2026曲靖宣威民族中学等校高二下学期3月阶段检测试题信息技术含解析

这是一份2026曲靖宣威民族中学等校高二下学期3月阶段检测试题信息技术含解析，文件包含云南省曲靖市宣威市民族中学七中第一次2025-2026学年高二下学期3月阶段检测信息技术试题含解析docx、云南省曲靖市宣威市民族中学七中第一次2025-2026学年高二下学期3月阶段检测信息技术试题无答案docx等2份试卷配套教学资源，其中试卷共13页， 欢迎下载使用。
满分：100分 考试时间：60分钟
注意事项：
1.答卷前，考生务必将自己的姓名、准考证号填写在答题卡上。
2.选择题时，选出每小题答案后，用2B铅笔把答题卡上对应题目的答案标号涂黑。如需改动，用橡皮擦干净后，再选涂其他答案标号。
3.回答非选择题时，将答案写在答题卡上。写在本试卷上无效。
4.考试结束后，将本试卷和答题卡一并交回。
一、选择题（共12小题，每小题3分，共36分）
在每小题给出的四个选项中，只有一项是符合题目要求的。
1. 2025年，我国某城市启动“城市大脑”项目，通过物联网传感器实时采集交通、环境等数据，并利用大数据分析优化城市管理。这一过程体现了信息系统的（ ）
A. 数据采集与存储B. 数据挖掘与可视化
C. 数据采集、处理与决策支持D. 数据加密与安全传输
【答案】C
【解析】
【详解】本题考查信息系统的基本功能。题干中“通过物联网传感器实时采集交通、环境等数据”对应信息系统的数据采集环节，“利用大数据分析”对应数据处理环节，“优化城市管理”说明该过程为城市管理决策提供支持，完整体现了信息系统数据采集、处理与决策支持的功能。“数据采集与存储”未涵盖分析处理和决策支持部分，不符合题意；“数据挖掘与可视化”“数据加密与安全传输”的相关内容题干均未提及；只有“数据采集、处理与决策支持”符合题干描述。故答案为：C。
2. 在数据分析中，经常需要对缺失值进行处理。下列方法中，不属于缺失值处理常用方法的是（ ）
A. 删除含有缺失值的记录B. 用均值或中位数填充
C. 用随机数替代D. 根据其他变量预测填充
【答案】C
【解析】
【详解】本题考查数据分析中缺失值处理的常用方法。常见的缺失值处理方法包括：删除法（直接删除含有缺失值的记录）、填充法，填充法又包含均值/中位数这类统计量填充、根据其他变量关联关系预测填充等规范方法。用随机数替代缺失值会引入不必要的随机误差，破坏原数据集的分布特征，不属于缺失值处理的常用方法。故答案为：C。
3. 某电商平台使用关联规则算法分析用户购买行为，发现“购买奶粉的顾客同时购买尿布”的概率很高。这种分析属于（ ）
A. 聚类分析B. 分类预测C. 关联分析D. 回归分析
【答案】C
【解析】
【详解】本题考查数据挖掘常见分析方法的概念与应用场景。聚类分析的核心是将相似度高的数据划分为不同分组，不符合本题场景；分类预测用于预测样本所属的已知类别，与题意不符；关联分析通过关联规则挖掘数据项之间的潜在关联关系，购物篮分析（挖掘用户购买商品间的关联规律）是其典型应用，完全符合题目描述；回归分析主要用于预测连续型数值变量，不符合要求。故答案为：C。
4. 下表是某数据集的部分样本，其中“年龄段”属于（ ）
A. 数值型数据B. 分类型数据C. 顺序型数据D. 文本型数据
【答案】C
【解析】
【详解】本题考查数据类型的分类与识别。不同数据类型定义如下：数值型数据是可以用数值度量、能进行数值运算的数据，“年龄段”取值为青年、中年、老年这类文本类别，不属于数值型数据；分类型数据的各类别之间为平行关系，不存在等级顺序差异；顺序型数据的不同类别之间存在明确的顺序等级关系；文本型数据是无结构化分类的纯文本描述，不属于规范的分类变量。本题中“年龄段”的类别青年、中年、老年存在明确的年龄从小到大的顺序等级，因此属于顺序型数据。故答案为：C。
5. 2025年，深度学习模型在医学影像诊断中取得突破，准确率超过95%。深度学习属于人工智能的（ ）
