创建主题词汇清单

请按以下步骤统一并使用本周“工业革命”核心词汇表（跨班共享）：

1. 统一术语与简明释义，确保课堂、作业与测评口径一致。
2. 要求学生在口头回答与书面表述中使用下列标准词汇。
3. 每周教研时，用这些词汇检查教学重难点覆盖与易错点。

十个核心词汇（附学生友好释义与教学提示）：

1. 工业革命：18世纪后期起，首先在英国出现的以机器生产和工厂制度为标志的深刻社会经济变革。提示：强调“时间—地点—特征”三要素。
2. 工厂制度：在工厂集中雇佣工人，由机器和规程组织分工进行大规模生产的制度。提示：对比“家庭手工业/手工作坊”。
3. 机械化：用机器替代手工，提高效率与产量的过程。提示：区分“机械化≠自动化”（本阶段以人操控机器为主）。
4. 蒸汽机（瓦特改良）：利用蒸汽压力做功的动力机器，广泛用于纺织、矿业与交通。提示：突出“能源—动力—应用场景”链条。
5. 纺织业：最早实现机械化的行业，代表性工具有纺纱机与织布机。提示：分清“纺纱（做线）—织布（做布）”两环节。
6. 铁路（蒸汽机车）：以蒸汽机车牵引的陆上交通，显著缩短时间、降低成本，带动市场一体化。提示：用“时空压缩”解释影响。
7. 煤炭：工业革命时期的主导能源，为蒸汽机提供燃料；与铁矿共同支撑重工业。提示：可用“能源—材料—工业”的因果图。
8. 城市化：人口由农村向城市集中，城市规模扩大并出现住房、卫生等新问题。提示：联系人口迁移与社会治理议题。
9. 劳动分工：将生产过程拆分为多个简单环节，由不同工人各司其职以提高效率。提示：讨论效率提升与工作单调的两面性。
10. 童工：在工厂工作的未成年人，工作时间长、待遇低，推动后续劳动保护立法。提示：引导关注劳动法规与人权发展。

课堂与教研使用建议：

• 制作“词汇—释义—例证”三栏卡片；5分钟口头快问快答巩固。
• 以“能源→动力→产业→交通→社会变化”画概念链，串联10词。
• 出一题一词的形成性小测（判断或简答），追踪易混点：如“机械化与自动化”“纺纱与织布”“工厂制度与家庭手工业”。

以下为“人工智能基础（抢答+打卡，小测组卷）”相关的10个核心词汇，并配套课堂抢答、课后打卡与小测考点，便于直接用于教学设计与实施：

1. 算法

• 定义：解决特定问题的有限、可执行步骤集合。
• 抢答：说出一个机器学习中常用的算法或优化算法（如KNN、梯度下降）。
• 打卡：用自然语言或伪代码描述一个求最大值的算法。
• 小测考点：时间复杂度与空间复杂度的含义与对模型训练的影响。

2. 数据集划分（训练集/验证集/测试集）

• 定义：将数据分区用于拟合、调参与最终评估，防止信息泄漏。
• 抢答：为什么不能用训练集评估最终性能？
• 打卡：把一个数据集按8/1/1比例划分并解释理由。
• 小测考点：数据泄漏的定义与后果；交叉验证的基本流程。

3. 特征（Feature）

• 定义：用于表示样本的可度量属性，是模型输入的基础。
• 抢答：文本任务中常见的三种特征表示是什么（如词频、TF-IDF、词向量）？
• 打卡：从一段文本中提取3个数值特征并说明意义。
• 小测考点：特征缩放/标准化的作用；类别特征的编码方式。

4. 模型（Model）

• 定义：从输入到输出的参数化映射函数，由训练数据学习得到。
• 抢答：线性回归模型的函数形式是什么？
• 打卡：画出一个模型的输入—处理—输出示意图并标注参数。
• 小测考点：参数与超参数的区别；模型容量的概念。

5. 监督学习

• 定义：使用带标签数据学习从输入到输出的映射。
• 抢答：说出一个分类任务和一个回归任务的实际案例。
• 打卡：为一个二分类任务定义标签与评价方式。
• 小测考点：分类与回归的区别；常用损失函数匹配（MSE/交叉熵）。

6. 无监督学习

• 定义：仅用无标签数据发现结构或分布（如聚类、降维）。
• 抢答：说出一种聚类算法名称并简述其思路（如K-means）。
• 打卡：手算一次K-means的质心更新（给出3个点的示例）。
• 小测考点：聚类与降维的差异与联系；距离度量的选择。

7. 神经网络

• 定义：由层、权重与激活函数构成的可微分模型族。
• 抢答：举一个常见激活函数并说出其作用（如ReLU）。
• 打卡：比较全连接层与卷积层的差异（参数共享、感受野）。
• 小测考点：前向传播与反向传播的作用与基本流程。

8. 损失函数（Loss）

• 定义：量化预测与真实值差异的标量目标，指导学习方向。
• 抢答：分类任务常用的损失函数名称是什么？
• 打卡：计算一个二分类样本的交叉熵损失（给定p与标签）。
• 小测考点：MSE与交叉熵适用场景；数值稳定性处理（如log-sum-exp）。

9. 优化器（Optimizer）

• 定义：基于梯度等信息更新模型参数的算法。
• 抢答：SGD与Adam的主要区别是什么？
• 打卡：描述学习率过大或过小在训练曲线上的表现。
• 小测考点：学习率、动量、权重衰减的作用与影响。

10. 过拟合（Overfitting）

• 定义：模型在训练集上表现好、在新数据上表现差的现象。
• 抢答：列出两种常见的防止过拟合方法（如正则化、数据增广、早停）。
• 打卡：设计一次K折交叉验证流程并说明如何汇总结果。
• 小测考点：偏差-方差权衡；正则化项（L1/L2）的作用。

使用建议：

• 抢答环节：每个词汇用30秒内答题，强调关键术语与简洁说明。
• 打卡任务：要求学生用可复现的步骤或示例数据完成并提交截图/过程描述。
• 小测组卷：每个词汇出1–2道客观题（单选/多选/判断）+1道简答题，覆盖定义、应用与常见误区。