高中信息科技（高二年级）选择性必修《拥抱AI·智造未来》项目实现教学设计

高中信息科技（高二年级）选择性必修《拥抱AI·智造未来》项目实现教学设计

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）》为根本遵循，以《中小学人工智能通识教育指南（2025年版）》为行动框架，全面贯彻教育部等五部门印发的《“人工智能+教育”行动计划》的核心理念。课程标准修订将课程名称从“信息技术”调整为“信息科技”，凸显了课程的科学性特征，并强调“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设计。在核心素养层面，课程标准强调“树立科学精神和创新意识，自觉地将新技术与新方法融入到学习和生活中”“理解原始创新对国家可持续发展的重要性”“理解自主可控技术对国家安全发展的重要作用，自觉维护国家数据安全”等学习要求，对接科教兴国、人才强国、创新驱动的国家战略需求。在课程理念上，坚持立德树人根本任务，聚焦信息社会的育人要求，帮助全体学生提升数字素养与技能、做好迎接人工智能挑战的准备。强调课程的基础性、发展性和实践性，注重信息科技与其他学科的有机结合，强调做中学、用中学和创中学。同时，本设计落实《中小学人工智能通识教育指南》对高中阶段的定位要求——聚焦系统思维与创新应用能力培育，通过分层递进的课程设计和跨学科融合教学，鼓励学生整合物理、数学、生物等多学科知识，开展人工智能技术创新实践项目，深化学生人工智能技术的系统性认知，强化创新思维与实践能力。在教学方法层面，遵循建构主义学习理论和深度学习理论，倡导基于大单元、大概念的项目式学习，倡导跨学科融合教学，构建教学评一致性的评价体系。本设计将深度学习的理念贯穿始终，注重创设真实情境，让学生在质疑猜想中唤醒问题意识，完成“发现问题—提出问题—解决问题”的认知跃迁。同时，充分回应《“人工智能+教育”行动计划》中提出的“坚持育人为本、素养为先、应用导向、智能向善”的总体要求，将人工智能素养培养融入项目实践的每一个环节。二、教学内容分析本课是高中信息科技选择性必修课程《人工智能初步》大单元的第六课时，属于单元项目实现阶段的核心课例。本单元围绕“人工智能应用系统开发”这一大概念展开，按照“需求分析—算法设计—数据准备—模型训练—系统实现—测试评估—展示交流”的项目开发完整流程组织教学内容。在六条逻辑主线的框架下，本课以“人工智能”为主线索，同时打通与“数据”“算法”主线的横向关联。具体而言，本课涉及以下知识维度：从数据主线来看，要求学生掌握数据采集与处理的基本方法；从算法主线来看，要求学生理解监督学习等机器学习算法的基本原理与流程；从人工智能主线来看，要求学生完成智能系统的集成与部署，体验从算法原理到应用系统的全过程。这种横向关联的设计，要求教师引导学生建立知识结构，让学生在理解数据原理的基础上，进一步把握数据与算法、人工智能之间的内在关系。教学内容的选择体现了从知识传授向能力培养、从技术操作向系统思维的转变。根据华东师范大学出版社2026年版《人工智能初步》教材的编排思路，本课在编排上强调“关注技术前沿、强化实践体验”，并以“项目实现”作为学生将前期所学理论知识转化为实际应用能力的关键环节。教学内容涵盖智能系统的功能实现、人机交互设计、模型部署与集成、系统测试与优化等核心任务，注重引导学生经历完整的人工智能项目开发流程，培养学生的系统思维、计算思维和工程素养。在教学重难点的把握上，重点在于引导学生完成从模型训练到系统实现的技术衔接，通过任务驱动的学习方式，帮助学生打通算法理论与应用实践之间的“最后一公里”。