高中信息技术必修1《数据与计算》模块2.4综合活动：设计一个旅行计划教学设计

高中信息技术必修1《数据与计算》模块2.4综合活动：设计一个旅行计划教学设计一、教材分析与单元定位粤教版高中信息技术必修1《数据与计算》模块第2章聚焦"数据处理与分析"，2.4节作为本章的综合活动，承担着知识内化、能力迁移与素养生成的关键使命。教材以"设计一个旅行计划"为驱动任务，要求学生综合运用电子表格数据管理、可视化呈现、公式函数计算、条件格式与数据验证等核心技能，解决真实情境下的多维决策问题。这不仅是对前三节离散知识点的系统性回扣，更是向"计算思维·数据探究·信息素养·数字化学习与创新·社会责任"五大核心素养深度对齐的实践场域。从学科知识体系看，本节将结构化数据处理、算法逻辑构建、可视化表达三大知识脉络融合在一个完整的问题解决闭环中。从课程标准要求看，必修1强调"在真实情境中体验数据驱动决策全过程"，本节恰是落实该要求的典型载体。从学段衔接看，初中阶段学生已具备基础表格操作与简单统计图绘制经验，高中阶段需向"建模思维""自动化处理""多源数据融合""结果解读与决策支撑"进阶。二、学情分析与教学对策当前班级学生普遍掌握单元格引用、常用函数（SUM、AVERAGE、IF、VLOOKUP）基础语法，能完成单表数据整理与基础图表生成。但存在三层明显短板：一是跨表建模能力薄弱，面对"景区交通住宿餐饮预算"多表关联场景，难以设计规范的数据字典与引用关系；二是动态决策模型构建不足，习惯静态填报数据，缺乏"参数驱动、联动更新、情景模拟"的系统视角；三是可视化叙事意识淡薄，图表多为机械堆砌，缺乏面向决策者的关键信息提取与可视化编码策略。针对性对策：引入"数据建模画布"支架工具，将抽象建模过程显性化；设计"三级递进任务包"（基础版进阶版挑战版），兼顾分层走班教学需求；嵌入"同伴代码审查""数据伦理辩论"等元认知环节，促进深度加工。三、教学目标1.核心知识目标：掌握多表关联数据建模方法，熟练运用命名范围、INDEXMATCH组合、数据验证联动下拉菜单、条件格式动态预警等进阶技能，构建可参数化调整的旅行预算决策模型。2.能力素养目标：能基于真实爬虫数据或开放数据集完成数据清洗、字段映射、异常值处理；能依据决策目标选择恰当可视化编码（如甘特图呈现行程时序、桑基图展示费用流向、雷达图对比城市多维指标）；能撰写结构化分析报告，包含假设检验、敏感性分析、局限性声明。3.价值取向目标：树立数据安全与隐私保护意识，理解算法偏见对决策的潜在影响，践行低碳出行与文明旅游理念，培养用数字技术服务美好生活的社会责任感。四、重难点与突破路径重点：多表关联数据模型的规范化设计与动态联动机制的实现。突破路径：采用"概念建模逻辑建模物理实现"三阶建模法，配合"公式审计工具"可视化依赖链，降低认知负荷。难点：面向多目标约束（预算上限、时间窗口、偏好权重）的智能推荐算法设计与可视化决策仪表盘的交互式构建。突破路径：引入"求解器"加载项演示线性规划求解思路，利用切片器、时间轴、数据透视表联动实现零代码交互仪表盘，最后过渡到Python+pandas原型验证，打通表格与代码两种计算范式。五、教学策略与资源环境采用"项目式学习（PBL）+渐进式支架+同伴评议"复合策略。前三课时在机房完成核心模型构建，第四课时引入JupyterLab环境进行代码层面重构与扩展，第五课时举办"旅行方案路演与数据伦理沙龙"。资源环境配置：每组预装Office365/专业版+Python3.11+Anaconda环境，部署局域网共享数据仓库（含携程/去哪儿公开API样本数据、高德地图POI数据、天气历史数据、汇率实时接口），配备双屏显示器便于代码与结果对照。六、教学过程设计（5课时）（一）第一课时：情境引入与需求建模——从"想去哪儿"到"数什么、怎么算"1.真实情境切入（10分钟）播放2分钟《数字游民的周末抉择》微纪录片：某自由职业者面对3天假期、3000元预算、想看海/想吃火锅/想带宠物三重偏好，如何在成都、重庆、昆明、大理四城中决策。视频刻意展示其在小红书、携程、Excel间反复横跳、人工对比崩溃的痛点。提问："如果把决策过程交给算法，我们需要喂给它什么数据？"2.