“智驭新闻·慧启数据”-AI赋能高中信息科技“数据与计算”跨学科大单元教学设计

“智驭新闻·慧启数据”——AI赋能高中信息科技“数据与计算”跨学科大单元教学设计

针对《数据与计算》模块的新闻驱动资源转化赋能学科教学实施方案一、指导思想与理论依据****本教学设计以习近平新时代中国特色社会主义思想为指导，深入贯彻党的二十大和二十届历次全会关于统筹推进教育科技人才体制机制一体改革的精神，全面落实立德树人根本任务。《普通高中信息科技课程标准（2017年版2025年修订）》明确将课程名称从“信息技术”调整为“信息科技”，突出其作为“现代科学技术领域的重要组成部分”的学科定位，强调从“工具使用”升维为“科学原理+工程实践”的学科化培养。-课程标准构建了“数据、算法、网络、信息处理、信息安全、人工智能”六条逻辑主线，其中“数据与计算”模块作为必修课程的核心内容，要求学生理解计算机中数据编码的基本方式，解释数据挖掘与知识发现的关系，认识到大数据是一种重要的基础资源。-****2026年4月，教育部等五部门联合印发《“人工智能+教育”行动计划》，明确提出到2030年人工智能与教育深度融合格局基本形成，推动教育教学模式、科研范式、治理模式实现系统性变革。-同时，2025年发布的《中小学人工智能通识教育指南》明确了高中阶段的培养目标：聚焦系统思维与创新应用能力培育，理解生成式人工智能技术特征与社会影响。-2习近平总书记在2025年4月25日的中共中央政治局第二十次集体学习时强调，“推进人工智能全学段教育和全社会通识教育，源源不断培养高素质人才”。-这些政策文件为本教学设计的实施提供了坚实的政策依据与方向指引。二、教学内容分析（一）教材内容定位****本教学设计聚焦《数据与计算》模块中的核心知识群，涵盖数据获取与存储、数据处理与分析、数据可视化与呈现等关键知识点。2025版课标明确提出：“学生需掌握数据获取、存储、管理、分析的基本方法，能运用技术手段解决多源数据的整合与应用问题。”-教材内容从数据的概念与特征出发，经历数据编码、数字化过程、大数据应用，进而理解数据挖掘与知识发现的关系，最终认识大数据作为重要基础资源的价值。在这一链条中，数据是人工智能发展的三大技术支柱之一，与算法、算力共同支撑智能系统的形成。-（二）新闻资源作为教学载体的价值分析****将真实的新闻数据资源引入课堂教学，符合课程标准“强调做中学、用中学和创中学”的理念要求。-27新闻数据具有以下教学优势：其一，真实性，来源于真实媒体事件的新闻数据能够为学生提供贴近社会现实的实践场景，激发学生的学习动机；其二，时效性，热点新闻事件具有强烈的时代感和话题性，能够增强教学内容与现实生活的连接；其三，结构性，新闻数据通常包含标题、作者、发布时间、正文、分类标签、关键词、阅读量、评论量等多维度结构化信息，是开展数据清洗、数据分类、数据分析等教学活动的理想载体；其四，可拓展性，新闻数据易于与语文、历史、政治、社会学等学科建立跨学科联系，实现学科融合。【跨学科链接】（三）知识体系构建****围绕新闻数据这一核心教学载体，本教学单元的知识体系呈三层递进结构。基础层包括数据获取与存储技术、数据格式识别与转换、数据清洗基本方法，旨在筑牢学生的数据技术基础。能力层涵盖数据分类与标签化、数据分析方法（描述性统计、相关性分析、趋势分析）、数据可视化呈现，重点培养学生的数据加工与洞察能力。创新层要求学生基于分析形成的洞察结论，结合AI工具生成数据分析报告与应用方案，最终完成从数据到决策的完整实践，同步培育数字化学习与创新的核心素养。【重要】三、学情分析（一）知识基础****本教学设计面向高中二年级学生。