基于AI Studio 平台的人工智能课程设计实践

卢 睿

（辽宁警察学院 公安信息系,辽宁 大连 116036）

2017 年，国务院印发了《新一代人工智能发展规划》，将人工智能产业提升为国家战略[1]。教育部也将完善高校人工智能领域的人才培养体系作为核心目标[2]，要求高校加强教材课件、数据案例、实验实训等方面的教材和教学资源建设。人工智能正推动新工科人才培养向智能化、自动化等目标转变[3-4]。随着公安大数据资源建设初具规模，利用人工智能技术促进大数据深度应用、增加公安工作效能成为新的需求。公安机关亟需能够从事大数据智能分析的复合型人才，因此对公安院校提出了人工智能人才培养的迫切需求。

在新工科背景下，公安院校的人工智能人才培养不仅需要尽早起步，更需早上台阶。但是对大多数公安本科院校而言，人工智能课程是前瞻性课程，课程的教学体系建设仍处于初级阶段。课程建设是人才培养的支柱和落脚点，因此有必要从公安院校的特点出发，对人工智能课程进行教学设计和教学模式的改革。

一、人工智能课程特点分析

在开设人工智能类课程时，公安院校既面临国内高校普遍存在的共性问题，也面临由于行业、师资和实验平台所带来的独特需求和困难。作为以实践为目标的新开课程，目前公安院校的人工智能课程缺乏经过验证的成熟的课程设计和教学手段，依然采用传统的校内教师讲授与设计性实验作业相结合的方式。这种方式与公安院校学生的课程背景不相适应，难以适应行业对人工智能应用型人才培养的需求。由于学生的学习方式在改变，技术实践类课程的教学方式也需与之适应。

（一）理论学习和实践运用缺乏连续性

人工智能类课程基础宽厚，需要多门先修课程的支撑，并需要在具体应用中训练实践能力。但是，目前各先修课程大多各自为战，缺乏从工程实践出发的对人工智能课程的系统性支撑。在学习效果上体现为学生很快忘记学过的知识点，实践过程中难以串联前续知识，更难以将知识能力转化为实践能力。因此，学生学习人工智能课程的积极性不足，畏难情绪突出。

（二）实验方式和软硬件环境落后

人工智能课程的实践性实验对计算机硬件要求高，实验环境搭建复杂，特别是深度学习实验环境，学校普通机房的配置很难满足GPU 运算的要求。软硬件环境的限制导致部分实验内容无法实施，实验难度也使学生的学习兴趣减弱。

（三）实践案例和作业选题缺乏新意

当前，人工智能课程的主要教学模式是授课教师针对知识点进行课程设计和讲授，依据主要技术来设计实验作业。这种教学模式往往偏离行业的实际需求，缺乏真实的应用场景，导致学生缺乏解决现实世界中复杂问题的能力。

（四）课程内容和知识更新迭代快

近年来，人工智能技术发展迅猛，知识和技术的快速更新和迭代使得学习者每隔几年就需要面对不同的建模思想和工具。人工智能吸引了众多研究者的关注，AAAI (Association for the Advancement of Artificial Intelligence)和CVPR(Conference on Computer Vision and Pattern Recognition) 两大人工智能会议的投稿数量呈现逐年增长的趋势，投稿录用率总体上呈下降趋势，其中2021 年AAAI 录用率21.39%，CVPR录用率23.71%，如图1 所示。

图1 AAAI和CVPR会议投稿数量和录用率①

二、人工智能课程的教学设计

为解决以上问题，人工智能课程组利用云平台提供的“工程项目+数据集+免费算力”[5]对人工智能课程的知识内容和实践模式进行融合和改进，同时着力引导学生采用新的学习方式。以学生为中心，以“课程学习—实训训练—学生科研—实践评价—课程思政”为路径进行课程设计，将行业脱敏案例加载到课程实践和参赛培训等环节中，探讨如何开展以解决公安实践问题为目标的、以实践为驱动的课程教学，同时思考如何进行隐性课程思政的教学。

