高中二年级信息技术《机器学习初体验-让计算机从数据中学会判断》教学设计

高中二年级信息技术《机器学习初体验——让计算机从数据中学会判断》教学设计一、教学设计的缘起与定位本课选自教科版高中信息技术选择性必修5《人工智能初步》模块"人工智能的实现方式"单元，对应教材1.2.4节"机器学习"。选课学生为高二年级完成必修《数据与计算》学习的学生，他们已经掌握Python基本语法、列表与字典结构、文件读写以及用循环和条件语句处理数据的基本能力，部分学生在必修模块的"数据分析"单元使用过pandas做简单的统计。这是机器学习系列课的第一课时，承担着"破概念、建认知、激兴趣"三重任务，后续课时将依次展开监督学习、无监督学习与神经网络的初步体验。设计本课时，我反复追问一个问题：机器学习的入门课，学生最需要带走的是什么？不是某个算法的推导，也不是某个库的安装命令，而是一种看问题的新方式——人类编写规则告诉计算机怎么做，这是传统程序；人类提供数据让计算机自己归纳规律，这是机器学习。这两种范式之间的翻转，正是本课的核心观念。整节课的所有活动都围绕让学生亲手"看见"并"经历"这次翻转而展开。二、课标与教材分析《普通高中信息技术课程标准（2017年版2020年修订）》在人工智能模块中提出，学生应"通过对典型案例的剖析，了解人工智能主要实现方法的基本思想；通过具体任务的实施，体验人工智能解决问题的基本过程"。本课是落实这一要求的关键节点。教材本节内容编排了"体验智能分类—了解学习过程—认识训练与预测"的递进线索，但原教材案例中数据的呈现较为静态，学生容易沦为"看一遍流程图、背三个名词"的浅层学习。对教材的处理策略是：保留"体验—理解—迁移"的主线，替换贴近高中生活的新案例（校园水果识别与出勤早退数据），把抽象的流程图转化为学生可操作的Python脚本和数据表格，把"训练"这一不可见的内部过程外化为可观察的数值变化与分界线的移动，让概念的学习有真实体验作支撑。三、学情分析认知基础方面，学生已具备函数、一次函数斜率截式等数学知识，能读懂二维散点图；编程方面能读懂并修改十行左右的Python代码，但对独立编写有畏难情绪。心理特点方面，高二学生对刷脸支付、短视频推荐、拍照搜题等应用耳熟能详，有强烈的"知其所以然"的意愿，但也普遍存在两种前概念偏差：一是把机器学习理解成"计算机自己长脑子"，带有拟人化幻想；二是把机器学习理解成"程序员把答案写进代码的经典判断语句"，看不到数据驱动的本质。针对上述三种情况，本课设计了"规则编程的碰壁"这一认知冲突环节，专门用来击碎前概念二；设计了"训练过程可视化"环节，用分界线的逼近过程破除前概念一，让学生看到所谓"学习"不过是不断试错的数值调整，既不神秘，也绝非死记硬背。四、教学目标信息意识目标：面对分类类问题时，能主动想到"是否可以用数据训练模型来解决"，初步建立数据驱动的问题解决视角。计算思维目标：通过对比手工规则与机器学习两种方案，理解机器学习"数据—训练—模型—预测"的基本流程，能用"特征、样本、标签、模型、训练、预测"这组术语准确描述一个学习任务。数字化学习与创新目标：在教师提供的半完成Python脚本上运行训练并观察决策边界的移动，能修改数据、调整参数并解释结果变化，体会迭代优化的思想。信息社会责任目标：结合训练数据的偏差讨论模型误判的成因，初步形成"模型会继承数据中的偏见，人要对模型结果负责"的伦理意识。五、教学重点与难点教学重点：机器学习解决问题的基本流程，即采集带标签的数据、用数据训练得到模型、用模型对新样本进行预测。教学难点：理解"训练"的本质是依据误差不断调整参数。突破方法有二：其一，用拨动旋钮的手动猜线游戏让学生在纸面上先体验"试—看误差—调"的循环；其二，用屏幕同步演示分割线随训练轮数逐步收敛的动态图像，并用不断变小的误差数值加以印证。六、教学环境准备机房按小组就座，每两台相邻电脑为一组；每台机器预装Python3与matplotlib库，桌面上有"机器学习初体验"文件夹，内含fruit_data.csv、train_template.py、template_空白版.py三个文件。