第12课：《算法就在身边：AI的双面镜》

【学习目标】

• 了解反向传播、协同过滤、K-MEANS三种常见AI算法

• 认识AI算法的“双面性”及伦理问题

• 掌握应对算法风险（如信息茧房）的基本方法

【情境导入】

走进高铁站，刷身份证看一眼摄像头，闸口自动打开；打开短视频App，推荐的全是你爱看的内容；网上购物，系统总能推荐你想要的商品……这些便捷体验背后，都是AI算法在默默工作。算法让生活更高效，但如果完全依赖算法，也可能带来麻烦——App只推送你感兴趣的内容，让你看不到更广阔的世界；AI帮你写作文，却让你的创造力慢慢退化。算法就像一面双面镜，一面照出便利，一面映出风险。让我们一起来认识身边的AI算法！

【知识大揭秘】

我们学过的AI算法可以分成三大类，它们各有特点和应用场景：

第一种：反向传播算法——AI的“学习引擎”。反向传播是深度学习的核心算法，它让AI能从错误中学习。当AI做出错误判断时，反向传播算法会把错误信息“反向”传回网络的每一层，逐层调整参数，让下一次判断更准确。就像你做错题后，老师帮你分析错误原因，你下次就不会再犯同样的错。应用场景：人脸识别、语音识别、自动驾驶等。风险：如果训练数据有偏见，AI也会“学偏”——比如只见过某种肤色的人脸，就可能识别不出其他肤色的人脸。

第二种：协同过滤算法——AI的“推荐管家”。协同过滤的逻辑是：和你兴趣相似的人喜欢的东西，你可能也会喜欢。比如你看了三部科幻电影，系统发现其他也喜欢这三部电影的人还喜欢《星际穿越》，就会把它推荐给你。应用场景：短视频推荐、商品推荐、音乐推荐等。风险：容易形成“信息茧房”——你只看到算法认为你喜欢的内容，接触不到不同的观点和信息，思维越来越狭窄。

第三种：K-MEANS聚类算法——AI的“分类助手”。我们上节课学过的K-MEANS，能自动把相似的数据分到一组。应用场景：用户分群、图像分割、文本分类等。风险：分组结果可能强化刻板印象——比如把用户按消费能力分组后，对不同组提供不同质量的服务。

面对算法风险，我们可以：主动搜索不同观点的内容（打破信息茧房）、不盲目相信AI推荐（保持独立思考）、了解算法的基本原理（知己知彼）、遇到问题及时反馈（帮助改进算法）。

【生活案例】小明的“信息茧房”实验
小明发现他的短视频App只推荐游戏和搞笑视频。他决定做个实验：连续一周主动搜索科学实验、历史故事、艺术欣赏等不同类型的内容。一周后，他的推荐页面变得丰富多了！这说明：算法是根据你的行为来推荐的，如果你主动拓展兴趣，算法也会跟着改变。不要让算法决定你看什么，要自己做信息的主人！

【AI看图学】

【动手玩一玩】

任务：检测你的“信息茧房”

步骤：
1. 打开你常用的短视频或新闻App
2. 记录首页推荐的10条内容，分类统计（如娱乐、科技、体育、历史等）
3. 连续3天主动搜索与你平时不同类型的内容（如你平时看娱乐，就搜索科普）
4. 第4天再记录首页推荐的10条内容，对比变化
5. 写下你的发现和感受

预期结果：主动搜索不同内容后，推荐页面会变得更加多样化。这说明我们可以通过改变自己的行为来影响算法推荐，打破信息茧房。

【思考与延伸】

如果所有人都只看AI推荐的内容，我们的社会会变成什么样？作为小学生，你觉得应该怎样做到既享受算法的便利，又不被算法“控制”？