智能技术驱动高中课堂革新——"大数据特征与价值"教学实例

第24届优秀教育论文评选“教师自身专业发展”组一等奖

陈文闻 上海市延安中学

《中国教育现代化2035》明确提出“加快信息化时代教育变革，建设智能化校园，开发智能教育助理，建立以学习者为中心的教育环境”。在此背景下，智能技术与课堂教学的深度融合已从“可选方案”转变为“必然趋势”[1]。信息技术学科作为培育学生数字化素养的核心阵地，其教学模式更需率先完成智能化转型。

当前，智能技术赋能课堂的研究多集中于智能题库、学情诊断等技术应用层面，而对“如何通过智能技术重构教学流程、深化思维能力培养”的系统性实践探索仍较为欠缺。生成式智能大模型（如文心一言、Deepseek等）凭借出色的对话交互、内容生成与逻辑推理能力，为搭建“认知理解—实践探索—思维进阶”的桥梁提供了新路径。

一、传统课堂教学的困境分析

“大数据的特征及其作用”是高中信息技术必修模块“数据与计算”的重点内容。通过课前调研与教学实践反思，传统课堂主要存在四方面问题：

1.情境抽象化，缺乏真实体验

传统教学多以教材中“互联网日志”“电商交易数据”等抽象案例讲解大数据应用，学生难以建立理论与实际的联系。在讲授大数据的特征、处理流程时，教师只能通过图文描述，学生无法直观感受数据采集、分析的动态过程，对“处理速度快”“数据类型多”等特征的理解停留在记忆层面。

2.数据处理“纸上谈兵”，实践环节缺失

大数据处理涉及采集、预处理、分析、应用四个环节，但传统课堂受技术条件限制，难以提供真实数据集与处理工具。学生对“数据预处理如何去除冗余”“数据分析如何支撑决策”等核心问题的理解仅依赖教师讲授，无法通过动手操作形成具体认知，计算思维培养流于形式。

3.探究过程同质化，个性化指导不足

课堂探究活动中，教师通常设计统一任务，无法兼顾不同认知水平学生需求。如分析“城市拥堵数据”时，基础薄弱学生难以明确数据维度，能力较强学生则因任务缺乏挑战性而积极性不足。同时，教师难以实时掌握每位学生进度，个性化指导覆盖有限。

4.评价反馈滞后，过程性评价缺失

传统课堂评价多以课后作业或课堂提问为主，反馈周期长、针对性弱。对于“大数据处理步骤排序”等探究性问题，教师难以快速统计作答情况并针对性讲解，导致评价与教学脱节，无法及时纠正认知偏差。

二、智能技术赋能课堂教学的理论基础与核心维度

（一）理论基础：从“以教为中心”转变为“以学为中心”

智能技术赋能课堂的理论支撑源于建构主义学习理论[2]与技术接受模型（TAM）[3]。建构主义强调学习者通过主动探究、情境互动构建知识体系，智能技术可通过分析学习者认知特点与行为，动态调整教学内容与探究难度，提供“个性化学习支架”；技术接受模型指出，技术的“感知有用性”与“感知易用性”是应用效果的关键，要求智能技术工具与教学目标匹配、操作便捷。

在大数据教学中，上述理论体现为：借助智能技术将“数据规模”“价值密度”等抽象概念转化为可感知情境与可操作任务，让学生在交互中自主建构理解，而非被动接受灌输。

（二）核心维度：智能技术赋能课堂的四大作用领域

结合信息技术学科特点与教学实践需求，智能技术赋能课堂可划分为四个核心维度，各维度既相互独立又协同互补，共同构成智能化教学体系。

三、智能技术赋能的教学策略构建

基于上述实践，本节课形成“双驱引领、三维融合、四环闭环”的教学策略体系，确保智能技术与教学环节的深度耦合。

1.双驱引领：问题驱动与技术支撑协同

以“真实问题”为驱动，以“智能技术工具”为支撑，实现“问题—探究—技术—解决”的联动。例如围绕“如何利用大数据优化校园出行与食堂服务”这一核心问题，分解为“交通大数据的依据是什么”“食堂数据如何处理”等子问题，学生在解决问题的过程中自主调用生成式AI、数据可视化工具等技术，使技术成为问题解决的“脚手架”而非独立于教学的附加元素。

2.三维融合：知识、技能、素养一体化培养

通过智能技术工具应用，实现“知识理解—技能掌握—素养形成”三维目标融合。在“分析食堂数据集”任务中，学生既掌握“大数据预处理步骤”（知识）、学会使用可视化工具（技能），又在提出优化建议时形成数据思维（信息意识）与问题解决能力（计算思维），实现从“知识本位”向“素养本位”转变。

3.四环闭环：情境—探究—实践—反思的教学流程

构建“情境导入—探究学习—实践体验—反思拓展”的闭环教学流程，各环节均融入智能技术工具，包括情境导入：AI生成生活案例，激活已有经验；探究学习：生成式AI提供个性化指导，智能表单实现实时反馈；实践体验：数据处理平台支撑动手操作，培养实践能力；反思拓展：AI辅助对比分析，引导学生总结提升。

闭环设计确保教学环节层层递进，学生在“感知—理解—应用—反思”中深化对知识的掌握。

四、智能技术赋能课堂教学的反思与优化建议

（一）实践反思：智能技术应用中的优势与挑战

1. 核心优势

在认知层面，通过可视化工具、数据处理平台将抽象概念转化为可感知内容，降低认知负荷，突破认知局限。在学习主体方面，生成式大模型作为“探究伙伴”，让学生从“被动听讲”转为“主动提问、验证猜想”，增强学习主动性。在评价方面，词云分析、表单统计等工具实时收集学习数据，教师可及时调整教学策略，避免“满堂灌”。

2. 潜在挑战

部分学生过度依赖AI工具，缺乏对学科原理知识的深度思考。生成式大模型可能生成错误或有偏见内容，若学生缺乏批判意识，容易形成片面认知。部分自带AI辅助分析功能的专业工具操作门槛高，少数学生会出现“技术排斥”的表现。

（二）优化建议：构建“以人为本”的智能化教学模式

明确“工具为体，素养为魂”定位，平衡“技术应用”与“思维培养”，如数据预处理环节先让学生手动识别异常数据，再用AI提高效率，避免“重工具、轻思维”。

注重培养学生批判性思维，课前引导思考“AI内容是否可靠”；课中设计“AI结论循证”任务，如探索高德交通大数据平台页面中的数据，来佐证生成式AI对于大数据特征描述是否科学。

优化工具分层适配，根据学生能力提供“阶梯式”支持，基础薄弱学生用在线词云、AI表单等简单工具，能力较强学生尝试Python数据分析库等专业工具，通过“导学手册”、“小组互助”等方式降低“技术排斥”。

建立资源审核机制，需审核AI生成的案例、图片等资源，确保准确性与适用性，避免误导学生。

五、结论与展望

在大数据教学中，生成式大模型、智能数据分析工具不仅让抽象概念可感知、可操作，更助力学生培养信息意识、计算思维与批判性思维，为数字化人才培养提供有效路径。