高中一年级信息技术人工智能及其应用教学设计

高中一年级信息技术人工智能及其应用教学设计一、设计依据与课程定位本教学设计面向高中一年级信息技术必修课程，对应粤教版《数据与计算》第六章“人工智能及其应用”。学生已经完成数据、信息、算法、程序设计初步等内容的学习，能够用流程图描述简单问题，能用Python写出顺序、分支、循环结构，也对数据采集、编码、统计图表有基本经验。本章不是把人工智能讲成前沿新闻，也不是压缩成概念背诵，而是让学生从“会使用的工具”回到“可解释的过程”，理解智能系统如何由数据、算法、算力与场景共同塑造。课程标准强调计算思维、数字化学习与创新、信息社会责任在真实问题中的融合。本章恰好处在“数据与计算”向“智能化数据处理”过渡的位置：前面章节回答数据从哪里来、怎样组织、怎样用程序处理，本章进一步追问机器为何能从样本中形成判断，判断为何会失误，失误由谁承担。教学应把技术体验、原理剖析、伦理辨别放在同一问题框架中，避免把人工智能切成神奇演示或抽象定义两截。本单元宜采用“近身体验—拆解机制—亲手建模—迁移应用—责任判断”的路径。学生先与语音助手、图像识别、翻译系统等常见应用交互，记录输入、输出与失败案例；再回到教材中关于图灵测试、专家系统、机器学习、深度学习的基本表述；继而用可视化工具或少量代码完成一个分类任务；最终以校园生活为场域提出可行的小方案。知识线索保持清晰：人工智能不是单一技术，而是让机器表现出感知、理解、推理、学习、决策等能力的一组方法集合。教材中的关键内容可作三层处理。第一层是“知其然”：说清人工智能应用常见形态，如语音识别、人脸识别、机器翻译、推荐系统、智能问答、自动驾驶辅助。第二层是“知其所以然”：理解规则驱动与数据驱动的差别，知道训练集、测试集、特征、模型、损失、泛化等词在日常语言中的含义。第三层是“知其边界”：认识样本偏差、过拟合、黑箱决策、隐私泄露、算法歧视带来的风险。二、学情诊断与教学困难高一学生对人工智能有强烈兴趣，却常把兴趣建立在三个误会上。其一，把输出流畅当作理解能力，看到机器回答问题顺滑，就推断它像人一样思考。其二，把个别成功当作普遍可靠，看到一次识别成功，就忽略光线、角度、口音、样本分布改变时的失效。其三，把技术中立当作价值中立，认为系统给出分数就与公平无关。教学设计必须让这些误会暴露出来，而不是直接纠正口号。学生已有程序基础差异明显。一部分人能独立写出循环累加、列表遍历、简单函数；另一部分人停留在模仿运行。人工智能内容若骤然引入矩阵、梯度下降、反向传播，会把多数学生推到旁观位置。本章更适合用“低门槛操作、高概念理解”的方式：用拖拽式训练器观察误差下降，用短代码读取数据集并统计正确率，用类比理解特征提取，用争议案例组织责任讨论。课堂真实困难还包括设备、网络、平台账号、数据合规。教师应准备离线材料包，包含图像样本、文本样本、演示视频、可本地运行的分类小程序与评价表。不可把学生人脸、家庭信息、社交账号内容直接上传到公共平台；需要体验时采用公开数据集或匿名化样例。技术环境越受限，越要突出思想方法，让教学目标不依赖某个平台的存续。学生表达常出现两极：理科取向学生急于追求准确率，忽视数据说明；文科取向学生善谈伦理，却难以说明模型为何错。分组时采用异质组合，设数据员、算法记录员、场景分析员、风险审查员四个角色。组内每人都要留下可操作证据，防止讨论被口才强者独占。三、教学目标学生能够用自己的语言界定人工智能，区分“按固定规则执行的自动化”与“从数据中归纳规律的学习型系统”。判断标准不追求术语齐整，而看能否举出正例与反例：电梯调度多是规则控制，垃圾邮件识别常依赖样本统计，手写数字识别需要特征与模型共同作用。学生能够解释人工智能系统的基本工作链条：采集数据、清洗标注、选择特征或让网络自动提取特征、训练模型、验证效果、部署运行、持续监测。对“特征”的理解落到具体对象，如判断苹果成熟时看颜色、纹理、大小、斑点；判断作文跑题可看关键词分布、段落中心一致性、论点证据匹配度。学生能够完成一次微型训练任务。