第 3章数据处理与应用3.2数据采集与整理 -高中教学同步《信息技术-数据与计算》(说课稿）（人民教育出版社）.docx

第3章数据处理与应用3.2数据采集与整理-高中教学同步《信息技术-数据与计算》(说课稿）（人民教育出版社）

授课内容

授课时数

授课班级

授课人数

授课地点

授课时间

设计意图

本节课《数据处理与应用3.2数据采集与整理》旨在让学生掌握数据采集的基本方法和技巧，学会对收集到的数据进行有效的整理和分析，为后续的数据处理和应用打下坚实基础。结合高中生的认知水平，本节课将围绕《信息技术-数据与计算》课本内容，通过实例讲解、实践操作等方式，让学生在实践中掌握数据采集与整理的方法，培养他们的信息素养和解决问题的能力。

核心素养目标

培养学生信息意识，使其能够主动关注生活中的数据信息，理解数据的重要性和价值；提高学生的数据分析和处理能力，使其能够运用所学知识对数据进行分析、整理和呈现；增强学生的信息社会责任感，使其在数据采集和应用过程中遵循法律法规，尊重数据隐私。

教学难点与重点

1.教学重点

①掌握数据采集的基本方法，包括网络爬虫、问卷调查、传感器采集等。

②学习数据整理的步骤，包括数据清洗、数据排序、数据分类等。

2.教学难点

①理解并运用适当的数据清洗技巧，如缺失值处理、异常值检测与处理。

②熟练使用电子表格软件或数据库软件进行数据整理，包括数据导入、数据转换、数据关联等操作。

教学资源

1.软硬件资源：计算机、投影仪、电子白板、网络连接。

2.课程平台：学校内部教学管理系统、在线课程平台。

3.信息化资源：电子版教材、数据采集与整理相关软件（如Excel、SPSS等）。

4.教学手段：案例教学、小组讨论、互动式教学、任务驱动法。

教学过程设计

1.导入新课（5分钟）

目标：引起学生对数据采集与整理的兴趣，激发其探索欲望。

过程：

-开场提问：“你们在生活中是否经常遇到需要处理数据的情况？数据采集与整理在这个过程中有什么作用？”

-展示一些现实生活中的数据采集与整理的实例，如天气预报数据、市场调研数据等，让学生初步感受数据采集与整理的重要性。

-简短介绍数据采集与整理的基本概念和重要性，为接下来的学习打下基础。

2.数据采集与整理基础知识讲解（10分钟）

目标：让学生了解数据采集与整理的基本概念、组成部分和原理。

过程：

-讲解数据采集的定义，包括数据来源、采集方法和采集工具。

-详细介绍数据整理的步骤，如数据清洗、数据排序、数据分类等。

-使用图表或示意图帮助学生理解数据采集与整理的流程。

3.数据采集与整理案例分析（20分钟）

目标：通过具体案例，让学生深入了解数据采集与整理的特性和重要性。

过程：

-选择几个典型的数据采集与整理案例进行分析，如网络数据采集、问卷调查数据整理等。

-详细介绍每个案例的背景、特点和意义，让学生全面了解数据采集与整理的多样性或复杂性。

-引导学生思考这些案例对实际生活或学习的影响，以及如何应用数据采集与整理方法解决实际问题。

-小组讨论：让学生分组讨论数据采集与整理的未来发展趋势或改进方向，并提出创新性的想法或建议。

4.学生小组讨论（10分钟）

目标：培养学生的合作能力和解决问题的能力。

过程：

-将学生分成若干小组，每组选择一个与数据采集与整理相关的实际情境进行深入讨论。

-小组内讨论该情境下的数据采集与整理方法、可能遇到的问题以及解决方案。

-每组选出一名代表，准备向全班展示讨论成果。

5.课堂展示与点评（15分钟）

目标：锻炼学生的表达能力，同时加深全班对数据采集与整理的认识和理解。

过程：

-各组代表依次上台展示讨论成果，包括情境分析、数据采集与整理方法及解决方案。

-其他学生和教师对展示内容进行提问和点评，促进互动交流。

-教师总结各组的亮点和不足，并提出进一步的建议和改进方向。

6.课堂小结（5分钟）

目标：回顾本节课的主要内容，强调数据采集与整理的重要性和意义。

过程：

-简要回顾本节课的学习内容，包括数据采集与整理的基本概念、组成部分、案例分析等。

-强调数据采集与整理在现实生活或学习中的价值和作用，鼓励学生进一步探索和应用数据采集与整理方法。

-布置课后作业：让学生撰写一篇关于数据采集与整理的短文或报告，以巩固学习效果。

教学资源拓展

1.拓展资源

-数据采集工具：介绍常用的数据采集工具，如网络爬虫软件（如Scrapy、BeautifulSoup）、问卷调查平台（如问卷星、金数据）、传感器数据采集设备等。

-数据整理软件：介绍常见的数据整理软件，如MicrosoftExcel、SPSS、Python数据分析库（如Pandas、NumPy）等。

-数据分析与可视化工具：介绍数据分析与可视化工具，如Tableau、PowerBI、Python可视化库（如Matplotlib、Seaborn）等。