高中信息技术必修一 第五单元 人工智能及应用 教学设计

高中信息技术必修一第五单元人工智能及应用教学设计一、单元教学设计背景与依据《普通高中信息技术课程标准（2017年版2020年修订）》将“人工智能初步”列为选择性必修模块，但必修一“数据与计算”模块中已明确要求学生“理解人工智能的基本原理、典型应用及其对社会的影响”。浙教版（2019）教材第五单元“人工智能及应用”共四课时，定位于必修阶段，旨在为后续选择性必修学习奠定认知基础与方法准备。本单元教学设计依据课标“信息意识、计算思维、数字化学习与创新、信息社会责任”四大核心素养，结合高一学生认知起点，遵循“概念形成—原理体验—模型构建—伦理反思”认知规律，将教材离散知识点重组为“感知智能、理解原理、实践应用、审视影响”四个教学模块。二、单元学情分析高一学生已完成初中信息技术“开放源代码硬件项目设计”“人工智能初步”模块，具备Python基础语法、传感器数据采集、图像识别调用API等操作经验。但多数学生对机器学习“训练—预测”内在数学机制呈黑箱认知，难以区分规则编程与数据驱动范式差异；对模型评价指标（准确率、召回率、F1值）缺乏工程直觉；对算法偏见、数据隐私、深度伪造等伦理议题停留在新闻阅读层面，缺乏技术视角的理性判断。教学需从“会用工具”推进至“懂原理、能调参、会评价、守底线”。三、单元核心素养目标1.信息意识：能从数据特征维度判断问题能否用机器学习解决，识别数据采集中的采样偏差与标注噪声，敏锐捕捉多模态数据融合中的互补信息。2.计算思维：能拆解监督学习流程为“特征工程—模型选择—损失函数—优化算法—超参数调优”五环节，用梯度下降几何直觉解释参数迭代，用混淆矩阵分析分类决策边界。3.数字化学习与创新：能基于TensorFlow/Keras或教材配套平台完成二分类/多分类任务全流程建模，掌握数据增强、迁移学习等工程技巧，解决真实场景小样本问题。4.信息社会责任：能从技术可解释性、公平性、隐私保护三维度评估AI系统风险，撰写符合《新一代人工智能伦理规范》的算法影响评估报告。四、单元大概念与核心任务群大概念：数据驱动的函数逼近与决策边界构建。核心任务群：“智能垃圾分类助手”迭代开发。任务一：规则引擎版（如果那么逻辑），体验显式编程局限。任务二：传统机器学习版（特征提取+SVM/随机森林），理解结构化数据建模。任务三：深度学习版（CNN迁移学习），攻克非结构化图像识别。任务四：部署与伦理审查（移动端转换+对抗样本测试+偏见检测），闭环工程交付。五、课时安排与教学流程设计（一）第一课时：范式转换与感知智能——从显式规则到隐式映射1.问题情境导入（8分钟）展示两段代码片段。片段A：规则判断垃圾类别（关键词匹配、颜色阈值、形状轮廓面积比）。片段B：调用训练好模型`model.predict(image_tensor)`仅三行代码输出概率分布。提问：片段A面对“带电池的玩具枪”“湿巾""破碎陶瓷碗”如何维护规则库？片段B为何能泛化？引出“软件1.0（规则编程）向软件2.0（数据编程）”范式转换（Karpathy观点）。2.概念建模与可视化拆解（15分钟）利用教材配套“可视化机器学习平台”（或TensorFlowPlayground），现场演示：（1）线性可分数据：感知机学习算法，展示超平面旋转平移直至正确分离，直观理解$w\cdotx+b=0$决策边界。（2）异或问题：单层感知机失效，引入隐藏层、非线性激活函数（ReLU/Sigmoid），观察决策边界从直线变为曲面折叠过程。（3）动态调节学习率、隐层神经元数、正则化系数，实时观察损失曲面下降轨迹与测试集准确率波动，建立“欠拟合—拟合良好—过拟合”三态识别。3.核心知识点沉淀（10分钟）师生共同梳理板书核心对照表：维度|传统编程|机器学习输入|规则、数据|数据、标签核心|逻辑推演|统计拟合输出|确定性结果|概率分布迭代|修改代码|更新参数风险|逻辑漏洞|数据偏见、分布漂移4.课堂小结与预习任务（2分钟）布置阅读《深度学习入门》第1章“神经网络基础”至反向传播算法推导，完成在线判断题：梯度下降一定能找到全局最优解吗？（二）第二课时：工程流程与结构化建模——特征决定上限，模型逼近上限5.实战复盘：规则引擎版垃圾分类失败案例库（5分钟）展示学生课前收集的20张误判图片，标注失败原因：光照变化、背景干扰、类内差异大于类间差异。引出“特征工程是本质”的工程共识。