高中信息科技·选择性必修4“人工智能初步”第1课教学设计：从信息到智能-信息特征与人工智能的数据根基

高中信息科技·选择性必修4“人工智能初步”第1课教学设计：从信息到智能——信息特征与人工智能的数据根基

一、基本信息（一）课题名称：从信息到智能——信息特征与人工智能的数据根基【重要】本课为“人工智能初步”模块的开篇第一课，起奠基性作用。（二）课时安排：1课时（45分钟）（三）授课对象：高中二年级学生（四）课程类型：新授课二、指导思想与理论依据（一）指导思想【核心素养】本课以《普通高中信息科技课程标准日常修订版（2017年版2025年修订）》为根本遵循，全面落实立德树人根本任务，以培养具有较高人工智能素养的未来公民为育人导向。课程设计坚持“做中学、用中学、创中学”的实践理念，注重信息意识、计算思维、数字化学习与创新、信息社会责任的有机融合与相互渗透。本课引导学生从人工智能所需的数据根基出发，深入探究信息的基本特征，为后续学习人工智能的工作原理与伦理规范筑牢认知基础。（二）理论依据【核心素养】本课以建构主义学习理论和信息加工理论为理论基础。根据建构主义学习理论，学生并非被动接受知识的容器，而是在已有认知结构基础上主动建构新知识的意义。教学中均以生活化、真实化的案例为切入点，引发认知冲突、激活探究欲望，促使学生在问题解决中主动建构信息特征的知识体系。结合信息加工理论，将信息的感知、识别、分析、编码、存储和应用视作完整的认知加工链条，引导学生从“是什么”到“为什么”再到“怎么用”逐层深入。【跨学科链接】本课还借鉴了跨学科融合教育理念，将信息科学、数据科学、人工智能技术与数学、语言学、伦理学等多个学科领域有机贯通，体现课程的综合性与时代性。三、教学内容分析（一）教材分析【高考考点】本课选自普通高中信息科技选择性必修4“人工智能初步”模块第1课。《普通高中信息科技课程标准》将“数据、算法、网络、信息处理、信息安全、人工智能”六条逻辑主线贯穿整个课程内容。本课以“数据—信息—知识—智慧（DIKW）”认知链条为核心载体，既是整个“人工智能初步”模块的逻辑起点，也是衔接义务教育阶段信息科技课程与高中人工智能深度学习的桥梁。课标明确指出，学生应理解“数据是人工智能的基础资源”，本课正是在这一认识上展开对信息特征的深度解读。教材修订进一步强化了人工智能教育内容的地位，将人工智能学习内容融入必修和选择性必修课程模块，注重学生对人工智能应用方法的学习，强化学生人工智能伦理意识，提高学生应用人工智能解决问题的能力。-12（二）核心内容【重要】本课包含五大核心内容：数据的定义与基本概念认识

