人工智能在身边教学设计高中一年级信息技术必修课

人工智能在身边教学设计高中一年级信息技术必修课一、教材分析与课标定位本课是高中信息技术选择性必修课程“人工智能初步”模块的第二课时，承接第一课“人工智能概念与发展历程”的基础认知，聚焦于人工智能技术在日常生活中的具体应用场景与实现原理。依据《普通高中信息技术课程标准（2017年版2020年修订）》中关于“人工智能初步”模块的要求，学生应能描述人工智能技术在不同领域的应用案例，认识人工智能对生活方式、学习方式的影响，并能辩证看待人工智能技术带来的机遇与挑战。本课在整册教材中承担着承上启下的关键角色。承上，它需要激活学生对人工智能基础特征的认知；启下，它为后续“人工智能原理与算法”部分的学习提供了真实的问题情境和应用样本。通过对生活场景中人工智能应用的剖析，学生能够从具象的体验出发，逐步过渡到对模式识别、自然语言处理、机器学习等核心概念的抽象理解，为第三课“机器学习初探”铺设认知阶梯。教学对象为高中一年级学生。这一年龄段的学生是数字原住民，日常使用智能手机、智能音箱、推荐算法驱动的短视频平台，对人工智能应用有丰富的切身体验。但他们的认知往往停留在“好用”“智能”的感性层面，缺乏对背后技术逻辑的分类梳理与批判性审视。此外，高一学生已具备一定的信息技术操作能力和小组协作经验，能够完成案例搜集、数据记录和简单的分析展示任务。因此，本课教学设计遵循“从体验到认知、从现象到原理、从使用到思辨”的递进路径。二、教学目标设定知识与技能目标。学生能够列举不少于八种人工智能在日常生活中的典型应用场景，并能按照感知、决策、执行的技术架构对应用案例进行归类；能够描述语音识别、人脸识别、推荐系统、自然语言处理四类核心技术的基本工作流程；能够使用思维导图工具绘制“人工智能应用分类图谱”。过程与方法目标。通过“生活扫描”活动，学生经历从个体经验到集体汇聚的信息收集与归纳过程；通过“案例拆解”活动，学生掌握从现象追溯原理的问题分析方法；通过“伦理辩论”活动，学生学会从技术、法律、伦理等多维度审视人工智能应用的利弊。情感态度与价值观目标。学生能够体会人工智能技术改善人类生活的积极价值，形成对智能技术的好奇心与探索欲；同时能够意识到数据隐私、算法偏见、就业替代等现实议题的严肃性，建立负责任的技术使用观；在小组合作中养成倾听、表达、协商的协作素养。教学重点。人工智能典型应用场景的识别与分类；从应用案例中抽象出人工智能基本技术架构。教学难点。理解推荐算法“协同过滤”的基本逻辑；辩证分析人工智能应用中的伦理冲突。三、学情前测与教学策略课前通过在线问卷平台发布前测问卷，包含八个生活化情境判断题，例如“外卖平台预估送达时间使用了人工智能技术”“美颜相机的瘦脸功能属于图像识别技术”“智能客服能完全理解人类的情感”。前测数据显示，超过七成学生能正确判断外卖预估和智能客服属于人工智能应用，但仅有不足三成学生能准确区分“图像美化”与“图像识别”的技术差异，对智能家居设备是否属于人工智能也存在认知模糊。这一结果表明，学生的经验直觉丰富但概念边界不清，需要结构化引导。基于此，本课采用“情境浸润—案例拆解—分类建构—迁移应用—价值思辨”的五环教学策略。以真实生活场景为认知锚点，以可视化工具为思维支架，以小组协作学习为组织形式，以议题式讨论促进深度思考。课时安排为45分钟，具体时间分配如下：情境导入5分钟，生活扫描与分类建构15分钟，案例深潜与技术拆解15分钟，伦理思辨与总结提升8分钟，作业布置2分钟。四、板书结构预设人工智能在身边感知层→决策层→执行层听（语音识别）→想（推荐算法）→应（智能控制）看（人脸识别）→读（自然语言处理）→动（自动驾驶）数据→算法→算力（底层支撑）五、教学过程详案（一）情境导入，唤醒经验上课伊始，教师播放一段约90秒的短视频。