高中信息技术人工智能第5课机器识人教学设计

高中信息技术人工智能第5课机器识人教学设计■教学背景与设计理念本课为人教版高中信息技术选择性必修课程“人工智能初步”模块第5课，课题为“机器识人”。本课承接前四课关于人工智能基础、机器学习原理、数据标注与特征工程的知识脉络，将学习视角从“人教机器”转向“机器识人”，重点围绕计算机视觉中的人脸检测与人脸识别技术展开。本课在课程体系中具有承上启下的关键作用——既是对前期特征提取、分类器训练等核心概念的具象化应用，又为后续课程中自然语言处理、多模态智能等内容奠定认知基础。本课设计遵循《普通高中信息技术课程标准（2017年版2020年修订）》中关于“人工智能初步”模块的教学要求，强调在真实情境中理解人工智能技术原理，体验人工智能应用过程，培养学生信息意识、计算思维、数字化学习与创新以及信息社会责任感四大学科核心素养。课标指出，人工智能教学应“通过典型案例的分析，理解人工智能的核心概念与应用”，并“在体验与探究中形成对人工智能的理性认识”。本课正是在此理念指导下，以“机器如何识人”这一贴近学生生活经验的问题为驱动，引导学生从现象感知走向原理探究，从技术体验走向价值思辨。本课授课对象为高中一年级学生。该学段学生已具备一定的信息技术基础，初步了解机器学习的基本流程，能够运用Python语言完成简单的编程任务。同时，该年龄段学生对刷脸支付、人脸解锁、安防监控等应用场景有丰富的生活体验，对“人脸识别是否安全”“人脸信息是否会被滥用”等问题具有天然的探究兴趣。然而，学生对机器识人的技术原理理解多停留在“扫描比对”的朴素认识层面，对卷积神经网络等深度学习模型缺乏系统认知，对技术背后的伦理问题缺乏深度思考。因此本课教学应当注意把握技术讲解的深度与广度，避免陷入过于复杂的数学推导，而应突出核心思想方法。本课拟采用BOPPPS有效教学模型组织教学流程，将课堂划分为导入（Bridgein）、目标（Objective）、前测（Preassessment）、参与式学习（ParticipatoryLearning）、后测（Postassessment）与总结（Summary）六个环节。该模型强调以学生为中心，通过参与式学习活动实现深度学习，适合本课实践性、探究性强的课程特点。同时，本课将融入“双新”理念，即新课程、新教材背景下的大单元教学设计与项目化学习思想，以“设计一个人脸识别门禁系统”为项目载体，引导学生经历从需求分析、技术选型到方案评估的完整工程实践过程。本课教学重点有二：其一，理解人脸检测与人脸识别的区别与联系，掌握基于特征的人脸识别基本原理；其二，体验机器学习实现人脸识别的完整流程，理解卷积神经网络在黑箱识别中的核心作用。教学难点在于引导学生理解卷积神经网络的层次化特征提取机制，以及人脸识别技术应用中隐私保护与伦理边界问题。针对上述难点，本课将设计可视化模拟活动与角色扮演辩论等教学策略予以突破。本课所需教学环境与资源包括：多媒体计算机机房（安装Python3.8及以上版本及OpenCVPython库）、教师演示用大屏幕、分组实验用实验记录单（每组34人）、人脸识别教学演示程序（教师预先编写）、卷积神经网络结构挂图、人脸识别伦理案例卡片。以上资源均可在常规信息技术教室环境中实现，无需额外高成本设备。■教学目标叙写依据课程标准与核心素养要求，本课教学目标设定如下：1.信息意识维度：学生能够从日常生活中的刷脸支付、人脸解锁等场景出发，主动感知人脸识别技术的广泛应用，能够提出“机器是如何认出我的”这一核心驱动问题，形成对人工智能技术应用场景的敏感性与判断力。2.计算思维维度：学生能够说出人脸检测与人脸识别两个概念的本质区别，能够描述基于几何特征的人脸识别基本流程，能够用流程图形式表达特征提取、特征比对与结果输出的算法过程，理解卷积神经网络逐层提取特征的机制。3.