智能推荐的数据结构与算法课程教学

集美大学诚毅学院 武 斌 周 喜

为了提升数据结构与算法课程教学质量，提出基于知识点智能推荐的线上线下混合教学模式进行教学改革。该教学模式主要借助线上互动教学平台课堂派+PTA、引入智能推荐算法设计题目，实现课前内容准备、课中实践测试、课后总结沟通，改善学生学习过程的考核方式。实践表明，该教学方法可以有效激发学生学习兴趣，提高课程教学质量。

数据结构与算法是计算机科学与技术、软件工程、网络工程等相关专业的专业核心课程。该课程的学习目标是使学生掌握计算机加工数据的对象特性，选择合适的逻辑结构、存储结构和算法求解问题，培养学生问题建模能力，算法设计与分析能力，算法实现能力。通过该课程的学习，使学生具有良好的编程技能。同时，数据结构与算法在计算机学科专业体系中起着承上启下的重要作用。

2019年4月，教育部办公厅发布《教育部办公厅关于实施一流本科专业建设"双万计划"的通知》。一流本科专业建设需要一流的课程建设。在实际教学过程中，数据结构与算法课程的教学效果不尽如人意，存在诸多亟待解决的问题。尤其是目前互联网时代，网上资源丰富，学生获取知识的途径多样化。在这种形势下，数据结构与算法的教学如果还是墨守成规，不进行改革，学生就不能适应环境，课堂教学质量就会比较差。引入线上线下教学资源融合的混合教学模式有利于提高学生学习和实践能力。

1 目前课堂教学弊端

1.1 学生学习兴趣低、知识点难掌握

数据结构与算法课程主要介绍了研究对象如何在计算机中存储、对象之间的逻辑关系、对象的操作，知识点繁多、内容抽象、逻辑复杂，并且存在相当一部分知识点的推演和其算法实现有一定难度。尽管先修了程序设计课程，但是学生的编程水平层次不齐、相对薄弱，无法独立编写出程序或者算法来验证理论知识。逐渐地，学生失去编程的信心和学习的兴趣。

1.2 教学方法不恰当

在目前的教学中，还存在教师采用满堂灌的传统教学方式讲授，致使学生非常被动。有些教师布置大量的练习题、作业，搞题海战术，导致学生学习没有针对性，效率低。有些教师上课不注重课堂效果，缺乏教学互动。由于学生在知识掌握和理解上存在个体化差异，对于理解力偏差、基础薄弱的学生就不能够很好的接受此种授课方式，造成课堂知识没听懂、不理解，教学效果不理想。

1.3 实践环节薄弱

数据结构与算法课程的理论知识最终需要通过算法实践来实现的，它是一门实践性较强的课程。课程实践是提升学生编程能力的关键，同时也是巩固和掌握理论知识的手段。但是大部分院校在做教学计划时该课程总学时64学时，其中实践环节占16学时，相对较少。另外，在实践环节，有些教师简单布置几道实验作业给学生做，没有针对性，也没有区分题目难易度，造成基础差的学生无法完成实验。实践效果差影响了理论知识的掌握，理论知识不吃透又限制了实践，造成恶性循环。

综上所述，数据结构与算法课程的教学必须进行改革、创新。

2 知识推荐

互联网教育快速发展，在线教育资源越来越丰富。面对海量的线上习题，如何针对性的选择适合自己的资源成为研究的热点。在大数据的背景下，智能推荐算法应运而生。利用高效可靠的习题推荐算法筛选合适的资源，既是个性化学习新的要求，也是新的诉求。智能推荐算法主要分基于内容推荐和协同过滤推荐。本文采用以知识点为内容的智能推荐算法，推题规则如下：

2.1 初始化

（1）获取班级信息

①复习的类型：课后复习、课前预习、总复习。

②训练类型：基础训练、强化训练。

③本节课的上课内容（假设为知识点1、知识点2、知识点3）。

④当前班级的学生（假设为学生A、学生B、学生C）。

⑤输入的作业题量（假定为10题）。

⑥作业的类型：课前预习或者课后复习。

（2）获取学生的知识点掌握度

示例如表1所示，若无掌握度值则为0。

表1 知识点掌握度

（3）每个知识点对应的试题难度范围

根据训练类型、学生知识点掌握度、作业类型定位试题难度范围，如表2所示。

表2 试题难度范围

（4）设定作业题量分布

假定总的题目量为N，表3所示题量分布设计。

表3 题量分布设计

2.2 课前预习、课后巩固的推荐规则（筛题范围：精品题）

（1）获取每个知识点的标签

获取知识点对应类型（基础训练或强化训练）的典例题的所属标签。知识点标签如表4所示。

（2）筛选试题

以课后作业、基础训练为例。假设初始信息如表5所示。

表4 知识点标签

得出筛选试题的条件队列，如表6所示。

表5 初始信息

表6 条件队列

根据条件队列，从精品题中为每个学生筛选试题，然后由易到难对题型内的试题进行重新排序。假设题量N=7，以学生A举例，如表7所示。

表7 学生A筛选的试题

3 课程教学改革

3.1 课堂派+PTA

课堂派是一种在线课堂管理平台，操作简单，支持微信一键登录，在线实时互动，全过程教学统计，自动录播，再次回顾，保留教学资产。随时随地发布话题，测试，作业，在线批阅，实时查重，自动管理教学成绩，教学过程自动分析，可留存，可追溯。

