高中信息技术人工智能课教案：自然语言处理原理与多模态实践

高中信息技术人工智能课教案：自然语言处理原理与多模态实践一、教学背景与课标锚点本课选自高中信息技术选择性必修课程“人工智能初步”模块，对应《普通高中信息技术课程标准（2017年版2020年修订）》中“描述自然语言处理的基本过程，能举例说明其典型应用”的内容要求。在经历区块链基础、计算机视觉两阶段学习后，学生已具备数据标注、模型训练与评估的基本经验，但尚未触及文本数据的结构化表征问题。本课以“机器如何读懂人话”为核心矛盾，借助国产大模型开放平台开展黑盒探究与白盒拆解双重路径，引导学生从解释性理解走向工程化认知，为后续“提示词工程”与“智能体设计”奠定语义基础。二、学情诊断与教学对策授课对象为高二年级选学人工智能方向的学生，共42人，已完成Python基础语法、Numpy数组操作及简单分类任务训练。课前问卷显示：87%的学生使用过智能客服或语音助手，但仅有12%能说清分词与向量化之间的关系；65%的学生误认为“聊天机器人是直接检索预设答案”；同时，34%的学生对技术伦理议题表现出强烈表达欲。针对上述差异，本课设计“痛点体验—原理建模—平台验证—伦理辩论”四阶闭环，并为核心原理制作纸质词卡物理排列活动，让零基础学生也能在小组协作中经历从字符到语义的完整抽象链。三、教学目标1\.能结合输入法联想、机器翻译等生活实例，复述自然语言处理的基本流程，准确说出分词、去停用词、词向量、注意力机制四个核心环节的先后逻辑。2\.通过拆解离线分词工具jieba的三种模式输出差异，归纳“最大匹配法”与“隐马尔可夫模型”在歧义消解上的互补关系，提升计算思维中的抽象建模能力。3\.借助讯飞星火大模型开放平台完成文本分类、情感分析两项任务，独立撰写包含“输入设计—参数调节—结果分析—误差归因”四要素的测试报告。4\.围绕“AI代写作文是否属于学术不端”开展结构化辩论，能调用本课学过的数据偏见、模型幻觉等术语进行有理据的论证，树立正确的技术应用观。四、教学重难点重点：自然语言处理的基本流程及词向量空间语义度量方法。化解策略：设计“词汇扑克牌”实体排列活动，将余弦相似度转化为扑克牌夹角比较，使抽象代数关系可视化。难点：注意力机制对长文本语义聚焦的工作原理。化解策略：选取鲁迅《秋夜》首句“在我的后园，可以看见墙外有两株树，一株是枣树，还有一株也是枣树”，让学生手工模拟逐词注意力权重分配表，体验机器解读文学语言的机械性。五、教学环境与资源硬件：极域电子教室系统、教师机、学生机（四人一组共11组，每组配备一块小白板）。软件：Python3.8集成开发环境、jieba0.42.1库、讯飞AI体验平台学生端账号、离线版Word2Vec演示程序。冗余预案：若校园网中断导致平台无法访问，则切换至教师机预装的小规模GPT推理演示环境，该环境基于8GB显存显卡运行7B量化模型，可稳定支持10路并发请求，保障每组完成情感分析任务。六、教学过程（一）开课激疑：围城里的“懂”与“不懂”上课铃响后，教师投影展示一段真实聊天记录截图。内容为某同学向学校智能客服提问：“我饭卡掉了，补办要带啥？”系统回答：“已为你查询到掉饭卡的解决方案：请携带学生证前往后勤楼102室。回复数字1可查看办理时间。”随后学生追问“那学生证也一起丢了怎么办”，系统持续回复同一菜单。教师抛出问题：“这段对话为什么显得‘智障’？机器到底在哪个环节掉了链子？”学生立刻分为两派。甲组认为“机器没有真正理解补办流程”，乙组反驳“它其实识别了关键词‘饭卡’和‘补办’”。教师在白板左侧写下“检索触发”，右侧写下“语义理解”，追问：“这两种说法背后，系统的内部操作有什么本质不同？”此时不直接公布答案，而是让学生完成“静电体验”小活动：全体起立，教师连说五遍“蚂蚁”（每遍间隔1.5秒），第六遍突然说“马蚁”，全班半数学生未能察觉差异。