高中信息技术必修1《人工智能与应用》单元整体教学设计

高中信息技术必修1《人工智能与应用》单元整体教学设计一单元教学设计总论浙教版（2019）高中信息技术必修1教材第三单元“人工智能与应用”属于“信息系统与社会”模块的延伸与深化，也是课程标准中“计算思维”与“信息社会责任”两大核心素养的关键交汇点。本单元教材内容涵盖人工智能的发展历程、核心技术原理、典型应用领域、伦理法律与社会影响四大板块，安排6个课时完成基础教学，另有2课时用于单元综合项目实践。教材采用“情境引入－概念构建－原理体验－应用迁移－价值审视”的编写逻辑，旨在引导学生从现象入手，穿透技术表象，触达算法模型与数据驱动的本质，最终落脚于负责任的技术应用与创新。依据新课标“信息科技与社会”学科核心概念体系，本单元确立的大单元教学目标为：学生能结合具体场景，梳理人工智能发展的三次浪潮与关键节点，解释机器学习、深度学习、神经网络的基本原理与内在联系；能利用可视化工具或Python基础库完成图像分类、文本情感分析等典型任务的端到端体验，掌握数据预处理、模型训练、评估调优的基本流程；能针对深度伪造、算法偏见、数据隐私等典型伦理困境，运用利益相关者分析框架提出治理建议，形成对技术向善的价值判断。目标编写遵循“可观测、可度量、可评价”原则，每一项目标均对应具体的学习任务与评价准则。二学情分析与教学策略高一学生已完成必修1前两单元“数据与编程”“信息系统”学习，具备Python基础语法、数据结构、文件操作及简单可视化能力，对信息系统输入处理输出反馈模型有初步理解。但多数学生对人工智能认知停留在媒体报道与科幻影视层面，存在“AI全能论”或“黑箱恐惧”两极误区，缺乏数学建模视角下的算法直觉，尤其对高维空间、梯度下降、反向传播等数学机制感到陌生。针对上述学情，教学策略确立为“三阶递进、双线并行”。三阶递进指认知重构阶段（第12课时），拆解技术迷思，建立符号主义与连接主义并存的知识图谱；原理体验阶段（第35课时），引入TeachableMachine、TensorFlowPlayground、JupyterNotebook三层工具链，实现从零代码拖拽到低代码调参再到核心代码阅读的脚手架式支撑；迁移创新阶段（第68课时），以真实问题为驱动，开展跨学科项目式学习。双线并行指知识技能线与伦理法治线同步渗透，每课时预留5分钟“技术伦理微讨论”，避免说教化、标语化。三单元核心任务与大概念拆解本单元核心任务设定为“设计并实现一个解决校园真实问题的智能原型系统”。该任务满足真实性、挑战性、协作性、迭代性四大特征。大概念拆解为四个子概念：第一，“数据驱动”与“特征工程”，贯穿数据采集、清洗、标注、增强全过程，对应课标“数据处理与分析”核心概念；第二，“模型构建”与“优化迭代”，涵盖神经元结构、激活函数、损失函数、优化器、超参数调节，对应“算法与程序设计”核心概念；第三，“泛化能力”与“鲁棒性”，通过训练集/验证集/测试集划分、混淆矩阵分析、对抗样本测试建立评价体系，对应“计算思维”核心概念；第四，“人机协同”与“负责任创新”，聚焦可解释性、公平性、隐私保护、安全性，对应“信息社会责任”核心概念。四课时分配与进度安排第一课时：智能时代的来临——发展历程与技术范式演进。第二课时：机器学习的核心逻辑——从线性回归到神经网络前向传播。第三课时：计算机视觉入门——基于迁移学习的图像分类实战。第四课时：自然语言处理体验——文本情感分析与词向量可视化。第五课时：人工智能的伦理边界——案例研判与治理路径探讨。第六课时：单元复习与知识网络构建。第七至八课时：综合项目实践——“智慧校园”原型设计与展示评审。五分课时详细教学设计第一课时智能时代的来临——发展历程与技术范式演进教学目标：学生能绘制人工智能发展三次浪潮时间轴，标注达特茅斯会议、专家系统繁荣、深蓝战胜卡斯帕罗夫、AlphaGo、Transformer架构发布等关键事件；能对比符号主义、连接主义、行为主义三大流派核心主张，结合教材P33表格分析知识驱动与数据驱动的范式差异；能识别当前生成式AI爆发的技术支撑——算力、算法、数据“三驾马车”的协同机制。