视频内容为一名高中生从早晨起床到晚间入睡的日常生活片段，画面中依次出现智能闹钟根据睡眠周期在浅睡眠阶段唤醒、智能牙刷记录刷牙数据并生成口腔健康报告、出门时人脸识别门锁自动开启、骑共享单车时App推荐最优骑行路线、课堂上教师使用智能批改系统当堂反馈作文得分、午间点餐时外卖平台预测口味偏好、傍晚使用语音助手查询天气、夜间智能台灯根据环境光线自动调节亮度。视频节奏明快，画面贴近学生生活，配以轻快的背景音乐。视频播放结束后，教师面向全班提问：“刚才视频中出现的场景，哪些真正使用了人工智能技术？请举手示意并说出编号。”学生根据直觉回答。有学生认为智能闹钟只是定时功能，不属于人工智能；有学生质疑智能牙刷不过是传感器加蓝牙传输；也有学生认为人脸识别门锁无疑属于人工智能。教师不急于给出答案，示意将这些分歧记录下来，在黑板的侧边区域写下“存疑待解”四个字。随即过渡：“今天这节课，我们一起给身边的智能应用‘验明正身’，看清它们背后到底藏着什么技术秘密。”（二）生活扫描，汇聚案例教师布置小组任务：“请每小组在3分钟内，尽可能多地写出你们日常生活中接触过的、你认为使用了人工智能技术的产品或服务。每写出一条得一分，不重复计分。”各小组迅速行动，在发放的白板纸上奋笔疾书。教师巡视，留意各组的分类思路。三分钟后，各组将白板纸贴到黑板前侧区域。教师邀请各组代表依次汇报，并同步在电子白板上以词云方式汇总。汇总结果显示，学生提到的案例高度集中在以下几类：短视频推荐、电商商品推荐、语音助手（小爱同学、Siri）、人脸识别支付、拍照翻译、智能美颜、自动驾驶汽车、智能客服、导航路线规划、垃圾短信拦截。教师引导学生观察词云中的高频词：“大家发现没有，我们写的案例有很多是重复的，这说明什么？”学生回答：“说明这些应用太常见了，大家都用过。”教师追问：“那你们都认为这些是人工智能吗？有没有不同意见？”课堂出现分歧，部分学生认为智能美颜只是滤镜算法，不算人工智能；也有学生坚持语音助手已经非常智能。教师微笑着说：“分歧正是深度学习的起点。接下来我们做一件有难度的事——给这些案例分类。”（三）分类建构，形成图谱教师在电子白板上展示一张空白的思维导图，中央节点写“人工智能在身边”。导图预设四个一级分支：智能感知、智能决策、智能交互、智能控制。教师先不解释这四个分支的含义，而是请学生尝试将刚才词云中的案例拖入合适的分支。学生首先分类“人脸识别支付”到“智能感知”，将“语音助手”拖入“智能交互”分支。但当面对“短视频推荐”时，有学生将其放入“智能决策”，理由是“它帮我们决定看什么”；另一些学生认为应该归入“智能交互”，因为“它好像在和我互动”。争论由此展开。教师顺势引导：“分类的标准是什么？我们必须先明确每个分支的定义边界。”随后教师给出简明定义：智能感知指机器通过传感器获取外界信息并加以识别的技术，对应人类的“眼耳鼻舌身”；智能决策指机器基于数据和算法进行分析判断并给出行动方案，对应人类的“大脑思考”；智能交互指机器通过自然语言、手势等方式与人进行双向沟通，对应人类的“对话交流”；智能控制指机器根据指令自主执行物理操作，对应人类的“手脚行动”。有了定义支架后，学生重新分类。短视频推荐归入智能决策，因为核心在于“猜你喜欢”；语音助手同时涉及智能交互和智能决策，教师引导将其拆分为“语音识别属于感知，意图理解属于决策，语音合成属于交互”。随后，教师补充经典分类框架，将四大分支进一步归纳为三个技术层面。感知层负责信息输入，包括图像识别、语音识别、传感器数据处理；决策层负责信息加工，包括机器学习、知识图谱、推荐算法规划；执行层负责信息输出，包括自然语言生成、机器人控制、自动驾驶执行。