难点在于如何帮助学生建立数据采集、模型训练与系统功能实现之间的整体认知，避免将各部分内容孤立化处理。此外，人工智能伦理意识的渗透也贯穿教学全程，引导学生认识智能技术的应用边界与社会责任。【重要】本课的教学内容需体现跨学科融合的特征。根据课程标准要求，跨学科融合教学意味着鼓励学生整合物理、数学、生物等多学科知识开展人工智能技术创新实践项目。在本课中，项目主题——智能灌溉系统——本身就是农业科学与信息科技的交叉领域，涉及生物学（植物生长规律）、环境科学（土壤湿度与光照条件）、数学（传感器数据的量化分析）等多学科知识，体现了真实情境下问题解决所需的复合型知识结构。三、学情分析本课的教学对象为高二年级学生，他们已经完成了信息科技必修课程的学习，初步具备了以下知识基础和能力结构。在知识储备方面，学生已学习Python程序设计基础，掌握变量、数据类型、分支结构、循环结构、函数调用等基本语法，了解基本的算法思想。学生已在选择性必修课程的前几课中学习了人工智能的基本概念、发展历程、主要技术流派以及监督学习的基本原理与流程，熟悉了机器学习的一般步骤，包括数据获取、特征工程、模型训练与评估等环节。在认知特点方面，高二学生具有较强的逻辑思维能力和抽象思维能力，能够理解和分析较为复杂的概念和原理。同时，这个阶段的学生对人工智能等前沿技术充满好奇心和探究欲，乐于接受挑战性的学习任务。他们对智能手机、智能音箱等智能设备有丰富的生活体验，对“人工智能如何工作”这一问题有强烈的求知欲望。在已有的能力基础方面，学生通过前期的大单元学习，已经具备了分工协作、小组探究的经验。在“需求分析”和“算法设计”两个阶段的学习中，学生已经完成了项目主题的调研分析、应用场景的规划设计以及机器学习算法的方案论证。前几课中，学生已经借助开源AI平台完成了手势识别数据集的采集、标注以及手势分类模型的训练与评估，初步体验了从数据到模型的完整流程。然而，学生在面对从“模型”到“应用系统”的转化时存在认知上的断层。他们容易将模型训练视为学习的终点，而忽视了将模型部署到实际系统中解决真实问题的关键环节。如何设计人机交互界面？如何调用训练好的模型？如何将算法输出与应用功能对接？这些问题需要教师搭建适切的脚手架，帮助学生完成从算法思维到工程思维的转变。此外，学生在团队协作、时间管理、工程文档撰写等方面的能力也有待进一步提升。在小组项目开发过程中，学生可能面临分工不均、进度协调困难、代码版本管理混乱等实际问题，这需要教师在教学过程中给予适时指导，将项目管理能力作为素养培养的重要维度加以关注。【基础】值得注意的是，本课实施过程中涉及不同信息技术基础的学生，需关注差异化的学习需求。部分学生对Python编程掌握较为熟练，能够较快完成编程任务；而另一部分学生可能在编程实践中存在一定困难，需要在小组分工中合理安排角色，让每位学生都能在项目实践中找到自己的位置并有所收获。四、教学目标根据课程标准的核心素养要求，结合本课教学内容与学生特点，设定以下四个维度的教学目标。【核心素养之信息意识】学生能够认识人工智能技术对社会生产生活的深刻影响，理解人工智能在智能农业等领域的应用价值，形成主动运用人工智能解决实际问题的意识与意愿。学生能够在项目实践中关注人工智能技术的伦理边界，形成审慎使用智能技术的责任意识。【核心素养之计算思维】学生能够运用抽象与建模的方法，将智能灌溉系统的功能需求转化为可计算的问题模型，理解从数据采集到模型部署再到系统集成的完整技术链路，掌握程序分支结构、函数调用等在智能系统实现中的综合运用。【核心素养之数字化学习与创新】学生能够借助开源AI开发平台完成模型的部署与调用，合理使用AI辅助编程工具提升开发效率，能设计并实现具有交互界面的智能应用系统，在团队协作中完成创新项目的开发与迭代。