高中信息科技（高二选择性必修）·人工智能初步大单元

高中信息科技（高二选择性必修）·人工智能初步大单元

智断未来：基于贝叶斯网络的校园健康助手设计与实现

一、 教学背景与课标锚定

本教学设计严格依据《普通高中信息科技课程标准（2017年版2025年修订）》“人工智能初步”模块要求而创生。新课标明确将课程名称从“信息技术”回归“信息科技”，强调学科的科學性特质，并在人工智能部分增加了“通过实例比较生成式人工智能善于解决和不善于解决的问题”以及“了解大模型中数据、参数调整的意义”等内容-8。本单元以此为指导，将原“不确定性推理”知识点升华为可触摸、可编程、可论证的贝叶斯网络项目。本设计锁定高中二年级下学期，此时学生已完成《数据与计算》《信息系统与社会》必修模块，具备Python编程基础、概率初步知识及基本的计算思维，正处于从“技术操作者”向“科技理解者”跨越的关键窗口期。

不确定性推理是人工智能区别于传统确定性算法的核心特征，亦是联接高中概率数学与前沿AI应用的认知天堑。本设计以“校园流感常态化防控背景下的晨检请假助手”为真实载体，引导学生经历“从贝叶斯定理到朴素贝叶斯、从朴素贝叶斯到贝叶斯网络、从静态网络到动态证据更新”的完整思维进阶，从而在算法理解、模型建构、伦理反思三个层面达成科学思维与数字化创新的深度融合。

二、 学习目标（逆向设计：预期结果）

依据格兰特·威金斯“理解为先”框架，本单元确立三层目标体系-9：

（一）迁移目标

学生能够自主地将贝叶斯网络的推理机制迁移至其他含有不确定性的校园生活场景（如食堂菜品销量预测、社团活动参与意愿推断），并运用Python—BayesPy或pgmpy库构建小型辅助决策原型，践行“用模型理解世界，用数据修正认知”的科学态度。

（二）理解意义

学生将深刻理解——【非常重要】不确定性并不是“无知”，而是可利用先验知识与新证据进行动态校准的认知状态；贝叶斯方法不仅是一种计算公式，更是一种“大胆假设、小心求证、持续迭代”的思维范式-3。学生能够解释为什么朴素贝叶斯在特征强相关时失效，以及为什么贝叶斯网络可以通过图结构表达条件独立性假设。

（三）掌握知能

1.【基础】准确复述贝叶斯定理公式，区分先验概率、后验概率、似然度与证据因子，并能完成单证据情境下的手工计算。

2.【重要】运用朴素贝叶斯分类器对文本型症状描述进行二分类（请假/不请假），并评估分类准确率。

3.【难点】【高频考点】构建包含3—5个节点的贝叶斯网络，利用已知条件概率表进行推理，并通过修改先验或证据观察网络输出的变化趋势。

4.【热点】讨论生成式人工智能在医疗咨询中的不确定性问题：当大模型给出相互矛盾的健康建议时，普通人应如何结合贝叶斯思维进行批判性采纳-8。

三、 评估证据（逆向设计：收集证明）

（一）表现性任务

1.“直觉vs后验”认知冲突单：课前发放匿名问卷，让学生凭直觉判断“流感季节，发热且班上有确诊者，该生真实患流感的概率”，课后使用同一数据进行贝叶斯修正，对比前后两次的数值差距，撰写200字元认知反思。

2.网络结构与参数调试日志：项目中期，小组提交贝叶斯网络节点定义文档、条件概率表设定依据（必须注明数据来源是疾控公报、模拟采样还是合理假设），并录制3分钟屏幕操作视频，展示当调整某一先验概率（如疫苗接种率）时，后验概率的敏感性变化。

3.“校园请假助手”原型展评：单元末举办模拟产品发布会，各小组向由教师、校医、其他班级学生代表组成的“教代会”演示原型。评价量规聚焦三个维度——推理合理性（证据更新后结果是否符合常识与医学逻辑）、交互友好性（输入界面是否降低用户认知负荷）、伦理合规性（是否明确标注“非医疗诊断，仅供参考”免责声明）。

