高中二年级信息技术选择性必修4《博弈决策》教学设计

高中二年级信息技术选择性必修4《博弈决策》教学设计一、教学设计的依据与总体思路本课选自人教中图版（2019）高中信息技术选择性必修4《人工智能初步》第三单元第4节“博弈决策”。博弈是人工智能研究中极具代表性的一类问题，从早期的西洋跳棋程序到围棋程序AlphaGo，博弈系统的每一次突破都推动着人工智能向前迈进。本节内容在整个模块中起到承上启下的作用：前面学生已经学习了搜索的基本思想与知识表示的方法，本节则要把这些基础迁移到“对抗性环境”这一全新情境中，理解机器如何在存在对手的情况下做出最优决策，并为后续学习机器学习奠定问题求解的思维基础。课标对本模块的要求是：通过典型案例剖析，了解人工智能的核心算法，体验智能系统的基本实现过程，增强对人工智能技术的兴趣和认识。据此，本设计不以讲深算法的数学推导为目标，而以“让学生亲手构建一棵极小化极大搜索树并做出决策”为主线，让学生在纸上推演、在程序中验证、在对弈中反思，把抽象的算法变成可操作、可感知、可批判的对象。本设计的总体思路概括为三句话：从游戏中来，到算法中去，回到人身上来。学生先在井字棋残局中产生真实的决策困惑，再在教师引导下把困惑转化为“极小化极大算法”的形式化求解过程，最后讨论博弈系统的能力边界与伦理意涵，形成技术理解与人文思考的完整闭环。二、学情分析授课对象为高中二年级学生，选课群体普遍具有以下特征。其一，学生已经具备必修模块中算法与程序设计的基础，能够阅读简单Python代码，了解递归、列表、循环等基本结构；在选择性必修4前几节中接触过状态空间搜索、盲目搜索与启发式搜索，知道“把问题表示为状态树再求解”这一基本范式。这是本课可以直接调用的先行组织者。其二，学生对“博弈”有丰富的生活经验。棋类、纸牌、电子游戏中的对抗体验是他们熟悉的背景，多数学生凭直觉就知道“我走这一步之前要想想对方会怎么走”。但这种直觉是零散的、未经形式化的，学生往往说不清“为什么三步行棋的穷尽推演就能保证不输给同水平对手”。把直觉提升为算法，正是本课最有价值的学习增量。其三，高二学生抽象思维尚处于发展阶段。极小化极大算法涉及交替层的“取最大、取最小”，还要叠加递归回溯，对逻辑链条的完整性要求很高。预计学生在“为什么对方一定按对我最不利的方式走”这一假设上会产生疑问，在手工构建搜索树时容易在层间符号（MAX层与MIN层）上出错。教学设计中必须预留学生犯错、纠错、再确认的环节，用可视化的树图和接力式的板书降低认知负荷。其四，学生对AlphaGo等热点案例有强烈兴趣但认知多停留在新闻层面。把热点转化为课堂探究素材，既能维持学习动机，也能纠正“人工智能无所不能”的片面认识。三、教学目标1.知识与理解：能用自己的语言解释博弈问题与普通搜索问题的区别，说出博弈树、评估函数、极小化极大算法、αβ剪枝的含义与作用；理解“假设对手最优”这一理性决策原则。2.技能与操作：能对给定的小型博弈问题（如取子游戏、井字棋残局）手工画出若干层博弈树，正确标注各节点的回溯值，并给出首选走法；能运行并初步解读教师提供的井字棋人机对弈程序，指出程序中实现极小化极大算法的代码段。3.思维与发展：经历“直觉决策—形式化建模—算法求解—结果验证”的完整过程，体会把对抗性问题抽象为树形搜索的建模思想，发展逻辑推理与计算思维。4.态度与价值观：通过讨论博弈系统能做什么、不能做什么，形成对人工智能能力的理性判断；在“机器赢了人意味着什么”的讨论中，思考人类在智能时代的独特价值。四、教学重点与难点教学重点：极小化极大算法的思想与执行过程。判断依据是，该算法是本节内容的核心骨架，博弈树、回溯值、αβ剪枝都是围绕它展开的，学生只有吃透这一算法，才能说“理解了博弈决策”。教学难点：一是“MIN层假设对手最优”这一反直觉的建模前提，学生容易把对手想象成会犯错的普通人，从而质疑算法的意义；二是回溯值的逆向计算方向，搜索是自顶向下展开的，而值的确定却是自底向上回填的，这一方向上的反转是学生手工推演时出错最集中的地方。突破策略将在教学过程中具体说明。五、教学方法与资源准备教法上以情境教学法、任务驱动法、讲授与演示相结合。学法上以小组合作探究、手工推演、程序验证为主。