需求分析与指标体系构建（20分钟）分组使用亲和图法梳理决策要素，输出《旅行决策指标体系设计表》：一级指标二级指标三级指标/计算口径数据来源更新频率权重（初拟）::::::成本维度交通成本往返大交通+市内交通（元）携程/12306/高德API实时0.25成本维度住宿成本单间夜均价×入住夜数（元）木鸟/Booking/民宿平台日更0.20成本维度餐饮娱乐人均餐标×天数+门票和体验费（元）大众点评/抖音团购周更0.15体验维度景观匹配度目标标签（海/山/古镇）覆盖率高德POI语义标签月更0.15体验维度美食丰富度目标菜系（川/湘/滇/粤）门店密度大众点评分类统计周更0.10便利维度通达时间门到门耗时（小时）高德路径规划API实时0.10约束维度宠物友好度允许入住酒店占比/景区准入政策木鸟筛选/官网公告月更0.053.概念数据模型绘制（15分钟）各组在白板绘制ER图，核心实体集：城市、交通方案、住宿方案、景区、餐厅、行程安排、预算汇总。关系集：城市1:N交通方案、城市1:N住宿方案、城市1:N景区、行程安排N:M景区（含时序属性）。教师巡场点评：主键选取（城市代码GB/T2260标准）、外键传递、多值属性拆分（如景区多标签拆分为景区标签中间表）。4.课堂小结与预习任务（5分钟）预习：完成《数据字典设计规范》自学单元，预置数据集至本地，完成字段类型标注、缺失值标记、异常值初筛（如价格为0或负值、经纬度超出中国边界框）。（二）第二课时：多表建模与动态联动——让数据在表间流动5.数据字典落地与规范化建表（15分钟）演示将概念模型转化为Excel结构化表（Ctrl+T），强制要求：表名采用PascalCase（如Tbl_City、Tbl_Transport）、列名无空格无特殊字符、每表设置主键列、外键列格式统一为文本型防止科学计数法丢失精度。现场纠错：某组将"景区标签"以逗号分隔存单列，指导拆分为Tbl_ScenicTag中间表，演示PowerQuery"拆分列按分隔符行"功能。6.命名范围与结构化引用重构（15分钟）讲解传统A1引用在行增删时的脆弱性，演示"公式定义名称"批量创建命名范围（作用域设为工作簿），重写VLOOKUP为INDEX(MATCH())组合：=INDEX(Tbl_Hotel[Price],MATCH([@CityCode]&[@CheckInDate],Tbl_Hotel[CityCode]&Tbl_Hotel[Date],0))强调：结构化引用自动扩展、语义自解释、跨表复制不漂移。练习：为Tbl_Budget建立"单日综合成本"计算列，引用Tbl_Transport、Tbl_Hotel、Tbl_Food三表字段。7.数据验证联动下拉菜单构建（15分钟）场景：用户在"行程安排"表选择"城市"后，"景区"下拉仅显示该城市景区。实现步骤：①城市下拉：数据数据验证序列源引用=CityList（命名范围指向Tbl_City[Name]）②景区下拉：定义名称ScenicByCity，引用公式=OFFSET(Tbl_Scenic[Name],MATCH(行程安排!B2,Tbl_Scenic[City],0)1,0,COUNTIF(Tbl_Scenic[City],行程安排!B2),1)③景区验证源引用=ScenicByCity拓展：利用FILTER函数（Office365）实现动态数组溢出下拉，彻底告别OFFSET易失性函数性能隐患。8.条件格式动态预警系统（10分钟）在预算汇总表设置三级预警：单项超支（红填充）、累计超支80%（黄填充+斜体）、剩余预算<200元（红字加粗）。公式示例：=SUMPRODUCT((Tbl_Budget[City]=[@City])(Tbl_Budget[Cost]))>[@BudgetLimit]0.8引导学生思考：预警规则本质是业务规则外显化，后续可迁移至PowerAutomate推送微信通知。9.课后挑战任务：引入"求解器"加载项，设定目标单元格为"综合满意度加权得分最大"，变量单元格为各城市停留天数（整数约束），约束条件：总成本≤总预算、每城停留≥1天、总天数=3，运行求解并对比人工方案。（三）第三课时：可视化决策仪表盘——让数据说话、助决策行动10.可视化编码原则微讲座（10分钟）基于Cleveland&McGill图形感知实验与GrammarofGraphics理论，确立四条铁律：①位置编码量化变量（散点图、坐标轴），长度编码次之（条形图），面积/角度/颜色亮度再次之（饼图/雷达图/热力图），避免用面积比较大小。