《信息技术》教案

第9-10学时

一、基本信息

二、教学分析

（一）教材分析

本任务为《信息技术》课程的项目五模块三“模型训练理论与数据处理”，延续第1-8学时（已完成Python 3.12和PyCharm安装、数据类型操作、CodeBuddy编程实战、数据标注理论与工具、7种情绪数据标注实战）。第9学时聚焦机器学习基础理论与情绪检测模型原理，包括监督学习、卷积神经网络（CNN）及7种情绪（愤怒、厌恶、害怕、开心、伤心、惊讶、中性）分类需求（参考附件第8页“基于人工智能的老年人情绪检测系统”）；第10学时聚焦训练数据处理，基于第7-8学时标注的JSON数据集（2000条，灰度48x48），进行数据清洗、格式转换及划分训练/测试集，为第11-14学时TensorFlow CNN模型训练做准备。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》，要求掌握机器学习理论与数据处理技能以支持AI模型训练和养老服务智能化。

  • 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，聚焦数据处理与AI模型训练能力。

  • 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：学生能够理解机器学习理论，掌握训练数据处理方法，为7种情绪模型训练准备高质量数据集。
    

• 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》，包含机器学习基础理论、CNN模型原理及数据处理案例，支持PC、平板、手机访问。

  • 辅助资料：

    1. 超星学习通平台：提供机器学习理论与数据处理课程资源。

    2. 智慧职教MOOC学院：机器学习基础与数据处理视频教程。

    3. 课程PPT（本地存储，参考原链接：192.168.189.3:8182/d... ）。

（二）学情分析

• 知识基础：智管2441班学生已完成第1-8学时，熟悉Python 3.12、PyCharm环境、数据类型操作、CodeBuddy编程、LabelImg数据标注，掌握7种情绪（愤怒、厌恶、害怕、开心、伤心、惊讶、中性）图片标注与验证，具备初步编程与数据处理能力，但对机器学习理论（如监督学习、CNN）及训练数据处理（如清洗、划分）无基础。
  

• 认知能力：能够理解结构化理论知识并在指导下完成数据处理，但对机器学习概念及数据处理流程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（如情绪检测）兴趣浓厚，需通过实践获得成就感（参考讲课稿场景激发）。
  

• 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，需掌握机器学习理论与数据处理技能以支持AI模型训练。
  

• 整体情况与个体差异：班级49名学生，约50%学生能快速掌握理论与简单数据处理，30%学生需指导Python数据处理操作，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。

（三）教学目标

• 素质目标：

  • 通过7种情绪模型训练案例，深化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”（参考讲课稿总结展望）。

  • 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9学时：掌握机器学习基础理论（监督学习、CNN）及7种情绪分类模型原理。

  • 第10学时：掌握训练数据处理方法，包括数据清洗、格式转换及训练/测试集划分。
    

• 能力目标：

  • 第9学时：分析机器学习在养老AI中的应用，理解7种情绪分类模型需求。

  • 第10学时：使用Python处理7种情绪数据集，生成训练/测试集。

（四）教学重难点

• 教学重点：

  • 第9学时：理解机器学习基础理论及7种情绪分类的CNN模型原理。

    • 解决方法：通过养老情绪检测案例讲解，结合PPT展示与小组讨论，分析CNN在情绪分类中的应用，降低理论抽象性。

  • 第10学时：掌握训练数据处理流程（清洗、格式转换、划分）。

    • 解决方法：通过Python脚本演示数据处理流程，分组实践清洗与划分数据集，强化操作规范性。
      

• 教学难点：

  • 第9学时：理解CNN模型在7种情绪分类中的具体应用。

    • 突破办法：通过7种情绪案例（如“害怕”情绪分类），结合可视化图表与小组讨论，增强模型应用理解。

  • 第10学时：熟练使用Python处理复杂数据集（如JSON解析与清洗）。

    • 突破办法：通过分步演示JSON解析与数据清洗，分组实践与反馈解决脚本调试问题。

（五）思政融入

• 思政元素：融入“医心铸魂”“科技服务社会”理念（参考讲课稿总结展望，《信息技术-教师4-15-16学时.pdf》第17页），强调机器学习与数据处理在提升养老服务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：将机器学习与7种情绪检测结合，讨论高质量数据如何改善老年人心理健康服务（附件第8页）。
  

• 融入方式：在导入环节分享7种情绪检测在养老AI中的案例（如精准识别“害怕”情绪优化心理干预），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。

（六）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、Markdown多端自适应教材《信息技术拓展项目五》辅助，体现“数字技术运用恰当”。