在此之前，学生已在信息科技课程中初步学习了数据的基本概念、数据编码的基础知识以及电子表格软件的基本操作。学生能够使用Excel等工具进行简单的数据排序、筛选与图表制作，但对于数据清洗、数据挖掘、数据分析等更深层次的技术与方法还缺乏系统性的认知和实践经验。同时，学生已接触过部分AI工具（如搜索引擎、翻译软件等），但对于如何有效应用AI辅助完成数据分析任务仍需要教师引导。（二）认知特点****高中二年级学生正处于形式运算思维向辩证思维过渡的关键时期，具有较强的抽象逻辑思维能力，能够理解数据背后的规律和趋势。但学生的数据分析思维尚处于培养阶段，对于如何从海量数据中发现问题、提取规律、形成洞见缺乏系统的方法论指导。学生的信息意识水平参差不齐，对信息价值的敏感度和判断力有待进一步提升。信息社会责任的意识在社会热点事件的数据处理和分析中需要进行有针对性的引导和强化，特别是在面对可能存在偏见、立场偏颇或虚假信息的新闻素材时，学生需要培养批判性思维和实事求是的工作态度，这不仅是技术能力的培养，更是价值观念的塑造，是落实立德树人根本任务的重要体现。（三）学习需求****在信息爆炸的时代背景下，学生每天都在接触海量新闻信息，但对于如何有效获取、筛选、分析、利用这些信息缺乏系统的方法论指导。学生对AI技术充满好奇和探索欲望，渴望掌握AI工具的使用方法以提高学习和实践的效率。学生具有强烈的社会参与意识，希望通过对社会热点事件的数据分析来理解社会现象、表达自己的观点，这种内在需求为本教学提供了宝贵的动力支持。四、教学目标****依据2025版课标提出的信息意识、计算思维、数字化学习与创新、信息社会责任四大核心素养，结合本教学单元的特定内容，制定以下教学目标。【核心素养】（一）信息意识维度【核心素养】****学生能够识别不同来源和类型的新闻数据，对信息的真实性、时效性、价值性做出初步判断。能够理解数据在描述社会现象、揭示客观规律方面的重要价值，形成以数据驱动思考问题的意识和习惯。能够敏锐地感知AI技术在数据处理与信息生产中带来的变革与挑战。在分析新闻数据的过程中，学生需要学会区分事实与观点，识别数据背后可能存在的偏见或立场，对AI生成新闻内容的可靠性和局限性保持审慎判断，这正是“数字意识”从信息意识向人工智能意识延伸的具体体现。【重要】（二）计算思维维度【核心素养】****学生能够运用分解、抽象、建模等计算思维方法，将新闻数据分析任务分解为数据获取、清洗、分析、可视化等若干子任务。能够设计数据分析方案，选择合适的分析工具和方法。能够理解并初步应用数据采集、数据清洗、数据分类、相关性分析、趋势预测等数据分析技术。能够编写简单的Python程序辅助完成数据分析任务。在与AI协同进行数据分析的过程中，能够形成“人类定义需求和价值导向、AI协助问题解决、人类验证结论”的协同计算思维，这是人工智能素养对传统计算思维在智能时代作出的重要拓展与延伸。（三）数字化学习与创新维度【核心素养】****学生能够熟练运用数字化工具和平台获取、存储、处理和分析新闻数据。能够借助AI工具（如自然语言处理工具、数据分析AI助手）提高数据分析的效率和质量。能够在数字化学习环境中合作完成数据分析项目，交流分享分析成果。能够基于数据分析形成的洞见，创造性地提出具有一定社会价值的观点、建议或方案。学生不仅要学会使用数字化工具，更要提升在智能时代的人机协作能力，从“用数字化工具解决问题”走向“在人机协同中重构知识并实现跨界突破”，这正是“数智化学习与创新”在核心素养维度的实践表达。（四）信息社会责任维度【核心素养】****学生在处理和分析新闻数据的过程中，能够遵守数据使用规范和版权法规，不滥用他人创作的内容。