【基础】信息的定义——从香农信息论到多维视角的拓展

【重要】信息的特征——信息的七大基本特征及在人工智能中的应用映射

【重要】DIKW金字塔——数据、信息、知识、智慧的递进关系

【高频考点】信息与数据的关系辨伪——易错易混点的系统厘清

（三）教学重点【难点】【高频考点】本课教学重点包括：准确理解并区分数据与信息的本质差异；【重要】系统掌握信息的七大特征；【重要】深入理解DIKW金字塔的结构层次与递进规律。（四）教学难点【难点】本课教学难点包括：从香农信息论的视角理解信息的本质是“不确定性的消除”；【难点】抽象把握信息特征之间的内在联系与相互作用规律；【重要】【拓展延伸】将信息特征迁移到人工智能训练数据质量要求的分析；【跨学科链接】用跨学科视角理解信息的多样性功能。四、学情分析（一）认知基础学生已经在义务教育阶段的信息科技课程中初步接触过数据和信息的基本概念，具备了初步的信息意识。大多数学生对人工智能这一热门话题抱有较强的学习兴趣和好奇心，在日常生活中或多或少使用过AI相关产品，对人工智能有一定的感性认识。（二）认知不足【难点】学生对信息特征的认识多停留在表面：能满足教师提问时列举出一两个特征，但难以系统地、有条理地阐述信息的核心特征体系。更重要的是，大多数学生尚未建立起信息与人工智能之间的深度关联，不清楚“人工智能为什么需要大量数据”“信息在AI训练中扮演什么角色”“数据是如何变成智能的”等问题背后的核心逻辑。高中阶段的信息科技教学聚焦学科思想与创新实践，任务不是简单介绍AI概念，而是引导学生理解数据这个核心要素和计算这个关键手段。-1（三）教学对策【重要】本课立足学生这一认知现状，在教学过程中一方面帮助学生系统梳理和深化信息特征的知识结构，另一方面不断强化“信息是人工智能的数据根基”这一核心命题意识，让学生在每一环节都看到信息特征与人工智能应用的直接关联，实现从“学信息特征”到“用信息特征理解人工智能”的认知跃迁。五、教学目标（一）信息意识维度【核心素养】学生能够敏锐感知身边的信息现象，准确辨别数据与信息的联系与区别，对信息的来源、类型、价值做出基本判断，形成对人工智能训练数据重要性的初步敏感度。【重要】目标达成标志：能独立举例说明信息在AI训练中的作用，能对给定场景中信息的真伪和价值做出初步判断。（二）计算思维维度【核心素养】学生能够运用分解、抽象、建模等计算思维方式分析信息特征的内涵，初步建立“数据—信息—知识—智慧”的分布式认知框架，理解信息如何经过加工转化为智能。【重要】目标达成标志：能用系统化思维画出DIKW金字塔的层级结构，并能针对给定AI任务反推所需的数据类型和信息维度。（三）数字化学习与创新维度【核心素养】学生能够利用数字化学习平台收集和分析AI应用案例中的信息特征表现，在与小组同伴的协作中找到信息特征在AI应用中的创新体现。【重要】目标达成标志：能运用网络资源查找人工智能训练数据集的类型，以小组合作形式完成探究报告。（四）信息社会责任维度【核心素养】学生能够在理解信息特征的基础上，初步建立数据隐私保护意识和信息伦理观念，认识到数据质量对AI伦理与安全的重要影响。【重要】目标达成标志：能结合真实AI伦理事件案例，阐述信息特征如何影响AI的公平性与可靠性，能表达对个人信息保护的基本主张。六、教学重难点（一）教学重点系统掌握信息的本质定义与七大核心特征

准确辨析数据与信息的内在联系与本质区别

理解DIKW金字塔的层级递进关系及其在AI领域的应用

体会信息特征对人工智能训练数据质量的关键影响

（二）教学难点理解香农信息论中“信息即不确定性的消除”这一抽象命题

厘清信息七大特征之间互为依存的内在逻辑

将信息特征迁移到分析人工智能数据集的构成质量要求

用跨学科视角理解信息在信号传递、知识建构和智能涌现中的多层级功能

七、教学策略与方法【基础】本课教学坚持“以学生为中心、以问题为导向”的教学策略，综合运用以下方法：（一）情境创设法：通过真实AI应用场景导入新课，引发认知冲突和学习期待。（二）案例驱动法：以典型AI训练数据集为贯穿性案例，将抽象的理论知识具体化、形象化。（三）小组合作探究法：设计小组合作探究活动，在对AI案例的分析中运用信息特征的理论框架。（四）讲授引导法：教师在关键概念和疑难环节适时进行精讲解疑，帮助学生突破认知障碍。（五）数字化工具辅助法：利用在线AI展示工具辅助教学，增强课堂的互动性与真实性。（六）对分课堂法：将讲授环节与自主内化、探究应用环节有机融合，强化学生主体地位。八、教学准备（一）教师准备精心筛选并准备3—5个具有代表性的AI应用案例视频或图文素材，用于课堂导入和案例教学。

