高中信息技术：流行趋势数据建模与分析模板课件教案

高中信息技术：流行趋势数据建模与分析模板课件教案

一、课程设计哲学与理论依据

本教学设计严格锚定《普通高中信息技术课程标准（2017年版2020年修订）》中“数据与计算”“信息系统与社会”两大必修模块，深度落实信息意识、计算思维、数字化学习与创新、信息社会责任四维核心素养。课程以建构主义学习理论为根基，采用项目式学习（PBL）范式，将真实商业与社会情境中的“流行趋势预测”解构为课堂可执行的微项目，引导学生在“问题定义—数据清洗—特征构造—模型预测—可视化叙事”的全流程体验中，完成从具体生活经验到抽象计算思维的跃迁。设计特别凸显跨学科统整：借鉴社会学的问卷法进行数据采集伦理教育，运用统计学的描述推断思想支撑建模逻辑，融合美术学科的色彩构成理论优化可视化表达，同时渗透语文学科的情感词库构建策略，以此打破学科壁垒，培养学生在复杂信息环境下解决劣构问题的专家思维。

（一）学情精准画像

授课对象为高中二年级学生，已完成《数据与计算》必修模块学习，具备以下先验能力：①能熟练使用Excel进行排序、筛选、分类汇总及基础图表生成；②约60%的学生接触过Python编程，能理解变量、数据类型及简单函数调用；③对校园亚文化、潮流符号、社交媒体热梗具有高度敏感性与表达意愿。存在的主要认知障碍表现为：缺乏对“脏数据”的系统性清洗意识，特征工程概念仅停留于“添加列”的操作层面，无法将领域知识转化为有效的预测变量；对趋势预测的认知仍固着于“描点连线”的描述性统计，未能建立“用历史推断未来”的推断性建模思维；可视化作品普遍存在“重装饰轻信息”的审美偏差。基于此，本课将教学难点精准定位于特征构造的策略选择与简化版预测模型的参数意义理解，并以半成品模板作为认知支架，实现思维梯度的软着陆。

（三）宏观教学结构

课程采用“课前微课释能—课中项目深潜—课后跨域迁移”三阶递进结构。课前通过交互式微课攻克数据清洗的技术细节，释放课堂黄金时间用于高阶思维活动；课中以“数据分析五步闭环”为主线，每步均设计具身性、高密度的操作任务与元认知追问；课后设置跨学科拓展任务，使数据素养迁移为分析社会问题的普适性能力。

二、教学目标（含核心素养对应）

1.信息意识维度（【非常重要】【高频考点】）

学生能够敏锐识别流行趋势数据在商业预判、文化传播、校园管理中的多元应用场景；能够主动从微博热搜指数、电商平台榜单、校园论坛热帖、线下访谈等多源异构渠道定向采集数据，并批判性质疑数据源的信度与效度；在小组协作中自发建立“数据采集日志”与“数据更新提醒机制”，对过时数据具有警觉性。

2.计算思维维度（【非常重要】【难点】【热点】）

学生能够将“预测下季度校园流行色”等初始模糊、边界不清的问题，通过抽象、分解、建模的系统方法，转化为“特征提取—算法匹配—误差评估”的可计算流程；能够运用Excel函数或Python语句完成连续变量离散化、文本数据向量化等特征工程操作；能够通过调整移动平均步长、指数平滑系数等模型参数，观察预测结果的敏感性变化，初步形成算法效率与模型泛化意识。

3.数字化学习与创新维度（【重要】【高频考点】）

学生能够依据数据特征与报告受众，灵活选用Excel数据透视表、PowerQuery或PythonPandas完成数据聚合与透视；能够对教师提供的半成品分析模板进行二次开发，自主添加切片器、下拉菜单等交互元件，设计具有个人风格的“流行趋势动态仪表板”；能够在模板中嵌入文字分析结论，形成“图表+解读”的融合性报告，实现从工具操作到创新表达的跃升。

4.信息社会责任维度（【一般】【低频考点】）

学生在处理包含校园论坛昵称、消费偏好的原始数据时，主动执行匿名化处理，删除可直接定位到个人的标识字段；在撰写预测结论时，规范使用“基于样本数据，预测结果仅供参考”等不确定性声明；抵制为了追求“完美预测”而篡改、捏造数据的行为，形成数据伦理底线思维。

