高中信息科技《人工智能技术基础》教学设计

高中信息科技《人工智能技术基础》教学设计

一、指导思想与理论依据《普通高中信息科技课程标准日常修订版（2017年版2025年修订）》明确指出，课程定位应从“信息技术”向“信息科技”深刻转型，凸显学科的科学性特征，强化科学教育内容，旨在落实立德树人根本任务，服务科技强国、网络强国、数字中国建设的人才培养需要-5。本次修订将课程逻辑主线由原先的四个学科大概念拓展为“数据、算法、网络、信息处理、信息安全、人工智能”六条逻辑主线，通过“做中学、用中学、创中学”的实施路径，引导学生在真实情境中协同发展信息意识、计算思维、数字化学习与创新、信息社会责任四大核心素养-5-3。本教学设计立足2025版课标精神，深度贯彻“教学评一体化”理念，紧扣“算法——人工智能”这一逻辑主线，以大单元教学统摄思维，旨在引导学生从技术操作迈向科学原理的深层理解，将生成式人工智能等前沿技术合理融入教学内容，注重培养学生的人工智能意识、人工智能思维、人工智能应用与创新以及人工智能社会责任四大AI核心素养要素-。同时，本设计积极探索跨学科主题学习模式，强调AI技术与数学、信息科技以及生活实际的跨学科融合，通过“做中学”的项目式学习框架，培育具备扎实信息科技基础素养和创新能力的时代新人-1。二、教学内容分析本课选自普通高中信息科技选择性必修模块“人工智能初步”中的第二章节，课题为“人工智能技术基础”。在通过前一课“人工智能概述”的学习后，学生对AI的基本概念、发展脉络及社会影响已经有了初步感知，本课在此基础上聚焦“人工智能是如何实现的”这一核心问题，引领学生从宏观认知走向微观原理，深入开源人工智能技术的发展基石，构建完整的学科逻辑结构-。本课在课程体系的六条逻辑主线中处于核心枢纽地位。从“数据”主线来看，学生需要理解数据作为人工智能三大技术支柱之一的重要性，认识到数据采集、标注与质量对模型性能的决定性影响-3；从“算法”主线来看，学生要掌握机器学习的基本分类与核心流程，理解算法如何从数据中学习规律；从“人工智能”主线来看，本课直接对应选修模块的核心内容要求，涉及机器学习基础、神经网络基本原理和深度学习启蒙三大知识模块。在知识内容顺序上，应当遵循螺旋上升的科学认知规律：先从体验入手引出学习概念，再分层精讲机器学习核心原理，接着通过可视化任务感知神经网络结构，最后形成完整的技术逻辑闭环。本课推荐的教学总时长为一共两课时，共计90分钟。第一课时聚焦“机器学习及其基本流程”，第二课时聚焦“神经网络与深度学习的启蒙认知”。三、学情分析授课对象为普通高中二年级学生。该学段学生已具备初步的逻辑思维与抽象概括能力，对信息科技课程有较高的好奇心和探究欲。通过高一年级“数据与计算”“信息系统与社会”等必修模块的学习，学生已经掌握了Python程序设计的基本语法，理解分支、循环等基本控制结构，具备了进行简单编程实践和数据分析的基础能力-13。在技术应用层面，绝大多数学生已经在日常生活中频繁接触并使用了人脸识别、语音助手、个性化推荐等人工智能应用，对这类体验充满热情，但在认知层面仍然停留在“会用但不了解原理”的阶段。学生在本课学习中可能面临的认知困境主要体现在三个方面：其一，机器学习的概念较为抽象，学生对于“机器如何学习”缺乏直观认知抓手；其二，神经网络的结构和训练过程中涉及的数学概念较为复杂，可能在理解上存在认知负荷；其三，部分学生容易满足于技术体验的表层获得感，缺乏深入探究技术原理的内在驱动力-。因此，在设计教学时需要从具象到抽象、从体验到思辨的顺序推进，通过可视化工具和低门槛编程平台降低认知门槛，利用真实任务激发深度学习动机。四、教学目标基于核心素养导向的课程理念，本课设立了以下几个维度的教学目标。