重点难点：三大流派思想溯源与范式转换的内在逻辑；大模型涌现能力的规模效应解释。教学过程设计：情境导入（5分钟）。播放30秒混剪视频：1956年达特茅斯会议合影、1997年深蓝团队握手、2016年李世石落子、2022年ChatGPT生成代码片段。提问：“同一块屏幕前，人类在见证什么？”引导学生从“模拟人类思维”到“超越人类专家”再到“生成类人内容”的演变中提炼核心问题——机器智能的本质是什么。概念构建·流派溯源（15分钟）。分组协作任务：每组领取一张“流派身份卡”（符号主义/连接主义/行为主义），卡片包含核心隐喻、代表人物、经典模型、局限性四个空白栏。学生查阅教材P3032、课标白皮书及预习笔记填写，随后派代表上台贴在主题墙“三足鼎立”版块。教师追问：“为何专家系统难以处理常识推理？为何连接主义在90年代沉寂？行为主义如何催生强化学习？”引导学生从知识获取瓶颈、算力受限、奖励函数设计难度三个维度解释兴衰更替。范式演进·三驾马车（15分钟）。展示对数坐标系图表：横轴为年份，纵轴为模型参数量、训练算力、数据集规模三条曲线。学生两人一组分析：2012年AlexNet为何成为拐点？2017年Transformer为何引发NLP范式革命？2020年ScalingLaws论文提出后，产业界发生了什么策略转变？教师补充“涌现现象”定义：当模型规模跨越临界阈值，未在训练目标中显式出现的能力自发产生。引入“苦涩的教训”论文观点——通用方法配合大规模计算终将战胜人类先验知识注入。微讨论·技术伦理（5分钟）。抛出“当AI能生成不可区分的真实人脸视频，见证不再等于真相”议题，学生匿名在雨课堂弹幕写下一句话担忧，教师筛选典型观点引出下课时伦理专题预告。作业设计：完成“AI发展里程碑思维导图”，标注每个节点的核心突破与局限；阅读《人工智能：一种现代的方法》第1章精选段落，撰写300字读后感，聚焦“智能体”定义的演变。教学反思预设：学生易混淆“专家系统”与“知识图谱”关系，需在板书中明确前者为手工规则硬编码，后者为半自动化实体关系抽取；对ScalingLaws数学公式不展开推导，但需建立“规模性能”幂律关系的直观认知。第二课时机器学习的核心逻辑——从线性回归到神经网络前向传播教学目标：学生能用“寻找最优参数使损失函数最小”这一统一视角解释监督学习任务；能手算完成单神经元前向传播（输入加权求和激活输出），绘制计算图；能在TensorFlowPlayground中通过调节隐藏层数、神经元数、学习率、激活函数观察决策边界变化，解释非线性映射必要性。重点难点：损失函数几何意义与梯度下降直观理解；激活函数引入非线性的数学本质；超参数对模型拟合能力的影响机制。教学过程设计：前测激活（3分钟）。投影展示房价预测散点图，提问：“用一条直线拟合，如何量化‘好’？”学生回忆均方误差MSE公式，教师现场演示Python计算单参数w下MSE随w变化的碗状曲面，确立“优化=下山”隐喻。原理拆解·单神经元解剖（12分钟）。教师现场推导：输入向量x，权重向量w，偏置b，线性输出z=w·x+b，激活后输出a=σ(z)。引入Sigmoid、ReLU、Tanh三条曲线图，学生分析：Sigmoid饱和区梯度消失风险；ReLU稀疏激活与死亡神经元问题；LeakyReLU改进思路。强调“激活函数是神经网络表达非线性关系的唯一来源，无激活函数则深层网络等价单层线性模型”。工具体验·Playground调参实验（20分钟）。学生打开TensorFlowPlayground（已部署在局域网服务器），完成三轮挑战任务：第一轮“螺旋线分类”，仅用线性激活函数，观察决策边界为直线，准确率卡在50%左右；第二轮“添加两层隐藏层，每层4神经元，ReLU激活”，观察边界弯曲贴合，准确率提升至90%以上；第三轮“引入噪声数据，对比L2正则化开关”，观察过拟合边界扭曲与正则化后的平滑化。每轮实验要求记录：网络结构图、损失曲线截图、决策边界截图、一句核心发现。