三、教学重难点精准定位

1.教学重点（【非常重要】【必考】）

（1）数据清洗的完整操作闭环：重复记录识别与删除、缺失值统计量与业务逻辑双轨填充、基于箱线图或百分位数的异常值修正。

（2）基于时间序列的简易预测模型群：环比/同比平均增长率法、移动平均法（简单加权）、指数平滑法（ETS函数）的适用场景、参数配置与Excel实现。

（3）可视化仪表板的组件集成：图表类型与数据关系匹配、切片器与数据透视表的联动设置、主题颜色与字体层级的统一规范。

2.教学难点（【难点】【区分度】）

（1）特征工程中的语义归约策略：如何将自然语言描述的文本偏好（如“雾霾蓝”“克莱因蓝”）合理归并为抽象色系；如何利用简易情感词典将主观评价转换为可计算的情感极性得分。

（2）预测模型不确定性的认知建构：帮助学生理解预测值并非未来真实值，而是基于特定假设的概率性推断，避免将算法输出奉为圭臬。

（3）跨表数据关联查询：多条件下VLOOKUP近似匹配与精确匹配的差异、Python中merge函数内连接与外连接的选择逻辑。

四、教学方法与媒介组合

1.教法体系：项目式学习（驱动性问题为“如何为校园潮牌店提供下季度进货建议”）、逆向教学设计（首环节即呈现评价量规，以终为始）、支架式教学（提供三种不同完成度的半成品模板）。

2.学法体系：小组协作探究（异质分组，角色轮换）、微课自主学习（前置技能包）、同伴互评（画廊漫步与便利贴反馈）。

3.教学媒介：交互式电子白板、极域电子教室控制系统（屏幕广播与文件分发）、学校私有云盘（作品汇聚与共享）。

4.技术工具栈：MicrosoftExcel2021（主工具，含数据分析工具库加载项）、JupyterNotebook（辅工具，面向学优生）、TableauPublic（拓展工具，用于鉴赏专业作品）。

五、课前深度学习任务设计（【重要】）

1.微课自学与即时检测：学生登录智慧校园平台，完成交互式微课《数据清洗：从杂乱到规整》学习，时长9分钟。微课采用ArticulateStoryline开发，内嵌拖拽匹配题（将清洗操作与对应场景连线）与代码填空题（Python缺失值填充语句）。学生需上传含成绩截图的学情反馈表，错误率超过30%的题目将由系统自动推送针对性讲解视频。

2.真实数据前置采集：每组利用大课间与午休时间，在食堂、操场等人流密集区完成至少30份微型问卷。问卷聚焦“运动鞋购买考虑因素”，含单选（价格区间）、多选（品牌偏好）、填空（期待新功能）三种题型。数据以统一格式录入Excel模板，上传至班级云盘“原始数据池”。此任务不仅前置数据源，更关键的是使学生亲历“采集即引入噪声”的过程——问卷字迹潦草、选项漏填、单位不统一等问题将成为课中清洗环节最真实的教学资源。

六、教学实施过程（核心环节，总时长90分钟）

（第一课时0-45分钟）

（一）情境锚定·从校园现象到商业命题（5分钟）【非常重要】【热点】

[教师活动]上课铃响，大屏实时投射班级云盘中各组上传的问卷数据词云，“耐克”“李宁”“软弹”等词汇高频闪现。教师轻触屏幕，调出去年同期学生采集的旧数据进行并置对比：“同样在十月，‘阿迪达斯’词频从榜首滑落至第四，而‘昂跑’‘Hoka’等新兴品牌首次出现。如果你是校园跑鞋店的买手，此刻的进货清单应该删除哪些SKU？增加哪些订货量？”学生在真实数据反差中迅速进入决策者角色。

[学生活动]每组在学案“问题定义区”以“PICO框架”撰写本组研究问题：P（人群）——本校高一高二走读生；I（现象）——运动鞋品牌偏好迁移；C（对比）——相较于去年同期；O（产出）——预测下季度三类畅销价格带与配色。