6.传统机器学习全流程实操（30分钟）数据集：UCI“垃圾分类数据集”（含材质、重量、金属感、颜色直方图等12维数值特征，6大类别）。环境：JupyterLab+scikitlearn。步骤引导卡（分组协作，每组完成一轮实验并记录对比）：实验A：原始数据直接喂入RandomForest，观察基线准确率~78%。实验B：缺失值填充（众数/中位数）+标准化（StandardScaler）+相关性分析剔除冗余特征，准确率~83%。实验C：领域知识构造新特征（密度=重量/体积、导电性指数），引入XGBoost调参（GridSearchCV搜索n_estimators,max_depth,learning_rate），准确率~89%。实验D：故意注入标签噪声（5%错标），观察模型鲁棒性下降，引入交叉验证与异常检测剔除噪声样本。7.模型评价体系深度解析（10分钟）针对类别不平衡问题（如“有害垃圾”样本仅占3%），讲解为何准确率失效，现场推导混淆矩阵衍生指标：精确率$P=TP/(TP+FP)$召回率$R=TP/(TP+FN)$$F_1=2PR/(P+R)$宏平均vs微平均计算差异演示。要求各组针对“可回收物/有害垃圾”少数类汇报F1提升策略。8.课后挑战任务（布置）使用AutoML工具（如Autosklearn或H2O）自动搜索最优流水线，对比人工调参结果，撰写“特征工程对模型性能贡献度分析报告”（800字）。（三）第三课时：深度视觉与迁移学习——非结构化数据的表征学习9.认知冲突：为何传统ML在图像上失效？（5分钟）展示：将图像展平为向量喂入SVM，参数量爆炸（$224\times224\times3\approx15万$维），空间局部相关性丢失，平移不变性缺失。引出卷积神经网络（CNN）三大归纳偏置：局部感知、权重共享、池化下采样。10.CNN架构微型溯源与可视化（15分钟）使用可视化工具（CNNExplainer或自制Streamlit应用）逐层剖析ResNet18：输入层$\to$Conv1(7x7,64,stride2)$\to$BN$\to$ReLU$\to$MaxPool$\to$4个ResidualBlock$\to$GlobalAvgPool$\to$FC(1000)。重点演示：（1）浅层滤波器学习到边缘、色斑、纹理（类Gabor滤波器）。（2）中层组合成部件：轮子、眼睛、瓶盖。（3）深层响应语义概念：狗脸、汽车前部、垃圾桶盖。（4）GradCAM热力图定位模型“看哪里”，对比正确分类与对抗样本关注区域差异。11.迁移学习实战：垃圾分类小样本微调（25分钟）数据集：自建校园垃圾图片集（10类，每类训练集50张，验证集10张，测试集20张），模拟真实小样本场景。基线：ResNet18预训练权重（ImageNet）+冻结骨干网络+重置全连接层(512$\to$10)$\to$仅训练分类头，lr=1e3,epoch=10，验证准确率~82%。进阶：解冻Layer4+判别性学习率（层近输出lr大，层近输入lr小，倍数0.1）+MixUp数据增强($\lambda\simBeta(0.2,0.2)$)+LabelSmoothing($\epsilon=0.1$)，验证准确率~91%。工程化部署：导出ONNX格式$\to$ONNXRuntime推理加速$\to$量化INT8（校准集100张）$\to$模型体积从44MB压缩至11MB，推理延迟从120ms降至35ms（树莓派4B实测）。12.思维具象化产出（5分钟）各组绘制“迁移学习决策流程图”：何时冻结/解冻？如何设置差分学习率？数据增强策略选择依据？张贴黑板互评。（四）第四课时：系统部署与伦理审查——可信AI的工程落地13.部署架构与边缘计算实操（15分钟）架构图讲解：手机端采集$\to$本地推理（TensorFlowLite/MNN/NCNN）$\to$结果上传云端日志$\to$定期回收硬样本$\to$云端重训$\to$灰度发布新模型。实操：将第三课时量化模型转换为`.tflite`，集成至教材配套AndroidAPP模板（CameraX预览$\to$Bitmap裁剪归一化$\to$Interpreter.run$\to$Topk解码$\to$语音播报+分类框动画）。实测离线推理、弱网环境下交互流畅度。14.