高中信息技术（人工智能模块）：智能教育系统原型设计与实现教案

高中信息技术（人工智能模块）：智能教育系统原型设计与实现教案

一、教学背景分析

（一）课程标准依据与模块定位

本课依据《普通高中信息技术课程标准（2017年版2020年修订）》必修模块2“信息系统与社会”及选择性必修模块4“人工智能初步”的核心要求设计。课程标准强调通过真实项目，引导学生理解信息系统的基本原理，掌握利用人工智能技术解决实际问题的基本流程。本课将智能教育系统作为信息系统的典型应用案例，深度融合算法、数据、模型与系统架构，定位于高二年级信息技术课程“项目整合·跨学科应用”专题。该内容不仅是【非常重要】的计算思维综合实践载体，也是衔接后续“开源硬件项目设计”“人工智能应用开发”等模块的【关键枢纽】。

（二）教材分析与内容重构

现行教材在“人工智能”部分多以孤立算法体验为主，缺少从系统全局视角审视智能应用设计的完整链路。本课基于项目式学习理念，对教材内容进行二次开发：将零散的机器学习流程、前端交互、数据管理整合为“智能教育系统原型设计”这一真实任务。核心内容涵盖需求分析、数据特征工程、简易分类模型训练、系统前后端协同、可视化反馈五个维度。其中，模型训练与系统集成的逻辑是【高频考点】和【学术难点】，而需求与技术的转化能力则是【核心素养增值点】。

（三）学情分析

授课对象为高中二年级学生，已完成Python程序设计基础、数据采集与处理初步、算法三种基本结构的学习，对人工智能有感性认知但缺乏系统性项目经验。学生在信息意识层面具备主动获取资源的能力，但在【难点】方面集中表现为：将教育场景中的模糊需求转化为具体可计算的特征规则、理解模型在系统内外的交互边界、对算法公平性与数据偏差的敏感度不足。此外，该学段学生处于形式运算思维向辩证思维跃升期，适合通过“设计思维”框架引导其经历复杂问题的解构与建构。

二、教学目标设计

（一）学科核心素养目标

1.信息意识：能够敏锐识别传统教育评价系统中存在的效率瓶颈与反馈滞后问题，主动提出利用智能技术优化作业反馈与学情分析的可行场景。

2.计算思维：能够将“智能批改”“个性化习题推荐”等模糊教育需求分解为“特征提取—分类决策—结果输出”的清晰算法流程；能对模型准确率进行初步的误差分析，并理解训练数据分布对系统行为的影响。【非常重要】

3.数字化学习与创新：熟练使用图形化机器学习工具（如TeachableMachine或百度EasyDL定制化训练平台）与PythonFlask简易框架，协同完成智能教育系统功能模块的原型构建；能基于用户测试反馈对交互逻辑进行迭代优化。

4.信息社会责任：在系统设计过程中，主动审视数据隐私保护、算法结果解释性、避免对特定学生群体造成数字歧视等伦理议题，形成负责任的技术创新观。【高频考点】【热点】

（二）表现性目标叙写

通过本课学习，学生能够以4人小组协作形式，完成一个具有特定教育功能（如英语作文要点识别、数学选择题错因诊断、古诗词意象分类等）的智能教育系统网页原型。该原型应具备数据上传或选择、模型调用推理、结果可视化展示、简易解释性反馈等基本要素，并提交一份包含系统架构图、核心代码片段、测试记录与伦理审查清单的项目报告。

三、教学重难点与靶向突破策略

（一）教学重点【非常重要】【高频考点】

1.教育场景问题向机器学习分类任务的映射方法，特别是特征标签体系的设计。

2.基于预训练模型接口的调用与前端数据流整合。

3.系统性能评估指标（准确率、召回率）在教育语境下的合理解释。

（二）教学难点【难点】【易混淆点】

1.特征工程中非数值型数据（如文本、选项）的量化编码与归一化处理对学生抽象思维提出挑战。

2.模型预测错误的教育学原因分析——学生容易将算法偏差与技术缺陷混为一谈，难以区分是训练数据代表性不足还是模型结构局限。

3.前后端异步交互中数据传输格式（JSON）的构造与解析，这是编程实现环节的【操作性瓶颈】。

（三）突破策略

针对难点1，引入“教育标签量化桥”工具支架，提供半结构化的特征映射表格，将学生描述的“书写潦草”“关键词遗漏”转化为灰度值、词频向量等可计算量。针对难点2，采用“错误案例对比教学法”，同时展示因数据偏差导致性别歧视的模拟案例与因特征不足导致误判的案例，引导学生归因分析。针对难点3，提供标准化的Ajax请求代码片段与错误调试指南，并在关键函数处预设注释锚点，降低认知负荷。

