《信息技术》教案

第15-16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二“模型应用（检测视频中的情绪和报告）与评价”，延续第1-14学时（已完成Python 3.12和PyCharm安装、数据类型操作、CodeBuddy编程、LabelImg数据标注、机器学习理论、训练数据处理、TensorFlow CNN模型训练与优化）。第15学时基于《信息技术-教师4-15-16学时.pdf》第13页，使用优化后的TensorFlow CNN模型（D:\demo\final_model.h5）通过PyCharm和CodeBuddy分析视频帧情绪，生成7种情绪（愤怒、厌恶、害怕、开心、伤心、惊讶、中性）分析报告；第16学时聚焦模型性能评价，通过准确率、混淆矩阵分析模型效果并提出优化建议，结合智慧健康养老场景。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》，要求掌握视频情绪分析、报告生成及模型评价技能以支持养老服务智能化。

  • 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AI模型应用与评价能力。

  • 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PyCharm和CodeBuddy分析视频帧情绪，生成7种情绪分析报告，并通过准确率、混淆矩阵评价模型性能，提出优化方案。
    

• 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》，包含视频帧情绪分析、CodeBuddy编程案例、情绪分析报告生成及模型评价指南，支持PC、平板、手机访问。

  • 辅助资料：

    1. 超星学习通平台：提供视频情绪分析、报告生成及模型评价课程资源。

    2. 智慧职教MOOC学院：视频帧处理、CodeBuddy使用及模型评价视频教程。

    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1-14学时，熟悉Python 3.12、PyCharm环境、数据类型操作、CodeBuddy辅助编程、LabelImg标注7种情绪（愤怒、厌恶、害怕、开心、伤心、惊讶、中性）、数据验证、机器学习理论、训练数据处理及TensorFlow CNN模型训练与优化，具备编程、数据处理及模型训练能力，但对视频帧处理（如按帧拆分、情绪识别）、报告生成及模型评价（准确率、混淆矩阵）缺乏实践经验。
  

• 认知能力：能够理解结构化任务指令并完成模型训练与优化，但对视频帧处理、CodeBuddy操作及模型评价需通过实践强化。
  

• 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《信息技术-教师4-15-16学时.pdf》第13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，需掌握视频情绪分析、报告生成及模型评价技能以支持AI模型应用。
  

• 整体情况与个体差异：班级49名学生，约50%学生能快速掌握编程任务，30%学生需指导视频处理与CodeBuddy操作，20%学生实践能力较弱；学生对养老场景应用理解较好，但视频处理与评价技术需强化。

（三）教学目标

• 素质目标：

  • 通过7种情绪视频分析与模型评价案例，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《信息技术-教师4-15-16学时.pdf》第17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15学时：掌握视频帧处理与情绪识别方法，利用CodeBuddy辅助编程。

  • 第16学时：掌握模型评价指标（准确率、混淆矩阵）及优化策略。
    

• 能力目标：

  • 第15学时：使用PyCharm和CodeBuddy分析视频帧，生成7种情绪分析报告。

  • 第16学时：使用Python分析模型性能（准确率、混淆矩阵），提出优化方案。

（四）教学重难点

• 教学重点：

  • 第15学时：使用PyCharm和CodeBuddy通过EVCam（IVCam）分析视频帧情绪，生成7种情绪分析报告。

    • 解决方法：通过养老视频情绪分析案例，结合EVCam配置、CodeBuddy演示与Python实践，分组分析样例视频，强化报告生成流程。

  • 第16学时：分析TensorFlow CNN模型性能（准确率、混淆矩阵）并提出优化策略。

    • 解决方法：通过Python脚本演示准确率与混淆矩阵生成，分组实践分析模型性能，提出养老AI优化建议。
      

• 教学难点：

  • 第15学时：实现EVCam视频帧拆分与7种情绪的准确识别，处理编程报错（如环境配置、依赖缺失）。

    • 突破办法：通过分步演示EVCam配置与CodeBuddy调试，结合错误日志分析与小组讨论，解决常见编程错误。

  • 第16学时：理解混淆矩阵与模型优化方法，分析7种情绪分类性能。

    • 突破办法：通过示例混淆矩阵可视化与小组讨论，结合养老AI案例分析，指导学生生成结构化报告。

（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《信息技术-教师4-15-16学时.pdf》第17页），强调7种情绪分析报告与模型评价在提升养老服务质量中的作用，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：将视频情绪分析与模型评价结合，讨论高质量报告如何改善老年人心理健康服务。
  

• 融入方式：在导入环节分享7种情绪分析报告在养老AI应用中的案例（如识别“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CodeBuddy交互式编程、EVCam（IVCam）视频帧捕获、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、EVCam（IVCam）软件（本地存储，原始链接：192.168.189.3:8182/d... )、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》。

  • 优化模型（本地存储，原始链接：192.168.189.3:8182/d... ).