能够正视数据的局限性和可能存在的偏见，避免对数据的过度解读或错误归因。能够认识到数据安全和个人信息保护的重要性，在使用新闻数据时注重隐私保护。能够在分析社会热点问题时，秉持客观、理性、公正的态度，通过对数据的科学分析传递积极健康的社会价值观，在复杂的伦理情境中平衡技术创新与社会风险，切实践行人工智能素养所要求的“智慧社会责任”。【重要】五、教学重难点（一）教学重点****1.新闻数据的获取方法与技术实现。主要包括通过API接口调用新闻数据、网页数据抓取的基本原理与简单实现、数据格式的识别与转换等。****2.数据清洗与预处理的核心技术。包括缺失值处理、异常值检测与处理、重复数据去重、数据标准化与格式统一等操作规范与实现方法。****3.数据分析的基本方法与应用实践。包括描述性统计分析、分组与聚合分析、趋势分析、相关性初步分析等数据分析技术的概念、方法与典型应用场景。****4.AI辅助数据分析工具的使用方法与技巧。包括借助AI进行数据解读、图表生成建议、报告撰写辅助等。【重要】（二）教学难点****1.数据清洗中的决策判断。学生在面对缺失值、异常值时，需要根据具体的数据分析目标和数据特征做出合理的处理决策，这对学生的数据敏感性和逻辑判断能力提出了较高要求，需要在教学中通过典型案例进行引导和训练。****2.从中发现真正的洞察与价值。从大量的数据中提炼出具有实质意义的规律和洞见，而不是简单地罗列统计数据，需要对数据背后的社会现象和原因进行深入思考和探究，这对综合分析能力提出了挑战，是数据分析从技术层面上升到思维层面的关键跨越。****3.在AI辅助下的自主创新能力培养。如何引导学生在AI的辅助下不产生“认知外包”的依赖，而是将AI作为激发高阶思维的工具，是教学中需要精心设计的难点之一。【难点】在生成式人工智能深入普及的背景下，信息科技教学要体现出生成式人工智能“工具”和“内容”的双重特征，避免AI使用流于形式甚至替代学生独立思考。-六、教学策略与资源（一）教学策略****1.项目式学习策略（PBL）。以“新闻数据洞察与分析”为核心项目，贯穿整个教学单元。学生在完成真实项目任务的过程中，自然地学习和掌握相关知识和技能，实现“在做中学、在学中用、在用中创”。项目周期覆盖六至八个课时，包含需求分析、方案设计、数据采集、数据清洗、数据分析、结果呈现与反思等完整流程，确保学生在经历完整的数据分析项目后获得全面而系统的实践体验，真正实现知识的内化与能力的提升。【重要】****2.任务驱动递进策略。将项目分解为若干具体可操作的子任务，从数据获取、数据清洗到数据分析和可视化呈现，层层递进、环环相扣。每个子任务设计清晰的输入、输出和评价标准，让学生明确每一步的目标和要求，形成任务链，驱动学生的持续参与和深度学习。****3.AI赋能协作策略。引导学生科学规范使用生成式人工智能工具辅助学习，包括借助AI进行数据解读建议、图表类型推荐、报告草稿生成等，但始终强调“学生为主、AI为辅”的人机协作模式。教学中要明确AI的应用原则：坚持育人导向，强化素养本位，确保技术为学习服务而非替代学习。-****4.分层指导差异化策略。针对不同学习基础和能力水平的学生，设计基础层、提升层和挑战层三个层次的实践任务。对全体学生要求完成基础的数据获取、清洗和简单分析任务；对能力较强的学生增加深入分析和创新应用任务；对学有余力的学生提供开放性挑战任务，实现为不同层次和能力的学生提供量身定制的学习支持。（二）教学资源****1.硬件资源。具备网络连接的计算机教室，每生一台计算机，教师用多媒体教学系统（含屏幕广播、学生演示、文件分发等功能模块），确保教学活动的高效组织。****2.软件资源。