高中信息技术选修3《混合增强智能》教学设计

高中信息技术选修3《混合增强智能》教学设计教材将混合增强智能置于人工智能初步模块的收官位置，旨在引导学生超越单一算法视角，理解人机协同的系统工程思想。选修3模块面向高二年级分层走班学生，学业水平参差不齐，但普遍具备Python编程基础与初步机器学习认知。前序课时已完成感知机、决策树、神经网络等单一模型训练，学生对“模型即黑盒”存在固化认知，缺乏对工程落地中数据流转、决策融合、反馈闭环的系统性理解。教学设计需以真实工程场景为载体，拆解混合增强智能架构，重构学生“数据算法人”的三元认知模型。核心素养导向的教学目标聚焦四个维度。信息意识上，学生能辨析纯算法驱动与人机混合决策在不确定环境下的边界差异，理解增强智能“以人为本”的设计伦理。计算思维上，掌握混合增强系统的四层架构建模方法，能将复杂任务分解为感知层、认知层、决策层、执行层协同流程。数字化学习与创新上，基于JupyterNotebook完成医疗影像辅助诊断原型系统开发，实现规则引擎与深度学习模型的加权融合推理。信息社会责任上，通过算法偏见审计实验，建立对自动化决策风险的敬畏，明确人类专家在回路中的否决权与兜底责任。重难点突破策略采用“架构拆解场景还原代码重构伦理辩证”四阶梯推进。难点在于异构模型融合机制的数学本质与工程实现脱节。引入贝叶斯融合公式$P(H|E_1,E_2)=\frac{P(E_1|H)P(E_2|H)P(H)}{P(E_1,E_2)}$为理论锚点，配合可视化流程图拆解置信度加权、Stacking集成、人工规则修正三种融合范式。难点二在于学生将“人在回路”简化为简单的标注劳动。设计“专家否决模型微调知识图谱更新”闭环实操，体现专家隐性知识显性化的工程化路径。重点突破采用脚手架式代码模板，屏蔽非核心工程细节，聚焦融合策略超参数调优与A/B测试评估。教学过程设计共四课时，每课时45分钟。第一课时：架构溯源与范式重构。教学伊始，投影展示某三甲医院肺结节筛查系统的误报案例：纯深度学习模型对钙化灶假阳性率达18%，引入放射科专家经验规则后降至3%。学生分组讨论：为何单一模型失效？专家知识如何量化嵌入？教师梳理讨论要点，提炼“感知认知决策执行”四层架构模型。感知层负责多模态数据采集清洗，认知层承载CNN特征提取与规则引擎推理，决策层实施置信度融合与风险分级，执行层输出结构化报告与干预建议。板书架构分层图，强调层间通过标准化接口解耦。随后讲授三种融合范式：置信度加权融合适用于同质模型集成，Stacking元学习器适用于异质模型堆叠，规则修正机制适用于长尾样本兜底。引导学生用伪代码描述三种范式核心逻辑，重点剖析Stacking中元特征矩阵$Z_{ij}=M_i(x_j)$的构建过程，避免陷入数学推导细节。课末布置预习任务：阅读《人机混合智能系统设计指南》第3章，标注“可解释性”“可控性”“可审计”三性关键词。第二课时：医疗影像原型系统开发。实验环境部署在局域网JupyterHub集群，预置PyTorch、scikitlearn、SHAP解释库。教师演示数据集加载：LIDCIDRI公开数据集切片1200例，含CT影像、医生标注、病理确诊三模态标签。学生分组领取任务卡：A组完成UNet分割模型推理脚本封装，B组实现基于形态学特征的良恶性规则引擎，C组开发融合决策模块与Web可视化界面。教师巡回指导，重点排查张量维度不匹配、类别不平衡加权损失函数$L=\sumw_cy_c\log(\hat{y}_c)$设置、规则冲突消解策略。融合模块核心代码片段展示：```defhybrid_decision(prob_dl,prob_rule,weight_dl=0.7):fused=weight_dlprob_dl+(1weight_dl)prob_ruleifabs(prob_dlprob_rule)>0.3:return"EXPERT_REVIEW",fusedreturn"AUTO_DIAG",fused```学生通过调整`weight_dl`观察ROC曲线变化，记录AUC最优权重组合。引入SHAP值可视化，对比纯模型与混合模型特征重要性分布差异，直观验证规则引擎对模型决策边界的修正作用。课末各组提交GitLab合并请求，教师CodeReview重点评审异常处理、日志记录、接口幂等性等工程规范。第三课时：人在回路闭环与偏见审计。开篇展示某招聘筛选系统因历史数据偏见导致女性通过率系统性偏低的审计报告。学生分析：混合增强系统若缺乏偏见检测机制，将放大结构性歧视。教师引入公平性度量指标：人口统计学平等$P(\hat{Y}=1|A=0)=P(\hat{Y}=1|A=1)$、机会均等$P(\hat{Y}=1|Y=1,A=0)=P(\hat{Y}=1|Y=1,A=1)$。实操环节，学生使用AIFairness360工具包对第二课时融合模型进行切片审计，按年龄、性别、设备厂商分层计算FPR差异。发现某厂商设备切片假阳性率超阈值15%，引导学生定位至感知层预处理参数未适配该厂商噪声分布。设计“专家否决模型微调”沙盘推演：模拟专家否决3例高置信度误判样本，学生编写脚本自动构建难例集，冻结骨干网络微调分类头，验证微调前后目标切片指标提升幅度。引导讨论：专家否决权边界在哪里？如何防止专家疲劳导致标注质量下降？引入主动学习策略，仅请专家标注模型不确定性最高的TopK样本，量化标注成本与性能增益的帕累托前沿。第四课时：系统评估迭代与伦理治理。引入模型卡与数据卡规范化文档模板，学生按组补全系统文档：预期用途、性能指标切片、局限性声明、伦理风险评估矩阵。组织“红蓝对抗”评估会：红方模拟恶意攻击构造对抗样本、数据投毒、提示词注入；蓝方部署监测告警、熔断降级、人工复核触发机制。实战演练中，红方利用CT噪声模式生成对抗样本绕过规则引擎，蓝方依靠输入重构检测模块拦截92%攻击，残留8%触发专家复核兜底。复盘环节，教师引导提炼防御纵深原则：感知层净化、认知层集成、决策层仲裁、执行层熔断。伦理治理板块，研读《生成式人工智能服务管理暂行条例》相关条款，对照系统功能逐条合规自查。学生起草《混合增强智能系统负责任使用声明》，明确数据主体知情同意、算法决策申诉渠道、模型版本全生命周期治理责任人。课程尾声，布置拓展性作业：调研本地化场景（如智慧交通信控、工业质检、政务办事助手）中混合增强智能的落地形态，撰写3000字调研报告，要求包含架构图、关键融合策略、风险控制措施三要素。教学反思与迭代优化聚焦三个层面。认知层面，学生从“调参提分”转向“架构取舍”，始能辨析何时该用规则、何时该用模型、何时必须留人。工程层面，代码模板虽降低门槛，但导致部分学生忽视数据版本管理与实验追踪，后续需引入DVC与MLflow纳入考核指标。伦理层面，偏见审计实验虽完成指标计算，但对结构性偏见成因的社会学洞察不足，拟引入跨学科PBL，联合思政课、社会学教师共同设计“算法公平性治理”专题研讨。评价体系重构为“