5.2 探秘人工智能 教学设计2026-2027学年高一上学期信息技术必修1教科版

5.2 探秘人工智能 教学设计 教材版本：教科版（2019）高中信息技术必修1《数据与计算》 课时安排：1课时（45分钟） 授课对象：高一年级 一、教材与学情分析 （一）教材分析 本节是第五单元“数据分析与人工智能”的核心内容，也是整册教材的收束之笔。前面四个单元学生依次学习了数据编码、算法描述、程序实现和数据分析，本节将这些内容汇聚到一个具体的技术领域——人工智能。教材围绕三个问题层层递进：人工智能是什么（概念与领域）、人工智能怎么工作（以阿尔法围棋为案例的关键技术）、人工智能带来什么（社会影响与伦理讨论）。 教材中“阿尔法围棋”的案例是本节的重头戏，它不只是作为一个“酷炫的故事”存在，而是承载着“机器如何从数据中学习”这一核心概念的教学功能。如果只让学生看一段阿尔法围棋战胜李世石的视频就结束，学生记住的只是“机器赢了人”这个结果，而错过了背后“启发式搜索+神经网络+强化学习”的技术逻辑。因此本节课需要把阿尔法围棋这个案例“拆开”，让学生看到里面的关键机制。 （二）学情分析 学生对人工智能的认知呈现“三多三少”的特点：听说过的多，真正理解的少；接触过的多，能说清原理的少；对“AI能做什么”感兴趣的多，对“AI为什么能做到”思考的少。 具体来说，学生普遍存在的问题有：把“人工智能”等同于“机器人”，认为只有长得像人的机器才算AI；把AI的能力神秘化，觉得“机器自己就会了”，不知道背后需要海量数据和反复训练；对AI伦理的讨论容易走极端，要么觉得“技术没有好坏”，要么觉得“AI迟早会失控”。 因此本节课的教学重点是让学生建立“数据驱动”的基本认知，教学难点是理解“机器从数据中归纳规律”这一核心逻辑，并在此基础上形成对AI能力的合理判断。 二、教学目标（基于学科核心素养） 1. 信息意识 能够从日常使用的App和工具中识别出人工智能技术的存在，并能举出至少三个不同类型的应用实例；对“AI无所不能”和“AI很危险”两种极端说法保持审慎态度，形成“先了解原理再下判断”的意识。 2. 计算思维 能够用自己的语言解释机器学习的核心思想：从大量数据中归纳规律，而不是由人逐条编写规则；能用“数据→训练→模型→预测”的框架分析简单AI应用的运作逻辑；理解“数据质量决定模型效果”这一基本判断。 3. 数字化学习与创新 能够使用图形化工具完成一个简单的机器学习体验任务，并能够用文字或截图记录操作过程和关键现象；在小组协作中能用数字化方式（如共享文档、截图标注）呈现和分享自己的发现。 4. 信息社会责任 通过分析AI应用中的偏见、隐私、信息茧房等案例，能够从“技术可行性”和“社会合理性”两个维度审视同一个AI应用；初步形成“算法的设计和应用涉及价值选择，需要人来承担责任”的判断意识。 三、教学重难点 重点：人工智能的基本概念和应用领域；机器学习“从数据中归纳规律”的核心思想。 难点：理解“机器为什么能从数据中学会规律”——即训练数据、模型与预测之间的关系。学生容易把“训练”理解为“人把知识输入给机器”，而不是“机器从大量样本中自己总结出规律”。进一步地，理解“数据的偏差会传导到模型，最终影响预测结果的公平性”。 突破策略：先让学生通过动手体验“教机器认东西”来感受“训练”到底在发生什么，再用阿尔法围棋案例来印证和拓展这一认知。概念不是先讲后做，而是先做后悟、再做后讲。 四、教学方法与资源 主要方法：任务驱动法、体验探究法、案例讨论法。 辅助方法：对比法（用于“数据质量影响模型效果”的讨论）、讲授法（用于概念提炼和阿尔法围棋原理解析）。 教学资源：多媒体课件、学习任务单（纸质）、机房电脑（每组一台，可访问Teachable Machine在线平台）、阿尔法围棋原理示意图（课件展示）、“AI伦理案例卡片”（每组一张）。 