教师机通过极域电子教室广播演示。另备纸质学习单、坐标网格纸和磁性贴条（模拟分割线）。七、教学过程（一）情境导入：教计算机认清苹果（约6分钟）上课伊始，大屏幕呈现真实情境：学校食堂新进的自助结算台要自动识别水果档口的苹果和梨。问题来了——我们上几节课写的程序，都是人把规则一条条告诉计算机，那这件事的规则该怎么写？学生很自然地说："红色的是苹果，绿色的是梨。"教师随即展示第二组图片：青苹果、红香梨。规则当场失效。学生继续补充："那看形状，苹果圆、梨有腰身。"第三组图片端上来：圆滚滚的库尔勒香梨。教室里出现笑声和争论声。教师顺势在学案上留下一个尖锐的问题：你能写出一套百分之百管用的规则吗？学生写不出来。此时给出本课的核心命题：当规则说不清、写不尽的时候，我们换一个思路——不再告诉计算机规则，而是给它一堆见过的例子，让它自己去归纳。这就是今天要研究的问题。此环节不追求引出术语，只追求让学生真实感到"无路可走"。认知冲突越充分，后续的新方案就越有说服力。（二）活动一：人在模拟机器学习——猜线游戏（约8分钟）每组领取一张坐标网格纸，上面已经散布着若干个点：横轴表示水果重量（克），纵轴表示水果横径（厘米），圆点为已知的苹果样本，三角点为梨样本。任务要求：用直尺在图上画一条线，把两类点尽量分开；画完后，教师再公开三个"新样本"的坐标，各组把三个新点画到图上，看落在线的哪一侧，接受检验。小组操作过程中，教师巡视并后视地问：你是看哪几个点来决定这条线怎么画的？有人画歪了，重新调整线的依据是什么？问题不需要当场回答，先让体验沉淀。检验环节出现两个有价值的现象：一是各组的线不完全一样，但大多数组的分类结果是相同的；二是有一组因为过分迁就两个"出格"的点，新样本被分错了，另一组大胆忽略了这两个点反而全对。教师没有点评对错，而是把这两个现象记在黑板侧栏，标注"先存疑"。这个环节完成了两重铺垫：其一是把"从数据中归纳边界"的直觉建立起来；其二，"存疑"的两个现象正是后半节课要讲泛化和噪声的最好素材。（三）概念建构：机器是怎样"学"的（约10分钟）教师组织全班交流，把刚才的人工过程术语化。黑板板书以一条流程线展开：样本（一个个数据点）→特征（重量、横径，即我们选来描述的数值）→标签（苹果或梨）→用带标签的数据训练→得到模型（那条分界线）→对新样本做预测。请问学生：你们刚才选重量和横径来画图，为什么不用价格、不用产地？引导学生说出"哪些特征跟分类有关，是我们要替机器做的选择"。由此点明：特征选择往往决定成败，而特征来源于人对问题的理解。接着把术语"翻译"到机器语汇：你们画的线，数学上可以用一条方程来表示，确定一条直线只需要确定斜率和截距两个参数；你们用尺子左右平移、转动直线的过程，对应机器不断调整这两个参数；你们数"有几个点分错了、错多远"，机器也做同样的事，这个"错得有多离谱"的度量叫作损失。机器做的事和人一样：试一组参数，算一算损失，往损失变小的方向调一调，再试，直到调不动了为止。所谓"训练"，就是把这个循环交给机器高速地重复成百上千次。这里用学生刚完成的动作讲抽象概念，避免先给定义后举例的灌输。讲授过程中穿插两个追问以推动理解：第一问，假如数据里故意混入几个标错的点，会有什么影响？学生联系到存疑栏的那组偏差案例，能说出"线会被带偏"。第二问，分类完成后，对新样本的处理与以往程序输入输出的根本区别在哪？点出：程序不变，换一批训练数据，得到的模型就不同——模型是数据塑造出来的，不是程序员直接编写的。（四）活动二：让代码把刚才的过程再做一遍（约12分钟）学生回到电脑前，打开fruit_data.csv，先用记事本或表格软件浏览数据，确认它与纸上的散点图是同一批数据，建立"屏幕里就是刚才那件事"的对应感。随后打开train_template.py。脚本经过精心裁剪：数据读取与画图部分完整给出（约二十行，带逐行中文注释），核心训练循环部分留出三个空：初始参数设置、用当前线对所有样本判对错的位置、每轮调整参数幅度的位置。