高中二年级信息技术：人工智能赋能个性化学习路径设计教案

高中二年级信息技术：人工智能赋能个性化学习路径设计教案

一、课程基本信息

（一）学科与学段：高中二年级信息技术学科。

（二）课题名称：人工智能赋能个性化学习路径设计。

（三）课时安排：2课时（每课时45分钟），总计90分钟。【基础】

二、教学目标设计

本教案严格依据《普通高中信息技术课程标准（2017年版2020年修订）》中关于“人工智能初步”与“信息系统与社会”模块的核心素养要求，从三个维度系统构建教学目标。

（一）知识与技能目标

1.准确复述人工智能教育应用的三类典型场景：智能测评、自适应推荐、学习路径规划。【基础】

2.解析个性化学习路径设计的核心要素，包括学习者画像的构成维度、学习资源标签的语义结构、协同过滤与基于内容推荐的基本原理。【非常重要】【高频考点】

3.独立操作教师提供的轻量级自适应学习模拟平台，完成从需求输入到路径输出的完整闭环操作。【重要】

4.运用计算思维绘制个性化推荐系统的逻辑流程图，并能用自然语言解释特征向量与相似度计算的匹配机制。【难点】

（二）过程与方法目标

5.通过案例比较与小组思辨，归纳教育领域推荐算法与商业领域推荐算法的本质差异，建立技术价值判断框架。【热点】

6.经历“需求分析—特征建模—资源标注—匹配决策”的项目式学习全过程，掌握数字化学习环境下问题拆解与工具选用的基本策略。【非常重要】

7.在模拟手动匹配与简易系统设计任务中，体验从模糊需求到精确方案的迭代优化过程，发展算法思维与模型抽象能力。【高频考点】

（三）情感态度与价值观目标

8.认同人工智能技术服务于学习者个性化发展、促进教育公平的核心伦理，批判审视算法可能导致的“信息茧房”与“标签固化”风险。【非常重要】【热点】

9.激发对智能教育前沿领域的持续探究兴趣，初步形成从事相关领域学习或职业规划的积极意向。【重要】

10.在小组协作中践行开放共享、尊重原创、保护数据隐私的信息社会责任，养成技术活动中的自律与互律习惯。【基础】

三、教学重点与难点

（一）教学重点

1.学习者画像、资源标签、推荐算法三者之间的逻辑闭环关系。【非常重要】【高频考点】

2.基于简易自适应平台开展个性化学习路径的手工模拟与数字化建构。【重要】

（二）教学难点

3.将隐性的学习需求转化为显性的、可计算的特征维度，并建立特征与资源之间的语义相似度关联。【难点】

4.在缺乏真实海量数据与复杂模型的课堂条件下，用低技术手段还原智能推荐的核心思想，并完成可信的推荐决策。【难点】

四、教学准备

（一）教师准备

1.环境与平台：部署基于Flask框架开发的课堂版“智学径”自适应学习模拟系统，该系统内置6个学科知识点、30条预置资源，支持学生在线编辑画像与标签。【非常重要】

2.资源与案例：剪辑4段微视频，分别呈现可汗学院masterylearning系统、科大讯飞智慧课堂、英语流利说AI老师、国家智慧教育平台智能推送功能；制作对比案例卡“娱乐推荐vs学习推荐”。【基础】

3.学情工具：使用问卷星发布前测问卷，采集学生选科意向、自我效能感、偏好媒体形式、每日可支配学习时长等数据，生成班级匿名画像数据集。【重要】

4.教具学具：印制A3尺寸“推荐系统设计画布”每组一张，配套可粘贴便签纸、彩色记号笔；开发小组互评数字化量规表（基于Padlet或钉钉表格）。【基础】

（二）学生准备

5.完成前测问卷，阅读教师发布的关于“机器学习基本思想”的预习图文包。【基础】

6.注册登录国家中小学智慧教育平台，体验“为你推荐”板块，记录一条符合自身需求与一条不符合需求的推荐结果。【热点】

7.复习数学必修二中“向量”的概念，理解二维坐标系中点的表示方法。【重要】

五、教学实施过程【核心环节，占绝大部分篇幅】

第一课时：智能推荐的思想溯源与手动模拟

（一）破冰与定向：技术如何重构学习关系（5分钟）

1.情境锚点

教师直接呈现一组对比数据：传统班级授课制下教师单次考试后平均需72小时完成学情分析与讲评准备；当前某智慧课堂系统可在考试结束后15分钟内为每名学生生成个性化错题本及变式训练推荐。教师提问：“这15分钟里，机器代替人做了哪些事？这些事在以前为什么做不成？”【非常重要】