代码透视·最小神经网络（10分钟）。教师展示去除所有高级API的NumPy版单隐层网络核心代码（约40行），重点讲解前向传播矩阵运算维度变换：X形状(n_samples,n_features)→W1形状(n_features,n_hidden)→Z1形状(n_samples,n_hidden)→A1→W2→Z2→A2。学生在纸上完成维度推演练习，巩固张量形状直觉。微讨论·技术伦理（5分钟）。“如果招聘筛选模型在历史数据上训练，学到了‘男性更适合编程’这一隐性偏见，损失函数下降不代表模型公平。”引入“优化目标与人类价值观对齐”问题。作业设计：在JupyterNotebook中复现Playground实验核心代码，修改学习率为0.001、0.1、1.0分别观察损失曲线震荡/发散/收敛现象，撰写实验报告；阅读《DeepLearning》第6.2节“隐藏单元”，整理激活函数选择经验表。教学反思预设：Playground可视化掩盖了反向传播细节，需明确告知学生“工具自动完成了梯度计算与参数更新”，下课时将拆解反向传播；矩阵维度推演是高一学生薄弱环节，建议引入“形状对齐口诀”：内维相同相乘，外维保留成形。第三课时计算机视觉入门——基于迁移学习的图像分类实战教学目标：学生能解释卷积操作的局部感知、权重共享、平移不变性三大特性，手算3×3卷积核在5×5单通道图像上滑动步长1、padding0的输出特征图尺寸；能使用TeachableMachine完成“垃圾分类”四类别（可回收/有害/厨余/其他）数据采集、训练、导出TensorFlow.js模型；能在网页端调用模型实时推理，分析混淆矩阵，针对易混淆类别（如电池vs塑料瓶）提出数据增强策略。重点难点：卷积运算几何直觉与参数量计算；迁移学习中冻结骨干网络仅训练分类头的原理与适用场景；数据质量对模型性能的决定性影响。教学过程设计：情境导入（3分钟）。展示校园垃圾分类投放点监控画面，问题：人工监管成本高、分类准确率低。任务：设计一个轻量级模型部署在树莓派边缘设备，实时语音提醒投放错误。原理直观·卷积动画演示（10分钟）。使用教材配套资源包中“卷积可视化动画”，逐帧拆解：输入通道、卷积核权重、滑动窗口、逐元素相乘求和、偏置加加、激活函数。学生在方格纸上手算一个案例：输入[[1,2,3],[4,5,6],[7,8,9]]，卷积核[[1,0],[1,1]]，步长1，无填充，计算输出特征图每个像素值。教师强调“卷积核即特征提取器，边缘检测、纹理识别均为学习到的权重”。实战演练·TeachableMachine全流程（25分钟）。分组任务：每组使用教师预置的200张标注图片（每类50张），完成数据上传→训练（迁移学习，MobileNetV2骨干，冻结前层，Epoch=20）→预览测试（拍摄实物/视频文件）→导出模型（TensorFlow.js格式）→部署包。教师巡回指导关键节点：样本不平衡处理（少数类过采样）、光照背景干扰（数据增强：随机旋转、亮度抖动、高斯噪声）、推理延迟测量（移动端FPS监测）。结果分析·混淆矩阵解读（7分钟）。导出训练日志CSV，学生用Python绘制归一化混淆矩阵热力图。重点分析：厨余垃圾与可回收物混淆率最高（23%），假设特征相似度高（均含有机质感）。头脑风暴改进方案：增加近红外光谱数据/采集更多边缘样本/引入目标检测定位再分类。微讨论·技术伦理（5分钟）。“监控摄像头识别垃圾分类行为，是否侵犯肖像权？数据本地化处理与云端上传如何权衡？”引入隐私计算联邦学习雏形概念。作业设计：自行收集或爬取某一细分领域图片数据集（如校园植物叶片识别、实验室器皿分类、教室坐姿纠正），不少于5类、每类80张，完成TeachableMachine训练并部署至个人GitHubPages生成在线演示链接，撰写包含数据清洗细节、超参数选择理由、错误案例分析的技术文档。