《信息技术》教案

第5-6学时

1. 基本信息

2. 教学分析

2.1 教材分析

本任务为《信息技术》课程的项目五模块二任务一“数据标注理论与数据采集（清洗）”，延续第1-4学时（Python 3.12和PyCharm安装、数据类型操作、控制结构、函数、CodeBuddy对话式编程）。第5学时聚焦数据标注理论（分类标注、边界框标注）与数据采集方法（如收集情绪数据样本），为情绪检测模型提供高质量数据；第6学时聚焦数据 cleaning实践（如去除无效数据、归一化），使用700条情绪数据（7种情绪：愤怒、厌恶、害怕、开心、伤心、惊讶、中性，JSON格式），生成清洗后数据集，为第7-8学时的数据验证与处理和第13-14学时的模型训练奠定基础。内容对接智慧健康养老行业需求，体现职业教育“岗课赛证”综合育人理念，注重理实一体化，与专业特色高度契合。

• 参考标准:

  • 岗位标准: 参照《智慧健康养老服务与管理职业技能标准》，要求掌握数据标注与清洗技能以支持AI模型开发和养老服务智能化。

  • 教学标准: 依据《职业教育专业教学标准（2025年修订）》智慧健康养老管理专业要求，聚焦数据标注与数据采集能力。

  • 赛事标准: 符合2025年贵州省职业院校技能大赛教学能力比赛评分指标（附件2-1-5），包括教学理念先进、教学设计科学、课程思政融入、教学评价有效、教学内容科学严谨等。

  • 能力标准: 学生能够掌握数据标注理论与数据采集方法，使用Python完成情绪数据清洗，生成高质量数据集。
    

• 参考教材:

  • 选用教材: 《信息技术基础与人工智能应用》，胡伏湘，肖玉朝主编，高等教育出版社，2024年，ISBN: 978-7-040-63169-2。

  • 自编教材: 基于Markdown的多端自适应自编教材《信息技术拓展》项目五模块二任务一“数据标注理论与数据采集（清洗）”章节，包含数据标注理论、数据采集与清洗方法及养老情绪数据案例，支持PC、平板、手机访问。

  • 辅助资料:

    1. 超星学习通平台：提供数据标注理论与数据清洗课程资源。

    2. B站：数据标注理论与数据清洗视频教程（搜索关键词“情绪数据标注与清洗”）。

    3. 课程PPT（通过教师分发）。

2.2 学情分析

• 知识基础: 智管2441班学生已完成第1-4学时，熟悉Python 3.12、PyCharm环境、数据类型操作、控制结构、函数定义和腾讯云CodeBuddy对话式编程，具备基础编程能力，但对数据标注理论（如分类标注、边界框标注）、数据采集和清洗方法无经验，需从零开始学习。
  

• 认知能力: 能够理解结构化任务指令并在指导下完成编程任务，但对数据标注与清洗概念需通过案例与实践强化。
  

• 学习特点: 偏好与养老专业相关的任务驱动学习，对智慧健康养老领域的AI应用（如7种情绪检测）兴趣浓厚，需通过实践获得成就感（参考《PPT1(教师1).pdf》第3页）。
  

• 专业特性: 智慧健康养老管理专业学生，职业目标为养老服务管理与智能化技术应用，需掌握数据标注与清洗技能以支持AI模型开发。
  

• 整体情况与个体差异: 班级49名学生，约50%学生能快速掌握新概念与编程实践，30%学生需指导数据清洗操作，20%学生实践能力较弱；学生对养老场景应用理解较好，但技术操作需强化。

2.3 教学目标

• 素质目标:

  • 通过7种情绪数据标注与清洗案例，培养学生关爱老年群体的社会责任感和科技向善的职业道德，体现“医心铸魂”（参考《信息技术-教师4-15-16学时.pdf》第17页）。

  • 通过小组协作，增强团队合作与沟通能力，弘扬工匠精神和养老服务精神。
    

• 知识目标:

  • 第5学时: 掌握数据标注理论（分类标注、边界框标注）与数据采集方法。

  • 第6学时: 掌握数据清洗方法（如去除无效数据、归一化）。
    

• 能力目标:

