高中信息技术高一年级教学设计 4.2.2 信息智能处理的方式

高中信息技术高一年级教学设计4.2.2信息智能处理的方式一、教材分析与教学定位本课选自粤教版高中信息技术必修一第四章第二节第二课时。前一课时学生已接触人工智能的基本概念与发展历程，本课时聚焦于信息智能处理的具体实现方式，分为三大类：基于规则的推理、基于统计的机器学习、基于深度学习的神经网络。这三类方式并非简单的并列关系，而是智能程度由浅入深、由符号到数据、由人工设计特征到自动提取特征的演进链条。教材以知识讲解辅以应用案例，但案例多为静态描述，缺乏学生可亲历的思维活动。本设计的核心主张是：将“方式”讲成“方法”，将“名词”变成“动词”。学生不仅要能说出三种方式各自的特征，更要能在具体问题情境中做出选择——面对一个真实任务，应当采用哪种智能处理方式？为什么？判断的依据是什么？这才是信息技术学科核心素养中“信息意识”与“计算思维”的落脚点。授课对象为高一年级学生。他们在数学课上已学习函数、统计初步，在物理课上接触过简单的线性关系，在日常生活中有大量使用语音助手、刷脸支付、短视频推荐的经验，但对这些应用背后的处理逻辑缺乏系统认知。部分学生有图形化编程或Python基础，能够理解“给计算机一堆数据，让它自己找规律”的朴素思想，这是开展深度学习概念教学的经验基础。二、课标要求与核心素养指向《普通高中信息技术课程标准（2017年版2020年修订）》对本节内容的要求为：了解人工智能的信息智能处理过程，能描述典型人工智能应用中的处理方式。结合课标要求，本课确立如下素养目标。信息意识层面：学生能主动感知生活中的人工智能应用，能从“处理方式”的视角重新审视日常所见，意识到不同应用背后可能采用不同的技术路线。计算思维层面：学生能使用流程图描述基于规则的推理过程；能通过具体数据实验理解统计学习中的“找规律”；能识别神经网络中“层层提取”的抽象过程，形成从具体到抽象再回到具体的思维闭环。数字化学习与创新层面：学生能利用在线体验平台（如TensorFlowPlayground、百度AI体验中心）开展基于数据的简单实验，在操作中加深对概念的理解。信息社会责任层面：学生能认识到不同智能处理方式在可解释性、数据依赖、能耗等方面存在差异，从而理解算法偏见、隐私保护等社会议题的技术根源。三、教学重难点教学重点：三种信息智能处理方式的基本流程与典型特征；基于规则的推理中知识库与推理机的角色分工；机器学习中“训练”与“预测”两个阶段的核心差异。教学难点：从“人工编写规则”到“从数据中自动学习规则”这一范式转变的理解；深度学习中的“特征自动提取”究竟是如何发生的——不要求掌握数学推导，但要建立直观的“层层加工”的心理模型。四、教学策略与学法指导本课采用“问题驱动—对比实验—概念建构—迁移应用”的教学链条。教师不直接告知结论，而是通过三个精心设计的认知冲突点推动学生思考。冲突点一：国际象棋程序能击败世界冠军，但面对一个简单的“识别猫”的任务却束手无策。为什么？——引出规则的局限。冲突点二：同样是“学”，我们教给机器的是什么？机器在“学习”之后到底得到了什么？——引出模型与参数。冲突点三：同样识别一张猫图，传统机器学习需要人工告诉计算机“看胡须、看耳朵”，深度学习却只说“你自己看”。它凭什么“自己看”？——引出特征自动提取。学法上，学生以四人小组为单位，经历“纸上模拟”与“在线实践”两种形态的活动。纸上模拟用于理解规则推理的可执行性；在线实践用于体会统计学习与深度学习的黑箱性质。每个活动不超过八分钟，保证课堂节奏紧凑。五、教学准备硬件环境：多媒体计算机教室，每人一台终端，能够访问互联网。软件环境：浏览器可打开TensorFlowPlayground网页版；本地无需安装Python环境，但教师备有离线演示用的小程序（用Python编写的线性分类器，约30行代码），作为断网应急预案。学习材料：导学案一份，包含三张表格（规则表、训练数据表、特征提取表）；不同颜色卡片各一组（红蓝各十张，用于分组模拟）。六、教学过程（一）环节一：情境导入——从“炫技”到“追问”上课伊始，教师在大屏幕播放一段十五秒的视频：某手机助手正在回答用户提问“明天上海会下雨吗”，随后自动调取了日历中的航班信息，提示用户“您的航班可能受天气影响，建议改签”。