四、教学方法与学习环境架构

（一）教法整合创新

本课采取“设计思维双循环”教学法：外层循环遵循“共情—定义—构思—原型—测试”的设计思维经典五步，内层循环融入“数据准备—模型训练—评估优化”的机器学习工作流。教师角色定位为“学习体验设计师”与“认知冲突催化者”，通过精准提问、反向建模、资源定向供给来推动思维爬坡。

（二）学法支持系统

学生采用“岗位轮换制”协作模式，每组设项目经理、数据工程师、前端交互师、算法测试员四类角色，每15分钟轮换一次认知任务，确保每位学生都能经历完整的技术链条。学习支架包括：智能教育系统设计画布（可视化统筹工具）、模型行为记录表（用于记录不同输入下的输出变化）、伦理影响快速检核卡。

（三）环境与资源准备

极简开发环境：预装Chrome浏览器、VSCode编辑器、Python3.8+（Flask库、Requests库）；机器学习建模环节使用百度EasyDL零代码平台的教育版定制任务，避免底层算法推导占用过多课时。同时准备离线版可移植模型包，保障网络波动下的实验连续性。此外，提供三组不同复杂度（低：选择题答案匹配；中：作文关键词计数；高：学习焦虑程度问卷预测）的教育数据集，支持差异化学习路径。

五、教学实施过程（核心权重占比75%）

（一）课前悬置与定向准备

课前48小时，学习平台推送微视频《当教育有了“数字大脑”：三个真实的智能辅导系统》，并附诊断性问题：“请列举一个你在作业中遇到的、认为可以通过计算机自动判断正误或给建议的场景。”学生在讨论区回帖并互评。教师依据高频词聚类分析，筛选出“英语作文拼写纠错”“数学证明题逻辑链可视化”“历史材料题关键词踩点”三个典型方向，作为课堂分组选题的参考池。此环节旨在唤醒【前概念】并锚定学习意义。

（二）课中实施四阶循环

第一阶段：需求共情与问题定义（25分钟）

1.情境浸入与认知冲突创设

教师展示一份未使用智能系统的传统教师批改作业实景图，以及一份由上一届学生制作的简易智能默写系统Demo录像。提问：“机器真的能理解学生的答案吗？如果不能‘理解’，它是依据什么做出判断的？”学生自由发言，自然生成“模式匹配”“统计规律”而非“理解”的共识。此设问直指【非常重要】的学科本质：人工智能的认知方式与人类的本质区别。

2.用户旅程图建构

各小组选定一个具体教育子场景（如英语短文写作中“论点支撑句”的自动识别），绘制2分钟内的用户操作流程图。教师引导关注“输入形式（文本、勾选、录音）”“机器内部处理黑箱”“输出形式（分数、评语、色块提示）”三个节点。每小组在智能教育系统设计画布的“问题定义区”写下核心痛点与机会点。

3.高频考点嵌入：特征脑暴

教师发布【热点】问题：“要让程序识别‘论点支撑句’，你需要给程序哪些‘看’得见的线索？”各小组使用便利贴进行特征脑暴，如“句子是否包含‘例如’‘首先’‘我认为’等标志词”“句子在段落中的位置”“句子长度是否超过15词”。教师巡回指导，强调特征必须是可被计算机穷举计算的逻辑判断，并引出“特征工程”术语。【非常重要】

第二阶段：构思映射与模型训练（30分钟）

1.从特征到数据集：抽象跃迁

教师展示一个已经部分打标的微型数据集样例（包含5条句子及其是否支撑论点的标注），解释“标签”是机器学习的依据。随后，各小组将上一环节提出的特征转化为具体的数据列，并在纸质表格中为10条虚拟样本进行人工标注。此过程使学生深刻体会到数据标注的模糊成本与主观性，为后续【难点】——数据偏差埋下伏笔。

2.零代码建模体验

学生登录EasyDL教育定制平台，新建“文本分类”任务。将刚才标注的10条数据输入，部分小组数据量不足，教师及时补充提供同一主题的50条预标注数据，以保证模型可训练。点击训练，约1分钟后得到模型准确率。此时课堂出现第一次认知高潮：为什么准确率不是100%？为什么有些小组准确率低于60%？教师立即组织“模型诊断圆桌”，引导学生从“特征区分度”“样本平衡度”两方面归因。【非常重要】【高频考点】

3.伦理瞬间嵌入

教师在训练数据中故意混入两条带有隐性性别偏见的样本（如认为男生写的科技类句子更专业），训练出的模型对女生署名文本打分偏低。当小组发现此现象时，教师即刻暂停所有操作，开展3分钟微辩论：“如果这个系统明天就用到我们学校，会发生什么？”学生迅速链接到信息社会责任，并在伦理检视卡上记录。该设计将【热点】议题从抽象说教变为亲历性反思。

第三阶段：原型搭建与系统集成（40分钟）

1.系统架构图绘制与分工

各小组在画布上绘制“前端页面—请求发送—后端路由—模型API调用—结果解析—渲染反馈”的完整信息流。教师提供标准Flask项目骨架，学生只需填充两个核心函数：接收前端文本并构造预测API所需的数据格式；将API返回的分类置信度转化为教育反馈语句（如“这篇作文论据较充分，建议再增加一个反面论点”）。