五、教学过程 环节一：导入——“AI就在你身边”（5分钟） 教师活动 学生活动 设计意图 在屏幕上依次展示三样东西：①一张手机相册自动分类的截图（人物、风景、美食）；②一张导航App显示“预计28分钟到达”的截图；③一张输入法打“今天天”后弹出“气”“空”等候选词的截图。提问：“这三样东西，哪些用了人工智能？哪些可能只是普通的自动化程序？说说你的判断依据。” 观察截图，思考并发言。可能会出现分歧：有学生认为“导航算路线不算AI”，有学生认为“输入法联想不算AI只是词库匹配”。 从学生每天接触的场景切入，降低“AI离我很远”的错觉。制造分歧，让学生意识到“凭感觉判断”不够，需要理解背后的机制才能做出准确判断。 追问：“要回答‘这算不算AI’，我们得先弄清楚——AI到底‘智能’在哪里？它和我们写的普通程序有什么不一样？” 带着问题进入下一环节。 将“判断应用”的问题转化为“理解本质”的问题，自然过渡到核心概念。 环节二：体验——“教机器认东西”（15分钟） 第一步：教师演示（3分钟） 教师活动 学生活动 设计意图 打开Teachable Machine平台，选择“图像项目”。现场演示：用摄像头采集“剪刀”和“石头”两类手势样本，每类采集15张，点击“训练模型”，然后用摄像头实时测试。演示时边操作边说明：“我现在做的三件事是——给样本、点训练、做测试。” 观察演示，记录操作步骤。 让学生先看一遍完整流程，降低自己操作时的技术门槛。 提问：“刚才这三步里，你觉得哪一步决定了机器‘能不能学会’？为什么？” 初步回答。有学生说“训练最关键”，有学生说“给样本最关键”。 不急于给答案，让学生带着自己的判断进入动手环节，在操作中验证。 第二步：分组操作（9分钟） 教师活动 学生活动 设计意图 任务一：教机器认手势——每组选择两个手势（如“石头”和“布”），完成训练和测试。要求：①每类采集至少20张样本；②注意在采集时变换角度和距离；③训练后实时测试，记录机器识别错误的情况（截图或文字描述）。 分组操作。有的组采集很快、角度单一；有的组采集时变换了角度和距离。 让学生亲历“数据采集→模型训练→预测测试”的完整过程。采集方式的差异是后续对比讨论的素材。 巡视各组，帮助解决技术问题（摄像头权限、页面加载等），但不代替学生判断“为什么识别不准”。 遇到问题时先组内讨论，解决不了再求助教师。 技术问题可以帮忙，认知问题要留给学生。 第三步：对比讨论（3分钟） 教师活动 学生活动 设计意图 请一组“识别准”和一组“识别不准”的小组分别展示。提问：“同样都是训练，为什么结果差这么多？你们觉得差别在哪里？” 对比两组的数据采集方式，发现：准确率高的小组采集了不同角度和距离的样本；准确率低的小组可能只在一个角度采集。 让对比“说话”，学生自己发现的结论比教师告知的印象更深。 追问：“如果我想让机器区分‘猫’和‘狗’，但只给它看白猫和黑狗，然后拿一只黑猫去测试，会怎样？为什么？” 回答：机器可能把黑猫认成狗，因为它没见过黑猫。 将“数据偏差导致模型偏差”从手势任务迁移到更直观的猫狗场景，为后续伦理讨论埋伏笔。 环节三：概念建构——“机器到底学到了什么”（8分钟） 教师活动 学生活动 设计意图 回到体验活动，提问：“你给机器看了20张‘石头’的照片，机器有没有‘记住’这20张照片？” 思考后回答：应该没有“记住”照片本身，而是学到了某种“特征”或“规律”。 引出机器学习的核心：机器学的不是“例子”，而是“规律”。 结合学生回答，归纳：机器学习的本质是从大量样本中归纳出特征规律，然后用这个规律去判断新样本。板书“数据→特征提取→模型→预测”流程。 记录核心流程，理解“训练”的本质是“找规律”，不是“人把知识告诉机器”。 把体验中的感受“命名”为学科概念。不展开技术细节，高一阶段只需要建立“数据驱动”的基本认知。 过渡：“我们刚才用20张图片教机器认手势。如果把这个思路放大到围棋——用海量棋谱和无数次自我对弈来训练一个模型——那就是阿尔法围棋在做的事。” 