高中信息技术选修3二年级人工智能初步决策树教学设计

高中信息技术选修3二年级人工智能初步决策树教学设计一、教材地位与学情研判浙教版高中信息技术选修3《人工智能初步》将决策树安排在第二章知识表示与推理的核心位置，它上承数据抽象与特征描述，下启分类器评估与集成学习，是学生从"写代码完成任务"走向"让机器从数据中归纳规律"的第一道门槛。教材以是否适合户外运动等生活化案例引出信息增益概念，最终落脚于用Python构建一棵可解释的分类树。这一编排兼顾了概念形象性与算法严谨性，但在实际教学中，学生往往在熵的计算环节掉队，在手动建树与调用sklearn库之间产生认知断层。授课对象为高二选修本课程的学生，共42人，已完成Python基础语法与列表、字典等数据结构的学习，能读懂二十行左右的程序；数学方面刚学完对数运算，但对"以2为底的对数为何能度量不确定性"毫无直观感受。问卷显示，超过七成学生认为"决策树就是一堆ifelse语句"，这一前概念既是障碍也是教学切口——本设计恰恰要把ifelse的机械感升级为数据驱动的归纳逻辑。二、教学目标与素养指向知识与理解层面：能用自己的语言解释决策树的节点、分支、叶子的含义；能说明熵与信息增益的计算过程及其在选择划分属性中的作用；知道ID3算法的基本流程与过拟合现象。技能层面：能对给定的小型数据集手工计算熵与信息增益，完成一次划分决策；能调用sklearn中的DecisionTreeClassifier对鸢尾花或自制数据集完成训练、可视化与预测，并解释生成的树结构。思维与素养层面：经历"观察数据—提出假设—计算验证—归纳规则"的完整过程，体会可解释模型与黑箱模型的差异，初步形成对算法决策透明性的责任意识，能讨论贷款审批、招聘筛选等场景中树模型决策的公平性问题。三、教学重难点与突破策略重点：信息增益的物理意义与计算；决策树的构建流程。难点：从"熵是混乱程度的度量"这一抽象描述到"优先选择增益最大的属性"这一算法动作之间的逻辑贯通。突破策略采用三层脚手架。第一层用摸球游戏建立混乱度的身体经验；第二层用保鲜膜包裹数据点的可视化操作让"划分使人安心"这一隐喻落地；第三层把手工计算与代码输出逐项对照，让每一行数字都能找到来源。四、教学准备机房安装Python3.10环境，预装sklearn、pandas、matplotlib及graphviz；教师准备"15名同学周末是否去打球"的数据卡片（含天气、温度、湿度、风力四个属性）、彩色磁贴、小组任务单、分层作业包；教学平台推送预习微课《三分钟看懂熵》。五、教学过程环节一情境卷入：教务处的排课烦恼（8分钟）上课伊始，教师出示一段真实求助：学校体育馆要在周五下午安排社团活动，教务老师翻看了上学期十五周的记录，发现有的周五明明天气不错却取消了，有的阴雨天反而照常进行，他想预测本周五能不能安排比赛，请同学们帮忙想办法。学生自然提出"看天气预报""看过去的规律"。教师追问：过去的规律藏在数据里，怎样把规律变成一条一条能执行的规则？学生动手翻看任务单上的数据表，尝试用自然语言归纳，很快发现"湿度大就不去""风力大也不去"这类规则互相覆盖、次序不清。教师点题：我们需要一种方法，让数据自己告诉我们先问哪个问题、再问哪个问题，这就是决策树。设计意图：问题来自校园真实管理场景，规则之间的冲突暴露了人工归纳的局限，制造认知需求而非直接告知结论。环节二具身体验：给混乱程度定个价（12分钟）教师出示两只不透明箱子。甲箱八红二蓝，乙箱五红五蓝。学生派代表摸球猜色，全班判断哪只箱子"更没把握"。直觉一致认为乙箱难猜。教师顺势提问：能不能给这种"没把握"打分？学生回忆预习内容，写出熵的公式：H(D)=−Σp(k)·log₂p(k)。教师不急着代入，而是把两个极端摆在黑板上：十只球全红时，p=1，log₂1=0，熵为0，毫无意外；五红五蓝时，p=0.5，log₂0.5=−1，熵达到最大值1。学生由此看见：对数函数把"概率"翻译成了"惊讶程度"，负号把它转正，加权求和则把各种情况的惊讶平均起来。随后小组计算打球数据集的整体熵：十五例中九例去、六例不去，H=−(9/15)·log₂(9/15)−(6/15)·log₂(6/15)≈0.971。教师巡视，重点纠正两类错误：把概率当成百分比直接代入；忘记log₂(0.6)是负数导致熵算成负值。设计意图：用摸球的身体经验顶出熵的直觉含义，再用两个极端值锚定函数行为，公式不再是天书而是直觉的精确化。环节三核心攻坚：谁是最好的划分问题（15分钟）教师抛出关键问题：天气、温度、湿度、风力四个属性，先问哪一个？