单元 H1 教师备课卡：机器学习系统——从数据到决策

📌 高中线属系统思维与价值观进阶内容。本卡为教学建议，欢迎一线教师在使用中反馈改进。

单元定位与教师备课背景

🎯 单元目标

1. 认知：用系统视角串起一个 AI 系统的全链路——数据 → 训练 → 评估 → 部署，而非只盯”模型”一点。
2. 技能：能读懂混淆矩阵与准确率 / 精确率 / 召回率，并据此判断一个系统”准不准、该不该上线”。
3. 思维 / 价值观：能识别训练数据偏差如何导致分组不公平，并对”上线与否”做有依据、负责任的决策。

💡 教师备课背景

• “准确率陷阱”是本单元的核心冲突：一个整体准确率高的系统，可能在”危险类”上召回率很低（漏报多）。高风险任务（诈骗、安全、医疗）必须盯召回率。
• 偏见从数据与标注来，不是模型”使坏”：线上 DataLab 的数据经过精心构造——B 组（方言/网络语）危险样本分数被系统性低估，固定阈值下漏报更多。这真实复现”训练数据没覆盖好 → 对某些人更不公平”。
• 评估指标都是当场真实计算：拖动阈值，混淆矩阵与三个指标实时重算，学生能直观看到”调高阈值 → 误报↓ 漏报↑“的权衡。

课时建议

• 线上导学（课前或课中）：约 20-25 分钟，走完 DataLab 三段。
• 线下项目（课中）：2-3 课时，分组端到端搭一个可评估的分类/预测系统。
• 线上复盘（课后）：约 15 分钟，提交”该不该上线”的决策与依据。

线上模块 · 课堂带法

模块①：数据与偏差审计

• 怎么带：让学生先”数一数”——按组、按标签统计训练数据覆盖度，预判模型会在哪组翻车。
• 小高潮：B 组危险样本分数偏低，预判它将被漏判更多。把”审计”前置，学生才会带着问题看后面的指标。

模块②：阈值 + 混淆矩阵 + 指标

• 怎么带：拖阈值，盯住 TP/FP/FN/TN 和召回率怎么变。引导追问：“为什么准确率不够？它把什么藏起来了？”
• 小高潮：阈值调高，误报少了，漏报却多了——一个数掩盖了真实的权衡。

模块③：分组公平 + 决策

• 怎么带：同一阈值，分别算 A、B 两组召回率，看差距。
• 小高潮：B 组召回率远低于 A 组 → 不公平的根源是数据，不是模型。引出”该不该上线”的真实决策。

线下项目 · 组织指引

项目：端到端搭一个可评估的 AI 系统

• 选题：每组选一个校园真实场景（垃圾分类、出勤/借还预测、可疑消息识别等）。
• 流程：采数据 → 标注 → 训练 → 用没见过的数据评估 → 写”该不该上线”的论证。
• 产出：系统说明 + 评估报告（含指标与分组检查）+ 上线与否的论证。
• 评分 rubric：① 数据是否覆盖多样情况并记录偏差；② 是否用了恰当指标（不止准确率）；③ 能否说清系统何时不可靠；④ 上线论证是否有数据与社会影响依据。

学生可能反应与引导建议

反应一：“准确率 95%，很厉害啊”

• 引导：回到模块②，让学生看高准确率下被漏掉的危险样本。追问：“如果这是诈骗识别，漏掉的那条会害到谁？“

反应二：“模型有偏见，是模型坏了”

• 引导：用模块①③把责任落回数据与标注。模型只是放大了训练数据里的不均衡——改进要从补数据、按组评估入手。

课堂评价指标

• 系统完整度：是否独立走完数据→训练→评估全链路。
• 指标解读：能否正确解读混淆矩阵与召回率（核心）。
• 公平与决策：能否指出一处分组不公平，并给出有依据的上线决策。

安全与注意事项

• 本单元线上互动不接入大模型 API，纯前端真实计算，断网可用。
• 线下若采集真人数据（照片、声音），务必匿名、获得同意、用完即删，借此渗透数据伦理。