【核心素养之信息社会责任】学生能够理性认识人工智能技术的应用边界，在使用AI工具的过程中保持独立思考与评判意识，遵守人工智能应用的行为规范，理解技术为人类福祉服务的根本宗旨，树立科技报国、科技为民的价值追求。【跨学科链接】本课还承载着融合其他学科知识的育人目标。在项目实践中，学生将运用生物学（植物光合作用与蒸腾作用规律）解释智能灌溉系统的设计依据，运用环境科学（土壤湿度与光照条件）设计数据采集方案，运用数学（回归分析与阈值判断）优化决策模型。这些跨学科知识的交叉渗透，有助于培养学生的综合素养与迁移能力。五、教学重难点【重点】人工智能模型与交互界面（或硬件设备）的整合集成。具体包括：理解从模型训练到应用系统部署的完整技术路径，掌握模型调用与输出的方法，设计并实现具有实际功能的人机交互界面，完成系统功能的整体调试。【难点】人工智能系统的工程化思维构建与系统调试优化。具体包括：将前期训练的模型与系统功能进行有机对接，打通数据采集、推理判断与执行反馈的完整闭环，解决系统集成中遇到的实际技术问题（如模型响应延迟、误判处理、异常情况应对等），在测试过程中实现系统的迭代优化。【高频考点】人工智能项目开发的完整流程及其各环节的关键技术；机器学习模型的部署与调用方法；人机交互界面的设计原则与实现方式；智能系统功能测试与优化的基本策略。六、教学策略与方法本课以项目式学习为主线，融合大单元教学理念，采用“情境驱动—任务分层—协作探究—迭代优化”的教学策略，充分体现学生的主体地位。在整体策略上，采用项目式学习模式，以“智创未来·绿色校园”项目为统摄，学生在前期课程中已完成选题论证与技术方案设计，本课聚焦于系统的实现与调试，通过“功能拆分—逐项实现—集成整合—测试优化”的技术路径推进学习进程。这一策略强调从真实问题出发，让学生在完成项目的过程中主动建构知识、发展能力。在学习活动组织上，采用小组合作学习模式。根据学生技术基础的差异，采用“异质分组”原则，每组4至5人，确保组内成员的多元化和互补性。组内设置项目经理、系统架构师、前端开发工程师、后端开发工程师、测试工程师等角色，每位学生都有明确的任务分工，同时在协作过程中相互支持、共同成长。在教学方法上，综合运用以下具体方法：一是任务驱动法。将系统实现这一复杂任务分解为若干个依次递进的小任务：界面设计任务、数据采集任务、模型调用任务、功能集成任务、测试优化任务。每个任务都配有明确的目标、要求和支持性材料，引导学生逐层攻克技术难点。二是示范讲解法。针对关键技术和核心难点（如模型部署API、交互界面的事件绑定等），教师进行示范操作，配合详细讲解，帮助学生理解技术原理和操作方法，突破学习瓶颈。三是支架教学法。根据学生学习过程中的实际困难，动态提供适切的支持工具和学习资源，如代码模板库、调试指南、技术文档样例等。随着学生能力的提升，逐步减少支架，促进自主学习能力的形成。四是协作探究法。鼓励学生在小组内部和小组之间进行交流研讨，分享技术方案、交流调试经验、解决共同问题。教师作为学习引导者，在关键节点组织全班交流，促进学生间的思维碰撞与知识共享。【思维方法】本课贯穿“分析—设计—实现—测试”的工程思维方法。在分析阶段，学生将系统功能需求转化为技术解决方案；在设计阶段，规划系统的模块结构与交互方式；在实现阶段，将设计方案转化为可运行的程序代码；在测试阶段，通过实际运行检验系统功能并不断优化。这一思维方法的训练有助于学生形成严谨、系统的工程实践能力。七、教学准备（一）教师准备教师需提前完成以下准备工作：第一，熟悉开源AI平台（如华为ModelArts、百度AIStudio等）的模型部署与调用方法，准备相应的教学示例代码。