2.具身体验

全体学生闭眼，教师快速朗读三条不同风格的学习者描述（例如：喜欢用思维导图、化学方程式记忆困难、每天只有20分钟数学学习时间）。学生凭记忆复述其中两条。教师点明：人类处理多维信息的短时容量有限，而算法可以同时处理成千上万的特征——这是人工智能赋能个性化的逻辑起点。【重要】

3.揭示课题

板书新标题“人工智能赋能个性化学习路径设计”，并明确本节课的核心挑战：扮演“学习路径规划师”，理解并手动模拟机器推荐的决策链。【基础】

（二）概念组块：个性化学习的三层架构（12分钟）

1.第一层：学习者画像——从模糊印象到数据结构

教师展示班级前测数据聚合后的匿名散点图，横轴为“自主学习时长”，纵轴为“视觉偏好度”。随机邀请一名学生根据散点图描述某虚拟学生“李华”的大致特征。教师随即在交互白板上将该生映射为一行向量[时长:45分钟,偏好:0.8,前测分数:82,目标:强基计划]。教师强调：画像不是给学生贴永久标签，而是提供动态服务的坐标。【重要】【高频考点】

2.第二层：学习资源标签——从文件命名到语义指纹

教师打开“智学径”模拟平台，展示一条关于“牛顿第二定律”的实验微课。资源标签区包含：学科=物理，知识点=牛顿第二定律，难度系数=0.65，媒体形式=高清实验录像，交互性=无，建议前置知识点=加速度概念，预估学习时间=11分钟。教师引导学生发现：标签回答了机器理解的五个W——谁用、用在哪、什么形式、多难、需要什么基础。【基础】

3.第三层：匹配引擎——从人工翻阅到自动排序

教师以板书示意图展示三种经典匹配逻辑：

（1）基于内容的推荐：你喜欢带“动画”标签的资源，就推荐更多带“动画”标签的资源。

（2）协同过滤：与你在前测中答题模式相似的同学还学习了某资源，于是将此资源推荐给你。

（3）知识图谱推理：你刚学完“一元二次方程”，按教材编排应接着学习“二次函数”，系统据此推荐。【非常重要】【难点】

4.微型停顿：教师要求同桌二人用60秒互相用一句话解释“画像、标签、算法”三者的关系，并推选一人班级分享。【基础】

（三）案例深潜：当教育推荐遇到真实约束（10分钟）

1.对比案例思辨

各小组领取案例卡A与B。案例A描述某娱乐App因追求点击率将大量浅薄搞笑视频推给原本想找严肃科普的用户；案例B描述某学习App因算法无法识别“学生实际水平与所在年级不匹配”而持续推送过难题，导致学生挫败退学。【热点】

2.结构化讨论

小组围绕三个问题展开轮番发言：问题一，上述两个案例失败的原因分别是什么？问题二，是否存在共同根源？问题三，如果你是产品经理，会增设哪些约束条件？【非常重要】

3.师生共建准则

教师根据各组汇报，在白板右侧生成“教育推荐伦理自查三问”：是否尊重了学习者的真实起点？是否提供了跳出舒适区的挑战？推荐理由能否被师生理解？这三问将成为第二课时项目评价的重要指标。【高频考点】

（四）手工坊：为三名虚拟同学定制资源（15分钟）

1.任务发放

教师呈现三名虚拟学生全息档案：

学生X：物理电磁学部分测验得分42，自述“听讲容易走神，做实验记得牢”，每日可支配物理学习时间10分钟。

学生Y：数学立体几何单元测验得分88，喜欢挑战难题，认为简单题浪费时间，未来目标数学竞赛。

学生Z：英语词汇量低于班级平均，但擅长口语模仿，正在备考托福，每日有20分钟地铁通勤时间。【基础】

资源池内含6条资源，分别为物理电学实验拆解短视频（3分钟）、物理电磁学难题精讲（12分钟）、数学立体几何基础概念动画（5分钟）、数学立体几何竞赛真题解析（15分钟）、英语托福听力场景词汇音频（8分钟）、英语词根词缀精讲图文（6分钟）。每条资源均配有难度、时长、媒体形式、知识模块四类标签。【重要】

2.协作决策

小组在推荐系统设计画布的“手动匹配区”为X、Y、Z各推荐1条资源，并用箭头连接画像特征与资源标签，清晰呈现决策依据。教师巡视中发现普遍争议：X适合实验类资源，但实验视频时长仅3分钟，是否足够掌握复杂概念？Y竞赛目标与当前课内进度如何平衡？Z通勤时间适合听音频，但词汇薄弱是否需要从基础图文开始？【难点】

3.争议放大与认知冲突

教师选取两个决策差异最大的小组上台，用投影展示各自的推荐组合。针对同一学生X，第一组推荐3分钟实验视频，理由是“先激发兴趣”；第二组推荐12分钟难题精讲，理由是“诊断后需要强力干预”。教师不立即评判，而是追问：两种决策背后隐含的对“学习”的理解有何不同？【非常重要】