数字化学习与创新维度：学生能够利用教师提供的Python教学程序，动手完成一幅图片的人脸检测实验，观察并记录不同参数条件下的检测效果差异，能够根据实验数据得出简单结论，体验运用数字化工具解决实际问题的过程。4.信息社会责任感维度：学生能够就人脸识别技术应用中的隐私泄露风险、算法偏见、监控边界等问题展开有理有据的讨论，初步建立技术应用须符合法律法规与伦理规范的意识，形成负责任的数字公民素养。上述目标体现了从知识理解到技能实践再到价值判断的递进层次，既关注学科知识体系的完整性，又强调核心素养的融合发展。在教学实施过程中，各维度的目标并非割裂推进，而是融合于环环相扣的教学活动之中。■教学重难点分析教学重点：人脸检测与人脸识别的概念辨析及各自适用场景；基于特征点的人脸识别经典算法流程；卷积神经网络在人脸识别中的基本工作原理。教学难点：卷积神经网络多层次特征提取机制的直观理解，即从边缘、纹理等低级特征到眼睛、鼻子、嘴等五官结构的组合特征再到整张脸的整体表征这一逐层抽象过程；人脸识别技术应用引发的隐私权保护与公共安全之间的平衡问题。针对重难点，本课设计了两个突破策略：其一，构建“特征放大镜”可视化类比活动，将卷积神经网络的卷积、池化操作类比为不同倍率的放大镜观察人脸照片，帮助学生在直观操作中建构起层次化特征提取的认知模型；其二，组织“谁来守护我的脸”微辩论活动，让学生在人脸识别便利性与隐私保护之间进行立场辩论，在观点交锋中形成辩证思考能力。■教学流程与实施（一）导入环节：一张照片引发的追问（约5分钟）上课伊始，教师在多媒体大屏幕上展示一张班级集体合影（提前征得学生同意并做匿名化处理，仅用于课堂教学），引导学生观察照片中的人脸。教师提问：“请同学们看大屏幕上的这张照片，你能在1秒内指出照片中的每一个人吗？人类似乎不费吹灰之力就能认出熟悉的同学。但请思考一个深层问题——如果让机器来完成同样的任务，它需要经历怎样的过程？”学生自然回答后，教师继续引导：“同学们是否注意到，今天早晨进校门时，有的同学可能是刷脸通过的？放学时，有的同学用指纹或人脸识别打开家长手机？在我们享受这些便利时，机器究竟在‘看’什么？它认识的是你的五官长相，还是某种更深层的东西？”教师顺势亮出本课课题“机器识人”，并板书三个关键词：检测、特征、识别。随后教师播放一段约40秒的短视频，展示不同场景下的人脸识别应用——包括刷脸支付、智慧校园门禁、公共场所安防监控、手机相册自动分类等。视频结束后，教师抛出一个贯穿全课的核心驱动问题：“如果让你为学校设计一套人脸识别门禁系统，你最低限度需要让机器掌握哪些能力？”学生以“同桌两两讨论”的形式交流30秒，教师随机请23名学生发表看法，学生通常会提到“机器要先找到脸在哪里”“然后要认出是谁”“要防止照片冒充”等朴素观点。教师对学生的回答进行归类提炼，将学生观点映射到本课的知识框架中，并以此为契机呈现本课学习目标。（二）目标呈现：明确学习路线图（约2分钟）教师在大屏幕上呈现本课的学习目标卡片，目标表述简洁明确、可观察可测量：5.我能区分人脸检测与人脸识别两个概念，并能举例说明各自的应用场景。6.我能说出经典人脸识别流程中的三个关键步骤，并能用流程图表示。7.我能通过上机实验完成一幅图片的人脸检测，并记录参数对结果的影响。8.我能就人脸识别技术的利与弊发表自己的观点，并能倾听并回应他人意见。教师请学生快速浏览目标，并在目标清单中选择自己最感兴趣或者觉得最有挑战的一条，用手势示意（竖起拇指表示有挑战，OK手势表示已经了解）。这一环节在极短时间内实现前测功能，帮助教师了解学生的认知起点，也为后续教学节奏的微调提供依据。（三）前测活动：人脸知识小调查（约3分钟）教师利用在线问卷工具（如问卷星或雨课堂）发布一道前测题：题目：你觉得“人脸检测”和“人脸识别”是同一个概念吗？A.是同一个概念，都是认出这个人是谁B.不是同一个概念，检测是找到脸，识别是认出谁C.不确定两者的区别学生通过手机端或电脑端即时作答，教师在后台查看统计结果。