《第16课 决策树与智能推理》导学案 2026-2027学年人教版初中信息科技人工智能专册

初中信息“导·学·练”课堂导学案 年级 科目 信息 周次 设计者 序号 班级 主题与课时 第16课 决策树与智能推理 课型 新授 审核人 学校审核 姓名 课标要求 本课依据初中信息科技新课标要求，引导学生了解决策树的基本结构与核心原理，掌握智能推理的基本逻辑与实现过程。学生能够结合生活实例拆解简单决策场景，学会提取问题特征、搭建简易决策树模型，体验人工智能数据驱动决策的过程。同时辩证认识智能决策的局限性，树立人机协同、规范用智的信息素养，初步形成人工智能逻辑思维与应用意识。 学习目标 信息意识：感知生活中智能决策场景，发现决策树在人工智能分类、判断中的应用价值。 计算思维：学会拆解问题、提取特征、分层推理，掌握决策树建模的基本思维方式。 数字化学习与创新：借助实例探究、实操练习，自主搭建简易决策树，解决生活简单判断问题。 信息社会责任：正视智能推理的算法局限与数据偏差问题，树立理性用AI、人机互补的责任意识。 重难点 教学重点：掌握决策树根节点、内部节点、叶节点、分支的基本结构，理解决策树分层判断、逐步推理的核心逻辑，熟练掌握简易决策树的手动构建方法，看懂人工智能依托决策树完成智能推理的完整流程。 教学难点：理解特征区分度的核心含义，学会筛选最优判断特征搭建合理决策树，辩证分析决策树模型的局限性，能够将现实生活问题转化为标准化决策树模型。 学习过程 第一部分 课前预习案 预习目标：初步感知智能决策与人工判断的区别，了解决策树的基本概念、组成结构，熟悉生活中的决策树应用场景，自主梳理基础知识点，带着问题进入课堂探究，为课中深度学习奠定基础。 （一）基础填空题 1. 人工智能的核心能力之一是__________，即机器依托已有数据和规则，模拟人类思维完成判断、分类、决策的过程。 2. 决策树是人工智能中用于__________和__________的经典可视化模型，结构清晰、逻辑直观，是可解释人工智能的典型代表。 3. 决策树的三大核心节点分别是__________、内部节点和__________。 4. 决策树中，代表判断起始、区分核心特征的节点是__________，代表中间判断条件的是内部节点，代表最终决策结果的是__________。 5. 决策树通过__________的方式逐层筛选特征、缩小判断范围，最终得出确定结论，完成智能推理。 6. 特征区分度是指不同特征对__________的区分能力，区分度越高，越适合作为决策树的顶层判断条件。 7. 智能推理的核心逻辑是依托__________、提取有效特征、按照既定规则逐层判断，输出决策结果。 8. 相比于人类主观判断，决策树推理具有__________、规范化、可复刻的特点，但存在依赖数据、缺乏灵活变通的短板。 （二）单项选择题 1. 下列不属于决策树组成结构的是（） A. 根节点 B. 内部节点 C. 分支 D. 数据节点 2. 决策树中叶节点的作用是（） A. 启动判断流程 B. 提供中间判断条件 C. 输出最终决策结果 D. 筛选数据特征 3. 构建决策树时，选择根节点的核心依据是（） A. 特征名称简单 B. 特征区分度最高 C. 特征数量最多 D. 随机选择特征 4. 下列场景中，没有运用决策树智能推理思想的是（） A. 智能垃圾分类识别判断 B. 天气好坏简单预判 C. 随机抽奖摇号 D. 商品优劣筛选判断 5. 关于决策树的特点，下列说法错误的是（） A. 逻辑清晰、可视化程度高 B. 推理过程可追溯、可解释 C. 完全不受数据质量影响 D. 适合解决分层判断类问题 （三）判断题（对的打√，错的打×） 1. 决策树是无序的随机判断结构，没有固定的推理逻辑。（） 2. 智能推理本质是机器模拟人类分层判断、逐步筛选的思维过程。（） 3. 特征区分度越低，该特征越适合作为决策树的核心判断条件。