高中信息科技《初识人工智能》教学设计（2026版课标·高一年级）

高中信息科技《初识人工智能》教学设计（2026版课标·高一年级）

一、指导思想与理论依据本教学设计以《普通高中信息科技课程标准日常修订版（2017年版2025年修订）》为根本依据，深入贯彻习近平新时代中国特色社会主义思想和党的二十大及二十届历次全会精神，全面落实立德树人根本任务。设计遵循“数据、算法、网络、信息处理、信息安全、人工智能”六条逻辑主线的贯通要求，突出高中信息科技课程的科学性特征，从“信息技术”向“信息科技”的课程定位转变，从工具操作导向迈向科学原理与核心素养并重的新格局。同时，本设计积极落实教育部等五部门2026年4月印发的《“人工智能+教育”行动计划》的要求，坚持育人为本、素养为先、应用导向、智能向善的基本原则，致力于加快普及高中生的人工智能通识教育，引导学生科学认识、合理利用智能技术，提升智能素养，激发好奇心，培养创新思维，提高认知思考和解决复杂问题的能力。在教学理念上，本设计充分体现从知识传授向素养培育的转型，坚持以学生为中心，注重做中学、用中学、创中学的教学路径。通过真实情境创设、项目式学习组织、跨学科融合拓展，引导学生在发现问题、分析问题、解决问题的过程中，逐步形成信息意识、计算思维、数字化学习与创新、信息社会责任四大核心素养。教学设计特别关注生成式人工智能等前沿技术的合理融入，既将其作为教学内容让学生理解其基本原理与应用方法，也将其作为教学工具支持教师的创新教学实践，体现“新工具、新方法、新思维、新生态”的四重定位。此外，本设计以《中小学人工智能通识教育指南》为参考，结合高中生的认知特征和社会发展需要，统筹安排教学内容与学时分配。设计强调课程的基础性、发展性和实践性，在保持内容科学严谨的同时，注重与义务教育阶段信息科技课程的有机衔接，形成螺旋式上升的知识体系与能力结构。通过精心设计的教学环节和丰富的学习活动，力求帮助学生在认知和情感两个层面实现全面发展，为培养胜任智能时代的高素质人才奠定坚实基础。二、教学内容分析本课是高中信息科技选择性必修模块“人工智能初步”的开篇引导课，在整个课程体系中处于起点和奠基的重要位置。课程内容的选取遵循从具象到抽象、从感知到理解、从应用到原理的认知规律，旨在帮助学生建立对人工智能全面、准确、科学的初步认识。（一）【基础】人工智能的基本概念与定义人工智能作为计算机科学的一个分支，致力于研究、开发用于模拟、延伸和扩展人类智能的理论、方法、技术及应用系统。教学内容需要从以下层面帮助学生建立清晰的概念框架：一是人工智能的研究目标，包括理解智能的本质、构建具有智能行为的系统两个方面；二是人工智能的核心研究领域，涵盖知识表示与推理、机器学习、自然语言处理、计算机视觉、语音识别、机器人学等主要分支；三是人工智能的发展阶段，包括弱人工智能、强人工智能和超人工智能三个层次的概念区分，帮助学生明确当前人工智能的发展水平与未来努力方向。（二）【基础】人工智能的发展历程系统地梳理人工智能从诞生至今的发展脉络，对于学生理解这一学科的演进规律具有重要价值。教学内容涵盖：人工智能的孕育期（20世纪40年代至50年代中期），以图灵测试、神经网络早期模型的提出为主要标志；人工智能的诞生与早期发展（20世纪50年代中期至60年代末），以1956年达特茅斯会议为里程碑事件，逻辑理论家程序、通用问题求解器等早期成果相继问世；人工智能的第一次寒冬（20世纪70年代至80年代初）；专家系统时代的兴起与第二次低谷（20世纪80年代至90年代初）；机器学习与深度学习的崛起（20世纪90年代至21世纪10年代）；以及生成式人工智能与大模型时代（21世纪20年代至今），以ChatGPT、文心一言、DeepSeek等为代表的大语言模型的革命性突破。