教师在黑板核心位置书写：感知层→决策层→执行层数据→算法→算力这一架构成为贯穿全课的概念锚点。（四）案例深潜，技术拆解教师选取四个典型应用案例，分别对应感知层、决策层和交互层，每组认领一个案例进行深度拆解。第一组领到“人脸识别支付”案例。教师提供一份图文材料，呈现人脸识别支付的技术链路。学生通过阅读材料，梳理出“摄像头采集人脸图像、人脸检测定位关键区域、特征提取获得面部特征点数据、与数据库中特征模板比对、输出匹配结果完成身份验证”五个环节。小组代表在汇报时，用教师提前准备的面部特征点示意图（标出眼睛、鼻尖、嘴角等关键点的坐标位置）向全班展示特征提取的含义。教师补充说明，这一过程需要深度学习卷积神经网络的支持，特征点提取的精度直接影响识别准确率。第二组领到“短视频推荐”案例。教师发下两组虚构用户的行为数据表格。表格记录了两位用户在过去一周内的视频观看时长、点赞类型、停留时长和划走速度。学生需要分析两位用户的偏好特征，推测平台会分别推荐什么类型的新视频。各组热烈讨论，有学生总结出“看科幻片时间长的人应该推荐科幻新片”“点赞过猫视频的人会被推送更多宠物内容”。教师在此基础上抽象出协同过滤的基本逻辑：“平台不仅看你自己的行为，还找一群和你行为相似的人，看他们喜欢什么，然后推荐给你。这就是‘物以类聚，人以群分’的算法表达。”接着教师呈现一个简化的协同过滤公式形态：预测用户对物品i的评分=相似用户的评分加权平均。公式以清晰的可视化方式展示在课件上，并辅以一张三人相似度示意图帮助学生理解。第三组领到“语音助手”案例。教师播放一段学生与小爱同学的真实对话录音。学生对录音内容进行转写，标注出哪些语音指令被正确识别、哪些出现偏差。例如“帮我设个明早七点的闹钟”被准确理解，“播放周杰伦的《晴天》”被识别为“播放周杰伦的《晴天》”但推荐了翻唱版本。教师引导学生分析误识别产生的原因：语音识别阶段受到口音、环境噪声、同音字干扰；语义理解阶段受到上下文缺失的影响。学生由此理解自然语言处理的两阶段架构。第四组领到“智能家居控制”案例。教师展示一张智能家居拓扑图，包括智能音箱、智能灯泡、智能窗帘、环境传感器。学生需要描述“当室内光照强度低于阈值且检测到有人活动时，自动打开窗帘”这一场景的技术流程。学生很快发现，这涉及传感器感知、条件判断决策、执行器动作三个环节，和前面学的三层架构完全对应。四组汇报完毕后，教师在白板上绘制一张总表，将四个案例、对应层级、核心技术、输入数据、输出结果一一对应起来。学生填写学习任务单中的“案例拆解记录表”，完成从具体到抽象的概念巩固。表格：案例拆解对照表案例名称所属层级核心技术输入数据输出结果人脸识别支付感知层卷积神经网络人脸图像身份判定短视频推荐决策层协同过滤算法用户行为数据推荐列表语音助手感知层+决策层语音识别+NLP语音指令语义回应智能家居控制执行层传感器+规则引擎光照/人体信号设备开关（五）迁移应用，创意设计教师提出问题：“如果你是一名人工智能产品设计师，请你基于三层架构，为学校设计一个智能应用场景。要求写出感知什么、决策什么、执行什么。”各小组展开头脑风暴。有小组设计“智能图书馆座位管理系统”，通过压力传感器感知座位是否被占用，通过人脸识别感知学生身份，决策层根据预约数据和实时状态分配座位，执行层通过桌面指示灯引导就座。有小组设计“食堂智能营养推荐”，通过扫码识别学生既往消费记录和当日菜品图像，结合营养数据库计算推荐方案，显示屏呈现建议菜单。还有小组提出“作业智能提醒助手”，通过摄像头识别作业本上的书写进度，结合日历数据判断是否临近截止日期，决策后通过智能音箱语音提醒。每组派代表进行一分钟路演，其他小组从技术可行性和需求真实性两个维度给出评分。