（二）其他证据

4.课堂嵌入的5道即时诊断选择题，涵盖贝叶斯公式变形、条件概率表读取、独立性判别等【高频考点】。

5.个人代码仓库GitHubClassroom提交记录，重点观察学生是否能够修复“除零错误”、正确使用numpy向量化运算而非显式循环。

四、 教学实施过程（核心篇幅，大单元4课时+1拓展）

本单元采用“大单元项目式学习”架构，将传统课时边界溶解于“校园健康助手”的研发管线中，四节课分别对应工程师思维中的“问题定义—算法选型—原型搭建—验证反思”四个环节。

（一）第一学时：唤醒直觉——从“狼来了”到贝叶斯定理（问题定义）

1.锚定情境，制造认知冲突

课堂启始，教师并不直接书写公式，而是展示本校去年11月流感季的真实晨检数据大屏截图（已脱敏）：发热学生占比12%，其中经核酸确诊甲流者占发热人群33%。教师提问：“若明天你同桌发热，你认为他得流感的概率是多少？”学生本能回答集中在“很高，超过60%”。教师此时呈现完整贝叶斯计算：P(流感|发热)=P(发热|流感)*P(流感)/P(发热)=0.8×0.1/0.12≈66.7%。数字与直觉看似接近，但当教师追问：“若班级昨天刚进行过流感疫苗应急接种，接种率从20%升至60%，同桌发热时患流感的概率又变成多少？”学生依靠直觉开始出现巨大分歧。此时教师顺势引出贝叶斯定理——它解决的就是“如何用新证据理性更新旧信念”。

2.符号建模，攻破【难点】公式迷思

不使用PPT动画直接播放推导过程，而是采用“板书手绘概率矩形”法。教师在黑板上画出一个大矩形代表全体学生，横向切割为“接种/未接种”，纵向切割为“感染/未感染”，通过面积比例可视化联合概率。当学生亲眼看到P(AB)=P(A)×P(B|A)在矩形中对应哪一块区域时，对贝叶斯公式的恐惧感显著下降。

【非常重要】此时教师强调：公式的分母P(证据)往往最难获得，但在很多二分类问题中可以通过全概率公式展开，而全概率公式的本质就是“分情况讨论”。这一环节不使用任何编程，刻意保持“低速学习”，确保每一位学生都能脱离计算器独立完成教材第78页的经典“安检仪误报”例题。

3.伦理在场，拒绝冰冷计算

呈现一则2018年某校利用AI预测学生心理危机导致隐私泄露的旧闻，引发辩论：“如果我们真的做出了一个能预测谁更容易请病假的系统，应该开放给班主任吗？应该开放给保险公司吗？”学生意识到，不确定性推理的结果是概率而非判决，技术方案必须在设计初期就植入隐私保护与知情同意机制。此环节作为项目奠基，要求各组在后续方案中必须包含“数据最小化”原则——仅采集症状选项，绝不采集个人身份特征。

（二）第二学时：算法降维——朴素贝叶斯的“单纯”与力量（算法选型）

1.从全科医生到“单纯”假设

承继上节课遗留问题：若要同时考虑“发热”“咳嗽”“乏力”三个证据，该如何计算后验？若严格按照概率乘法，需要统计庞大的联合分布表，这在现实中几乎不可能获得。此时引出朴素贝叶斯的核心【难点】与【高频考点】——条件独立性假设。教师采用类比：一位经验丰富的社区医生，虽然知道咳嗽和发热经常同时出现，但在快速分诊时，他往往会先独立地评估每个症状与流感的关联，再把分值相加，这就是“朴素”的智慧。学生立刻反驳：“咳嗽和发热明明不独立！”教师点头肯定，并反问：“那为什么全世界垃圾邮件过滤器还在用朴素贝叶斯，并且效果不错？”由此引入偏差—方差权衡思想：牺牲结构的精确性，换取估计的稳定性和计算的高效性。

2.特征提取：把自然语言变成数字

学生拿到上一届学长收集的200条真实请假条文本（已彻底匿名），任务是将每条文本转换成特征向量。此时不直接提供sklearn库，而是让学生手动编写一个简单的词袋模型：去除停用词，统计“发热”“头晕”“腹泻”“陪诊”等关键词频次。学生第一次感受到：将人类的模糊表达（“我有点不舒服，头昏昏沉沉”）转化为机器可处理的0/1矩阵，本身就是一种建模选择——哪些词保留、哪些词合并，直接影响分类边界。

