高中二年级信息技术·人工智能初步：不确定知识的可信度表示与主观贝叶斯推理导学案

高中二年级信息技术·人工智能初步：不确定知识的可信度表示与主观贝叶斯推理导学案

一、课程导引与目标定向

（一）课程定位与顶层设计

本导学案针对高中二年级信息技术选择性必修课程“人工智能初步”模块，在系统学习了确定性知识表示（一阶谓词逻辑、产生式规则）及确定性推理（归结演绎、正向与反向推理）之后开设。本课处于学科知识图谱的关键枢纽位置，既是确定性人工智能向不确定性人工智能认知跃迁的【核心转折点】，也是后续学习机器学习、神经网络、智能系统设计的【重要基石】。依据《普通高中信息技术课程标准（2017年版2020年修订）》及“中国学生发展核心素养”体系，本课深度融合学科核心素养中的“信息意识”“计算思维”“数字化学习与创新”及“信息社会责任”。课程设计秉持“科际整合”与“深度学习”理念，打破单一学科壁垒，以认知心理学、模糊数学与计算机科学的交叉视角重构知识逻辑，旨在塑造学生应对复杂、开放、真实世界问题的专家思维。

（二）新标题阐释与课时规划

本课标题定为《高中二年级信息技术·人工智能初步：不确定知识的可信度表示与主观贝叶斯推理导学案》。标题精准锚定学段（高中二年级）、学科（信息技术·人工智能初步）及两大核心技术模块——表示（可信度因子CF）与推理（主观贝叶斯）。本专题共计安排3个连续课时，本教学设计聚焦于第2课时，承担着从“表示范式”向“推理机制”过渡的中枢功能，是对第1课时“专家系统架构与确定性知识获取”的深化，并为第3课时“简易专家系统原型搭建”奠定算法与工程基础。

（三）核心素养指向的进阶型目标

1.【计算思维-高阶】能够在分析医学诊断、天气预报等典型不精确案例的基础上，抽象出不确定性问题的本质特征，理解引入确定性因子与概率修正的必要性，并掌握将自然语言描述的经验知识转化为形式化可信度规则表示的方法。【非常重要】【高频考点】

2.【概念建构】精准辨析确定性知识与不确定性知识的本体论差异，深度理解可信度（CF）模型中的信度度量、组合函数及阈值机制，构建关于“局部正确与全局容错”的系统观。【基础】【热点】

3.【推理论证】掌握主观贝叶斯推理的核心思想，即利用先验概率与充分性因子（LS）、必要性因子（LN）实现后验概率的迭代更新，能够手动模拟单步及双步证据传播过程，形成对“因果链”与“证据弱化”的量化认知。【难点】【高频考点】

4.【工程思维】通过半结构化知识获取角色扮演，体验领域专家与知识工程师的协同困境，理解“知识精化”与“可信度校准”在实际系统构建中的迭代本质，培养严谨、审慎的系统设计态度。

5.【信息社会责任】辩证分析基于统计的推理系统在医疗、法律等高风险领域应用中的置信边界，形成对人工智能辅助决策的批判性接纳意识。

二、核心概念锚点与认知冲突预设

（一）先行组织者与概念廓清

本课并非零起点教学。学生已在第1课时接触过产生式规则的基本形态（IF...THEN...），并熟知确定性推理中“前提真则结论必然真”的单调逻辑。本课首先打破此“全真全假”的思维定势。教师通过呈现典型病例症状与诊断的非完全对应关系（如：鼻塞→感冒），制造强烈的认知冲突，引出【不确定知识的三大本源】：随机性（事件发生的概率）、模糊性（概念外延不清晰，如“年轻”）、以及经验不完全性（专家启发性知识的置信度）。在此基础上，明确本课研究范畴聚焦于可信度（CertaintyFactor,CF）与主观概率（SubjectiveBayes），不涉及模糊集合论。

（二）学科大观念统摄

本课以“不确定性下的有效决策”为大观念，统摄两大技术流派：其一为源于MYCIN医疗专家系统的确定性因子理论，强调对反证（negativeevidence）的显式表达；其二为源于PROSPECTOR地质勘探专家系统的主观贝叶斯方法，强调利用先验知识对后验概率进行贝叶斯修正。两大方法均服务于同一目的——在信息不完备、逻辑非单调的约束下，尽可能逼近领域专家的判断轨迹。