教师点明：“人类听觉对同音词的宽容度很高，但机器对字符的序列关系极其敏感，它看到了完全不同的字符串。这就是自然语言处理的第一个痛点——符号飘移。”用时8分钟。设计意图是具身认知研究表明，语言歧义体验能激活前额叶冲突监测区，有助于后续投入度提升。（二）流程初建：从乱码到语义的四站旅程教师分发A4大小磁性卡片，每张卡片印有一个中文短句或术语。小组任务：将八张打乱卡片按自然语言处理实际顺序排列，并讨论相邻卡片之间的数据转变关系。卡片内容依次为：原始文本、分词结果、去停用词后词序列、词向量张量、注意力加权向量、下游任务输入、任务输出、反馈评估。七分钟后，第5组代表上台演示排布：原始文本→（箭头标注“按空格与词典切分”）→分词结果→（箭头“删除‘的、了、啊’等”）→去停用词后词序列→（箭头“映射为300维实数向量”）→词向量张量→（箭头“按相关性加权求和”）→注意力加权向量→（箭头“传入分类器或生成器”）→任务输出→（箭头“人工标注对比”）→反馈评估。教师在旁追问：“为什么去停用词放在分词之后而不是之前？”第5组学生回答：“因为停用词表也要基于词形建立，如果一个词在分词阶段被拆成两半，就没法在后续准确识别了。”教师补充：“好的，这就是流程依赖性的一个典型体现。”随后进入“词卡的失效实验”。教师故意将“南京市长江大桥”作为一个整体词卡放在句子中间，问：“分词工具会怎么处理？”学生尝试后发现，若简单按最大匹配可能拆成“南京市/长江大桥”，而正确语义也可能是“南京市长/江大桥”。教师顺势引出歧义切分问题，但不在本环节深挖，仅留下悬念。用时10分钟。全体学生均参与卡片操作，确保无旁观者。（三）白盒深潜：用代码解剖分词器的内心戏进入机房实操环节。教师给出第一个任务：运行预置脚本，比较jieba的三组分词模式。代码极简，学生只需执行并观察。importjiebatext="他说的确实在理"seg1=jieba.cut(text,cut_all=True)seg2=jieba.cut(text,cut_all=False)seg3=jieba.cut_for_search(text)第一组输出为：他/说/的确/实在/理（全模式把所有可能词都切出来），第二组输出为：他/说/的确/在理（精确模式按最合理方式切分），第三组输出为：他/说/的确/在理/实在（搜索引擎模式在精确基础上补充长词）。学生对照输出填写表格后，教师追问：“‘的确’和‘实在’都能匹配语料库，为什么精确模式选了‘的确’而不是‘实在’？”第8组学生观察后发现，jieba内部使用动态规划计算最大概率路径，所以正确答案是使整体句子的词概率乘积最大。教师顺势用板书画出隐含马尔可夫链的转移示意：未登录词“实”的字状态为B（词首）、M（词中）、E（词尾）、S（单字词），每个字从左侧状态转移到右侧状态的发射概率相乘，最终取argmax路径。为强化理解，教师设计“人肉HMM”游戏。每组领取一个装有状态转移表的小信封，信封内有三张纸条：初始概率（B=0.3，M=0.2，E=0.3，S=0.2）、转移概率（B→M=0.8，B→E=0.2，M→M=0.4，M→E=0.6）、发射概率（‘实’在B下=0.23，在M下=0.15）。学生合作计算三个时间步的维特比最优路径。第2组用彩笔在小白板上画出一棵概率树，最终成功算出“实”应被标为词首。第二项实操为去停用词对比。教师给出停用词表精简版，包含“的、了、是、在”等12个词。学生运行：words=[wforwinseg2ifwnotinstopwords]输出结果为“他/说/的确/在理”。教师追问：“去掉‘在’之后，‘在理’成了完整词，如果停用词表覆盖了‘在理’中的‘在’，会不会把真实信息也删除？”