高一信息技术人工智能及其应用单元教学设计

高一信息技术人工智能及其应用单元教学设计一、单元教学设计的整体定位本单元对应粤教版必修1《数据与计算》第六章“人工智能及其应用”，是全书学习的收束与升华。前五章中，学生经历了从数据感知、数据采集、数据编码到算法设计与程序实现的完整链条，本章则把这条链条引向信息技术的前沿地带——人工智能。高一学生在此之前对人工智能的认知大多来自短视频与新闻热点，既熟悉又陌生：熟悉的是语音助手、刷脸支付等应用场景，陌生的是这些应用背后的原理机制。本单元的核心价值，在于帮助学生完成从“人工智能的使用者”向“人工智能的理解者与思辨者”的转变。单元教学以“剖析典型智能系统”为主线，设置四个层层递进的学习板块：认识人工智能的内涵与发展脉络，剖析人工智能的核心技术领域，体验典型智能应用的工作过程，辩证看待人工智能带来的机遇与挑战。四个板块对应课标中“通过剖析典型案例，了解人工智能的基本特征”“通过人工智能应用体验，了解人工智能引发的社会问题及应对策略”的内容要求，落实信息意识、计算思维、数字化学习与创新、信息社会责任四个维度的学科核心素养。二、学情分析与教学目标从知识基础看，学生已经掌握Python语言的基本语法，能够编写简单的选择与循环结构程序，部分学生在第五章项目实践中完成过词频统计、数据分析等任务，这为理解机器学习中的“从数据中学习规律”提供了必要的脚手架。从认知特点看，高一学生抽象逻辑思维趋于成熟，对“机器为什么会识别面孔”这类问题有强烈的探究欲，但容易把人工智能神秘化或矮化，形成“机器万能”或“不过如此”两种极端认识。从生活经验看，班级学生在推荐算法、内容茧房、人脸信息采集等议题上已有朴素的困惑，这是开展伦理讨论最珍贵的教学资源。基于上述分析，本单元设定如下教学目标。知识与理解层面：学生能用自己的语言描述人工智能的定义内涵，说出人工智能三次发展浪潮的大致脉络与标志性事件，列举机器学习、自然语言处理、计算机视觉等核心技术领域的代表性应用。过程与思维层面：学生能通过实验体验归纳出“数据—训练—模型—预测”的机器学习基本流程，能在具体案例中辨析人工智能系统的输入、处理与输出环节，能用流程图或结构图表达智能系统的工作原理。情感与责任层面：学生能围绕算法偏见、信息茧房、就业结构变化等议题展开有理有据的讨论，形成“技术中立、使用有责”的初步立场，理解我国在人工智能治理与伦理规范方面的基本主张。三、教学重点、难点与突破策略教学重点有三个：一是人工智能核心技术领域与人类智能活动之间的对应关系，二是机器学习“以数据驱动代替人工规则”这一范式转变，三是人工智能安全与伦理问题的辩证分析。教学难点在于，机器学习的数学本质超出高一学生的知识储备，既要避免把课讲成科普讲座，又不能陷入矩阵运算的细节泥潭。突破策略是“可感知的最小原理”。以手写数字识别为例，不讲反向传播的求导过程，而是让学生观察一个极简实验：给程序提供不同数量的训练样本，观察识别准确率的变化曲线。学生亲手改变数据量、亲眼看到准确率从六成爬升到九成以上，自然会得出“模型从数据中学习规律，数据质量与数量决定模型能力”的结论。这一结论虽浅，却是理解深度学习的思维锚点，也为后续讨论“垃圾数据造就偏见模型”埋下伏笔。四、单元课时安排与总体架构本单元设计为六课时，采用“一主三辅”的结构。第一课时“走近人工智能”，解决“是什么”的问题；第二课时“机器如何学习”，解决“怎么做到”的问题，是单元重心；第三课时“让机器听懂与看见”，聚焦自然语言处理与计算机视觉两大领域；第四课时“剖析一个智能客服系统”，完成从局部技术到整体系统的整合；第五课时“人工智能的暗面”，开展伦理与安全的专题研讨；第六课时“面向未来的思辨与创作”，以成果展示与单元评价收束。