高中一年级信息技术必修1了解手写数字识别-体验人工智能（2）教学设计

高中一年级信息技术必修1了解手写数字识别——体验人工智能（2）教学设计一、课标与教材分析本课选自沪科版（2019）高中信息技术必修1《数据与计算》第四单元项目9“了解手写数字识别——体验人工智能”的第二课时。第一课时学生已经认识了图像数字化的基本原理，知道了手写数字图像是如何被转换为像素矩阵的，本课时则要在此基础上向前推进，带领学生经历“提取特征——构建模型——训练调优——识别验证”的完整过程，让学生初步感知机器学习解决问题的基本路径。本单元对应的学业要求集中体现在：学生能够理解数据在信息社会中的重要作用，了解利用计算机解决问题的基本过程，初步理解算法与程序设计在问题解决中的作用，并对人工智能技术的典型应用形成理性认识。本项目是把抽象课标要求落地为课堂实践的绝佳载体——手写数字识别既是人工智能发展史上的经典问题，又与学生日常书写行为紧密相连，技术门槛适中，可体验、可拆解、可迁移。需要特别留心的是，本项目不要求学生从零编写神经网络代码，也不要求掌握梯度下降的数学推演，重在让学生亲历“数据如何变成知识、知识如何支撑判断”的过程，形成对人工智能既感兴趣又不迷信的科学态度。教师在备课时应警惕两种倾向：一是把课上成软件操作演示课，学生只点不看、只看不想；二是把课讲成高数课，被公式吓退的学生从此对人工智能敬而远之。本设计的全部环节围绕一个朴素目标展开：让学生站在门外，看清水面下的冰山轮廓，而不是被拖进深水区。二、学情分析授课对象为高一年级学生。从知识储备看，学生通过必修1前两单元的学习，已经掌握二进制、数据编码、算法描述等基础知识，上一课时也完成了“手写数字图像如何数字化”的认知铺垫，具备进入本课的前置条件。从思维特征看，高一学生正处于由具体运算思维向抽象逻辑思维过渡的关键期，对“机器为什么会认字”这类问题抱有天然好奇，但面对加权求和、激活函数等抽象表达容易产生畏难情绪。从能力差异看，班级内部信息技术水平分层明显：少数学生在课外接触过图形化编程或Python入门课程，能够较快理解模型训练的流程；多数学生缺乏编程实践，需要通过类比、图示、动手体验来建立直觉。从学习风格看，高一学生乐于小组协作和探究式活动，对“竞赛化”“任务驱动型”的课堂参与度明显高于讲授式课堂。基于上述分析，本课设计坚持三条原则：其一，概念先行于公式，直觉优先于演算，所有抽象内容均以生活化类比开路；其二，全体保底与分层拓展并举，基础任务人人可达，进阶任务供学有余力者挑战；其三，体验服务于理解，每一次动手操作都配套思考性问题，避免“玩而不学”。三、教学目标信息意识方面，学生能够从手写数字识别这一现实问题出发，意识到数据是人工智能的“食粮”，理解训练数据的质量与数量对识别效果的直接影响，形成用数据说话、用数据解决问题的意识。计算思维方面，学生能够描述“图像输入—特征提取—模型判断—结果输出”的处理流程，理解通过调整参数让模型逐步逼近正确答案的迭代思想，初步建立“损失—优化—收敛”的朴素观念。数字化学习与创新方面，学生能够借助在线体验平台或简化的可视化工具完成一次手写数字的识别实验，尝试改变测试样本观察识别结果的变化，并能对识别失败案例作出合理归因。信息社会责任方面，学生能够认识到人工智能技术的双面性，理解模型偏差、数据偏见可能带来的误判风险，讨论手写识别技术应用场景中的隐私与安全问题，形成负责任地使用人工智能的基本立场。四、教学重点与难点教学重点：手写数字识别的基本流程，即图像采集与预处理、特征提取、模型判断三个环节的整体理解；模型训练中“比较误差—调整参数—反复迭代”的核心机制。