教师在关键节点提供“脚手架”：半成品树图、标注模板、可运行的示例程序。课前准备包括：教师机安装Python环境并调试好井字棋对弈程序与带αβ剪枝的对比版本；为每个四人小组打印两份学材，一份是空白的井字棋残局推演树模板，一份是取子游戏规则说明；多媒体课件中预置AlphaGo与李世石对局的短视频片段（控制在九十秒以内）；黑板预留一整面区域用于师生共同构建博弈树。六、教学过程本课为两课时连排，共90分钟，分为五个环节。环节一：情境导入——一盘让机器“不会输”的棋（10分钟）上课伊始，教师在大屏幕出示AlphaGo与李世石对局的短片。视频结束，教师不作任何点评，转身在黑板上画出一个只剩四步可走的井字棋残局，向全班发出邀请：“谁愿意替机器走下一步？条件是，你只能不许输，赢不赢另说。”请两到三名学生上台落子并陈述理由。有的学生凭棋感回答“堵这里”，有的说“先占角”。教师追问：“你怎么确定对手不会用一步你没看到的棋把你将死？你能不能向全班证明你的选择是安全的？”学生普遍语塞——他们能给出走法，却给不出证明。教师顺势点题：人的棋感是一种模糊的启发，机器没有棋感，它靠的是把所有可能都穷举出来再回头挑。今天要学的，就是让机器在对抗中“立于不败之地”的方法——博弈决策中的极小化极大算法。板书课题。设计意图：用真实残局制造“会走不会证”的认知冲突，学生对“确定性从何而来”产生强烈的求解欲望，为算法的引入铺平心理道路。短视频提供时代背景但不喧宾夺主，时间严格受限。环节二：概念建模——从一盘棋到一棵树（20分钟）教师先引导学生完成一次集体抽象。提问：“如果把井字棋的每一个局面看作一个点，把每走一步看作一条边，整盘棋的所有可能发展画出来，会是什么形状？”学生联系上一单元状态空间图的知识，答出“树”，教师给出正式名称“博弈树”，并强调它与之前搜索树的本质区别：普通搜索是一个人走，博弈是两个人轮流走，树里的目标在执行时要分“我方层”和“对方层”。为降低复杂度，教师临时切换到一个极简博弈——取子游戏：桌上8枚棋子，两人轮流取，每次可取1枚或2枚，取走最后一枚者胜。教师提问：“这个问题值不值得画树？”学生估算后发现分支很少，完全画得出。师生共同在黑板构建博弈树的前三层。教师边画边植入术语：我方行动的层叫MAX层，我们希望在每一层做出让自己最有利的选择，取“最大”；对方行动的层叫MIN层，对方会做出对我们最不利、也就是对他最有利的选择，站在我方立场上这个值是“最小”。叶子节点标出胜负，胜记为正1，负记为负1，和记为0。树画到一半，教师故意停下，把粉笔交给小组：“剩下几层由你们补完，然后回答一个问题——站在根节点，第一步应该取几枚？”各小组动手补全树图并开始反向填值。此时教师不急于讲回溯规则，而是在巡视中观察学生的自发做法。多数小组会发现：叶子已知，往上一层如果是对方走，对方肯定选对我最差的那个分支，所以这一层的值只能取所有孩子里最小的；再往上轮到我，我就选最大的。至此，“极小化极大”四字算法在学生的纸上自然生长出来。教师收集两组典型作答进行全班比对，正式给出算法表述：从叶子向根回溯，MAX节点取其所有子节点值的最大者，MIN节点取其所有子节点值的最小者，根节点取得值后，选择通往该值的那条分支作为首选走法。随后揭晓结论：在8枚、每次取1或2枚的规则下，先手取2枚可保证不败——学生亲眼看到这是被一棵穷尽的树“证明”出来的，而不是凭感觉猜的。设计意图：小博弈当“练兵场”，让算法先于术语出现；教师退位、学生补树，保证每个学习者都亲历回溯值的计算过程；MAX、MIN层用“我方期望最大化、对方期望最小化”的立场化解“对手为何最优”的疑问——这不是对对手能力的猜测，而是我方求稳妥的最保守假设：我按最坏的情况准备，对手若犯错，我只会赢得更漂亮。环节三：难点攻坚——回溯值专项纠错训练（15分钟）针对预设难点二，教师发放半成品推演树模板：一棵三层井字棋残局博弈树，叶子值已全部给出，中间层与根的值留空，其中一处故意在MIN层旁画了一个向上的箭头陷阱（诱导学生顺着展开方向从上往下填值）。小组独立完成回填，随后交叉互批。教师挑选两份错误作业实物投影：一份把MIN层错填成最大值，一份试图从根往下推。