②数据墨水比最大化：删网格线、删图例（直接标注）、删背景色、减坐标轴刻度。③关键信息预注意加工：用色调突出目标城市、用基准线标注预算红线、用参考带展示历史均值区间。④交互服务于洞察：概览优先、缩放过滤、细节按需。11.核心图表制作实战（30分钟）任务清单：①行程甘特图：利用条形图"开始日期+持续天数"双系列重叠，隐藏开始日期系列，反转类别轴顺序，数据标签显示"景区城市"，颜色按"类型"（自然/人文/美食）分组。②费用桑基图：Excel原生不支持，引入"桑基图加载项"或PowerBIDesktop免费版，字段映射：源=成本大类，目标=具体项目，值=金额，直观揭示"大交通占比45%、住宿30%、其余25%"流向结构。③城市雷达图：标准化处理（MinMax归一化）后绘制，系列为备选城市，类别为六大维度指标，填充透明度20%便于重叠对比，叠加"理想值"虚线系列。④敏感性龙卷风图：单因素敏感性分析结果，横轴为"满意度得分变化率"，纵轴为"参数扰动±20%"，条形长短直观识别关键驱动因素（通常为大交通成本权重、住宿单价）。12.交互式仪表盘组装（15分钟）在新建"Dashboard"工作表，采用"冻结窗格+切片器+时间轴+数据透视表/图联动"零代码方案：①插入切片器关联"城市""出行方式""住宿档次"三字段，设置报表连接勾选所有透视表。②插入时间轴关联"出发日期"，单位设为"天"，配合动态数组函数SEQUENCE生成连续日期序列驱动行程甘特图自动滚动。③利用超链接+定义名称实现"点击城市名跳转至详情页"导航。④页面布局设为"页面布局视图"，设置打印区域为A4横向，页眉嵌入动态公式：="旅行决策仪表盘_生成时间:"&TEXT(NOW(),"YYYYMMDDHH:MM")。13.同伴评议与迭代（5分钟）发放《仪表盘可用性评估量表》（尼尔森启发式改编），维度：可见性、映射关系、反馈及时性、错误防控、灵活性、美感极简。每组评议两组，留存修改建议单。（四）第四课时：代码重构与算法进阶——从表格思维到计算思维14.为什么要写代码？（5分钟）演示Excel在十万行数据下FILTER溢出卡顿、求解器无法处理非线性约束、版本协作冲突等痛点。展示同等逻辑下Python+pandas0.3秒完成、可版本控制、可部署为API的优势。明确：不取代表格，而是为复杂模型提供工业级运行时。15.环境配置与数据读取（10分钟）JupyterLab启动，创建travel_plan.ipynb。核心代码：importpandasaspd,numpyasnp,requests,json,yamlfrompathlibimportPathDATA_DIR=Path("../data_raw")读取多表并指定dtype防止推断错误dtypes={"city_code":"string","price":"float32","date":"datetime64[D]"}tbl_city=pd.read_csv(DATA_DIR/"city.csv",dtype=dtypes)tbl_transport=pd.read_csv(DATA_DIR/"transport.csv",parse_dates=["dep_date","arr_date"])tbl_hotel=pd.read_parquet(DATA_DIR/"hotel.parquet")列式存储加速tbl_scenic=pd.read_json(DATA_DIR/"scenic.jsonl",lines=True)数据质量报告defdata_quality_report(df,name):print(f"==={name}===")print(f"行数:{len(df)},列数:{df.shape[1]}")print(f"缺失值:\n{df.isnull().sum()[df.isnull().sum()>0]}")print(f"重复行:{df.duplicated().sum()}")print(f"数值型描述:\n{df.describe(include='number').T}")print()forn,dfin[("City",tbl_city),("Transport",tbl_transport),("Hotel",tbl_hotel),("Scenic",tbl_scenic)]:data_quality_report(df,n)1.