高中信息技术必修1“探秘人工智能-揭秘智能算法”教学设计

高中信息技术必修1“探秘人工智能——揭秘智能算法”教学设计一、教学设计理念本课选自教科版（2019）高中信息技术必修1《数据与计算》第五单元第二节。课程标准对本单元的要求是：了解人工智能的概念、发展历程及其对社会的影响，通过典型智能算法的体验与分析，初步理解人工智能技术的基本原理。教学设计以“数据—算法—智能”的内在逻辑为主线，摒弃对人工智能的猎奇式介绍，把课堂重心落在“智能从何处来”这一本质问题上，让学生在动手体验与原理剖析中建立对机器学习、深度学习等核心概念的初步认识，形成“算法是智能的灵魂，数据是智能的养料”的学科观念。二、教材分析本节课处于必修1收官单元的核心位置。前四个单元学生已经掌握了数据编码、算法描述、Python程序设计和数据处理方法，第五单元则要求学生站在已有计算思维的台阶上，眺望人工智能这片新领域。本节内容包含三个层次：一是人工智能的概念辨析，厘清人脑智能与机器智能的区别；二是智能算法的典型代表，包括分类、聚类、神经网络与深度学习；三是人工智能应用背后的伦理与安全思考。教材编排由浅入深，但原理性内容抽象度高，如梯度下降、神经元加权求和等知识点若处理不好，极易滑向两种极端：要么坠入高等数学的泥潭，要么退化为科普故事的堆砌。本设计采取“体验先行、图示破难、代码验证”三条路径化解难点。三、学情分析授课对象为高一年级学生。知识储备方面，学生已能用Python编写顺序、分支、循环结构的程序，理解函数调用与列表操作，这为运行简化版算法代码提供了可能。认知特点方面，学生日常接触人脸解锁、语音助手、个性化推荐等应用，对人工智能有丰富感性认识，但普遍存在两种模糊观念：一种认为机器“像人一样思考”，把智能神秘化；另一种认为机器“无所不能”，对智能算法缺乏批判性审视。思维水平方面，学生抽象逻辑思维正处在关键发展期，能够理解“用数据训练模型”的思想，但对“参数如何被优化”这一动态过程缺乏直观感受。兴趣点方面，图像识别、对弈程序等案例能显著激发学习动机，适合作为教学情境的切入点。四、教学目标1.信息意识：能结合生活实例辨析什么是人工智能，说出人工智能与传统程序在解决问题方式上的本质差异，认识到数据质量对智能系统性能的决定性作用。2.计算思维：通过体验手写数字识别训练过程，理解“数据—模型—预测”的机器学习基本流程；能借助图示说明神经元加权求和与激活函数的工作方式；能描述监督学习中损失函数衡量误差、迭代调整参数的基本思想。3.数字化学习与创新：能调用课程资源包中的简化代码完成一次小型分类实验，观察训练轮次与识别准确率的关系曲线，并据此归纳规律。4.信息社会责任：能结合算法偏见、隐私泄露等案例，客观评价人工智能技术的双面性，初步形成负责任地使用智能技术的态度。五、教学重难点教学重点：机器学习“用数据训练模型、用模型做出预测”的基本思想；人工神经元加权求和模型的直观理解。教学难点：理解“学习”即参数被不断调整的过程，而不是人写死规则的过程；突破这一难点依靠可视化演示与对比实验双线并进。六、教学方法与策略采用情境教学法、任务驱动法与实验探究法相结合的方式。课前布置学生收集身边的人工智能应用实例。课中以“人类凭经验判断、机器凭什么判断”这一挑战性问题统领全课，设置三个递进任务：辨智能、拆算法、训模型。借助可视化神经网络演示平台与本地Python环境开展分组实验。课后以辩论与短评写作延伸伦理思考。教学时间为两课时连排，共90分钟。七、教学准备教师准备：感官体验素材（模糊数字图片、动物图片若干）、神经元加权求和动态演示课件、基于sklearn手写数字数据集的简化Python示例程序、训练过程可视化界面、学习单。学生准备：完成前置问卷“我身边的人工智能”，机房每台终端配置Python运行环境与资源包。八、教学过程（一）情境导入：机器凭什么认识你（8分钟）教师在大屏投影三张低分辨率的手写数字图片，请学生快速辨认，学生几乎不假思索地报出答案。教师追问：你判断的依据是什么？学生回答涉及形状、笔画、经验等关键词。教师板书“经验”二字，随即提出问题：手机相册能自动圈出人脸，智能音箱能听懂方言口音，机器没有童年、没有生活阅历，它的“经验”从哪里来？