视频结束后，教师提出问题：“如果让你用程序实现这件事，你会怎么写？请写下你的第一反应，不需要展开，一句话即可。”学生通常会写下“先查天气，再查航班，然后比较”之类的流程化描述。教师将这些描述展示在大屏上，追问：“你们写的，本质上就是给计算机列出的一条条规则。可是这些规则是谁写的？如果情况变了——用户问的是北京的天气，航班变成高铁——规则要改吗？”这个开场不做任何概念铺垫，而是让学生在短时间内暴露前概念。他们天然地认为“程序就是规则”，这个朴素经验恰恰是理解第一种处理方式的最佳起点，也是后续产生认知冲突的锚点。教师不评价对错，只引出本课课题并板书核心问题：“面对一个智能任务，机器有哪些不同的处理方式？各自在什么条件下适用？”（二）环节二：第一种方式——基于规则的推理【活动21：医疗分诊规则模拟】教师呈现一个简化场景：某社区诊所需要实现自动分诊，将患者分为“普通感冒”“胃肠炎”“过敏反应”三类。教师给出六条带优先级的规则，例如：规则一：若体温高于39℃且伴有寒战，则判定为“需转诊”，结束判断。规则二：若主诉为腹痛且伴随腹泻，则判定为“胃肠炎”。规则三：若主诉为皮疹且近期接触过新食物或花粉，则判定为“过敏反应”。规则四：若主诉为流涕、咽痛且体温低于38℃，则判定为“普通感冒”。规则五：若无匹配规则，则判定为“需人工复核”。每小组得到一张患者症状卡（共八张，含两例模糊案例）。学生按导学案上的判断树，逐条匹配规则，将患者分配到对应类别。两分钟后，各组汇报结果。教师引导讨论两个问题：第一，这八位患者中，哪几位被成功分流？哪几位需要转诊？决策依据是什么？第二，如果来了一位患者，症状是“体温39℃伴随皮疹”，匹配了规则一也匹配了规则三，怎么办？学生很快会发现规则冲突的困境。教师借此引入“优先级”的概念——规则在知识库中的排列顺序本身就是知识。随后，教师给出基于规则的推理系统的通用结构图：知识库（规则的集合）＋推理机（匹配与执行的机制）＝智能行为。让学生在图上方标注：在刚才的分诊模拟中，哪些环节是知识库，哪些环节是推理机。【教师讲解】教师强调三个关键点。其一，规则从哪里来？来自领域专家。专家将经验抽象为“如果—那么”的结构，这个过程称为知识工程。其二，这种方式的优势在于可解释性强——每一条判断都能追溯到具体规则，这在医疗、法律等需要审计的场景中至关重要。其三，局限也同样明显：规则覆盖不了所有情况，遇到规则之外的“冷门情形”就会失效；规则之间可能存在冲突；维护大量规则的工作量随规模指数上升。课堂过渡：教师播放一个一分钟短片，内容是IBM深蓝战胜卡斯帕罗夫的精彩片段。教师提问：“深蓝的棋力来自上万条大师棋谱提炼的规则和强大的搜索算法。但如果让深蓝回答‘这张照片里是不是一只猫’，它会怎样？”学生笑答“不会”。教师追问：“为什么识别猫这种三岁小孩都会的事情，在规则系统里却难如登天？”这个问题作为认知冲突点一，自然导向第二种处理方式。（三）环节三：第二种方式——基于统计的机器学习【活动31：橡皮泥实验——让数据说话】教师在黑板上画出两个轴：横轴为“打盹时长（分钟）”，纵轴为学生前一晚的“睡眠时长（小时）”。两个坐标构成一块平面。教师在平面上随机贴出若干红色圆点（代表“上课犯困”）和蓝色三角（代表“精神饱满”）。初始数据故意重叠很多，肉眼难以直接划线分开。教师提问：“不告诉计算机任何规则，只给它这些红蓝点，它能自己找到一条分界线吗？”学生直觉认为可以。教师说：“好，那我们来替计算机做一次‘统计学习’。请各组观察这些点，在导学案的坐标图上画一条你认为能把红蓝两类大致分开的直线。”各组画完，教师请两三个小组展示所画直线，发现斜率与截距各不相同。教师引导：“同一份数据，不同的人画出不同的线。哪条线‘最好’？需要有一个标准。机器学习的核心就是在给定标准下自动搜索那条最优的线。”教师在屏幕展示误差函数的直观图：在图示的等高线上，每一条候选直线对应一个“偏离程度”的数值，机器学习的过程就是沿着数值下降的方向不断调整直线的斜率和截距，直到偏离程度最小。为帮助学生直观感受，教师打开TensorFlowPlayground，在二维平面数据上点击“Play”，让学生观察决策边界如何随着训练轮次增加而逐步移动。三秒钟后边界稳定，学生看到机器“找到”了一条几乎完全分开红蓝点的直线。