请填错的学生自己说明当时怎么想的，再请填对的学生说明正确的计算顺序为什么必须“自底向上”——因为叶子的胜负是唯一确定的事实，上层的决策必须建立在“下面的局面双方都会应对”的结果之上，而下面的结果只有先算出来才知道。教师用一句话固化认识：树是向下长的，值是向上流的。随后进行一分钟快测：口头给出三个小型MIN/MAX节点图，全班手势作答（手举高为取大、放低为取小），即时反馈。设计意图：先让错误发生，再让错误被讨论，比直接告知规则留下的痕迹更深；快测起到巩固与诊断的双重作用。环节四：从手算到机器——程序验证与剪枝体验（25分钟）教师指出手工推演的局限：井字棋完整博弈树的节点数以十万计，国际象棋更是天文数字。树画不完，就交给程序，但程序必须忠实地执行我们刚才用手做过的那套逻辑。学生在教师机投屏引导下，两两一组打开井字棋人机对弈程序。任务分三步。第一步，学生与程序对弈三局，记录胜负，多数学生发现最多只能逼平。第二步，教师引导学生打开源代码，找到名为minimax的函数，阅读带注释的核心代码：函数判断当前轮到谁，轮到我方就遍历所有空位递归求值取最大，轮到对方则取最小，递归出口是终局的胜负评分。学生对照黑板上的树，指认出“取最大”对应哪一行、“取最小”对应哪一行、递归出口对应叶子。第三步，修改实验：把递归深度限制从9层改为2层，再与程序对弈，学生发现程序变“傻”了——只看两步的程序会被四步的圈套击败。随后教师引出αβ剪枝：运行带剪枝与不带剪枝两个版本，对比同一局面下的节点访问计数，学生直观看到剪枝版本访问节点数大幅减少而走法完全一致。教师用生活化比喻收束：如果某一条分支已经注定不会比手头已有选择更好，就没有必要把它看到底，就像买水果时发现一个摊位全面贵于隔壁，就不必问完它每一样的价钱。强调剪枝只省时间、不改结论。设计意图：让程序成为手工算法的“放大器”，学生对弈、读码、改参三合一地验证算法；深度限制实验让学生体会“看得远”与“决策质量”的正相关；剪枝只论思想不究代码，控制认知负荷。环节五：总结升华——机器赢了棋，人赢了什么（20分钟）教师组织学生完成一张博弈决策知识框图：博弈问题→博弈树→评估函数→极小化极大算法→αβ剪枝，各名词由学生口述填写，教师落笔成型。随后抛出讨论题，小组讨论四分钟、全班交流八分钟。第一问：极小化极大算法依赖两个前提——规则完全明确、对手绝对理性，现实世界的哪些“博弈”不满足这两个前提？学生举出谈判、交通博弈、心理战等例子，指出真实对手会犯错、会试探、规则本身会变。第二问：当机器在围棋上战胜人类冠军，它“理解”围棋之美吗？教师引导学生区分“计算的胜利”与“理解的胜利”，指出博弈系统穷举的是规则内的可能性，而制定规则、赋予胜负以意义的始终是人。最后教师布置分层作业并下课：基础层，完成课本上井字棋残局的回溯值推演题；提高层，用伪代码写出取子游戏的极小化极大决策过程；挑战层，查阅资料了解蒙特卡洛树搜索与AlphaGo的关系，下节课用两分钟向同学汇报一个要点。设计意图：框图收束知识，讨论收束思想。两个问题分别指向算法假设的边界与人工智能的人文反思，回应课标中“增强对智能技术的理性认识”的要求；分层作业兼顾不同学力。七、板书设计黑板分三区。左区为课题与核心术语纵向排列：博弈树、MAX层、MIN层、回溯值、αβ剪枝。中区为师生共同构建的取子游戏博弈树，树上保留学生补画的层与回填的值，错误痕迹用红笔圈改并保留原样，作为课堂生成的见证。右区为两行结论性语言：树向下长，值向上流；按最坏情况准备，得最有把握结果。八、教学评价设计本课采用过程性评价与结果性评价相结合的方式。过程性评价贯穿三个抓手：一是环节三的推演树作业，按“层间符号正确、回溯方向正确、走法结论正确”三项指标由小组互评、教师抽检；二是课堂观察量表，教师记录各小组在补树、读码、讨论中的参与度与思维表现；三是快测环节的全班即时反馈，当场统计正确率，低于八成就地回补。结果性评价依托分层作业，基础层考查算法的规范应用，提高层与挑战层考查迁移与拓展，评价标准随作业一并发给学生，保证评价透明。九、教学反思预设预期本课最大的不确定因素在于环节二的耗时。取子游戏补树若学生上手慢，可能挤压环节四的程序验证时间，备案是将取子游戏规模从8枚缩减至6枚，或把剪