通过时间轴和关键人物介绍，帮助学生理解人工智能发展的规律性特征和时代背景。（三）【核心素养·重要】人工智能的基本原理人工智能的核心理念可以概括为“数据驱动、算法实现、算力支撑”的三位一体协同体系。数据是人工智能的燃料，是一切智能行为的“经验来源”；算法是人工智能的大脑，决定着如何处理数据、学习模式并做出决策；算力是人工智能的引擎，为复杂计算和大规模数据处理提供基础保障。教学内容需要帮助学生建立数据、算法、算力三者协同工作的基本认识，理解机器学习“从数据中学习规律”的核心机制。具体而言，机器学习作为人工智能的核心方法，其基本流程包括：数据采集与预处理、特征工程、模型选择与训练、模型评估与优化、模型部署与应用。教学内容需要以通俗易懂的方式讲解有监督学习、无监督学习、半监督学习和强化学习四种主要范式之间的区别与适用场景，帮助学生建立起对机器学习基本框架的宏观认识。（四）【基础】人工智能的主要技术领域【重要】内容涵盖以下关键领域：计算机视觉，即机器如何“看懂”图像和视频中的内容，包括图像分类、目标检测、图像分割、人脸识别等子方向；自然语言处理，即机器如何理解、生成和处理人类语言，涉及文本分类、情感分析、机器翻译、摘要生成、对话系统等领域；语音技术，包括语音识别（将语音信号转换为文本）、语音合成（将文本转换为语音）、声纹识别和语音唤醒等；机器人学，涵盖工业机器人、服务机器人、特种机器人和具身智能等方向；专家系统，基于知识库和推理引擎的人工智能应用系统，用于特定领域的决策支持和问题求解。通过对各技术领域的介绍，让学生全面了解人工智能的“能力地图”，并感知其对日常生活和社会各领域的深刻影响。（五）【高频考点】人工智能的应用场景结合学生的日常生活经验和技术使用习惯，系统介绍人工智能在多个领域的典型应用。在教育领域，智能辅导系统能够根据学生的学习进度和掌握情况提供个性化学习方案，自适应学习平台能够识别学生的知识薄弱点并针对性推送学习内容，智能测评系统能够自动批改作业并提供即时反馈，大模型驱动的教学助手能辅助教师备课和学生答疑。在交通领域，自动驾驶技术已经进入多个城市的示范运营阶段，智慧交通管理平台利用AI优化信号灯配时和路网调度。在医疗领域，智能诊断系统能够辅助医生分析医学影像和病历数据，药物发现平台利用深度学习加速新药研发流程。在金融领域，智能风控系统通过大数据分析和机器学习模型识别异常交易行为，智能投顾平台为用户提供个性化理财建议，算法交易系统实现毫秒级的高频交易决策。在文化艺术领域，生成式人工智能能够辅助创意设计、内容创作和艺术表现。通过丰富的应用案例，让学生深刻体会到人工智能的时代价值和实践意义。（六）【难点】人工智能的伦理挑战与风险面对人工智能技术的迅速发展和广泛应用，让学生理性认识其带来的伦理和社会挑战至关重要。教学内容需要涵盖以下几个核心维度：一是算法偏见与公平性，人工智能模型可能从训练数据中学习并放大社会偏见，导致对特定群体的不公平对待；二是数据隐私与安全，人工智能系统对海量个人数据的依赖带来了隐私泄露和数据滥用的风险；三是深度伪造技术的滥用，利用生成式人工智能技术制作的虚假图像、视频和音频可能被用于传播虚假信息、侵犯他人权益或以假乱真进行欺诈；四是自动化带来的就业冲击，人工智能对劳动力市场的结构性影响可能造成特定职业和技能类型的就业压力；五是人机关系的重新界定，随着强人工智能的发展，人与机器之间的关系边界、责任归属和伦理约束需要重新思考。介绍我国在人工智能治理与伦理规范方面的政策法规和行业标准，培养学生的信息社会责任感和科技伦理意识。