高中一年级信息技术教科版必修一《探秘人工智能》教学设计

高中一年级信息技术教科版必修一《探秘人工智能》教学设计本教学设计面向高中一年级学生，依据《普通高中信息技术课程标准（2017年版2020年修订）》对必修模块的要求，围绕教科版（2019）必修一第五章第二节“探秘人工智能”的内容展开，侧重在真实的探究情境中帮助学生理解人工智能的基本原理、体验机器学习的过程、思考人工智能与社会的关系，使计算思维与信息社会责任两条线索并行生长。一、课程标准依据与教材分析课程标准在必修模块中明确提出，学生应“了解人工智能的产生与发展历程，初步了解人工智能的典型算法与实现过程，通过智能系统的应用体验，认识到人工智能对社会生产与生活的深刻影响，并能辩证看待这一技术”。本节内容是第五章“数据处理与人工智能”的核心收束部分，前承数据采集、编码与初步的数据分析，后接信息社会相关议题，起着由“数据”走向“智能”的桥梁作用。教材本节内容设计为三个层次：第一层，从“图灵测试”切入，提出“机器能思考吗”这一原点问题；第二层，以机器学习为主线，介绍基于规则的专家系统、基于统计的机器学习以及深度学习的代表性应用；第三层，通过具体的实践活动，让学生利用现有的人工智能平台完成训练与识别的任务，从而由“旁观者”转为“参与者”。教材的这种编排符合从概念到体验、从体验到反思的认知路径，但也存在两个潜在的困难：学生容易把人工智能神秘化、口号化，需要教师揭示其背后的数据与算法逻辑；学生容易满足于平台操作本身，需要教师引导其追问“机器为什么能学会”。二、学情分析高一学生在日常生活中大量接触人脸识别、语音助手、个性化推荐等应用，但他们对人工智能的理解大多停留在“很神奇”“机器很聪明”的直觉层面。部分学生通过课外渠道听说过神经网络、深度学习等名词，却说不清数据、算法与算力三者之间的关系；还有少数学生存在“人工智能无所不能”或“人工智能会取代人类”的极端观点。在本章前面的学习中，学生已经掌握了用编程语言处理数据的基本方法，能够读懂简单的程序，理解特征的提取与数据的表示，这为理解机器学习中“用数据拟合规律”的思想奠定了基础。同时，高一学生抽象思维趋于成熟，具备讨论伦理议题和开展小组协作的能力，因此在教学组织上可以放手让其经历“体验—拆解—思辨”的完整过程。三、教学目标（一）信息意识层面。学生能够列举身边典型的人工智能应用，并能从“感知、学习、决策”的角度描述其工作方式，形成对智能系统敏感而审慎的观察习惯。（二）计算思维层面。学生能够用自己的语言解释“机器学习是从数据中自动获取规律”的基本思想，能说出训练集、样本、特征、模型等核心概念的含义，能通过调整训练样本观察模型识别效果的变化，理解数据质量对智能水平的决定性作用。（三）数字化学习与创新层面。学生能够合理使用开放的人工智能实验平台完成图像或语音识别的训练任务，学会借助海量的公开发表文献、平台文档与演示工具进行自主探索，并能把实验结论用可视化方式表达出来。（四）信息社会责任层面。学生能够结合算法偏差、隐私泄露、深度伪造等真实案例，分析人工智能应用可能带来的社会风险，初步形成“技术向善”的立场，能用有理有据的语言阐述自己对人工智能的态度。四、教学重点与难点教学重点为机器学习的基本思想，即“以数据驱动规律发现”这一与传统编程范式截然不同的机制；教学难点在于帮助学生突破两个认知关口：一是理解程序中并不存在一条人工书写的“识别规则”，规则是由机器从数据中统计出来的；二是在有限的课堂时间内把抽象的概率统计思想用可操作、可观察的活动具象化。突破难点的策略是采用“游戏类比—平台实操—源码微探”三级递进的任务链，让学生在行为层面先做起来，再在认知层面慢慢想清楚。五、教学方法与教学资源本课综合运用情境教学法、任务驱动法、小组协作学习法与课堂辩论法。教学资源包括：配备可联网计算机的机房，预置无需本地算力的在线机器学习体验平台（如图像分类训练工具、语音训练工具、已经训练好的开源识别程序）；教师自制的四分钟微课《机器是怎样学会认猫的》；三份贴近高中生生活的争议案例材料；每人一份学习任务单与课堂过程性评价量表。建议安排两课时连排，共九十至一百分钟。