【重要】信息意识维度：学生能够认识到数据和算法在人工智能发展中的核心地位，能从日常生活中识别人工智能技术的应用场景，形成主动运用AI技术解决实际问题的意识。【核心素养·计算思维】维度：学生能够理解机器学习的基本思想与核心流程，能够运用计算思维的方法剖析人脸识别、图像分类等典型AI系统的工作原理，初步建立从问题识别、数据收集、模型训练到应用部署的完整问题解决思维链条。【核心素养·数字化学习与创新】维度：学生能够利用在线AI实验平台进行简单的机器学习模型训练与测试，体验从数据集构建到分类预测的完整流程，培养用技术手段分析数据、验证假设的能力。【基础】人工智能应用与创新维度：学生能够区分监督学习、无监督学习和强化学习的基本特点，理解神经网络的分层结构和工作机制，初步形成对深度学习技术本质的科学认知。【核心素养·信息社会责任】维度：学生能够认识到人工智能技术发展中的伦理挑战，思考数据偏误、算法歧视等现实议题，形成“科技向善”的价值观念，在技术学习中培养批判性思维和社会责任感-2。五、教学重难点教学重点聚焦以下几个方面：机器学习的基本概念与核心流程；监督学习、无监督学习和强化学习的区别与联系；数据和算法在人工智能系统中的基础作用；利用在线平台完成简单的机器学习模型训练体验。【难点】神经网络的基本结构与工作原理是本课的教学难点。神经元模型与生物神经网络的类比、前向传播与反向传播的基本思想、深度神经网络的分层特征提取逻辑，内容涉及较为复杂的数学和计算机科学知识，需要通过可视化工具、交互式模拟等方式突破认知壁垒。另一个难点在于帮助学生实现从“应用体验”到“原理理解”的认知跃迁。学生使用AI应用的门槛极低，但从“使用工具”到“理解工具”再到“设计工具”之间需要搭建起有效的学习支架，这在有限课时内实现是不小的挑战-13。六、教学策略与资源本课坚持“以学生为中心、以素养为导向”的教学理念，综合运用以下教学策略。情境驱动策略：从学生熟悉的人脸识别考勤、购物推荐、智能美颜等真实生活场景切入，设置驱动性问题，激发探究兴趣。如以“我的手机相册是如何自动按人物分类的”为核心问题，牵引机器学习核心概念的学习。项目式学习策略：设计“训练我自己的图像分类器”和“体验神经网络探秘之旅”两大微项目任务。引导学生在完成任务的完整过程中，通过“提炼问题核心要素—分解问题手动模拟—拓展迁移实践验证”的认知路径，构建对技术原理的深度理解-13。可视化与类比教学策略：针对神经网络这一复杂内容，运用“九小龙”智能体等可视化工具帮助学生直观认知网络结构，通过调整隐藏层数量、神经元数量等参数观察对准确率的影响，将抽象概念转化为可感知的视觉现象-12。教学资源准备涵盖多个层面：教学课件PPT及学习任务单为基本载体；编程实践环节需准备Python编程环境，推荐使用JupyterNotebook配合TensorFlowPlayground等在线平台；互动学件包括图像分类器训练体验网页和神经网络可视化模拟器；多媒体辅助资源包括“AI如何识图”科普短视频以及机器学习核心概念微课。七、教学过程设计（一）导入环节：从体验到追问——人工智能如何“看懂”世界教师首先通过智慧黑板播放一段汇集人脸识别解锁、在线商品推荐、语音助手应答等人工智能典型应用场景的短视频，引导学生快速回顾上一课“人工智能概述”的核心内容。随后，教师展示一组具有代表意义的AI图像识别案例，包括使用AI图像分类器准确识别猫与狗的对比图、移动端相册自动按面孔聚类形成的分类结果等，将学生的注意力从宏观应用引向微观原理。教师由此抛出本节课的核心驱动问题：“大家每天都在用这些人脸识别、图像分类、智能推荐的AI服务，有没有想过一项最重要的问题——机器究竟是如何学会这些本领的？它的‘大脑’里到底在发生什么？”-12这一问题指向机器学习的基础原理，具有极强的发散性和思辨价值。学生通过短暂的独立思考后，教师引导全班开展头脑风暴，鼓励学生大胆表达自己的猜测与理解。