教学难点：对“模型如何学习”这一黑箱过程的直觉化理解。突破策略是先不碰神经网络这个词，而是从学生熟悉的“猜数字游戏”和“投篮纠偏”类比切入，让学生先建立“根据差距不断修正”的心智模型，再将其映射到机器训练的过程中，实现由生活经验到技术原理的平滑迁移。五、教学准备教师准备：多媒体教学一体机、手写数字识别演示程序（可调用现成的网页版识别工具）、投影仪、像素化教具卡片（8×8方格卡若干）、学习任务单（含实验记录表）、计时展示牌。环境准备：机房按四人小组就座，确保每组至少两台可联网终端；课前完成平台连通性测试，准备离线备选方案（本地演示程序与录屏），预防网络故障。资源准备：教师预先录制两段30秒微视频，一段演示正常识别过程，一段演示数字“4”被误识别为“9”的失败案例，用于课堂情境导入与归因探究。六、教学过程（一）情境导入：一封读不懂的信（约5分钟）课堂伊始，教师在投影上展示一张图片：一封地址手写得极其潦草的快递面单，收件人住址中的门牌号被写得歪歪扭扭。教师提问：“快递分拣员看得头疼，可快递照样能送到你家楼下，是谁替我们看懂了这些数字？”学生很快联想到扫描分拣、自动识别等技术。教师顺势追问第二个问题：“机器没有眼睛，也没有上过小学学过数数，它凭什么认出这是一个‘7’？”此时播放第一段微视频：手写板输入数字，屏幕实时显示识别结果，数字变化，识别结果随之变化。教师不做任何原理解释，只在黑板上写下本课的核心问题：一张像素图，如何变成一个确定的答案？设计意图：以真实生活场景激活学生的已有经验，用“机器凭什么认识字”这一认知冲突点燃探究动机。两个问题一个指向技术应用，一个指向技术原理，前者定义本课的入口，后者定义本课的目标。（二）温故知新：从图像到数据（约5分钟）教师带领学生快速回顾上一课时内容，发放8×8方格卡。教师说明：“这张卡片上一共有64个格子，每个格子里写一个0到255之间的数，其中0表示纯白，255表示纯黑，数字越大颜色越深。”请各小组按照自己书写的数字“3”，把对应格子涂黑并标注灰度值，完成一张简易的数字矩阵图。学生完成后，教师投影展示两组学生的作品并提问：“我们明明画的是同一个‘3’，两张矩阵一样吗？”学生观察后会发现明显不同。教师点拨：“差异恰恰说明，每个人的手写体独一无二。机器要面对的，是成千上万种写法。如果靠人一条一条写规则——‘左上角黑、右下角黑就是3’，规则永远写不完。那机器该怎么办？”教师给出本课的核心思路：“既然规则写不完，就让机器自己从大量例子中把规律‘学’出来。这就是机器学习。”设计意图：用手写的8×8矩阵作为具象的脚手架，让学生亲手完成“图像到数据”的转化，为后续理解特征提取建立直观抓手；同时通过“规则写不完”的困境，自然引出机器学习的必要性，避免出现生硬的术语灌输。（三）探究一：特征——机器眼中的“区别点”（约8分钟）教师提出问题引导小组讨论：“如果让你蒙住数字的全貌，只看几个关键部位，你怎样区分‘1’和‘7’、‘0’和‘6’？”各小组讨论两分钟，记录员将要点写在学习任务单上。小组汇报后，教师梳理学生的表达：“大家说的‘7上面多一横’‘6下面多一个圈’，这些关键部位的不同之处，在人工智能领域有一个共同的名字——特征。”教师板书：特征，就是能帮助我们区分不同类别的关键信息。教师进一步引导：“数字‘0’大致是空心圆环，中间是白的，四周是黑的；‘8’则是上下两个圈。机器无法像我们一样‘看’到形状，但它可以数格子：中间区域的平均灰度值是多少？上半部分黑点多还是下半部分黑点多？这些可被计算、可被比较的数量化描述，就是机器能理解的特征。”