第四章项目挑战：助力公益，用数据普惠民生教学设计-2024-2025学年高中信息技术必修 一

第四章 数据处理与应用 项目挑战：助力公益，用数据普惠民生（教学设计）2024-2025学年《信息技术》高中·必修 1 数据与计算（浙教版）

【教学目标】

（1）信息意识：能从公益需求出发，敏锐感知数据在解决民生问题中的价值，主动挖掘公益场景中的数据需求，形成用数据驱动决策的意识。

（2）计算思维：通过分析公益数据的特征，运用数据清洗、统计分析、可视化等方法建立数据处理模型，能将复杂公益问题转化为可计算的数据分析任务，发展结构化、算法化的问题解决能力。

（3）数字化学习与创新：熟练使用Excel、Python等工具完成数据处理全流程操作，在公益项目中创新数据应用方式（如动态监测表、预测模型），提升技术工具与实际问题的融合能力。

（4）信息社会责任：在项目实践中理解数据普惠的社会意义，关注公益数据的隐私保护与伦理规范，培养用技术服务社会、传递善意的责任意识。

【教学重难点】

（1）重点：掌握公益场景下数据处理的完整流程（需求分析→数据采集→清洗→分析→可视化→报告输出），能运用工具完成从原始数据到决策建议的转化。

（2）难点：将公益问题抽象为数据指标（如“养老服务需求”转化为“访问频率”“健康异常次数”等可量化变量），并通过数据关联分析发现潜在问题（如独居老人健康风险与访问频率的相关性）。

（3）关键能力：数据清洗中异常值的识别与处理、可视化图表的选择与优化、公益报告的结构化表达。

【教学准备】

（1）数据资源：与本地公益组织合作获取真实数据（如A社区2023年独居老人服务记录，包含姓名、年龄、健康状况、志愿者访问频率、紧急呼叫次数等字段；B山区小学20202023年学生辍学数据，包含年级、家庭收入、交通距离、师资配置等信息）。

（2）工具与材料：安装Python（含Pandas、Matplotlib库）、Excel的班级机房；实验手册（含数据处理流程图、工具操作指南）；分组任务卡（标注角色：数据分析师、可视化设计师、报告主笔）。

（3）情境素材：公益组织访谈视频（记录社工对“如何用数据优化服务”的真实需求）、优秀公益数据报告案例（如“中国儿童发展数据手册”节选）。

【教学过程】

一、情境导入（5分钟）

1. 真实情境创设

播放本地公益组织“暖夕社工站”的访谈视频：“我们服务着300多位独居老人，但总觉得服务不够精准——有的老人需要每天上门量血压，有的只需要每周陪聊；紧急呼叫系统有时一天响10次，有时一周没动静。我们想知道：哪些老人最需要帮助？哪种服务最有效？但面对一堆纸质记录表，我们不知道怎么分析……”

2. 问题驱动

提问：如果你是“数据助益公益”项目组成员，如何用数据帮助社工解决这个问题？需要经历哪些步骤？需要用到哪些技术？

3. 学生反应

学生讨论后提出：“需要先整理老人的服务记录”“用图表看访问频率和健康状况的关系”“找出访问少但健康差的老人”等初步思路，教师总结引出“数据处理与公益应用”的核心任务。

二、需求分析与方案设计（8分钟）

1. 明确公益需求

发放A社区独居老人服务原始数据（部分脱敏），引导学生阅读数据字段（年龄、健康等级[15级，1为健康]、每月志愿者访问次数、季度紧急呼叫次数），结合社工访谈内容，提炼核心问题：

（1）哪些老人处于高风险状态（健康差且访问少）？

（2）访问频率与紧急呼叫次数是否存在相关性？

（3）不同年龄阶段老人的主要需求差异是什么？

2. 设计数据处理方案

展示“公益数据处理流程图”（需求→采集→清洗→分析→可视化→报告），讲解每一步的目标：

数据采集：确认数据完整性（是否有缺失字段）、准确性（健康等级是否由专业评估）。

数据清洗：处理缺失值（如某老人“访问次数”为空）、异常值（如85岁老人“健康等级”为1，可能录入错误）。

数据分析：计算均值（平均访问次数）、分组统计（按年龄分段统计健康等级）、相关性分析（访问次数与紧急呼叫次数的Pearson系数）。

可视化：用柱状图展示各年龄组健康等级分布，用散点图呈现访问次数与紧急呼叫次数的关系。

报告输出：结论（高风险老人名单）、建议（增加某年龄段访问频率）、数据支撑（附图表）。

3. 学生活动

分组填写《公益数据处理方案表》（表1），明确本组聚焦的子问题（如“6070岁老人需求分析”或“访问频率与健康的关系”）、所需数据字段、拟用分析方法（如描述性统计、相关性分析）。教师巡视指导，强调“需求决定分析方向”的原则。

表1 公益数据处理方案表（示例）

小组	聚焦问题	关键数据字段	分析方法	可视化工具
第一组	高风险老人识别	健康等级、访问次数	交叉筛选（健康等级≥3且访问次数≤2次/月）	Excel数据透视表
第二组	访问频率与紧急呼叫相关性	访问次数、紧急呼叫次数	Pearson相关系数计算	Python散点图

三、数据清洗与预处理（12分钟）

1. 知识讲解：数据清洗要点

（1）缺失值处理：展示原始数据中“健康等级”缺失的记录（如“张XX，72岁，访问次数3次，紧急呼叫次数0”），讲解处理方法：

删除法（缺失比例＜5%时删除整行）；