【重要】此环节教师巡堂发现共性问题：不少学生将“不发烧”中的“发烧”错误计数为1。这一错误成为绝佳教学契机，引出否定词处理（n-gram）的必要性，并为后续深度学习中的词向量埋下伏笔，体现大单元设计的纵向连贯性。

3.编码实战：亲手“喂养”分类器

使用JupyterNotebook，学生分步实现朴素贝叶斯的对数计算（防止浮点下溢）。不同于调用现成库，本次要求手写核心循环：分别计算每个类别下每个特征的条件概率，存储为字典；对测试样本，累加对数后验，取argmax。当第一组同学成功运行并看到模型在验证集上达到71%准确率时，教室响起自发掌声。这71%并不完美，但它是学生“从零创造”的智能。教师随即抛出进阶任务：当前模型将所有带“咳嗽”的样本都判为请假，因为训练集中咳嗽→请假的比例极高。这是过拟合吗？不，这是数据偏见——同学们平时只有病重才请假，轻症咳嗽都坚持上课。模型学到的不是医学规律，而是校园文化。学生顿悟：AI的不确定性不仅源于噪声，更源于观测数据与真实世界的系统性偏差。

（三）第三学时：结构涌现——构建第一个贝叶斯网络（原型搭建）

1.从“星状”到“链状”：突破独立性枷锁

朴素贝叶斯要求所有特征以类别节点为中心呈星型辐射，这无法表达“咳嗽导致就医，就医导致请假”的因果链。教师以“流感—咽痛—声音嘶哑—申请网课”为例，请学生用箭头画出变量间的直接影响关系。各组白板上涌现出有向无环图，教师巡堂并选择典型错误（如双向箭头、循环结构）进行全班诊断，强化贝叶斯网络必须是无环图这一【基础】规则。此环节不借助计算机，纯概念辨析，意在让学生理解：图结构不是自动生成的，而是领域知识的形式化表达。

2.参数灌入：从数据中学习CPT

引入pgmpy库，教师演示如何仅用三行代码从模拟数据集中估计条件概率表。但教师立刻暂停，退回黑板：CPT中的数字意味着什么？以节点“请假”为例，其父节点为“医嘱建议休息”和“家长意见”，CPT共4行。学生分组为这4种组合赋值概率，并公开陈述理由。有组认为“只要医嘱建议休息，无论家长意见如何，请假概率均为0.9”；另一组反驳“现实中家长坚持上学比医生建议更有力”。争论中，学生深刻认识到【非常重要】贝叶斯网络的主观性——它允许不同知识背景的人设置不同的先验，而网络推理的作用正是暴露这些分歧，让隐性知识显性化。

3.推理引擎：证据更新与敏感性分析

连接真实场景：假设校医室新到一批快速抗原试纸，准确率85%。将这个新节点“快检阳性”接入现有网络，并设定其依赖“是否感染流感”。当观测到“快检阳性”为真时，网络自动向前传播更新“流感”节点的后验概率，再向后传播影响“请假”概率。学生在计算机上滑动滑块，动态观察概率值变化，并截图保存。此环节设置三个难度递进的探究任务：

（1）当快检准确率从85%降至60%时，后验概率变化曲线是否线性？——发现非线性，解释原因。

（2）若增加节点“家庭成员感染”，网络拓扑应如何修改？——锻炼知识工程能力。

（3）当多个证据出现冲突（如症状强烈但快检阴性），哪个节点的置信度变化最大？——引入辩解效应。

以上任务均以探究报告形式提交，作为形成性评价核心依据。

（四）第四学时：产品化与思辨——从模型到决策（验证反思）

1.原型整合：从Notebook到Web应用

将前三节训练的朴素贝叶斯分类器与贝叶斯网络推理模块打包，使用gradio库搭建极简图形界面。学生分组展示：左侧是学生填报的症状复选框，右侧是系统输出的“建议请假指数（0—100）”，下方用小字显示参与推理的关键证据贡献度。有组别创意地加入了“不确定度”显示条，当证据不足时预测条呈现半透明灰色，这一设计获得全班高度评价——它诚实地向用户呈现了模型知道自己不知道什么。