给定校园垃圾分类图片twenty至forty张，或给定天气与运动心情的表格数据，学生能把样本分成训练与测试两部分，运行教师提供的程序或在线无代码工具，记录正确率变化，分析最常见错误来自数据不足、标注含糊、类别相似还是场景变化。学生能够评价一个应用方案是否值得做。评价维度包括需求真实性、数据可获得性、风险可控性、误判成本、改善空间、是否伤害少数群体。对校园场景，鼓励学生优先选择低风险高解释价值的题目，如图书漂流推荐、操场器材借用预测、实验耗材补给提醒，而非直接做人脸考勤或情绪排名。学生能够形成基本伦理自觉。明白便利不是通行证，准确不是免责任，模型输出不是事实本身。面对识别陌生人照片、自动生成同学评语、预测成绩排名等提议，能提出保留人工复核、告知数据用途、限制采集范围、提供申诉渠道等具体约束。四、核心概念与学科思想本章核心概念可凝练为五组词：数据、特征、模型、泛化、责任。数据是经验的载体，但不是现实的完整复制；特征是观察对象的切口，切错位置再强算法也会偏；模型是对规律的压缩表达，压缩必然丢失细节；泛化是模型走出样本后仍可用的能力，决定其是否只是背答案；责任提醒每一次部署都把误差转嫁给了具体的人。规则系统与学习系统的差异可用食堂结算说明。规则系统像张贴的价目表，鸡腿六元、青菜三元，收银员照章结算；学习系统像从大量已结账小票中估计“这份餐大约多少钱”，当新菜品组合出现，它能给出相近判断，也可能把摆盘相似的套餐认错。前者稳定却难覆盖变化，后者灵活却受样本牵制。图灵测试不宜讲成哲学悬案，而应作为反证工具。让学生设计问题迫使聊天系统露怯：要求它依据昨天本班实际天气回答晨跑建议，要求它说明刚才结论的依据，要求它承认不知道。学生会看到语言流畅与处境理解之间仍有缝隙，从而明白“像人对话”不等于“可靠完成现实任务”。机器学习可用“做题—对答案—改策略”类比，但需补一句：机器没有真正的心甘情愿，它只是在既定目标下调整参数，让错误度量变小。可视化公式写成：预测误差＝标准答案−机器输出。训练的目标是让多次样本上的平均误差尽量小；若只盯训练题，可能把噪声也背下来，遇到新题反而失分，这便是过拟合的日常解释。深度学习的引入控制尺度。用“多层筛选”描述即可：底层看边缘与色块，中层组合成形状，高层形成对象线索。高一学生不必推导卷积核，也不硬性展开网络层数，但要知道层数与数据量、算力消耗、解释难度通常一起上升，应用选择不是越深越好。五、单元结构安排本单元安排四课时，另加一次课后延伸。第一课时“看见与怀疑”，从高频应用切入，建立问题清单。第二课时“从规则到学习”，剖析教材案例，比较专家系统与机器学习。第三课时“做一个分类器”，完成微型训练、测试与误差分析。第四课时“让方案经得起追问”，进行应用设计、风险评审与成果路演。延伸任务为家庭或校园观察，记录一项智能服务在七天内的三次成功与三次失误。每课时保留共同骨架：情境五分钟，探究二十五分钟，整理十分钟。探究不追求热闹，要求每组产出可检查材料，包括输入样例、输出结果、失败截图或文字描述、原因假设、改进建议。教师用投影展示两份水平不同的记录，引导学生把“很好”“很差”改成可复核的句子，如“在逆光条件下，三次识别中两次把安全帽判为头盔”。评价采用过程性证据与终结性路演结合。过程证据占六成，含问题清单、数据说明、实验记录、同伴互评；路演占四成，含需求价值、方法恰当、风险预案、表达清晰。分数不是终点，所有评价语都要指向下一轮可修改动作。六、教学准备教师准备三类材料。体验材料：语音识别转写片段、公开翻译例句、植物识别或垃圾分类演示、能够离线运行的手写数字识别小程序。原理材料：规则与学习的对照卡、训练流程图、正确率与混淆矩阵的简易模板。伦理材料：校园采集人脸的讨论条、外卖配送时间压力的片段、招聘筛选误判案例、医疗影像辅助诊断的责任分工示意。数据包坚持小、净、可解释。图像类每类十五至三十张即可，标签用两字名词；文本类控制在短评五十条以内；表格数据字段不超过六个。样本宁可少而干净，不可为显壮观引入来源不明的大文件。每组数据附一张说明卡：采集时间、拍摄条件、标注人、可能偏差、禁止使用范围。