多表关联与特征工程（15分钟）宽表构建：以行程安排为事实表，向外扩展维度表itinerary=pd.read_excel(DATA_DIR/"itinerary_template.xlsx",sheet_name="Plan")星型模式关联plan=(itinerary.merge(tbl_city[["city_code","name","province","lat","lon"]],on="city_code",how="left",validate="m:1").merge(tbl_transport.query("mode=='高铁'"),on=["city_code","dep_date"],how="left").merge(tbl_hotel.query("room_type=='标间'"),on=["city_code","checkin_date"],how="left"))派生特征plan["door_to_door_hours"]=(plan["arr_time"]plan["dep_time"]).dt.total_seconds()/3600+plan["transfer_hours"]plan["daily_cost"]=plan["transport_cost"]+plan["hotel_cost"]+plan["food_budget"]plan["scenic_density"]=plan.groupby("city_code")["scenic_id"].transform("count")/plan["stay_days"]异常值修正：IQR法封顶forcolin["transport_cost","hotel_cost","food_budget"]:q1,q3=plan[col].quantile([0.25,0.75])iqr=q3q1plan[col]=plan[col].clip(q11.5iqr,q3+1.5iqr)1.多目标优化模型构建（15分钟）引入SciPy优化器，定义目标函数与约束：fromscipy.optimizeimportminimize,LinearConstraint,Bounds决策变量：4城市停留天数x=[d_chengdu,d_chongqing,d_kunming,d_dali]目标：最大化加权满意度=Σw_iscore_i(d_i)score_i为每城市边际满意度递减函数（对数/平方根），拟合自历史评分数据defobjective(x):weights=np.array([0.3,0.25,0.2,0.25])AHP权重scores=np.log1p(x)np.array([8.5,8.0,7.5,9.0])基础吸引力系数returnnp.dot(weights,scores)minimize求最小，取负约束：总天数=3，每城≥0整数，预算≤3000先松弛为连续变量求解，再最近邻取整修正bounds=Bounds([0,0,0,0],[3,3,3,3])linear_con=LinearConstraint([[1,1,1,1]],lb=3,ub=3)预算约束非线性，用NonlinearConstraintdefbudget_con(x):简化：假设单日均价固定daily_cost=np.array([450,500,400,350])returnnp.dot(daily_cost,x)nonlin_con=NonlinearConstraint(budget_con,0,3000)x0=[1,1,1,0]res=minimize(objective,x0,method='SLSQP',bounds=bounds,constraints=[linear_con,nonlin_con])print("最优连续解:",res.x)print("目标值:",res.fun)整数修正：枚举邻域best_int,best_val=None,np.inffordxinnp.ndindex((3,)4):cand=np.array(dx)ifcand.sum()==3andbudget_con(cand)<=3000:val=objective(cand)ifval>best_val:best_val,best_int=val,candprint("最优整数解:",best_int,"得分:",best_val)1.