

1.2.“算法擂台”与颁奖：运行擂台程序，直播或快速播报比赛结果。对冠军、最具创意策略、最快进步等奖项进行表彰。重点分析冠军策略的巧妙之处。

2.3.知识结构化总结：

1.3.4.带领学生回顾项目全过程，在黑板上形成“简易AI设计流程”思维导图：问题->特征抽象->规则制定（决策树）->编码实现->模拟测试->数据分析->迭代优化。

2.4.5.强化核心概念：智能体、感知、决策（规则/决策树）、行动、评估指标。

5.6.拓展与伦理讨论：

1.6.7.拓展联想：我们的“猫鼠追踪”模型可以映射到哪些现实问题？（机器人路径规划、游戏NPCAI、自动驾驶中的障碍物避让…）简要介绍A*等更高级的算法，指出我们实现的是其极度简化的版本。

2.7.8.伦理反思：抛出问题：“我们设计的猫，目标是不惜一切代价、以最快速度抓住老鼠。如果把这个智能体用于现实，比如设计一个自动监控和抓捕‘可疑人物’的系统，这种单一、极致的‘优化目标’可能会带来什么问题？”引导学生思考人工智能的目标设定、偏见与伦理责任。强调“技术服务于人”的基本原则。

8.9.布置课后任务（选做）：

1.9.10.挑战任务：尝试让老鼠也拥有一个简单的逃跑策略智能体，重新优化你的猫。

2.10.11.调研报告：了解一种真实世界中用于路径规划或游戏AI的算法（如Dijkstra算法、有限状态机FSM），写一份简要介绍。

12.学生活动：积极参与擂台，为结果兴奋或惋惜。跟随教师总结，梳理知识体系。参与伦理讨论，发表自己的看法，理解技术背后的社会责任。

13.设计意图：擂台赛给予项目一个富有仪式感的结尾，巩固学习成果。结构化总结帮助学生将项目经验升华为可迁移的方法论。拓展与伦理讨论将课堂从技术练习延伸到科技与社会关系的思考，落实核心素养中“信息社会责任”的培养，体现最高水准教学设计的深度与广度。

七、教学评价设计

本课程采用“贯穿全程、多维主体、形式多样”的评价方式，聚焦学生计算思维的发展与项目实践能力的提升。

1.过程性评价（占比70%）：

1.2.课堂观察记录：教师巡视记录学生在小组讨论、策略设计、调试排错中的参与度、合作情况及思维表现。

2.3.学习制品评估：

1.3.4.决策树设计图：评估其逻辑的清晰性、覆盖的完整性和策略的创造性。使用量规进行评分（如：特征选择合理性、规则无矛盾性、结构层次性）。

2.4.5.代码质量：检查decide

函数是否准确实现了所设计的决策树，代码是否规范（变量命名、注释清晰、结构合理）。

3.5.6.实验记录表：评估测试方法是否科学，数据记录是否完整，分析是否合理。

6.7.小组协作评价：组内互评与组长评价相结合，考察成员的角色履行情况和贡献度。

8.总结性评价（占比30%）：

1.9.“算法擂台”最终性能：以定量数据（成功率、平均步数）作为智能体设计有效性的客观证明。

2.10.项目反思报告（课后提交）：要求学生撰写一份简短报告，内容包括：我的策略描述及演变过程、遇到的主要问题及解决