软件路线分三档。机房条件好，用本地Python与现成库读取csv，代码不超过三十行；网络一般，用教师打包的网页版训练器；设备不足，用纸质“特征卡”模拟分类，把样本卡按特征投进不同盒子，再统计误判。三种路线目标一致，切忌把课程成败绑在登录速度上。板书预留两块区域。左侧写机制链：数据→特征→模型→测试→部署→监测。右侧写反问句：它见过这样的例子吗？错了谁受影响？能解释理由吗？能不采集这项信息吗？两块区域贯穿四课时，让学生每次活动都回到同一坐标。七、第一课时教学过程：看见与怀疑上课开始，教师不定义人工智能，直接播放三段二十秒材料：手机把带口音的普通话转成文字，翻译软件把“厦门风大，坐船要看浪”译成外文后再译回中文，拍照识别把一盆绿萝判成龟背竹。学生只看，不评价。随后屏幕出现任务：每组针对一个材料写出“它做对了什么、哪里奇怪、你凭什么怀疑”。学生独立记录三分钟，再组内交换。教师巡视时收集高频词，如“识别错”“反应快”“像人”“不靠谱”。这些词先保留，不急着替换。教师追问一个细节：语音转写如果背景有下课铃，错误会增加吗？翻译回译后意思变了，是原句难，还是系统训练语料里这类表达少？绿萝被误判，是叶片形状相近，还是拍摄距离过近？问题落在观察条件上，气氛从惊叹转向取证。全班共建“应用地图”。黑板画三列：感知理解、预测推荐、生成辅助。学生把生活例子贴进去，导航避拥堵放入预测推荐，作文润色放入生成辅助，门禁刷脸放入感知理解。遇到争议，如智能音箱放歌，既含语音识别也含推荐，就允许跨列，并注明主要能力。地图的目的不是分类绝对正确，而是让学生看见同一产品内部有多层技术。教师给出规范表述：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交叉领域；在中学层面，可把它理解为让机器完成过去需要人的感知、判断或创造才能完成的任务的方法集合。表述后立刻追问边界：计算器算不算？多数学生说不算，因为它按固定算术规则执行；自动感应水龙头算不算？也不难排除。争议落在推荐系统，学生能感到规则与统计之间的灰度。小组完成第一张问题清单，必须包含十个问号，其中至少三个指向数据：数据从哪来，是否征得同意，是否覆盖老人与儿童；至少三个指向效果：什么环境会失败，失败频率多少，能否人工接管；至少两个指向责任：提示语是否清楚，出现问题找谁；至少两个指向替代方案：不做智能系统能否解决，低成本办法是什么。课末布置“拆一个常用功能”。学生回家或课间观察一项校园或家庭智能功能，记录一次输入、输出、后续动作。教师强调不要采集他人敏感信息，不拍同学正脸，不上传证件。收集表格只留行为与结果，不留可识别身份的细节。第一课时的成功标准是学生手里有真问题，而不是记住若干名词。八、第二课时教学过程：从规则到学习复习不走提问背诵，而用两张票据导入。一张是打印好的公交票价规则，里程对应票价；另一张是网约车预估价截图，路程相近价格不同。学生解释差别：前者公开稳定，后者结合时段、供需、路况动态估计。由此引出规则驱动与数据驱动，不要求背诵定义，要求说出两种系统各自害怕什么。规则系统怕例外太多，学习系统怕样本偏窄。教材中专家系统内容放在“老办法的价值”里讲。教师用简易医疗分诊示例说明知识库与推理机：症状、体征、禁忌症进入规则库，系统给出建议路径。学生能感到规则透明的优势，也看到维护成本：新疾病、新药物、新指南都要人工更新。再对比影像辅助诊断，模型从大量标注片中学到纹理模式，能发现人眼易忽略区域，却难以用一条规则说明为何警惕。活动设计为“给新生儿黄疸筛查建议做参谋”的简化演练，只用公开常识，不做医学诊断。A组用规则卡：胆红素值区间、日龄、喂养情况对应风险等级；B组用表格统计：若干示例记录中风险与高值的共同出现情况。两组都不能给出最终结论，只能给出需要转介的谨慎提示。此安排避免把学生放进危险医疗判断，同时体会规则可解释与统计能发现关联的互补。教师引入训练基本词汇，控制在八个以内：样本、标签、特征、训练集、测试集、模型、正确率、泛化。每个词都配同一例“识别可回收物”。