倾听，将体验活动与教材中的阿尔法围棋案例建立联系。 用学生已经历过的体验来“锚定”阿尔法围棋的原理，避免案例变成孤立的故事。 阿尔法围棋原理解析（配合课件示意图） ： 教师用简化的方式讲解三个关键机制： 启发式搜索：围棋的可能走法比宇宙中的原子还多，机器不可能穷举所有走法，所以它需要“猜哪些走法值得深入算”——这就是启发式搜索。 神经网络：机器用大量棋谱训练出一个“棋感”模型，看到一个局面就能快速判断“这个局面对我有利还是不利”。 强化学习：阿尔法围棋不仅学人类棋谱，还自己和自己下了几百万盘棋，在胜负反馈中不断调整策略。 “这三个机制合在一起，让阿尔法围棋从‘看不懂围棋’变成了‘下得比人好’。但请注意——它没有‘理解’围棋的美感，也没有‘享受’下棋的乐趣，它做的事情本质上和我们刚才教机器认手势是一样的：从数据中找规律。” 环节四：辨析——“机器学到的，都是对的吗”（10分钟） 教师活动 学生活动 设计意图 任务二：案例辨析——每组发放一张案例卡片，讨论三个问题：①这个AI学到了什么规律？②这个规律有没有问题？③问题出在数据、算法还是使用方式上？ 案例A：某公司用AI筛选简历，系统学习了过去5年的招聘数据后发现“录用的程序员中男性占85%”，于是自动降低女性应聘者的评分。 案例B：某短视频平台的推荐算法发现，用户连续看了几条极端观点视频后，继续推荐同类内容能增加停留时长，于是大量推送同类视频。 案例C：某学校用人脸识别系统考勤，系统能准确识别学生，但家长质疑“孩子的面部数据被保存在哪里、谁有权查看、毕业后数据是否删除”。 小组讨论，分析案例。案例A：AI学到的“规律”实际上是历史数据中的性别偏见。案例B：算法只优化“停留时长”，不考虑信息多样性。案例C：技术本身没问题，但数据的收集、存储和使用规则不透明。 三个案例分别对应“偏见”“信息茧房”“隐私”，是高中阶段可以理解且与学生生活相关的伦理议题。讨论的目的不是让学生“批判AI”，而是让他们看到：技术问题和社会问题经常纠缠在一起。 组织汇报。每组用2分钟汇报，其他组补充。追问：“如果你是设计这个AI系统的人，你会怎么改？” 汇报并尝试提出改进方案。如：在训练数据中消除历史偏见、在推荐中加入多样性约束、明确数据使用和删除规则。 不只停留在“批判”，还要让学生尝试“改进”。把“发现问题”转化为“设计解决方案”，是计算思维在伦理情境中的体现。 简短总结：“AI不是中立的——它学到的规律来自我们给它的数据，而数据里藏着人类社会的偏见、习惯和价值选择。设计和使用AI的人，需要对这些偏差保持警觉。” 记录关键判断。 信息社会责任的落点不是“AI很危险”，而是“使用AI的人需要负责任”。 环节五：总结与延伸（7分钟） 教师活动 学生活动 设计意图 请学生用“我以前觉得……现在我觉得……”的句式，说一说今天这节课对AI的理解发生了什么变化。 自由发言。示例：“我以前觉得AI就是机器人，现在我觉得它更像一个从数据里找规律的学习者。”“我以前觉得AI很神秘，现在我觉得它的核心逻辑其实不复杂，难的是数据和算力。” 用“变化”来检验学习效果，比“总结知识点”更能反映学生的真实理解。 布置课后任务：找一个你生活中使用AI的场景，写下三句话：①这个AI在做什么？②它可能从什么数据中学习？③如果数据有问题，可能出什么错？下节课交流。 记录任务。 将“数据→训练→偏差”的分析框架迁移到学生自己的真实生活中，巩固计算思维。 六、板书设计 5.2 探秘人工智能 一、机器学习：从数据中找规律 数据 → 特征提取 → 模型 → 预测 二、阿尔法围棋的三个关键词 启发式搜索 —— 不穷举，猜哪些值得算 神经网络 —— 从棋谱中练出“棋感” 强化学习 —— 自己跟自己下，从胜负中调整 三、关键追问 机器学到的规律，都是对的吗？ 数据有偏差 → 模型有偏差 → 结果可能不公平 四、我们的判断（学生板书区） [各组案例辨析的关键词记录] 学科网（北京）股份有限公司 $