A. 符号主义流派B. 连接主义流派C. 行为主义流派D. 进化计算流派
【答案】B
【解析】
【详解】本题考查人工智能主流流派的概念区分。人工智能领域的主要流派中，符号主义流派以逻辑符号推理为核心，认为智能起源于符号运算；连接主义流派又称仿生学派，核心是模仿人脑神经元网络的连接机制构建智能模型，深度学习本质是多层深度神经网络，起源于神经网络研究，属于连接主义流派；行为主义流派以感知-动作的交互机制为核心，强调智能在与环境的交互中形成；进化计算是模拟生物进化过程的计算分支，深度学习不属于该流派。故答案为：B。
6. 在机器学习中，用于训练模型的数据集通常分为训练集和测试集。测试集的主要作用是（ ）
A. 调整模型参数B. 评估模型的泛化能力
C. 增加训练样本量D. 进行特征选择
【答案】B
【解析】
【详解】本题考查机器学习中测试集的作用。在机器学习数据集划分中，不同集合功能不同：调整模型参数、特征选择一般由训练集或验证集完成，测试集也不具备增加训练样本量的作用；测试集是在模型训练完成后，用来评估模型对未知数据的适应能力，即模型的泛化能力，这是测试集的核心作用。故答案为：B。
7. 下列人工智能应用中，利用自然语言处理技术的是（ ）
A. 人脸识别门禁系统B. 智能语音助手（如Siri）
C. 自动驾驶汽车D. 工业机器人分拣货物
【答案】B
【解析】
【详解】本题考查人工智能自然语言处理技术的应用识别能力。自然语言处理技术是用于处理人类自然语言、实现人机自然语言交互的人工智能技术：人脸识别门禁系统应用的是计算机视觉领域的人脸识别技术，未使用自然语言处理技术；智能语音助手（如Siri）需要完成对人类语言的识别、理解和反馈，利用了自然语言处理技术；自动驾驶汽车主要应用计算机视觉、路径规划与自动控制技术，未使用自然语言处理技术；工业机器人分拣货物主要应用机器视觉和运动控制技术，未使用自然语言处理技术。故答案为：B。
8. 2025年，欧盟通过《人工智能法案》，对高风险AI系统提出严格监管要求。这体现了人工智能发展需要关注（ ）
A. 技术突破速度B. 算法效率优化C. 伦理与法律规范D. 算力成本控制
【答案】C
【解析】
【详解】本题考查人工智能发展的伦理与规范相关知识。欧盟出台《人工智能法案》对高风险AI系统进行严格监管，该法案属于法律规范，对人工智能发展进行监管，目的是约束人工智能的发展方向，规避高风险AI带来的危害，体现了人工智能发展需要关注伦理与法律规范；技术突破速度、算法效率优化、算力成本控制均与题干中立法监管的行为不相关。故答案为：C。
9. 数据可视化是数据分析的重要环节。以下选项中，不适合展示数据变化趋势的是（ ）
A. 折线图B. 柱状图C. 饼图D. 散点图
【答案】C
【解析】
【详解】本题考查数据可视化中不同图表的适用场景。折线图适合清晰展示数据随有序维度的变化趋势；柱状图可在对比不同类别数据的同时体现数据的变化趋势；散点图可用于展现数据分布与变量间的变化趋势；饼图仅用于展示各分类数据占总体的比例关系，无法体现数据的变化趋势，因此饼图不适合展示数据变化趋势。故答案为：C。
10. 某同学利用Pythn进行数据分析，编写了如下代码片段：
imprt pandas as pd
df = pd.read_csv('data.csv')
print(df[df['年龄'] > 30].head())
该代码的功能是（ ）
A. 读取数据并显示所有行
B. 筛选年龄大于30的记录并显示前5行
C. 统计年龄大于30的人数
D. 删除年龄小于等于30的记录
【答案】B
【解析】
【详解】本题考查Pythn pandas库的基础数据分析操作。逐行分析代码：第一行导入pandas库并命名别名pd；第二行调用read_csv读取data.csv文件得到数据集df；第三行中，df['年龄'] > 30生成筛选条件，df[条件]通过布尔索引筛选出所有年龄大于30的记录，pandas中head()方法默认返回数据集的前5行，最终通过print输出结果，符合“筛选年龄大于30的记录并显示前5行”的功能描述。故答案为：B。
