《信息技术》教案

第11-12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任务三“训练数据处理与模型训练”，延续第1-10学时（已完成Python 3.12和PyCharm安装、数据类型操作、CodeBuddy编程、数据标注理论与实战、机器学习理论与数据处理）。第11学时基于第7-8学时标注的JSON数据集（2000条，7种情绪：愤怒、厌恶、害怕、开心、伤心、惊讶、中性，灰度48x48像素），聚焦数据预处理（归一化、增强）与格式化（numpy数组）；第12学时聚焦使用TensorFlow 2.x实现CNN模型训练，生成初步模型，为第13-14学时模型优化与第15-16学时情绪分析报告做准备。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》，要求掌握数据预处理与模型训练技能以支持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：学生能够预处理7种情绪数据集，使用TensorFlow训练CNN模型，生成初步情绪检测模型。
    

• 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》，包含数据预处理、TensorFlow CNN模型训练案例，支持PC、平板、手机访问。

  • 辅助资料：

    1. 超星学习通平台：提供数据预处理与模型训练课程资源。

    2. 智慧职教MOOC学院：数据预处理与TensorFlow训练视频教程。

    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1-10学时，熟悉Python 3.12、PyCharm环境、数据类型操作、CodeBuddy编程、LabelImg数据标注、机器学习理论，掌握7种情绪（愤怒、厌恶、害怕、开心、伤心、惊讶、中性）数据标注与初步处理，具备编程与数据处理基础，但对数据预处理（如归一化、增强）与TensorFlow CNN训练无经验。
  

• 认知能力：能够理解结构化任务指令并在指导下完成数据处理，但对数据预处理技术与CNN模型训练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，需掌握数据预处理与模型训练技能以支持AI模型开发。
  

• 整体情况与个体差异：班级49名学生，约50%学生能快速掌握数据处理与简单模型训练，30%学生需指导Python与TensorFlow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11学时：掌握数据预处理方法（归一化、数据增强）及格式化（JSON转numpy）。

  • 第12学时：掌握TensorFlow CNN模型训练流程及7种情绪分类实现。
    

• 能力目标：

  • 第11学时：使用Python预处理7种情绪数据集，生成训练/测试集（numpy格式）。

  • 第12学时：使用TensorFlow训练CNN模型，生成初步7种情绪检测模型。

（四）教学重难点

• 教学重点：

  • 第11学时：掌握数据预处理方法（归一化、数据增强）与格式化（JSON转numpy）。

    • 解决方法：通过Python脚本演示数据预处理与格式化，分组实践处理200张图片数据集，强化操作规范性。

  • 第12学时：掌握TensorFlow CNN模型训练流程及7种情绪分类实现。

    • 解决方法：通过TensorFlow代码演示CNN模型构建与训练，分组实践训练模型，生成初步模型文件。
      

• 教学难点：

  • 第11学时：理解数据预处理对7种情绪分类模型性能的影响。

    • 突破办法：通过7种情绪案例（如“害怕”情绪增强），结合可视化数据处理结果与小组讨论，增强理解。

  • 第12学时：熟练使用TensorFlow构建与训练CNN模型。

    • 突破办法：通过分步演示TensorFlow代码（模型定义、编译、训练），分组实践与反馈解决代码调试问题。

（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），强调数据预处理与模型训练在提升养老服务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：将数据预处理与模型训练结合，讨论高质量模型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与TensorFlow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）、TensorFlow 2.x安装包、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11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12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、模型训练准确率），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%完成数据预处理与TensorFlow安装，90%以上学生能训练CNN模型，生成7种情绪检测模型，深入理解模型训练在养老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Python与TensorFlow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11学时：约30%学生对数据增强（如翻转操作）与格式化不熟练，需更多实践。

  • 第12学时：少数学生因TensorFlow调试（如数据形状错误）影响训练效率。
    

• 改进措施：

  • 第11学时：增加数据增强案例练习（如增强10张图片），强化Python操作。

  • 第12学时：在课前预习加入TensorFlow调试练习，巩固模型训练技能。

七、课程总结

第11学时课程总结

教学内容: 本学时聚焦数据预处理，通过场景激发、任务发布、数据预处理方法讲解、数据加载与清洗实践、数据分割实践五个步骤，学生基于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）进行数据加载、清洗（如去除无效图片、归一化像素值）和分割（80%训练集、20%测试集）。教学结合智慧健康养老场景，介绍了数据预处理在提升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清洗，90%以上学生成功分割训练与测试集，生成.npy文件（路径：D:\demo\data），并提交至共享文件夹（\192.168.189.3\test）。课堂讨论活跃，学生对数据预处理在养老AI中的应用（如“清洗‘开心’情绪数据提升模型准确性”）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“如何处理缺失标签数据？”）。小组协作高效，体现了团队合作精神。

存在问题: 约30%学生对数据清洗操作（如归一化像素值）不熟练，少数学生因JSON解析错误（如格式不匹配）影响进度，调试效率需提升。

改进措施: 1) 增加数据清洗案例练习（如处理50张图片的像素归一化）；2) 在课前预习加入JSON解析错误调试练习；3) 提供更多情绪数据预处理案例，强化操作熟练度。

第12学时课程总结

教学内容: 本学时聚焦TensorFlow CNN初步模型训练，通过场景激发、任务发布、模型构建讲解、初步训练实践、结果可视化实践五个步骤，学生基于第11学时预处理数据集（700张图片，7种情绪）构建并训练初步CNN模型（包含3个卷积层、池化层、Dropout层和全连接层，参考《PPT1(教师1).pdf》第9页），生成初步.h5模型文件（路径：D:\demo\model.h5）。教学结合养老场景案例（如“初步训练‘伤心’情绪检测模型”），融入“医心铸魂”与《数据安全法》意识，强调模型训练对养老服务的价值。

学习成果: 90%以上学生成功构建并训练初步CNN模型，生成.h5模型文件与损失/准确率曲线图，提交至共享文件夹（\192.168.189.3\test）。课堂讨论深入，学生对初步训练在养老AI中的作用（如“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“如何分析损失曲线？”）。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: 少数学生因模型参数设置（如卷积层滤波器数量）不熟练或训练中断（如内存溢出）影响效率，约20%学生对损失曲线解读能力较弱。

改进措施: 1) 增加模型参数设置案例练习（如调整滤波器32/64）；2) 在课前预习加入损失曲线解读练习；3) 提供更多养老场景初步训练案例，强化模型构建与分析能力。