[设计意图]将抽象“流行趋势”具身化为校园周边的具体消费场景，消解数据科学与日常生活的隔阂感，同时自然锚定预测的时间尺度与客体范围。

（二）模板解构·建立专业心理模型（3分钟）【一般】

[教师活动]教师分发一份静态交互式HTML页面（由TableauPublic制作，已屏蔽技术细节），呈现“2024年一线城市高中生运动鞋消费趋势洞察”。学生通过点击图例、悬停查看数据标签，快速归纳专业报告的模块骨架：市场概况（份额饼图）、消费力分布（价格带直方图）、趋势预测（带置信区间的折线延伸）、人群画像（性别与年级交叉表）。

[学生活动]小组讨论30秒，在便签纸上写下“我们的模板至少需要包含哪三种图表”，并粘贴至黑板对应区域。

[设计意图]在动手操作前提供高品质样例，建立“好模板”的视觉与结构标准，避免后续陷入低水平重复。

（三）数据清洗·从经验判断到标准流程（12分钟）【非常重要】【高频考点】【难点1】

[教师精讲]教师打开一份刻意植入典型错误的“校园潮流数据混编.csv”，开启极域电子教室“全体示范”模式。屏幕录制清晰展示三阶段操作：

1.去重：数据选项卡→删除重复项→关键提醒“若勾选‘我的数据包含标题’，则首行不参与比对”。同时展示因误勾导致整列标题丢失的逆向案例。

2.补缺：针对“月均可支配花费”字段，教师首先展示均值、中位数、众数的差异可视化，引导学生从“少数高消费个体拉高均值”的箱线图分布中，自主选择中位数作为填充值。操作技巧：定位条件→空值→按Ctrl+Enter批量输入公式=MEDIAN(列区域)。

3.降噪：基于“月均购鞋支出”字段生成箱线图，识别出上边缘（Q3+1.5IQR）之外的异常样本。教师提出“数据医生”隐喻：异常值可能是错误，也可能是创新信号（如联名款超高溢价）。因此，处理策略为缩尾替换而非粗暴删除——使用PERCENTILE.INC计算95%分位数，IF函数嵌套实现阈值截断。

[学生实践]各小组接收教师分发的“原始数据工厂.xlsx”，该文件包含8字段、200条记录，故意植入重复记录5条、缺失值12处、异常值3处。学生独立完成清洗，并使用条件格式将所有被修改过的单元格填充浅黄色，教师通过极域“学生演示”功能轮播优秀作业。

[重点干预]巡视发现，多数小组将“喜爱的颜色”字段中的“浅粉”“樱花粉”“豆沙粉”保留为独立值。教师立即组织1分钟微辩论：“支持合并方认为粉色系整体趋势即可，支持保留方认为细分色号对进货更有指导意义。”辩论自然引出特征工程的核心矛盾——粒度与泛化能力的权衡。

[技术拓展·Python组]教师侧屏板书核心代码锚点：df.drop_duplicates(inplace=True)；df['月均支出'].fillna(df['月均支出'].median(),inplace=True)；df['月均支出']=df['月均支出'].clip(upper=df['月均支出'].quantile(0.95))。学生至Jupyter单元并执行。

（四）特征工程·赋予数据语义密度（10分钟）【非常重要】【热点】【难点2】

[教师支架]教师揭示认知冲突：“机器无法理解‘樱花粉’和‘婴儿粉’哪个更受欢迎，除非我们教会它归类。”教师演示三种特征构造范式：

1.时间派生：基于“购买日期”列，用MONTH函数提取月份，再用SWITCH函数（或IFS嵌套）将数字月份映射为季节。强调北半球季节划分惯例（3-5春，6-8夏，9-11秋，12-2冬）。

2.文本量化：发放“校园流行语情感词典.xlsx”，包含正向词（踩屎感、透气、增高）、负向词（开胶、磨脚、显脏）各30个。学生通过VLOOKUP通配符匹配，将“推荐评语”列中的短语与词典关联，聚合每条记录的净情感得分（正向量-负向量）。

3.色系归并（跨美术学科）：大屏展示伊顿十二色相环，教师引导学生建立“色彩家族”映射表——品红/朱红/赭石→红色系；湖蓝/靛蓝/普鲁士蓝→蓝色系。学生使用XLOOKUP函数完成从具体颜色到九大色系的批量转换。

[学生高阶任务]各组基于清洗后数据，至少完成“季节”“色系”“情感分”三个新特征字段的构造。学优组额外挑战：将“价格”字段离散化为四档（经济<300、大众300-600、中端600-1000、高端>1000），并论证分档依据。