11. 在机器学习中，过拟合是指模型在训练集上表现很好，但在测试集上表现差。下列措施中，有助于缓解过拟合的是（ ）
①增加训练数据量 ②降低模型复杂度 ③增加模型层数 ④使用正则化
A. ①②③B. ①②④C. ①③④D. ②③④
【答案】B
【解析】
【详解】本题考查机器学习中过拟合的缓解方法。过拟合是模型过度学习训练集的噪声特征，泛化能力下降的问题，①增加训练数据量可以让模型学习更通用的数据规律，减少噪声干扰，有助于缓解过拟合；②降低模型复杂度，可以避免模型拟合过多训练集的无关细节噪声，能够缓解过拟合；③增加模型层数会提升模型复杂度，会加剧过拟合，无法起到缓解作用；④正则化通过对模型参数施加惩罚约束模型复杂度，是常用的缓解过拟合的方法。因此①②④正确，对应第二个选项。故答案为：B。
12. 2026年，中国发布《新一代人工智能发展规划》中期评估报告，强调要加强人工智能基础理论研究。下列属于人工智能基础研究领域的是（ ）
A. 量子计算与AI融合B. 智能客服机器人开发
C. 人脸识别系统部署D. 智慧城市应用推广
【答案】A
【解析】
【详解】本题考查人工智能领域的分类，区分基础研究与应用实践领域。人工智能基础研究是面向底层技术、理论融合的探索性研究，不属于面向具体场景的落地应用开发类工作。量子计算与AI融合属于底层技术融合的基础研究范畴；智能客服机器人开发、人脸识别系统部署、智慧城市应用推广都属于人工智能技术针对实际场景的应用开发、部署与推广，不属于基础研究领域。故答案为：A。
二、非选择题（共6小题，共64分）
13. 【数据处理流程】
某学校图书馆希望分析学生借阅行为，优化图书采购。采集到的数据包括：学生学号、性别、年级、借阅图书类别、借阅时间、归还时间等。请回答下列问题：
（1）数据预处理阶段，可能需要对哪些数据进行清洗？请列举两种常见数据质量问题及处理方法。
（2）若想分析不同年级学生的借阅偏好，应选择哪些字段进行分析？请写出具体字段名称。
【答案】（1）①缺失值：如借阅时间缺失，可删除记录或用众数填充；②异常值：如借阅时间早于入学时间，可核实修正或删除。
（2）年级、借阅图书类别（或学生学号+年级+借阅图书类别，）；可通过分组统计不同年级的借阅类别频次。
【解析】
【详解】本题考查数据预处理中数据清洗知识，以及基于分析需求的数据字段选择能力。
（1）数据清洗问题及处理方法：①缺失值：如借阅时间缺失，可删除记录或用众数填充；②异常值：如借阅时间早于入学时间，可核实修正或删除。
（2）需要选择的字段：年级、借阅图书类别；也可选择学生学号+年级+借阅图书类别，通过分组统计不同年级的借阅类别频次分析借阅偏好。
14. 【数据分析与可视化】
下表是某电商平台2025年第一季度各品类销售额（单位：万元）：
（1）若要比较各品类3月份的销售额，最适合的图表类型是什么？请说明理由。
（2）若要展示服装品类在第一季度销售额的变化趋势，应选择哪种图表？并简述其优势。
（3）假设你是一名数据分析师，请根据表格数据，给出至少一条有价值的业务建议。
【答案】（1）柱状图；理由：柱状图适合比较不同类别的数值大小，直观显示各品类3月销售额差异。
（2）折线图；优势：能清晰展示数据随时间的变化趋势，便于观察增减波动。
（3）建议：服装品类销售额较高且增长明显，可加大推广力度；食品类增长缓慢，可结合促销活动。
【解析】