教学反思预设：TeachableMachine封装度高，学生易忽视“迁移学习冻结层”含义，需在代码层面展示Keras中`base_model.trainable=False`与`modelpile`后仅优化顶层Dense层参数量对比；部署环节易因浏览器CORS策略失败，提前配置本地HTTP服务器方案。第四课时自然语言处理体验——文本情感分析与词向量可视化教学目标：学生能解释词袋模型、TFIDF、Word2Vec、BERT四种文本表示方法的维度演进：从离散独热向量到稠密低维分布式表示，再到动态上下文相关表示；能使用jieba分词、SnowNLP完成中文情感极性打分，绘制词云与情感分布直方图；能基于预训练BERT模型微调完成“教学评价文本多标签分类”任务，对比微调前后F1值变化。重点难点：词向量空间中语义类比关系（KingQueen≈ManWoman）的几何本质；注意力机制中Query、Key、Value矩阵交互计算；中文分词歧义对下游任务的误差传播。教学过程设计：认知冲突·从离散到连续（8分钟）。展示独热向量稀疏性痛点：词表大小5万，向量维度5万，点积恒为0，无法度量相似度。演示Word2VecSkipgram模型结构图：输入中心词，预测上下文词。学生思考：为何隐藏层权重矩阵W_in即为词向量查找表？教师讲解“分布式假设”：上下文相似的词语义相似，优化目标迫使语义相近词在向量空间靠近。工具实操·中文情感分析基线（15分钟）。学生打开预配置JupyterNotebook，加载某电商平台手机评论数据集（含标签：好评/差评）。步骤：1.jieba分词+停用词表过滤；2.SnowNLP情感得分阈值0.5分类，计算准确率、召回率、F1；3.绘制好评高频词云（电池、屏幕、快充）与差评高频词云（信号、发热、售后）对比；4.错误案例人工标注：识别讽刺反讽（“这手机真棒，用两天就砖头了”）、领域术语（“续航拉胯”）导致的误判。进阶体验·BERT微调实战（22分钟）。教师讲解TransformerEncoder结构：多头自注意力+前馈网络+残差连接+LayerNorm。演示HuggingFaceTransformers加载`bertbasechinese`，添加分类头，冻结前10层，仅微调后2层+分类头，批次大小16，学习率2e5，训练3个Epoch。学生观察TensorBoard日志：训练集Loss从0.6降至0.05，验证集F1从0.78升至0.92。对比实验：仅用BERT提取[CLS]向量接逻辑回归，F1仅0.85，佐证微调对领域适应的必要性。可视化解读·注意力热力图（5分钟）。选取一条测试样本“屏幕显示效果细腻但续航令人焦虑”，可视化最后一层第3个头的注意力矩阵。学生发现“细腻”强关注“屏幕显示效果”，“焦虑”强关注“续航”，验证注意力机制捕捉长距离依赖能力。微讨论·技术伦理（5分钟）。“大模型训练语料包含版权文本、个人隐私信息，生成内容可能侵权泄露。检索增强生成RAG能否缓解幻觉与版权问题？”引出下学期选修模块“大模型应用开发”伏笔。作业设计：爬取某热门电影短评2000条（含评分），完成数据清洗、分词、Word2Vec训练（向量维度100，窗口5），绘制tSNE降维散点图观察“好看/难看”簇群分离度；尝试用训练好的词向量初始化TextCNN分类器，对比随机初始化效果，记录实验日志。教学反思预设：BERT微调显存占用大，教室机房GPU为GTX16504GB，需提前配置`gradient_accumulation_steps=4`模拟大批次，并开启混合精度`fp16`防止OOM；中文分词粒度对比实验（字级/词级/字词混合）可作为拓展任务留给学有余力学生。第五课时人工智能的伦理边界——案例研判与治理路径探讨教学目标：学生能运用“利益相关者分析矩阵”（受影响主体、权利诉求、风险等级、缓解措施）剖析深度伪造、算法歧视、自动驾驶电车难题、医疗AI誊抄病历四大典型案例；能阐述《新一代人工智能治理原则》《数据安全法》《个人信息保护法》中与AI相关的核心条款；能撰写一份“负责任AI设计清单”，覆盖数据合规、模型公平性测试、可解释性报告、人工介入兜底、持续监测迭代五个维度。