第五单元+人工智能的实现方式—设计一款无人驾驶智能车 +探索1 搜索与推理（第二课时）+教学设计2025-2026学年苏科版初中信息科技九年级全一册

课时编号 003 备课时间 上课时间 课　　题 第五单元 探索1 搜索与推理（第二课时） 教学目标 信息意识 1.理解确定性推理（搜索算法）与非确定性推理（贝叶斯推理）的差异，感知贝叶斯推理在自然语言处理、目标识别、智能决策中的广泛应用，增强对 AI 推理技术的认知。 2.了解贝叶斯定理的实际价值，提升对人工智能解决复杂问题的技术敏感度。 计算思维 1.掌握贝叶斯推理的核心原理与公式含义，能拆解 “概率计算 - 推理决策” 的逻辑链条。 2.结合分词场景，应用贝叶斯思想分析非确定性问题，培养概率抽象、逻辑推理与算法选型的计算思维。 数字化学习与创新 1.借助网络资源、概率计算工具探究贝叶斯定理，完成分词方案的合理性推理，提升数字化信息获取与分析能力。 2.结合无人驾驶场景，尝试用贝叶斯推理思路设计简易行人识别方案，培养算法思维的创新应用。 信息社会责任 1.认识贝叶斯推理对 AI 智能决策、精准服务的推动作用，理解技术对社会效率与决策科学性的提升意义。 2.理性看待 AI 推理的局限性（概率性结果），培养科学、严谨、辩证的技术认知。 教学重点 1.贝叶斯推理的核心概念、公式含义及应用场景。 2.结合分词案例，理解贝叶斯推理如何解决非确定性问题。 教学难点 1.理解贝叶斯定理中 “条件概率”“先验概率” 的抽象含义。 2.将贝叶斯推理逻辑迁移到无人驾驶等真实场景，解决非确定性决策问题。 教学方法 1.教法：问题探究法、案例分析法、小组合作指导法、对比教学法 2.学法：资料探究法、逻辑梳理法、迁移应用法、讨论交流法 教学准备 硬件：多媒体教室、计算机、投影设备 软件：PPT 课件、贝叶斯推理动画演示、在线概率计算器、分词工具演示平台 素材：搜索算法 vs 贝叶斯推理对比表、无人驾驶行人识别案例、自然语言处理案例、贝叶斯定理公式卡片 分组：4 人一组，设资料员、推理员、记录员、发言人 教　学　过　程 教学环节 教师活动 学生活动 设计意图 一、情境导入，对比推理（5 分钟） 1.提问回顾：上节课我们学习了搜索算法（DFS/BFS），它解决路径问题的结果是确定的，属于确定性推理。2.抛出新问题：“无人驾驶智能车如何识别路上的行人？如何判断红绿灯是红灯还是绿灯？人类对一个句子的分词，计算机如何选择最合理的方式？这些问题没有绝对的逻辑规则，属于非确定性问题，人工智能该如何推理？” 3.展示分词案例（“慰问团长途跋涉”），引出课题：“今天我们探索人工智能的非确定性推理 —— 贝叶斯推理。” 1.回顾确定性推理知识，思考非确定性问题。 2.观察分词案例，进入问题探究状态。 3.明确本节课核心：学习贝叶斯推理原理与应用。 1.以对比认知切入，快速建立 “确定性 vs 非确定性” 的思维框架，落实信息意识。 2.用真实 AI 场景问题激发探究兴趣，为新知学习铺垫。 二、新知探究 1：贝叶斯推理核心概念（10 分钟） 1.过渡：搜索算法是 “清晰逻辑找确定答案”，贝叶斯推理是 “概率计算找最优答案”，是 AI 解决非确定性问题的核心。 2.讲解核心概念： 非确定性问题：结果存在多种可能，无绝对逻辑规则（如分词、行人识别、天气预测）。 贝叶斯推理：根据贝叶斯定理，通过概率计算和推理解决非确定性问题的方法。 贝叶斯公式： 结合实例讲解含义： ① P(A)：事件A的先验概率（如“慰问团”出现的概率）。 ② P(B\A)：事件A发生时事件B发生的概率（如“慰问团”出现时，后续接“长途跋涉”的概率）。 ③ P(B)：事件B发生的总概率（如“长途跋涉”作为整体出现的概率）。 ④ P(A\B)：事件B发生时事件A发生的概率（即分词合理性的概率）。 3. 拓展新案例：无人驾驶识别行人，通过 “行人特征（衣服颜色、步态）” 的概率组合，推理是否为行人，拓展应用认知。 1.学习非确定性问题与贝叶斯推理的概念。 2.拆解贝叶斯公式的每一项含义，理解概率推理逻辑。 3.结合行人案例，感知贝叶斯推理的实际应用。 1.搭建算法概念框架，落实计算思维中的抽象能力。 2.用生活+无人驾驶案例，让抽象概率公式具象化，突破教学难点。 三、探究学习：分词方案的贝叶斯推理（15 分钟） 1.展示教材分词案例：“慰问团长途跋涉” 的两种分词方式（慰问团/ 长途跋涉、慰 /团长/途跋涉）。 2.布置小组任务： 任务1：讨论两种分词方式的合理性，结合生活经验分析。 任务2：搜索贝叶斯定理相关资料，尝试用贝叶斯推理的思路，猜测计算机如何选择更合理的分词。 任务 3：记录推理过程，分析两种分词的概率差异。 3.巡视指导： 帮助学生理解 “语料库概率” 的概念（哪种分词在语料中出现频率更高）。 引导学生用贝叶斯思想：统计概率→比较概率→选择最优。 4.组织小组分享：展示推理过程，说明为什么 “慰问团/长途跋涉” 更合理。 1.小组合作讨论，分析两种分词方案的差异。 2.检索资料，结合贝叶斯推理思路，推导分词合理性。 3.记录推理过程，对比两种分词的概率逻辑。 4.分享小组结论，交流推理思路。 1.核心探究环节：以教材案例为载体，落实数字化学习与创新（信息检索 + 分析）。 2.培养小组协作与逻辑推理能力，深化对贝叶斯推理的理解。 四、对比与迁移：搜索算法 vs 贝叶斯推理（8 分钟） 1.组织小组讨论学习： 问题1：搜索算法（DFS/BFS）和贝叶斯推理，分别解决什么类型的问题？ 问题2：在无人驾驶智能车中，两者分别发挥什么作用？ 2.发放对比表格，师生共同完善： 维度 搜索算法（确定性推理） 贝叶斯推理（非确定性推理） 解决问题 路径规划、确定路径 分词、目标识别、概率决策 推理逻辑 遍历 + 规则 概率计算 + 统计 结果特点 绝对、清晰 概率、最优 无人驾驶应用 路径规划 行人识别、红绿灯判断、路况预测 3.拓展：贝叶斯推理还应用在智能客服（语义理解）、垃圾邮件识别、医疗诊断辅助等场景，拓展学生视野。 1.小组讨论，对比两种推理方式的差异。 2.完成对比表格，构建完整的 AI 推理知识体系。 3了解贝叶斯推理的更多应用，拓展科技视野。 1.用对比法深化认知，落实计算思维中的算法选型能力。 2.关联无人驾驶项目，实现知识迁移，为后续设计方案铺垫。 五、总结与作业（5 分钟） 1.梳理本节课核心： 贝叶斯推理是解决非确定性问题的 AI 方法。 核心公式与概率推理逻辑。 与搜索算法的互补关系。 2.布置分层作业： 基础作业：完成贝叶斯推理分词分析报告，梳理公式含义。 提升作业：结合无人驾驶智能车，设计一个基于贝叶斯推理的行人识别方案（说明需要提取哪些特征，如何计算概率）。 拓展作业：查找贝叶斯推理在医疗诊断或智能推荐中的应用案例，下节课分享。 3.总结：人工智能的实现方式是 “确定性推理 + 非确定性推理” 的结合，共同服务无人驾驶与智慧生活。 1.跟随教师梳理知识点，构建知识体系。 2.记录分层作业，明确课后学习要求 3.明确人工智能实现方式的完整认知。 1.梳理知识，强化记忆，落实核心素养。 2.分层作业满足不同学生需求，延伸应用能力。 教学反思 学科网（北京）股份有限公司 学科网（北京）股份有限公司 学科网（北京）股份有限公司 学科网（北京）股份有限公司 $