制作教学课件PPT，包含信息安全的核心概念图示、DIKW金字塔可视化结构、信息特征展示图谱等。

准备AI伦理辩论会所需的素材包，包括图像识别偏误案例、大模型生成内容的正反示例等。

设计层次化的课堂学习任务单与课后检测练习。

调试多媒体设备，确保演示案例和相关资源能够流畅展示，测试拟展示的AI工具实时运行情况。

（二）学生准备课前自主阅读教材《人工智能初步》第1课相关内容，初步了解信息的定义，带着问题进行课堂学习。

观察生活中人工智能技术的应用场景，记录至少一个自己体验到或关注到的AI应用实例。

预习课后思考题，为课堂深度研讨做好准备。

九、教学过程设计环节一：情境导入——AI是如何“看见”世界的？（约5分钟）【基础】本环节旨在激发学生对本课的兴趣，创设“信息特征与人工智能”真实的认知情境。教师活动：展示一段经过整理的图像识别应用短视频，展示AI能够精准描述图片中的物体（如识别出“橘色的猫在灰色的沙发上”），但也会出现识别错误的情形。

播放全国政协委员龙婉丽在今年两会上的发言观点：应当把“未成年人数据不出域”作为AI加教育工程底线，通过建设省市级教育人工智能公共底座，提供面向教育行业的统一入口等，从而避免涉及学生的敏感信息泄露到第三方平台。-

引导学生围绕上述两个片段展开思考：AI是怎样从海量数据中捕捉到这些“看得见”的信息的？AI为什么有时会出错？为什么国家如此重视AI训练中的数据隐私问题？

顺势引出本课核心命题：一切人工智能能力的起点，都是数据与信息。不理解信息的特征，就无法真正理解人工智能的运行逻辑。

展示本课学习目标清单，以思维导图形式呈现学生学习方向。

学生活动：观察AI应用的展示案例，参与教师引导的真实问题情境思考。

用一个词或一句话形容AI在信息处理方面的长处和短板。

分享自己关注到的AI应用体验，与小组成员交流讨论。

明确本课学习目标，形成对本课内容框架的整体认知。

设计意图：从真实的AI应用情境切入，在情感和认知两个层面同时调动学生学习的主动性。引入最新的两会代表观点，让学生感受到信息隐私保护不仅是技术问题，更是关乎国家安全和社会治理的重大命题，增强课程的时代感和社会责任感。环节二：概念澄清——信息到底是什么？（约8分钟）【重要】本环节旨在对信息进行多角度、深层次的界定，为学生认识信息特征奠定概念基础。教师活动：引入中国传统文献中对“信息”一词的解读印记，引导学生思考信息概念的历史纵深。

系统介绍香农信息论的核心观点：【难点】香农在《通信的数学理论》中提出，信息就是“用来消除随机不确定性的东西”。信息的本质不是内容本身，而是消除不确定性所带来的东西。通信的最终目的是使接收方在收到消息后，对某个事件的不确定性得到消除或减少。-

通过直观情境帮助学生准确理解：一个人站在红绿灯路口，不知道灯光当前是什么颜色，这是一个不确定的状态。当他接收到“红灯亮”这个信号之后，不确定性消除了。这里的信息，不是“红灯”这个单词本身，而是这个信号对他消除不确定性所起的作用。

【拓展延伸】引入香农信息论的信息熵概念：香农给出了信息量的数学公式，信息熵是一个随机变量信息量的数学期望。-信息的量可以定量测量，以“比特”为单位。一条消息包含的信息量，取决于其消除不确定性的程度。引导学生体会香农公式和信息论的重要意义：作为关于通讯技术的理论，它是以数学方法研究通讯技术中关于信息的传输和变换规律的科学。-

【跨学科链接】接着介绍信息的广义定义与多维视角：信息是客观世界中各种事物运动状态和变化规律的反映，是构成客观世界三大要素之一。

【跨学科链接】联系生物学进行跨学科延伸：生物带有大量的信息，在进化发展中发挥着核心作用，包括遗传信息、神经—激素信息、代谢信息等。基因信息是存储在DNA分子片段中的生物遗传信息，代代相传，决定生物的基本性状。-