第二，准备部分项目开发所必需的教学资源，包括智能灌溉系统功能框架图、界面原型设计图、程序框架代码模板、常见问题解决指南、评价量规等。第三，调试好教学环境，确保编程平台、AI平台等软硬件环境的正常运行。第四，准备演示案例，选择一个与项目主题相关的典型智能应用系统进行完整演示（如智能语音控制系统、手势控制播放器等），帮助学生建立对“智能系统”的整体认知。（二）学生准备学生需在课前完成以下准备工作：第一，小组内已就项目主题达成一致，完成了需求分析与技术方案论证。第二，已完成数据采集与模型训练，训练好的模型已导出并保存在可接入的环境中。第三，回顾Python图形界面开发（或硬件控制编程）的基础知识，复习面向对象编程的基本概念。第四，准备小组项目开发所需的硬件设备（如有）和软件环境。（三）教学资源硬件资源：多媒体教学网络（教师机与学生机互联）、学生终端电脑（每小组至少一台，建议每人一台）、测试用传感器设备（如土壤湿度传感器、光照传感器等）和控制器（如继电器、水泵模型等），可根据项目主题灵活配备。软件资源：Python编程环境（建议使用JupyterNotebook或PyCharm）、开源AI平台（华为ModelArts或百度AIStudio）、pygame或tkinter库（用于图形界面开发）、pyserial库（用于串口通信，如涉及硬件控制）、numpy与matplotlib库（用于数据可视化与处理）。数字资源：教学课件（含示例代码与操作演示）、智能灌溉系统开发手册、代码模板库、常见问题FAQ文档、项目评价量规表、小组项目开发日志模板等。学习平台：学校教学管理平台（用于资源分享与成果提交）、在线协作平台（用于团队协作与代码托管）。全程教学依托国家智慧教育平台和学校数字教学环境，确保资源的开放性与共享性。八、教学过程（一）课堂导入：回顾复盘，明确目标【重要】教师首先组织学生简要回顾前几课的学习历程：从需求分析到算法论证，从数据采集到模型训练。通过展示几组小组已完成的模型评估报告，引导学生对已有成果进行反思与总结，梳理已完成工作与待完成任务的衔接点。具体操作中，教师选取2至3个具有代表性的小组模型训练成果（如手势识别模型的准确率曲线图、模型混淆矩阵等）在大屏幕上进行展示，请相应小组代表用1至2分钟简要介绍模型的选型依据和训练情况。教师通过提问引导学生思考核心问题：“有了能够识别手势的模型之后，我们该如何让它成为一个有用的智能系统？”这一问题直接切入本课的核心任务——模型部署与应用系统实现。接着，教师演示一个完整的智能应用系统（例如：用手势控制电脑播放PPT的系统），让学生直观感受从“模型”到“应用”的技术跨越。演示过程中，教师邀请一名学生上台体验手势控制的功能，其他学生观察系统的交互方式和响应过程。演示结束后，教师组织小组讨论：“请大家思考，一个智能应用系统由哪些部分组成？我们的手势识别模型在系统中扮演什么角色？还需要增加哪些功能模块才能使系统完整可用？”通过讨论，引导学生自主归纳出智能系统的基本构成：感知层（传感器/摄像头获取输入）、认知层（模型推理判断）、决策层（逻辑规则制定）、执行层（输出控制或信息反馈）。在此基础上，教师以“智能灌溉系统”为统一示范项目，引导学生理解系统从算法模型到功能实现的转化逻辑，包括界面的交互设计、模型的调用接口、执行器的控制逻辑等核心环节。教师逐一展示智能灌溉系统的界面原型图、程序模块架构图和技术实现路线图，让学生对系统开发的整体框架形成清晰认识。接着，教师以项目任务单的形式明确本课的学习目标：每个小组需完成本组项目的人机交互界面搭建、模型部署与系统功能集成，并完成初步的功能测试，力求实现一个具有实际应用价值的智能系统。