六课时之间以一条问题链贯通：机器智能从何而来，因何而强，边界何在，人类该如何与之相处。五、教学过程设计（一）第一课时：走近人工智能课堂从一个现场测试开始。教师在大屏上呈现三张图片：一张是AI生成的人像，一张是真实照片，一张是油画肖像，请学生投票判断哪张出自人工智能之手。投票结果实时柱状呈现，多数班级会出现明显分歧。教师顺势追问：如果最先进的模型连我们都能骗过，那么“像人”究竟是不是判断人工智能的标准？由此引出图灵测试的经典思想实验——判断智能的标尺不是机器的内部构造，而是其外在行为能否与人类难分彼此。随后进入概念建构环节。教师不直接给出定义，而是分发三组材料卡：第一组是专家系统的案例（早期的医学诊断程序MYCIN），第二组是深蓝战胜卡斯帕罗夫的事件，第三组是AlphaGo战胜李世石的对局。学生分组讨论三个案例中机器“智能”的来源有何不同。讨论中教师巡视点拨，引导学生发现：专家系统依靠人工编写的规则，深蓝依靠强大的搜索与计算，AlphaGo则依靠从大量棋局中自我学习。这一发现天然勾勒出人工智能发展的演进路径，比任何讲授都更能让学生理解“从规则驱动到数据驱动”的范式革命。在梳理发展脉络时，教师以时间为轴呈现三次浪潮：二十世纪五六十年代的符号主义热潮，八九十年代专家系统的起落，以及二十一世纪以来深度学习引发的爆发。特别要讲清两次“寒冬”的教训——当承诺超出算力与数据的支撑，热潮便会退去。这一历史视角能帮助学生建立技术发展的理性预期，避免被当下的舆论声浪裹挟。（二）第二课时：机器如何学习本课时在机房进行，采用“体验—拆解—迁移”三段式。第一段，学生打开教师预置的手写数字识别实验环境，程序基于经典的机器学习框架封装，学生只需调整一个参数：训练样本的数量。第一次实验用一百个样本，学生记录识别准确率；第二次用一千个，第三次用一万个。三次数据填入个人实验记录表，并在坐标纸上描出准确率变化曲线。曲线一画出来，“数据是燃料”就不再是一句口号，而是学生亲手验证的事实。第二段，拆解实验背后的流程。教师以板书构建机器学习的通用框架：收集数据、提取特征、训练模型、评估优化、投入使用。关键概念“特征”用生活类比讲透——识别苹果，机器看的不是“这是苹果”，而是颜色、形状、纹理等可以量化的属性；人教导孩子认识苹果靠言传身教的规则，机器则靠在海量样本中自动寻找统计规律。这里安排一个辨析活动：给出“判断是否下雪”与“判断邮件是否垃圾邮件”两个任务，请学生判断哪个更适合规则法、哪个更适合学习法，并说明理由。通过辨析，学生理解两种范式各有适用边界，不存在万能的算法。第三段，迁移反思。教师抛出问题：如果训练数据里所有的医生照片都是男性、所有的护士照片都是女性，模型会学到什么？学生联系上一环节的机制，很快意识到模型会学会“性别与职业的虚假关联”。这一缝隙打开了通往第五课时算法偏见议题的门，也让“数据质量决定模型品格”的观念落地生根。（三）第三课时：让机器听懂与看见本课时聚焦两大核心技术领域。上半场讲自然语言处理。从学生最熟悉的输入法联想和语音转文字切入，教师现场演示同一句语音在不同噪声环境下的识别差异，引出“分词、理解上下文、处理歧义”这三道难关。用一个经典歧义句“咬死了猎人的狗”请学生做句法分析，学生在笑声中体会到：对人类而言的常识消解歧义，对机器而言却是巨大的计算挑战。随后简要介绍大语言模型“基于上下文预测下一个词”的基本工作方式，强调其强大生成能力的本质是超大规模语料上的概率建模，这为学生理性看待生成式人工智能提供认知基础。下半场讲计算机视觉。