【跨学科链接】联系经济学进行延伸：信息在资源配置、市场信号传递中具有不可替代的重要作用，经济学意义上的信息是指具有经济价值并对决策产生影响的消息和信号。-

学生活动：在教师引导下理解并抽象出信息的核心本质概念。

结合香农信息论的讲解，完成一个简单的情境演练：用数学概率模型演示信息的量化计算。

小组内分享自己对信息的多维度理解，用一句话总结信息的核心本质。

在任务单上记录信息本质定义的要点。

设计意图：通过香农信息论将信息从日常语义的模糊概念提升到科学理论的高度，让学生体验信息概念从感知到抽象的科学化过程。哲学思考和跨学科联系的引入，为学生提供了立体化、多维度的认知视角，为后续整合性分析信息特征提供了理论基础。环节三：体系建构——信息的七大核心特征（约12分钟）【重要】【高考考点】本环节是本课的核心教学部分，系统建构信息的七大特征体系，并通过AI应用案例进行映射分析。课堂活动：借助DIKW金字塔的可视化结构引入信息特征的教学。教师活动：呈现DIKW金字塔结构图（Data—Information—Knowledge—Wisdom）。清晰解读每一层的含义和层次关系：

—数据（Data）：原始事实和数字，未经加工的素材，如气温23度、车速60公里、货架上商品的数量等。

—信息（Information）：经过加工、具有意义和上下文的数据。它回答“是什么”“在哪里”“什么时候”等问题。

—知识（Knowledge）：将信息进行系统化、结构化处理之后的产物，包括模式、规则、因果联系等，能够回答“如何做”“为什么”等问题。

—智慧（Wisdom）：对知识进行判断、应用和创造的高阶能力，能够回答“应该怎么做”“为什么要这样做”等问题，涉及价值判断和伦理决策。

—强调一个关键认识：从数据到信息不是简单的罗列和搬运，而是经过了筛选、加工、赋予意义的过程。特征正是在这个过程中逐渐显现的。

依次详细展开信息的七大核心特征。【学生完成下表填写任务后，教师逐一深入解析】

（1）传递性—定义：信息可以在不同空间和时间中传递和扩散，可以超越产生它的原始主体，从一个地方传输到另一个地方。—人工智能案例：自注意力机制实质上就是在不同位置之间“传递信息”，让模型在处理序列数据时能够捕捉到长距离的依赖关系。AI模型在训练之后传递到推理阶段，新环境下利用所学信息进行预测。—讨论延伸：信息的远距离传递能力使得知识共享和文明传承成为可能，而当信号受到干扰时，传递过程会伴随信息损耗或失真。（2）共享性—定义：信息可以被多人同时拥有和使用，信息在一次交换或传递中不会减少或损耗，具有非排他性的特征。—人工智能案例：一个预测气象的AI模型可以被万千农民分享使用，每一次调用都不会减少模型本身所含有的信息量。同一个AI训练数据集可以被多个研究团队同时使用，各自都能获得训练所需的信息全部内容。—关键辨析：与面包被吃掉就没有了的情形形成鲜明对比，信息在被分享时，分享者自己的信息不减少，这是信息不同于物质和能量的根本属性。（3）价值性—定义：信息具有满足人们某种需求的价值，不同信息对不同主体在不同条件下具有不同的价值量。—人工智能案例：AI训练数据集的标注精确度直接影响训练出的模型效果价值，高质量的标注信息能为AI模型带来高预测准确率，标注质量差则会得出垃圾模型。为什么企业愿意耗费巨资构建精密标注的数据集？原因就在于信息的价值直接决定了模型的经济效益与商业竞争力。—价值维度：信息不仅是商业价值，还包括文化教育价值、情感价值等多元维度。（4）时效性—定义：信息的效用和价值随时间推移而衰减，信息在特定的时间窗口内具有鲜活意义。—重要提醒：股市行情信息、天气预报信息、交通拥堵报告等，都具有极强的时效性。