每处空缺上方都有一段注释提示该处"做什么"而非"怎么写"，例如"在这里，把分错的点找出来，线的位置朝纠正它们的方向挪动一点点"。学生两人一组补全三处空缺。对完成有困难的组，提供checkpoint版文件，只留一个参数空。教师广播与本组示范并行进行，不统一报答案，鼓励组内讨论"挪动多少合适"。代码运行成功后，屏幕上出现动图：一条红色的分割线从某个随意位置开始，一轮一轮地向两类点的中间移动，同时右上角显示当前错分点的个数越来越少，最终线稳定在中间区域，错分点降到零。教师在这个时刻暂停广播，提出本课时情感浓度最高的一个问题：把这张图和刚才你们用直尺移动的过程对照一下，机器有没有"思考"？安静几秒后，学生们的答案高度一致：没有，它就是在机械地试。教师确认这一认识：机器学习没有魔法，它只不过把我们三分钟的试错压缩到了一秒；它的力量在速度，它的原理在你手里。这一确认直接击退了"计算机自己长脑子"的前概念，是本课建构新科学概念的落点。之后布置差异任务：学有余力的组，尝试在数据里人为把两三个样本的标签改错，重新训练，观察分割线被拉扯到哪里；基础组的任务是把学习率参数分别调大调小看现象。教师将两组的观察结果共同汇集到黑板，自然引出下两个议题：数据的可靠性、参数选择的辩证法。（五）活动三：迁移——一次校园应用的设计（约6分钟）出示新情境：教务处希望分析"到班时间与早读专注与否"之间的关系，判断能否用这个思路来辅助。小组在任务单上填写四栏：选什么特征、标签从哪儿来、用什么数据训练、模型给出结果后谁来决定怎么用。交流中出现本次课最有价值的争论。一组设计方案说"用摄像头判定专注度"，另一组立刻反对："这是监控，不合适。"教师抓住这个现场冲突，引导全班快速讨论两个问题：哪怕技术上可以做，模型会因为数据有什么天然缺陷？它的结论用来给学生贴标签合不合适？达成的共识写在黑板上：第一，训练数据若带有偏差，模型会把偏差当作规律学走；第二，模型的输出是参考而不是判决，涉及人的环节处理必须慎之又慎。至此，社会责任目标落地，且不是教师宣讲出来的，而是从学生自己的设计争议里长出来的。（六）总结与课后延伸（约3分钟）课堂尾声用一个对比完成收束：教师在大屏左右并排展示第一段演示用的ifelse规则代码与本课训练得到的分界线模型，请学生用一句话说出二者的根本差异。标准答案并不唯一，但期待涌现出这样的表达："左边，规律是人写的；右边，规律是从数据里学出来的。"板书用一张完整的词汇关系图收束全课：特征与标签构成样本，样本构成训练数据，训练数据驱动训练过程，训练产出模型，模型用于预测新样本，预测结果反过来自检验模型优劣。课后任务分两层。基础层：完成学习单上术语填空与三个判断题，并在学案中完成"生活中哪些事情适合用今天的方法、哪些不适合，各举两例并说明理由"的小短文。提高层：在课后打开招新的另一份数据（身高与鞋码的散点），用今天脚本训练后，预测一位身高170厘米同学的鞋码，把截图和结果写进学案的拓展区。下节课预告一句话带过：今天我们只选了两条特征、训练了一个最简单的模型，下一节看看当特征增多、规律藏得更深时，机器还有哪些办法。八、板书设计主板书正中央为横向流程线，从左到右依次是"样本—特征＋标签—训练—模型—预测"，五个节点上下错落排开，训练与模型之间用双向箭头标注"调整参数←损失"。左侧栏小字列出"规则代码vs数据训练"两句话的差异；右侧栏保留两处存疑与学生讨论生成版的两条伦理共识。九、教学评价设计课堂评价嵌在三个节点中：猜线游戏的小组对错数据反映归纳直觉的建构水平；代码补全任务中空缺处填写质量反映对训练本质的理解；迁移设计四栏表反映概念在新情境中的活化和伦理判断的自觉性。教师巡回时携带简短的观察记录表，按"概念清晰／部分理解／迷思仍存"三档快速标注，作为课后辅导名单的形成性依据。全程不打分、不排名，让评价服务于调控教学而非排序学生。十、教学反思的预设与备忘既往授课中本课有三处易发问题在此留心。其一，猜线游戏中总有小组纠结线的精确位置，拖慢节奏，应对策略是口头强调"差不多分开就行，精确的让机器来"