高中信息技术选择性必修6 人工智能初步 第3课 人工智能的实现方式 教学设计

高中信息技术选择性必修6人工智能初步第3课人工智能的实现方式教学设计一、教学素材分析《人工智能初步》作为普通高中信息技术课程标准（2017年版2020年修订）选择性必修模块的核心内容，旨在培养学生的计算思维、信息意识、数字化学习与创新、信息社会责任四大核心素养。第3课“人工智能的实现方式”位于模块前三分之一处，承接前两课对人工智能基本概念、发展历程与典型应用的感性认识，引领学生深入技术内核，揭开“机器如何变聪明”的黑箱。这节课不仅是理解后续机器学习、深度学习、自然语言处理等专题的基石，更是学生从“人工智能使用者”向“人工智能理解者”甚至“初级开发者”角色转换的关键节点。教材将实现方式划分为基于知识的推理、基于数据的学习、基于规则的专家系统三大范式，并辅以感知与交互技术的介绍。这种编排体现了从符号主义到连接主义、从显式编程到隐式学习的技术演进脉络。然而，教材对各范式底层数学逻辑的阐述较为简略，案例多为成品展示，缺乏“拆解与重构”的动手环节。若照本宣科，极易导致学生形成“知其然不知其所以然”的碎片化认知，难以在面对新问题时判断适用范式。因此，教学设计必须在“原理透析”与“工程实践”之间搭建脚手架，让学生在动手建模、调参、对比中内化核心概念。二、学情与教学环境分析任教班级为高二年级选修信息技术的学生，共48人，分A、B两个教学班混合排课。学生已完成必修1《数据与计算》、必修2《信息系统基础》及选择性必修1《数据与数据结构》学习，具备Python编程基础、数据预处理初步技能及初等统计概念。但调研显示，仅15%学生自学过线性代数基础，对矩阵运算、梯度下降等数学工具感到陌生；60%学生对“训练模型”仅停留在调用库函数层面，未理解损失函数与反向传播的实质。此外，班级存在显著的“两极分化”：编程特长生渴望深入算法细节，而基础薄弱组对代码调试有畏难情绪。硬件环境为标准化机房，配备GPU加速工作站12台，部署JupyterHub集群，预装scikitlearn、TensorFlow、PyTorch等框架，支持分组协作开发。校本资源库已沉淀“手写数字识别”“鸢尾花分类”“文本情感分析”三个完整数据集与基线代码模板。教学利用课堂45分钟+课后拓展2学时的混合制，课前通过学习通推送微视频与预习测评，课中聚焦核心难点与协作探究，课后以项目迭代考核取代传统作业。三、教学目标1.核心概念构建：能用符号主义、连接主义、行为主义三元视角解释人工智能实现方式的本质区别；能对比专家系统、机器学习、深度学习在知识获取、泛化能力、可解释性、数据依赖度四个维度的优劣势，并在给定场景中论证选型依据。2.关键能力培养：掌握监督学习“数据→特征→模型→评估→迭代”完整工程流程；能基于scikitlearn独立完成结构化数据分类任务的基线搭建、超参数网格搜索、混淆矩阵分析；能识别数据泄露、过拟合、类别不平衡等典型工程陷阱并提出缓解策略。3.思维品质提升：在“贷款审批自动化”真实场景中，体会显式规则与隐式模型的互补张力，形成“模型即假设、数据即证据、评估即审视”的科学实证思维；辨析算法偏见来源，阐述公平性指标（统计平率、机会均等）与准确率的权衡逻辑。4.社会责任践行：结合“算法歧视”案例，说明训练数据分布偏差如何放大社会结构性不平等；设计包含人工复核回路的决策流程，体现“人在回路”伦理原则；承诺在后续项目中主动进行模型卡片文档化。四、重点与难点重点：机器学习范式下“经验风险最小化”的数学直觉建立；监督学习标准化建模流程的工程化落地；三大范式适用边界的场景化判断。难点：梯度下降几何意义与代码实现的对应关系；特征工程对模型上限的决定性影响（而非算法选择）；可解释性与性能之间的工程权衡决策。五、教学策略与方法采用“原理实践迁移”三阶推进模式，融合“活码讲解”“对比实验”“决策式案例教学”三大策略。课堂以“最小可行性模型”构建为主线，引导学生从逻辑回归手写梯度下降，到调用随机森林基线，再到引入SHAP值解释特征重要性，层层深入。设置“范式诊断台”协作任务：给定5个典型场景（医疗诊断规则固化、工业视觉缺陷检测、金融风控评分、游戏NPC行为树、古籍自动标点），小组在15分钟内完成范式选型、关键风险识别、首版技术路线图绘制，最后全班巡展互评。