学生讨论得出结论：停用词表需要针对领域定制，不能一刀切。用时12分钟。本环节所有学生均独立完成代码运行，组间互测结果一致。（四）语义显形：把词搬进几何空间教师展示一个已经加载好的Word2Vec演示程序，词汇表为《三体》前五章语料训练出的80维向量。操作步骤：输入“地球”，程序返回与之余弦相似度最高的5个词——行星（0.89）、文明（0.84）、三体（0.81）、舰队（0.76）、危机（0.72）。再输入“三体”，返回——地球（0.81）、文明（0.78）、水滴（0.74）、破壁人（0.68）、面壁者（0.65）。此时教师在白板上用极坐标画出一个二维向量空间图，轴标签分别为“尺度”（从微观到宏观）和“风险”（从平静到冲突），“地球”的坐标在（0.7，0.3），“三体”坐标在（0.4，0.9），“水滴”坐标在（0.8，0.6）。画完后提问：“‘地球’与‘三体’的欧氏距离较大，但为什么它们的余弦相似度仍然很高？”学生观察发现，置信到原点后方向接近，说明这两词同属于“宏大叙事”语义簇。教师继续追问：“更关键的是，人类从语义上觉得‘行星’与‘地球’接近，是因为词性、词频还是语法角色？”第4组学生回答：“可能是它们经常出现在相近的上下文中，比如‘地球’后常接‘文明’，‘行星’后也常接‘文明’。”教师肯定并补充：“这就是分布假说的雏形——语义由共现语境决定。你不需要给机器一本词典，只要给它足够多的语料，它就能自己归纳。”紧接着布置“词向量魔术”。每组领取打印好的词类比填空题：国王—男人+女人=？学生需要先运行代码从演示程序中寻找结果。第9组输入以下代码：vec=word_vectors["国王"]word_vectors["男人"]+word_vectors["女人"]result=word_vectors.most_similar(positive=[vec],topn=1)程序返回“女王”。学生惊叫后，第9组主动追问：“老师，如果语料里全是历史类书籍，结果会变成皇后吗？”教师顺势引出数据集偏见的概念，但暂不展开，留到辩论环节。教师继续挑战：“现在请大家用‘苹果—公司+水果’试试。”代码返回“蛇果”。学生顿时大笑。教师追问：“为什么没有返回‘梨’？”第3组分析：“因为‘蛇果’在语料中经常出现在‘苹果’‘水果’的同一语境中，而‘梨’出现的上下文更偏日常食物，距离较远。”教师总结：“词向量是无监督学习的产物，它捕获的是统计共现规律，而不是百科知识。”用时10分钟。全部11组均完成至少2次向量运算记录，教师选取3组典型结果进行白板展示。（五）注意力之舞：人类注视的数学投影教师切入本课重难点环节——注意力机制。展示一张热力图，图为《红楼梦》某段落的词语高亮，其中“黛玉”呈现红色最深，“笑道”次之，“宝玉”为黄色。教师提问：“人类阅读时，目光总在关键处停驻。机器如何用数学模拟这种选择？”提供概念框架：给定三个向量——查询向量（Query）、键向量（Key）、值向量（Value），注意力权重通过Q与K的点积除以缩放因子后做softmax归一化得到，最后与V加权求和。教师以手工计算示例推进。选择简单句：“我喜欢编程”。分词后为【我，喜欢，编程】，初始化三个词的Q、K、V为二维向量：我：Q=(0.5，0.2)，K=(0.1，0.9)，V=(0.4，0.6)喜欢：Q=(0.8，0.3)，K=(0.7，0.2)，V=(0.9，0.1)编程：Q=(0.6，0.7)，K=(0.3，0.8)，V=(0.1，0.5)学生需要完成“喜欢”作为查询词时的注意力分布计算。计算步骤分三步：第一步：计算Q_喜欢与每个K的点积。