重点难点：从技术视角识别伦理风险点（而非泛泛而谈）；将抽象法律条文转化为可执行的工程约束；建立“设计即治理”的前瞻性思维。教学过程设计：案例沉浸·四组轮转研讨（25分钟）。教室四角设四个案例站，每站张贴A3案例卡：A站“AI换脸诈骗430万”，B站“简历筛选算法系统性降低女性工程师评分”，C站“无人车面对闯红灯行人与撞向护栏乘客的抉择”，D站“辅助诊断系统将良性结节标记为恶性导致过度治疗”。每组6人，每站停留6分钟，填写利益相关者分析矩阵，轮转结束留下便利贴补充观点。教师计时广播切换，保持节奏紧凑。全班综合·风险图谱共建（15分钟）。教师汇总四站矩阵，投影生成“AI伦理风险三层模型”：数据层（隐私泄露、采样偏差、标签噪声）、模型层（黑箱不可解释、对抗脆弱、目标错位）、应用层（深度伪造、自动化偏见、责任真空、数字鸿沟）。学生代表上台连线，指出同一风险在不同层的表现形式（如偏见源于数据采样，经模型放大，最终在应用层造成歧视）。法治对接·合规红线梳理（10分钟）。发放《生成式人工智能服务管理暂行办法》节选条文卡片，学生两人一组完成“条文技术对应工程实践”三列表匹配。例：条文“训练数据来源合法”→技术对应“数据溯源水印/联邦学习”→工程实践“数据入库前版权清洗、脱敏、合规审计日志留存”。清单产出·负责任AI设计（5分钟）。每组基于前三个课时的项目（垃圾分类/情感分析），填写“负责任AI设计清单”单页纸：数据来源合法性确认书、混淆矩阵分群公平性检测报告、LIME局部可解释性可视化截图、低置信度样本人工复核流程图、模型漂移监测指标阈值设定。微讨论·技术伦理（5分钟）。“如果你的垃圾分类模型在少数民族聚居社区识别率显著低于全市平均，作为开发者你首先做什么？”引导学生回答：拆解误差来源（数据分布偏移/标签噪声/特征分布差异）而非简单重训。作业设计：选择一个未在课堂讨论的AI应用场景（如智慧养老跌倒检测、保险定价精算、内容推荐算法），撰写2000字“算法影响评估报告”，包含场景描述、利益相关者映射、风险识别矩阵、缓解措施技术方案、残留风险说明与应急预案。教学反思预设：学生易将法律条文背诵为考点，忽视工程落地细节。教学中必须强制要求“每一条风险对应一段代码级或配置级的缓解措施”，如“对抗鲁棒性→引入PGD对抗训练”、“可解释性→集成SHAP值计算模块”。第六课时单元复习与知识网络构建教学目标：学生能绘制单元知识全景概念图，包含历史演进、核心原理、技术栈分层、典型任务范式、工程落地流程、伦理治理框架六大分支，节点间标注逻辑联系（支撑/制约/演进/应用/治理）；能完成单元综合测评卷（选择题10分、简答题20分、案例分析题30分、代码阅读填空题20分、设计题20分），达标率90%以上。重点难点：碎片化知识的系统化整合；代码阅读题中张量维度追踪与梯度流向判断；设计题中从模糊需求到技术方案的拆解能力。教学过程设计：概念图共建（20分钟）。全班分6大组，每组负责一大分支，在白板上用磁贴卡片构建局部图谱，再由组长上台连线整合。教师只干预关键缺失节点（如“损失函数选取与任务类型对应”、“BatchNorm缓解内部协变量偏移”、“联邦学习解决数据孤岛”）。最终形成一张师生共绘的全景图，拍照上传班级云盘作为复习资料。测评实战（30分钟）。发放测评卷，重点题目设计意图：选择题考察ReLU与GELU区别、Transformer并行化优势来源；简答题要求手写反向传播链式法则推导单层权重梯度公式；案例分析题给出某医疗影像分类模型在外部验证集性能大幅下降的现象，要求从域自适应、数据分布偏移、标注一致性三角度排查；代码阅读题给出PyTorch`DataLoader`、`DistributedSampler`、`autocast`片段，填空分布式训练关键步骤；设计题“为视障学生设计校园导航助手”，要求给出多模态融合架构图、关键模块选型理由、隐私保护方案。错因诊断与元认知（10分钟）。现场扫描答题卡，高频错误项即时讲评。