2.编程攻坚与差异化支架

本环节是【操作性难点】集中爆发区。针对JSON格式错误问题，教师在教室四面墙壁张贴“常见JSON结构速查表”与“Python字典与JSON互转示例”。同时设置“红绿蓝”三级求助机制：红色为完全阻塞，教师或助教立即介入；绿色为可自行查阅文档解决；蓝色为可向邻组请教。这一设计既保障基础薄弱生的安全感，又释放优等生的教学领导力。

3.模型API本地化联调

学生将训练好的模型发布为公开API或离线SDK，在Flask应用中使用requests.post将用户输入文本发送至模型服务，解析返回的置信度分数。当学生第一次在自建网页上看到“诊断结果：论据充分度87%”时，课堂情绪达到峰值。教师抓住契机追问：“87%意味着什么？它可能犯什么错？”将技术指标拉回教育语境，深化对“预测概率”的批判性理解。【非常重要】

第四阶段：测试评估与迭代发布（25分钟）

1.对抗性测试游戏

各小组交换原型链接或本地演示环境，使用“极端案例”故意尝试欺骗系统。例如在作文批改系统中输入无意义字符、全篇重复句等。测试方记录系统失效模式，开发方根据反馈进行快速修补或阈值调整。此环节笑声与顿悟交织，学生从技术使用者视角切换为攻击者视角，对模型鲁棒性产生具身体验。

2.可视化解释性尝试

教师引入LIME算法思想（局部可解释模型）的极简可视化变式：高亮影响决策的关键词。学生利用Python的html标签包裹功能，将模型认为权重最高的前三个词在网页上用红色标出。这一功能极大增强了系统的可信度，也成为各小组展示时的亮点。【高频考点】在实际测评中频频出现。

3.项目展评与迭代承诺

每小组进行2分钟“电梯演讲”，演示原型并介绍解决的教育痛点、模型准确率以及一次迭代优化记录。台下学生使用二维码进行实时投票与质性反馈。教师总结时强调：任何智能系统都是不完美的，专业的技术工作者会持续收集数据、重新训练、优化特征，这是工程与科学的常态。

（三）课后拓展与社会化迁移

布置分层选修任务：

基础层：完善当前系统前端界面，增加深色模式或响应式布局，提交代码至班级Git仓库。

进阶层：收集真实用户的10条新评价数据，人工标注后对模型进行增量训练，对比迭代前后的准确率变化并撰写分析报告。【非常重要】【高频考点】

挑战层：调研学校图书馆或心理辅导室现存的一个服务痛点，撰写一份《智能教育系统应用建议书》，包含数据采集方案、特征设计、伦理风险预案。该任务对接教育部“人工智能助力教育均衡”白名单竞赛主题，为有潜力的学生提供学术锚点。

六、学习评价设计

（一）认知网络与表现性评价融合

本课不采用传统纸笔测验，而是构建三层评价矩阵：

第一层：过程性嵌入评价。教师依据各小组在设计画布、模型行为记录表、伦理检视卡上的填写质量，通过量规给出定性反馈。其中“特征与标签的对应逻辑”和“伦理问题识别数量”分别占15%权重。

第二层：作品互评与自我效能评价。使用ICS（作品分析量规），从功能性（模型是否可用、反馈是否合理）、技术性（前后端交互是否通畅、异常处理是否考虑）、创新性（教育场景切入角度、反馈形式新颖度）、社会性（是否有伦理说明）四个维度，由学生互评和教师合议产生等级。

第三层：概念图前测后测对比。在课前与课后分别要求学生围绕“智能教育系统”绘制包含至少10个节点的概念图，通过中心度与连线丰富度评估概念转变。数据显示，学生对“数据”“偏差”“解释性”三个概念的联接显著增强，这是【非常重要】的素养证据。

（二）高频考点对应性检验

在课程收尾阶段，设置三道微型情景迁移题，例如：“某小组用期中考试成绩预测期末退科风险，发现模型对住校生预测不准，请分析三种可能的技术原因。”此类问题紧扣【高频考点】——数据偏差、特征选择片面、过拟合，学生以自由书写形式作答，教师扫描后录入电子档案袋，作为后续复习专题的依据。

七、教学反思与持续优化

（一）预设与生成的统整

本课最大的亮点在于将抽象的“机器学习工作流”具身化为学生可操作、可感知、可辩论的设计决策过程。预设的伦理冲突点在模型偏见环节集中爆发，学生自发提出应增加“教师复核按钮”，这比教师直接讲授算法公平更有力量。未来可增加“模型卡”模板，让学生像专业研究员一样记录模型的用途、局限与评估结果，实现与大学先修课程的无缝对接。

（二）技术支持与思维深度权衡

零代码平台