根据以往教学经验，约半数学生选择B，但也有不少学生选择A或C。教师展示统计结果，不对学生的选择作对错评价，而是说：“一会儿学完本课后，我们再回看这个题目，相信大家会有更清晰的认识。”该前测题目虽然简单，却能精准诊断学生对核心概念的已有认知水平，为概念教学的深度提供依据。（四）参与式学习一：机器“看”人两重天——检测与识别的辨析（约8分钟）教师利用事先制作好的动画演示课件，在屏幕上动态展示人脸检测与人脸识别两个过程。动画中，一张包含多人的人脸照片上依次出现绿色矩形框，逐个框选出画面中的每张人脸——这是人脸检测。随后，动画切换到其中一张被框出的人脸特写，人脸之上出现若干蓝色特征点（如眼角、鼻尖、嘴角等），并伴随一条虚线将特征点连接成网状结构——这是人脸识别中的特征提取环节。教师在动画演示的基础上，以“找朋友”的生活情境做类比：“人脸检测相当于你在人群中寻找哪些人是你的朋友——你首先得找到每一张脸；人脸识别则相当于你进一步辨认其中哪一张脸属于‘张三’。检测回答的是‘有没有人脸、人脸在哪儿’，识别回答的是‘这张脸是谁的’。”教师进一步通过表格对比两个概念，板书如下：概念维度|人脸检测|人脸识别核心问题|画面中有人脸吗？人脸在哪里？|这张脸是谁的？输出结果|人脸位置的矩形框坐标|身份标签（如“学生编号”）技术难度|相对较低，实时性强|相对较高，需特征比对典型应用|相机自动对焦、人数统计|刷脸支付、门禁考勤、身份核验教师特别强调一个容易被忽视的点：“检测是识别的前提。如果机器连人脸位置都找不到，后续的身份识别就无从谈起。但两者所依赖的技术手段有所不同——检测通常关注脸的共性结构，而识别更关注脸的个性差异。”随后教师布置一个快速分类任务：在大屏幕上呈现6个应用场景（手机相册按人脸聚类、美颜相机的贴纸功能、火车站实名核验闸机、商场客流统计摄像机、智能门锁的访客侦测、课堂签到系统），请学生快速判断每个场景使用的是检测还是识别，或者两者兼用。学生以举手方式分别用“一”（检测）和“二”（识别）表示选择即判断该场景以哪一种技术为主，教师即时给出对错反馈并简要解释。此活动设计为低门槛、高密度的小步快跑式检测，确保所有学生均参与其中。（五）参与式学习二：机器识人的三步曲——经典流程剖析（约10分钟）教师以经典的特征脸方法为切入点（不涉及具体数学公式推导，而以直观演示为主），讲解人脸识别的基本流程。教师在白板上画出三步流程图：第一步，人脸采集与检测定位——从原始图像中找到人脸区域并裁剪出来；第二步，特征提取与数字化表示——将人脸图像转化为一组数值特征向量；第三步，特征比对与身份判定——将当前特征与数据库中已注册的特征进行相似度计算，超过设定阈值则判定为同一人。为了让学生直观理解“人脸如何变成一串数字”，教师设计了一个名为“人脸数字画像”的体验活动。教师在屏幕上方显示一张简化的黑白人脸示意图，将人脸划分为8×8的网格，每个网格内根据人脸的明暗程度被赋予一个数值（0表示纯黑，255表示纯白，中间值为灰）。教师展示其中一行网格数值，让学生观察数值排列与图像明暗之间的对应关系。教师进一步抛出进阶问题：“如果我们将一张图像看成是一个由成千上万个数值组成的矩阵，那么机器识别两个人是否相像，本质上是在比较什么？”学生经过思考后得出“比较两组数值的相似程度”的结论，教师予以肯定并补充：“这就像我们比较两个同学的考试成绩单——如果各科成绩都很接近，整体上就认为两名同学学业水平相似。机器比较人脸时，也遵循类似逻辑，只不过比较的维度有成百上千个。”教师随即展示人脸识别相似度计算的简化可视化结果：将两个人脸特征向量在二维平面上的点表示出来，相近的点表示两个人脸相似。教师强调，这只是高维空间的降维展示，实际计算远比这复杂，但基本思想一致——距离越近越相似。此处，教师引出阈值概念：“机器判断‘是不是同一个人’，并不要求两个特征向量完全一致——因为拍照角度、光照条件等因素总会带来一些差异。