最后，教师引导学生结合本组项目主题，回顾项目的功能需求（如“通过手势识别控制智能灌溉”“根据图像识别判断植物生长状况”等），对照本课的学习目标，完成小组任务规划和人员分工的确认。【跨学科链接】在导入环节，教师引导学生从生物学角度思考智能灌溉系统的设计依据：植物生长过程需要通过气孔吸收二氧化碳进行光合作用，同时通过根系吸收水分和矿物质；土壤湿度直接影响水分吸收效率，光照强度则影响光合作用速率。教师展示一组植物在不同土壤湿度和光照条件下生长状况的对比图片，引导学生运用生物学知识解释传感器监测指标的选取依据。这一环节将生物学概念与人工智能应用自然融合，体现了跨学科主题学习的理念。（二）新知建构：组件认知，流程梳理教师以“智能灌溉系统”为例，系统讲解智能应用系统的架构组成与技术实现路径。此环节的目的是为学生搭建知识框架，为后续的协作实践奠定基础。教师首先展示智能灌溉系统的技术架构图。系统共分为五个层次：用户交互层（图形界面，用于显示状态、接收指令）、数据采集层（传感器读取土壤湿度、环境温度、光照强度等参数）、智能决策层（调用前期训练好的分类或回归模型，输出灌溉决策）、执行控制层（控制器根据决策结果启停水泵）、数据管理层（记录历史数据、展示趋势图表）。教师结合具体代码示例，详细讲解每一层的功能作用与技术实现方式。在用户交互层，教师讲解图形用户界面的设计原则，包括信息可视化、操作便捷性、反馈及时性等要素。演示如何使用Python的tkinter库创建主窗口、添加标签、按钮、输入框、下拉菜单、图表等控件，并实现按钮的事件绑定功能，使界面上的交互操作能够触发相应的程序功能。在数据采集层，教师讲解传感器数据读取的基本方法。对于使用真实硬件的项目组，可以使用Python的pyserial库读取通过串口发送的传感器数据；对于使用模拟数据的项目组，可以通过生成随机数据模拟传感器读数，并说明模拟数据与真实数据之间的差异。教师演示读取土壤湿度传感器数据的代码示例，包括串口参数的配置、数据的读取与解析、异常情况的处理。【重要】在智能决策层，教师重点讲解模型部署与调用的技术实现。教师首先回顾监督学习的基本原理与流程。针对不同编程平台，提供不同的模型调用方案：如果使用华为ModelArts平台，模型可部署为在线API服务，通过发送HTTP请求调用模型接口得到推理结果；如果使用本地部署方案，可通过Python的joblib或pickle库直接加载训练好的.pkl模型文件进行预测。教师逐一演示两种方案的代码实现，重点讲解API的鉴权方式、请求与响应的数据格式、模型的输入输出规范等关键技术点。在执行控制层，教师讲解控制逻辑的代码实现方式。以水泵控制为例，根据模型输出的类别（“需要灌溉”或“不需要灌溉”）执行相应的控制动作，如向串口发送“ON”或“OFF”指令以启停水泵。教师演示控制逻辑的判断分支、延时控制的实现方式以及多线程编程在避免界面卡顿中的应用。在数据管理层，教师介绍如何将传感器的历史数据和系统的操作记录保存到CSV文件或SQLite数据库中，并利用matplotlib库将数据绘制为折线图，在图形界面上展示土壤湿度的变化趋势、灌溉记录的统计信息等。在整个讲解过程中，教师注重引导学生关注各模块之间的耦合关系与数据流向，帮助学生从整体上把握智能系统的工程结构，初步建立系统化、模块化的工程思维。教师在每个关键技术点播放代码示例，同时开放学生提问，确保每位学生对系统架构有清晰的认知。【高频考点】讲解结束后，教师组织学生以小组为单位完成以下课堂任务：梳理本组项目的模块组成，绘制简单的系统功能框图，标注每个模块的技术实现方式，并填写小组任务分工表，明确每位成员负责的具体技术模块。