高中信息技术必修1《认识人工智能》教学设计

高中信息技术必修1《认识人工智能》教学设计一、教材与学情分析本课选自高中信息技术人教中图版（2019）必修1《数据与计算》第四章第一节。教材以"体验—理解—应用"为线索，引导学生从生活中的智能应用出发，认识人工智能的基本概念、发展历程与核心技术，初步理解机器学习的基本思想，为后续学习"利用智能平台解决问题"奠定基础。本单元是整册教材从"数据处理与算法"走向"智能技术"的桥梁。前三章学生已经掌握了用编程处理数据、描述算法的基本方法，具备了分析问题、抽象建模的思维习惯。本节内容概念性强、技术点密集，若照本宣科极易流于名词堆砌，因此必须依托真实可感的体验载体，让学生在"做中悟"，把抽象的智能原理转化为可触摸的认知。授课对象为高一年级学生。他们对语音助手、人脸识别、智能推荐等应用司空见惯，使用经验丰富但认知碎片化，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"像人一样思考"；三是迷信AI万能，缺乏对其局限性的判断力。同时，学生尚未接触概率统计的深层知识，理解"用数据训练模型"需要借助直观类比和可视化工具。基于上述分析，本课以"体验智能—揭秘原理—辩证思考"为主线，用三条递进的活动链串起全课。二、教学目标1.信息意识：能列举生活中典型的人工智能应用实例，识别其背后依赖的数据类型，感受智能技术对社会生产方式的深刻影响。2.计算思维：通过手写数字识别、图像分类等体验活动，理解"数据采集—模型训练—预测输出"的基本流程，初步建立"机器学习是用数据'喂'出来的规律"这一核心观念，能用自己的语言描述训练集、特征、模型的基本含义。3.数字化学习与创新：能使用在线开放平台（如图像识别、自然语言处理体验工具）完成探究任务，并尝试调整参数观察识别效果的变化，形成"提出假设—实验验证—归纳结论"的探究路径。4.信息社会责任：结合AI换脸、大数据杀熟、算法偏见等案例，讨论人工智能引发的伦理与安全议题，形成审慎、负责地使用智能技术的态度。三、教学重难点教学重点：人工智能的基本内涵；机器学习"数据—训练—预测"的基本过程。教学难点：理解机器学习的本质是从数据中归纳规律而非执行预设规则；辩证看待人工智能的能力边界。突破策略：以"教机器认猫狗"的对比实验为支点，让学生亲手改变训练数据的数量与质量，观察识别准确率的变化，从实证中悟出"数据决定模型上限"的道理，化解抽象概念；以辩论活动承载伦理讨论，让价值判断在思维碰撞中自然生成。四、教学准备教师准备：多媒体教室联网环境、可编程体验平台（如图形化机器学习平台TeachableMachine或同类国产平台）、导学案、课堂即时反馈工具、AI生成图片与真实照片对照素材、辩论计时器。学生准备：课前完成问卷"我接触过的人工智能"，并拍摄一张自己认为"很智能"的应用截图上传至班级空间。五、教学过程（一）情境导入：这张图是真的吗（约6分钟）上课伊始，大屏幕并列呈现两张人物肖像照片，教师抛出问题："左边这张，是摄影师拍的；右边这张，是计算机'画'的。请你判断哪张是AI生成的，并说出依据。"学生观察讨论，理由五花八门：皮肤质感、发丝细节、耳饰是否对称、背景光影。教师揭晓答案后顺势追问："机器没有眼睛、没有画笔，它是怎么'画'出以假乱真的人脸的？它知道自己在画'人'吗？"学生陷入认知冲突——这正是本课要解开的谜。教师板书课题"认识人工智能"，并明确本节课的三个任务：说清楚什么是人工智能；弄明白机器是怎么"学会"本领的；想清楚我们该如何与人工智能相处。设计意图：用真假照片的强认知冲突激活课堂，问题直指"机器是否理解世界"这一本质叩问，为后续区分"感知智能"与"认知智能"埋下伏笔。（二）活动一：给"智能"画像——什么是人工智能（约8分钟）教师从班级空间调出学生课前上传的应用截图，快速分类投屏：刷脸支付、导航避堵、拍照搜题、智能音箱、短视频推荐、作文批改。布置小组任务：给这些应用找共同点，尝试用一句话给"人工智能"下定义，写在导学案上。各组展示定义，教师不急于评判对错，而是引导互评："哪个定义能把'计算器算得飞快'排除在外？哪个定义能把'自动门感应开关'排除在外？"经过几轮辨析，学生逐渐意识到：计算快不是智能，固定规则的自动响应也不是智能，关键在于"让机器完成通常需要人类智力才能完成的任务"。教师给出凝练表述：人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门技术科学，其核心是让机器具备感知、学习、推理与决策的能力。