有的学生可能认为机器内部存储了大量图片在逐一比对，有的学生可能猜测AI有某种学习机制……教师对学生的各种观点不予评判对错，而是通过追问和回应，逐步揭示出“人工编写规则”的思路存在无法穷尽所有变化的严重局限，从而自然引出“机器学习”这一新概念，激发学生探求“让机器自己学会”这一新思路的强烈兴趣。（二）新授环节一：概念建立——机器学习的基本思想与流程教师首先明确给出机器学习的定义：机器学习是人工智能的核心研究领域之一，旨在通过算法使计算机能够从数据中自动学习规律和模式，从而对新数据做出预测或决策，而非依赖于人类程序员为每一种具体情况预先编写固定的指令。在建立这一定义的基础上，教师进一步采用“类比学习法”，将机器学习与学生的学习过程进行平行对照：完成教师的讲解要依靠理解知识，知识来源于课本和作业；完成机器学习任务要依靠训练数据，规律来源于数据中蕴含的模式；学生要通过做练习题来巩固知识、检验理解；机器要通过测试数据来评估模型、衡量性能。通过这样一组清晰的类比，机器学习的核心三要素——数据、模型与算法、评估与验证得以直观呈现，学生自然理解了机器学习本质上是“让机器从经验中学习”的技术。教师接着运用教学流程图展示机器学习的一般性操作流程：从数据采集与预处理起步，到特征工程提取关键特征转化为数值向量，再进入模型训练阶段通过迭代优化让模型拟合数据规律，最后实施模型评估与预测部署。教师明确指出，整个流程中最为基础和关键的环节是数据与特征——高质量、大规模、具有代表性的训练数据是保证模型性能的基石。【高频考点】教师进一步系统讲解机器学习的主要分类。监督学习是应用最为广泛的一类机器学习方法，是目前的【高频考点】之一。其核心特点在于训练数据集中每条样本都包含明确的“正确答案”即标签，算法在“有监督”的环境下学习输入到输出的映射关系。例如在猫狗图像分类任务中，训练时每张图片都已标注好是猫还是狗，模型通过学习这些标注数据掌握区分两类动物的判别边界。分类问题和回归问题是监督学习的两大子任务，前者输出离散类别如垃圾邮件检测，后者输出连续数值如房价预测。监督学习需要大量人工标注数据，标注成本较高-22。无监督学习的训练数据不包含任何标签，算法需要自行从数据的内在结构中挖掘模式和规律。聚类是其中的典型任务，如对新闻文章自动分组、根据购物行为对用户画像进行分群等。无监督学习在处理海量无标注数据的场景中具有不可替代的价值，但也存在可靠性较低、结果不可控等局限性。强化学习是在智能体与环境的交互中学习最优策略的范式。强化学习模型包含一组可以动态变化的状态变量、一组可以选择的动作、一组与智能体交互并决定状态变化的环境，以及一套回报规则-22。智能体通过在试错中不断获得奖励或惩罚信号来更新策略，目标是最大化累积回报。教师以此前课例中提及的基于强化学习机制的影片推荐系统为例，说明强化学习如何通过“动作—奖励”机制实现策略优化——推荐系统反复试验向用户推荐不同影片并观察用户是否点击观看，以此不断优化推荐策略-13。在此过程中，教师特别强调强化学习不同于监督学习和无监督学习的本质特征：前者需要为每个样本提供真实的预测值作为监督信号，而后者是在行动和交互中自主习得策略，无需预标注的样本数据-22。半监督学习是监督学习与无监督学习的融合形式，利用少量标注数据与大量未标注数据共同训练，在实际生产环境中因其既能控制标注成本又能获得较好效果而得到广泛应用-22。（三）新授环节二：原理剖析——神经网络的初步认识在学生对机器学习建立了基本认知框架后，教师引导学生进一步追问：“在这些机器学习方法中，到底是什么样的模型结构让机器实现了如此强大的学习和判别能力？”带着这一问题，教师呈现深度学习与神经网络的概念。教师从生物神经系统工作的原理切入进行导入与类比。人的大脑包含千亿级别的神经元，神经元通过突触相互连接形成极其复杂的网络结构，信息在这一网络中传递和处理，构成了人类感知和认知的生物学基础。