高中信息技术必修1 第六章 人工智能及其应用 单元整体教学设计

高中信息技术必修1第六章人工智能及其应用单元整体教学设计一单元教学背景与价值定位粤教版（2019）高中信息技术必修1《数据与计算》模块将“人工智能及其应用”置于第六章，意在引导学生完成从数据处理、算法思维向智能系统认知的跨越。这一章节不再局限于工具操作层面，而是要求学生理解机器学习的基本原理，体验模型训练与评估全过程，并在真实情境中审视人工智能的社会伦理影响。作为学业水平合格性考试的核心考点，亦是选考模块“人工智能初步”的基石，本单元教学设计须在“有限课时、高维目标、强实践性”的张力中寻找最优解。二学情分析与学习准备度评估学生已完成前五章关于数据编码、Python程序设计、数据处理与分析的学习，具备基础编程能力与统计直觉。但对“非确定性计算”“概率模型”“高维特征空间”等核心概念缺乏感性认知。调研显示：78%学生将人工智能等同于聊天机器人或自动驾驶等应用现象；仅12%能说清“训练集与测试集分离”的必要性。教学须从现有认知锚点出发，通过可视化建模工具降低数学门槛，以项目式学习重构认知结构。三单元教学目标体系构建（一）核心素养导向的三维目标1.信息意识：能辨析强弱人工智能边界，识别生活场景中算法推荐、人脸识别等技术背后的数据逻辑，形成“数据驱动决策”的理性视角。2.计算思维：掌握监督学习基本范式，能完成数据清洗、特征工程、模型选择、超参数调优、效果评估全链路建模，理解过拟合与欠拟合的本质权衡。3.数字化学习与创新：利用JupyterNotebook与scikitlearn库实现分类预测任务，设计改进方案提升模型准确率，体验“小数据”条件下的工程化迭代。4.信息社会责任：结合算法偏见、深度伪造、数据隐私等案例，建立技术向善的伦理判断框架，能从技术可行、合规合法、社会可接受三维度评估应用方案。（二）学业质量标准与评价量表设定四级表现性指标：A级：独立完成泰坦尼克号生存预测Kaggle入门任务，准确率超0.78，撰写结构化建模报告，阐述特征工程策略与模型对比依据。B级：在脚手架支持下完成建模流程，准确率达0.72，能解释混淆矩阵中召回率与精确率的业务含义。C级：能运用可视化工具完成数据探索与基础建模，准确率超0.65，知晓交叉验证防止过拟合的作用。D级：需同伴协作完成基线模型构建，理解训练集测试集划分原则，识别典型伦理风险场景。四单元内容重组与大概念单元规划摒弃教材“章节串联”编排，以“构建可信赖的分类预测模型”为大任务，统领四个学习活动模块，共10课时。模块一：认知重构——从规则编程到数据编程（2课时）核心问题：计算机如何“不写规则”却能“会判断”？学习任务：对比传统程序与机器学习解决垃圾邮件识别的差异，建立“经验归纳”认知模型。关键知识点：人工智能发展三阶段、机器学习定义、监督/无监督/强化学习分类、泛化能力本质。模块二：流程贯通——分类预测建模全链路实战（4课时）核心问题：如何从一堆乱数据中“炼”出靠谱预测模型？学习任务：基于乳腺癌威斯康星数据集，完成探索性数据分析（EDA）→数据预处理→逻辑回归/决策树建模→网格搜索调参→ROC曲线分析全流程。关键知识点：数据清洗缺失值处理/异常值检测、标准化归一化、特征选择相关系数热力图、模型评估指标体系（Accuracy/Precision/Recall/F1/AUC）、交叉验证KFold机制。模块三：深度挑战——复杂场景下的模型优化与解释（3课时）核心问题：面对高维稀疏、类别不平衡、黑箱不可解释等“拦路虎”如何破局？学习任务：迁移至泰坦尼克号数据集，实施缺失值多重插补、类别变量TargetEncoding、SMOTE过采样、集成学习XGBoost建模、SHAP值特征重要性解释。关键知识点：集成学习Bagging/Boosting/Stacking原理、类别不平衡处理策略、模型可解释性LIME/SHAP框架、特征工程对模型上限的决定性作用。模块四：伦理审视——技术边界与人文关怀的对话（1课时）核心问题：技术能做到，就一定应该做吗？学习任务：结构化辩论“面部识别进校园利大于弊还是弊大于利”，撰写《负责任的AI设计宣言》个人版。关键知识点：算法歧视来源（数据偏见/特征代理/反馈循环）、差分隐私保护原理、AI全生命周期治理框架、上海《新一代人工智能伦理规范》核心原则。五教学过程设计：以模块二建模全链路为例深度展开（一）课时12：数据侦探——探索性数据分析与预处理艺术5.情境导入：展示某医院乳腺癌筛查误诊率高达15%的真实报告，抛出挑战：能否用历史病理数据训练模型辅助医生决策？