引导学生填写“元认知反思卡”：本单元最困惑的概念已解决/未解决；最得意的代码实现细节；对AI职业发展的新认知。作业设计：整理错题本，针对未解决困惑查阅文献或请教同学补全；预习项目式学习任务书，组建34人跨技能小组（算法/工程/设计/文档），提交项目立项申请表。教学反思预设：概念图绘制易流于形式，评价标准应含“跨分支连线数量≥5”、“标注逻辑关系准确性”；测评卷难度系数控制在0.7左右，区分度>0.3，代码阅读题必须使用真实工程片段而非教科书玩具代码。第七至八课时综合项目实践——“智慧校园”原型设计与展示评审教学目标：学生小组能完成从需求调研、数据构建、模型迭代、前端部署到汇报答辩的完整工程周期；产出物包含：需求规格说明书、数据集与数据卡、模型卡、可运行的WebDemo（Streamlit/Gradio）、项目复盘PPT、同伴互评表；能在答辩中回应评委（教师、校外专家、学生代表）关于技术选型合理性、伦理风险管控、商业化可行性、可持续迭代路径的提问。重点难点：跨学科协作中的沟通成本与接口对齐；有限算力下模型压缩（量化/蒸馏/剪枝）与精度的权衡；面向非技术受众的技术传播能力。教学过程设计：启动会与立项答辩（第七课时前20分钟）。各组汇报立项申请表：问题定义（痛点场景、用户画像）、技术路线图（数据来源、基线模型、创新点）、分工时间表、风险预案。评委组现场打分“通过/有条件通过/重做”，重点审查：问题是否真实、数据是否可得、分工是否明确、伦理审查是否完成。冲刺开发·教师巡诊制（第七课时剩余25分钟+第八课时前30分钟）。教师化身“技术合伙人”，每组设固定10分钟巡诊时段，解决卡点：数据标注规范统一、类别不平衡处理、模型推理加速（ONNX导出+ONNXRuntime）、前后端联调CORS/序列化异常、异常样本人工兜底逻辑。学生自主安排其余时间并行开发，使用GitLab协同，mit信息规范化（feat/fix/docs/refactor）。成果定型与预演（第八课时中段20分钟）。各组完成Demo录屏备份（防现场翻车），准备5分钟路演PPT：一句话价值主张、核心技术架构图、关键指标对比基线、失败教训与迭代计划、社会价值与商业设想。组内彩排，计时控制在4分30秒。正式答辩与多维评价（第八课时后25分钟）。邀请校外企业导师、教务处领导、优秀毕业生代表组成评委会。答辩流程：路演5分钟→演示3分钟→提问7分钟。评价维度权重：技术完成度30%、创新与难度20%、工程规范15%、伦理合规10%、团队协作10%、汇报表达15%。学生代表同步填写同伴互评表（贡献度、沟通力、靠谱度）。复盘总结（5分钟）。教师公布获奖名单（最佳工程奖、最佳创新奖、最佳社会价值奖、最佳协作奖），强调“项目不结束，迭代不停止”，鼓励优秀项目申报市级科创比赛、申请软著、开源至GitHub持续维护。作业设计：个人撰写3000字“项目复盘深度报告”，结构：背景与目标、技术架构演进史（含废弃方案及理由）、核心难点攻关细节（附关键代码片段与调试日志）、定量评估结果与误差分析、伦理合规自查清单、个人成长叙事（技术/软技能/职业认知三维度）。教学反思预设：项目制最大风险是“强带弱、弱躺平”，机制上采用“个人贡献分=基础分×组内贡献系数”，贡献系数由GitLab提交统计+组长评分+教师观察三角定标；算力不足时允许调用云端API（如百度EasyDL、阿里云PAI）但须在模型卡标注“API调用”而非“自训练”，诚信为先。六教学评价一体化设计本单元构建“诊断性形成性总结性”三位一体评价体系。诊断性评价：单元前测（概念图绘制+代码阅读+伦理敏感度问卷），摸底分层分组依据。形成性评价：每课时出口票、实验报告、作业迭代版本、过程性观察记录表（提问质量、协作行为、调试坚韧度），纳入平时成绩40%。总结性评价：单元笔试30%+项目答辩30%，笔试侧重原理理解与代码阅读，答辩侧重工程落地与综合素养。评价工具包含：单元学业质量规范表（二维规格：知识维度×认知水平）、项目评价量表（5级制描述性指标）、学生自我评价量表（核心素养自评）。所有评价数据录入教学