4.概念升华

教师引出自适应学习领域的经典张力：利用与探索。过度利用已知擅长领域会形成路径依赖，过度探索未知领域可能导致认知过载。优秀的个性化路径设计不是简单匹配，而是在稳定与挑战之间寻找动态平衡。【热点】

（五）认知建模与课时小结（3分钟）

1.学生用一句话在便签上写出“今天我对推荐系统最大的误解纠正”。教师挑选三条典型误解朗读，如“我以前以为推荐就是越难越好”“我以为算法完全客观，没想到需要预设伦理规则”。【重要】

2.教师发布第一课时后置任务：以小组为单位，任选高中任一学科的一个核心概念，设计该概念的6条学习资源，并为每条资源撰写至少4个维度的结构化标签。该产出将作为第二课时项目实践的输入素材。【基础】

第二课时：设计你的AI学习伙伴——项目式建构

（一）反馈与衔接：从标签设计到算法思维（6分钟）

1.作业展评

教师展示三组优秀作业，重点关注标签维度是否覆盖内容难度、认知水平、媒体形式、知识关联四项核心属性。其中一组为“细胞呼吸”设计的资源标签特意标注了“含3D交互模型”，针对视觉-动觉型学习者；另一组为“等差数列”设计了“从历史故事引入”的独特标签。教师以此说明：高质量标签是高质量推荐的前提。【重要】

2.问题桥接

教师反问：“假设现在资源池不是6条，而是600条，每个学生特征也不是3个而是30个，刚才我们手动连线的方法还行得通吗？计算机用什么数学工具替我们完成这种匹配？”由此引出向量空间与相似度的核心概念。【非常重要】

（二）核心技术原理降维：相似度的几何直觉（10分钟）

1.可视化类比

教师在坐标系中绘制两个点，分别代表学习者L与资源R1、R2。L的坐标是（喜欢动手操作，3），R1坐标是（大量实验，2），R2坐标是（纯理论讲授，4）。教师不使用任何公式推导，而是用手比划两点之间的连线，直观表达：连得越短，意味着越相似。【难点】

2.临界概念辨析

教师进一步指出，真正的教育推荐不能只看“绝对距离”，还要看方向。举例：一个极度偏好视觉学习的学生，与一条视觉资源夹角为0°，与一条听觉资源夹角为90°——即便后者长度更短（难度更低），方向上的背离仍可能导致推荐失败。这里教师仅点到“余弦相似度”思想，不展开计算。【高频考点】

3.伪代码共读

教师在大屏幕上展示极简化推荐伪代码：

输入:学习者特征向量L,资源特征向量集合R

对于每一条资源r在R中:

计算Sim=相似度(L,r)

将所有r按照Sim值从大到小排序

输出Sim值最大的前3条资源

教师逐行解读，学生跟读，用自然语言翻译每一行含义。重点强调“排序”是推荐系统的核心输出行为。【基础】

（三）项目发布：班级共享学习伙伴原型挑战（18分钟）

1.情境任务

每个小组正式成立“教育科技创业公司”，需要在18分钟内完成以下挑战：基于教师分发的知识库（范围为高中信息技术必修一“算法与程序设计”章节），设计一个最小可行个性化推荐模块原型。必须交付四项产出：

[1]学习者特征维度定义卡：至少定义3个维度，明确每个维度的取值范围及数据来源。

[2]资源标签库（5条以上）：每条资源包含资源名称、知识模块、难度等级、媒体类型、建议前驱知识点。

[3]推荐逻辑说明书：用流程图、伪代码或自然语言描述系统如何根据学习者特征筛选并排序资源。

[4]伦理自检报告：用一句话说明本设计如何避免算法偏见或冷启动困境。【非常重要】

2.支架与工具

每组领取A3尺寸“推荐系统设计画布”，画布包含四个区域：

（1）用户定义区：填写特征维度及示例用户取值。

（2）资源标签区：粘贴便签纸，每条便签一条资源。

（3）匹配规则区：用箭头+简单逻辑词（如果…那么…、排序依据）绘制决策流。

（4）伦理反思区：记录组内对公平性、可解释性的讨论要点。【重要】

3.沉浸式实践

学生在画布上快速迭代。教师观察到以下典型行为：

某组尝试将“学习目标”量化为1～5分，1分代表“应付学业水平测试”，5分代表“冲击信息学竞赛”，并以此作为资源难度筛选的首要依据。

另一组在资源标签中增加“性别刻板印象检查”，主动避免将“编程挑战”类资源默认与男生特征挂钩。

部分组在匹配规则区陷入争论：究竟是优先满足学生兴趣，还是优先弥补知识短板？教师引导其将两种策略设计为“用户可调模式”，而非单一固定规则。【难点】

4.微干预

教师面向全班进行60秒微讲座：“好的推荐系统不仅告诉你学什么，还告诉你为什么不推荐另一个。这就是可解释性。”随即要求各组在伦理反思区补充“如何向用户说明推荐理由”。【热点】