Python编程环境（推荐使用JupyterNotebook或IDLE）；Excel或WPS表格软件；数据采集与API调用演示工具（如Postman）；数据可视化工具（如Matplotlib、Pyecharts库）。****3.数据资源。教师提前准备好的标准化新闻数据集（CSV格式），包含标题、作者、来源、发布时间、关键词、新闻正文摘要、阅读量、评论量、点赞量等多个字段；可直接调用的新闻API接口示例和说明文档；国家智慧教育平台的“AI试验场”智能工具。****4.学习支架。数据分析任务单；数据清洗操作指南（含常见问题的处理对照表）；Python数据分析代码片段库；可视化图表选择参考卡；AI工具使用指引手册。七、教学过程设计（一）单元整体规划****本教学单元设计为九课时，按照“认知建构→技术实践→深度分析→综合创新”的递进逻辑展开，确保学生在九课时的完整周期中实现从感性认识到理性认知、从技术操作到思维建模、从模仿练习到自主创新的逐级跃升。每一课时的教学均包含情境导入、任务实施、互动研讨、归纳总结四个环节。（二）课时1：数据时代与新闻数据分析之旅【设计意图】通过真实案例激发学习动机，建立对新闻资源数据化的整体认知，明确学习目标。****【情境导入】教师展示一组动画或短视频，呈现新闻资讯从“报纸送上门”到“手机刷不停”的巨大变化，引发学生对信息过载现象的关注。进一步展示当前新闻行业的智能化发展动态：AI自动生成新闻稿件无需人工修改、智能体自动组建“编辑部”团队完成早报生产等案例，让学生直观感受AI技术对新闻行业的颠覆性影响，激发探究兴趣，为后续AI工具辅助学习奠定认知基础。-6****【任务驱动】教师提出核心驱动问题：“如果我们是新闻数据洞察团队，接到任务要分析过去三个月国内重要新闻事件的数据特征和传播规律以辅助未来的新闻决策，应该从哪里入手？需要做哪些工作？”让学生在小组内展开头脑风暴，初步梳理完成该任务所需的知识和技能，形成初步的项目框架。****【新知探究】教师引导学生分组讨论并展示讨论成果，将各组提出的要素进行归纳整理，构建数据项目分析的基本框架图：发现问题→提出问题→采集数据→清洗整理→分析处理→可视化呈现→形成报告→提出决策建议。在此过程中，教师引入数据的定义、数据的分类、数据分析的含义等核心概念，将零散的讨论系统化和概念化。****【互动研讨】教师提出思考问题引导全班讨论：“每天产生的海量新闻数据有什么价值？为什么说数据是一种重要的资源？从数据中能够挖掘出哪些对于新闻行业和社会研究有价值的信息？”鼓励学生结合个人经验发表见解，形成对数据分析价值的基本认同。教师在此基础上介绍当前社会各领域运用数据分析驱动决策的成功案例（如春运客流分析预测、城市交通拥堵治理、网络舆情监测等），进一步拓展学生的视野。****【总结巩固】教师带领学生共同回顾本课时建立的知识框架，公布整个教学单元的时间规划、项目任务清单和评价标准，下发《新闻数据分析项目任务单》，让学生在单元开始前对学习内容和学习任务有清晰的预见。（三）课时2：数据获取实践——新闻资源的采集与存储【设计意图】掌握新闻数据的获取方法，理解数据存储的基本概念。****【技术讲解】教师系统讲解新闻数据获取的三种途径：一是使用已有的数据集（教师提供标准化的教学演示数据集）；二是通过API接口调用获取实时新闻数据（以新型的聚合类新闻平台公开API为例进行演示）；三是通过简单的网络数据采集方法从网页上获取信息（介绍相关的基本概念和法律边界，强调合规性要求）。****【操作演示】教师以提供的API接口和演示平台为例，现场演示如何获取指定时间段、指定类别的新闻数据，并使用Python代码片段展示如何调用API接口发送请求并接收返回的JSON格式数据。