（七）【拓展延伸】人工智能的未来发展趋势介绍人工智能领域的前沿研究方向和发展趋势，帮助学生把握学科走向。关键技术趋势包括：人工智能正从工具时代迈向伙伴时代，从单一模态走向多模态融合发展；大语言模型的复杂推理能力持续增强，在数学推理、编程生成、多任务学习等挑战性任务中展现前所未有的高阶认知水平；具身智能实现虚拟智能与现实物理世界的深度耦合，机器人通过视觉—语言—动作（VLA）框架与世界进行自然交互；AI智能体的自主决策与协同能力不断提升，能分解复杂任务、调用多种工具并完成多步执行；边缘AI与终身学习使智能系统能够适应动态环境和持续进化。通过对未来趋势的前瞻性探讨，拓展学生的学术视野，激发他们对人工智能的兴趣和探索欲望。（八）【跨学科链接】人工智能的跨学科融合人工智能具有跨学科和多领域交叉的特点，与物理学、数学、生物学、心理学、语言学、经济学等众多学科存在密切联系。教学设计需要从以下角度引导学生认识人工智能的跨学科属性：数学是人工智能的理论基础，线性代数提供数据和模型的数学表示方法，概率论统计学支撑机器学习的不确定性推理；脑科学与认知心理学为类脑智能研究提供生物灵感；语言学为自然语言处理提供理论框架；物理学原理在具身智能和机器人控制中得到应用；生物学的进化论思想启发了遗传算法等优化方法。通过对跨学科联系的剖析，帮助学生在更广阔的视野中理解人工智能的学科定位与发展动力，培养综合运用多学科知识解决问题的能力。三、学情分析（一）认知发展特征高一年级学生的思维水平正处于从形式运算阶段向辩证思维阶段过渡的关键期，具备较强的抽象逻辑思维能力和系统化分析问题的潜力。他们能够理解概念的定义关系、因果链条和系统结构，能够进行假设演绎推理和多维度思考，能够对抽象的理论模型进行初步的认知加工。在教学中，应当充分激发学生的理性思维潜能，适当增加理论深度和思维层次，同时注意避免过度复杂的数学推导和算法细节，确保教学内容与学生的认知负荷相适应。然而，人工智能作为信息科技领域的前沿内容，涉及大量新概念、新术语和新思维方式，对学生来说存在相当的认知挑战。学生可能首次接触机器学习、神经网络、自然语言处理等抽象概念，需要教师通过生活化的类比、可视化工具和动手实践等方式，帮助学生建立直观理解，降低概念陌生感和心理距离感。（二）知识基础与储备经过义务教育阶段信息科技课程的学习，学生已经具备以下知识基础：对计算机系统的基本组成和工作原理有初步了解；具备一定的编程基础，至少接触过一种编程语言的基本语法和程序结构；数据与信息的概念基本清晰，了解数据采集和简单分析的基本方法；具备初步的算法思维，能理解流程图和伪代码的基本表示方法；有使用各类应用软件和网络服务的实际体验。这些知识基础为人工智能课程的学习奠定了良好条件。需要指出的是，由于各初中学校的教学条件和师资水平存在差异，学生的信息科技基础和人工智能知识储备可能存在明显的不均衡。部分学生可能在初中阶段已经接触过人工智能启蒙教育，如机器学习体验活动、AI应用案例分析等；也可能有学生几乎没有接触过人工智能相关课程内容。针对这种分化情况，教学设计需要在内容组织中兼顾起点差异，适当设置分层任务和弹性练习，确保不同基础的学生都能在原有水平上获得有效的提升。（三）学习兴趣与动机高中生正处于对新事物充满好奇心、对社会发展趋势高度关注的阶段，人工智能作为当下最引人瞩目的前沿科技，天然具有强大的吸引力和感召力。在日常学习生活中，学生已经频繁接触到人工智能技术——从智能手机的面部解锁和语音助手，到短视频平台的个性化推荐算法，再到各学科教学中可能涉及的大模型应用。这些生活化的经验为学生提供了丰富的感知素材，也激发了他们对人工智能“背后的原理是什么”“这项技术是如何实现”等问题的探究兴趣。