三、教学实施过程（核心环节，占课时总量90%以上）

（一）锚定真实情境：认知冲突引发问题链（约6分钟）

1.案例投射：教师以多媒体呈现两个平行案例。案例A（确定性规则）：“如果动物产奶，则该动物是哺乳动物。”学生迅速判定此为100%确定逻辑。案例B（不确定性规则）：“如果患者出现打喷嚏且流涕，则患者患普通感冒。”教师追问：“此规则是否100%成立？若非如此，专家为何仍将其视为宝贵知识？”学生在讨论中自然分化出“概率”“可能性”“经验”等模糊表述。

2.问题域生成：教师将学生口语化表述收敛为三个具有学科逻辑的驱动性问题：[1]如何给一条“大概率正确但非全正确”的知识贴上一个量化“置信标签”？【引出表示问题】[2]多条带有置信标签的规则同时触发或链式触发时，置信度如何合成与传递？【引出组合计算问题】[3]若新证据到来，原有的置信度如何动态更新？【引出推理问题】

3.历史回眸：简要穿插科学史。20世纪70年代，斯坦福大学Shortliffe等人面对细菌感染诊断，发现医生从不100%肯定，而是说“极可能”“大概”。为尊重专家表达习惯且保留数学可操作性，CF理论应运而生。此环节不仅激发兴趣，更渗透技术的人本属性——算法需适配人类认知模态。【重要】【人文底色】

（二）深度建构：可信度因子（CF）的形式化表征（约20分钟）

1.符号定义与语义映射：教师严格定义CF（确定性因子）的取值范围[-1，1]。明确指出：CF=1表示前提为真时结论绝对真（纯演绎）；CF=-1表示前提为真时结论绝对假（纯矛盾）；CF=0表示前提与结论无相关性。此处引入【非常基础】的概念辨析：CF并非严格数学概率，它不满足概率的归一性和可加性。例如，P（感冒）+P（非感冒）=1，但CF（感冒）+CF（非感冒）可以不等于1。此点是教学难点，学生极易混淆概率与信度。教师借助“信心投票”类比：对某球队获胜的信心为0.7，对不胜的信心未必是0.3，可能仅为0.2（另有0.1为“不确定”），从而阐释CF模型对“无知”的容忍性。

2.规则表示范式转型：呈现从确定性产生式到不确定性产生式的语形转换。确定性规则：IFATHENB。不确定性规则：IFATHENB（CF=0.8）。教师展示多个生活化与专业化交织的实例。实例1（生活化）：IF天空乌云密布AND湿度极高THEN即将下雨（CF=0.85）。实例2（专业化）：IF动物有蹄THEN该动物是哺乳动物（CF=0.95）。【高频考点】要求学生在给定口语描述中提取前提原子命题、结论命题及专家置信度，完成从自然语言到产生式+CF的形式化转译。

3.可信度因子的证据组合：此为核心难点，亦是计算思维训练的密集区。

（1）前提带逻辑组合（AND与OR）时的CF计算。教师给出严格数学定义：CF（P1ANDP2）=min（CF（P1），CF（P2））；CF（P1ORP2）=max（CF（P1），CF（P2））。此处引导学生回溯模糊数学中的Zadeh算子，强调这是一种保守估计策略，体现“木桶效应”。【重要】教师现场板书演算实例：设CF（鼻塞）=0.9，CF（咳嗽）=0.6，则前提“鼻塞AND咳嗽”的整体可信度为0.6。学生小组合作验证另一组数据，从感性上接受“短板原则”。

（2）单条规则结论CF的传播。定义规则强度CF（rule），则结论B的可信度CF（B）=CF（前提）*CF（rule）。此乘法模型直观反映：前提越不确定，即便规则很强，结论亦会被削弱。教师通过图形化箭头粗细视觉隐喻，帮助学生建立信度衰减的意象图式。

（3）多条同结论规则的合成。引出CF合并函数。此处仅展示MYCIN模型的合并思想：若两条规则分别推出结论B的可信度为CF1与CF2，则综合可信度CF合并=CF1+CF2-CF1*CF2（当CF1，CF2均>0时）。教师通过数值对比（如0.6+0.5-0.3=0.8），揭示冗余证据具有强化效应但非简单叠加，体现系统对多源证据的审慎乐观。