对抗鲁棒性与安全红队演练（15分钟）理论：FastGradientSignMethod(FGSM)原理$x_{adv}=x+\epsilon\cdotsign(\nabla_xJ(\theta,x,y))$。实操：使用Foolbox库生成$\epsilon=0.03$对抗样本，攻击本地模型，观察准确率从91%跌至12%。防御：对抗训练（PGDAT,$K=7,\alpha=2/255$）微调模型，鲁棒准确率恢复至68%。讨论：准确率与鲁棒性权衡，部署场景下的威胁建模（STRIDE模型简化版）。15.算法偏见检测与公平性量化（10分钟）构造测试集：按“光照（强/弱）”、“背景（复杂/纯色）”、“拍摄角度（俯视/平视）”三维度分层，每层50张。计算各子群准确率差异$\DeltaAcc$，绘制公平性雷达图。发现：弱光+复杂背景下“有害垃圾”召回率仅45%，远低于均值78%。整改：针对性采集弱光样本、引入Retinex预处理模块、引入注意力机制（CBAM）增强鲁棒特征，再训练后子群差异收敛至$\pm5\%$以内。16.伦理影响评估报告撰写与答辩（10分钟）模板字段：系统边界、利益相关者映射、风险矩阵（隐私泄露/误判危害/数字鸿沟/环境算力消耗）、缓解措施、监管合规映射（个保法、算法推荐管理规定）、持续监测指标。分组答辩，教师扮演“算法备案审核专员”提问：模型如何保证不存储用户人脸？误判易拉罐为有害垃圾导致环卫工人二次分拣成本如何量化？模型更新频率与备案周期如何同步？六、单元评价体系设计1.过程性评价（50%）（1）实验日志规范性（10%）：Git提交记录清晰，包含数据版本、超参数配置、指标曲线截图、复盘反思。（2）协作贡献度（10%）：GitHubInsights贡献图+组内互评360度打分。（3）阶段性里程碑汇报（30%）：第一课时概念图绘制、第二课时特征工程报告、第三课时可视化分析PPT、第四课时伦理评估报告。2.终结性评价（50%）（1）核心任务交付物（30%）：①规则版/传统ML版/深度学习版三代模型代码仓库（含README、requirements.txt、模型卡片ModelCard）。②移动端APK安装包（<50MB，冷启动<2s，推理<50ms）。③算法伦理影响评估报告（PDF，含签名页）。（2）现场答辩与代码阅读（20%）：抽查核心模块（数据清洗管道、损失函数自定义、量化校准代码），提问设计决策理由；现场给定新故障案例（如新增“一次性降解餐盒”类别），要求15分钟完成少样本增量学习方案设计。七、教学资源与环境保障1.硬件：云端GPU服务器（RTX3090x4，Kubernetes调度，每组分配独立JupyterHub命名空间）；边缘端树莓派4B4GBx15台（预装MNN/TFLite运行时）；手机测试机型覆盖高中低端（骁龙8Gen2/778G/680）。2.软件：教材配套数字教学平台（数据集管理、实验指导书、自动评测判题）；自建GitLab私有仓库（含CI/CD流水线：代码风格检测flake8、单元测试pytest、模型指标阈值门控）。3.数据合规：所有图像数据经人脸模糊化处理（YOLOv8face+高斯模糊），存储加密，实验结束统一销毁，符合《数据安全法》教学豁免条款。八、教学反思与迭代优化方向本单元实施后，重点关注三个维度的迭代：1.认知脚手架精度：梯度下降几何动画是否掩盖了链式法则推导的必要性？考虑在选修课“数学基础专题”中补充雅可比矩阵向量积推导。2.工程真实度与课时博弈：完整MLOps流水线（DVC数据版本控制、MLflow实验追踪、Kubeflow流水线编排）超出必修课时容量。拟开发“轻量级教学版MLOps沙箱”，预置YAML模板，学生仅修改关键参数即可体验全链路。3.伦理教育内化深度：现有评估报告易流于模板填充。计划引入“伦理困境角色扮演游戏”（如：模型在农村地区识别率低，是否延迟上线？），强制学生在利益冲突中做决策，形成价值观锚点。附件：单元核心知识图谱（脑图文本大纲）人工智能及应用├─范式认知│├─软件1.0vs2.0│├─显式规则vs隐式映射│└─符号主义vs连接主义├─数学基石│├─线性代数：向量空间、矩阵分解、特征值分解│├─概率统计：最大似然估计、贝叶斯决策论、KL散度│├─最优化：凸优化、随机梯度下降、动量法、Adam│└─信息论：熵、交叉熵、互信息├─经典流程│├─数据工程：采集、清洗、标注、增强、切分、版本控制│├─特征工程：归一