高中信息技术教学设计：使用决策树进行分类

高中信息技术教学设计：使用决策树进行分类一、设计理念与课标依据普通高中信息技术课程标准把“人工智能初步”列为选择性必修模块，要求学生在体验智能系统的基础上，理解人工智能解决问题的基本过程与方法，初步形成用计算思维分析问题的习惯。决策树作为最直观、最具可解释性的分类算法，是学生从“使用人工智能”走向“理解人工智能”的关键桥梁。本课以人教—中图版教材第二章第三节内容为依托，将抽象的算法思想还原为可观察、可推演、可质疑的学习对象。本设计坚持“原理重于操作、思维重于结论”的教学立场，避免把人工智能课上成软件操作课。教师不急于展示现成的工具，而是带领学生从零开始，亲手“长”出一棵决策树，再让机器来完成同样的事，两相比照，算法的优劣与适用边界自然浮出水面。二、教材分析本节位于“人工智能技术基本原理”一章，前有“知识与智能”“搜索与推理”作铺垫，后接神经网络与深度学习等内容。教材按照“认识分类问题——理解决策树结构——体验建树过程——反思算法局限”的线索编排，例题选用教材配套的天气与外出活动数据集。处理本章内容时应抓住三个要点：其一，决策树的本质是特征空间的分层切割；其二，信息增益是节点选择的度量准则，教材层面只需定性感知，公式作为拓展呈现；其三，决策树通俗却不万能，过拟合与特征依赖是其天然短板。三、学情分析授课对象为高二年级学生，已具备Python基础语法能力，此前完成过条件分支、循环结构的编程训练，逻辑上能接受“规则嵌套”的表达形式。学生在生活中早已习惯性地做“如果要出门，先看天气”之类的链式判断，这正是决策树的生活原型，但学生难以说清楚“先看哪个特征、再看哪个特征”背后的取舍依据。教学难点不在建树本身，而在理解特征选择标准的合理性。高一阶段学过具体的学生对熵的概念陌生，需要借助游戏活动完成感性渗透，回避繁琐的定量推导。班级中约三分之一学生接触过机器学习演示平台，基础差异客观存在，分组搭配时须注意强弱互补。四、教学目标学生能够用自己的语言说明分类任务的含义，列举至少三个生活化的分类场景，理解决策树中根节点、内部节点、分支与叶节点各自的语义。学生能够依据给定的小规模数据集，通过目测或简单统计活动，手工构造一棵二叉决策树，并能对陌生样本沿树完成分类推演。学生能在教师带领下读懂信息增益的直观含义，明白“优先选择区分能力最强的特征”这一建树准则，形成量化思维取代直觉判断的意识雏形。学生能够对比人工建树与程序建树的结果，指认决策树算法的优势与局限，初步形成审慎看待人工智能输出的态度。五、教学重点与难点教学重点：决策树的结构组成与分类机制；建树过程中特征选择的准则。教学难点：信息增益的直观理解；人工直觉与算法几何化思维方式之间的转换。六、教学方法与课时安排采用情境驱动法、游戏化探究法、任务驱动法与对比研讨法相结合的方式组织教学。共安排两课时，第一课时完成理解决策树与手工建树，第二课时完成程序体验与算法反思。本教案以第一课时为重点展开，第二课时以任务单形式衔接。七、教学准备教师准备：交互式白板、决策树动画演示课件、“猜动物”游戏卡片一套、教材配套数据集纸卡每组一份、学习任务单每组一张、班级讨论区的课前投票问题。学生准备：课前完成平台问卷“你认为机器凭什么做出判断”，回顾Python条件语句的表达方法。八、教学过程（一）创设情境：从一场“二十问游戏”开始上课伊始，教师不打开课件，只在黑板上写下一个词“动物”，宣布规则：教师心里想了一种动物，学生只能提可以用“是”或“否”回答的问题，最多提问七次，猜中为胜。