高中信息技术选修5《人工智能初步》教学设计：人工智能的若干应用领域

高中信息技术选修5《人工智能初步》教学设计：人工智能的若干应用领域一、教学背景分析浙江教育出版社高中信息技术选修5《人工智能初步》第一章第二节“人工智能的若干应用领域”，是学生接触本模块后从“走近人工智能”走向“理解人工智能”的关键一课。前一节学生已经建立了人工智能的基本概念，知道了符号主义、连接主义等发展脉络，但对人工智能究竟能做什么、为什么会做成这样，仍停留在新闻和影视作品的表层印象。本节课以自然语言理解、机器视觉、模式识别、专家系统、智能机器人、机器学习六大应用领域为主线，帮助学生把零散的生活经验结构化，把技术直觉上升为学科概念。从学情看，选课学生普遍在日常中使用过语音助手、拍照搜题、短视频推荐、智能门禁等应用，体验丰富但概念模糊，普遍存在三种典型误区：一是把人工智能等同于机器人，二是认为机器“理解”了语言，三是认为算法无所不能、不会犯错。本课的教学价值恰恰在于纠正这些偏差，通过真实案例的拆解与对比实验，让学生体会“人工智能的能干”与“人工智能的局限”同时存在，形成理性、审慎的技术观，这正是信息技术学科核心素养中信息意识与信息社会责任的落脚点。二、教学目标1.信息意识：能列举人工智能在语言、视觉、决策、制造等领域至少四个典型应用，并能说出每个应用背后要解决的核心问题。2.计算思维：通过对具体应用的任务分解，初步理解“感知—表示—推理—决策”这一人工智能解决问题的一般路径，能区分“规则驱动”与“数据驱动”两类方法的基本差异。3.数字化学习与创新：能借助在线语音识别、图像识别等开放工具体验人工智能服务的真实效果，记录数据、归纳规律，完成小组探究报告。4.信息社会责任：结合人脸识别争议、算法推荐依赖等案例，讨论技术应用中的隐私、偏见与安全边界，形成负责任地使用人工智能的态度。三、教学重点与难点教学重点：自然语言理解、机器视觉、专家系统、智能机器人、机器学习五大领域的任务本质与典型实例。教学难点：理解“机器并不真正理解语言，而是在处理符号与概率”；理解“数据与算力决定了应用的效果边界”，从而对宣传话术保持判断力。四、教学方法与资源准备采用情境导入、案例研讨、对比实验、小组展评相结合的策略。课前准备：可联网机房或学生自带终端，申请好语音转文字接口和图像识别接口的试用网页；剪辑一段约九十秒的视频，混剪智能音箱对话、无人驾驶路测、医疗影像辅助诊断、工业机械臂装配四个场景；印制“应用领域探究任务单”，每组一张，包含体验记录表、误区辨析表和观点陈述栏。五、教学过程（一）情境导入：一台机器的四次“聪明”（约七分钟）上课伊始，教师不讲解任何概念，直接播放混剪视频。画面一是用户对着音箱说“帮我订后天去杭州的早班高铁”，音箱流畅应答；画面二是无人车在雨夜识别突然横穿马路的行人并刹停；画面三是医生在阅片电脑上看到一个肺结节被红色框标出，系统给出恶性概率估算；画面四是汽车工厂里机械臂以毫米级精度完成焊接。视频结束，教师只问一个问题：“这四件事，都叫人工智能，但它们‘难’的地方一样吗？”学生初始回答多半是含糊的“都挺难”。教师顺势板书四个词：听懂、看清、判断、动手，指出这四个动作恰好对应人工智能研究的不同分支，本节课的任务就是把这台机器的四次“聪明”拆开来看，看每一层聪明背后的门道与天花板。设计意图在于用连续的真实场景制造认知冲突——同为人工智能，难度结构完全不同，从而把学生“人工智能是大杂烩”的笼统印象打碎，为领域分类的学习提供内在动机。（二）领域一：自然语言理解——机器在“理解”什么（约九分钟）教师现场演示：向在线语音识别工具说一段带方言口音的话，例如“明儿个我打算去趟西湖边儿上转转”，观察识别结果。多数情况下文字转写基本准确，学生觉得理所当然。教师随即追加一句语义模糊的指令：“这事儿回头再说吧”，并提问：“机器转写出了每一个字，但它知道‘这事’是哪件事、‘回头’是多久的头吗？”由此引出本课第一个关键概念：语音识别只是把声音变成文字，这叫“听清”；而理解一句话的指代、省略和真实意图，才是“听懂”，后者至今是人工智能最难啃的骨头之一。教师再以“我想起来了”——既可表示记起某事、也可表示从床上起身——为例，说明人类语言的歧义依赖语境与世界知识来消解，而机器掌握的更多是统计规律。接着给出结构化的领域地图：自然语言处理包含机器翻译、问答系统、文本摘要、情感分析等方向；2017年以后，基于神经网络的大规模语言模型让“写得像人”成为现实，但“说得像人话”不等于“懂得人事理”。课堂上让两名学生分别用翻译软件把一句古诗译成英文再译回中文，观察信息的流失与变形，学生会在笑声中直观体会“形式转换”与“意义保持”之间的鸿沟。（三）领域二：机器视觉与模式识别——看见与看懂（约九分钟）教师展示两组图片。第一组：同一学生在不同光照、不同发型下的三张照片，问学生“这是同一个人吗”，全班异口同声；再展示双胞胎照片，问机器能否区分。