—人工智能案例：在线学习中，AI必须不断接受新数据进行增量学习，否则模型会因为知识过时而发生“灾难性遗忘”。自动驾驶AI必须实时处理交通参与者动态信息，一秒之前的行驶轨迹信息可能已经发生了剧烈变化。—讨论反思：时效性与信息的动态演进决定了AI持续学习机制的必要性。（5）载体依赖性—定义：信息不能独立存在，必须依附于某种载体——语言、文字、图像、声音、电磁波等。—人工智能典型问题：AI的多模态场景中，需要同时处理文字、图像、声音等多种载体的信息。载体不同但所承载的语义信息可能一致，这是AI认知研究中极具挑战性的课题。当AI试图理解一个漫画人物吹出的一个个细小的、有不同形状的文本时——这本身就是典型的载体依赖性特征体现，载体变了，信息接收和理解就变得更加复杂。—教学互动：让学生思考如果去掉“形状”这个视觉载体，文本信息能否完全无损传递？为什么社交表情符号丰富了载体形式却也能丰富信息传递的质量？（6）可加工性—定义：信息可以被压缩、变换、分类、排序、存储、检索、组合再造等。—人工智能技术支撑能力：这正是专门研究有关信息处理和可靠传输一般规律的信息论和技术应用最关键的价值所在。-数据挖掘和知识发现依赖于对无序信息的加工和模式抽取。AI模型本质上是一套从海量信息中自动抽象出规律和模式的加工系统。搜索算法是信息加工的一个具体体现——从纷繁复杂的信息海洋中快速找到目标信息。—案例展示：搜索引擎响应迅速智能，正是信息可加工性的真实体现。（7）真伪性—定义：信息有真实信息和虚假信息之分，真实信息准确反映客观事实状态，虚假信息则扭曲事实、误导认知。—人工智能典型反思：信息的真伪性对于AI训练至关重要，输入“偏见数据”会产生“偏见模型”。2026年国家网信办等五部门联合公布的《人工智能拟人化互动服务管理暂行办法》-21，实质上就是对信息真伪问题和交互安全问题的制度回应。—关键议题：生成式AI可以制造逼真度极高的虚假信息——深度伪造技术，让虚假信息变得难以识别。【跨学科链接】这引发重要的社会伦理和法律责任讨论。课标在中学生使用指南和规范中强调，学生应能辨别生成式AI生成内容的真伪，判断数据采集的合规性。-42组织学生完成信息特征分类整理表的信息汇总整合，系统巩固。

学生活动：在教师逐层讲解中同步填写信息特征分类整理表。

依照DIKW金字塔图示，对教师展示的三个AI案例进行信息特征判断小组合作分析。

修正自己的特征判断，记录差异和收获。

选择一个特征，说出它在自己日常AI使用中的一个具体体现。

设计意图：通过DIKW金字塔帮助学生在结构化的层级认识中把握信息特征。将信息特征与AI案例一一挂钩，让学生在抽象的概念与具体的应用之间建立紧密的映射关系，既是教学内容的深化，也是对计算思维的有效训练。环节四：深入辨析——信息与数据的关系及在AI中的体现（约8分钟）【易错点】【高频考点】本环节聚焦信息与数据这一组极易混淆的概念，进行集中系统的辨析与训练。教师活动：通过三组对比案例引发认知冲突：

—案例A：传感器测量的气温数值序列：23.5，23.6，23.4，23.8。这是数据。当学生注意到“23.6”“23.8”的时候，这些数值本身是数据，数据是被记录下来的客观事实和原始数值。

—案例A的情境应用：教师进一步给出分析，告诉学生通过对这些气温数据的分析和解读，发现上海市秋天的昼夜温差比往年偏高0.8度。此刻，师生得出的这则“发现”就是信息——经过加工后具有意义和价值的内容。

—案例B：一张车辆的遥感影像。这是数据。但当我把它放到路况监测系统里，结合时间戳、车牌识别信息、路段位置等数据给上下文，它变成了“某路段拥堵程度为中度拥堵，建议改道”的信息。

