PBL和RBL融合式教学模式在“模式识别”课程中的探究

李 璇，陈 柳，田 斌，程 莉，洪汉玉

（武汉工程大学，湖北 武汉 430205）

0 引言

为了响应加快发展新一代人工智能、培养人工智能领域科技创新人才的号召，各高校加紧了人工智能课程群的建设。模式识别课程作为人工智能课程群中的核心课程之一，被国内外众多高校纳入到信息类、控制类、计算机类等专业本科生培养的必修课程之中[1-2]。然而，模式识别课程在实际的本科生教学中存在着一些局限性，首先模式识别课程具有数理内容多、建模难度高、内容更新快等特点，在课堂教学中导致学生知识接受程度低，且难以构建系统的知识体系；再者，模式识别课程通常被设置为专业课，授课时长有限，且多为理论课时，学生难以利用有限的课堂教学时间掌握这门课程的理论知识，更无法将有限的理论知识与实际应用相结合。因此，如何设计适合本科生知识储备的新型教学模式，以及如何帮助学生充分掌握与工程应用能够有效对接的理论知识是目前模式识别课程教学中亟需解决的问题。

PBL（Problem-Based Learning）和 RBL（Resource-Based Learning）教学法是世界高等教育中经典的以“学生”为中心的教学模式。PBL教学法最早由美国神经病学教授巴罗斯提出，它是以问题为导向的情景化教学模式，目的在于促进学生的开放式探究、独立学习和终身学习，并有利于团队合作及批判性思维能力的发展[3-4]。而RBL教学法则是顺应网络信息时代而生的现代教学模式，它以资源为导向，目的在于帮助学生获得充分发掘和利用各种资源进行自主学习的能力，不断提高学生的学科素养和信息素养[5-6]。

鉴于问题导向方式与资源导向方式在现阶段数字信息时代的强适应性优势，结合模式识别课程本身所独具的特点，本文提出了一种基于问题和资源双导向的融合式教学模式，充分利用两种导向的优势和互补性，高度匹配当代大学生的教育背景和学习素养，教学过程中以学生为主体，教师作为教学活动的发起者和引导者，将知识点融入问题任务中，通过开放式教学过程，提高学生获取信息的能力，从而提升模式识别课程的教学质量和教学效果。

1 面向本科生的模式识别课程教学中存在的问题

模式识别是一门起源很早、发展很快的学科，在深度学习高速发展的今天，依然作为一门重要的学科推进着人工智能的发展[7]。模式识别是信息科学和人工智能的重要组成部分，其内容涵盖广泛，包括统计决策、线性分类、非线性分类、神经网络、感知器等等，这些知识为从事人工智能领域研究的研究者们打下了坚实的理论基础。

从传统的教学方式来看，模式识别课程的教学存在以下一些问题：（1）课程的教与学主要依托于教材，由于教材的内容有限，其中出现的知识点和方法论都是高度归纳和凝练的，缺乏具体的分析举例；同时，教材普遍存在新颖性和创新性不足的问题，无法满足模式识别技术快速发展的需求。（2）在实际教学环节中，教材中的知识多以概念、公式和例题的形式呈现，教师即使具备再高超的讲课技巧，都绕不开复杂的公式推导和难以联系实际的方法论。在传统的课堂中，讲到能引起共鸣的应用举例时，学生们兴致盎然，但一旦遇到数学概念或者公式推导时，学生就会产生畏难情绪。随着课程的推进，涉及到的公式、原理和方法越来越多，知识点不断积累、难度不断加深，导致很多学生无法跟上进度，更有甚者会对课程产生放弃的念头。（3）模式识别这门课程需要高等数学、数理论、概率论、图像处理等多门学科作为基础，因此如果学生在这些课程的基础较为薄弱的情况下学习模式识别，就会更加觉得有难度。在这种情况下，教师作为知识的传授者也会受到影响，一方面没有办法临时更改原定的教学计划，一方面会怀疑自己的教学能力。因此，在现阶段，设计适合本科生模式识别课程的新型教学模式就显得尤为必要。

2 PBL和RBL融合式教学模式设计

与传统的教学模式相比，PBL将学习主体从教师迁移到学生，不仅要求学生具有良好的团队协作、自主学习能力，更要求教师具有较高的专业水平、教学能力和组织能力。早在1986年，原上海第二医科大学（现上海交通大学医学院）和原西安医科大学（现西安交通大学医学部）就将PBL教学模式引入到国内的教学中[3]，由于医学领域的教学模态属于典型的案例型驱动模态，充分的资源和案例使得PBL教学具有可行性。通过几十年的探索和发展，PBL教学模式在众多医学院的课程改革中取得了一定的成效。