（四）路演与交叉质询：让思维可见（8分钟）

1.极速路演

每组推举一名“CEO”进行2分钟推介，形式不限。有的小组使用平板电脑录屏讲解流程图，有的直接在画布上指点，有的编排了“用户—AI助手”一分钟情景剧。【重要】

2.深度质询

路演结束后，其他小组成员根据教师提供的质询清单发起提问。质询清单包括：

●冷启动问题：一个新同学没有任何学习记录，你的系统如何给他推荐？

●可解释性问题：如果学生质疑‘为什么总给我推简单题’，系统能怎么回答？

●公平性问题：你的特征维度是否会对某些家庭背景的学生不利？

●数据隐私：你们采集的学习时长数据会被用于其他用途吗？【热点】

3.教师角色

教师在质询中不直接给出答案，而是将关键问题反弹回路演组，并记录各组在面对质疑时的反应质量。例如针对冷启动问题，一组回答“我们强制要求新生先做一个5分钟的前测”，另一组回答“我们默认推荐最热门资源，收集数据后再个性化”。教师点评两种策略的适用场景差异。【非常重要】

（五）价值锚定与技术祛魅（3分钟）

1.教师总结

教师将学生在画布上呈现的各种策略归入三个哲学追问：

技术能做什么——特征工程与相似度计算。

技术应该做什么——平衡利用与探索、兼顾效率与公平。

技术如何被信任——可解释性与人的最终决策权。

教师指出：本课从未打算把高中生培养成算法工程师，而是希望每一位学习者都能成为算法的对话者，既能借助AI放大自身优势，又能辨识其局限与偏见。【非常重要】

2.闭幕体验

全体学生闭眼，教师播放一段由AI语音合成的、来自2030年的“学习者致今日自己”的虚拟信件。信中提到：“感谢你在2025年没有把学习完全交给算法，你保留了质疑、保留了选择说‘不’的权利。”铃响，课时结束。【重要】

六、教学评价设计

本设计采用全要素、多角色、表现本位评价体系，彻底打破纸笔测试的单一维度。

（一）过程性评价三级量规【非常重要】

1.概念理解维度（权重30%）：能否在小组讨论与手动模拟中准确使用画像、标签、协同过滤、相似度等术语，能否识别教育推荐与商业推荐的伦理差异。分为典型（25-30分）、基本（15-24分）、不足（0-14分）三档。【高频考点】

2.模型建构维度（权重40%）：推荐系统设计画布的完整性与逻辑自洽性。重点考察特征维度是否多维、资源标签是否结构化、匹配规则是否存在明显矛盾。该维度由教师依据量规打分，并附30字以上具体评语。【重要】

3.协作与沟通维度（权重20%）：组内互评采用四点量表，涵盖倾听、贡献观点、化解分歧、责任感四项指标。【基础】

4.伦理敏感性维度（权重10%）：设计画布伦理反思区的文本质量，以及质询环节主动提出伦理关切的行为记录。【热点】

（二）终结性表现任务【重要】

课后每位学生登录“智学径”模拟系统，完成独立挑战：为自己设计一份为期一周的数学复习路径。系统记录以下行为数据：

（1）学习者特征设置完整度；

（2）资源筛选时使用的筛选条件组合；

（3）最终生成的路径序列；

（4）对系统默认推荐的调整次数。

学生需提交《我的学习路径设计说明书》，包含三个核心段：我如何认识自己、我如何选择资源、如果让AI替我决策我会保留哪些权力。该作业纳入本模块学分认定成绩。【非常重要】

（三）评价工具与反馈机制

教师使用班级数字化管理仪表盘，将每组成果拍照上传，并使用评价量规插件现场打点。第二课时结束时，各小组接收雷达图反馈，直观呈现本组在概念精确性、创新性、伦理周密性、表达清晰性四个维度的相对位置。雷达图同时发送至学生个人邮箱，作为后续选课与生涯规划参考依据。【热点】

七、课后延伸与作业布置

（一）基础巩固作业【基础】

1.完成教材配套练习册第四章“人工智能与机器学习”填空题第3、5题，选择题第7、9题。

2.观看教师推送的微视频《知识图谱：AI如何理解教材》，在云班课讨论区用一句话概括“知识图谱为什么能让推荐更聪明”。

（二）拓展研究作业【热点】

3.选题A（工程师思维）：“智学径”模拟系统的离线测试包，尝试修改资源库中的标签数值，观察对三名虚拟学生推荐结果的影响，撰写200字实验日志。

4.选题B（社会研究思维）