（七）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、LabelImg（参考第7-8学时）、联想电子教室、超星学习通平台资源、基于Markdown的多端自适应自编教材《信息技术拓展项目五》。

  • 情绪数据集（2000条，JSON格式，灰度格式，48x48像素，涵盖7种情绪：愤怒、厌恶、害怕、开心、伤心、惊讶、中性，参考本地存储，原始链接：192.168.189.3:8182/d... ）。

  • 课程PPT（本地存储，参考原链接：192.168.189.3:8182/d... ）。
    

• 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。

三、教学实施

第9学时（45分钟）

课前-探学阶段（5分钟）

课中-践学阶段实施（35分钟）

课后-拓学阶段（5分钟）

第10学时（45分钟）

课前-探学阶段（5分钟）

课中-践学阶段实施（35分钟）

课后-拓学阶段（5分钟）

四、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、数据处理准确率），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。

五、学习成效

• 学习效果：学生100%理解机器学习理论，90%以上学生能处理7种情绪数据集，生成训练/测试集，深入理解数据处理在养老AI中的作用。
  

• 亮点之处：

  • 课程思政融入案例生动（如7种情绪检测优化心理干预），激发学生学习动力，体现“医心铸魂”（参考讲课稿总结展望），符合评分指标“课程思政有机融入”。

  • 理实一体化教学通过理论讲解与Python实践提升技能，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”。

六、反思改进

• 反思问题：

  • 第9学时：约30%学生对CNN模型原理（如卷积层作用）理解不足，需更多案例。

  • 第10学时：少数学生因Python JSON解析与数据划分不熟练影响效率。
    

• 改进措施：

  • 第9学时：增加7种情绪分类案例讨论（如“开心”特征提取），强化理论理解。

  • 第10学时：在课前预习加入JSON解析与数据集划分练习，巩固操作技能。

七、课程总结

第9学时课程总结

教学内容: 本学时聚焦数据验证，通过场景激发、任务发布、数据验证方法讲解、数据质量检查实践和数据标注修正实践五个步骤，学生基于第7-8学时使用LabelImg标注的700张图片数据集（7种情绪：愤怒、厌恶、害怕、开心、伤心、惊讶、中性，灰度48x48像素，JSON格式，路径：\192.168.189.3\dataset）进行数据验证，检查标注准确性（如标签一致性、图片完整性）。教学结合智慧健康养老场景，介绍了数据验证在确保情绪检测模型质量中的作用，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700张图片数据集的加载与验证，90%以上学生成功检查标注质量，识别并记录了无效或错误标注（如标签缺失、图片损坏），提交验证报告（.txt，路径：D:\demo\validation_report.txt）至共享文件夹（\192.168.189.3\test）。课堂讨论活跃，学生对数据验证在养老AI中的应用（如“确保‘开心’情绪标签准确”）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“如何处理标签不一致？”）。小组协作高效，体现了团队合作精神。

存在问题: 约30%学生对数据验证流程（如检查标签一致性）不熟练，少数学生因JSON文件格式错误或图片加载失败影响进度，调试效率需提升。

改进措施: 1) 增加数据验证案例练习（如检查50张图片的标签）；2) 在课前预习加入JSON格式错误调试练习；3) 提供更多情绪数据验证案例，强化操作熟练度。

第10学时课程总结

教学内容: 本学时聚焦初步数据处理，通过场景激发、任务发布、数据处理方法讲解、数据清洗实践和数据格式转换实践五个步骤，学生基于第9学时验证后的700张图片数据集进行初步处理，包括清洗（如去除无效图片、归一化像素值）和格式转换（如JSON转.npy），生成处理后的数据集（路径：D:\demo\data）。教学结合养老场景案例（如“清洗‘伤心’情绪数据提升模型训练效果”），融入“医心铸魂”与《数据安全法》意识，强调数据处理对养老服务的价值。

学习成果: 90%以上学生成功完成数据清洗与格式转换，生成.npy数据集文件并提交至共享文件夹（\192.168.189.3\test）。课堂讨论深入，学生对数据处理在养老AI中的作用（如“归一化提升‘害怕’情绪检测精准性”）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“如何优化归一化过程？”）。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（如像素归一化公式）不熟练或格式转换错误（如.npy文件保存失败）影响效率，约20%学生对数据处理流程的理解较浅。

改进措施: 1) 增加数据清洗案例练习（如归一化100张图片）；2) 在课前预习加入格式转换错误调试练习；3) 提供更多养老场景数据处理案例，强化流程理解与操作能力。