鉴于PBL教学模式在医学领域的成功应用，越来越多的教育研究者希望将该模式应用于人工智能领域的教学之中[8-10]。然而，由于互联网行业和人工智能行业是近年来才得以快速发展的新兴行业，其领域知识更新较快，成型的案例较少，将PBL教学模式应用于信息类或者工程类课程的研究还没有特别多。PBL中所倡导的探究式学习和独立学习离不开对信息的获取和对资源的寻求，对学生来说，这是最为困难的环节。因此，充分了解和掌握资源型导向 RBL教学模式的特性，并将其有效融入到基于问题导向的PBL教学模式中，有利于培养学生在互联网时代面对海量数据时，获得信息搜集、处理、整合和反馈的自主学习能力，将学科课程学习目标与信息学习素养整合起来，不断增强自我更新、自我发展和终身学习的观念与能力。

本文通过学习PBL和RBL教学模式的先进理念，结合模式识别课程的特点，对两种教学模式进行有机融合，从而对模式识别课程的教学方法与手段、考核评价方式等方面进行改革和创新。本文提出的PBL和RBL融合式教学模式的总体教学思路框架如图1所示。融合式教学模式将课程的全部教学环节整合成一个闭环，从课堂教学环节开始，由教师将已经讲解过的知识点中的重难点问题分解出来，根据学生的接受程度和需求，归纳成具体的问题发布给学生；然后学生根据项目或问题通过查找资料、分析问题来制定执行方案和计划；学生再按照制定的计划利用资源独立查找相应问题的解决方案，完成探究实践过程；学生可以以个人或者小组的形式，通过线上线下相结合的方式将初步结果进行交流和分享，总结后将结论反馈给教师；教师给出反馈和评价，并将结论融入到课堂教学环节中。总体教学思路的主线流程采用典型的问题导向方式，资源导向方式在过程中辅助整个主线流程的推进。

图1 总体教学思路设计图Fig.1 the overall designment of the proposed teaching mode

3 融合式教学模式在模式识别课程中的应用

3.1 融合式教学模式在模式识别课程中的实施机制

为了避免基于 PBL和RBL模式的教学活动会演化成单一程序化的“提出问题、简单的资源组合、学生陈述”的教学过程，以下针对教的问题、学的问题和资源的问题来阐述融合式教学模式在模式识别课程中的实施机制。

（1）凝练问题、提出问题的机制

教师通过对人工智能研究领域和互联网行业的大量调研，将与课程相关的问题案例形成教学内容的问题源，将实际问题案例植入专业课程教学中。具体来说，教师应充分把握教学目标，将围绕教学目标的知识点进行梳理和分类，提炼出关键问题，要善于培养学生的问题意识，创造恰当的问题氛围；教师要精选案例，加强理论知识和工程应用的对接，并列举出恰当的应用案例，以视频或者动画等丰富的教学形式展示给学生。

提出问题时，教师应遵循突出重点、寻找关联点的原则。以模式识别中统计决策方法这一章节为例，最为核心的知识就是决策方式的学习，包括最小错误率贝叶斯决策、最小风险贝叶斯决策、聂曼-皮尔逊决策以及不同数据分布模型下的决策方式，这些看似繁复的决策原理和方法往往让学生们理不清头绪。然而，提炼之后发现，决策方式有着相似的判定思路，不同条件下的贝叶斯决策在参数设定上有着必然的联系，贝叶斯决策和聂曼-皮尔逊决策之间有着相关联的应用条件，不同数据分布模型下的决策方式亦有着可以总结的规律。教师如果把这些数学模型的底层逻辑和联系提炼出来，就能很好地帮助学生建立“总-分-总”的知识梳理路径：从全局阐述决策方法的意义，再细分各方法之间的特点和关联，最后总结各方法的应用场景。在此基础上，将凝练的问题在课程教学过程中，循序渐进的向学生提出。实践证明，凝练问题、提出问题的机制能够有效地提高知识的接受度，既帮助学生有序清晰的学习知识点，又能在过程中加强和学生之间的互动。

（2）分析问题、解决问题的机制

从学生的角度出发，学生自主学习能力、学习积极性和团队协作能力是决定融合式教学模式能否取得满意效果的关键因素。自主学习能力包括学生分析问题、归纳问题以及解决问题的能力。在课堂教学中，教师随着教学内容的推进，不断有问题抛出，学生需要及时捕捉到问题，并且做好准确的记录；在非课堂环节，教师需要引导学生进行自主高效地预习和复习，学生在理解教师课堂所讲授的知识之后，需要将问题集中并归纳，并对总结的问题，寻求最优的解决方案。学习积极性能够帮助学生提高课堂学习效率，正确理解老师所提问题、准确将问题提炼归类。通过团队协作，实现知识共享，既能提高学生的沟通交流能力，又能提高解决问题的效率。

（3）搜索资源、利用资源的机制

面对海量的信息和数据，如何鉴别资源、搜集资源都是实际教与学过程中面临的主要问题。有的从教者，由于自身的教学素养和科研水平达不到要求，因此无法提供有效的资源供学习者去学习；有的学习者，因不具备选择和分析信息的能力，无法顺利地从资源中获取信息，难以在新的教学模式中实现有效学习。因此，教师要保护和开发稀有的学习资源，并教会学生如何在浩瀚的学习资源中利用最适当的学习资源来支持自己的学习。