教学中应当充分利用这种内在驱动力，将学生的学习动机从对外在现象的猎奇引向对科学原理的探索和思维方法的修炼。通过项目式学习、动手实践、疑问驱动等教学策略，保持和增强学生的学习热情，将短暂的好奇心转化为持续的求知欲和探究力。（四）信息技术应用能力作为数字时代成长起来的“原住民”，高中生普遍具备较强的信息技术应用能力：熟练使用互联网搜索信息，能够快速上手各类应用程序和在线平台，具备基本的文档编辑、数据处理和多媒体信息加工能力。部分学生可能已经尝试过使用大语言模型辅助学习、进行代码调试和内容生成。这种技术熟练度为人工智能课程的实践教学环节提供了便利条件。但同时，部分学生可能也将人工智能工具视为“捷径”或“外挂”，在缺乏规范引导的情况下形成依赖性使用行为。教学中需要通过明确的任务要求、严格的学术规范和价值观引领，帮助学生建立“在理解中使用、在使用中思考”的正确态度，使人工智能真正成为辅助学习、拓展思维的有力工具，而非替代思考和能力的“拐杖”。四、教学目标本课的教学目标依据《普通高中信息科技课程标准日常修订版（2017年版2025年修订）》中关于“人工智能初步”模块的目标要求，结合学生的认知基础和学情特征，按照核心素养的四个维度进行系统设计。（一）【核心素养】信息意识通过本课的学习，学生能够：形成对人工智能技术的敏锐感知能力，认识到人工智能作为信息社会发展的重要驱动力，已经对学习、生活、工作方式产生了深刻影响；能够在日常生活和学习中主动识别人工智能技术的应用场景，判断其作用和价值；建立对人工智能发展动态的关注习惯，初步形成利用人工智能资源解决实际问题、支持自主学习的意识；理解数据在人工智能系统中的核心地位，初步形成数据驱动思考的问题解决意识。学生应当能够自觉关注人工智能领域的新技术、新应用和新发展，以开放的态度面对技术迭代的加速趋势。同时，学生应当具备初步的风险识别意识，能够意识到人工智能“双刃剑”的特性，既积极看待其赋能作用，也不回避其带来的挑战与风险。（二）【核心素养】计算思维通过学习人工智能的基本概念、原理和方法，学生能够：了解用计算思维解决问题的基本范式，初步掌握将现实问题抽象为机器学习可以处理的计算模型的基本思路；理解数据、算法、算力协同工作的逻辑关系，认识到数据是智能的原料、算法是智能的引擎、算力是智能的支撑；能够用系统化的思维方式分析人工智能系统的输入、处理过程和输出之间的逻辑关联；初步形成“感知—认知—决策—执行”的智能系统设计框架意识。学生应当能够在具体问题情境中尝试运用机器学习的基本流程——“数据采集与标注—模型训练与评估—模型测试与部署”进行问题分析和解决思路的设计，体验科技创新的一般路径和方法。（三）【核心素养】数字化学习与创新通过本课的学习，学生能够：合理利用人工智能教学平台和在线学习资源开展自主学习，体验人工智能支持个性化学习的过程；初步掌握至少一种人工智能体验平台或在线实验环境的操作方法，能够完成数据标注、模型训练、模型测试等基础实践任务；在实际操作中体验从数据到模型的完整过程，感受技术的互动性和创造性；尝试提出利用人工智能技术解决实际问题的创新方案设想，培养创新意识和创造性思维。学生应当具备在数字化学习环境中主动探究、合作交流、动手实践的学习习惯。学生应当能够将人工智能知识与其他学科知识进行迁移和整合，尝试设计跨学科的人工智能应用构想。