机器会预先设定一个相似度阈值，超过这个值就判定为同一人，低于这个值则判定为不同人。阈值设定得越高，识别越严格但越容易误拒；阈值设定得越低，识别越宽松但越容易误认。”教师通过一个动态滑块演示，展示不同阈值下识别结果的TPR与FPR的此消彼长关系，为后续讨论“刷脸安全吗”埋下伏笔。（六）参与式学习三：黑箱里的魔法——卷积神经网络的直观理解（约10分钟）教师首先提出问题：“刚才我们讲的经典方法，需要人工设计特征提取的规则。可是在日常生活中，我们遇到的人脸千变万化——有人戴眼镜、有人戴口罩、有人侧着脸、有人处在昏暗的光线下。手动设计规则来应对所有复杂情况，几乎是不可能的。那今天的机器又是如何突破这一困境的呢？”教师由此引出深度学习中的卷积神经网络。考虑到高一学生的认知水平，教师不展开讲授卷积运算的数学细节，而是采用“层层放大镜”的类比模型进行直观教学。教师在屏幕上展示一张清晰的猫脸图片，随后展示四组经过不同层次处理的图像：第一层图像中可以看到各种方向的小短线（边缘特征），第二层图像中出现了眼睛、鼻子、胡须等局部部件轮廓（部件特征），第三层图像中出现了完整的五官组合（结构特征），第四层图像则变为高度抽象的整体表征。教师让学生观察这四层图像并回答：随着层数的加深，图像中保留的信息发生了什么变化？学生在教师的引导下得出：层次越深，信息越抽象，越接近整张脸的整体语义；层次越浅，信息越具体，越接近局部的纹理细节。教师顺势点明：“卷积神经网络就像一个多层放大镜堆叠的系统。浅层卷积核负责捕捉边缘、颜色等基础信息，中层卷积核将基础信息组合成部件特征，深层卷积核将部件特征抽象为整体判别信息。机器不需要人告诉它‘你应该先看眼睛再看鼻子’，它通过海量数据的自动学习，自己摸索出了这一套从局部到整体的特征层级体系。这就是深度学习之‘深’的含义所在。”为了让学生获得更真切的体验，教师组织学生进行一项“模拟卷积”的纸笔活动。每组学生拿到一张8×8的二值图像矩阵（棋盘格图案）和一个3×3的卷积核模板（通用边缘检测核）。学生在教师的逐步引导下，计算卷积核在图像左上角区域的内积操作，得到第一个输出值。教师让学生观察，这个输出值在图像边界变化剧烈的区域会得到较大的绝对值，而在平坦区域则接近零——这直观地说明了卷积核如何在图像中搜索特定模式。活动时间有限，学生只需计算1至2个位置的输出值，但已经能够从操作中体会“特征扫描”的含义。教师最后简要介绍人脸识别系统中常见的深度学习架构（如FaceNet等），但强调“同学们不必记住这些模型名称，只需理解核心思想——端到端学习。机器直接从原始像素中学习到最能区分类别的特征表示，无需人工设计规则”。（七）参与式学习四：上机实验——让机器“看见”人脸（约12分钟）“纸上得来终觉浅，绝知此事要躬行。”本课安排学生分组上机实验，利用教师预先准备的Python教学程序完成人脸检测实验。实验程序基于OpenCV库的Haar级联分类器实现，代码高度封装，学生无需掌握复杂的机器学习细节，只需修改关键参数并观察实验结果。教师发放实验任务单，任务单内容包括以下三个递进任务：任务一：在一张含有多张人脸的集体照片上运行人脸检测程序，观察程序是否能够成功框出所有人的脸。记录检测到的人脸数量与实际人脸数量的差异。任务二：将同一张照片进行旋转（分别旋转30度、60度、90度），再次运行检测程序，观察检测结果的差异。思考为什么侧面脸或倒置的脸检测效果变差。任务三：将原始照片转换为灰度图并调整亮度（变暗50%和变亮50%），再次运行程序，记录检测数量变化。每个实验小组有明确的分工：一名同学负责操作程序、一名同学负责观察并记录数据、一名同学负责拍照留档、一名同学负责汇总讨论。各小组在8分钟内尽量完成全部三个任务，并将实验结果填入任务单中的表格。实验结束后，教师请23个小组代表汇报本组的实验发现。通常学生能够发现：多人且正面的照片检测成功率较高；大角度旋转后人脸检测失效或漏检增多；光线过暗或过亮都会降低检测率。