人工神经网络正是受生物神经网络启发而产生的计算模型，由大量类似于神经元的人工节点按层次连接构成，通过模拟神经元的“激活”与“抑制”机制来处理信息。教师借助神经网络可视化互动工具对简化的三层神经网络结构进行交互式演示-12。输入层神经元对应样本的特征向量，隐藏层是实际进行特征提取和信息处理的核心计算层，每个神经元接收上一层传来的加权输入信号，经过激活函数的非线性变换后向下一层传递，输出层则负责产生最终的预测结果。教师特别提及卷积神经网络中的关键操作——卷积运算是一种在图像处理领域发挥重要作用的特征提取方法-22。通过设计一系列卷积核在图像上滑动运算，网络能够自动学习从边缘、角点等底层特征到五官、轮廓等中层特征，再到完整物体类别等高层次语义特征的层次化表达，这解释了为什么深度神经网络在计算机视觉领域取得了如此卓越的成就。神经网络通过一种称为反向传播的算法进行训练，逐层计算输出结果与真实标签之间的误差，再将误差信息从输出层反向传回网络各层，据此调整连接权值，经过成千上万次循环迭代，使模型预测精度不断提高-。【拓展延伸】深度学习是神经网络技术在层数维度和参数量维度上大幅扩展后的进化形态。相较于早期的浅层神经网络通常只包含少数几层隐藏层，现代深度神经网络可以达到数百层之多，海量规模的参数赋予了模型前所未有的容量，使得从海量数据中学习极度复杂的映射关系成为可能。大模型则是深度学习在大规模数据和大规模算力双重驱动下产生的最新成果，其参数量可达千亿甚至万亿级别，在自然语言处理等领域表现出惊人的智能涌现能力。考虑到学生的接受水平和课堂时效，这一内容作为思维拓展素材由教学设计予以前瞻性支持，为学生后续深入学习AI前沿技术留出充分的进阶空间-21。（四）探究实践环节：做中学——训练我的图像分类器本环节是课堂教学的核心实践部分，学生将基于上机环境完成“图像分类器训练”项目式学习任务。具体实施步骤如下。第一步：教师以“手写数字识别”为任务载体，展示MNIST数据集中0到9十个数字的大量手写样本图片，每个样本同时包含图片本身和对应的数字标签，这些已经由人工标注好的配对数据构成了典型的监督学习训练数据集。教师引导学生认识数据集的组织方式，观察不同数字笔迹之间的形态差异与类内多样性，体会数据质量与数据数量对模型最终性能的重要影响-12。第二步：学生分组进入Python编程环境，在教师的代码支架辅助下逐步完成图像分类器的构建。教师提供经过注释的半完成代码模板，学生需要补充核心环节如读取训练数据和测试数据、搭建简化的神经网络框架、设定训练轮次与学习率超参数、执行模型训练并观察损失函数值的变化趋势。第三步：训练完成后，学生使用测试集中从未参与训练的全新样本对模型进行预测准确率的测试，观察模型在未见数据上的泛化性能表现。通过调整神经网络隐藏层的个数、神经元的数量或修改学习率等超参数设置，学生可以直观对比不同网络架构对识别准确率产生的影响，从而深化对神经网络结构设计与模型性能之间关系的理解-12。【跨学科链接】教师在此环节中可以有意识地引导学生建立技术与数学之间的跨学科关联——特征向量与特征空间的概念本质上就是解析几何在高维空间中的延伸，卷积运算与图像特征提取背后包含大量的矩阵运算与统计学原理-22。借助数学概念来理解人工智能，不仅能够开阔学生的技术视野，更能激发他们在数学学科学习中的内在驱动力。（五）拓展提升环节：深度思辨——人工智能的局限与伦理教学绝不能止步于技术体验和原理认知，必须将学生的思维引向更深层次的伦理思辨和社会责任培养。教师精选训练过程中发生过的模型识别错误的真实案例予以呈现，例如将手写数字“8”错误识别为“3”并将数字“4”错误地归类到其他类别的典型误判。教师组织学生以小组为单位对出错案例展开分析和讨论，引导学生思考以下几个递进式的问题：这些错误是常见的还是偶然的？