  • 第5学时: 理解数据标注与采集在情绪检测模型中的作用，分析案例。

  • 第6学时: 使用Python完成50条情绪数据的清洗，生成清洗后数据集。

2.4 教学重难点

• 教学重点:

  • 第5学时: 掌握数据标注理论（分类标注、边界框标注）与数据采集方法。

    • 解决方法: 通过养老情绪数据案例讲解，结合数据采集演示与分组讨论，强化理论与方法理解。

  • 第6学时: 使用Python完成情绪数据清洗，生成清洗后数据集。

    • 解决方法: 通过Python清洗脚本演示，分组实践清洗50条数据，生成JSON文件，强化清洗技能。
      

• 教学难点:

  • 第5学时: 理解数据标注的精度要求与数据采集的多样性需求。

    • 突破办法: 通过情绪数据案例分析，结合小组讨论与案例对比，增强理论应用理解。

  • 第6学时: 熟练处理数据清洗中的异常（如缺失值、格式错误）。

    • 突破办法: 通过分步演示清洗脚本与错误处理，结合小组实践与反馈，解决清洗问题。

2.5 思政融入

• 思政元素: 融入“医心铸魂”“科技服务社会”理念（参考《信息技术-教师4-15-16学时.pdf》第17页，附件《PPT1(教师1).pdf》第13页），强调数据标注与清洗在提升养老服务AI模型准确性中的作用，培养学生职业道德与社会责任感，符合评分指标“课程思政系统设计，有机融入”.
  

• 知识链接: 将数据标注与清洗结合，讨论高质量数据如何改善老年人情绪检测（如清洗“害怕”情绪数据优化心理干预，附件《PPT1(教师1).pdf》第5页）。
  

• 融入方式: 在导入环节分享7种情绪数据在养老AI中的案例（附件《PPT1(教师1).pdf》第3页），课堂讨论融入AI伦理与《数据安全法》（讲课稿总结展望），引导学生思考技术的人文关怀。

2.6 教学方法与手段

• 教学方法: 项目驱动教学、演示教学、小组合作、任务式教学（参考讲课稿五段式流程），符合评分指标“教学策略有效、教学组织有序”.
  

• 教学手段: Python交互式编程、联想电子教室多媒体演示、超星学习通平台实时反馈、B站视频教程、Markdown多端自适应教材《信息技术拓展》辅助，体现“数字技术运用恰当”.

2.7 教学资源及场景

• 资源:

  • 配备网络的计算机（80台）、Python 3.12安装包、PyCharm社区版2024.2、联想电子教室、超星学习通平台资源、B站视频资源（搜索关键词“情绪数据标注与清洗”）、基于Markdown的多端自适应自编教材《信息技术拓展》项目五模块二任务一“数据标注理论与数据采集（清洗）”章节。

  • 情绪数据集（700条，JSON格式，涵盖7种情绪：愤怒、厌恶、害怕、开心、伤心、惊讶、中性，通过教师分发）。

  • 课程PPT（通过教师分发）。
    

• 场景: 学校计算机实训室，配备80台工作站、联想电子教室（含智能交互白板及投影设备）及稳定网络（WiFi信号：630或630_5G，密码：12345687），满足理实一体化教学需求.

3. 教学实施

第5学时（45分钟）

3.1 课前-探学阶段（课外完成，不计入45分钟）

3.2 课中-践学阶段实施（45分钟）

3.3 课后-拓学阶段（课外完成，不计入45分钟）

第6学时（45分钟）

3.4 课前-探学阶段（课外完成，不计入45分钟）

3.5 课中-践学阶段实施（45分钟）

3.6 课后-拓学阶段（课外完成，不计入45分钟）

4. 教学评价

• 评价说明: 评价结合过程性与结果性，注重学生参与度与实践能力，融入超星学习通平台数据分析（如学习时长、任务完成率、报告质量），符合《深化新时代教育评价改革总体方案》（附件“教学评价要求.docx”）要求，确保科学性与客观性。评分比例与评分指标（附件2-1-5）“教学评价科学合理”高度契合。

5. 学习成效

• 学习效果: 学生100%掌握数据标注与采集理论，90%以上学生能使用Python完成情绪数据清洗，生成清洗后JSON文件，深入理解数据处理在“基于人工智能的老年人情绪检测模型开发”中的作用，为后续学时奠定基础。
  

• 亮点之处:

  • 课程思政融入案例生动（如情绪数据清洗优化心理干预，《PPT1(教师1).pdf》第5页），激发学生学习动力，体现“医心铸魂”（《信息技术-教师4-15-16学时.pdf》第17页），符合评分指标“课程思政有机融入”.