教师布置一个小任务：每组任选一个数字，找出最能代表它的三个特征（如空心还是实心、有无封闭区域、笔画走向），用一句话描述，并说明这个特征可以把它和哪个容易混淆的数字区分开。小组完成后，教师随机抽取三组展示，集体评议“这个特征是否真的有效、是否够可靠”。设计意图：特征提取是本课的第一根支柱。让学生先用自己的语言找“区别点”，再由教师升格为“特征”概念，概念的形成遵循从具体到抽象、从生活到学科的认识路径。互评环节促使学生意识到特征并非随意挑选，好的特征需要具备区分度和稳定性，为后面理解“深度学习的优势在于自动寻找特征”埋下伏笔。（四）探究二：决策——一次加权投票（约8分钟）教师承上启下：“找到了特征，机器如何根据特征做出判断？我们把问题简化到极致：只判断一个图像是不是数字‘7’。”教师以“1班评选三好学生”作类比：“班主任打分占大头，任课老师打分次之，同学互评也占一点比例，最后算一个加权总分，超过分数线就当选。机器的做法惊人地相似。”教师在黑板上呈现可视化的判断过程：对于每个输入特征，机器给它配一个权重，表示这个特征对“是不是7”这个结论的重要程度，然后把所有“特征值×权重”加起来，再加上一个基准调整量。板书呈现：总分=特征₁×权重₁+特征₂×权重₂+特征₃×权重₃+偏置量，即z=w₁x₁+w₂x₂+w₃x₃+b。教师强调：“权重大的特征说了算的分量重，权重小的影响微弱，权重为负的特征出现时反而降低是7的可能性。”随后教师引入判断的最后一步：“加出来的总分可能很大也可能很小，怎么变成‘是’或者‘不是’的清晰结论？机器用一个转换规则：总分超过某个门槛就判为‘是’。”以生活中常见的考试及格线作比：“60分以下不合格，60分及以上合格。机器里承担这个‘一刀切’职责的规则，叫做激活函数，它的作用就是把任意大小的总分压缩成一个明了的输出信号。”教师组织一个三分钟的纸笔快练：给定一个简单案例——判断某个图像是不是“1”，三个特征值分别为2、3、1，对应权重分别为4、1、−2，偏置为−3，问z等于多少？若门槛设为0，该判“是”还是“不是”？学生口算可得z=2×4+3×1+1×(−2)+(−3)=6，大于0，判“是”。教师追踪提问：“如果权重₄那个特征没有这么大的权重，结果会变吗？”让学生体会权重的重要地位。设计意图：以加权投票和及格线两个全民熟知的类比，把“加权求和＋激活输出”这一神经网络最底层的计算单元讲清楚。快练环节给予学生即时的成功体验，权重微调追问则为下一环节“训练就是调整权重”架设桥梁。（五）探究三：学习——让机器自己改错（约10分钟）这是本课最关键也最难的部分。教师先播放第二段微视频：手写数字“4”，机器却自信地输出“9”。教师问：“机器错了，怎么办？谁来告诉它？它听谁的话？”教师讲述投篮类比：“篮球初学者的第一球往往投短了。他会怎么办？加大力气再投。结果又投远了，怎么办？回一点。一次又一次，根据‘远了还是近了、差了多少’的信息不断修正动作，球就越来越准。”随后教师点明：“机器的学习过程与此高度一致。训练时，每张图都自带正确答案，这叫标签。机器先用自己的权重算出一个结果，把结果和标签比对——两者之间的差距叫做损失，差距越大说明错得越离谱。然后机器依照特定规则微调每一个权重，让下一次错得少一点。这个过程，就是训练。”教师用三张连续图示展示一个简化流程：第一轮，输入“4”，机器输出“9”，计算误差；第二轮，根据误差把相关权重往正确方向微调；第三轮，再次输入，结果变成了“4”。教师强调三个关键词：“误差、调整、重复，训练的精髓就这三件事。成千上万的图片周而复始地轰炸机器，权重一点点被雕刻到位，错误率一路走低。”教师发起思辨讨论：“训练数据如果是精心书写的标准字体，机器学得很好，换成了潦草体还灵吗？