在演示过程中，教师同步讲解JSON数据格式的基本结构和Python中处理JSON数据的方法，帮助学生理解数据的存储格式及其转换机制。****【实践任务】学生在教师提供的教学数据集的基础上开展实践：（1）任务一，打开教学平台上的“新闻数据集中实践”界面，教师已预先采集了国内多个主要新闻平台近三个月的部分热点新闻原始数据（JSON格式），学生需在教师指导下完成浏览和初步观察，了解JSON数据的基本结构。（2）任务二，学生尝试使用教师提供的Python代码示例，逐条解析每条新闻记录中的各个字段（标题、来源、发布时间、正文摘要、关键词、分类标签等），将数据逐项提取出来形成初步的结构化表格视图。（3）任务三，学习如何将处理后的数据导出并保存为CSV格式文件。****【互动交流】各小组展示本组获取的数据样本，交流在数据获取过程中遇到的问题和解决方法。教师引导学生对比不同新闻来源、不同时间段数据的特点和差异，初步建立对不同性质数据的基本判断力和数据敏感性。同时进行信息安全方面的引导，讨论网络数据获取过程中的法律风险和规范要求。（四）课时3：数据清洗的艺术——让数据更加干净可靠【设计意图】掌握数据清洗的核心技术，培养严谨的数据处理态度。****【问题引入】教师展示一个未经清洗的新闻数据表格样例，其中有大量的缺失值（如评论量为空、关键词缺失等）、明显的异常值（如阅读量为负数或过大的异常数字）、重复的数据行、格式不统一的数据（如日期有多种不同格式）。教师引导学生直观感受“脏数据”对后续分析的严重影响，引出一个核心教学认知：数据清洗是整个数据分析链条中最耗时但也最为关键的基础步骤。****【技术精讲】教师系统讲解数据清洗的主要步骤与技术要点，并从关键操作规范的角度进行详细展开。任务一，缺失值处理，学生需学习缺失值的识别方法，掌握填充默认值、向前填充、向后填充、插值填充等多种处理方法，并能根据数据实际情况和项目分析目标选择合理的填充策略。任务二，异常值检测与处理，学生需学习通过描述性统计分析发现异常值的初步方法，掌握超出合理范围值的剔除策略和数据复核确认的方法流程。任务三，重复值去重，学习利用唯一标识字段进行数据去重的技术和方法。任务四，数据标准化，学习日期格式的统一、数值格式的统一、分类标签的归一化等操作方法。教师同步讲解Pandas库中对应的函数和方法的用法，并提供可直接调用的代码模板。****【实践演练】学生基于上一课时采集保存的新闻数据，开展数据清洗的全流程实践操作：（1）使用教师提供的清洗清单逐项检查数据的完整性；（2）针对发现的问题选择合适的处理方法，记录每项操作和选择依据；（3）形成清洗后的标准数据集，为后续分析做好准备。****【互动提升】各小组展示清洗前后的数据对比，分享在清洗过程中遇到的典型问题和处理策略。教师在这个环节重点引导学生思考：在清洗过程中学生做出的每一个判断选择，都将直接影响到最终的分析结论是否科学可靠。特别是面对可能存在明确立场倾向、内容不实或片面表述的新闻素材时，教师应引导学生学会在数据清洗环节就建立基本的判断标准，不因个别偏颇数据而影响整体分析的客观性。鼓励学生反复思考和追问数据背后的真实性价值，这正是信息素养向数据素养延伸的关键要义。（五）课时4：数据分析入门——从数据中发现规律【设计意图】掌握基本的数据分析方法，初步培养数据分析思维。****【方法讲解】教师系统讲解数据分析的基本方法，并在高中二年级学生的认知水平范围内予以恰当把握和适度展开。描述性统计分析方面，学生需学习计算新闻数据阅读量的平均值、中位数、标准差等基础统计量，以此了解新闻传播的基本态势，理解集中趋势和离散程度两个基本分析概念。