[元认知追问]教师展示两组建模结果，预测精度差异显著。提问：“为什么A组将价格分为四档，B组分为三档，但A组误差反而更大？”学生经讨论顿悟：特征并非越细越好，过细会导致过拟合，缺乏泛化能力。

（五）模型初建·从历史数据到未来推断（15分钟）【非常重要】【难点3】

[认知降维]教师彻底摒弃数学公式推导，采用“物理模拟”教学法。邀请三名学生扮演“移动平均窗口”：前三位“数据点”报出身高，第四位学生需用前三位的平均值作为自己的“预测身高”。游戏进行三轮，学生瞬间理解移动平均的本质——用局部历史平滑整体波动。

[技术工具箱全景呈现]

1.环比/平均增长率法：适用平稳趋势。教师演示计算各期环比增长率，再取几何平均数，预测值=末期值×(1+平均增长率)^期数。

2.移动平均法：Excel数据分析库需提前加载。参数“间隔”分别设为3和5，观察拟合曲线平滑度差异。教师强调：间隔越大，曲线越平滑，但对近期变化反应越迟钝。

3.指数平滑法（ETS）：FORECAST.ETS函数需三参数——目标日期、历史值轴、时间轴。重点讲解“季节性周期”参数：对于校园消费数据，学期制导致4个月为一周期，故周期值设为4。

[对比实验]各小组聚焦本组核心变量（如“每周李宁品牌提及次数”），分别用三种方法预测下一周数值。教师通过极域分发“验证数据包”——包含被隐藏的真实值。学生将三种预测值与真实值对比，惊讶地发现：有时简单移动平均竟完胜指数平滑。教师顺势建构核心观念：模型选择无绝对优劣，误差分析才是建模的起点。

[过程性记录]每组填写“建模实验报告单”，强制包含：预测目标、选定模型、参数设置、预测值、绝对误差率、误差归因分析（样本波动/模型局限/参数欠佳）。

（第一课时结束，课后任务：各小组将清洗后数据与特征工程文件打包上传；预习教师云盘中的《图表修辞学》微文档）

（第二课时45-90分钟）

（六）可视化叙事·将数据转化为洞察力（15分钟）【非常重要】【高频考点】

[审美校准]教师展示正反案例对比。反例：3D爆炸式饼图、渐变立体柱状图、五彩折线图——信息完全淹没于装饰。正例：《经济学人》杂志经典图表——黑白灰色调、充足留白、数据标签精准。师生共同萃取“可视化三原则”：真（坐标轴强制从零始）、简（数据墨水比最大化）、读（标题直接点明结论）。

[双轨实战·差异化学案]

→Excel主线：教师下发“流行趋势看板生成器.xlsx”，该模板已完成数据透视表连接、四张基础图表预设（环形图-品类份额、簇状柱-季节对比、箱线图-价格分布、词云-热评词汇）。学生仅需将本组清洗后数据粘贴至“数据底座”工作表，图表即刻刷新。核心挑战任务：插入两个切片器（性别、年级），通过报表连接实现四图联动筛选；修改图表主题色为自选“校园流行色”，并保存为自定义图表模板。

→Python辅线：教师分发“仪表板骨架.py”，框架内已导入pandas、matplotlib、seaborn，并预设四子图布局。学生需完成：替换CSV文件读取路径；将主题色参数由默认修改为十六进制色码；选做：用ipywidgets添加下拉选择框，动态切换分析维度。

[创新溢价]鼓励学生在完成基础模板后，自主增加第五张图表。各组创意涌现：有的将“不同性别对国潮接受度”绘制为堆砌面积图，有的将“联名款与普通款价格差”制作为子弹图，教师通过屏幕广播即时轮播增量成果，并将文件命名规范为“组名_基础分+创新分.xlsx”。

（七）报告撰写·从图表到商业建议（10分钟）【重要】

[思维脚手架]教师提供“四段式报告模板”：

1.摘要：一句话核心发现（例：“未来三月白色运动鞋需求将超越黑色，建议扩大订货比例”）。

2.过程溯源：用200字简述数据来源、清洗条目、特征构造思路，配1张清洗前后对比缩略图。

3.预测结论：分点陈述，每条结论必须锚定具体图表编号（如“见图3，蓝色系偏好度连续两季增长，预测下季度占比达37%”）。

4.行动建议：针对校园店、学生会、品牌方等不同主体提出差异化策略。

[小组协作]各小组在Excel模板新增“报告”工作表，或于JupyterNotebook添加Markdown单元格，协作撰写。教师提供高频句式语料库（“数据显示……”“值得注意的是……”“基于此，我们建议……”）供写作困难学生调用。