系统总结信息与数据的核心区别：

特征维度——数据——信息

基本定义：是客观事实的原始记录和表示——是在数据基础上经过加工和处理后具有意义的内容

呈现形式：数值、符号、图片、音频等——形式不固定、视使用场景而定

有无意义：未经过处理和解释时意义不明——经过解释后具有明确意义

与决策关系：不能直接用于决策——能够作为决策的依据

实质关系：数据是信息的原始素材——信息是数据加工处理后的产物

【基础】强调一个重要论断：数据和信息之间不存在截然分明、不可逾越的鸿沟。同一条数据，在不同情境、不同目的、不同观照者那里，可能属于数据，也可能属于信息——这取决于它是否被置于有意义的上下文中。

引入AI在数据和信息之间的转化作用原理：从数据的筛选、清洗到信息的抽取、重组，再到知识的建构和智慧的涌现，每一次转化都是智能行为的具体体现。

给出常见易错辨析题，帮助学生及时巩固检测。

（1）例：“大语言模型的语料库包含数十亿个文本片段。”这是数据还是信息？

解析：放在训练前未加标注和理解的情况下属于数据；但是如果模型在这些数据中根据概率预测找到了“北京是中国的首都”这个事实时，这些被提取出的知识就是信息。

（2）例：学生拍了一张同班同学在上课时的照片存储在手机相册里，这是数据还是信息？

解析：相册系统里这张照片只是原始数据。但如果AI人脸识别系统通过分析面部关键点，标记“这张照片可能是小明”时，这张照片的关联信息就实现了从数据到信息的转化。

学生活动：在小组中进行信息数据辨析讨论。

完成教师布置的辨析训练。

整理并记录信息与数据结构化对照表。

以小组为单位，思考并回答：“AI如何帮助我们在复杂的数据中发现有价值的信息？”并分享至少1个例子。

设计意图：通过对比分析和大量实例，帮助学生从感性认识上升到理性认知系统，构建清晰的概念认知框架，消除后续学习的认知障碍。最后留的开放性问题，为本模块后续章节埋下伏笔，激发进一步探索的科学好奇心。环节五：应用迁移——信息特征在AI伦理与治理中的现实映射（约7分钟）【重要】【拓展延伸】本环节是本课的高阶认知应用环节，旨在引导学生运用前面所学信息特征的理论框架，分析真实世界中的AI伦理与治理问题，实现知识的学以致用和迁移转化。活动设计：微型AI伦理辩论会教师活动：制定辩论议题：选择信息时代AI伦理治理的热点问题。“辩论A组：AI训练的数据可否无限制收集和使用？”“辩论B组：大模型生成内容的版权归属是否应归模型开发者？”

准备工作：提供辩论背景材料，将班级学生各小组按照抽签或指定分为正方和反方。各小组运用信息特征的理论框架进行论据准备。

辩论引导：小组派代表参加辩论A或辩论B的分组讨论展示。辩论过程中，教师提示学生有意识地引用本课学习的相关概念术语：

—正反方正方认为：开放性信息共享有助于AI进化和知识传播，以信息的共享性、传递性、可加工性为核心论据。人工智能生态体系需要开放共享的规则。

—正反方反方认为：信息一旦被用于训练数据，在未经许可时要尊重信息的主体性和隐私权，信息的价值性和可加工性需要有合理边界。数据信息权利归属的立法越来越关注未成年人的保护和数据安全合规。

展示国家层面的政策依据：阐述五部门联合公布的文件，明确指出提供拟人化互动服务的基本要求，规定提供拟人化互动服务提供者的未成年人、老年人权益保护和个人信息保护等义务。-21这些制度的实施，也是对信息价值性、真伪性、加工边界等特征的社会响应。

