COURSE 01
IB DP Computer Science SL 对齐型校本课程
编程基础
Y7–8 探索阶段 · Y9–10 衔接阶段
一条四年递进式学习路径：学生从可视化编程与数字/AI素养出发，逐步进入 Python、算法、数据库、网络、面向对象编程与机器学习，并在 Y10 完成一项面向真实用户的计算解决方案。
下载双语 Word 课程文件设计原则
- 以 IB 的概念理解、计算思维、探究、真实情境与反思为教学骨架，而不是提前刷 DP 试题。
- 每个编程单元同时培养算法表达、调试、测试、解释与学术诚信；AI 可以辅助学习，但不能替代学生理解。
- AI 内容从 Y7 的识别与质疑，递进到 Y10 的数据、模型、评估、公平性、隐私与可解释性。
- 学生通过小作品持续积累证据，Y10 以需求分析—设计—开发—测试—评价的完整周期收束。
培养目标
- 理解计算机系统、网络、数据、数据库和机器学习的核心概念。
- 能把问题分解为可执行步骤，设计、比较并改进算法。
- 能使用 Python 编写结构清晰、可测试、可解释的程序。
- 能负责任地使用生成式 AI：声明使用范围，验证输出，保护个人数据，识别偏差与幻觉。
- 能围绕真实用户构建计算解决方案并用证据评价其有效性。
章节与内容
数字世界与 AI 素养
- 硬件、软件、输入/处理/输出/存储
- AI 与普通自动化的区别
- 生成式 AI 的能力、幻觉、隐私与引用
AI 实践对同一问题比较搜索、规则程序与生成式 AI 的回答。
成果证据概念图＋AI 输出核查单
算法、事件与顺序
- 分解、模式识别、抽象
- 流程图与伪代码
- 事件驱动的可视化程序
AI 实践把 AI 给出的含糊步骤改写成精确算法。
成果证据交互故事或游戏
变量、选择与循环
- 数据类型与变量
- 布尔逻辑与分支
- 计数/条件循环与跟踪表
AI 实践利用反例检查 AI 生成的逻辑。
成果证据测验应用＋测试表
函数、调试与数据故事
- 函数与参数
- 语法/运行/逻辑错误
- 简单表格数据与可视化
AI 实践用提示词请求解释而非直接答案，并记录采纳/拒绝理由。
成果证据数据故事＋调试日志
机器如何学习
- 特征、标签与训练数据
- 分类器与混淆
- 数据代表性、偏差与公平
AI 实践训练一个小型分类器并用未见数据测试。
成果证据模型卡＋演示
从积木到 Python
- 输入输出、变量、运算
- if/for/while
- 函数、字符串、列表
AI 实践逐行解释 AI 建议的代码，学生必须能够脱离工具重建核心逻辑。
成果证据Python 迷你项目集
算法、搜索与排序
- 线性搜索与二分查找
- 简单排序
- 正确性、效率与边界条件
AI 实践让 AI 生成测试数据，再由学生判断覆盖是否充分。
成果证据算法比较实验
网络、安全与数据库
- 互联网、协议、客户端/服务器
- 身份认证、社会工程与密码安全
- 表、键、查询与基础 SQL
AI 实践分析聊天机器人为何不应接收密码或敏感学生数据。
成果证据安全审计＋小型数据库
数据到机器学习
- 清理、划分训练/测试数据
- 准确率与错误分析
- 相关不等于因果
AI 实践比较规则基线与分类模型，并说明选择。
成果证据机器学习实验报告
团队应用
- 用户故事与界面原型
- 结对编程、版本记录
- 测试、反馈与迭代
AI 实践提交提示词/输出/验证/修改的使用记录。
成果证据团队应用＋个人反思
Python 工程基础
- 模块化、作用域、文件与异常
- 断言、单元测试与调试器
- 代码风格与文档
AI 实践把 AI 生成代码视为未经审查的草稿。
成果证据命令行工具＋测试
算法与数据结构
- 列表、字典、栈与队列概念
- 搜索、排序与递归入门
- 操作次数与可扩展性
AI 实践用跟踪表验证算法，不以 AI 的自信语气作为证据。
成果证据算法实验册
面向对象编程
- 类、对象、属性、方法
- 封装、继承与组合
- UML 类图
AI 实践评审 AI 提出的类设计，删除不必要的抽象。
成果证据OOP 模拟项目
系统、网络与数据库
- 二进制、逻辑与系统组成
- 网络分层、协议与安全
- 关系模型、规范化入门与 SQL
AI 实践讨论云端 AI 请求经过的系统与数据路径。
成果证据网络说明书＋数据库应用
机器学习基础
- 监督/无监督学习
- 特征、基线、训练/验证/测试
- 准确率、精确率、召回率与局限
AI 实践建立可复现实验并记录数据来源。
成果证据模型评估报告
算法设计与程序质量
- 分解、抽象、模块接口
- 算法比较与边界测试
- 重构、可读性与维护
AI 实践对 AI 建议执行测试、静态检查和人工解释三重验证。
成果证据测试驱动项目
OOP 与数据建模
- 多类协作与 UML
- 数据库设计、连接与查询
- 数据完整性与访问控制
AI 实践设计最小数据收集方案，避免把个人信息交给外部模型。
成果证据数据驱动应用
机器学习与社会技术系统
- 模型选择、过拟合与指标
- 公平性、隐私、知识产权与环境成本
- 人机协作与可解释性
AI 实践完成数据卡/模型卡和风险登记表。
成果证据AI 功能原型＋审计
新兴技术案例研究
- 阅读多来源技术材料
- 利益相关者与影响分析
- 基于证据的论证与引用
AI 实践核验生成式 AI 的事实、引用和遗漏视角。
成果证据案例简报＋讨论
计算解决方案 Mini-IA
- 真实客户/用户与成功标准
- 设计、开发、测试和迭代
- 评价、演示与口头答辩
AI 实践附 AI 使用声明；学生必须独立解释并修改全部提交代码。
成果证据完整项目档案
评价设计
平台与资源
IB Programme Resource Centre（My IB）
唯一权威课程层：学科指南、教师支持材料、样题与学校可访问资源。
IB Exchange / DP nano resources
教师专业学习、经策展的教学材料与新课程更新。
Code.org CS Discoveries / AI Discoveries
Y7–8 的课堂活动、可视化编程和 AI 素养资源。
CodeHS 模块
Y9–10 的 Python、AI、网络安全与 Java 补充练习；按 IB 缺口组合使用。
学校 Git 仓库＋教师自建材料
补齐系统、网络、数据库、案例研究与过程证据；保护学生代码和数据。
学完课程后学生将会
- 独立使用 Python 分解问题、设计算法并开发中等规模程序。
- 使用测试、调试、版本记录和清晰文档改进程序质量。
- 解释计算机系统、网络、数据库、算法、OOP 与机器学习的关键概念。
- 训练和评价基础机器学习模型，并讨论偏差、隐私、公平性和局限。
- 完成一项面向真实用户、包含成功标准和评价证据的计算解决方案。
- 带着可靠的编程、探究和 AI 责任使用习惯进入 IB DP Computer Science SL。
实施与安全边界
- 每学期至少一次个人口头代码讲解，确认作品与理解的一致性。
- 所有 AI 辅助作业附简短使用声明：工具、用途、关键提示、验证与修改。
- 禁止向公共 AI 工具上传可识别学生、家长、教师或客户的数据。
- 教师按学校账号、数据保护和年龄要求决定可用平台；平台不替代 IB 官方课程文件。
资料核验与课程版本：2026-08-12