4.嵌入式诊断与即时训练：穿插3分钟课堂速练。教师给出一组微型病例知识库（三条规则）及初始事实可信度，要求学生分步计算某结论的最终CF值。学生通过计算器或手算，暴露常见误区（如直接相加、忽略取小运算等），教师予以精准点拨。【高频考点】

（三）认知进阶：从静态可信度到动态主观贝叶斯（约24分钟）

1.认知脚手架搭建——从CF到概率的跃迁：教师提出问题：“CF模型虽好，但专家有时无法直接给出-1到1的数值，却说‘该现象出现使疾病概率提高30%’。”由此引出基于概率论的主观测叶斯方法。明确本模块定位：非计算全部贝叶斯公式，而是聚焦专家系统领域对贝叶斯定理的工程化改造——概率传播。

2.核心术语定义与几何直观：

（1）先验概率P（H）：在获得任何证据前，结论H成立的期望概率。教师以“某地某病基线发病率1/1000”为例，此为背景频率。

（2）充分性因子LS（LikelihoodofSufficiency）：LS=P（E|H）/P（E|┐H）。几何解释：LS>>1时，证据E的出现强烈支持假设H成立。LS反映了规则“出现则强支持”的力度。【非常重要】【高频考点】

（3）必要性因子LN（LikelihoodofNecessity）：LN=P（┐E|H）/P（┐E|┐H）。几何解释：0<LN<1时，证据E的缺失（┐E）强烈否定假设H。LN反映了规则“不出现则强反对”的力度。【非常重要】【高频考点】

（4）教师重点辨析LS与LN的非对称性及独立性。此处运用可视化工具（PPT静态示意），将LS与LN映射为二维坐标点，展示不同（LS，LN）组合对应的逻辑倾向（中性、证据敏感、证据缺失敏感等）。

3.主观贝叶斯推理的逐级模拟——手工推理循环：

（1）情境设定：基于经典动物识别专家系统片段。规则1：IF动物反刍（E1）THEN该动物是哺乳动物（H）（LS=100，LN=0.1）。初始先验P（H）=0.2。

（2）步骤一：证据确定出现。当E1为真时，后验概率P（H|E1）=（LS*P（H））/（（LS-1）*P（H）+1）。教师带领学生代入数值：LS=100，P（H）=0.2→分子=20，分母=（99*0.2）+1=19.8+1=20.8，结果≈0.96。结论：证据出现使概率从0.2暴增至0.96，体现规则强指向性。

（3）步骤二：证据确定不出现。当E1为假时，后验概率P（H|┐E1）=（LN*P（H））/（（LN-1）*P（H）+1）。代入LN=0.1→分子=0.02，分母=（-0.9*0.2）+1=-0.18+1=0.82，结果≈0.024。结论：证据缺失使概率从0.2跌至0.024，强烈否定。

（4）步骤三：证据不确定出现。引入概率区间[0，1]表示证据E的可信度。教师引导学生理解“充分性插值”思想：当观察者不能100%肯定E是否出现时（例如传感器模糊），后验概率介于P（H|┐E）与P（H|E）之间。教师仅呈现线性插值公式概念，重点让学生体悟连续信度空间而非离散真值判断的思维革命。

4.证据链传递与推理网络：教师用树形图展示多级推理。例如：E1→H1，H1→H2。学生需计算在给定E1置信度下H2的后验概率。此过程高度综合，教师将问题拆解：第一步，根据E1及规则（LS1，LN1）计算H1的后验；第二步，将此后验作为H1新的“先验”；第三步，依据新先验及规则（LS2，LN2）计算H2的后验。此嵌套过程清晰展示推理的迭代性，并为下一课时的编程实现埋下伏笔。【难点】【热点】