在传统的模式识别课程教学中，资源大多数由教师集成，以资源包的形式在课堂上呈现给学习者，这类型资源缺乏适应性和灵活性，不适用于模式识别等更新发展较快的人工智能类课程。以问题导向为基线，将传统形式资源和新型网络资源相结合，开发可重用、易移植且生命周期长的学习资源有利于新型教育模式的推广。通过实践发现，借鉴人工智能中的专家系统模式，建立面向模式识别课程的专家系统，有效实现资源的搜集、整理、评估、查询和更新。具体方案是：将经过专家评估的案例、资源以及资源渠道整合到专家系统中，建立模式识别课程资源库，然后学习者通过查询数据库，实现资源的搜集和学习。

（4）优化互动反馈机制

互动教学的过程中，由教师提出目标，学习者在目标驱动、资源辅助和教师指导下完成信息的搜集和归纳，进而获得解决问题的方案，达到学习目标。因而，整个过程中，优化互动反馈机制显得尤为必要。

然而，师生间的反馈形式和内容，以及师生间的配合度都影响着反馈机制的运作。在探索PBL和RBL两种教学模式在模式识别教学中的应用时发现，教师抛出的问题主要分为两种类型，一种基于数理理论的问题，其解决方案较为固定，该类问题的提出主要用于促进学生思考、活跃课堂气氛、提高学生的参与度；另一种是基于真实情景的问题，其解决方案较为开放，教师需要将学生的反馈进行有效的、针对性强的、多形式化的总结。通过反馈机制的建设和完善，能够带动整个教学水平的提升，在课上增进师生互动的形式和频率，包括答疑解惑、问题讨论、知识运用等。同时通过形式多样的反馈活动，加强教师对于学生自主学习成果的指导。促进学生的知识内化，培养教师和学生良好的沟通能力和技巧，以提高该教学模式的有效性。

3.2 在模式识别课程中开展融合式教学模式对学生自主学习能力的培养

如今是信息化时代，互联网技术、信息技术在改变了各行各业之后，也在改变着教育行业。由于互联网的开放性、连通性和共享性，越来越多的资源可以被共享，包括电子数据、网络技术、人力资源、书籍文章、音像材料等。针对同一问题，学生可以根据自己的学习风格、兴趣爱好、能力水平进行灵活调节，选择自己认为有价值的材料，选择自己喜欢的研究方式来研究实际问题；学习过程中，学生主动控制学习过程，调控学习步调。

学生在学习过程中提高了资源搜集的能力和团队合作的能力，能力提升路径如图2所示。自主学习和团队合作并不冲突，前者强调主动思考和自我学习，后者强调和谐的分享和交流。从学生的角度出发，PBL和RBL教学模式对学生的判断能力、分析能力和决策能力都有极大的提高。

图2 学生自主学习能力提升路径图Fig.2 the promoting path of students’self-learning capacity

3.3 在模式识别课程中开展融合式教学模式对教师能力的提升

与传统的“以学科为基础、以教师为中心”的教学模式不同，PBL和RBL融合式教学模式虽然以“学生”为中心，但教师作为问题的发起者、教学环节的引领者，在各个教学环节中都扮演着极为重要的角色，因此，这种新型教学模式对教师的能力提出了更高的要求。教师能力的提升包括教师授课能力的提升和教师自身科研能力的提升，两者相辅相成、互相促进。教师要改变传统的教学观念，不仅要成为一名施教者，更要成为一名积极的学习者，不断提高自身的教学水平和科研水平。通过设计合理的教学环节和优化教学内容，充分发挥PBL和RBL的融合式教学模式在模式识别课程中的教学优势，既为教师的科研成果转化为教学内容提供了渠道，又让学生在学习之时，可以获得最充分的理论和实践知识。教师通过提出问题和解决方案的过程可以进一步夯实研究的基础，并推动科研的进步。教师能力提升的路径图如图3所示。

图3 教师能力提升路径图Fig.3 the promoting path of teachers’ capacity

4 结论

本文开展了新工科背景下适应于模式识别课程的新型教学模式的探究。初步的教学实践表明，本文提出的PBL和RBL融合式教学模式在模式识别课程的教学中，可以帮助教师进一步梳理知识脉络，同时帮助学生构建知识学习的全局思维。该方法能有效丰富课堂教学模式，提高知识的接受度，增强学生的自主学习能力和师生间的互动机制，帮助学生充分掌握理论知识，并能将其与工程应用有效对接。在教学过程中，提出问题、解答问题、查找资源、反馈问题各个环节的有效推进，既有利于将人工智能先进的研究成果充分地应用于本科教学中，又有利于培养学生的自主学习能力以及较强的研究能力，为工程实践和科研创新提供创新型信息类专业人才。