引导学生承认直觉标准是"问完之后，答案最确定"。以"湿度"为例，教师带全班走完整流程。湿度为高的七天中三去四不去，子集熵H高≈0.985；湿度为正常的八天中六去二不去，H正常≈0.811。按子集大小加权，条件熵=(7/15)×0.985+(8/15)×0.811≈0.892。信息增益=0.971−0.892=0.079。教师强调：这个0.079就是"问了湿度之后买到的安心"。四个小组分别承包天气、温度的计算，十分钟后汇总黑板：天气增益约0.247，温度约0.029，湿度0.079，风力约0.048。数据自己说话了——先问天气。教师在磁贴黑板上摆出根节点"天气"，并把晴、阴、雨三个分支挂上对应子数据卡片，宣布第一次划分完成，剩下的工作就是在子集里重复同样的动作，直至子集纯净或再无属性可用。教师此时板书ID3算法骨架：若数据同类，标记叶子返回；若属性用尽，以多数类标记叶子；否则选增益最大的属性划分，对每个分支递归建树。学生对刚才的手工过程进行反向抽象，算法一气呵成，不做任何额外灌输。设计意图：把最大的认知负荷放在湿度一个例子的精打细算上，其余属性交给小组并行计算，既保证人人经历完整流程，又控制课堂节奏；"先动手算、回头再看算法"的顺序避免学生被流程框死。环节四代码实现：从手算到机器（15分钟）教师投屏演示用pandas读入同一数据集，用LabelEncoder完成文本属性编码，调用三行核心代码：clf=tree.DecisionTreeClassifier(criterion="entropy",max_depth=3)clf.fit(X,y)tree.plot_tree(clf,feature_names=列名,class_names=["不去","去"],filled=True)生成的树图与黑板磁贴树并列展示。学生逐项核对：根节点是不是天气？各节点的entropy值与自己算的是否一致？样本数samples是否吻合？当学生在屏幕上亲手找到"0.971"和"weather≤0.5"的字样时，黑箱彻底打开。随后发送探究任务：将鸢尾花数据集载入，允许调整max_depth为1、2、5、不限制，记录训练集与测试集准确率。十分钟后各组汇报，普遍发现深度5时训练准确率接近满分但测试准确率反而下降。教师给出过拟合的命名，并让学生用生活语言解释：把训练数据的每一根刺都记住，遇到新同学反而不认人。剪枝、限制深度、最小叶样本数作为对策被学生主动提出。设计意图：手工结果与程序输出互为印证，代码因此获得可信度；深度实验让过拟合从名词变成亲眼所见的现象，为第五章模型评估埋下伏笔。环节五价值思辨：树会替人做决定吗（8分钟）教师给出情境：某银行用决策树审批小额贷款，发现模型把"居住区域"作为重要划分属性，某老城区居民拒贷率显著偏高。小组讨论三个问题：这棵树"错"了吗？错的数据还是错的世界？如果你来部署，会做什么？学生观点交锋后，教师梳理三点共识供学生内化：决策树忠实地放大了历史数据中的偏见；属性选择应接受公平性审查，敏感属性及其代理变量要谨慎使用；可解释性是树模型的珍贵品质——每一条拒贷理由都可以沿着分支读出来，这正是它能被审计、被追责的原因。教师强调，技术中立是错觉，写树的人要为树的判断负责。设计意图：把算法伦理落在具体属性与具体数字上，避免空谈"科技向善"；可解释性这一技术特征被赋予了社会责任的新含义，呼应育人目标。环节六小结与分层作业（2分钟）师生共同完成一句话小结：决策树就是用信息增益当尺子，一步步问出最能定心的那个问题。作业分三层。基础层：手工补全课堂数据集"阴"分支的计算并画出整棵树。提高层：用sklearn对自选UCI数据集建模，提交树图与准确率分析。挑战层：阅读C4.5的增益率思想，思考它为何要"惩罚"取值过多的属性，写三百字评述。六、板书设计主板书区自上而下呈现：情境问题→熵的定义式与两个极端值→湿度划分全算例→四属性增益对照表→ID3递归骨架→过拟合曲线示意。副板书区悬挂磁贴建树过程，最终形成一棵与程序输出完全一致的实体树，作为本节课的可视化学习成果。七、教学评价过程性评价依托小组计算的正确率与展讲质量，采用三级量规：计算过程完整且能解释每一步含义为一等；计算正确但解释含混为二等；仅能模仿步骤为三等。结果性评价以分层作业与下一课的诊断性测验为主，测验突出"给定树图阅读语义"与"给定数据选择划分属性"两类迁移题，避免对公式的机械默写。八、教学反思预设与改进路径本设计最大的风险点在于环节三的时间弹性：四个属性若均由学生独立计算，基础薄弱组可能卡壳。预案是提供半完成的计算卡，空出两处关键数字供填写，保证所有小组都