与“我”的点积：0.8×0.1+0.3×0.9=0.08+0.27=0.35与“喜欢”的点积：0.8×0.7+0.3×0.2=0.56+0.06=0.62与“编程”的点积：0.8×0.3+0.3×0.8=0.24+0.24=0.48第二步：除以缩放因子√2≈1.414，得到0.25、0.44、0.34。第三步：做softmax归一化。e^0.25≈1.284，e^0.44≈1.553，e^0.34≈1.405总分母=4.242权重分别为：我=0.303，喜欢=0.366，编程=0.331教师请第7组在小白板上板演全程，组员边写边解释：“虽然‘喜欢’本身权重最高，但‘编程’的权重只比‘我’低一点点，这说明机器在理解‘喜欢’时也关注了宾语，而不是简单看到自身。”教师追问：“如果这句话变成我喜欢不喜欢编程，你们预期注意力图会怎样变化？”学生分组预测后，教师用在线注意力可视化工具展示训练好的BERT模型输出热力图，并与手工计算结果对比，发现“不喜欢”对“喜欢”的语境行为产生了显著抑制。随后回到《秋夜》例句。教师投影该句并询问学生：“如果机器想理解‘枣树’，它需要关注哪些词？”学生讨论认为需关注“两株”“墙外”“看见”。教师展示模型热力图，指出自注意力在各层有不同的关注模式：浅层关注词法特征，深层关注语义转折。有学生提问：“注意力机制不也降低了计算复杂度吗？”教师回应：“多头注意力用八组Q/K/V并行捕捉不同子空间语义，但同时也带来了可观的计算开销。这就是面向端的模型需要剪枝的原因。”用时12分钟。所有学生完成手工计算，第7组板演被拍照上传到班级学习通。（六）平台锤炼：开放API下的黑盒认知测试教师切换至讯飞星火大模型开放平台界面。分配各组独立测试任务：第1、2组测试“零样本情感分类”——输入“今天食堂的糖醋排骨外层酥脆，内里多汁，但排队时间太长了”，观察模型输出情绪极性；第3、4组测试“少样本意图识别”——给出三个自然语言指令实例（“关灯”“播放周杰伦的歌”“明早七点叫我起床”）后，让模型对“把卧室灯调暗点”进行意图归类；第5、6组测试“立场检测”——输入“学校是否应该禁止学生带手机”，分别以支持方和反对方句式改写，观察模型判断是否受到框架效应影响。每组需在测试报告里记录：输入文本、模型输出、置信度或偏好说明、人工标注的偏差因子。10分钟后，第1组报告：“模型对该句话输出积极情感，置信度0.72，但人工标注觉得‘排骨好吃’和‘排队太久’是混合情绪，模型似乎把消极子句的权重压低了。”教师引导全班聚焦“词级极性加权求和”与“句子级情感迁移”的区别，并展示模型注意力层在不同子句的分配密度。第3组记录：“少样本场景下，模型对‘调暗点’识别为照明控制意图，置信度0.91，但将‘点’字误当成动词‘点’来理解，导致生成了额外解释。”教师趁机抛出“多义词对意图漂移的影响”这一问题，为下一课时铺垫。第5、6组出现有趣分歧。第5组用支持方句式提问，模型回答列举了防沉迷、专注力等理由；第6组用反对方句式提问，模型又罗列了教学需求、紧急联系等理由。全班哄笑后，教师严肃提出：“同样的事实库，为何输出立场截然相反？模型是否真的理解了立场？还是仅仅基于上下文模板生成了看似合理的答案？”学生纷纷发言，最终达成共识：大模型呈现的是语料中的观点分布，而非独立的立场推理。随后进入“防幻觉挑战”。各组向模型提问：“请告诉我学校食堂本周四午餐的糖醋排骨热量具体是多少大卡。”模型输出一个精确数字“约385千卡/100克”并附上详细营养构成。教师追问：“这个数字可信吗？”学生尝试网上搜索后发现并无官方来源。教师引导学生分析模型的“幻觉机制”——本质上是基于上下文概率采样生成了符合句式结构但缺乏事实核验的文本。学生恍然大悟：“原来AI也会一本正经地胡说八道！”用时10分钟。各组均完成至少3条测试样本录入，数据汇总表展示在班级大屏。（七）结构辩论：技术伦理下的立场权衡教师转向议题辩论环节。