摘要：隨著人工智能技術的快速發展，其在教育領域中的應用已成為推動教學創新的重要力量。本文以“校園植物智能識別與生態分布可視化”單元教學設計為例，從選題背景、目標設定、關鍵課時實施過程和總結展望四個方面，展示了如何有效地整合信息科技與生物學知識開展基于核心素養的人工智能+生物學的跨學科課程實踐。這一創新嘗試旨在培養學生的跨學科思維和問題解決能力，并為未來跨學科課程的設計與實施提供參考。關鍵詞：人工智能；生物學；跨學科；核心素養；課程設計在全球化和信息化時代背景下，人工智能教育已逐漸滲透到各個學段，融合到各個學科，應用于課堂的各個環節，深刻影響著教育領域。這一趨勢為我們提供了新的契機，即通過跨學科的方式，將人工智能教育與生物學課程結合起來，培養學生的核心素養與創新能力。在義務教育階段，跨學科概念的引入成為培養學生綜合素養與創新能力的關鍵路徑。其中，“系統與模型”作為重要的跨學科概念，不僅為信息科技與生物學課程提供了深入理解復雜現象和解決實際問題的新視角，還促進了兩門學科內容的深度融合。生物學課程通過構建生物模型研究生命體這一復雜系統，培養學生的生命觀念和科學思維。信息科技課程則強調對復雜系統的理解和構建模型，形式化、自動化、系統化地解決問題，以培養學生用計算思維解決問題的能力。基于課標要求[1][2]和學情分析，我們以跨學科核心素養培養為目標，從真實問題出發，引領學生開展人工智能+生物學單元主題學習，使他們在綜合運用不同學科知識和思維解決復雜問題的過程中成長。一、項目背景及單元教學整體思路（一）基于真實問題的單元學習主題本單元的學習主題源自學生社團提出的真實問題——校園植物智能識別和生態分布可視化呈現。明確待解決的問題后，學生首先通過兩類植物葉片的長寬信息，學習利用神經網絡將兩類植物葉片分類，理解分類所需的數據，理解神經網絡中激活函數、數據預處理、深度神經網絡的重要性；其次，根據小組任務確定需要采集的植物信息，如葉片、花朵、種子等圖片信息，對圖片數據進行清洗，去除無關數據以及冗余數據，確定圖片所屬類別標簽；再次，利用人工智能助手搭建神經網絡，訓練和優化模型，實現對校園植物的智能識別；最后，綜合各組識別結果，借助人工智能助手將結果以網頁的形式展示，各組根據自己創意增加交互效果，實現校園植物生態分布可視化。（二）指向核心素養的跨學科學習目標1.跨學科層面素養在構建智能識別系統和生態分布模型的過程中，深入理解“系統與模型”的跨學科核心概念；在真實問題驅動下，整合生物學和信息科技的知識與技能，培養跨學科思維與創新思維；積極擁抱并探索新技術，提出創造性的解決方案，以應對項目中的各種挑戰；體驗“系統與模型”概念在解決實際問題中的重要作用，根據實際需求不斷調整優化系統和模型，從而解決識別精度、生態分布預測等問題；在問題解決過程中逐步形成團隊合作意識和堅持不懈的探索精神。2.生物學核心素養能夠通過對校園植物的實地調查與智能識別，獲得對生物多樣性的直觀認識，初步形成生物界多樣性和統一性的生命觀念；在課堂及課后實踐活動中，尊重事實和證據，運用比較和分類、歸納和演繹、分析和綜合等思維方法認識事物，解決實際問題；在新技術賦能生物學研究過程中，能夠運用科學思維辯證地分析問題，提出見解，并具有一定的批判性思維。3.信息科技核心素養能夠意識到數據的重要性，根據學習主題分析數據需求，有效采集和處理數據，識別數據的來源并評估其可靠性，提升信息意識；利用計算思維解決問題，即明確界定問題，將問題進行形式化描述，抽象模型及設計算法，通過編寫程序自動化、系統化地解決問題，并遷移應用以解決學習和生活中的問題。（三）單元學習內容分析與單元教學整體規劃1.單元學習內容概述在常規進行“生物多樣性”內容教學時，教師通常會組織學生開展“校園植物種類調查及分布”活動。然而，這一過程往往會因學生缺乏足夠的植物分類知識，以及季節因素對識別植物特征性器官（如花、果實）的影響，導致學生對植物的識別與分類有困難。因此，本單元采用了“校園植物智能識別與生態分布可視化”這一跨學科項目驅動式的設計，通過融合生物學與信息科技知識，幫助學生利用人工智能技術構建植物分類模型和植物生態分布可視化，從而解決傳統教學中的識別與分類難題。本單元的學習內容對應信息科技課程標準模塊九“人工智能與智能社會”，以及生物學課程標準中的主題（二）“生物的多樣性”與主題（七）“生物學與社會·跨學科實踐”的教學內容。