  • 理实一体化教学通过Python清洗实践任务提升技能，符合“德技并修”要求。

  • 小组互评与超星学习通平台反馈促进深度学习，满足评分指标“学生学习效果突出”。

6. 反思改进

• 反思问题:

  • 第5学时: 约30%学生对数据标注理论（如边界框标注精度）与采集多样性理解不深，需更多案例。

  • 第6学时: 少数学生因数据清洗操作（如处理缺失值）不熟练或JSON格式验证能力较弱影响效率。
    

• 改进措施:

  • 第5学时: 增加数据标注与采集案例练习（如分析20条情绪数据的标注与采集要求）。

  • 第6学时: 增加数据清洗与验证案例练习（如清洗50条数据并验证），强化操作熟练度。

7. 课程总结

第5学时课程总结

教学内容: 本学时聚焦数据标注理论与数据采集，通过场景激发、任务发布、数据标注理论讲解、数据采集方法介绍和案例分析五个步骤，学生学习了数据标注与采集在“基于人工智能的老年人情绪检测模型开发”中的重要性，了解了分类标注、边界框标注及数据采集方法（如收集情绪数据样本）。教学结合智慧健康养老场景，介绍了数据标注与采集对提升7种情绪（愤怒、厌恶、害怕、开心、伤心、惊讶、中性）检测模型质量的作用，融入“医心铸魂”理念，强调技术对养老服务的贡献。

学习成果: 49名学生全部完成数据标注与采集理论学习，90%以上学生通过案例分析掌握了标注与采集方法，提交了理论笔记（.txt，路径：D:\demo\notes\theory.txt）至共享文件夹（通过教师分发）。课堂讨论活跃，学生对数据标注与采集在养老AI中的应用（如“准确采集‘开心’情绪数据”）表现出浓厚兴趣，超星学习通平台数据显示85%学生完成预习任务，问题清单质量较高（如“如何确保数据采集多样性？”）。小组协作高效，体现了团队合作精神。

存在问题: 约30%学生对数据标注理论（如边界框标注的精度要求）与采集多样性理解不深，少数学生对数据采集流程不熟悉，影响后续实践准备。

改进措施: 1 增加数据标注与采集案例练习（如分析20条情绪数据的标注与采集要求）；2 在课前预习加入B站数据采集流程视频（搜索“情绪数据标注与清洗”）；3 提供更多情绪数据案例，强化理论理解。

第6学时课程总结

教学内容: 本学时聚焦数据清洗实践，通过场景激发、任务发布、数据清洗方法讲解、清洗实践和清洗结果验证五个步骤，学生基于700条情绪数据（7种情绪，JSON格式，通过教师分发）使用Python完成50条数据的清洗（去除无效数据、归一化），生成清洗后JSON文件。教学结合养老场景案例（如“清洗‘伤心’情绪数据”），融入“医心铸魂”与《数据安全法》意识，强调数据清洗对养老服务的价值。

学习成果: 90%以上学生成功完成50条数据清洗，生成清洗后JSON文件（路径：D:\demo\cleaned_data.json）并提交至共享文件夹（通过教师分发）。课堂讨论深入，学生对清洗在提升“害怕”情绪检测精准性中的作用理解较好，超星学习通平台数据显示88%学生完成预习选择题，问题清单针对性强（如“如何处理缺失情绪标签？”）。小组互评显示协作效率高，学生展现了职业责任感与工匠精神。

存在问题: 少数学生因数据清洗操作（如处理缺失值）不熟练或JSON格式验证能力较弱影响效率，约20%学生对清洗结果分析能力较弱。

改进措施: 1 增加数据清洗案例练习（如清洗50条数据并验证）；2 在课前预习加入B站JSON格式验证指导视频（搜索“情绪数据标注与清洗”）；3 提供更多养老场景清洗案例，强化操作熟练度。