前置阅读材料为两篇短文：一篇主张AI写作工具提升创作效率，另一篇强调依赖AI将削弱学生逻辑思维与原创能力。辩题设定为“AI代写作文是否属于学术不端”。全班按学号奇偶分为正反方，不设固定辩手，而是采用“全席辩论制”——任何人可举手表达观点，但必须引用至少一个本课学过的自然语言处理术语。正方第1位学生起身：“我们认为AI代写不是学术不端，因为从本课学到的词向量表征来看，AI生成的文本是对人类语言库的高维映射，本质上与人类摘抄经典并无区别。正如我们用计算器处理算术，作文中也可用AI辅助润色语言。”反方立即回击：“但你在转移重心。从自定义注意力机制角度看，模型生成词时按概率采样，它并不受‘我’的个人经历和责任感的约束。它生成的文字可以非常通顺，但不具有个人精神痕迹。学术不端的关键不在技术来源，而在是否存在‘冒充自己劳动成果’的意图。”正方第二人补充：“可是我们小组在测试平台时发现，如果对AI生成内容进行深度改写，其最终文字在向量空间中与原输出余弦相似度低至0.31，这已经不能算‘代写’了，而是‘受启发后的再创作’。因此需要限定‘直接提交原样输出’才算不端。”反方第二人采用“红线划界”战术：“如果AI改写后的原文与初稿相似度低于0.3就被允许，那我可以输入整体框架、关键术语、结构逻辑都让AI生成，最后只替换若干形容词，这究竟是‘使用工具’还是‘人机合谋’？自然语言处理模型根本没有能力判断‘意图’，所以学校必须建立‘人工雷达’来检测。”教师适时介入：“我们放下具体案例，从技术伦理的一般抽象角度看，自然语言处理模型训练中存在的偏见与谬误，是否会给学术诚信制度带来新的不平等？”现场沉寂数秒后，反方一位平日沉默的女生开口：“老师，刚在测试中我们问模型‘男生是否比女生更适合学编程’，模型根据语料中的历史偏见回答了‘是’。如果学校直接用它来代写作文，那模型内部的偏见会通过我们的笔头被放大。这恰恰是本课最后环节教师强调的‘数据偏见’问题。”正方回应：“我们给模型的提示词中加上‘请从多元视角分析’就可以缓解这个问题，上一阶段学到的提示词工程技术不就是对这种偏差的策略性补救吗？”正反双方又交替交锋三轮，教师最终总结：学术不端认定的核心是原创贡献与署名真实性，而技术手段可以帮助甄别，却不能替代制度判断。真正底线在于人是否对自己的输出负责，而非文本是否来自机器。同时指出，大模型生成的文字可能携带训练数据的隐含偏见，这也提醒我们在使用中时时保持批判性思维。用时13分钟。教师全程未直接给出现成结论，但将本课核心概念自然融入辩论话语。（八）通达验收：语料沙拉与迁移挑战教师组织下课前的成果共享活动。每组用一分钟展示本堂课最具突破性的观察。第1组展示了情感分析任务中，模型对“排队太久”的消极强度评分只有0.23，而对“糖醋排骨”的积极评分高达0.88，导致总分偏正向——他们将其称为“情绪掩盖效应”。第3组展示了对“多义词歧义”的规律总结：“get”在新闻类语料中常表示“获得”，在体育类语料中常表示“接到球”，在游戏类语料中又指代“杀死”，模型对上下文窗口的依赖长度和窗口中心词的词性不匹配就会引起误判。教师在此基础上发起“跨界迁移挑战”：“请大家做一个反事实想象练习——如果一部小说中的语料全部来自医疗健康领域，那么人物之间的情感关系词向量会发生什么变化？”第9组立即抢答：“‘关心’这个词可能与‘检查’‘治疗’的向量距离更近，而与‘拥抱’‘思念’的距离变远。”教师追问：“这说明了什么？”第9组继续：“说明词向量只是语料的统计投影，不具备跨领域普适性，在使用时必须注意语料领域匹配度。”随后教师进行三重验收：第一重，五分钟闭卷听写关键术语——每位学生在白板上默写“分词→去停用词→词向量→注意力加权→下游任务处理”，并标注各步骤的作用。共40人完整默写，2人漏掉“注意力加权”，教