小组合作探究第二项活动：结合深度伪造视频引发的社会危害，分析信息的哪些特征在这里被利用进行造假。

辩论与研讨结束后，教师点拨总结，对接我国的AI教育和立法现状：

—2025年教育部基础教育教学指导委员会发布的《中小学人工智能通识教育指南》与《中小学生成式人工智能使用指南》标志着我国人工智能教育进入全域覆盖的新阶段。-39

—2026年国务院等五部门联合推行的新管理办法为AI在传播互动中的信息安全和内容合规提供了明确法律框架。

—当下“人工智能+教育”行动计划引导合理利用智能技术，提升学生智能素养，让学生认识到信息特征管理关乎国家安全。

学生活动：按小组参加AI伦理辩论会，在辩论中运用所学信息特征概念。

分析“深度伪造事例”中真伪性和可加工性特征，记录在任务单上。

听取教师的总结和深化。

形成个人关于AI信息伦理与治理的初步主张立场。

设计意图：将理论测试应用于真实社会热点问题的批判性分析中，锻炼学生的高阶思维和系统思辨能力。通过辩论活动增强学习的参与感和意义感，帮助学生从“识特征”向“评特征”递进——在伦理层面实现了信息社会责任素养的培养。环节六：课堂总结与知识架构（约3分钟）【易混点】本环节系统回顾知识体系。教师活动：以思维导图形式总结全课知识结构：

信息的本质：香农信息论“不确定性的消除”

信息特征体系：传递性、共享性、价值性、时效性、载体依赖性、可加工性、真伪性

数据与信息区别：原始与加工的关系

DIKW金字塔结构：数据—信息—知识—智慧

再次强调信息特征与人工智能训练的数据质量之间的内在逻辑。

小结本课重点，鼓励课后进一步深化探索。

播放AI领域重要的宏观政策文件精神，促使学生把个人学习和时代责任联系起来。

学生活动：回顾梳理课堂内容，用思维导图或网络图的形式画出本课的知识框架。

进行一分钟自我总结。

记录课后作业和学习提示。

提问和互动交流。

设计意图：知识架构的系统总结有助于学生将片段的、分散的认知内容整合为系统化的认知结构，提升后续应用场景的迁移能力。环节七：分层作业与评价反馈（约2分钟）A组基础类必做作业：在任务单上，个人独立写出信息特征七个要点中的至少五个，并各举一例日常生活AI应用场景说明该特征。

通过国家中小学智慧教育平台或小组互助方式，完成一组信息与数据辨别的选择题训练。

B组拓展类选做作业（二选一）：以“信息特征视角”撰写一篇短文，分析你日常使用的某个AI应用（如推荐系统、智能助手、图像识别APP等）需要依赖哪些信息特征，篇幅约300至500字。

【跨学科链接】从生物学或经济学的学科视角写一篇短文，说明信息在其领域中的核心特征，并与本节所学的信息特征框架进行比较，篇幅约400字左右。

【基础】C组研究性学习选做：开展一个微型研究项目——“学生AI使用的数据隐私调研”，设计问卷了解身边同学在使用AI工具时是否注意数据安全和个人信息保护，回收问卷后统计分析，撰写书面研究报告，在校内适当交流。在下一节课上课前展示优秀作业。十、教学评价设计（一）过程性评价【核心素养】本课注重评价的全过程覆盖，将教学评价有机嵌入到每一个教学环节当中，实现“教—学—评”的一体化闭环。知识点理解达标——以课堂互动参与情况和任务单填写准确率评价。

概念辨析能力——以信息数据辨析测试的正确率评价。

合作交流表现——小组合作探究环节观察评价。

AI迁移应用能力——以AI伦理辩论环节的表现和应用分析的质量评价。

（二）终结性评价本课分层作业完成质量评价。

针对信息特征内容设计短册课后测验，综合评定掌握等级。

课前预习任务单完成情况与课堂表现综合评分。

十一、板书设计（结构化图示）┌─────────────────────────────────────┐│从信息到智能——信息特征与人工智能的数据根基│├─────────────────────────────────────┤│一、信息的本质——“不确定性的消除”││┌─►香农信息论→比特量化││二、DIKW金字塔││数据→信息→知识→智慧││▲▲▲││加工系统化判断│├─────────────────────────────────────┤│三、信息的核心特征