（） 4. 所有的生活判断问题，都可以用决策树模型完美解决。（） 5. 决策树推理结果固定，不会出现主观偏差，但会受原始数据质量影响。（） （四）预习简答题 1. 结合生活经验，列举两个你见过的、运用分层判断逻辑的智能场景。 2. 简单说说你对“决策树”的初步理解，它和人类日常判断有什么区别？ 3. 预习后思考：为什么构建决策树时，需要优先选择区分度高的特征？ （五）预习疑问记录 请记录本节课预习过程中遇到的困惑、不懂的知识点，课堂重点探究： ________________________________________________________________ ________________________________________________________________ 第二部分 课中探究案 课堂探究目标：深度掌握决策树结构与构建流程，理解智能推理的运行原理，学会自主拆解生活问题、搭建决策树模型，辩证分析模型局限性，提升逻辑思维与AI应用能力。 探究任务一：情境感知，初识智能推理与决策树 【情境导入】生活中处处存在判断决策场景：超市自助收银识别商品、智能设备判断天气是否适宜出行、垃圾分类机器判断垃圾类别、校园智能门禁判断通行权限。这些智能设备无需人工干预，就能自主完成判断，核心依托的就是决策树与智能推理技术。 结合情境完成下列探究习题，深化基础认知。 1. 简答题：传统人工判断和人工智能决策树推理，在判断方式、判断标准、结果稳定性上有哪些不同？ 2. 填空题：智能推理的核心流程分为三步，依次是__________、__________、输出决策结果。 3. 辨析题：有人说“智能推理就是机器自动随机得出答案”，这个观点是否正确？请说明理由。 4. 拓展思考：为什么智能设备的判断结果比人工更稳定，但特殊场景下会出现判断失误？ 探究任务二：拆解结构，精通决策树组成要素 决策树是树形结构化的推理模型，每一个结构要素都有固定功能，共同完成分层推理。结合教材知识点，完成专项探究，精准掌握核心结构。 1. 连线题：将决策树结构与对应功能正确连线 根节点 承载最终判断结论，是推理的终点 内部节点 推理起始点，核心判断特征，区分度最高 分支 最终决策结果，无后续判断 叶节点 对应判断条件，承接分层筛选任务 2. 填空题 （1）决策树的推理方向是__________，从根节点出发，通过分支逐层判断，最终抵达叶节点。 （2）内部节点可以有多个__________，对应不同的判断结果，实现分层筛选。 （3）一棵完整的决策树，有且仅有一个__________，可以有多个内部节点和叶节点。 3. 分析题：观察“适宜出行判断”简易决策树，完成问题解答 判断逻辑：根节点（是否下雨）→分支1（下雨）→叶节点（不适宜出行）；分支2（不下雨）→内部节点（风力大小）→分支1（大风）→叶节点（不适宜出行）；分支2（无风/微风）→叶节点（适宜出行） （1）该决策树的根节点、内部节点分别是什么？ （2）该决策树共有几个叶节点？分别对应什么结果？ （3）简述该决策树的完整推理流程。 探究任务三：深挖原理，理解特征区分度与模型构建 特征选择是决策树构建的核心，特征区分度直接决定决策树的准确性和简洁性，是本节课的核心难点。结合实例探究，突破知识难点。 1. 概念简答题：什么是特征区分度？在决策树构建中，优先选择高区分度特征的原因是什么？ 2. 对比分析题：以“判断水果是否为西瓜”为例，可选特征有颜色、形状、口感、大小。请分析哪个特征区分度最高，适合作为根节点，并说明理由。 3. 排序题：完整的决策树构建步骤顺序正确的是？请写出正确排序序号 ①分层划分判断条件 ②确定决策目标 ③提取核心特征 ④形成完整决策树 ⑤筛选最优特征 4. 辨析题：构建决策树时，特征越多越好，这个说法是否正确？为什么？ 5. 实操探究题：结合“学生是否适合户外运动”场景，自主提取3个核心特征，筛选最优根节点特征，简单梳理分层判断逻辑。 