高中信息技术必修一智能养老项目教学设计

高中信息技术必修一智能养老项目教学设计一、教材与学情分析本课选自教科版（2019）高中信息技术必修一第五单元第3课时，属于“人工智能初步”模块的项目实施阶段。前两课时学生已完成智能养老需求调研、功能模块规划与算法流程图设计，本课聚焦于将方案转化为可运行的人工智能原型系统。教材以“关爱老人”为真实情境，要求学生在项目实施中体验机器学习的基本流程，理解人工智能技术解决实际问题的边界与伦理约束。授课对象为高中一年级学生，他们在前期课程中已掌握Python基础语法、传感器数据采集方法，初步接触过图形化编程工具，但对模型训练、特征工程等概念尚处于感性认知阶段。该年龄段学生具备较强的同理心与问题解决意愿，养老话题能激发其社会责任意识，但需警惕项目流于表面演示、缺乏真实数据支撑的倾向。据此，本课将教学重心放在“数据—特征—模型—评估”完整链路的亲手实践上。二、教学目标与核心素养指向依据《普通高中信息技术课程标准（2017年版2020年修订）》对“人工智能初步”模块的要求，本课设定以下三维目标：1.信息意识：能从老年人跌倒检测、用药提醒、情感陪护等真实需求中提炼可计算的问题，认识到数据质量对人工智能应用效果的决定性影响。2.计算思维：掌握监督学习中分类任务的基本流程，能够用训练集与测试集评估模型性能，理解准确率、召回率等指标的现实含义。3.数字化学习与创新：运用开源硬件与在线机器学习平台协同完成智能养老原型系统搭建，体验“云—边—端”协同的工程实现路径。4.信息社会责任：在项目实施中讨论隐私保护、算法偏见、数字鸿沟等伦理议题，形成负责任的人工智能应用观。三、教学重难点与突破策略重点：监督学习模型（K近邻算法）的完整训练流程，包括数据采集、特征选择、模型训练与评估。难点：理解特征工程对模型效果的影响，能够根据评估结果迭代优化方案。突破策略：采用“问题链+对比实验”双轮驱动。先以“同一组数据，不同特征组合为何效果迥异”引发认知冲突，再通过三组平行实验（原始数据/均值填充/关键特征加权）让学生直观看到数据预处理与特征选择的价值。针对概念抽象问题，引入“类比教学法”——将训练模型比作“教婴儿认识苹果”：特征如同“颜色、形状、触感”，测试集如同“拿新苹果考孩子”，使算法逻辑具象化。四、教学环境与资源准备硬件环境：计算机教室（每人一机），树莓派或Arduino套件每组一套（含跌倒检测振动传感器、红外体温模块），路由器搭建局域网。软件资源：Python3.8+Scikitlearn库，图形化建模工具（如EdgeImpulse教育版），百度AI开放平台免费配额。教师提前录制三组微视频：①传感器数据采集规范；②Python代码框架解读；③模型混淆矩阵可视化分析。数据资源：教师预先脱敏处理某养老院提供的老人日常行为记录（含步态加速度、心率、室内位置等字段），共300条标注数据。另备公开数据集FallDetection公开子集作为扩展材料。五、教学过程设计（两课时连排，共90分钟）（一）环节一：情境复盘与项目里程碑确认（8分钟）课始，大屏幕滚动展示各班前期拍摄的养老院走访照片，配以学生撰写的需求报告摘录。教师引导：“我们选择了三个核心需求——跌倒监测、异常体温预警、用药时间提醒。今天要做的，是让机器学会自己判断‘跌倒’和‘正常坐下’的区别。”各小组领取“里程碑清单卡”，核对本组已完成项（方案框图、硬件连线、数据采集计划），教师用电子表格投屏展示全班进度。此时一位学生提出：“昨天的公开数据集没有体温字段，怎么办？”教师顺势抛出本课核心问题：“当现实数据不完美时，我们如何训练出可靠的模型？”将困境转化为学习契机。（二）环节二：数据清洗与特征工程初体验（18分钟）教师演示一份原始CSV文件，其中包含缺失值、离群值、量纲差异明显的三轴加速度数值。请学生观察并回答：“直接将这些数字喂给KNN算法，会出现什么问题？”学生基于已学距离计算知识，很快发现“量纲大的特征会主导距离计算”。教师由此引出标准化（Standardization）的必要性。随后分发布置任务一：使用PythonPandas库完成数据清洗，要求每组构建三个不同版本的特征集。A版本：仅用原始三轴加速度；B版本：添加合成特征（合向量幅值、方差）；C版本：在B基础上再增加时域特征（过零点速率）。各小组用表格记录特征数、缺失值处理方式、数据总量三个参数。此阶段教师巡场时重点关注基础薄弱组，对DataFrame切片操作提供“半成品代码补全”支架。