PTA是一个在线程序设计类实验辅助教学平台，可以在线编译程序。系统全面继承了计算机程序设计能力考试系统的基础练习题库。题库中包含判断、选择、程序填空、函数、编程等类题目共十余万道。

3.2 改革措施

教师借助课堂派+PTA平台对课程组织和教学过程重新设计，将教学设计分为课前准备、课堂教学、实践教学和课后巩固。

（1）课前准备

课程开设之前，教师设计习题库，将授课学生们加入课堂派课程班级里，并分为一组，上传课程资源到课堂派对应课程的资源库，包括课程教学计划、教学大纲、教学课件PPT等资料，让学生对该课程有个整体的了解，做好课前预习。为了更好的掌控课堂教学进度，教师可以在课堂派上布置预习内容和一些题目测试学生的预习情况。除了第一次课外，预习的习题来自智能推荐。

数据结构与算法课程中理论概念比较多、算法知识点多，有些比较难以掌握和理解，比如链表的合并，二叉树的性质、遍历，线索化二叉树建立，图的存储、遍历，最小生成树，最短路径，平衡二叉树，串的模式匹配等知识点。教师可以制作一些容易理解的动画演示发布在课堂派上供学生课前预习。

课堂派提供私信功能使学生与教师之间交流比较便捷。

（2）课堂教学

课堂教学阶段是教学环节的关键阶段。在上课前2-3min，教师利用课堂派的多样式考勤功能对学生进行考勤，取代传统的点名考勤，节约了时间，提高了效率，也督促学生到课堂学习。课堂前几分钟，教师可以利用智能推荐以小测试的形式回顾上次课内容，增强对前期内容的掌握。

根据课前预习和测试情况，教师适当地调整本次讲课内容的侧重点和知识量，有目的性地讲解学生不懂或者掌握不好的地方。在教学过程中，为了增加课堂师生互动性，活跃课堂气氛，学生可以利用课堂派的弹幕功能提出自己的疑问，进而调动学生的积极性。

在互动环节，教师可以利用课堂派随机提问，启发式地引导学生分析问题和解决问题。根据学生回答情况，在课堂派上可以奖励星星的形式记录，同时作为课程考核时平时成绩的一部分。在算法知识讲解时，为了让学生容易听懂，可以借助动画演示算法执行过程。同时，教师讲解解决问题的思路和方法，引导学生积极思考，深刻地理解算法的思路和原理。

（3）实践教学

课程实践是检验和理解课程理论知识的重要途经。在实践环节，教师在课前制订好实践指导书分发给学生。教师利用PTA平台设计难度系数不等的题目，包括基础题、提高题、竞赛题。学生通过PTA平台在线编译程序，同时还能看到自己的成绩排名，进而激发了学习兴趣。

（4）课后巩固

课后巩固复习与课堂教学是相辅相成的。根据智能推荐算法，筛选适合学生的习题。

对于理论知识，教师课后通过课堂派布置一定量智能推荐的在线习题测试或在线作业。通过课后练习和作业实施，学生可以及时复习巩固和查缺补漏，教师能够实时了解学生的学习情况。

在实践方面，为了锻炼实践能力，教师在PTA平台上布置一些算法编程题目。学生通过PTA平台锻炼编程能力、算法设计能力。

（5）课程考核

为了较好的对学生的学习过程评价，准确的掌握学生对课程知识的掌握情况，课程考核成绩采用平时分（占30%）+期考分（占50%）+实践分（占20%）。平时分包括课堂考勤分（30%），作业测验完成分（40%），课堂表现分（30%）。

图1 出勤率、及格率对比

图2 课堂教学满意度

图3 实验完成情况对比图

4 教学效果分析

本课程教学改革方案于2019年和2020年在计算机专业开展基于智能推荐的线上线下混合教学资源融合的教学模式，并取得了明显的效果。如图1所示，在学生的出勤率和考核及格率方面，2019年和2020年均高于2016-2018年。

如图2所示，使用改革方案后，学生对课堂教学满意度接近100%，明显高于前几年。

如图2所示，使用改革方案后，学生对课堂教学满意度接近100%，明显高于前几年。

如图3所示，实验16课时，8次实验，使用改革方案后，学生每次实验完成百分比对比情况，2019-2020年明显高于前几年。

5 结论

将课堂派+PTA作为教学辅助平台，同时引入智能推荐习题应用于数据结构与算法课程教学中，包括课前准备、课堂教学、课后巩固、实践教学。通过实践教学证明，与传统教学模式相比，新的课程改革方案能够扩展教学活动，调动学生的学习主动性，使得学习变得更加有趣生动，教学方法更加丰富多彩，学生与教师的双向交流更加顺畅，更有利于培养学生的思考能力以及提高学生实践能力。