教师适时总结：“机器识人并非万能。检测器的性能受到姿态、光照、遮挡等多种因素影响，这也解释了为什么人脸识别闸机往往要求使用者正对摄像头、保持光线充足——这不是机器不够聪明，而是机器学习模型的训练数据与使用场景之间存在约束条件。”教师进一步拓展：“在真实商用系统中，工程师会收集包含各种姿态、光线、遮挡条件下的人脸数据来训练更加鲁棒的模型，以提升泛化能力。模型的鲁棒性，是人工智能系统落地时必须认真对待的问题。”此环节将实验现象上升到工程技术层面的思考，实现了从操作到反思的进阶。（八）参与式学习五：谁来守护我的脸——伦理思辨与法治讨论（约8分钟）本环节在全课中具有点题升华之意。教师呈现一组真实发生的新闻案例（匿名化处理）：案例一：某小区物业未经业主同意，在楼道安装戴有人脸识别功能的摄像头，用于记录出入人员信息。案例二：某商场通过人脸识别系统分析顾客的年龄、性别等属性，用于精准广告投放，顾客对此毫不知情。案例三：某手机应用因未妥善保护用户上传的含人脸信息的照片，导致数据泄露，被不法分子用于制作AI换脸视频。教师将全班分为正反两方，围绕辩题“人脸识别技术在学校门禁中的应用应当被鼓励还是受到限制”开展5分钟的微型辩论。正方观点应包含：保障校园安全、提高管理效率、防止陌生人进入等；反方观点应包含：未成年人面部信息属于敏感个人信息、学校无权强制采集、数据泄露风险大、可能被滥用等。教师在此环节承担“时间控制者”与“观点提炼者”双重角色。在双方各陈一分钟后，教师适时引入《中华人民共和国个人信息保护法》的相关规定。教师以通俗语言说明：处理敏感个人信息（包括人脸信息）须取得个人的单独同意，且应遵循最小必要原则。在学校场景下，若使用人脸识别技术，须告知学生及家长并取得明确同意，同时采取严格的安全保护措施。教师也说明，法律并非禁止人脸识别的使用，而是要求在使用中平衡效率与权益，确保技术发展不损害公民基本权利。辩论结束后，教师请每位学生在任务单上写下一条自己认为“人脸识别技术应用中最重要的底线原则”。教师巡视并挑选具有代表性的回答在全班朗读，如“不能偷偷地识别我”“数据不能留太久”“必须给用户说不的权利”等。教师将这些来自学生的朴素原则进行归纳，与大屏幕上展示的“合法、正当、必要、诚信”四大原则相对应，由此自然建立课堂讨论与法律精神的联结。此环节不追求形成统一结论，而是让学生在思辨中体会技术应用的价值权衡，训练审辨式思维，涵养法治意识。（九）后测与总结：回望来路，展望远方（约5分钟）教师再次推送前测中的同一道判断题——人脸检测与人脸识别是否为同一概念，学生作答后统计结果。预期正确率较前测显著提升，教师展示前后对比，请先前选择错误的同学分享现在的新认识，以此强化概念学习的成就感。随后，教师布置一项“出口检测”任务：请每位学生用不超过30个字，在纸上写出本课学习到的一个最重要收获。教师随机抽读34份，学生的收获通常集中在这样几个方面：明白了识别和检测不是一回事、知道机器靠特征认人、意识到人脸信息很敏感需要保护等。教师对学生的回答一一作出回应，并串联为本课知识的完整结构图。最后的总结环节，教师在大屏幕上呈现本课的“学习足迹图”，包含五个站点：从概念辨析到流程剖析，从神经网络感知到上机实操，再到伦理研讨。教师写道：“今天，我们从‘机器如何识人’出发，走过了技术原理的层层阶梯，也触碰了伦理法律的边界。请同学们记住两句话——第一句：机器的‘眼睛’是人类赋予的，它看得见什么、看不看得准，取决于我们教给它什么、让它怎样学。第二句：技术的初心是服务于人，但任何技术都需要在规范的轨道上运行。无论你们将来是否从事人工智能相关职业，都希望你们既做技术的使用者，也做技术的审视者。”课后教师布置分层作业，分为两个层次供学生自主选择：基础层作业：回顾本课内容，完成一份“机器识人”思维导图，涵盖人脸检测、人脸识别、特征提取、卷积神经网络、伦理原则五个核心