六、教学过程（一）情境导入：三张图片引发的争论（约十分钟）上课伊始，教师在大屏幕依次展示三张图片：第一张是一张威震四方的下棋计算机照片，第二张是医院的智能影像阅片系统的截图，第三张是一条由绘画生成模型绘制的“山海经风格插画”。教师只提一个问题：“这三样东西，哪一样算得上真正的人工智能？”学生自由举手发言，教师不急于评判，而是在黑板上把学生的理由按关键词归类。有的学生认为会下棋的机器最聪明；有的学生认为能画出精美图画的更高级；还有学生认为这些都只是按程序办事，算不上真正的智能。课堂氛围被迅速激活后，教师抛出本课的核心问题：“机器到底会不会学习？它学习的方式和我们一样吗？今天我们就拆开黑箱看一看。”这一环节的设计意图是以认知冲突激活前概念。三个例子分别对应规则驱动、数据驱动与生成式模型三种不同技术路线，学生的分歧恰好构成整堂课探究的脚手架。（二）概念溯源：从图灵测试到机器学习的转向（约十二分钟）教师播放自制微课前段，介绍上个世纪五十年代学者提出“机器能思考吗”这一问题的历史背景，并简明呈现图灵测试的基本设想：如果一个人在隔着屏幕对话时无法分辨对方是人还是机器，那么在实用意义上可以认为这台机器具有了智能。随后教师组织一个三分钟的“微型图灵测试”活动：教师事先在与学生的聊天窗口中混入一个对话机器人程序，让学生通过提问来猜测对话对象的真实身份，并说明判断依据。活动之后教师引导追问：“我们判断它是不是智能，看的是结果；但它在内部是怎么做到的？是靠程序员把每一句可能的回答都写死在里面，还是有别的机制？”由此自然引出人工智能的三条技术路线：基于规则的专家系统、基于统计的机器学习以及建立在多层神经网络之上的深度学习。教师用“教小孩认苹果”作类比说明机器学习：你不必给孩子下定义“红色、圆形、有果柄的是苹果”，而是给他看几百张苹果的照片，他自己总结出了规律。机器学习做的事情本质与此类似，只是它总结规律的方式是数学计算。教师用电子白板上的一组简易图示呈现传统编程与机器学习的差异：传统编程是“规则加数据，得到答案”；机器学习是“答案加数据，得到规则”。教师指出这里的“规则”不是文字，而是一个数学意义上的函数关系，俗称模型。此阶段教师慎用公式，而是让学生先用隐喻建立观念，避免一上来用符号增加认知负担。（三）核心探究一：让机器学会分辨物品（约三十分钟）这是本课的主体实践活动，采用四人小组协作方式，每组推选材料员、操作员、记录员和汇报员各一名。任务设置为：使用在线图像训练平台，训练一个能够区分“可回收物”与“不可回收物”两类图片的简易分类器。任务分四个小步推进，教师在教室巡视，适时抛出引导问题。第一步，采集与准备样本。每个小组需为每类准备不少于十五张图片。平台操作很简单，用手机拍摄课堂物品或从公共图库均可。教师要提醒学生思考：只放一张“塑料瓶”的图片够不够？如果几张照片背景都很单一，结果会怎样？这个问题埋下的伏笔将在后面引爆。第二步，模型训练。学生点击“训练”按钮后，屏幕上出现几十秒的进度条。教师此时在黑板同步讲解：平台背后其实是一层层的神经网络在做数学运算，它把每张图片压缩成一串数字特征，再寻找一条能把两类样本分开的“数学分界线”。如果训练数据越充分、质量越高，这条分界线就越准确。学生在观察进度条时，可以想一想“为什么这么慢”。第三步，测试与评估。每组用自己保留的几张测试图验证模型，并记录识别成功率。这时各组的结果会出现差异：有的组正确率高达九成，有的组在光线变化或角度变化后立刻识别错误，甚至出现把背景当成主要特征的“废物识别”。教师不用直接点破，而是把两组的结果并排投屏，请学生自己找原因。第四步，归因与改进。教师组织学生互相“找茬”：是不是样本太少？是不是样本里混入了多余特征？是不是两类的差异被拍得太相似？如何改进？学生修改样本集后重新训练，大部分小组第二次测试效果明显提升。整个活动过程中，每个小组要填写任务单上的三栏表格：“样本描述—识别结果—原因推断”，为课堂汇报做准备。这一环节的逻辑是先做后讲、以错促思。学生一旦亲手发现“把背景当成特征”的现象，就会立刻体会到“数据决定智能上限”这句课堂之前听起来空洞的话到底有多重的分量。