同时引导优势组思考：“如果老人佩戴设备的位置不同（腰部/手腕），哪类特征最稳定？”促进深层特征理解。（三）环节三：KNN模型训练与对比实验（25分钟）教师用思维导图回顾KNN三要素（K值、距离度量、决策规则），然后演示核心代码框架：fromsklearn.neighborsimportKNeighborsClassifierfromsklearn.model_selectionimporttrain_test_splitX_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.3,random_state=42)model=KNeighborsClassifier(n_neighbors=5)model.fit(X_train,y_train)accuracy=model.score(X_test,y_test)强调random_state参数的作用——“固定随机种子，让每次实验可复现，这是科学实验的基本素养”。随后各组用清洗后的数据分别训练三个特征版本模型，记录准确率、精确率、召回率。教师提供可视化脚本，生成混淆矩阵热力图。对比结果汇总到全班共享表格中，典型数据显示：A版本召回率仅0.62，B版本提升至0.78，C版本达到0.91。教师追问：“对于跌倒检测，精确率和召回率哪个更重要？”引导学生讨论——漏报一次跌倒可能危及生命，而误报多次只是干扰，明确本场景应优先追求召回率，并可通过调整分类阈值实现。（四）环节四：模型调参与伦理沙龙（20分钟）各小组尝试K=3、5、7、9不同取值，绘制决策边界变化图。一组发现K=3时训练集准确率极高但测试集下降明显，教师及时引入“过拟合”概念。简单类比：“死记硬背例题答案的学生，遇到变式题目就出错。”此时学生对偏差方差权衡有了切身感受。随后进入“伦理三问”微型辩论：①设备采集的老人生理数据所有权归谁？②若模型对身高较矮的老人误报率偏高，这是否构成算法歧视？③家属是否应随时查看老人的行动轨迹？每组选择一个议题，结合本组开发场景发表两分钟评论，其余组用在线投票器表达支持度。教师不做简单判定，而是提供《个人信息保护法》相关条款与人工智能伦理治理框架文本，引导学生形成有依据的判断。（五）环节五：方案二次迭代与硬件联动（15分钟）基于优化的模型，各组导出为ONNX格式文件，并烧录至树莓派。利用此前搭建的传感器电路，进行实时推理测试。教师预先在教室角落铺设软垫，学生依次模拟“快速下蹲—倒地”“缓慢坐下”“行走突然停顿”三种动作，观察模型实时输出。测试数据自动保存至本组专属电子表格，作为迭代依据。某一组发现模型对“扶着墙缓慢滑倒”动作漏判，排查后发现训练数据中此类样本仅占2%。教师提请全班关注数据不平衡问题，并布置课后任务：明天到操场采集补充样本。这一真实问题让学生深刻理解——人工智能系统的性能天花板由数据决定。（六）环节六：项目成果路演与互评（4分钟）各组在局域网内部署简易Web服务，用手机扫描二维码体验“跌倒检测—自动短信告警”模拟流程。每个小组领取评价量表（涵盖技术完整性、创新性、人文关怀三个维度），对相邻小组进行星级评定。教师拍摄各组摊位照片，上传至班级云盘，形成过程性档案。最后，教师展示一组真实数据：我国独居老人已超3000万，每10位老人中就有3人经历过跌倒。伴随舒缓背景音乐，屏幕出现学生自己拍摄的养老院汪奶奶的镜头：“你们做的这个东西，真的能让我女儿晚上睡个好觉吗？”课堂在静默中结束，但项目继续——课后开放实验室，鼓励学生将优化后的模型与社区养老站对接。六、教学评价设计本课采用“双轨三阶”评价体系：线上平台自动采集代码运行轨迹与实验数据，线下教师依据课堂观察量表记录合作情况。三阶指：当堂任务达成度（占40%）、模型性能指标进步幅度（占30%）、伦理讨论贡献质量（占30%）。特别设置“最具人文温度设计奖”，由养老院实际工作人员担任线上评审专家，打破校园评价闭环。电子档案袋同步收集学生每次调参前的假设截图与调参后的反思文字，形成“假设—实验—反思”的思维成长证据链。学期末，这些证据将汇总至学生综合素质评价系统。七、教学反思与改进方向本课实施后需关注三个关键转折点：一是数据清洗环节是否吞噬过多时间，导致后续实验仓促。可预设“数据急救包”供超时组使用，但需在总结时明确揭示急救包处理策略的原理。二是模型训练时部分小组出现“调参玄学”倾向——盲目试K值而不看数据分布，教师应通过旋转提问引导其回到特征分析本身。三是伦理辩