学生开始的提问往往散乱，比如“是不是熊猫”“是不是狗”。教师不评判对错，只如实答“是”或“否”。两轮游戏下来，学生会发现，那些从“是不是哺乳动物”“是不是生活在水里”这样的大问题切入的小组，用四次就能锁定答案；而从具体物种问起的小组七次机会常常耗光。教师停止游戏，在白板上画出两条分支路径，把现场问题的先后顺序按节点的形式串起来。一条提问链，就此长成了一棵倒悬的树。教师提问：刚才大家其实已经在做一件机器经常做的事了，谁能描述我们做了什么？学生经讨论能够说出“不断用问题把范围缩小”“每一步都把对象分成两类”。教师顺势揭示本课课题——使用决策树进行分类，并点明：每一次提问就是一个判断节点，最终落到的答案就是叶子，机器对陌生事物分类的过程与人类这场游戏同构。设计意图：以低门槛课堂游戏替代程式化导入，二十问的过程天然呈现决策树的分支结构，学生在“猜与被猜”的真实体验中建构了算法的原始直觉，同时“好问题与坏问题”的对比已悄然埋下信息增益的伏笔。（二）概念建构：决策树的结构语言教师切换到教材例图，引导学生把刚才白板上的手绘树与标准决策树图示对照。学生自主找出对应关系：问得最靠上的问题是根节点，中间的每个判断是内部节点，连接的分支代表判断结果，树梢上的答案是叶节点。教师提供三个生活场景供小组辨析：医院分诊台对发热病人的分流、银行对贷款申请人的初步筛选、垃圾分类驿站对投放线的指引。每小组选择一个场景，用五分钟画出对应的决策树草图，并口头给同组同学讲清楚每个节点的判断依据。各组代表上台展示后，教师引导归纳共性问题：节点上的判断必须能用明确的特征表述，分支走向必须互斥且完备，否则对象会卡在半路无处可放。此时板书决策树的三条结构定律——节点可判、分支穷尽、叶子终结。设计意图：结构术语不劳教师灌输给定义，而让学生在三个异质场景的对画过程中自行完成同构抽取，实现从具体情境到形式化表达的第一次跨越。（三）核心探究：手工建树与特征之争教师发放教材配套数据卡片，每组一张含14条记录的小数据集，字段包括天气、温度、湿度、风力四个特征以及“是否外出”的类别标签。任务要求：不借助任何工具，把这组数据整理成一棵能对全部14个样本正确分类的决策树。学生很快面临争执：到底先把哪个特征放在根节点处？有的小组凭感觉选天气，有的选温度。教师暂不裁决，要求每组记录建树所用时间，并在完成后检验树对所有样本的覆盖正确率。完成后，教师将各组的树投影并排比较。同样是14条样本，根节点选天气的树只用了三层就完成了分类，且结构匀称；根节点选温度的树分支冗长，还出现了同一路径下样本被分错的“脏节点”。差异已经摆在眼前，教师抛出本课的核心追问：凭什么天气该先上场？我们能否给“好的特征”一个度量，而不再争论谁的感觉准？设计意图：故意放任学生的直觉建树，让不同特征选择造就的树在正确率与整洁度上形成肉眼可见的落差，用真实的认知冲突驱动对特征选择准则的渴求，为信息增益的出场扫清心理障碍。（四）难点突破：读懂信息增益教师借助可拖拽的积木式演示，把“信息量”与“不确定性”翻译为生活语言：一副完全混乱的扑克牌，每抽一张都充满惊喜；一副已排好序的牌，再抽一张毫无悬念。分类任务里，若根节点一刀切下去，两侧的样本类别仍混乱，则这个特征“提供的信息少”；若一刀切下去，两侧样本类别相对纯净，则特征“提供的信息多”。教师带领学生对一个简化后的8样本例子现场计算。首先计算不分类时整体的“混乱程度”，再计算分别按天气与按湿度切分后，两个子集加权后的剩余混乱程度，两者之差即为该特征带来的信息增益。