随后用一张"人工智能三次浪潮"时间轴，简述从符号推理到专家系统再到深度学习兴起的发展脉络，点明本轮热潮的三驾马车——大数据、强算力、新算法，其中深度学习是突破口。设计意图：定义不是灌输出来的，而是在"举例—归纳—反例修正"的过程中被学生自己"逼"出来的，这一过程本身就是计算思维中抽象与形式化的训练。（三）活动二：亲手"教"机器认东西——机器学习初体验（约15分钟）这是本课的核心探究环节。教师演示：打开图形化机器学习平台，用摄像头分别录入"举起左手""举起右手""双手放下"各30张图像，点击"训练"按钮，几秒钟后模型生成，教师现场换动作测试，模型实时给出判断结果与置信度百分比。学生惊叹之余，教师宣布："现在轮到你们当一回'AI训练师'。"学生两人一组领取探究任务单，三次递进实验：实验一，基础训练。每组自定两个类别（如"握拳"与"张开手掌"），每类录入约40张图像，训练并测试，记录识别准确率。实验二，数据减量。将其中一类的训练图像删至5张，重新训练并测试同一批动作，再次记录准确率。学生普遍发现：数据变少，模型误判明显增多，置信度波动变大。实验三，引入干扰。把训练图像的背景从纯色改为杂乱场景，或在录入时光线明显变暗，观察模型表现。许多组发现模型"认"的不是手，而是背景或光线——换个环境就失灵。小组汇报数据与发现，教师引导归纳：机器学习的本质不是人把规则写死教给机器，而是机器从大量样本数据中自动归纳规律，形成模型，再用模型对新数据做出预测。其流程可表示为：采集并标注数据→训练生成模型→输入新数据→输出预测结果。识别错误产生的原因主要有三：数据量不足、数据单一缺乏代表性、数据存在偏差。教师顺势点拨："你们刚才做的事情，和人脸识别、语音转文字、医学影像筛查背后的原理是相通的，区别只在数据规模与网络深度。工业界训练一个大模型要用数以亿计的样本和成千上万块计算芯片协同工作，但'数据喂养、规律归纳、预测输出'的逻辑骨架完全一致。"设计意图：三个对照实验层层剥离，让学生在变量控制中自己撞见结论——模型的上限由数据决定。这种具身化的学习体验，远比背诵"监督学习""神经网络"等术语更能建立真正的理解，同时也为后面讨论算法偏见埋下逻辑引线。（四）活动三：AI的能与不能——一次迷你辩论（约8分钟）教师呈现三组材料：其一，某AI模型在肺结节筛查中的检出率超过普通放射科医生；其二，某聊天机器人一本正经地编造了不存在的法律条文，导致使用者败诉；其三，某招聘算法因历史数据中男性简历占优，系统性地给女性求职者打低分。抛出辩题："在未来社会，人工智能将全面超越人类智能。"正反双方各三名代表，每人限时一分钟陈词。反方代表抓住实验三的发现反击："我们自己训练的模型连换个背景都会犯错，它根本没有真正的理解，只是在拟合数据。"正方则举出AI在蛋白质结构预测上的突破。辩论现场火花四溅。教师在白板上提炼双方共识：人工智能在模式识别、海量检索、重复计算等特定任务上已经超越人类，但它缺乏真正的理解、常识、情感与价值判断；它的"智能"是数据的镜像，数据有偏，模型必偏。由此引出科学家的警示：弱小的人工智能不可怕，可怕的是没有约束的强大。教师引导学生记住三个关键词——数据安全、算法公平、人的主体性，并明确：使用AI工具时，人必须对最终结果负责。设计意图：辩论不是表演，而是让学生把刚才的实验证据转化为论证武器。当"模型会被背景骗"成为反方的论据时，知识就完成了从体验到迁移的闭环；而伦理讨论有了实证支撑，便不会沦为空泛说教。（五）课堂小结与延伸（约3分钟）师生共同完成板书上的思维导图：一条主线"感知—学习—决策"，一个流程"数据→训练→预测"，一份清醒"能做的事很多，该守的边界也不少"。布置分层作业：基础层——完成导学案上的概念辨析题（区分人工智能与自动化、列举三个应用并说明其依赖的数据类型）；提升层——用体验平台重新训练一个识别"微笑"与"严肃"表情的模型，故意只用同一个人的照片训练，测试它对其他同学的识别效果，写100字实验报告说明现象与原因；拓展层——查阅资料，了解一个国产人工智能开放平台或开源框架，下节课用两分钟向同学介绍它能做什么。六、板书设计主板书以思维导图呈现：认识人工智能├─是什么：模拟、延伸、扩展人的智能（感知·学习·推理·决策）├─怎么学：数据（足量·多样·无偏）→训练→模型→预测│识别错误的根源：数据少、数据窄、数据偏└─怎么待：能力有边界，使用有底线——安全·公平·人负责七、教学反思（预设）本课的价值不在于学生记住了多少术语，而在于他们亲手"训练"过一个模型，亲眼看过模型犯错，亲手制造过一次"有偏的AI"。当知识和他们的操作经验焊