探究任务四：实战建模，自主搭建简易决策树模型 结合课堂所学知识，结合真实生活场景，完成决策树搭建实操，将理论知识转化为实操能力，掌握智能推理的落地应用。 【实操场景】智能垃圾分类（可回收物简易判断） 判断标准：首先判断是否为废弃物；是废弃物→判断是否可循环利用；可循环利用→材质为纸、塑料、金属、玻璃→可回收物；不可循环利用→不可回收物；不是废弃物→无需分类。 根据场景标准，完成下列实操习题： 1. 请写出本次建模的决策目标。 2. 提取本次判断场景的所有核心特征。 3. 筛选出区分度最高的特征，作为决策树根节点，并说明理由。 4. 分层梳理判断分支与对应结果，写出完整的推理流程。 5. 尝试用文字结构，画出本次垃圾分类的简易决策树框架。 探究任务五：思辨提升，认知决策树局限性与人机协同 人工智能决策树推理具备高效、稳定、可复刻的优势，但并非万能，存在明显局限性。结合案例思辨探究，树立正确的AI应用观念，落实信息社会责任素养。 1. 案例分析题：某智能水果识别决策树，仅依据颜色、形状判断水果种类，遇到颜色、形状相似的水果（橙子和橘子）时，频繁判断失误。请分析该决策树出错的核心原因。 2. 简答题：结合本节课所学，总结决策树智能推理存在哪些局限性？ 3. 拓展思辨题：为什么说智能决策需要人机协同，不能完全依赖人工智能？结合生活实例说明。 4. 素养思考题：在使用AI决策工具辅助学习、生活判断时，我们应该秉持怎样的使用原则？ 探究任务六：课堂综合巩固练习 1. 多项选择题：下列属于决策树优势的有（） A. 逻辑直观、通俗易懂 B. 推理过程可追溯、可解释 C. 适配分层判断类问题 D. 完全不受数据影响，零误差 2. 填空题：智能推理的准确性主要取决于__________和__________两个核心因素。 3. 判断题：高区分度特征能够快速缩小判断范围，提升决策树推理效率与准确率。（） 4. 综合应用题：结合“智能判断书籍是否适合初中生阅读”场景，自主完成简易决策树的构建，写出特征选择、分层判断、最终结果的完整内容。 板书设计 第16课 决策树与智能推理 一、核心概念 1. 智能推理：机器模拟人类分层判断、数据驱动决策 2. 决策树：可视化分层推理AI模型（可解释智能） 二、决策树结构 根节点（起始、最优特征）→内部节点（中间判断）→分支（判断方向）→叶节点（最终结果） 三、核心关键：特征区分度（越高，决策越精准高效） 四、构建步骤：定目标→提特征→筛特征→分层判断→成模型 五、模型特点与局限 优势：直观、稳定、可追溯、可复刻 局限：依赖数据、特征单一易出错、无灵活变通能力 六、核心理念：人机协同、理性用智 参考答案 （一）课前预习案答案 1. 基础填空题 1. 智能推理 2. 分类、决策 3. 根节点、叶节点 4. 根节点、叶节点 5. 分层分支判断 6. 分类结果 7. 数据与规则 8. 标准化 2. 单项选择题 1.D 2.C 3.B 4.C 5.C 3. 判断题 1.× 2.√ 3.× 4.× 5.√ 4. 预习简答题（参考作答） （1）示例：智能垃圾分类判断、智能出行天气预判、电商智能商品推荐、校园智能考勤判断。 （2）参考：决策树是结构化、标准化的分层推理模型，依靠固定特征和规则判断；人类判断更灵活，可结合经验、情感、特殊场景变通，主观性更强。 （3）参考：高区分度特征能快速区分不同类别、缩小判断范围，减少判断层级，提升决策树推理的准确率和效率，让模型更简洁高效。 （二）课中探究案答案 探究任务一 参考答案 1. 参考：人工判断主观灵活，标准不统一，结果易受情绪、经验影响，稳定性差；决策树推理标准统一、流程固定、结果稳定，可批量复刻，但缺乏灵活变通能力。 2. 提取特征、分层判断 3. 错误。智能推理是依托固定数据、特征和规则，逐层严谨推理得出结果，并非随机判定，有完整、可追溯的逻辑流程。 4. 