教师对创新性强的方案予以肯定，特别表扬了将三层架构灵活迁移至真实校园场景的设计思路。（六）伦理思辨，价值引领教师呈现一个真实发生的新闻案例：某小区物业引入人脸识别门禁系统，业主认为便利性提升，但部分住户担忧个人生物特征数据被物业公司收集存储，存在泄露风险。双方产生争议，最终街道办介入协调。教师组织“立场站队”活动。教室两侧分别贴有“效率优先”和“隐私优先”两个标签。学生根据自己更倾向于哪一方价值取向，移步至对应区域站定。随后，教师邀请两侧各两名学生陈述理由。选择“效率优先”的学生认为“刷脸进门只要一秒，比刷卡方便太多”“现在哪都要人脸识别，早就习惯了”；选择“隐私优先”的学生反驳“面部数据一旦泄露没法修改，不像密码可以重置”“物业是否有权限永久保存我的生物信息”。教师听完双方观点后，没有简单判定孰是孰非，而是引入三个分析维度供学生参考。第一维度是法律维度，教师提及《中华人民共和国个人信息保护法》中关于敏感个人信息处理的知情同意原则，强调生物识别信息属于敏感个人信息，处理前必须单独取得本人同意。第二维度是技术维度，教师说明本地化存储与云端存储的安全差异，以及活体检测技术对照片攻击的防御作用。第三维度是设计维度，教师提出“隐私设计”理念，即产品在设计阶段就嵌入隐私保护功能，而非事后补救。讨论结束后，教师邀请各小组用一句话总结本课收获。有学生说“人工智能背后是数学，但影响的是生活”；有学生说“技术本身没有对错，关键看怎么用”；有学生说“以前以为智能就是魔法，今天看到了魔法的机关”。教师将这些观点记录在电子白板上，作为本课的情感升华。（七）课堂小结，结构回顾教师带领全班回顾本课的知识框架，再次强调感知层、决策层、执行层三层架构，以及数据、算法、算力三大支撑要素。教师点明：我们身边的人工智能，无论看起来多么神奇，本质上都是数据驱动的模式识别与决策优化。最后，教师以一句话收束全课：“人工智能不是遥不可及的星辰，而是已经渗透进日常空气的技术存在。认识到它的存在只是起点，理解它的逻辑才能成为技术的主人而非仆人。”六、作业布置与评价设计基础性作业。完成学习任务单中“人工智能应用分类图谱”的完善，要求每个分支至少补充两个本课未提及的新案例，并标注其所属层级。此项作业旨在检测学生对概念边界的把握程度。实践性作业。以个人为单位，选择生活中一个尚未被智能化或智能化程度较低的场景，撰写一份不超过三百字的“智能改造微提案”，内容包括场景描述、感知层设计、决策层逻辑和执行层方案。此项作业旨在考查学生的迁移应用能力。拓展性作业。阅读教师推送的三篇关于算法偏见与数据伦理的科普短文，选择其中一个案例写一篇两百字左右的评论，表达自己的立场并给出理由。此项作业旨在培养学生的批判性思维和社会责任感。教学评价采用过程性评价与终结性评价相结合的方式。过程性评价包括课堂观察量表，记录学生在小组活动中的参与度、表达逻辑性和协作态度；终结性评价依据学习任务单完成质量、小组路演表现和拓展作业的思辨深度。评价维度分为四个等级：优秀、良好、合格、待改进。教师将在下一课开始时对作业中的共性亮点和典型问题进行反馈。七、教学反思预设本课教学设计经过教研组三轮打磨，预设的反思点主要集中在三个方面。首先是概念建构的坡度控制。三层架构的抽象过程对高一学生而言有一定认知挑战，教学过程中需要借助大量生活化案例作为台阶。若课堂中学生分类分歧较大，教师应放慢节奏，利用分歧本身作为教学资源，让学生先充分阐述为何如此分类，再由教师引导修正，而非直接公布标准答案。其次是案例拆解的深度把握。协同过滤算法的讲解容易滑向两个极端：过于浅显则沦为概念名词的堆砌，过于深入则超出课时容量。处理方式是以直观的表格数据和示意图为