此外，為引導學生理解機器學習的原理，本單元還融入了生物學課標中主題（五）“人體生理與健康”中“神經系統”的相關知識。這將有助于學生理解生物神經網絡與機器神經網絡之間的相似性和差異性。2.單元教學整體規劃在單元教學的整體規劃中，學生需要理解并應用“系統與模型”的跨學科核心概念，即將校園植物系統視為一個復雜的系統，通過構建植物分類模型與分布模型來簡化和描述這一系統。植物智能識別系統也被視作一個復雜系統，學生需要明確系統目標和功能，理解智能識別系統的原理，建立有效模型并不斷迭代優化，以確保系統準確高效地運行。具體的項目推進思路如圖1所示。二、關鍵課時教學設計及分析（一）課時教學內容說明本節課為單元教學規劃中的第2課時：探索生物分類的機器學習之旅，即圍繞生物分類與機器學習應用展開。具體而言，學生首先通過活動學習生物分類的基本原則及其在科學研究中的重要性，探討傳統植物調查方法（如使用檢索表）與現代植物識別技術的優劣，為后續植物信息收集和機器學習模型構建奠定基礎。隨后，學生將深入了解機器學習中神經網絡模型的構建過程，特別是利用植物葉片形態數據，搭建從一個神經元的線性分類到用神經網絡實現非線性分類的模型，從而理解機器學習模型在生物分類中的核心作用，并通過迭代優化提升分類的準確性和效率。在此過程中，學生將面對數據誤差、算法不收斂等挑戰，從而培養問題解決能力和創新思維能力。（二）學情分析授課對象為八年級學生，他們已具備生物圈中多種生物的基本形態結構特征知識，對植物有一定的直觀認識，但缺乏分類學相關知識和技能，對植物具體種類的識別和分類存在困難。在信息科技方面，學生體驗過利用神經網絡進行圖像分類的流程，但對機器學習原理了解不足。學生能力參差不齊，部分學生在計算機操作、數據收集與處理、AI輔助代碼生成等方面較為生疏。然而，學生對新鮮事物充滿好奇，對實踐性學習活動尤為感興趣，渴望了解并掌握人工智能技術。（三）課時教學目標確立運用所學知識并通過比較和分類、歸納和演繹、分析和綜合等科學思維方法嘗試對植物進行分類，理解植物分類的基本原則及其在科學研究中的重要性。以葉片形態為例，根據學習主題分析數據需求、處理數據，提升信息意識。利用計算思維界定問題，將問題形式化描述，抽象出模型并設計算法，通過編寫程序自動化、系統化地解決問題。勇于嘗試新技術、新方法，既能辯證地分析問題，提出個人見解，又能在團隊分工合作過程中相互學習、支持和幫助，樹立合作意識。（四）課時教學過程展示環節一：界定問題——項目背景介紹與問題聚焦教師復述項目背景，展示成果構想圖及動態效果（如圖2），明確項目目標、意義及預期成果。教師引導學生分組討論上節課的疑問和待解決問題，匯總并聚焦本節課學習任務：生物的分類原則、機器學習原理和開展模擬訓練。本環節的設計旨在激發學生學習興趣，明確學習方向。環節二：分析問題1.生物分類原則與數據模型引入教師通過超市貨物分類實例引出植物分類問題，鼓勵學生思考并提出自己的分類方法。學生分組進行植物分類活動，并上臺展示分類過程和結果，教師點評并介紹生物分類學中的二歧分類法，引導學生總結植物分類原則（如圖3）。隨后，教師介紹傳統與現代植物分類方法，鼓勵學生思考如何運用現代技術優化傳統分類方法。最后，教師總結并引出機器學習在植物分類中的應用，并強調數據模型的重要性。本環節旨在引導學生運用科學思維嘗試進行植物分類，從而理解分類原則在數據收集中的重要作用，落實課時目標1。2.特征提取與數據分析教師引導學生發現便于描述葉片形態且便于獲取的數據，引出特征提取的概念。實際課堂上，教師直接給出了已經提取好的特征，即葉片長寬數據，并以測試數據的分類結果作為問題。教師通過可視化數據分布，引導學生發現此問題是線性分類問題（如圖4），并根據數據設計分類表達式y=w1×x1+w2×x2+b，只需用一個神經元即可完成。學生在實踐活動中模擬計算機運行調參過程，逐步調整權重參數，深入理解模型參數對系統分類結果的影響。值得一提的是，此過程的代碼也是由教師通過與人工智能助手對話由AI自動生成、教師微調而完成的。學生分組討論線性分類原理的應用，每組選代表分享想法，教師總結并引出非線性分類問題。本環節的設計旨在讓學生體會數據在機器學習中的重要性，理解特征提取的過程，落實課時目標2以及目標3。環節三：解決問題1.