分发含569样本、30数值特征的CSV文件，引导学生观察列名含义：半径、纹理、周长、面积、平滑度……均为细胞核数字化图像特征，目标变量为良性/恶性。6.代码实战与思维外显：学生打开预置JupyterNotebook，执行`df.describe()`、`df.isnull().sum()`。教师不讲语法，提问：“均值与中位数差异巨大的特征意味着什么？”引导发现特征量纲差异达百倍量级（面积均值1411vs平滑度均值0.096），直接抛出“距离型模型失效”隐患。演示`sns.heatmap(df.corr(),annot=False)`生成相关性热力图，学生识别出“周长半径”“面积半径”强共线性（r>0.99），引发特征冗余讨论。7.核心建模：StandardScaler标准化vsMinMaxScaler归一化对比实验。学生分组操作：A组逻辑回归+标准化，B组KNN+归一化，C组决策树+无缩放。运行5折交叉验证，记录准确率均值与标准差。全班汇总数据投屏，引导发现：线性模型依赖缩放，树模型不敏感，KNN极度依赖缩放。教师总结：预处理非固定套路，须与模型假设耦合决策。8.课堂小结与作业：完成“特征工程决策卡”填写，记录每特征处理策略与理由。课后阅读《FeatureEngineeringforMachineLearning》第3章片段，准备下节课模型选择辩论。（二）课时34：模型工匠——算法选择、调参与评估体系构建9.认知冲突开场：展示三组混淆矩阵：模型A准确率0.95但召回率0.60，模型B准确率0.92召回率0.94。提问：乳腺癌筛查选哪个？学生激烈争辩，教师适时引入“业务代价不对称”概念：漏诊恶性（假阴性）代价远高于误诊良性（假阳性），确立F2Score（β=2）为首选指标。10.算法原理微讲与可视化拆解：利用`mlxtend.plotting.plot_decision_regions`动态展示逻辑回归线性决策边界、决策树阶梯状边界、SVM核技巧非线性边界。不推导数学公式，聚焦“高维空间超平面切分”几何直觉。演示决策树`max_depth=3`欠拟合与`max_depth=None`过拟合学习曲线，可视化方差偏差分解。11.超参数优化实战：引入`GridSearchCV`网格搜索，参数网格：`{'C':[0.01,0.1,1,10,100],'penalty':['l1','l2'],'solver':['liblinear']}`。学生观察日志输出，理解交叉验证在训练集内再划分验证集的嵌套结构，防止“数据泄露”导致虚高评估。最佳模型`C=1,penalty=l2`达到CV准确率0.982。12.阈值移动与ROC分析：绘制ROC曲线，计算AUC=0.994。演示`YoudenIndex`寻找最优截断点，对比默认0.5阈值下的混淆矩阵变化。学生体会：模型输出概率，决策阈值由业务容忍度决定，而非算法固定。13.形成性评价：现场完成“建模复盘单”，记录：基线模型指标、优化策略、提升幅度、失效假设及验证。教师即时反馈，重点考察“交叉验证防止过拟合”“指标选择对齐业务目标”两个核心证据。（三）课时56：迁移拓展——泰坦尼克号生存预测Kaggle实战14.任务发布：发放含训练集891行、测试集418行的数据包，目标：预测测试集乘客生存概率，提交CSV至班级排行榜（模拟KagglePrivateLeaderboard）。数据特点：混合类型特征（数值/类别/文本）、高缺失率（Age20%，Cabin77%）、类别不平衡（生存率38%）、特征工程空间大（姓名称谓、家庭规模、票号聚类）。15.分组协作建模：四人小组分工——数据清洗官、特征工程师、模型调优师、报告撰写员。教师巡场指导，重点攻克：①Age缺失值：对比均值填充、随机森林回归填充、Title分组中位数填充三种方案对CVScore影响。②Cabin缺失：提取Deck首字母，缺失标记为U，构建“甲板生存率”有序映射。③类别变量：Sex/Embarked用OneHot，Title/Pclass用OrdinalEncoding（保留顺序信息）。④新特征构造：FamilySize=SibSp+Parch+1，IsAlone标记，FarePerPerson，姓名长度。⑤模型集成：VotingClassifier融合LogisticRegression、RandomForest、XGBoost、LightGBM，Stacking二层元学习器用逻辑回归。16.阶段性成果展示：第5课时结束前，各组提交Baseline模型（仅数值特征+简单填充）上榜。