样本是一张张物品图，标签是类别，特征是颜色、材质、形状、文字标识；训练集用来调整模型，测试集必须后出场；正确率＝判对数量÷测试总数×100%；泛化看换到教室真实垃圾桶旁是否仍稳定。可视化理解误差。教师发下十枚卡片，正面画圆、三角、方形，背面标类别。学生先凭图形归类，正确率很高；再加入被手遮挡一半的卡片，错误上升；再加入“圆形风筝”“方形钟面”等干扰，单靠形状受骗。学生发现特征选择是立场问题：用颜色分队快，却会把红色消防器材和红色包装混作一类；用材质稳，却需要更近观察成本。课中安排五分钟静默写作，题目是“一个模型为什么会自信地错”。要求不出现“智能”“强大”这类形容词，只写机制：训练样本缺少某类情形；标签口径前后不一；测试集与训练集太像；部署时光线改变；目标只看速度不看误伤。教师挑三句朗读，让全班识别句子里的因果链是否完整。本课时收束到一句话：能把判断依据写下来的系统，适合责任边界清楚的场合；需要处理大量变化样本的系统，必须保留监测与纠错。学生把这句话抄进笔记右侧，与第一课时的反问句并排。作业是阅读教材对应节，标出三处与课堂例子能互相印证的句子，并写一句不认同或想追问的批注。九、第三课时教学过程：做一个分类器本课时是核心实践。任务为“校园物品投放小助手”的最小原型，目标不是做成熟产品，而是跑通数据到判断的闭环。类别定为可回收物、厨余垃圾、有害垃圾、其他垃圾四类，样本由教师课前拍摄并匿名化，避免商标与个人信息。学生知道样本少，结论只能用于课堂练习，这种自我限制本身就是方法训练。第一步是数据体检。每组拿到四十张图与一张清单，先统计各类数量是否均衡，再把疑似标注含糊的图挑出来。学生常发现“纸巾沾油”既可算其他垃圾也可能被误解，便需要统一口径；发现易拉罐反光导致背景占比高，便记录拍摄问题。此环节不计速度，教师强调：在真实工程里，清洗和标注常常比调参更耗人。第二步划分训练与测试。用简单比例，如三十二张训练、八张测试，测试样本由组长放信封封存，训练阶段不得偷看。若采用程序，代码只呈现必要片段：读取文件路径，载入标签，调用教师封装函数训练，输出预测表。学生要改的地方仅三处：数据目录、类别名称、随机种子。改动小，注意力让给数据与结果。可视化公式写在操作页上方：正确率＝判对样本数÷测试样本数×100%；某一类的召回情况＝该类被找回数÷该类实际数。对高一学生不展开精确率与召回率的全部细节，但用有害垃圾说明漏判代价：若有害垃圾共有四件，只找回两件，纵然总数好看，风险仍高。学生由此理解单一百分比会遮住重要错误。训练运行后，各组填结果表。字段包括：测试总数、判对数、最容易混淆的两类、一张典型误判图编号、可能原因、下一步做法。教师不展示最高分，而展示两份“诚实报告”：一份正确率较低但误判分析扎实，一份正确率高却说不清原因。全班投票哪份更可继续，多数会选前者，评价观在此完成转向。探究误差时引入“换环境一拍”。各组用平板或教师相机在教室角落补拍四张同类物品，让原模型再次判断。结果通常下降，学生直观看到domainshift的日常含义：训练图背景干净，现实场景有手、阴影、杂物。教师不抛术语，只问：这算不算模型笨？更好的问题是采集时没有覆盖真实摆放。条件允许的组尝试两种处理。其一，把过亮图片调暗后再测，观察稳定性；其二，给测试集增加两张带遮挡样本，看正确率变化。代码不必新写，使用现成按钮或复制一行参数。教师提醒：实验变量一次只改一个，否则无法判断是谁造成变化。控制变量从理化生借来，在信息课堂同样成立。小组互评采用“两个证据一个建议”。评价者必须引用对方记录中的编号或句子，例如“你们的有害垃圾只有五张，且都在白底拍摄”，再提“增加不同角度与污渍状态各三张”。空泛夸赞不计入成绩。学生在写评价时也在重做方法论，同伴压力转为资料质量压力。课时后半段回到教材语言，把刚才的操作映射到术语：刚才拍的图是新增样本，统一口径是标注规范，信封封存是隔离测试集，白底偏差是样本分布失衡，误判集中类别是模型薄弱环节。学生恍然发现，抽象名词并非先验存在，而是从他们的麻烦里长出来的。