（三）协作实践：模块实现，集成调试此环节是本课的核心教学环节，占课堂时间的绝大部分。学生以小组为单位进入项目实现环节，教师巡回指导并提供针对性支持。整个协作实践过程分为四个阶段有序推进。第一阶段：界面设计与实现。各小组根据项目功能需求设计图形用户界面的布局与样式。设计要点包括界面的功能完整性——确保包含所有必要的功能控件（如数据显示区、模式切换按钮、历史记录查询入口等）；操作的友好性与直观性——控件的布局应符合用户的使用习惯；信息的可视化呈现——传感器数据和模型输出结果应通过图表、仪表盘等形式直观展示；界面的美观性——注重配色方案的合理性和整体风格的协调性。学生可使用tkinter的布局管理器（pack、grid、place）组织界面组件，并将各组件的事件处理函数框架搭建完毕。教师提供界面设计参考模板和代码框架，供有需要的小组参考使用。第二阶段：模型部署与调用测试。各小组将前期训练好的模型进行部署，编写调用模型的代码模块，并进行初步测试。对于采用API部署方案的小组，需要完成API的注册与验证，编写发送请求和处理响应的工具函数；对于采用本地加载方案的小组，需要确保模型文件的路径正确性，编写模型加载与预测函数。教师巡回检查各小组的进展，帮助解决模型调用过程中遇到的技术难题，如API的权限问题、模型的输入数据格式预处理、输出结果的解释等常见问题。在模型调用测试通过后，学生需要将该模块与之前设计好的界面控件进行对接，如点击“识别”按钮后触发模型调用并将结果显示在界面的指定位置。第三阶段：系统功能模块集成。学生在完成界面模块和模型调用模块的基础上，将各功能模块进行逐项集成，实现完整的系统功能。首先，将界面控件的事件处理函数与相应的业务逻辑进行绑定，确保每个用户操作都能触发正确的程序响应。其次，实现数据采集模块与模型调用模块的连通——用户点击“开始监测”按钮后，系统持续读取传感器数据，将数据传入模型进行判断，并根据判断结果执行相应的控制动作。然后，将执行控制模块与数据记录模块进行整合，确保每一次系统动作都被记录在历史数据文件中。教师指导学生按照“先分模块测试、再整体联调”的策略推进集成工作，避免因多处问题同时出现而导致调试困难。在集成过程中，学生需要重点关注模块之间的接口一致性和数据格式的正确性。例如，数据采集模块输出的数据格式必须与模型调用函数期望的输入格式完全匹配，这是系统集成中最为常见的错误来源。教师提供模块间接口规范说明文档，帮助学生明确各模块之间的数据传递约定。第四阶段：功能测试与调试优化。各小组在完成基本功能集成后进入测试阶段。测试工作按照层级递进的方式进行：首先进行单元测试，验证每个独立功能模块的正确性（如模型加载是否成功、界面按钮是否响应、控制指令是否发出等）；然后进行集成测试，验证模块协作的正确性（如传感器数据能否正确传递给模型、模型判断结果能否正确触发执行器等）；最后进行系统测试，验证整个系统的整体功能是否满足需求文档中的规格要求。教师提供系统测试记录表模板，引导学生详细记录每个测试用例的输入、预期输出、实际输出和问题描述。在测试过程中，学生可能会发现模型响应速度慢、误判率较高等问题。教师引导学生分析问题原因，如模型调用过程中的网络延迟、数据预处理环节的缺失、阈值的设置不当等，并提供相应的优化建议，如增加加载进度提示、引入更高效的预处理方法、调整决策阈值等。【重要】在整个协作实践过程中，教师的角色是学习引导者、技术支持者和过程监督者。教师应密切关注每个小组的进展情况，及时发现并解决学生遇到的共性问题，根据学生的实际需求提供差异化支持。