这也正是学科核心素养中计算思维与数字化创新能力融汇生长的关键时刻。（四）核心探究二：从黑箱到灰箱的模型拆解（约十五分钟）在学生拥有了感性经验之后，教师用一段流程动画把刚才的操作翻译成学术概念：样本对应训练集，特征对应从图片中提取的数字向量，模型对应神经网络，训练过程对应损失函数的逐步优化。教师给学生举一个极简的例子：如果仅用“高度”和“重量”两个数据来给水果分类，那么在平面坐标系中可以找到一条直线把两类点分开；真实任务的差别只是特征数量从两个增加到成千上万个。教师可用一段简洁的Python伪代码帮助学生建立“代码层面”的直观：加载图片数据，提取特征，调用现成的分类库进行训练，输出预测。学生不需要掌握语法细节，关键是体会“学习”在代码中不是一个玄学词汇，而是一系列清晰的数学步骤。对于学有余力的小组，教师可引导其观察公开平台上的模型结构示意图，数一数神经网络有多少层。教师点到为止，不要求全班都掌握深层原理，差异化目标在这里清晰体现。（五）价值思辨：技术向善，谁来负责（约十五分钟）教师将全班分成正反两方，主题定为“人工智能的发展利大于弊还是弊大于利”。在辩论之前，教师先投放三则案例材料：一则是某招聘平台因历史数据偏差导致女性简历被系统性压低评分的事件；一则是有人利用语音合成伪造亲属声音实施诈骗的新闻；一则是影像辅助诊断系统帮助基层医院提升诊断准确率的报道。辩论限时八分钟，学生需引用材料并结合前面活动中的“垃圾进、垃圾出”经验展开论证。教师在黑板上记录双方的高频论点，最后进行点评时强调：技术本身是中性的，但数据的收集方式、模型的使用场景、责任的划分制度，都决定了技术最终服务于谁。教师借学生之口引出三个关键词：数据偏见、算法透明、人类监督，并提醒学生，未来无论是成为技术开发者还是普通公民，都要保有一双审视的眼睛。（六）课堂小结与作业布置（约八分钟）教师请三名学生用一句话回答一个问题：“今天你对人工智能最大的新认识是什么？”教师将其要点在思维导图上收束为三个层次：人工智能是在数据基础上用算法学习规律的技术，模型的能力上限取决于数据与算理，人与技术的关系决定着技术会产生怎样的社会后果。最后教师布置分层作业：基础作业为完成一份“我身边的人工智能”观察日志，记录三个应用并分析其数据来源；提升作业为尝试在平台上训练一个三分类模型并撰写训练反思；挑战作业为查阅一篇科普文章，撰写三百字“我们应当如何防范算法歧视”的小论文。七、板书设计板书采用结构式呈现，自左向右依次书写三个板块。左侧“从图灵问到机器学习”，下列图灵测试、专家系统、机器学习、深度学习四个关键词；中间“机器学习的三要素”，呈现数据、特征、模型三者之间的循环箭头，并用粉笔示意传统编程与机器学习的差异：前者是规则加数据得到答案，后者是数据加答案得到规则；右侧“技术与社会”，列下数据偏见、隐私保护、责任归属三点。板书的逻辑链与教学流程一一对应，方便学生课后回忆。八、教学评价设计本课采用过程性评价与终结性评价相结合的方式。过程性评价依托任务单与课堂观察量表从四个维度打分：小组协作的有效性、样本准备的合理性、测试反思的深度、观点表达的清晰度。终结性评价参考实验报告与分层作业，并给出可量化指标：图像分类模型的识别正确率达到七成以上为合格，达到九成以上并能解释错误原因的为优秀；伦理辨析作业需至少提出两条有依据的观点方可获得高等级。评价主体上引入学生互评，从本课的其他小组中选择一份最值得借鉴的实验报告并说明理由，借此培养其同侪观察与鉴赏能力。九、作业设计说明基础作业强调迁移，要求学生把课堂中“数据决定智能”的体悟带到生活场景；提升作业强调动手深化，让学生在自主训练中体会样本数量、样本多样性与模型效果之间的关系；挑战作业强调思辨，回应课程标准对信息社会责任的明确要求。三类作业之间留有弹性空间，尊重不同起点的学生，确保人人可完成、人人有生长。十、教学反思要点一是活动的取舍。本节内容在有限的课时内容易被好奇驱动的探索所淹没，教师必须守住“机器学习思想”这条主线，避免把课堂变成工具操作培训；对深度学习内部机制只作体验性渗透，不必拔高。二是活动的证据。学生在改进样本后识别率的提升是本课最有说服力的证据，教师应有意识地保留