【详解】本题考查数据分析与可视化中图表类型的合理选型，以及基于实际业务数据的分析与决策能力。 第一个问题的需求是比较不同品类3月份的销售额大小，柱状图的核心特点就是适合对比不同分类的数值，能够直观展现不同品类销售额的差异，匹配该需求； 第二个问题的需求是展示服装品类第一季度销售额随时间的变化趋势，折线图能够清晰呈现数据随时间的增减变动与波动规律，符合该需求；第三个问题可结合表格中不同品类的销售表现，总结规律给出针对性的业务优化建议。故答案为：（1）柱状图；理由：柱状图适合比较不同类别的数值大小，直观显示各品类3月销售额差异。（2）折线图；优势：能清晰展示数据随时间的变化趋势，便于观察增减波动。（3） 服装品类销售额较高且增长明显，可加大推广力度；食品类增长缓慢，可结合促销活动拉动销售额增长（言之有理即可）。
15. 【机器学习应用】
某科技公司开发了一款基于机器学习的疾病早期筛查系统，使用患者体检数据（包括年龄、血压、血糖、BMI等）预测患病风险。已知数据集包含10000条记录，其中患病样本占10%，非患病样本占90%。
（1）该问题属于监督学习中的哪一类任务？
（2）数据集存在样本不均衡问题，请提出两种解决方法。
（3）若模型在测试集上准确率达到95%，但实际应用中漏诊率较高，你认为可能原因是什么？应如何改进？
【答案】（1）分类问题（或二分类）
（2）①对少数类样本进行过采样（如SMOTE算法）；②对多数类样本进行欠采样；③使用类别权重调整损失函数。
（3）原因：模型在非患病样本上表现好，但对少数类（患病）识别能力不足。改进：①使用召回率（recall）作为评估指标；②调整分类阈值，提高对患病样本的敏感度；③使用集成学习方法（如随机森林）或代价敏感学习。
【解析】
【详解】本题考查监督学习任务分类、样本不均衡问题解决方法以及不平衡数据下模型问题分析与优化的机器学习相关知识。
（1）该问题需要根据输入的体检数据，输出患者是否患病的离散二元结论，属于监督学习中对样本类别进行预测的分类任务，具体为二分类任务。
（2）本数据集中不同类别样本量差异极大，可从数据层面或算法层面解决该问题，常见方法包括数据层面的少数类过采样、多数类欠采样，算法层面的损失函数类别权重调整、代价敏感学习等。
（3）漏诊指将真实患病样本误判为非患病，本场景中患病样本是少数类，整体准确率是对所有样本的整体评估，无法反映少数类的预测效果；模型为了提升整体准确率，会优先拟合样本量更大的非患病类，对患病样本的识别能力不足，因此漏诊率偏高。改进可从评估指标、模型优化、数据处理等方向入手。
16. 【人工智能伦理与安全】
2025年，某社交媒体平台因算法推荐导致“信息茧房”问题引发广泛讨论。用户长期接收同质化内容，认知逐渐固化。此外，深度伪造技术被用于制作虚假视频，对社会造成不良影响。
（1）什么是“信息茧房”？请简要说明算法推荐技术如何导致这一问题。
（2）针对深度伪造技术的潜在风险，请提出两条治理建议。
（3）作为新时代青年，在使用人工智能技术时应当树立怎样的价值观？
【答案】（1）信息茧房指算法根据用户偏好推荐内容，导致用户长期接触同质化信息，视野变窄。算法通过分析用户历史行为，不断推送相似内容，使用户陷入信息“茧房”。
（2）①研发深度伪造检测技术，建立内容审核机制；②完善相关法律法规，明确深度伪造内容的制作者责任；③加强公众媒介素养教育，提高辨别能力。
（3）①秉持科技向善理念，合理使用AI工具；②尊重他人隐私，不滥用技术；③关注AI伦理，参与技术治理讨论。
【解析】
【详解】本题考查人工智能伦理与安全相关知识，以及对人工智能应用风险的分析与解决能力。
（1）信息茧房指算法根据用户偏好推荐内容，导致用户长期接触同质化信息，视野变窄。算法通过分析用户历史行为，不断推送相似内容，使用户陷入信息“茧房”。
（2）①研发深度伪造检测技术，建立内容审核机制；②完善相关法律法规，明确深度伪造内容制作者责任；③加强公众媒介素养教育，提高辨别能力。
（3）①秉持科技向善理念，合理使用AI工具；②尊重他人隐私，不滥用技术；③关注AI伦理，参与技术治理讨论。
17. 【Pythn编程实践】
某同学用Pythn处理学生成绩数据，部分代码如下，请根据注释补充完整。
imprt pandas as pd
# 读取成绩表.csv
df = pd.read_csv('成绩表.csv')