[互评迭代]采用“三分钟画廊漫步”：每组留守一位“策展人”，其余组员佩戴评价胸牌，持便利贴流动观摩。每张便利贴必须书写“一处视觉惊艳点+一处逻辑疑点”并实名署名。教师随机抓拍高质量质疑，投影即时解析。

（八）伦理升华·数据科学的谦卑（5分钟）【一般】

[案例警示]教师屏显真实商业案例：某快时尚品牌因过度信任算法预测，一次性采购20万件“预测爆款”荧光绿卫衣，最终滞销导致现金流断裂。学生沉默后自发讨论：预测出错怎么办？

[师生共建策略清单]

1.标注不确定性：在预测值后添加“±误差范围”或“置信度70%”。

2.建立反馈回路：设计“预测-销售对比看板”，持续迭代模型。

3.保留人工决策权：算法建议仅为参考，重大决策需人工复核。

[仪式化环节]全班齐读“数据分析师誓词”（节选）：“我承诺，不伪造一个数据点，不隐瞒一个异常值，不夸大一个预测结论。”

（九）作业发布与跨域迁移（2分钟）【一般】

[基础性作业]各小组依据互评意见精修报告，将“清洗数据+特征表+看板+报告”四件套压缩命名上传。个人完成200字“卡点复盘”——描述并分析本组遇到的最大困难及解决过程。

[拓展性作业·跨学科选做]

1.地理方向：本地市气象局过去5年逐月平均气温，试用指数平滑法预测今年冬季均温，对比官方预报结论。

2.历史方向：将唐宋元明清政权存续时长视为“朝代流行寿命”，试用移动平均法观察王朝周期律，撰写思辨小文。

3.艺术方向：选取五位知名画家的创作活跃期作品色彩占比，分析其流行色演变轨迹。

[资源支持]教师于云盘上传拓展学习支架：《Excel高级预测函数手册》《PythonProphet极简教程》《TableauPublic学生版注册指引》。

七、板书与学案一体化设计

（板书采用“概念生长”模式，伴随课堂进程动态生成）

主板书区（白板左侧）：

数据建模五环·流行趋势预测版

①问题定义（谁？何时？何物？）→②数据清洗（去重·补缺·降噪）→③特征工程（派生·归并·量化）→④模型预测（增长率·移动·平滑）→⑤报告决策（图表·结论·建议）

副板书区（白板右侧）：

高频函数速查

VLOOKUP(近似匹配)｜SWITCH(季节映射)｜MEDIAN(补缺)｜FORECAST.ETS(趋势)

可视化三真经

坐标归零｜去网格化｜标题即结论

学案（纸质/电子融合）构成：

1.PICO问题定义卡；2.数据清洗操作记录签证页；3.特征工程创意专利申请书（模拟）；4.建模实验误差分析单；5.同伴互评量规表；6.ISTE学生标准自评九宫格。

八、教学评价体系设计（【重要】）

本课程彻底破除唯结果论，构建“证据链式”素养评价系统。

1.过程性评价（权重65%）

1.微课嵌入测验：系统自动记录得分与重学次数，揭示元认知监控水平。（5%）

2.关键操作节点：数据清洗完成度（提交截图）、特征构造合理性（至少3个新特征）、预测模型应用记录（实验报告单），每项各5分。（15%）

3.协作参与指数：由组内互评+教师观察日志合成，采用“贡献度-交互质量-任务投入”三维量表。（15%）

4.可视化创新指数：跨学科教师（美术）与信息技术教师双轨评分，权重分别为40%与60%。评分聚焦：图表类型与数据关系匹配度（40%）、配色方案和谐性（30%）、交互元件有效性（30%）。（20%）

5.反馈质量评价：同伴互评环节提出的“疑问点”被对方组采纳改进，每条计2分，上限10分。（10%）

1.终结性评价（权重35%）

1.小组作品集评价：采用量规从四个维度切割评分。

数据维度（30%）：清洗彻底性、特征原创性、预测过程可复现。

技术维度（30%）：模板稳定性、交互流畅性