如果训练数据里‘7’全都带一横杠（欧陆写法），写到不带横杠的‘7’会怎样？”学生结合前面特征部分的经验讨论得出结论：机器学到的规律高度依赖它见过的数据，数据有偏差，模型就有盲区。教师顺势归纳：“这就是常说的一句话——垃圾进，垃圾出。数据决定模型的上限。”设计意图：把训练机制完整地讲清楚，不要求数学推导，但必须讲透因果链：误差驱动调整，调整依托迭代，迭代依赖数据。刻意设计的“垃圾进垃圾出”讨论，把信息意识培养目标悄然植入技术原理学习之中，也为后续社会责任讨论预置了认知接口。（六）实践体验：我是小小训练师（约12分钟）教师部署实验任务，各小组打开手写数字识别平台，依次完成三项操作。任务一：基础识别。每位组员在输入区书写2到3个不同数字，记录机器识别结果，汇总进小组实验记录表。记录表包含三列：书写数字、识别结果、是否一致。任务二：极限挑战。各小组想方设法“骗倒”机器——写出最难辨认的数字。可以尝试连笔、倾斜、部分遮挡、过大过小等伎俩，记录成功骗倒机器的案例，并思考机器上当的原因：是特征被破坏了，还是写法偏离了训练数据？任务三（分层拓展，供完成较快的小组选做）：观察平台提供的“置信度”或概率展示信息，看看机器被判错时到底有多“自信”；或者尝试平台中的模式切换功能，比较不同书写风格对识别率的影响。教师巡视指导，重点关注三点：小组是否有人在认真记录数据，而非只图好玩；“极限挑战”中学生的“骗倒策略”是否产生出意料之外的样本；适时把某一组的典型误判投屏，邀请全班共同归因。实验结束后，教师组织快评环节。各组用一句话汇报最高识别准确率和最具挑战的失败案例。教师引申：“刚才玩的这套识别，早已在你每天的生活中运转：扫码支付时候的金额识别、快递单识别、试卷客观题扫描，背后都是一样的道理。”设计意图：体验环节不追求操作难度，关键在记录、观察、归因三个动作得到真实执行。任务二的“骗倒机器”设计别有用心——学生在尝试制造失败的过程中，反向理解了模型能力的边界在哪里，这比教师反复宣讲“AI不是万能的”有效得多。（七）拓展与责任：当AI看错的时候（约5分钟）教师呈现三个简短情境，组织微型研讨：其一，银行用相似技术识别支票金额，一次误判可能造成资金损失，谁该负责？其二，医院用图像识别辅助读片，医生要不要无条件相信AI？其三，训练数据里女性、儿童、特定肤色人群样本不足，模型对他们识别准确率偏低，这公平吗？各组任选一题发言。教师总结时强调：“技术没有善恶，应用有边界。人工智能是强大的工具，但输出的是概率，不是真理。在关系重大的场合，它应当是人的助手而不是替代者。作为未来的公民，我们既要会用AI，也要会审AI。”设计意图：信息社会责任落地于具体情境，通过“谁该负责”这一追问，让学生跳出技术本身，思考人—机—社会的关系，避免空谈“要负责任”，而是让责任感生长于真实的价值冲突之中。（八）小结与作业（约2分钟）教师邀请学生用一句话总结今天最大的收获，随机抽取四五名学生分享。教师梳理本课知识主线：图像转化为数据→提取特征→加权判断→误差驱动训练→数据决定上限→技术须有边界。布置作业：基础作业为完成作业单上的流程梳理题，把本课流程用流程图形式再画一遍；拓展作业为回家观察生活中一处应用图像识别的场景（如车牌识别、掌纹支付、字体识别），写150字左右的观察笔记，回答两个问题：它识别的对象是什么？如果它出错，可能造成什么后果？七、板书设计板书保留三条主线，左侧写核心问题：一张像素图，如何变成一个确定的答案？中部呈现流程链条：图像采集与预处理→特征提取→加权判断（z=w₁x₁+w₂x₂+w₃x₃+b，过门槛判结果）→输