高中二年级信息技术选择性必修4监督学习教学设计

高中二年级信息技术选择性必修4监督学习教学设计一、教材与学情分析本课选自粤教版（2019）高中信息技术选择性必修4《人工智能初步》第三章第一节第二课时，核心内容是机器学习算法类型中的监督学习。教材从"标注数据—训练模型—预测输出"这一主线展开，依次介绍分类与回归两类基本任务，并以鸢尾花分类、房价预测等经典案例帮助学生建立直观认识。监督学习是后续学习无监督学习、深度学习以及神经网络的前置概念，学生能否在本课形成"用数据训练模型、用模型解决新问题"的完整图景，直接决定整个模块的学习质量。授课对象为高二年级选修本模块的学生。经过必修模块的学习，学生已经掌握Python基础语法，能够读懂简单程序，也在前一课时体验了机器学习"从数据中学习规律"的基本思想，会用"训练集""测试集"等词汇进行粗略表达。但从课堂观察看，学生的理解停留在名词层面：一说监督学习就背"有标签"，追问"标签在算法里到底起什么作用""分类和回归怎么区分"便语焉不详。此外，高二学生抽象思维处于由经验型向理论型过渡阶段，对"模型即函数"这一数学化表达存在畏难情绪，需要借助生活情境和可视化操作搭建脚手架。二、教学目标信息意识方面，学生能够从真实问题出发，判断问题是否适合用监督学习方法解决，能识别任务中的特征与标签，初步建立"数据驱动解决社会问题"的思维方式。计算思维方面，学生能够说出监督学习"准备数据、训练模型、评估模型、应用预测"的基本流程，能通过对比鸢尾花分类与房价预测两个案例，归纳分类与回归在输出形式上的本质差异，并能用"离散"与"连续"加以概括。数字化学习与创新方面，学生能够在图形化平台或简化代码环境中完成一次完整的监督学习实验，能修改训练数据规模并观察模型准确率的变化，形成基于证据调整方案的意识。信息社会责任方面，学生通过讨论"人脸识别考勤""成绩预测"等情境，认识到训练数据的偏差会导致模型偏见，初步形成审慎使用人工智能预测结果的态度。三、教学重点与难点教学重点：监督学习的基本流程，分类与回归两类任务的区别。教学难点：理解"标签"在训练过程中的作用机制，理解模型评估中训练集与测试集划分的必要性。难点突破策略：用"学生做题—对答案—再考试"的学习类比贯穿全课，把标注数据类比为"带答案的练习册"，把模型训练类比为"摸索解题经验"，把测试集类比为"没见过的期末试卷"，让抽象机制附着在学生最熟悉的经验之上。四、教学准备教师准备：多媒体演示环境、预装好图形化机器学习工具（或集成scikitlearn的Python编程环境）的机房电脑、鸢尾花数据集与简化房价数据集、课堂学习任务单、随堂评价量表。学生准备：课前完成线上微课"什么是机器学习"的学习并提交两个生活中"靠经验做判断"的例子。课时安排：两课时连排，共90分钟。五、教学过程（一）情境导入：让机器学会"看病历"（8分钟）课堂伊始，教师展示一组真实感强烈的场景：某医院放射科每天产生上千张胸片，医生读片任务繁重；某电商平台需要根据用户历史行为判断一笔交易是否为欺诈；农业大棚需要根据温度、湿度、光照数据预估下周产量。教师抛出问题：这三件事看似毫不相关，但背后的智能系统用的是同一类方法，这类方法叫什么？学生结合预习能答出"机器学习"，教师进一步追问："机器没有老师，它是怎么'学'会的？如果给它一万张标注好'良性''恶性'的影像，它和没人指点、自己瞎琢磨，哪种方式学得更快？"由此引出课题——监督学习。教师板书学习主线：给答案地学→学会规律→解决新问题。学生带着"机器怎么利用标好的答案"这一疑问进入新课。