结果可视化与报告自动化（10分钟）使用PlotlyExpress生成交互式HTML仪表盘，支持缩放、悬停、导出图片：importplotly.expressaspxfig=px.parallel_coordinates(plan,color="daily_cost",dimensions=["door_to_door_hours","scenic_density","food_rating","pet_friendly_score"],color_continuous_scale=px.colors.sequential.Viridis)fig.write_html("dashboard.html")自动生成Markdown报告withopen("report.md","w",encoding="utf8")asf:f.write(f"旅行方案自动生成报告\n\n生成时间:{pd.Timestamp.now()}\n\n")f.write("最优停留天数分配\n")forcity,daysinzip(["成都","重庆","昆明","大理"],best_int):f.write(f"{city}:{days}天\n")f.write(f"\n预算占用:{budget_con(best_int):.0f}/3000元\n")f.write(f"综合满意度得分:{best_val:.2f}\n")f.write("\n敏感性分析\n")f.write("\n")f.write("\n>局限性声明:模型假设单日成本恒定，未考虑节假日溢价、天气风险、个人偏好动态变化。建议出发前48小时复核实时价格。\n")1.课后拓展：将优化模型封装为FastAPI服务，前端用Vue3+ECharts调用，部署至云函数实现"微信小程序版旅行规划师"雏形。（五）第五课时：方案路演与数据伦理沙龙——技术向善的价值审视2.方案路演：数据驱动的故事讲述（25分钟）每组5分钟路演+3分钟质询，评分维度：①问题定义清晰度（是否刻画真实痛点）②数据链路完整性（源头清洗建模验证可追溯）③模型合理性（假设显性、约束完备、敏感性分析到位）④可视化洞察力（图表是否回答了"所以呢""怎么办"）⑤交互体验（仪表盘是否支持决策者自主探索）⑥伦理合规性（隐私脱敏、算法公平性、环保倡导）优胜方案将推荐至校"数字生活创新实践"成果展，并尝试对接文旅局开放数据平台落地。3.数据伦理沙龙：算法偏见与数字鸿沟（20分钟）辩题："旅行推荐算法应否刻意降低热门目的地权重以缓解过度旅游？"正方：算法有责任内化负外部性，可引入"拥挤度惩罚项"重构目标函数，引导客流分散，保护生态与居民生活。反方：算法应中立反映用户偏好，过度旅游属公共政策治理范畴，技术介入易滑向算法家长制，侵犯消费者主权。教师总结：引入"算法影响评估（AIA）"框架，要求学生在报告中新增"伦理风险评估矩阵"，识别潜在歧视性结果（如低收入群体被高价推荐排除）、隐私泄露路径（行程轨迹关联身份）、环境外部性（碳排放未计价），并给出缓解措施。4.课程总结与元认知反思（5分钟）学生完成《学习路径可视化绘制》：在A3纸横向时间轴标注关键节点（需求澄清建模编码调试路演），纵向标注认知深度（知识理解应用分析评价创造），连线形成个人学习轨迹。教师收集照片汇编成《班级知识图谱》，作为下学期选修模块《人工智能初步》的前测依据。七、分层作业与评价体系1.基础层（必做）：完成单城市3天预算表，含动态下拉、条件格式预警、基础图表3张，提交Excel文件+1页分析说明。2.进阶层（选做）：实现多城市行程联动甘特图，引入求解器优化停留天数，录制2分钟操作演示视频。3.挑战层（选做）：Python重构全流程，部署Web交互原型，撰写包含AIA的技术白皮书（2000字以上），参与开源社区贡献数据清洗脚本。评价权重：过程性表现40%（建模文档、代码提交记录、同伴评议参与度）、终结性成果50%（路演答辩、仪表盘可用性测试、报告质量）、素养观察10%（数据伦理辩