利用可视化工具实时展示决策边界随超参数变化的动态过程，将抽象数学直观化。课后布置“模型迭代日志”项目，要求记录每次实验的假设、操作、指标变化、反思，培养工程笔记习惯。六、教学过程设计（一）情境导入：从“专家系统”到“AlphaGo”的范式跨越（8分钟）投影展示1980年代MYCIN专家系统规则片段与AlphaGoMaster第37手着法动图。提问：“若让MYCIN下围棋，规则库该写多厚？AlphaGo为何不需要人类总结定式？”引导学生从“知识显式编码”转向“数据驱动隐式习得”。呈现三范式对比雷达图（维度：知识获取成本、泛化边界、可解释性、算力需求、数据饥渴度），学生凭直觉在学习单标注各范式强弱项，为后续实证对比埋伏笔。（二）原理拆解：三范式的数学骨架与工程映射（15分钟）1.符号主义：基于知识的推理与专家系统现场演示Prolog风格规则链：`可贷款(客户):收入稳定(客户),征信良好(客户),负债率低(客户).`追问：规则冲突如何消解？新业务上线为何需专家重写规则？引出“知识获取瓶颈”与“封闭世界假设”局限。补充说明：当前金融风控仍广泛采用“规则引擎+模型评分”双轨制，规则负责合规红线，模型负责风险定价。2.连接主义：基于数据的学习——监督学习核心链条以二分类任务为例，在白板推导线性模型`ŷ=σ(w·x+b)`与对数损失`L=[ylogŷ+(1y)log(1ŷ)]`。演示：固定特征`x=[收入,负债比,历史逾期次数]`，随机初始化`w,b`，计算单样本梯度`∂L/∂w=(ŷy)x`，更新参数`w←wη·∂L/∂w`。同步在Jupyter单元格活码演示，学生观察损失曲线收敛过程。强调：梯度是“损失地形上的最陡下坡方向”，学习率`η`步长过大震荡、过小收敛慢。3.行为主义/进化计算（简述）：遗传算法、强化学习雏形播放30秒“虚拟生物学会走路”进化动画，类比“生成评价选择变异”循环与梯度下降“前向反向更新”循环的异同：前者不要求可导、适合离散搜索空间；后者高效连续优化但易陷局部最优。为后续选修模块铺垫。（三）核心实践：贷款审批模型从0到1的工程化构建（18分钟）任务驱动：某银行提供脱敏历史贷款数据1.2万条，含15维特征（数值/类别混合）、标签`违约/正常`，类别比例1:9。要求：在20分钟内完成基线模型搭建并输出召回率≥0.85、F1≥0.65的方案。步骤1数据探索与清洗（3分钟）学生打开预置Notebook，执行`()`、`df.describe()`、`sns.heatmap(df.isnull())`。关键发现：`职业类别`缺失12%，`信用卡额度`存在1异常值（实为“未持卡”）。指导：缺失值用“缺失即特征”填充999而非均值，避免分布扭曲；异常值构造布尔特征`有信用卡`保留业务语义。步骤2特征工程对决（5分钟）分组A：仅做标准化+独热编码（基线组）分组B：在A基础上增加领域衍生特征——`收入负债比=月收入/月负债`、`近半年查询次数`分箱WoE编码（进阶组）分组C：引入目标编码处理高基数类别特征`职业类别`（挑战组）各组5分钟内完成管道构建，提交交叉验证AUC。全班投屏对比：B组AUC提升0.032，C组训练集AUC高但验证集跌0.015（目标编码泄露）。现场复盘：泄露源于编码时用了全量标签统计，修正为K折内部计算后验证集回升。步骤3模型训练与超参搜索（5分钟）统一使用`LogisticRegression(penalty='l2',solver='lbfgs',class_weight='balanced')`对抗类别不平衡。网格搜索`C∈{0.01,0.1,1,10,100}`，评估指标`recall_macro`。最优`C=1`时验证集召回率0.862、F10.671达标。展示决策边界可视化（PCA降维至2D）：线性模型在投影平面呈直线分割，误判样本集中于边界带。步骤4可解释性与风控报告（5分钟）调用`shap.LinearExplainer`输出特征重要性蜂群图：`近半年查询次数`、`收入负债比`、`历史逾期次数`位居前三。