第6课时前30分钟冲刺优化，最终榜单前三组现场答辩：特征重要性排序、过拟合排查过程、集成策略收益分解。17.核心素养落地评价：依据“建模报告评价量表”打分：问题定义与业务指标对齐（15分）EDA洞察深度与可视化质量（20分）特征工程创新性与有效性验证（25分）模型选择理由与调参实验设计（20分）结果分析、局限性反思与部署建议（20分）报告须包含可复现代码链接（GitHubClassroom）、关键决策截图、SHAPSummaryPlot解释图。（四）课时7：深度解码——模型可解释性与公平性审计18.黑箱拆解：载入最优XGBoost模型，用`shap.TreeExplainer`生成SHAPSummaryPlot（蜂群图）。学生解读：`Sex_female`正向贡献最大（推高生存概率），`Fare`高值正向贡献，`Pclass_3`负向贡献。教师追问：“模型学到了‘女性优先’规则，还是学到了‘一等舱女性优先’交互？”引导观察SHAPDependencePlot交互效应。19.公平性审计实操：按Sex、Pclass切分测试集，计算各子群体FPR（假阳性率）与FNR（假阴性率）。发现：三等舱女性FNR显著高于一等舱女性（0.18vs0.04），提示模型对弱势群体保护不足。引入EqualizedOdds公平性约束，演示`fairlearn.reductions.ExponentiatedGradient`缓解偏见，对比缓解前后整体AUC下降0.015与公平性指标提升的权衡。20.伦理书写：学生以“算法审计员”身份撰写《泰坦尼克号生存预测模型风险评估备忘录》，包含：高风险子群体识别、潜在历史偏见溯源、技术缓解方案与残留风险、人工复核机制设计。纳入过程性评价档案。（五）课时89：前沿触角——从传统ML到大语言模型的范式演进21.范式对比：构建对比表格，维度覆盖：数据规模（结构化小样本vs非结构化海量语料）、特征工程（人工设计vs自监督学习）、模型架构（浅层/树模型vsTransformer深层注意力）、计算范式（CPU单机vsGPU集群分布式）、应用形态（单任务预测vs多任务生成/推理）。22.微调体验：使用HuggingFace`transformers`库，加载`bertbasechinese`，在THUCNews中文分类子集（1万条）上进行LoRA低秩适配微调（`peft.LoraConfig(r=8,alpha=16)`）。学生观察显存占用、训练损失下降、验证集F1提升至0.94。对比全量微调参数量（1.1亿vs80万），理解“冻结骨干+注入适配器”高迁移效率原理。23.提示工程实战：设计ChainofThought提示词引导GPT3.5Turbo（通过API）完成同分类任务，对比Zeroshot、Fewshot、CoT三种策略效果。讨论：在什么场景下“微调开源小模型”优于“调用闭源大模型API”（数据隐私、延迟敏感、领域专用知识、成本控制）。（六）课时10：单元总结与迁移创新展演24.知识图谱共建：全班合作在白板绘制单元知识图谱，节点含：核心概念、关键算法、工程技巧、评估指标、伦理原则、工具链。教师补全缺失连接，强调“数据质量>算法花哨”“评估指标>准确率单一”“可解释性=可信赖前提”三大法则。25.迁移创新任务发布：自主选题完成“AI小应用”原型设计，要求：①明确真实痛点（如：食堂排队预测、作业抄袭检测、社团招新匹配、校园失物招领图像分类）。②完成最小可行性产品（MVP）：数据采集清洗→基线模型→Streamlit部署WebDemo→录制3分钟演示视频。③撰写《负责任AI设计卡》，包含利益相关者分析、风险矩阵、监控回滚预案。④两周后举办“校园AI创新集市”，邀请校领导、家长、企业导师现场体验打分，纳入期末综合评价30%权重。六教学资源与环境支撑体系26.云端统一开发环境：部署JupyterHub+Kubernetes集群，预装Python3.10、scikitlearn1.3、XGBoost、LightGBM、SHAP、Fairlearn、Streamlit、Git。每生分配独立命名空间、持久化存储、GPU配额（T416GB×4张时分复用），消除环境配置障碍，保障教学公平。27.分层教学资源包：基础版：注释详尽的BaselineNotebook、数据字典速查表、常用代码片段卡片。进阶版：Kaggle往届竞赛Kernel精选、特征工程百题训练营、模型调参Checklist。拓展版：《MachineLearningEngineering》AndriyBurkov章节、GoogleMLRules工程规范中文