【教师讲解】这个看似简单的活动蕴含了统计学习中最重要的三个概念。第一，特征与标签。红点的横纵坐标是特征，颜色是标签。特征描述了对象的属性，标签是我们要预测的目标。第二，训练与预测。训练阶段，计算机反复调整模型参数使预测尽可能接近真实标签；预测阶段，参数已固定，计算机用同一套公式去计算新输入的特征。训练和预测是两个完全不同的阶段——这一点学生容易混淆，教师需刻意强调。第三，模型是什么。训练的产物不是一堆规则文本，而是一个数学模型——在这里是一条直线的方程y=wx+b。模型是对数据规律的压缩表示，而不是对每条数据的死记硬背。教师举例说明模型的价值：假设一个智能手环积累了一百组用户“睡眠时长—晨间心率—白天疲倦指数”的数据，通过训练得到一个线性模型。之后每天清晨，手环输入当天测得的心率，输出预测的疲倦指数，并据此在用户醒来时推送“今天建议早睡半小时”的信息。学生能够清晰看到，这个系统的核心不是一个“如果心率高于多少就提醒”的规则表，而是从海量数据中拟合出来的连续函数。【活动32：实验探究——决策边界与数据的关系】学生在TensorFlowPlayground上进行第二个实验：将数据集从“圆形”切换到“异或”类型。学生发现，仅靠一条直线（线性模型）无论怎么训练都无法分开两类数据——决策边界一直在抖动，误差始终下不去。此时教师引导学生切换激活函数为“非线性”模式，增加一层隐藏层，再点击Play，决策边界立即弯曲，成功将两类数据分开。教师在此处不作数学推导，只用示意图解释：线性模型是一条直线，只能划分“一刀切”的问题；现实中的问题往往是“你中有我”的胶着状态，需要弯曲的边界。弯曲从哪里来？从非线性激活函数中来。把多个线性的变换组合起来，就能逼近任意复杂的边界——这就是机器学习从“线性”走向“非线性”的意义。这一环节的目的是让学生体会到“基于统计的学习”并非万能的：当数据本身无法用简单直线分开时，机器需要更强大的表达工具。这为第三种处理方式——深度学习——埋下伏笔。（四）环节四：第三种方式——基于深度学习的神经网络【过渡情境】教师播放一段十秒的人脸识别视频：摄像头实时检测人脸并标注关键点。教师问：“刚才在Playground里，我们已经让神经网络学会了一条弯曲的边界。但人脸识别可不是一个二分类问题——它要同时做很多件事：先找到脸在哪儿，再判断是谁的脸。这个过程，神经网络是怎么完成的？”【概念建构：从“搓揉面团”到“层层提味”】教师用一个“拧毛巾”的生活比喻来建构深度学习的概念。假设我们要从一张照片里“拧出”人脸的轮廓——第一遍拧，拧出了边缘线条；第二遍拧，拧出了眼睛、鼻子、嘴；第三遍拧，拧出了整张脸的组合特征；最后一层拧出来的“水分”，就是“这是某个人”的判断。每一层拧毛巾的过程，就是神经网络的一层。数据从输入层进入，经过一个又一个隐藏层，每经过一层，信息就被变换一次、抽象一次。深度学习的“深度”就体现在层数多。教师随即展示经典的手写数字识别示例：一个28×28像素的灰度图（共784个数值）作为输入，经过若干中间层后，输出层有10个神经元，分别对应数字0到9。每一层的每个神经元接收上一层所有神经元的输出，加权重、求和、再经过一个非线性变换，得到自己的输出值。这就是“连接”与“加权”的本质。学生可能会追问：“每一层的权重是怎么来的？是人工设计的吗？”教师强调：不是。权重是学习出来的。训练时，数据喂入网络，预测结果与真实标签进行比较，计算误差，然后通过“反向传播”算法逐层调整权重——误差越小，调整幅度越小，直到误差收敛。教师在此处做一个“两块积木”的游戏化演示：请一位学生扮演“训练者”，一位扮演“神经网络”。训练者手里攥着一串真实标签（例如“这张图的数字是7”）；网络每次输出一个猜测，训练者只回答“偏大了”或“偏小了”，不具体告诉规则。网络根据反馈微调自己的判断依据，反复数十次后，网络学会正确识别。这个演示让学生理解了一个被广泛误解的事实：深度学习中的“特征”不是人类定义的，而是模型在数据驱动下自动发现并组合的。这与前两种方式形成本质区别——不是人类告诉机器“看什么”，而是机器自己决定“看什么”。【对比梳理】教师以表格呈现三种方式的全面对比。此表格是学生今后选择合适处理方式时最重要的参考框架。