非線性分類問題與激活函數講解教師提出葉片形態的非線性分類問題，并通過實例展示非線性分類的復雜性，引導至神經網絡的構建。教師通過增加神經元個數及層次形成神經網絡，通過形式化表達式化簡，引導學生發現線性神經元網絡的弊端，類比生物學中神經元激活的條件，講解非線性激活函數的概念和必要性（如圖5）。學生分組討論激活函數在神經網絡中的作用，教師總結并鼓勵學生在后續實踐中嘗試不同的激活函數。數據預處理是神經網絡訓練的重要環節，其質量將直接影響模型的性能。課堂上進行了對照實驗，發現對照組由于采用非歸一化數據，導致神經網絡分類結果不收斂。教師進一步強調了數據預處理的重要性。設計本環節旨在引導學生思考非線性分類問題，理解神經網絡解決非線性問題的原理，落實課時目標2和目標3。2.AI輔助代碼生成與訓練過程教師介紹AI輔助代碼生成工具的使用方法，并通過實例展示如何搭建神經網絡并進行訓練。學生分組進行AI輔助代碼生成活動，每組選擇一種植物完成分類任務，使用AI輔助代碼生成工具搭建神經網絡并進行初步訓練。教師提供任務要求和提示詞，引導學生調整網絡結構、參數以提高分類準確率，并展示訓練過程中的變化（如圖6）。學生分組討論訓練過程中的問題和解決方案，教師點評并鼓勵學生在后續實踐中不斷優化模型。本環節的設計旨在讓學生掌握AI輔助代碼生成工具的使用方法，促進對神經網絡訓練過程的理解和掌握，提高實踐能力，落實課時目標3和目標4。環節四：遷移應用與總結交流教師介紹將本節課所學知識遷移到科技前沿及社會民生各個領域中的具體實例，并對本節課的學習內容進行總結回顧，梳理用計算思維解決問題的過程和方法：界定問題（提出問題）→模型形式化設計算法（分析問題）→算法自動化、系統化（解決問題）→舉一反三、螺旋上升（遷移應用）。學生分組分享自己的學習心得和體會，與同學交流學習經驗。教師總結并鼓勵學生在后續學習中繼續探索和實踐。本環節的設計旨在培養學生的遷移應用能力，促進對所學內容的理解和掌握，落實課時目標1和目標4。在整個課堂教學過程中，教師通過分組活動、討論分享、實踐操作等方式，不斷提高學生的參與度，激發學生的興趣和動力，促進學生對所學內容的理解和掌握，從而培養其創新思維和實踐能力。環節五：多元評價設計本節課學習效果評價從過程性評價、成果性評價和自我與同伴評價三個維度展開，具體評價內容見表1。三、課程特色分析與展望在本單元的教學過程中，我們圍繞真實問題展開學習活動，高度重視探索與實踐環節，充分彰顯了學生在學習過程中的主體地位。課程有以下特色。一是跨學科主題融合。本單元通過將人工智能與生物學知識進行深度融合，構建了一個跨學科的學習平臺。通過模擬植物分類與機器分類的活動，學生體驗了分類的過程，這種動手實踐的方式使得抽象的機器學習概念變得具體而生動，實現了學科間的有機結合。二是核心素養落實。本單元采用問題導向的教學方法，引導學生在提出問題、分析問題、解決問題以及再提出更復雜問題的迭代過程中，逐步學會如何將理論知識應用于實際問題解決中，不僅鍛煉了學生的批判性思維和創新能力，更有效地實現了核心素養的提升。三是AI輔助代碼生成。本單元利用AI工具降低編程門檻，鼓勵學生積極參與代碼開發，激發了學生對編程和人工智能技術的興趣，實現了“人人都是開發者”的教學目標。四是可視化過程與即時反饋。可視化工具展示模型訓練的過程和結果，極大地增強了學生的學習體驗。即時反饋也促進了學生的自我反思和自我提升，他們更深刻地理解了機器學習的復雜性和不確定性，從而更好地掌握了機器學習的核心概念。在教學實踐過程中，我們發現學生在實踐時往往需要經歷多次嘗試與錯誤，才能逐步掌握機器學習模型的構建與優化。雖然這一過程有助于培養學生的問題解決能力，但也暴露出學生在面對復雜問題時可能產生的挫敗感和迷茫情緒。因此，在未來的教學設計中，我們計劃加入更多的引導和支持，以幫助學生更好地應對挑戰，培養他們的韌性和持續學習的態度。同時，我們也將提供更多的成功案例和正面反饋，激勵學生在面對困難時堅持不懈的探索精神。此外，我們還意識到教學資源的配備與學生的實際需求之間存在一定差距。盡管我們提供了豐富的實踐活動和AI輔助工具，但在不同學生的學習背景和能力水平面前，這些資源表現出一定的適用性和有效性差異。因此，在未來的教學中，我們將更加精細化地設計課程，提供分層教學和個性化學習路徑，以滿足不同學生的需求。同時，我們也將加強教師培訓，提升教師對跨學