对于进展缓慢的小组，教师需要给予更多关注和指导，帮助他们找到技术瓶颈并寻求解决方案；对于进展较快的小组，教师可以提出更高要求的拓展任务，如增加语音播报功能、实现更丰富的数据可视化展示、设计多用户权限管理等，激发他们进一步探究的兴趣。同时，教师应引导学生记录项目实施过程，撰写开发日志，为后续的项目展示与反思积累素材。（四）项目展示：成果分享，多元评价本环节是项目成果的集中展示与交流阶段。教师选取2至3个已完成基本功能实现的小组进行项目展示，其他小组观摩学习并参与评价。展示小组的汇报内容包括以下四个方面：一是项目的选题背景与解决的问题介绍（约1分钟），说明该智能应用系统的目标应用场景和社会价值；二是系统的功能演示（约2至3分钟），通过实际操作展示系统的主要功能和交互体验，重点演示模型调用、智能判断与系统响应的完整流程；三是技术实现分享（约1分钟），介绍系统架构、关键技术点以及在开发过程中攻克的技术难题；四是开发体验与学习心得分享（约1分钟），总结团队协作的经验教训和个人的成长收获。在评价环节，采用多元评价相结合的机制。教师评价聚焦于系统的功能完整性、技术的合理性以及项目的创新性；学生互评聚焦于系统的交互体验、实用价值和展示效果；小组自评聚焦于团队协作的有效性和学习目标的达成情况。教师提供评价量规表，包含技术实现、功能完整性、创新性、团队合作、展示效果五个维度，每个维度设置A、B、C、D四个等级（最高等级A代表优秀，B代表良好，C代表合格，D代表待改进），并附有详细的等级描述。【基础】教师在此环节着重培养学生尊重他人、欣赏他人的品质，引导全班同学为展示小组的成果给予充分鼓励，营造积极、包容、互助的课堂氛围。对于未能完成全部功能的小组，教师不应批评，而是关注他们在项目实现过程中的努力与进步，肯定他们已取得的成果，并引导他们思考继续完善的方向。在展示与评价之后，教师对各小组的项目成果进行总结性点评，从技术实现、创新能力、团队协作等角度提炼共性亮点，针对普遍存在的问题进行集中讲解与提醒，同时鼓励学生在课后继续完善项目作品。（五）课堂总结：归纳提炼，升华主题教师引导学生对本课的学习内容进行系统整理与深度反思。从知识与能力、方法与过程、情感与态度三个层面进行总结。在知识与能力层面，教师引导学生归纳本课掌握的核心知识与能力，包括人工智能模型从训练到部署的技术路径、系统界面设计与模块集成的方法、智能系统测试与调试的基本策略。在方法与过程层面，教师引导学生回顾从项目分析、模块实现到系统集成的技术路径，反思如何运用工程思维方法将复杂问题拆解为可执行的子任务，并总结经验教训：哪些做法值得借鉴，哪些环节可以进一步优化，以及解决问题的策略是否高效。在情感与态度层面，教师进一步强调人工智能技术的价值取向与应用伦理，引导学生建立技术为人类福祉服务的根本立场。通过引导学生思考“我们开发的智能系统能够为谁服务、解决什么问题”这一根本性问题，激发学生将技术创新与奉献社会相统一的使命感与责任感。教师结合《“人工智能+教育”行动计划》中“坚持科技教育与人文教育相结合，注重学生的启智、心灵的培养”的要求，引导学生辩证看待智能技术的发展，既看到技术的巨大潜力，也要认识其应用的边界与局限。【核心素养】教师借用《中小学人工智能通识教育指南》的核心思想，人工智能素养包括知识、技能、思维与价值观四个维度。本课的学习不仅让学生掌握了人工智能系统开发的技术技能，更重要的是通过完整项目的实践，培养了学生“用人工智能解决真实问题”的系统思维，以及在技术应用中秉持“智能向善”的正确价值观。这四者有机融合，共同构成了学生适应智能社会的核心素养。