  • Haar级联文件（haarcascade_frontalface_default.xml，本地存储）。

  • 样例视频文件（本地存储，含老年人面部表情，MP4格式，5秒与10秒版本，适配7种情绪检测）。

  • 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）、EVCam虚拟摄像头及稳定网络（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15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16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、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。

五、学习成效

• 学习效果：学生100%完成EVCam视频帧情绪分析与模型评价，90%以上学生能使用CodeBuddy生成7种情绪分析报告并通过混淆矩阵分析模型性能，深入理解情绪分析与评价在养老AI中的作用。
  

• 亮点之处：

  • 课程思政融入案例生动（如7种情绪报告优化心理干预），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CodeBuddy与Python实践提升技能，符合“强技育人”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15学时：约30%学生对EVCam视频帧处理与CodeBuddy编程不熟练，需更多调试实践。

  • 第16学时：少数学生因混淆矩阵分析（如“愤怒”与“厌恶”误分）或优化建议不深入影响效率。
    

• 改进措施：

  • 第15学时：增加EVCam视频帧处理案例练习（如分析5秒视频），强化CodeBuddy调试技能。

  • 第16学时：在课前预习加入混淆矩阵案例分析，优化评价与建议流程。

七、课程总结

第15学时课程总结

教学内容：本学时聚焦模型应用，通过场景激发、EVCam配置、视频帧情绪分析和报告生成四个步骤，学生使用PyCharm和CodeBuddy分析EVCam（IVCam）捕获的5秒样例视频，生成7种情绪（愤怒、厌恶、害怕、开心、伤心、惊讶、中性）分析报告。教学结合智慧健康养老场景，介绍了视频情绪分析在优化心理干预中的作用，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EVCam配置，90%以上学生成功使用CodeBuddy生成视频帧分析代码，提交了7种情绪分析日志（.txt）与报告（.docx），包括情绪分布图。课堂讨论活跃，学生对情绪分析在养老AI中的应用（如“识别‘害怕’情绪”）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“帧提取失败如何调试”）。小组协作高效，体现了团队合作精神。

存在问题：约30%学生对EVCam配置与CodeBuddy编程不熟练，少数学生因视频帧提取或OpenCV依赖问题影响效率。

改进措施：1) 增加EVCam配置与视频帧处理案例练习（如分析5秒视频）；2) 在课前预习加入CodeBuddy调试练习；3) 提供常见错误（如OpenCV依赖缺失）的解决指南，强化调试能力。

第16学时课程总结

教学内容：本学时聚焦模型评价，通过场景激发、任务发布、模型评价指标讲解、准确率分析和混淆矩阵与优化建议实践五个步骤，学生使用Python分析TensorFlow CNN模型性能（准确率、混淆矩阵），生成性能评价报告并提出优化建议。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，强调模型评价对养老服务的价值。

学习成果：90%以上学生成功生成混淆矩阵与准确率分析文件（.txt与.png），提交了性能评价报告（.docx），提出合理优化建议（如“增加‘害怕’数据”）。课堂讨论深入，学生对混淆矩阵在识别“愤怒”与“厌恶”误分中的作用理解较好，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“混淆矩阵解读”）。小组互评显示协作效率高，学生展现了工匠精神与社会责任感。

存在问题：少数学生因混淆矩阵分析不深入或优化建议缺乏针对性影响报告质量，约20%学生对复杂误分类（如“愤怒”与“厌恶”）分析能力较弱。

改进措施：1) 增加混淆矩阵案例分析练习（如分析3种情绪误分类）；2) 在课前预习加入优化建议撰写指导；3) 提供更多养老场景案例，强化误分类分析与建议深度。