（四）【核心素养】信息社会责任通过学习人工智能技术的伦理挑战和社会影响，学生能够：客观、理性地认识人工智能技术的两面性，既看到其为人类发展带来的巨大赋能和机遇，也清醒认识其可能引发的伦理风险和社会问题；树立科技向善的价值观，形成在使用人工智能技术时遵循法律法规、尊重隐私和知识产权、维护公平正义的基本行为准则；培养批判性思维，能够对人工智能系统的决策结果保持审慎态度，能够分析算法的潜在偏见和不公正性；增强国家数据安全和网络信息安全意识，理解自主可控技术在维护国家安全中的战略意义，初步形成对人工智能发展中国道路和中国方案的文化认同与制度自信。通过本课的学习，学生应当能够将个体行为置于更大的社会和伦理框架中加以审视，做负责任的人工智能技术使用者和未来社会的合格建设者。五、教学重难点（一）【重要】教学重点一是人工智能的基本概念、发展历程和核心基础要素，这是学习人工智能课程的基石，决定了学生对后续内容的理解深度。教学内容要帮助学生建立科学、准确的人工智能定义，厘清弱人工智能、强人工智能和超人工智能的概念层次，理解数据、算法、算力这三大核心要素在人工智能系统中的功能定位和作用机制。二是机器学习的基本范式与流程，作为人工智能最核心的技术方法，要求学生了解有监督学习、无监督学习、强化学习的基本思想，明确数据采集、预处理、特征工程、模型训练、模型评估和模型部署的完整链条，初步理解模型训练的过程性特征，包括训练集和测试集的划分、损失函数的优化机制、准确率与泛化能力的评估指标等。三是人工智能的应用场景及其社会影响，通过丰富的案例培养学生对人工智能时代价值的感知能力和对潜在伦理风险的认识能力。（二）【难点】教学难点一是机器学习的原理性理解。机器学习的概念对高中生来说相当抽象，特别是训练数据、特征、标签、模型参数、损失函数等术语之间的关系以及模型从数据中学习规律的数学机制，需要教师通过生活实例、可视化呈现和动手操作等多种方式帮助学生跨越认知鸿沟。如何将复杂的机器学习过程以学生能够理解的方式呈现出来，是本课教学中需要重点解决的问题。二是算法偏见和伦理风险的深度思辨。学生容易形成技术决定论或与之相反的技术恐惧论这两种极端认识，如何引导学生在辩证思考中建立既积极拥抱人工智能技术、又理性审慎对待其伦理风险的科学态度，对教学来说是一项富有挑战性的任务。三是本节课知识容量大、概念密度高，如何在有限课时内高效组织信息、合理安排教学节奏、突出重点突破难点，需要教师在教学设计中精心梳理逻辑脉络，做到条分缕晰、深入浅出、详略得当。六、教学策略与资源（一）【思维方法】教学策略本课采用任务驱动式教学与项目式学习相结合的综合教学策略。以“训练一个图像识别模型”作为贯穿课堂的主线项目，将人工智能的核心概念、基本原理和方法通过项目任务有机串联，使学生在完成真实任务的过程中完成知识建构和能力养成。在具体教学环节中综合运用以下教学策略：启发式教学，通过设问引发学生思考和探究欲；案例教学，选取贴近学生生活的典型AI应用案例进行分析讨论；发现式学习，引导学生在数据标注和模型训练的实践中自主发现规律；合作学习，通过小组协作完成项目任务，培养团队合作和协同创新能力；翻转课堂，利用课前预习任务为课堂探究活动留出充足时间和空间。注重学习支架的搭建，在抽象概念处辅以可视化类比帮助学生建立直观理解，实现从感性认知到理性建构的过渡。（二）教学手段多媒体课件和板书相结合的方式进行理论内容的系统呈现，确保概念清晰、逻辑连贯。人工智能教学实验平台（如机器学习体验平台、可视化训练工具、交互式数据标注程序）作为核心技术载体，支持学生亲身参与人工智能模型的训练过程。动画和微视频资源被有效整合到教学过程的关键节点，帮助学生理解数据和模型内部的运行机制。在线问卷和投票工具用于即时收集学生的学习反馈和观点分布。大数据模型工具作为辅助教学资源，支持学生资料检索和信息筛选训练，同时也为信息技术与学科教学深度融合提供了条件。