参考：智能推理依托固定规则和已有数据，常规场景判断稳定精准；但遇到特殊、罕见、超出数据范围的场景时，因无对应规则和数据支撑，会出现判断失误。 探究任务二 参考答案 1. 连线答案： 根节点——推理起始点，核心判断特征，区分度最高 内部节点——对应判断条件，承接分层筛选任务 分支——最终决策结果，无后续判断 叶节点——承载最终判断结论，是推理的终点 2. 填空题：（1）自上而下 （2）分支 （3）根节点 3. 分析题参考： （1）根节点：是否下雨；内部节点：风力大小。 （2）3个叶节点，分别是：下雨不适宜出行、大风不适宜出行、无风/微风适宜出行。 （3）推理流程：从根节点判断是否下雨，若下雨直接得出不适宜出行；若不下雨，进入内部节点判断风力大小，大风则不适宜出行，无风或微风则适宜出行。 探究任务三 参考答案 1. 参考：特征区分度是指某一特征对不同分类结果的区分、辨别能力。优先选择高区分度特征，可快速区分样本、缩小判断范围，简化决策树结构，提升推理准确率和效率。 2. 参考：形状区分度最高。西瓜的外形特征辨识度极高，和其他水果差异明显，而颜色、大小、口感均存在较多重叠，区分效果较差，因此形状最适合作为根节点。 3. 正确排序：②③⑤①④ 4. 错误。过多无效、低区分度的特征，会增加决策树判断层级，让模型变得繁琐复杂，降低推理效率，还可能干扰判断，降低准确率，并非特征越多越好。 5. 示例参考：核心特征：天气、风力、空气质量；最优根节点：天气（区分度最高，直接决定是否可户外运动）；判断逻辑：先判断天气（晴/雨），雨天不可外出，晴天再判断风力、空气质量，达标即可户外运动。 探究任务四 参考答案 1. 决策目标：判断废弃物是否为可回收物。 2. 核心特征：是否为废弃物、是否可循环利用、物品材质。 3. 根节点：是否为废弃物。理由：该特征区分度最高，可直接划分核心类别，从源头缩小判断范围，是所有判断的基础。 4. 推理流程：第一步判断是否为废弃物，不是则无需分类；是废弃物则第二步判断是否可循环利用，不可循环则为不可回收物；可循环则第三步判断材质，纸、塑料、金属、玻璃材质为可回收物，其余为不可回收物。 5. 决策树框架示例： 根节点：是否为废弃物 →否→叶节点：无需分类 →是→内部节点：是否可循环利用 →否→叶节点：不可回收物 →是→内部节点：材质是否为纸/塑料/金属/玻璃 →是→叶节点：可回收物 →否→叶节点：不可回收物 探究任务五 参考答案 1. 核心原因：选择的特征区分度不足，颜色、形状特征相似度高，无法精准区分橙子和橘子，特征选取单一、不合理，导致模型判断失误。 2. 局限性参考：过度依赖原始数据质量和特征选择；无法处理无规则、突发性、个性化场景；缺乏人类的常识、情感和变通能力；特征选取不当会大幅降低推理准确率。 3. 参考：人工智能仅能依托固定规则和已有数据推理，无法应对复杂、特殊、突发场景，存在判断盲区；人类可结合经验、常识、特殊场景灵活变通。例如智能导航可规划最优路线，但遇到突发修路、事故场景，需要人工判断调整，实现人机互补。 4. 素养原则：理性看待AI决策结果，不盲目盲从；主动辨别AI判断偏差；合理利用AI辅助决策，坚持人机协同；遵守规范，合法合规使用智能技术。 探究任务六 参考答案 1. ABC 2. 数据质量、特征选择（特征区分度） 3. √ 4. 综合应用题示例： 决策目标：判断书籍是否适合初中生阅读 核心特征：内容难度、主题适配、是否存在不良信息 根节点：内容难度（区分度最高） 决策树逻辑： 根节点：内容难度是否适配初中生 →不适配→叶节点：不适合阅读 →适配→内部节点：主题是否积极健康 →消极不良→叶节点：不适合阅读 →积极健康→内部节点：无不良信息 →是→叶节点：适合初中生阅读 →否→叶节点：不适合初中生阅读 ( 1 / 3 ) 目标领航 任务驱动 评价镶嵌 赢在课堂 学科网（北京）股份有限公司 学科网（北京）股份有限公司 $