分组与聚合分析方面，学生需掌握按新闻分类标签对新闻数量、总阅读量进行分组统计的方法，并将分类汇总的结果用于识别最受关注的新闻议题类型。时间序列趋势分析方面，学生需学习以天或周为单位统计新闻发文量和阅读量的变化趋势，进而探究传播量与真实事件之间的关联规律。****【实践操作】学生基于清洗后得到的数据集开展以下分析操作：（1）使用Excel的数据透视表功能计算各新闻类别的总量、平均阅读量，并尝试解读不同类型新闻的传播差异；（2）使用Python的Pandas库完成相同任务并对比两种方式的优劣；（3）尝试按照周或月的时间维度进行基本趋势分析，绘制简单的时间序列折线图。****【讨论交流】教师引导学生围绕分析结果展开深入讨论：“看到这个统计结果，你对什么样的新闻更受关注有了哪些新的认识？数据的统计结果和你原来的主观感受有哪些一致或不同的地方？为什么会出现这样的结果？还有哪些结论超出了你的预料？这些意想不到的现象背后可能隐藏着怎样的社会原因？”这样的层层追问，旨在让学生从粗浅的统计走向深入的思考，从数据中读出隐藏在数字背后的故事。（六）课时5-6：AI赋能数据分析——人机协同的创新实践【设计意图】学习运用AI工具辅助数据分析，在实践中培养AI协同工作能力，理解人类判断与AI建议的辨证关系。****【双课时说明】本主题涉及工具学习和深度实践两个层面，安排为连续的两个课时，以确保学生在充分掌握AI工具使用方法的基础上获得足够的实践操作时间，实现技术熟练度的提升和分析深度的拓展。****【课时5·工具入门与基础实践】（第一课时的核心内容）教师首先回顾基础知识后，引入并着重讲解AI辅助数据分析工具的使用规范和方法。《中小学生成式人工智能使用指南》明确了五大应用原则，教师据此向学生介绍AI工具的科学规范使用规范，引导学生明确需要遵守的五大基本原则：育人导向、教育公平、价值引领、需求驱动和底线思维。-在文科背景的应用场景下，学生通过AI工具应用能够有效打通技术学习与内容创作之间的闭环，实现数据分析素养的双重提升。【跨学科链接】-****在教学过程中，教师以具体的新闻数据分析任务示例，依次讲解三大AI应用场景的操作流程与实践方法。其一，数据解读辅助场景中，教师使用教学AI助教呈现新闻数据分析结果（如阅读量统计表、分类占比图等），引导学生将AI提出的初步解读视为分析出发点而非最终结论，启发学生从数据中发现统计表格未能直接显示的内在规律。其二，图表类型推荐场景中，教师演示如何向AI描述数据特征和分析目标，获取AI推荐的合适图表类型，并以推荐结果为基础自主完成图表制作和效果对比。其三，分析报告草稿辅助场景中，教师引导学生向AI提供关键分析结论和数据表格，生成报告的基础框架模板，再要求学生在此基础上填充具体数据、补充个性化见解、完善语言表达，最终转化为具有独特视角的学生原创成果。****【课时6·深度实践与思辨提升】（第二课时的核心内容）本课时在AI工具初步使用经验的基础上，聚焦更高认知层次的深度实践，重点培养学生超越了单纯依靠AI完成任务的“超越人工智能的思维能力”。课时前半段以进阶任务为核心，要求学生围绕给定的新闻数据分析项目完成一项较复杂的数据分析任务：需要综合运用多种分析方法和AI工具辅助生成启发见解，在此基础上形成自己的独立发现和个性化结论。课时后半段紧接开展反思讨论环节，全班级围绕若干关键思辨问题进行深入交流。教师提出核心思辨问题序列引发深度讨论：AI给出的数据解读是否完全可信？可能存在哪些偏见或错误？作为人类分析者如何识别和纠正AI可能出现的认知偏差？过度依赖AI辅助可能会使我们的哪些能力弱化？如何在未来的学习中避免产生“认知外包”的依赖心理？