投影设备、电子白板等确保各类教学资源的流畅展示。（三）教学资源一是人工智能教学体验平台，提供无需编程的可视化机器学习训练环境，学生通过简单的鼠标点选即可完成数据采集、模型训练和模型测试的全过程。二是人工智能公益在线课程和高阶教学视频资源，供学生课后自习和拓展学习使用。三是真实应用案例的可视化演示材料，涵盖计算机视觉、自然语言处理、语音识别等多个领域。四是配套学案和任务单等相关材料，指导学生开展自主学习和合作探究。五是课前预习资源包，包括微课视频要求学生在课前自主观看，为课堂学习做好知识和心理的准备。在跨学科融合方面，数学学科提供了机器学习过程中数据矩阵运算和概率推理的数学模型素材，物理学科中的光学成像知识可以联系计算机视觉成像原理，生物学中的神经网络结构与机器学习中的神经元网络模型形成跨学科呼应，这些跨学科资源应当在适当的教学节点引入，加深学生对人工智能跨学科属性的理解。七、教学过程设计（一）导入设计教学导入通过一个具有冲击力的AI互动体验实现：教师使用实时人脸识别系统邀请一位学生走到讲台前，摄像头自动识别该学生的面部特征，即时捕捉展示识别结果；紧接着展示一段用深度伪造技术生成的钟南山院士推荐某产品的虚假视频片段（提前说明这是AI生成的例子，以引起对伦理问题的警觉）。通过这种双重体验，迅速抓住学生注意力，直接引发认知冲突和探究兴趣。教师提问：“摄像头是如何知道你们是谁的？这个视频中的人物真的是他本人在说话吗？AI是如何实现这样的能力的？”引出本节课要解决的三个核心问题：人工智能是什么——人工智能怎么工作——人工智能将把我们带向何方。（二）新授环节一：【基础】人工智能的概念与历程通过师生问答的方式，让学生尝试用自己的语言描述对人工智能的理解，教师在此基础上引入科学定义和核心概念，说明弱人工智能、强人工智能和超人工智能的层次划分，特别强调当前人工智能发展仍处于弱人工智能阶段，距离通用人工智能尚有距离。接着以时间轴的方式展示人工智能的发展历程，重点讲解1956年达特茅斯会议作为人工智能作为独立学科诞生标志的里程碑意义。介绍图灵测试作为衡量机器智能经典标准的原理和方法。在讲述过程中穿插人工智能发展史上的两次低谷时期和三次高潮阶段，引导学生思考技术发展的“波浪式前进螺旋式上升”的规律。以深蓝战胜卡斯帕罗夫、AlphaGo战胜李世石、深度学习革命以及ChatGPT为代表的大语言模型飞跃等关键里程碑串联人工智能的演进历程。创设教学情境：“假如你是一位人工智能的历史研究者，你要给后面的人讲述人工智能的发展故事，你认为哪三个事件是最重要的里程碑？为什么？”引导学生分组讨论并从历史脉络中甄选关键节点，加深对人工智能发展规律的理解。（三）新授环节二：【重难点】人工智能的核心基础——数据、算法、算力将数据比作人工智能的“食谱”——没有食谱就没法做出佳肴，提出数据是驱动人工智能的最基础资源。数据采集的方法主要包括传感器读取和人工标注两种方式，数据质量直接影响模型性能。算法相当于人工智能的“烹饪方法”——不同的方法影响生成什么样的结果。算力好比人工智能的“燃气灶”——烹饪过程需要有足够的热量来源。展开人工神经元与数学计算模型之间的类比分析：生物神经元接收多个突触的电信号输入，通过一定的阈值判定是否产生输出信号；人工神经元接收多个输入，乘上权重后进行求和并通过激活函数得到输出。通过图像直观呈现从单神经元到多层神经网络的抽象过程，明确深度学习的概念——含有多个隐藏层的深度神经网络。引导学生分析判断不同的任务（如分辨图片是猫还是狗、对新闻文章进行自动分类、利用历史数据预测明天的天气、设计能学会玩围棋游戏的程序等）分别适用于哪种机器学习方法，并给出简要的论证理由。