此环节的设计意图是用真实职业场景制造认知冲突，让学生意识到本课知识的应用价值，避免就概念讲概念。（二）新知建构一：监督学习的概念与要素（15分钟）教师呈现鸢尾花数据集的前十行（山鸢尾记录：花萼长度、花萼宽度、花瓣长度、花瓣宽度与品种标签），请学生观察表格结构并思考：这张表和我们平时见到的数据表有什么不同？学生讨论后发现，前四列是测量数据，最后一列是"答案"——品种名称。教师顺势给出规范表述：用于训练的数据集中，每一组输入数据都配有一个期望的输出结果，这个期望输出称为标签；带有标签的数据称为标注数据；利用标注数据训练模型的机器学习方法叫作监督学习。教师用类比深化理解：标注数据就像一本带参考答案的习题册，算法反复"做题—对答案—找差距—调整思路"，最终形成自己的解题策略，这个策略就是训练出的模型。学生在任务单上用红、蓝两色笔圈出表格中的"特征"（输入）与"标签"（输出），并口头复述两者的含义。接着教师组织"火眼金睛"快速辨析活动，屏幕滚动出示若干情境，学生举红牌或绿牌判断是否属于监督学习问题：给一万封已标注"垃圾/正常"的邮件训练过滤器（是）；把相似购买记录的用户自动归为一组但没有现成分类答案（否，属于无监督学习）；根据历年气温与用电量数据预测下个月用电峰值（是）。通过辨析，学生抓住"是否有现成标签"这一判据，防止把所有机器学习混为一谈。（三）新知建构二：分类与回归——两种输出形态（15分钟）教师并行展示两个预测案例。案例一：输入一朵鸢尾花的四项测量值，模型输出"山鸢尾"，答案只能从有限几个品种里选。案例二：输入某套房子的面积、楼层、地段评分，模型输出"约236万元"，答案是一个可以在数轴上连续取值的数。学生在任务单上填写对比表，从"输出是什么形式""生活中的同类例子""判断任务类型的关键词"三个维度归纳。小组汇报后教师提炼：当预测结果是离散的类别时，这类监督学习任务叫分类，典型场景有垃圾邮件识别、手写数字识别、疾病辅助诊断；当预测结果是连续的数值时，这类任务叫回归，典型场景有房价预测、气温预测、销量预估。判断口诀可以浓缩为一句话——选出来的答案是分类，算出来的数值是回归。教师追问一个易错点："预测某学生期末数学考多少分"是回归，"预测该学生成绩等级（优秀/良好/合格）"是分类，同一个学生、同一份数据，任务定义不同，算法类型就不同。这个对比例子帮助学生理解任务类型的划分依据是输出的形式，而不是问题本身。（四）探究实践：亲手训练一个鸢尾花分类器（25分钟）这是本课的核心环节。教师将任务分解为四个台阶，学生两人一组在机房完成，任务单同步记录。第一台阶，认识数据。学生打开实验平台，查看鸢尾花数据集共150条记录、4个特征、3个品种标签，回答：如果让你人工制定分类规则（比如花瓣长度小于2厘米就是山鸢尾），能做到吗？三个品种界线清晰吗？学生尝试后发现山鸢尾好分，另两个品种界限模糊，人工规则力不从心，从而体会让算法自己找规律的必要。第二台阶，划分数据。教师引导学生思考：用全部150条数据训练完，再用同样的数据检验模型水平，这种"既当运动员又当裁判"的做法公平吗？学生自然得出要留一部分没见过的数据做测试。平台将数据按8比2自动划分为训练集与测试集，学生记录各自条数。第三台阶，训练与评估。学生一键调用K近邻算法完成训练，查看模型在测试集上的准确率（通常在0.9以上）。教师要求每组将训练集比例从0.8依次改为0.5、0.2重新实验，把三组准确率填入表格并描绘变化趋势。多数小组发现训练数据越少，准确率越不稳定，个别小组甚至出现"数据减半、准确率反而上升"的波动。教师抓住这一生成性资源追问原因，引出数据质量、随机划分带来的差异，让学生体会到机器学习结果是概率性的而非绝对精确的。