《信息技术》教案

第13-14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》课程的项目五模块四任务一“TensorFlow CNN模型训练与优化”，延续第1-12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、训练数据处理、初步模型训练）。第13学时基于《PPT1(教师1).pdf》第7-10页，聚焦使用TensorFlow训练CNN模型（包含3个卷积层、池化层、Dropout层和全连接层，附件第9页），识别7种情绪（愤怒、厌恶、害怕、开心、伤心、惊讶、中性），使用2000张预处理数据集（灰度48x48像素，参考第11-12学时）；第14学时聚焦模型优化（超参数调整、过拟合处理），生成高精度7种情绪检测模型，为第15-16学时的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》，要求掌握模型训练与优化技能以支持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，聚焦模型训练与优化能力。

  • 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：学生能够使用TensorFlow训练与优化CNN模型，生成高精度7种情绪检测模型。
    

• 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TensorFlow CNN训练与优化案例，支持PC、平板、手机访问。

  • 辅助资料：

    1. 超星学习通平台：提供模型训练与优化课程资源。

    2. 智慧职教MOOC学院：TensorFlow训练与优化视频教程。

    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1-12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、数据预处理与初步模型训练，掌握7种情绪（愤怒、厌恶、害怕、开心、伤心、惊讶、中性）数据集处理与初步CNN模型训练，具备编程与模型训练基础，但对深度训练（如多epochs训练）与模型优化（如超参数调整、过拟合处理）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模型训练，但对深度训练与优化技术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，附件《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，需掌握深度模型训练与优化技能以支持AI模型开发。
  

• 整体情况与个体差异：班级49名学生，约50%学生能快速掌握模型训练与简单优化，30%学生需指导TensorFlow代码调试，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种情绪模型训练与优化案例，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，附件《PPT1(教师1).pdf》第13页）。

  • Through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13学时：掌握TensorFlow CNN模型深度训练方法（3个卷积层、池化层、Dropout层、全连接层，附件第9页）。

  • 第14学时：掌握模型优化技术（超参数调整、过拟合处理）。
    

• 能力目标：

  • 第13学时：使用TensorFlow深度训练CNN模型，生成7种情绪检测模型。

  • 第14学时：优化CNN模型性能，生成高精度7种情绪检测模型。

（四）教学重难点

• 教学重点（附件《PPT1(教师1).pdf》第6页）：

  • 第13学时：掌握TensorFlow CNN模型深度训练方法（3个卷积层、池化层、Dropout层、全连接层）。

    • 解决方法：通过TensorFlow脚本演示模型构建与深度训练（附件第9页），分组实践训练2000张图片数据集，强化模型结构与参数设置。

  • 第14学时：掌握模型优化技术（超参数调整、过拟合处理）。

    • 解决方法：通过TensorFlow脚本演示超参数调整与Dropout优化，分组实践优化模型，生成高精度模型文件。
      

• 教学难点（附件《PPT1(教师1).pdf》第6页）：

  • 第13学时：排除训练脚本错误（如数据形状不匹配）。

    • 突破办法：通过分步调试TensorFlow脚本，结合错误日志分析与小组讨论，解决常见训练错误。

  • 第14学时：熟练优化模型，解决过拟合问题。

    • 突破办法：通过演示Dropout与超参数调整效果，分组实践与反馈解决过拟合问题，分析损失曲线。

（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，附件《PPT1(教师1).pdf》第13页），强调模型训练与优化在提升养老服务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：将模型训练与优化结合，讨论高精度模型如何改善老年人心理健康服务（附件第8页，《PPT1(教师1).pdf》第5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，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。

（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... ）。

  • 预训练模型（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13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14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TensorFlow深度训练，90%以上学生能优化CNN模型，生成高精度7种情绪检测模型，深入理解模型训练与优化在养老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，附件《PPT1(教师1).pdf》第5页），激发学生学习动力，体现“医心铸魂”（附件《PPT1(教师1).pdf》第13页），符合评分指标“课程思政有机融入”。

  • 理实一体化教学通过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13学时：约30%学生对训练脚本错误调试（如数据形状不匹配）不熟练，需更多实践（附件《PPT1(教师1).pdf》第6页）。

  • 第14学时：少数学生因超参数与Dropout调试（如学习率过高）影响优化效率。
    

• 改进措施：

  • 第13学时：增加脚本错误调试案例练习（如处理3种常见错误），强化TensorFlow操作。

  • 第14学时：在课前预习加入超参数与Dropout调试练习，巩固优化技能。

七、课程总结

第13学时课程总结

教学内容: 本学时聚焦TensorFlow CNN模型训练，通过场景激发、任务发布、训练概述、加载数据集和训练实践五个步骤，学生基于第11-12学时的预处理数据集（700张图片，7种情绪：愤怒、厌恶、害怕、开心、伤心、惊讶、中性，灰度48x48像素）与初步模型，使用TensorFlow训练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）。教学结合智慧健康养老场景，介绍了模型训练在提升情绪检测精准性中的作用，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，90%以上学生成功训练CNN模型（epochs=10，batch_size=16），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）。课堂讨论活跃，学生对模型训练在养老AI中的应用（如“提升‘开心’情绪检测精准性”）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“如何选择合适的epochs值？”）。小组协作高效，体现了团队合作与工匠精神。

存在问题: 约30%学生对训练参数（如epochs、batch_size）设置不熟练，少数学生因数据形状不匹配（如ValueError: Input shape mismatch）等脚本错误影响训练进度，调试效率需提升。

改进措施: 1) 增加训练参数设置案例练习（如调整epochs=8或12）；2) 在课前预习加入常见错误（如数据形状不匹配）的调试练习；3) 提供更多情绪数据案例（如分析100张图片），强化训练操作熟练度。

第14学时课程总结

教学内容: 本学时聚焦TensorFlow CNN模型优化，通过场景激发、任务发布、优化方法讲解、超参数调整实践和Dropout优化实践五个步骤，学生基于第13学时模型（D:\demo\model.h5）优化性能（调整学习率、batch_size，添加Dropout层以防过拟合），生成高精度7种情绪检测模型。教学结合养老场景案例（如“优化‘伤心’情绪检测”），融入“医心铸魂”与《数据安全法》意识，强调模型优化对养老服务的价值。

学习成果: 90%以上学生成功优化模型，生成高精度.h5模型文件（D:\demo\optimized_model.h5）与优化后的损失/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，学生对超参数调整（如学习率0.001）与Dropout防过拟合的作用理解较好，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“Dropout比例如何选择？”）。小组互评显示协作效率高，学生展现了职业责任感与社会责任感。

存在问题: 少数学生因学习率设置过高（如损失震荡）或Dropout比例不当影响优化效果，约20%学生对损失曲线分析能力较弱，需更多实践。

改进措施: 1) 增加超参数与Dropout调试案例练习（如尝试学习率0.0005或Dropout=0.3）；2) 在课前预习加入损失曲线分析练习；3) 提供更多养老场景优化案例（如优化“害怕”情绪检测），强化模型性能分析能力。