以人脸识别为典型案例，拆解其工作流程：检测图像中的人脸区域、定位眼部与鼻梁等关键点、将面部信息转化为一组数字特征、与数据库比对得出结果。教师特别强调“机器看见的不是脸，而是数字向量”这一观念，呼应第二课时的特征概念。课堂实践环节，学生使用图像分类开放平台，尝试训练一个“识别水果种类”的小模型，并故意混入两张错误标注的图片，观察结果的变化。这个小实验再次印证数据标注质量的重要性，也为讨论监控技术边界提供技术认知前提。（四）第四课时：剖析一个智能客服系统前三课时积累的是点状知识，本课时完成系统集成。教师提供一个真实的校园场景需求：为学校设计一个新生咨询智能客服。学生分组完成三项任务：一是绘制系统架构图，标出用户提问进入系统后经历了语音识别、语义理解、知识库检索、答案生成、语音合成哪些环节；二是为知识库设计至少十条问答数据，体会“系统的聪明程度取决于背后知识与数据的建设”；三是写出系统答不上来时的兜底策略，讨论人机协作的合理分工。小组汇报时，教师引导全班用统一维度互评：架构是否完整、数据是否充分、兜底是否人性化。通过这一综合性任务，学生完成从“知道各项技术”到“能设计一个智能系统”的跃迁，计算思维中的分解、抽象、建模能力得到真实锤炼。（五）第五课时：人工智能的暗面本课时采用议题式教学。围绕三个议题组织微型辩论与研讨。议题一：推荐算法让我们看到更大的世界，还是更小的世界？学生结合自己被内容平台“投喂”的经历各抒己见，教师补充信息茧房与算法问责的研究观点。议题二：训练数据中的偏见会被放大成系统性的歧视吗？结合第二课时埋下的伏笔，讨论招聘算法、信用评分中的公平性问题。议题三：当智能系统造成损害，责任应该由谁承担？以自动驾驶事故的责任划分为情境，学生从开发者、使用者、制造商、监管者多角度分析。教师在总结环节引入我国《新一代人工智能发展规划》与生成式人工智能管理相关规定的基本精神，强调“发展与安全并重、创新与治理同行”的立场。这节课不追求标准答案，而追求让每个观点都建立在事实与逻辑之上，让学生在思辨中确立负责任的技术使用观。（六）第六课时：成果展示与单元评价学生以小组为单位展示单元成果：可以是一份智能系统设计方案的完善版，可以是一份人工智能伦理议题的调研报告，也可以是一段解释机器学习原理的创意微视频。评价采用多元主体参与的方式，学生自评、小组互评与教师评价相结合，评价量表从概念准确性、思维严密性、表达感染力、价值立场四个维度赋分。课堂尾声，教师以一个问题作结：当机器越来越像人，人应该更像什么？这个问题没有课时界限，它将伴随学生长久地思考技术时代人的独特价值。六、单元作业与练习设计作业设计遵循“少而精、分层级”的原则。基础层作业为概念图绘制：以人工智能为中心，向外延伸机器学习、自然语言处理、计算机视觉等分支，并各配一个生活实例，检验知识结构化程度。进阶层作业为小型探究：跟踪记录自己一天内与人工智能系统的五次接触，分析每次接触的输入输出与智能来源，撰写三百字观察笔记。挑战层作业与社会调查结合：采访一位家长或社区从业者，了解其所在行业受人工智能影响的程度，撰写一份微型访谈报告。三层作业对应不同的学业质量水平，让每个学生都能找到适切的挑战区间。七、教学评价方案单元评价采用过程性评价与终结性评价六四开。过程性评价覆盖六个课时：实验记录表的完成质量、课堂讨论的参与深度、架构图设计的合理性、辩论中的论证水平，均以评价量表留痕。终结性评价除单元测验外，突出表现性任务——第六课时的成果展示权重最高。测验命题避免死记硬背，侧重情境化命制，例如给出一段智能问诊系统的工作描述，要求学生指出其中涉及的技术领域并分析可能存在的风险，考查学生在真实问题中调动知识的能力。八、教学反思与改进预设本单元实施中最需要警惕的是三个倾向。一是实