出错的主要原因是什么——数据质量问题、模型容量不足、还是算法本身存在不可逾越的局限？人工智能系统是否会犯人类不会犯的错误？这种错误是否意味着人工智能在某些方面永远无法超越人类智能？在此基础上，教师将讨论引向人工智能伦理层面——算法歧视和数据偏误的普遍存在。如果用于训练人脸识别模型的数据集中深色肤色人群的样本数量严重不足，那么该系统针对这一群体的识别准确率必然显著偏低，这就是数据偏见带来的社会公平性问题。算法决策的不透明性和“黑箱”属性同样引发广泛争议，当AI系统在医疗诊断、招聘筛选、银行贷款审批等影响个人重大利益的关键决策场景中发挥作用时，责任如何认定、权利如何保障？教师引导学生在讨论过程中形成对技术伦理和社会责任的自觉关注，培育“科技向善”的核心价值观-2-12。（六）课堂小结与作业布置教师以思维导图的形式，带领学生对本节课的核心知识结构进行系统梳理和归纳总结。知识梳理分为三个层级层级递进：底层是数据和算法——人工智能发展的三大支柱中的两大核心支柱；中间层是机器学习——作为人工智能的核心技术路径，涵盖监督学习、无监督学习、强化学习三大基本范式；高阶层次则是神经网络与深度学习——构成了当代最强人工智能系统的技术内核。通过这样的层级化总结，学生对人工智能技术基础整体逻辑框架形成完整的结构认知，完成从碎片化知识点学习到整体知识体系建构的飞跃。教师在作业环节设计了三项分层任务。基础层面任务为知识巩固类作业：学生完成机器学习类型判断的练习题，给定若干具体应用场景如垃圾邮件自动归类、新闻主题自动聚类、机器人学习走路等，要求判断其分别属于监督学习、无监督学习还是强化学习。拓展层面任务为探究性作业：学生课后自主搜索并查阅相关资料，了解人工智能在医疗、教育、交通等至少一个社会领域中的应用和引发的伦理争议，撰写三百字左右的短文，准备在下一次课堂上参与小型辩论会。挑战层面任务为编程实践类作业：鼓励学有余力的学生在教师提供的代码基础上，尝试增加网络层数、更换激活函数类型或引入正则化方法进行过拟合抑制，进一步优化模型在测试集上的预测准确率，探索不同的网络架构带来的性能差异。八、教学评价设计本课坚持“教学评一体化”的设计理念，将评价贯穿课堂教学始终，实现以评促学、以评促教的良性循环。过程性评价是评价体系的核心。课堂观察记录表关注学生在小组合作讨论、头脑风暴发言、上机实践操作等环节中的参与态度、思维表现和技术动手能力。课堂互动提问环节中，学生对于机器学习类型辨析、神经网络结构分析等高阶思维问题的回答质量直接反映其理解深度和思维品质。学习任务单作为个人学习过程档案的呈现形式，记录了学生在任务执行中输入的关键代码、调试笔记和观察记录，能够真实反映学生在项目式学习中的个体参与程度与学习获得感。表现性评价聚焦探究实践环节的项目完成质量。评价标准涵盖多个维度：代码是否能够正常运行并完成指定训练任务，模型预测准确率是否达到规定的基本阈值标准，小组合作中是否展现出良好的协作精神与解决问题的积极态度。同时关注学生对学习过程本身的记录和反思深入程度——在任务单中是否认真记录下训练过程中遇到的问题以及最终解决问题的思路和方法，是否对实验结果的改进方向提出了富有建设性的见解。终结性评价通过设计精简的后测问卷完成，问卷内容覆盖机器学习基本定义、三大分类的主要区别、神经网络的基本结构以及人工智能伦理思辨等核心知识点。测试结果不直接计入课程成绩，而是作为教师诊断教学效果、优化教学策略和调整教学内容的重要反馈依据。增值性评价是在能力起步和进阶两个不同认知水平上的综合评价。教师对比学生在课程开始时对“人工智能如何工作”这一问题的初始理解与课程结束后输出的学习成果中呈现出的认知深化，重点关注学生从感性体验向理性认知的发展，从模仿操作向创造性思维的方向晋级程度。这一过程不追求