第四台阶，应用预测。学生测量教材插图中一朵"未知"鸢尾花的四项数据并输入模型，输出预测品种，体验"训练好的模型服务新任务"这一完整闭环。教师巡视中重点关注两类错误：一是把标签列也当作特征输入训练，二是用测试集反复调参导致评估失真。对出现错误的组别不直接纠正，而是引导其重新检查数据流向，让学生自己发现"模型看到的只能是特征，答案必须藏起来"。（五）归纳建模：绘制监督学习流程图（10分钟）各组将刚才的操作步骤用便利贴排列在白纸上，组间互相走动观摩，寻找异同。教师组织全班收敛，共同绘出规范流程：收集并标注数据→划分训练集与测试集→选择算法训练模型→用测试集评估性能→达标则部署应用，不达标则回到数据或算法环节迭代改进。教师强调流程图的箭头不是单向直线，评估不合格时要回流，机器学习项目往往是多轮迭代的产物。学生据此修正自己任务单上的流程图，并用一句话向同桌解释每个箭头代表的含义，做到图、话、操作三者对应。（六）责任思辨：当预测伸向人（9分钟）教师抛出情境：某校引入"学业预测系统"，根据学生平时的作业、出勤数据预测其中考成绩档次，并据此提前分层排课。支持者认为这能实现精准教学，反对者认为这会给孩子贴上撕不掉的标签。学生分正反两方进行三分钟的微型辩论。辩论后教师引导超越立场之争，聚焦技术根源：模型是数据训练出来的，如果历史数据中隐含偏见（例如某类学生的历史成绩因资源匮乏而整体偏低），模型会把这种偏差"学"进去并放大；预测结果只是概率参考，不能替代对人的完整认识。学生写下一句"给未来算法使用者的提醒"，贴在班级"AI伦理墙"上，如"数据的缺课率会写进模型的判断里""预测可以提示方向，不能决定方向"。（七）课堂小结与作业延伸（8分钟）教师用三个问题收束全课：监督学习与无监督学习的分水岭是什么？分类和回归怎样一眼区分？一个机器学习项目为什么要走完评估才算闭环？学生以思维导图方式在任务单背面独立作答，教师随机抽取三份投影点评。分层作业：基础层，列举生活中一个分类问题和一个回归问题，写明其特征与标签；提高层，在实验平台将鸢尾花实验的算法更换为决策树，对比两种算法在同一测试集上的准确率并作出解释；拓展层，查阅资料了解"过拟合"现象，用学习类比写一百字的通俗解释，下节课分享。六、板书设计主板书采用"三横三纵"结构。上方居中写课题"机器学习算法类型之监督学习"。左侧纵列写概念链：标注数据（特征+标签）→模型→预测。中部是流程环图：数据准备、训练、评估、应用四个方框以箭头相连，评估框引出一条"不达标"的返回箭头。右侧纵列对比分类与回归：分类——离散类别，选一选；回归——连续数值，算一算。副板书留给课堂生成的学生金句与辩论要点。七、教学评价设计本课采用"三单联动"的过程性评价。任务单记录实验操作与概念辨析的完成情况，作为即时性证据；小组互评表从分工协作、数据记录规范性、结论表达三个维度打分；课后思维导图考查概念体系的完整度。评价量规突出"重过程、重证据"：实验准确率高低不计入成绩，如实记录、能解释波动原因才是高分标准，以此破除"为了好看的数字调数据"的不良倾向。八、教学特色与预设反思本设计的特色体现在三个方面。其一，类比主线贯穿始终，"带答案的习题册—摸索解题经验—没见过的考卷"这组学生最熟悉的经验，把标签、训练、测试三个抽象概念牢牢锚定，课末概念脱离类比也能准确表述，实现了支架的成功撤除。其二，实验设计保留"不完美的数据"，刻意让学生在改变训练规模时看到波动与例外，把机器学习的不确定性变成可讨论的学习资源，而非需要掩饰的实验事故。其三，伦理讨论从技术根源出发