（四）新授环节三：【高频考点】机器学习的流程——项目主线推进这是本节课的核心实践环节，围绕“垃圾分类图像识别项目”展开。任务情境的创设基于北京市于2020年已经实施的生活垃圾分类管理条例，全市垃圾分类设施全面覆盖，但日常生活中仍然存在投放不准确、分错类别等现象。以“训练一款能够智能识别垃圾类别的人工智能模型”作为驱动性问题，将学生的角色设定为AI开发团队，以小组为单位完成以下四个分步骤任务：步骤一“数据采集与标注”：四个小组分别负责“厨余垃圾”“可回收物”“有害垃圾”“其他垃圾”四类数据的采集任务。每人拍摄或采集6—8张该类垃圾的图像，例如剩菜剩饭和果皮菜叶被标注为“厨余垃圾标签”，塑料瓶纸箱和废旧报纸被标注为“可回收物标签”，废电池废灯管被标注为“有害垃圾标签”。将图片上传到标注平台完成标签设置。步骤二“数据组织”：将标注好的数据划分成训练集（约占70%到80%）用于训练模型“学习垃圾分类知识”，验证集（约占10%到15%）用于模型训练过程中的调试优化，测试集（约占10%到15%）在训练完成后进行最终检验。步骤三“模型训练”：在训练平台的操作界面上选择适合的图像分类算法，调整“学习率”和“训练步数”等部分超参数，点击按钮开始模型训练。学生通过可视化界面实时观察随着训练步数的增加，训练准确率和验证准确率两个曲线的演化过程，感受模型从“什么都不知道”到“越来越会分类”的学习过程。平台允许学生多次训练和反复迭代，进一步理解机器学习系统是如何通过不断训练提高性能的。步骤四“模型测试”：学生将新的垃圾图像输入到已经训练完成的人工智能模型中进行实时预测，观察模型输出分类结果。对比模型对训练集中见过的数据和对测试集中未见过的数据的表现差异，初步理解过拟合和模型泛化能力的概念。每个小组轮流测试彼此的模型，比较不同参数设置对模型效果的影响，总结分享经验。教师引导学生共同总结机器学习的基本流程，将实践体验提炼为“采集数据—标注数据—训练模型—评估模型—优化迭代—应用部署”的可迁移方法论。（五）新授环节四：【易混点】人工智能的伦理与法律挑战通过“头脑风暴”方式收集学生对人工智能技术的担忧和思考，然后系统梳理伦理问题的几个核心维度。算法偏见方面以“某招聘平台的简历筛选AI被发现有性别偏见”为例讲解算法公平性议题；数据安全方面以“AI换脸视频引发的隐私泄露和虚假信息传播”为例开展讨论；就业冲击方面以“人工智能未来究竟会取代人类的哪些工作岗位”为题组织小组辩论。组织小组辩论赛，辩题设计为“人工智能的发展利大于弊还是弊大于利”。将班级分为正方和反方两个阵营，各自收集论据，辩论过程中每个学生必须至少发言一次。通过辩论的形式，不同立场的学生在思想交锋中激荡出理性思维的火花，深化对人工智能社会影响的辩证认识，培养学生的批判性思维和信息社会责任意识。在此基础上，系统介绍我国在人工智能治理和伦理规范方面的主要法规政策文件，结合教育部等五部门印发的《“人工智能+教育”行动计划》中对人工智能教育素养培育和伦理引导两个维度的明确阐述，引导学生树立科技向善的价值追求和依法依规使用人工智能的行为自觉。（六）新授环节五：【拓展延伸·跨学科链接】人工智能的未来与跨学科融合介绍2025年至2026年全球人工智能领域的重要技术突破。“多模态大模型正在深刻改变人机交互方式，大语言模型从单纯的文本交互逐步扩展为能同时理解图像、声音、视频等多通道信息的综合智能体”-。同时讲解AI智能体的概念——能够进行自主规划、任务分解、多工具调用和多步执行的智能系统，展示其在自动驾驶、智慧城市和医疗诊断等行业的实践案例。