表1：三种信息智能处理方式对比处理方式 知识来源 核心环节 可解释性 数据需求 典型应用基于规则的推理 专家经验 知识库＋推理机 强 低 医疗诊断、法律咨询、故障排查基于统计的机器学习 数据规律 特征工程＋模型训练 中 较高 垃圾邮件过滤、信用评分、推荐系统基于深度学习的神经网络 数据特征自动提取 多层网络＋反向传播 弱 高 人脸识别、语音识别、自动驾驶教师在表格下方加注一行灰色小字：“可解释性与性能之间常常存在一种权衡——选择哪种方式，取决于应用场景对‘能否说清理由’的刚性要求。”（五）环节五：综合应用——为场景选择处理方式【活动51：决策卡片】每组学生拿到五张情境卡，要求在两分钟内判断“适合用哪种处理方式”并说明理由。情境卡内容设计如下。情境一：银行审批一笔小额贷款。要求系统能解释拒绝放贷的确切依据（合规审计要求）。→适合规则推理或规则与机器学习结合，关键是可解释性。情境二：识别社交媒体上是否有人发布自残倾向的言论，数据量庞大且表述高度变异性。→适合深度学习，因为特征很难人工穷举。情境三：推荐短视频。用户点击数据每天新增数千万条。→适合机器学习或深度学习，利用大量行为数据自动建模，性能优先。情境四：工厂质检流水线上判定零件表面有无划痕，场景单一且环境受控，需要较低成本。→机器视觉用深度学习，但若数据量小且场景规则明确，规则推理也可胜任，需权衡成本与精度。情境五：法律文书的初步合规性核查，错误代价高，必须可追溯。→规则推理为主，辅以机器学习做预筛。各组汇报，教师引导相互质疑。多数学生会将“深度学习”当作万能答案，教师引导学生回归表格中的数据需求与可解释性两列，让学生学会从“限制条件”而非“炫酷程度”出发做选择。【活动52：批判性小辩论】若时间允许，教师组织一个五分钟微型辩论，辩题为：如果某医院使用深度学习辅助诊断癌症，但它无法向医生解释“为什么判定为恶性”，你作为患者是否接受？正方立场是接受，反方立场是不接受。教师不追求分出胜负，而是让学生在两轮发言后体会到：技术选择从来不是纯技术问题，它与社会伦理、责任归属、用户信任息息相关。这个环节指向信息社会责任的素养落点。（六）环节六：课堂小结与知识结构化教师请每位学生在导学案背面用三分钟时间绘制一张“概念地图”，要求包含以下要素：三种处理方式、其核心步骤、各自的优势与局限、一个典型应用实例。然后同桌互换，互相补充。这一做法替代传统的教师总结，让学生主动将碎片化知识结构化。教师巡视并选择两张典型作品投影展示，点评其精华与疏漏。【课后拓展】分层作业设置如下：基础层：完成教材课后练习第1、2、3题。列举生活中的三个人工智能应用，分别判断其属于哪种处理方式，用一句话说明判断依据。提升层：登录百度AI体验中心的“图像识别”栏目，上传一张自己拍摄的照片，观察系统返回的多个标签。想一想：如果换作规则推理系统来识别这张照片，需要编写多少条规则才能达到相同的识别效果？挑战层：阅读教师提供的短文《AlphaGo的棋路是用规则算出来的吗？》，写一段200字的读后感，着重比较AlphaGo与深蓝在国际象棋/围棋中的不同“下棋哲学”。七、教学反思本设计耗时三周的打磨。最初版本偏向知识讲授，用大量案例填充课堂但缺乏学生认知活动。试讲后发现两个突出问题：学生能复述三种方式的定义，但面对真实情境无法做出判断；深度学习部分仅靠讲授，学生停留在“一听就懂、一用就忘”的浅层理解。第二版引入了两个实验活动（橡皮泥实验与Playground操作），并在深度学习环节加入“两块积木”的人际互动演示。试讲效果明显好转，但课堂时间超时十分钟。经分析，问题出在活动指令不够精确——学生不清楚“操作完成后应该记录什么”。最终版在每项活动前明确出示“完成标志”，比如“画出分界线并写下你的判断标准”“将Playground的误差图截图到导学案指定位置”等，使活动可观测、可评价。一个意外的收获是“决策卡片”活动中的情境三引发了热烈的组间争议。有学生反对“短视频推荐用深度学习”这一选择，理由是“我觉得抖音推荐就是根据我停留时间算的，没什么深度”。这恰好暴露了学生对深度学习的另一重误解——把“简单建模”与“深度网络”混为一谈。教师利用这个契机追问：“停留时间可以作为输入特征，但系统还要判断你为何停留——是因为内容有趣？还是因为音乐节奏快？这些因素