此刻再读教材，文字有了手感。十、第四课时教学过程：让方案经得起追问第四课时从“能不能做”转向“该不该做、怎样少伤人”。每组基于第三课时经验提出一个校园智能小方案，范围受限：不做人脸识别，不做情绪推断，不做学生品德打分，不预测家庭收入。可选方向包括图书馆座位空闲提示、体育器材损耗登记辅助、实验室危化品柜临期提醒、食堂剩餐量粗略估计、失物招领图文匹配。方案书固定七栏：服务对象、真实痛点、最小数据、输入输出、失败情景、人工接管、退出机制。最小数据一栏要求逐条辩护，例如座位提示只需红外或压力传感，不采集谁坐了多久；失物招领只拍失物，不拍拾取者人脸。退出机制容易被忽视，教师要追问：系统维护终止后，旧数据删不删，已形成的依赖如何过渡。风险评审采用“红队”制。每组答辩三分钟，另一组任红队专挑漏洞：样本是否偏向晴天拍摄，是否给值班员增加负担，是否把提醒变成监控，是否让不会用智能手机的后勤人员被排除。红队不做人身攻击，攻击对象是设计缝隙。被问住不是失败，能在原方案旁写下修订即得分。教师给出一个反例供解剖：某校拟用摄像头识别课堂抬头率，以此评价学生专注。学生需要列出四层问题。测量层，低头可能在演算，抬头也可能走神；数据层，坐姿与表情属敏感信息；激励层，指标会诱发表演式抬头；责任层，教师若据此批评学生，依据是否充分。随后再问：若目标真是改善课堂，有无更低伤害办法，如增加可操作任务、缩短单向讲授、匿名问卷反馈难点。路演评分强调克制。高分方案未必技术复杂，却能把边界说透：知道自己解决不了什么，知道何时该叫人，知道哪些数据不该碰。言语组织要求短句、主动、可验证，少用“极大提升”“全面覆盖”“精准识别”这类空词。学生互相记录对方方案中最值得借鉴的一处限制措施，限制也可以成为亮点。课尾安排个人反思三百字，题目为“我愿意接受系统判断的一次情形与拒不接受的一次情形”。写接受时必须写明便利如何大于风险，写拒绝时必须写明伤害落在谁身上。教师从中看到价值判断是否具体。若学生只写“侵犯隐私”，要求补成“采集何种信息、保存多久、谁能查看、泄露后怎么办”。单元收束不用口号，而回到黑板两侧。左侧机制链此时已被学生补充了数据体检、红队评审、人工接管；右侧反问句新增两条：不用智能能否办成，失败成本可否被弱者承受。教师用一分钟说明后续学习路径：算法选修会接触更系统的模型评价，数据课程会讲采样与偏差，社会实践可把校园方案做成真正可维护的小工具。人工智能不再是一章终点，而是把数据素养推向公共责任的门槛。十一、板书与课堂语言设计主板书坚持“少词多关系”。中央写“数据—特征—模型—测试—部署—监测”，箭头旁注小字：偏、漏、错、变。下方写“规则脑”与“学习脑”对照：规则脑怕例外，学习脑怕偏食；规则脑能解释，学习脑要考试；两者都需人负责。右侧留“追问栏”，只放问题，不放结论，让课堂始终保留未竟状态。教师语言避免把系统人格化过度。可说“输出像回答”，少说“它知道”；可说“误差下降”，少说“它努力了”；可说“我们把风险压到可承受”，少说“技术会解决”。语言上的克制会迁移为学生的判断克制。课堂评价也改口径，少夸“聪明”，多指认“这一步证据补齐了”。对表达困难学生提供句式支架：我观察到输入是……输出是……；当……改变时，结果……；我怀疑原因在……；下一步可用……验证。支架不是替他们想，而是让思维有落点。对超前学生提出反向任务：把正确率压低，但必须解释每一次人为干预的作用，从而防止他们把高分当作炫耀终点。十二、作业与延伸评价课后延伸为七天观察日志。学生选一项低风险智能服务，记录时间、场景、输入、输出、是否采纳、是否复核。每条不超过八十字，七天至少十五条。结尾画一条变化线：信任上升、下降还是波动，并归因于具体事件，而非心情。教师从日志中抽取匿名片段做下一届导入，形成课程资料的循环。书面作业设置三题。第一题给三个场景，让学生判定更适合规则系统、学习系统或两者结合，并写一条风险。场景为红绿灯配时、古籍手稿识别、运动会号码布检录。第二题给一组模型结果，要求指出正确率好看却掩盖的问题。第三题改写产品宣传语，把“精准识别每一个