（四）跨学科融合与STEAM项目式浸润（约12分钟）

1.认知心理学视角——启发式与偏见：教师切换至心理学透镜。呈现Tversky和Kahneman经典的“琳达问题”变式，揭示人类专家在给出可信度时常常受到“代表性启发”的干扰，高估典型症状的组合概率。进而引导学生思考：为何专家系统仍需人机协同？为何CF与LS/LN不能完全凭专家直觉，而需统计学数据校准？学生通过小组讨论，达成共识——知识工程不仅是编码，更是知识精炼与去偏。【重要】【跨学科素养】

2.数学建模短项目：虚构一场足球赛预测。学生扮演专家，根据两支队伍的近期战绩、伤病情况、主客场，给出若干条不确定规则（IF主力前锋上场THEN球队胜率增加，CF=0.6）。利用本课所学CF算法，综合三条规则预测胜率，并与真实赛果复盘对比。此环节将抽象数值置于具身体验中，极大降低情感过滤，增强自我效能感。

3.伦理与法律思辨——不确定推理的责任归属：创设两难情境：某辅助诊疗系统根据CF=0.7给出肺炎诊断，医生采纳后误诊。责任主体是系统设计者、标注数据的专家，还是临床决策者？学生并非寻求唯一正解，而是在辩论中明晰：不确定性表示虽量化了风险，但并未消除风险。系统的置信输出不能直接等同于决策阈值。此环节渗透信息社会责任核心素养，让学生意识到算法解释性的重要性。

（五）高阶认知与元认知监控（约8分钟）

1.批判性比较与策略选择：教师组织学生以“辩论赛”微型形式辨析CF模型与主观贝叶斯模型的优劣。教师提供支架：从数学基础（经验代数vs概率论）、知识获取成本（专家直接赋值vs需统计条件概率）、解释能力（CF合成更透明）、理论基础严谨性等维度进行比较。学生经碰撞形成以下共识：CF简便易行、计算开销小，适合快速原型；主观贝叶斯有坚实的概率论基础，但需大量统计数据支持先验与条件概率。工程中需权衡选型。【非常重要】【高频考点（常以简答或辨析题出现）】

2.知识结构化——概念图构建：学生个人在学案纸或平板端绘制本课核心概念图谱，要求体现层级关系（不确定性→两类表示法→CF子概念（组合、传播、合成）→贝叶斯子概念（LS，LN，后验更新）→应用场景→伦理反思）。教师选取典型作品投影点评，重点关注关联词是否精准（如“传播”与“合成”是否混淆）。此即元认知可视化，亦是形成性评价的关键证据。

四、跨学科视域下的深度学习支架

（一）数学学科的纵深支撑

本课中所有计算均建立在初中代数与简单概率论基础上。针对计算薄弱学生，导学案附设“工具箱”，用自然语言分步解释取小、乘法、贝叶斯分式变形。针对学有余力者，引导探究CF合成公式与概率论中P（A∪B）公式的形式相似性及本质区别（CF公式不要求事件独立，而概率加法则要求），培养批判性数学思维。

（二）语文学科的叙事迁移

在知识获取环节，借鉴“叙事医学”概念。教师展示一段真实的医生问诊口语实录，要求学生从中挖掘“不确定表达词汇”（如“多半是”“不排除”“倾向于”），并将其量化为具体的CF值。这一过程【非常重要】，是定性到定量的关键转型，也是对学生语义敏感性的高阶训练。学生将意识到，领域专家的模糊语词背后潜藏着可形式化的推理逻辑。

五、形成性评价与反馈矫正系统

（一）嵌入式即时评价（镶嵌于上述各环节）

1.概念辨析级：课中多次设置“抢答判断”，如“CF=0.6表示该事件发生概率是60%”。学生举牌判断正误（错）。全班正确率低于70%时，教师暂停推进，采用同伴互授法二次强化。

2.算法应用级：发布课堂应答系统（IRS）选择题，计算给定多规则合并后的CF值。系统即时生成正确率热力图，锁定计算失分重灾区（通常是AND取小顺序错误或合并时符号未区分正负）。

3.思维迁移级：在主观贝叶斯环节，请学生用自己的话向同桌解释“为什么LS很大而LN接近0是一条好规则”。教师巡视聆听，从解释的流畅性、比喻恰当性评估深层理解度。

（二）表现性评价任务（课后延伸）

以3-4人小组为单位，完成“校园心理咨询专家系统微原型”的知识表示设计。选题为“高中生考试焦虑