讨论中教师引导学生深度认知人机协同的本质：学生（人）负责定义问题、确立分析框架和价值导向，而AI机器则负责高效的数据处理和模板化的输出生成，学生在获取AI输出结果后必须进行细致的验证、判断、完善直至达成对分析结论的最终把控。这一完整闭环对应地形成了“人类定义需求和价值导向、AI协同问题解决、人类验证结论”的人机协同迭代思维模式，体现了人工智能素养对传统计算思维的关键性提升和深刻重塑，是AI时代高素质人才不可或缺的核心能力表达。【重要】（七）课时7：数据可视化——让数据会说话【设计意图】掌握数据可视化呈现的核心技能，提升数据分析成果的表达力。****【基本介绍】教师系统介绍可视化的基本类型与适用场景，包括柱状图适用于比较不同类别之间的数量差异，折线图适用于展示数据随时间的变化趋势，饼图适用于展示各类别占总体的比例构成，散点图适用于探究两个变量之间的相关关系，热力图适用于展示矩阵数据的强度分布。教师同步讲解使用Python的Matplotlib库和Pyecharts库制作各类图表的代码示例和参数设置要点。****【设计原则】教师重点讲解可视化图表的五大核心设计原则：准确性原则是指图表中的图形关系必须准确反映实际数据大小和比例，不能为了美观而扭曲真实数据；简洁性原则要求选择最直接有效的图表类型来传递核心信息，去除不必要的装饰元素；可读性原则强调图表的标题需要简明准确、坐标轴需要清晰标注单位、图例需要位置合理；一致性原则确保同一项目中的多张图表在风格（如配色、字体、标记样式）上保持统一；目的性原则要求每张图表都要服务于特定的分析目的和传达目标，不能为了画图而画图。****【实践操作】学生基于前序课时中已完成的数据分析结论和可视化任务，为包含不同分析角度和维度的分析要点分别设计相应的图表：（1）为新闻类别的阅读量对比分析制作柱状图；（2）为新闻阅读量随时间的变化趋势制作折线图；（3）为各新闻分类占总发文量的比例制作饼图（或环形图）。在学生完成每个图表的制作后，教师引导学生从颜色搭配、字体选择、图例摆放、标注说明等细节层面进行细节优化，提升图表的专业度和美观度。****【作品互评】学生将各自完成的一组可视化图表在全班范围内进行展示交流，班级同学依据准确性、简洁性、可读性、一致性、目的性这五大基本原则开展互评互议和优化讨论。教师选取具有对比价值的若干典型示例进行集中点评和赏析指导。（八）课时8：成果整合与综合展示——数据分析报告撰写与项目展示【设计意图】将分析成果整合形成完整的数据分析报告，锻炼成果展示和语言表达能力。****【报告框架】教师系统讲解数据分析报告的基本结构框架和使用指南，一般包括如下核心组成部分：报告应有高度概括的标题，体现分析项目的核心意图和主要发现；摘要或引言部分应以精炼的语言概括新闻数据分析的任务目标、分析方法和主要发现；数据来源与处理方法部分需要明确标注使用的主要数据源、时间范围和关键分析流程；分析过程与核心发现是报告的主体部分，围绕分析的主要维度分别展开详细说明，每个维度都需要配合图表证据展开充分论述，做到数据与解释之间的紧密结合和相互印证；结论部分需要总结主要发现，提出基于数据洞察的建议和展望；必要时可添加附录补充说明数据清洗或分析过程的详细记录。****【小组合作】各小组在学生已完成的各项分析和可视化成果基础之上，整合形成完整的数据分析报告。小组成员需要合理分工合作，进行充分的报告结构讨论与信息整合，完成从维度的组织串联到报告的多轮成稿和校对润色，最终形成包含多维度图文分析的正式完整报告。****【项目展示】各小组分别上台，利用5-8分钟时间介绍本组新闻数据分析项目的核心发现及其社会价值，建议展示时进行必要的深入解说和互动提问，充分呈现项目的研究价值和创新亮点。