（六）作业布置基础作业要求（全体学生必须完成）：一是完成小组智能系统的基本功能调试，确保所有核心功能模块正常运行，将最终的系统代码提交至教学管理平台；二是填写项目开发日志中的“集成测试阶段”部分，系统总结测试过程中遇到的问题及其解决方案，形成不少于500字的技术文档；三是完成个人学习反思表，从知识掌握、技能提升、团队协作、问题解决能力四个维度进行自我评价与反思。拓展作业要求（学有余力的学生选做）：一是为智能灌溉系统增加语音播报功能，使用Python的pyttsx3库或调用语音合成API，当系统判断需要灌溉时自动发出“土壤缺水，开始灌溉”等语音提示；二是实现历史数据的可视化查询与导出功能，支持按日期筛选查看历史记录，并将数据导出为Excel文件；三是尝试将系统部署到移动端或云端，使用Flask或Streamlit等框架将系统发布为Web应用，实现手机端的远程监控与控制。九、教学评价设计(一)过程性评价过程性评价贯穿本课的三个核心环节，采用形式多样的评价手段。在知识建构环节，通过课堂提问与小组讨论的整体表现，评估学生对智能系统架构的理解程度，以及对模型部署、界面设计等关键技术的掌握情况。教师记录学生的回答质量与参与频次。在协作实践环节，通过巡视过程中的即时观察与指导，动态评估各小组的项目开发进度，重点关注学生能否按照技术路线推进开发任务、能否有效解决集成过程中的技术难题、是否具备良好的调试思维与方法。教师记录各小组的技术难点与解决策略。在团队协作方面，通过观察小组内部交流的频率与深度，评估学生的沟通能力、协作精神和任务责任感。教师在项目开发日志上记录组长反馈的组内分工与贡献情况。(二)终结性评价终结性评价以小组项目作品和项目展示为主要依据，从五个维度进行综合评定。技术实现维度（权重30%）：评估系统的技术完成度，包括用户界面是否完整可用、模型部署与调用是否成功、各功能模块是否顺畅集成。此维度评价标准参照国家课程标准的“技术实现能力”水平层级设计。功能完整性维度（权重25%）：评估系统是否实现了预设的全部核心功能，功能的健壮性如何，能否正确处理各种边界情况和异常输入。测试用例通过率作为关键量化指标。创新性维度（权重15%）：评估系统的功能设计、交互方式或技术解决方案是否具有创新之处，是否体现了对学生思维的启发与引领。团队合作维度（权重15%）：评估小组分工的合理性、协作的顺畅程度，通过项目开发日志和自我陈述综合考量每位成员的工作量及贡献度。展示效果维度（权重15%）：评估项目汇报内容的逻辑性、表达的清晰度以及作品演示的流畅程度。(三)增值性评价本课注重增值性评价的运用，关注学生个体在项目实践中的成长与进步。教师通过对比评价量表，综合考量学生在本课学习前后的变化，包括从课堂初期对智能系统开发存在的模糊认识到课程结束后能够独立完成系统集成的能力跃迁、从依赖教师指导到自主解决问题的学习自主性提升、从技术关注到伦理关注的价值观完善。增值性评价不依赖于学生之间的横向比较，而是聚焦学生个体的纵向发展。每名学生都有独特的成长轨迹与学习进度，教师应将肯定进步、鼓励成长作为增值性评价的核心导向。【重要】所有评价结果均以建设性、发展性的方式反馈给学生，重在指出优点、提出改进建议，避免过度关注分数排名。教师应引导学生将评价作为促进学习的工具而非学习的终点，帮助学生形成积极的自我认知与反思习惯。十、板书设计主板书内容：拥抱AI·智造未来——项目实现一、智能系统组成用户交互层→智能决策层→执行控制层→数据管理层二、核心技术路径模型部署→接口调用→模块集成→功能测试三、工程思维方法分析→设计→实现→测试→优化四、评价维度技术实现∣功能完整∣创新发展∣团队合作∣展示交流副板书区域（随课堂进程动态补充）：各小组项目名称与技术架构摘要；模型部署关键指令与API调用示例代码片段；学生在实