教师把整个过程用三个动态图示呈现，要求学生只关注数值变大变小的方向，不做公式背诵。学生用计算器复演示例后，回到自己先前手工建树的数据上，快速估算各特征的信息增益方向，验证根节点应选天气这一结论。教师此时给出算法层面的正式表述：建树的过程就是对每个可用特征计算其信息增益，贪心选择增益最大的特征作为当前节点，然后对子集递归重复此过程，直至子集纯净或特征用尽。设计意图：绕过信息熵的抽象符号，用“抽卡悬念”“一刀切下后的纯净度”完成定性感知，再以一次手算的验收让学生相信度量可信，实现难点在学校学情下的软着陆。（五）人机对照：从人工匠心到算法复现教师打开Python环境中的sklearn决策树模块，键入简短的代码调用，用教材数据训练模型并输出可视化树图。短短一秒，屏幕上呈现的树结构与学生先前讨论中选天气为根节点的版本几乎一模一样。学生难免惊叹，教师及时将课堂引向冷思考：机器算得又快又准，那还要人做什么？展示第二个数据片段——只加入两条“噪声”样本，同样的数据再训练一次，树的形状立刻改变且局部节点增多。教师提示学生观察：机器对少数异常记录敏感，会把噪声当作规律来学习，这就是过拟合的雏形。小组围绕两个问题展开研讨：一是当数据量扩大到百万级时，人工建树是否仍可行；二是哪些判断任务机器优于人，哪些任务机器不如人。各组用便利贴把观点贴在黑板的双轴图上，形成班级共识。设计意图：让学生同时看到算法的强大与脆弱，尤其是噪声样本换树的演示，用事实击碎“算法永远正确”的朴素迷思，落实课程标准中关于技术伦理与责任感的育人要求。（六）课堂小结：知识结构可视化教师引导学生用一分钟时间在本课学习单上补全一张概念图，中央节点是“决策树”，向外延伸出“结构组成”“建树准则”“算法流程”“优势局限”四个分支，每个分支下再挂关键词。随机抽取两位学生的概念图投影评议，全员一起填补疏漏。教师用一句话收束全课：决策树教我们的事，远不只是让机器完成分类，更是让自己回答生活中的每一个问题时，都能想清楚——先问哪个问题，再问哪个问题，最后得出什么结论。（七）作业设计基础层：补全任务单未完成的决策树绘制，并对新增的六个样本完成分类。提高层：在家庭环境中找一个真实的分类场景（如冰箱食材是否可放入冰箱冷冻室），采集十条样本并构造决策树，下节课展示。挑战层：查阅资料了解剪枝概念，用两三句话解释“为什么要给决策树修剪”。九、第二课时任务衔接简案第二课时以机房实践为主，学生在教师提供的数据集上完成sklearn决策树的建模、测试集验证与准确率计算，通过更换不同比例的训练样本观察模型表现波动，最终撰写四百余字的实验反思，重点回答“你的模型在哪些样本上犯错，为什么”。教师巡回指导侧重参数含义与结果可视化解读，把重心放在评价环节的数据证据采集上。十、板书设计板书采用树形骨架。左侧纵向记录“决策树的三条结构定律”，中间为课堂游戏的演化图与人工建树对比图，右侧呈现信息增益的直观示意卡与代码片段截图，最下方预留班级共识便利粘贴除区。十一、教学评价设计本课形成性评价由三部分构成，分别对应过程性观察、任务单完成质量与课堂概念图表现，权重分别为三成、四成与三成。过程性观察由教师在游戏环节与小组探究环节完成，记录学生提问质量与协作投入度；任务单由组内互评加教师复核完成；概念图按“节点完整、关系正确、有无个性表达”三级量规打分。三项数据汇入学期人工智能模块学习档案袋，为后续单元学习提供诊断依据。十二、教学反思预设本课以游戏切入的导入方式虽耗时约八分钟，但换来了学生对决策树结构零障碍的接纳，时间投入值得。手工建树环节需要教师密切巡视，个别小组容易陷入对个