# 计算每个学生总分（语文、数学、英语三科之和）
df['总分'] = ___________
# 筛选出总分大于240分的学生信息
high_scre = ___________
# 按总分降序排序，并输出前5名
tp5 = ___________
print(tp5)
（1）请在横线处填写正确的代码。
（2）若想计算所有学生语文成绩的平均分，应使用什么函数？
（3）该代码中使用了pandas库，请写出pandas库的两个主要数据结构名称。
【答案】（1）df['语文']+df['数学']+df['英语']；df[df['总分']>240]；high_scre.srt_values('总分', ascending=False).head()
（2）mean()（或df['语文'].mean()）
（3）Series和DataFrame
【解析】
【详解】（1）本题考查Pythn中pandas库的基础数据处理操作。第一处需要计算语文、数学、英语三科成绩之和，生成新的"总分"列，直接对三科对应的DataFrame列求和即可；第二处利用pandas的布尔索引，筛选出总分大于240分的学生信息；第三处需要对筛选得到的数据按总分降序排序，通过srt_values方法设置ascending=False实现降序，再调用head()方法取出前5条记录。故答案为：第一空：df['语文']+df['数学']+df['英语']；第二空：df[df['总分']>240]；第三空：high_scre.srt_values('总分', ascending=False).head()
（2）本题考查pandas库的统计函数使用。在pandas中，计算一维序列的平均值需要使用mean()函数，针对语文成绩列调用该函数即可得到平均分。故答案为：mean()（或df['语文'].mean()）
（3）本题考查pandas库的基础核心概念。pandas库的两个主要核心数据结构，分别是一维的带标签数组Series，以及二维的表格型数据结构DataFrame。故答案为：Series和DataFrame
18. 【综合应用：智能系统设计】
某校计划开发一个“智慧食堂”系统，实现菜品推荐、营养分析、剩余餐量预测等功能。系统需要收集学生用餐数据、菜品销售数据、学生健康信息等。
（1）从数据采集角度，列出至少两种获取学生用餐数据的方式。
（2）若要用机器学习预测次日菜品需求量，需要准备哪些特征数据？请列出至少三项。
（3）结合所学，谈谈在系统开发中如何保护学生个人隐私。
【答案】（1）①校园卡刷卡记录；②手机APP点餐订单；③人脸识别取餐记录。
（2）①历史销售量；②日期类型（工作日/周末）；③天气情况；④学校活动安排；⑤节假日。
（3）①对个人信息进行脱敏处理，仅保留必要字段；②设置严格的访问权限，防止数据泄露；③采用数据加密存储和传输；④遵守《个人信息保护法》，明确告知学生数据用途。
【解析】
【详解】本题考查智能系统设计中数据采集、机器学习特征选择以及个人隐私保护的综合应用能力。获取学生用餐数据需结合校园食堂的信息化用餐流程，从点餐、支付、取餐等环节都可采集得到符合要求的数据；用机器学习预测菜品需求量时，所有会影响就餐人数与菜品需求的相关因素都可作为模型的输入特征；系统开发中需从数据全生命周期的各个环节落实隐私保护，避免学生敏感信息泄露。
故答案为：
（1）获取学生用餐数据的方式：校园卡刷卡记录、手机APP点餐订单、人脸识别取餐记录（任选两种及以上即可）
（2）预测次日菜品需求量的特征数据：历史销售量、日期类型（工作日/周末）、天气情况、学校活动安排、节假日（任选三项及以上即可）姓名
年龄段
月收入（元）
是否购买
张三
青年
8000
是
李四
中年
12000
是
王五
老年
6000
否
品类
1月
2月
3月
电子产品
320
280
360
服装
450
400
520
食品
280
300
310