学生自由发言，普遍猜测“程序员告诉它规则”。教师顺势展示一个反例：请学生尝试用自然语言写出“识别手写数字7的全部规则”，学生很快发现，同一个数字的写法千差万别，规则写不尽。教师小结：面对这类规则难以穷举的问题，人类换了一条路——不再逐条编写规则，而是让机器从大量样本中自己琢磨规律。这种让机器通过数据获得解决问题能力的技术路径，就是人工智能的核心思路。由此引出课题：探秘人工智能——揭秘智能算法。设计意图：以学生最熟悉的手写识别制造认知冲突，“规则写不尽”的困境直指传统程序范式与机器学习范式的分水岭，为整堂课确立统摄性大问题。（二）新知建构一：从“人写规则”到“机器学规律”（15分钟）教师引导学生对比两种编程范式。传统程序是“规则加数据得到答案”：人把规则写进代码，输入数据，程序输出结果。机器学习则是“数据加答案得到规则”：把大量样本及其正确标注交给算法，算法自己归纳出规则，形成模型，此后对新数据做出预测。教师用流程对比图呈现两种范式，强调角色反转——人从“立规矩者”变成“供数据者”。教师讲解机器学习的三要素：数据是学习的素材，模型是待调整的规则框架，训练是让规则逼近真相的过程。结合生活案例阐释：垃圾邮件过滤器看过成千上万封带标注的邮件后，学会识别广告词与异常链接的组合特征；电商推荐系统分析海量浏览与购买记录，归纳出兴趣相似人群的偏好规律。随后师生共同完成概念辨析练习。大屏依次出现“计算器求平方根”“语音转文字”“温度超过阈值自动报警”“看图识花小程序”等实例，学生举牌判断其属于传统程序还是人工智能应用，并说明理由。教师针对争议项“自動温控”追问：规则明确、无须从数据中归纳，所以它不是智能，只是自动化。借此澄清误区：能自动干活不等于智能，智能的标志是“从数据中学到规则”。设计意图：范式对比是本节课的概念地基。判断练习用学生熟悉的应用做认知支架，在辨析中把“机器学习”从模糊热词转化为可界定的技术概念。（三）新知建构二：拆开“神经元”看一看（20分钟）教师设问：机器学到的“规律”长什么样？我们从最小的零件看起。大屏呈现一个神经元示意图：多个输入信号各自乘以一个权重，求和后再经过一个判断环节输出结果。教师用“选科打分”作类比解释：几位老师给你的综合测评打分，但每位老师的话语权不同，权重就是话语权；各项得分乘以各自权重再相加，得到总分；最后设一条线，过了线就判“通过”，没过线就判“不通过”。对应到神经元：输入x₁、x₂、x₃乘以权重w₁、w₂、w₃后求和，再加上偏置b，即y=f(w₁x₁+w₂x₂+w₃x₃+b)，其中f是激活函数，相当于那条“分数线”的角色，把连续数值压成“是或否”的倾向判断。教师拖动课件中的权重滑块，学生观察同一组输入下输出结果随权重变化而翻转，直观感受到“权重决定神经元的判断倾向”。教师讲述历史脉络：1943年麦卡洛克和皮茨提出神经元的数学模型，1958年罗森布拉特造出感知机，能学习简单的二分类任务；但单层感知机连“异或”这样简单的问题都解决不了，研究一度跌入低谷；直到多层网络与反向传播算法成熟，叠加大数据与算力的爆发，深度学习才让神经网络重获新生。学生认识到：单个神经元能力有限，千万个神经元连成网络、层层加工特征，就拥有了识别图像、理解语言的惊人能力。随后小组活动“人肉神经网络”：每组六名同学分别扮演输入节点、两个隐藏层节点、输出节点等角色，用手写卡片传递数值，现场完成一次“是否是苹果图片”的加权计算。学生在传递与求和中体会信息如何在网络中逐层流动。设计意图：用打分类比和角色扮演把抽象数学结构具象化，公式以课件图示而非推导的面目出现，既守住科学性，又不越过高一学生的数学边界。（四）探究实践：训练一个手写数字识别模型（30分钟）教师明确任务：借助课程资源包中的简化程序，完成一次真实的模型训练，观察机器“越练越准”的过程。资源包基于sklearn内置的手写数字数据集，样本为8乘8像素的灰度小图，代码已做充分注释，学生只需修改参数并运行。第一步，看数据。学生运行第一段代码，屏幕显示若干数字图片及其标签。教师引导思考：每个样本是64个像素亮度值加1个标签，机器眼中的“数字”其实是64个数。