（一）双通道教学模式设计（课程学习）

人工智能类课程的基础宽厚、内容分散，且对数学、计算机基础知识、编程语言等基础的要求较高。在学时受限、学生基础差异较大的情况下，传统的强调理论讲授的“灌溉式”教学模式难以实现差异化教学。为在教学中突出实践能力的训练，课程组针对网络安全与执法和公安视听技术专业的需要，在理论环节从应用出发反向梳理内容模块，组织核心知识点，形成由浅入深、有所侧重的课程单元。根据相关知识和理论层次，在实践环节体现出理论的运用，从通用实验逐渐向公安数据智能应用实训场景转换的路线来组织实践教学内容。学生在实验过程中，可自下而上、分阶段地推进各实验内容。随着理论知识的加深，教师对实践环节的讲解不断深入，逐步帮助学生实现从理解到应用的能力转化，并且培养学生“自主学习”和探索新知的习惯。

课程组开发线上实践教学环境，采用线上线下双通道的授课方式进行理论和实践教学。课程组在线上部署前置知识和基础知识点的课件或视频，如将一些概念性知识点放在线上学习，部署实践类项目，设置答疑和讨论通道。线下课堂则集中精力进行核心模型（如全连接神经网络、卷积神经网络和注意力机制等）的讲解。在课堂设计中，教师采用问答、汇报等方式引导学生对具体问题进行分析讨论，设置翻转课堂指导学生对实践项目的实施过程进行汇报，在有限课时中更多地强调教师在实训实验现场指导中的个性化作用。通过线上线下结合的双通道教学可以培养学生自主学习和获取学习资料的能力，要求学生通过实训对课堂教学内容进行回顾和巩固。

（二）教学实践环境设计（实训训练）

课程组对AI Studio 平台提供的部分样例工程和领域数据集进行了分析，利用其云端的运算及存储资源在AI Studio 平台上创建了人工智能课程，构建了适合公安院校教学的教学实践环境，如图2 所示。课程加载了人工智能课程教学所涉及的课件、视频、试题、实践项目等资源。在实践模块中，坚持以问题为导向，根据专业特点设置实训内容，如针对公安视听技术专业设计了图片识别、数字识别等任务。课程组根据网络安全与执法和公安视听技术专业学员的基础情况构建了学生学习模型，包括已修课程、学习情况、课程成绩、编程能力等个性化信息。根据通过平台提交的平时作业，教师可以实时评估学生对知识的掌握程度，根据动态数据及时更新和优化学生模型，依托智能教学平台提供的学习情况分析结果，对学生开展有针对性的资源推送。

图2 人工智能实践教学环境

（三）差异化实践教学设计（学生科研）

公安院校的人工智能课程应以实践为核心。在教学设计中，教师通过课后实践项目、设计比赛项目和开放性大作业项目，鼓励学生进行深入学习和展开实践，并给予学生展示机会，充分调动学生的主观能动性。通过引导学生关注前沿动态，教师可以帮助学生拓宽人工智能技术在公安领域应用方面的视野，逐渐培养终身学习意识。因此，课程组通过不断引导学生对行业实践问题和人工智能前沿问题的研究兴趣，吸引优秀学生参与教师的科研工作，实现课程的差异化教学。高校在人才培养和师资培养的目标和素质要求方面是高度趋同的。在指导学生完成公安领域实践项目、参加科研工作的同时，教师也带领学生实现“科研式”的教与学，以此促进教学能力的提高。特别是在深度学习知识更新迭代速度快的背景下，教师需要通过跟踪新技术和科研实践促进教学质量的不断提升，从而实现科研对教学的反哺。

（四）多方式结合的评价设计（实践评价）

要客观评价学生对知识的掌握情况和能力的训练情况，需从多个维度进行考察，包括人工智能基本素养、问题理解分析能力、持续学习演进能力、创新应用拓展能力等。课程组设计三个题目类型，即客观题、实践题和实训题，从不同角度考核学生对知识和能力的掌握程度。实践性课程需要平衡教学过程中各个环节在考核过程中的占比。疫情期间的线上教学考核更需改革评价方式，实现边学边考，也需要提升阶段成绩在评价体系中的占比。在综合实验方面，考虑到项目所需时间较长，故将该部分的分数分成多个阶段分步给出。实验过程和结果分析的汇报是人工智能课程考核的重要环节，对该环节的考核也关系到学生的学习积极性和信心。为了使评分过程更加合理，教师指导学生细化汇报内容，具体分成知识理解情况、项目进度情况、实践小组合作情况、语言表达能力等。教师针对汇报过程对项目内容和结果数据进行提问，从而把握学生的实际掌握和完成情况，保证每个学生都能参与其中，并对有算法改进的学生进行鼓励。