第二组：一张停车场里被胶带改动的限速标志照片，告知学生实验中某些自动驾驶系统会把它误识别为更高限速。学生第一次意识到：人觉得很稳的视觉判断，机器可能因为几个像素的扰动而翻车。在此基础上讲解机器视觉的基本流水线：图像采集、预处理、特征提取、分类识别。强调“特征”这一核心——早期系统靠人工设计的边缘、纹理特征，如今卷积神经网络自己从海量标注图片里学特征，识别的精度因此飞跃，但代价是必须“喂”进足够多的数据。模式识别的应用随即铺开：人脸门禁、车牌识别、医疗影像阅片、工业质检中的缺陷检测。此处安排一个对比小实验：各组上传五张手写数字图片到识别接口，其中一张故意写得潦草倾斜。各组记录识别成功率并回答：机器错在哪一张、为什么。实验结论由学生自己说出口——识别率高不等于理解图像，机器的“看懂”是对模式匹配，而非对世界的把握。（四）领域三：专家系统与机器学习——知识从哪里来（约九分钟）教师先讲一个历史片段：上世纪七十年代，医疗专家系统MYCIN通过几百条“如果—那么”规则，能为血液感染疾病给出诊断建议，水平接近资深医生，却因为没有常识、无法解释异常情形而未能真正进入医院。提问：“把人类专家的知识一条条写成规则，这条路为什么走不远？”学生讨论后，教师归纳：规则驱动的方法有两个死穴——知识获取瓶颈，专家说不清也写不完自己的经验；规则冲突与常识缺失，系统遇到规则没覆盖的情形立刻不知所措。于是另一条路兴起：不告诉机器规则，只给它大量病例，让它自己找规律，这就是机器学习。教师用一句通俗的话对比两者：“专家系统是学生背老师给的笔记，机器学习是学生刷一万道题自己悟套路。”随后给出一张简洁的对应表：有标注答案的训练叫监督学习，如垃圾邮件分类；没有答案、让机器自己分堆的叫无监督学习，如客户分群；通过奖惩试错学习的叫强化学习，如围棋程序AlphaGo。教师强调：AlphaGo战胜人类棋手的本质，不是它“懂”围棋之美，而是它把围棋抽象为一个可计算的搜索与估值问题，并用算力把这条路走到了人无法企及的深处。（五）领域四：智能机器人——把聪明装进身体（约六分钟）教师播放十秒对比视频：工业机械臂在固定工位精准焊接，与一台人形机器人在陌生房间里笨拙地捡起一个软柿子。提问：“为什么重复一万次零误差的焊接容易，捡起一个力度没数的东西反而难？”讲解智能机器人是多领域的集大成者：需要视觉感知环境、需要规划路径、需要控制执行，最难的是处理开放世界中的不确定性——工厂流水线是被设计得尽可能确定的环境，而家庭、街道充满意外。由此学生自然理解为什么机器人最先在工业界普及，而进入家庭步履缓慢。教师补充介绍人机协作机器人、物流分拣机器人、手术辅助机器人等近年落地较快的形态。（六）观点交锋：当应用照进现实（约五分钟）教师抛出三个微型辩题，各组抽签选一个陈述两分钟：一是“小区装人脸识别门禁，方便与安全如何权衡”；二是“短视频平台比你更懂你想看什么，这是服务还是操控”；三是“AI阅片准确率超过普通医生，医院能不能完全用它替代医生”。教师在点评中不落道德说教，只点出三条判断基准：技术是否有不可接受的误判率，误判的代价由谁承担；数据采集是否经过授权、用在何处；效率之外，人的尊严与选择权是否被保留。这三条基准，学生今后面对任何新的人工智能应用都可以套用。（七）课堂小结与作业（约四分钟）师生共同完成板书上的领域全景图：听懂——自然语言理解；看清——机器视觉与模式识别；判断——专家系统与机器学习；动手——智能机器人；中间用一条横贯的箭头标注共同的技术主线“感知、表示、推理、决策”，并在旁边写上另一行字：数据决定效果，边界决定责任。课后作业为二选一：其一，完成探究任务单上的“我家的人工智能清单”，找出生活中五处人工智能应用，标注所属领域、所用数据，并指出一处可能的误判风险；其二，撰写一段三百字短评，回应“机器翻译已经这么好，我们还有必要学外语吗”，要求用到本课至少两个概念。六、板书设计主板书为一棵“应用之树”：树根写“数据、算力、算法”，树干写“感知—推理—决策”，六个分枝分别是自然语言理解、机器视觉、模式识别、专家系统、机器学习、智能机器人，每个分枝下挂一两个课堂实例关键词。副板书动态记录学生实验中发现的失败案例与讨论中生成的三条价值基准。七、教学评价设计过程性评价看三点：体验实验中记录是否真实、对失败案例的解释是否用上了“特征”“数据”等概念而非“机器笨”；小组陈述中领域归类是否准确、例举是否恰当。结果性评价依托任务单，重点批改学生对“机器理解”的表述——凡写出“机器真的懂了”的，在面批环节用课堂上的歧义句子实例让其自我修正。评价标准向全班事先公开：概念准确占百分之五十，证据运用占百分之三十，观点表达占百分之二十。八、教学反思预设本课内容点多面广，最大的风险是“六个领域讲成六段新闻”，学生听热闹而未得门道。破解之