学生顿悟：所谓图像识别，本质是对数字数组的分类。第二步，划数据。学生阅读代码中把数据集分为训练集与测试集的语句，教师提问：为什么不拿全部数据训练后直接报告成绩？学生讨论后得出：用没见过的数据考模型，才能测出真本事，否则只是“背答案”。教师肯定这一回答体现了科学测评的基本思想。第三步，训模型。学生运行训练代码，观察程序输出：初始准确率低，随着训练推进逐步爬升。教师讲授背后的机制——模型每做一次预测，就拿预测结果与标准答案比较，差距用一个称为“损失”的数值衡量；算法的任务就是一轮轮微调参数，让损失像滚下山的小球一样不断变小，直至趋于平稳。教师配合大屏动画演示小球沿曲线滚向谷底的过程，学生理解“学习就是反复纠错、让误差最小化”，梯度下降正是那种“每一步都朝下降最快的方向挪一点”的朴素策略。第四步，做实验。学生分小组改变训练轮次参数，分别取5轮、20轮、50轮，记录测试准确率并填入学习单表格，绘制准确率随轮次变化的折线图。多数小组发现：起初准确率快速上升，随后增长趋缓，个别小组发现轮次过多时准确率反而轻微波动。教师借此点出“过拟合”的现象：模型把训练数据的细枝末节都背了下来，面对新样本反而呆板，就像只会做原题不会举一反三的考生。第五步，验成果。学生用画图板手写一个数字，经教师提供的转换工具变成8乘8像素图输入模型，观察预测结果。有学生故意写得歪斜，模型识别失败，全班笑声中教师追问：失败说明什么？学生归纳：训练数据什么样，模型的本事就什么样，数据决定了智能的天花板。设计意图：五步实验把“训练—评估—改进”的完整流程交到学生手上。代码仅作调用与参数调整，不增加认知负担；曲线的起伏、识别的成败都是最鲜活的证据，让“数据驱动、迭代优化”的思想长在学生自己的实验记录里。（五）拓展思辨：智能的边界与责任（12分钟）教师呈现两则案例。案例一：某公司招聘筛选系统因训练数据中男性简历占比过高，系统“学会”了压低女性简历评分。案例二：某短视频平台精准投喂用户偏好内容，部分青少年日均使用时长超过四小时。学生围绕两个问题展开小组讨论：错误是机器犯的还是人犯的？我们这一代人应如何与技术相处？各组代表发言，观点集中于：算法没有价值观，偏见源自数据与设计者；技术中立是表象，选择怎么用它才见人心；享受便利的同时要警惕被算法“圈养”。教师总结提升：模型从数据中学到什么，取决于人喂给它什么；智能系统放大效率的同时也会放大偏见。国家已出台生成式人工智能服务的相关管理规定，要求技术发展守住安全与公平的底线。学会使用智能工具，更要学会审视智能工具，这是数字时代公民的基本素养。设计意图：技术教育不能止于技术。真实争议案例把学生从“会操作”推向“会判断”，落实信息社会责任的课程目标。（六）课堂小结与作业布置（5分钟）师生共同完成思维导图梳理本课脉络：人工智能的本质是让机器从数据中学习规律；机器学习的基本流程是收集标注数据、训练模型、测试评估、投入使用；神经网络通过海量神经元的加权连接实现复杂功能；训练即借助损失衡量误差、迭代优化参数；数据质量、算法设计、伦理规范共同决定智能系统的价值。分层作业：基础层，整理课堂笔记，用自己的话向家人解释“机器学习”并举两个生活实例；提高层，修改实验代码中的数据集划分比例，观察准确率变化并撰写百字实验报告；拓展层，就“AI生成内容应不应该强制标注”写一篇三百字短评，下节课课前开展迷你辩论。九、板书设计主板书以左右对照结构呈现。左侧：传统编程——人写规则，输入数据，得出答案。右侧：机器学习——给出数据与答案，机器归纳规则，模型预测新数据。中间向下延伸出本课三条筋骨：神经元（加权求和，激活判断）、训练（比较损失，迭代调参）、责任（数据定上限，伦理守底线）。十、教学评价设计过程性评价贯穿全程：概念辨析环节依据学生举牌判断与理由阐述评定概念理解水平；实验环节依据学习单中的数据记录、折线图与结论归纳评定实践探究水平，量规分为“能完整跑通流程、能解释现象、能提出改进猜想”三级；思辨环节依据小组发言的观点深度与论据质量评定责任意识表现。结果性评价结合分层作业完成质量，重点关注学生能否用自己的语言准确表述机器学习的核心思想，而非背诵术语。十一、教学