生成单样本力图：某被拒客户因“查询次数过多”贡献+0.42logodds。指导学生撰写《模型卡片》摘要：训练数据时间窗、目标人群、性能指标、已知局限（如对“白户”判别力弱）、监控指标（PSI漂移阈值0.2）。（四）迁移内化：范式诊断台——场景化选型与风险预案（12分钟）分组轮换制，每组领取一张场景卡，产出“范式选择卡”贴至白板：场景1急诊分诊规则固化（生命体征阈值判断）→专家系统/规则引擎。理由：规则明确、可审计、零容错、低延迟。风险：规则冲突、维护成本随科室增加呈指数增长。预案：引入决策表管理工具，版本化发布。场景2钢铁表面裂纹视觉检测（高速产线、缺陷样本稀缺）→深度学习（YOLOv8+小样本增强）。理由：非结构化数据、特征难手工设计。风险：伪缺陷率高、环境光漂移。预案：部署边缘推理盒，建立“疑似→人工复核→入库再训练”闭环。场景3信用卡实时欺诈拦截（毫秒级延迟、极度不平衡）→树模型集成+规则前置拦截。理由：结构化特征强、可解释性监管要求、类别极度不平衡。风险：概念漂移快（新型诈骗手段）。预案：周度增量训练、引入对比学习挖掘未知模式。场景4围棋/象棋AI训练→强化学习+蒙特卡洛树搜索。理由：状态空间巨大、无监督信号、可自我对弈生成数据。风险：算力成本极高、奖励稀疏。预案：课程学习从残局到全盘、知识蒸馏压缩模型。场景5古籍自动断句标点（低资源语言、领域特殊）→预训练语言模型微调（BERTbasechinese+领域语料继续预训练+下游微调）。理由：利用通用语言知识迁移、小样本有效。风险：领域词表覆盖不足、标注一致性差。预案：主动学习选样标注、规则后处理修正明显语病。全班巡展，每组派代表90秒答辩，其他组按“范式是否最优、风险识别全不全、预案落不落地”三维打分。教师点评强调：没有银弹，工程即权衡。（五）伦理沉思与课程总结（7分钟）播放ProPublica“PAS再犯风险评分种族偏见”调查短片。数据显示：黑人被误判为高风险概率是白人的2倍。追问：“模型只是拟合数据分布，为何会产生歧视？”引导学生拆解：训练数据中`逮捕记录`受警力部署偏差污染，模型学到的是“被捕概率”而非“犯罪概率”。介绍公平性度量：统计平率（各群体正例率相等）、机会均等（各群体真正例率相等）、校准（各群体预测概率与真实概率一致），三者不可兼得。展示缓解手段：重加权、对抗去偏、决策阈值分群调整。落脚点：技术手段只能缓解，治理需制度兜底——引入“人工复核高风险判定”、“定期第三方审计”、“受影响群体参与式设计”。总结知识图谱：三范式谱系图、机器学习工程化闭环图、模型全生命周期治理图。布置课后项目：“贷款模型迭代周赛”——引入时序切分验证、对比XGBoost/LightGBM/TabNet、撰写完整模型卡片、录制3分钟技术复盘视频。预告下课内容：深度学习感知层——从感知机到Transformer。七、教学反思与改进预案本设计重“工程实感”轻“理论推演”，符合高中阶段认知规律，但存在三个潜在风险：一是数学推导压缩过度，可能导致优等生“知其然不知其所以然”。改进：课前推送“梯度下降几何直觉”选学微课，课中设置“推导挑战卡”供自主深入。二是实战环节时间极其紧凑，基础组易跟不上代码节奏。改进：预置“脚手架代码”仅留核心超参填空，设置“代码诊所”互助机制，教师巡场重点托底。三是伦理讨论易流于口号。改进：引入“算法审计模拟法庭”角色扮演，学生分别扮演开发者、监管方、受影响群体代表、独立审计师，针对PAS案进行辩论，落实批判性思维。八、课程拓展与资源包1.分层资源包：基础版（含注释模板、可视化交互笔记本）、进阶版（引入Optuna贝叶斯调参、特征选择管道）、挑战版（要求实现简易GBDT从零手写）。2.真实数据集授权：与地方征信公司合作脱敏数据，签署数据使用协议，纳入校本资源库长期迭代。3.竞赛衔接：推荐“天池新人赛金融风控”“KaggleTabularPlaygroundSeries”作为课后实战场，指导学生完成首次比赛提交。4.跨学科联动：邀请数学教师联合讲授“凸优化与对偶理论”专题；邀请法治副校长解读《个人信息保护法》《生成式人工智能服务管理暂行条例》中自动化决策条款。九、评价量表设计过程性评价（60%）：预习