展示中鼓励使用多媒体方式呈现研究过程中形成的数据图表、核心表格以及总结性重要片段，使听众获得直观认知。（九）课时9：项目复盘与拓展提升——总结反思与能力迁移【设计意图】系统总结教学单元的收获与不足，引导将所学知识和技能迁移到更广阔的社会实践中。****【知识梳理】教师针对本教学单元的全部核心概念、关键技能和算法方法进行全面系统的梳理总结。通过构建知识思维导图的方式，帮助学生整体把握新闻数据处理与分析全链路的知识体系，强化理解和记忆效果。****【反思交流】学生围绕以下问题进行个人思考和作业记录：（1）通过完整参与新闻数据分析项目后，原来的认知和认识发生了哪些变化？（2）在人机协同工作的过程中，发现了学生自身在哪些方面还需要加强？（3）有哪些经验值得在未来的其他学习场景和实际工作中继续使用和完善？（4）如果将来要更深入地开展类似的研究，还希望学习哪些新的工具和知识？****【拓展延伸】教师引导学生思考新闻数据分析和数据科学领域的最新发展方向，特别是智能化时代AI技术给这个行业和相关专业人员带来的新机遇和新要求。鼓励学生关注社会的数字化转型进程，思考自己未来如何运用数据分析技能参与社会和社会治理，从而真正将课堂学习的知识和技能升华为面向实际社会实践的内在素质。随着AI技术的快速迭代和广泛深入，数据分析能力和人机协作素养正在成为智能时代公民的核心素质，本次教学单元的学习将为学生的终身成长和未来的全面发展奠定坚实的基石。八、教学评价设计（一）评价原则****本教学设计采用过程性评价与终结性评价相结合、教师评价与学生互评相结合、个人评价与团队评价相结合的多维评价体系，全面落实课程标准提出的核心素养评价要求。在人工智能赋能教育的背景下，着重评价学生在人机协同过程中的独立思考、批判性思维和计算思维能力表现，避免单纯以AI输出结果或操作熟练度作为主要评价标准。（二）过程性评价（占比60%）****过程性评价覆盖教学全过程的六大关键维度，每个维度对应相应的评价观测要点和反馈要求，确保评价贯穿教学始终而非仅在期末集中实施。其一，数据清洗环节的表现占10%，评价观测点聚焦操作步骤是否规范系统每一步是否记录合理、选择的缺失值处理策略是否符合数据分析目标的合理要求。其二，数据分析环节的思维能力表现占15%，侧重于学生在数据洞察过程中发现问题的敏锐度和结论推导过程中的逻辑严密性，重点关注学生能否准确把握统计方法背后的核心要义。其三，AI工具应用的合理性占10%，评价学生能否科学规范使用AI工具辅助学习又保持独立思考和主体判断，控制并把握AI辅助学习过程的适当程度，避免产生依赖或复制替代现象。其四，可视化呈现的质量占10%，对照教学过程中系统讲授的五大可视化基本原则进行逐项评分。其五，课堂参与的积极表现与合作协作的表现合占5%，重点考察课堂发言的频率质量和小组成员之间协作分工的总体氛围。其六，项目任务单完成情况占10%，关注各关键时间节点任务的完成及时性和完成质量。（三）终结性评价（占比40%）****终结性评价以最终形成的数据分析报告和团队成果展示为主要依据，具体涵盖四个主要评分维度：报告内容的完整性和组织结构合理性占10%，要求报告框架完整、逻辑清晰、层次分明；数据分析的深入程度和你独特见解的有价值程度占10%，侧重于能否从数据中发现有价值的规律和洞见，而非仅对数据进行表层描述；可视化呈现与语言的表达效果占10%，要求图表设计合理且有说服力、语言表达准确效果良好；创新性和展示交流的感染力占10%，关注报告是否存在独特的选题视角或有创新性的分析方法。（四）评价实施要求****过程性评价在每一个关键环节结束时即时给出反馈，确保对学生表现和存在的问题给予及时