从物理、化学、生物、数学等不同学科视角凸显人工智能跨学科交叉的独特魅力：物理学中的光学成像原理与计算机视觉成像技术的碰撞为深度学习提供了物理模型参考；生物学为神经网络的体系结构和学习算法提供了直接借鉴；心理语言学为人工智能自然语言系统的语义分析能力提供了理论支撑。通过展示学生可以积极尝试的跨学科创新项目——“AI+哲学中的伦理困境思考”“AI+生物中的基因序列分析”等开放性问题，鼓励学生将人工智能学习与个人学科兴趣和专业志向结合起来。（七）巩固练习与总结设置基础知识快速问答环节，检测概念把握程度。针对辨析题“以下说法哪些是正确的哪些是错误的，请给出理由”，用于检验对核心概念的理解深度。各小组展示本堂项目式学习中训练出的图像识别模型的效果，分享训练过程中的发现、挑战和反思。教师对各组的成果进行正向鼓励和建设性点评，推动班级学习共同体的整体提升。教师与学生共同进行知识梳理：人工智能的准确定义、发展演化历程、核心的机器学习方法、数据－算法－算力三者协同的逻辑关系、人工智能的伦理风险以及中国在人工智能治理与教育普及方面的探索。教师对学生的课堂表现、团队协作和创新能力进行综合反馈，强调后续课程计划中将继续沿着单点感知和全面认知的路线图逐步前行。（八）作业布置作业根据不同层次学生的水平和兴趣设置梯度化设计：第一层为必做任务，要求学生完成一份人工智能学习日志，内容包含本节课学到的不少于五个核心关键词的解释、对人工智能的理解的变化过程以及希望未来人工智能课程中深入学习的领域方向。该作业侧重知识回顾与学习反思，适合全体学生。第二层为选做任务，要求学生自主查阅关于人工智能领域发展的资料和数据，分析未来五年人工智能可能对各行各业的职业替代效应和价值重塑效应，撰写一份1000字左右的书面分析报告。该作业侧重深度学习能力和综合分析与评价能力的培养，适合学有余力和兴趣浓厚的学生。第三层为挑战任务，要求学生围绕“人工智能让生活更美好”这一主题，结合本节课所学的数据采集与模型训练总体流程方法，利用学校提供的实验平台尝试构建一个全新的实体项目（例如手势识别控制系统、校园植物的分类识别工具等）。该作业侧重创新意识的激发和高阶思维水平的培养。八、教学评价设计（一）过程性评价数据标注的质量由教师进行评价，主要考察每个小组数据的数量规模达标程度、标签标注的准确性和规范性。模型训练的过程根据小组是否正确完成训练步骤、能否合理调整超参数等指标进行评价。小组合作中学生参与课堂互动的积极性、发言的质量和频率，以及在小组合作项目中的实际贡献和责任承担情况，由教师和小组成员共同评价打分。学生的数字化实践能力水平体现为对平台工具的熟练应用程度，以及在模型训练各项任务执行中的能力表现。每个关键环节教师都应给予即时、明确、有建设性的反馈，展示优秀小组的成果作为示范引导，及时指正个别小组在实践中暴露的错误操作，培养学生严谨求实的科学态度和精益求精的价值追求。（二）终结性评价终结性评价通过两项综合任务完成：一是项目成果展示评价，各小组需要在课堂最后阶段进行人工智能垃圾分类模型的展示和能力演示，从模型的识别准确率、小组对模型不足之处的反思诊断的深度以及展示过程中的思辨深度三个维度进行终结性考核。二是学习日志的质量评价，检查学生对人工智能概念的整体驾驭能力，学习收获感悟的反思深度和课程需求的教学效果。（三）素养评价素养评价独立于知识和技能评价之外单独设置指标：信息意识以学生能否主动识别生活场景中隐藏的人工智能技术为参照标准；计算思维以学生能否清晰勾勒一个AI问题的完整解决思路并从数据和算法维度进行结构化分析加以衡量；数字化学习与创新以学生在模型训练实践项目中提出个性化创新设计构思的程度为评判准绳；信息社会责任通过对学生在伦理问题的讨论中展现的立场、分析能力和组织论辩的水平进行定性和定