2.压力测试：故意输入矛盾信息

教师扮演极端用户，同时勾选“无任何症状”和“自测阳性”，观察各组系统反应。部分组代码崩溃，部分组输出NaN，少数组能够返回“证据冲突，置信度低”提示。借此进行代码健壮性教育：不确定性推理系统必须考虑传感器错误、用户误操作等元不确定性。学生现场修复：在证据层加入冲突检测函数，若逻辑矛盾则强制启动先验模式并标注警告。

3.圆桌论坛：当大模型“显得”很确定

链接新课标2025修订版新增要求——“比较生成式人工智能善于解决和不善于解决的问题”-8。教师播放三段对话：ChatGPT针对“接种疫苗后仍感染流感，疫苗还有用吗”给出了流畅但统计学上模糊的回答。学生以贝叶斯思维剖析：大模型的回答缺乏明确的数据基率和条件概率数值，它擅长生成符合语境的文本，却不擅长进行精确的数值化信念更新。课堂达成共识：生成式AI是优秀的“知识伴侣”，但在高风险决策场景（如医疗、法律）中，基于结构化概率模型的贝叶斯网络依然不可替代，因为它的推理过程完全透明、可复核、可质疑。

此环节不设标准答案，重在培养学生对不同AI技术范式的元认知判断力。

（五）拓展学时（研究性学习）：时空贝叶斯——校园人群移动模拟

本环节面向学有余力的学生及校本课程深化需求，体现大模型教学中的“模型修正”循环-6。以流感在班级间的传播为情境，构建动态贝叶斯网络，将时间片作为显式节点引入。学生需处理“昨日状态→今日状态”的状态转移矩阵，并结合观测症状进行滤波。教师提供某班级相邻座位图及课间接触频次数据，学生尝试模拟隔离措施对传播链的干预效果。此部分不要求全班统一达成，而是以“学术海报展”形式呈现，邀请数学组、生物组教师联合评审，实现跨学科“模型认知”的落地-6。

五、 跨学科融通与核心素养落点

本设计并非简单的信息技术单科教学，而是自觉地将科学思维、数学建模与工程伦理统合于真实项目。

（一）与数学学科（概率与统计）的深度嵌合

不确定性推理教学的最大瓶颈在于学生的概率素养。本单元刻意将“条件概率”“全概率公式”从数学课堂移植至信息科技实验室，并在计算环节反复调用。当学生在编程中因忘记归一化而输出大于1的概率时，对概率公理的理解将远深于纸笔考试。这正是信息科技“做好科学教育加法”的典型样例-8。

（二）与生物学科（传染病动力学）的情境共建

与生物教研组联合开发数据：流感潜伏期分布、抗原检测灵敏度的生物学原理。学生在设定贝叶斯网络的条件概率表时，不再凭空捏造，而是参考WHO技术文档及本校医务室真实年报。这使得模型建构具有实证底色，避免了“为了AI而AI”的工具主义倾向。

（三）与思想政治学科（科技伦理）的议题融合

从第一课时的隐私辩论，到原型展示时的免责声明设计，再到探讨大模型的“确定性幻觉”，伦理红线贯穿始终。学生不仅学会了编写推理引擎，更学会了在何处主动关闭引擎——当数据质量不足或决策后果严重时，不推理比错误推理更具责任感。这是信息社会责任核心素养在智能时代的具身化-8。

六、 教学资源与环境支架

1.数智实验平台：借助DeepSeek智能问答系统与本地部署的JupyterAI插件，学生可随时就代码报错、库函数用法向AI助教提问。但教师明确规定：AI可以提供语法参考，但模型结构设计与概率表赋值必须由小组独立论证并写入实验报告“设计决策”栏目-7。

2.可视化工具箱：使用概率有向图实时渲染库，学生在调整网络结构时能立即看到图形变化。视觉反馈大幅降低了抽象符号的认知负荷，尤其对视觉型学习者效果显著。

3.认知冲突资源包：收集历史上著名的贝叶斯谬误案例（如辛普森案中检察官谬误），以短阅读形式穿插于课堂过渡环节，作为思维“磨刀石”。

七、 差异化教学策略

1.编程基础薄弱生：提供代码脚手架，函数签名已写好，只需填充核心条件概率计算行。同时配备代码走查单，以填空引导方式分解复杂逻辑。

2.数学超前者：开放贝叶斯网络结构学习接口，鼓励其尝试引入隐变量（如“个人卫生习惯”），