（五）隐性课程思政设计（课程思政）

公安院校的课程教学中更应达到培养国家安全观、忠诚价值观和职业使命感的目的，因此课程思政建设不可忽视。抓住课程思政的“隐性”特征是本课程教学的目标之一，教师创新性地对人工智能课程的课程思政进行设计。例如，在课程绪论部分从国际形势和国家发展趋势出发，使学生明白人工智能与公共安全管理相融合是发展的必然趋势，向学生介绍人工智能技术在公安领域的应用领域和水平。模型参数的迭代寻优过程可以引导学生思考选对方法的重要性，在学习中培养学生的工作韧性。针对可能存在的数据歧视和偏好的问题，引导学生在利用人工智能技术和方法维护社会稳定、打击违法犯罪过程中秉持公平、公正的态度[6]。

三、基于AI Studio 的课程教学实践

为顺应国家在信息安全产业中推进国产化的要求，课程组选用AI Studio平台建立课程实训环境。AI Studio平台针对深度学习提供了免费的师资培训，提供较完整的课程课件和代码，以及丰富的经典实践案例和面向具体应用的实战案例[7]。而且为支持教学，该平台提供免费GPU算力，为教师和学生在平台上进行教学、完成实验和实训提供了基础。

（一）搭建基于AI Studio 的课程平台

AI Studio 提供了在线课程的统一环境，包括课程信息、教学内容、发布作业/考试/比赛、发布公告/建立讨论。教师进入AI Studio 平台，输入课程信息后创建课程，并根据课程需要设置教学内容，如图3 所示。

图3 设置教学内容

课程教学内容搭建完毕后，教师即可组织学生学习，在平台上查看和跟踪学生的学习情况。借助课程平台的功能，教师可以在每项课程内容下查看学生对应的学习状态，当学生完成课程内容学习后，学习状态即更新为“已学习”。教师根据学习进度及时发现问题，关注学习成效。

（二）“飞桨”框架下的深度学习实践项目

AI Studio 采用“飞桨”作为深度学习框架。结合学生能力和公安智能应用的实际情况，人工智能课程教学在实践实训项目设计过程中遵循以下原则。

1.设置应用领域，设计大类实训项目。根据学生的毕业岗位尚未确定，兴趣点各不相同的实际情况，依照人工智能在公安行业的应用领域，设计视频分析、语音识别、舆情情感分析、智能算法等类型的实践项目，这样能够基本满足未来学生在警种业务中智能分析大类的能力需要。

2.细分任务类型，细化知识和技能模块。不同的应用领域和项目目标有不同的要求，需要选用不同的研究方法。因此，在能力训练中选取机器学习和深度学习两大类方法，从任务类型上训练分类、聚类、回归和降维四项任务，以方法和任务为主线细化知识和技能设计和规划。

3.区分难易程度，实现差异化能力培养。设置不同难度的项目，在保证大多数学员具备基本能力的前提下，对不同能力和兴趣需要的学员进行分层次、有梯度的实践教学。为有能力的学生提供专业竞赛培训，在现有的校局合作框架内为学生提供参与一线实践和教师科研的机会。教师鼓励学生将项目实践通过毕业设计的过程进行完善，达到本科学习和能力训练的完整性目标。如图 4 所示，课程组在平台中添加应用方向不同、难度不同的实践项目，在实验设计中引入“飞桨“深度学习框架，学生不需要编写底层深度学习代码即可完成较复杂的深度学习任务，因此可以更关注模型的配置和调参。

图4 在课程中添加实践项目

实验设计遵循从通用应用逐渐向公安应用领域实训延伸的设计策略。以自然语言处理应用为例，以词向量应用项目展示词语如何表示为实数向量；中文新闻文本标题分类项目用具体实例说明不同神经网络模型结构对文本分类性能的影响；实体关系抽取项目采用预训练模型和其它新型模型引导学生实现对人、事、地、物、组织等实体的抽取。能够从以上经典模型中体会到参数调节和模型设计思想，是学生未来能够解决公安领域具体问题的前提。课程平台上自然语言处理相关应用的设计，为学生在警务实践中完成公安文本的智能分析项目提供了能力储备。

四、结 语

公安院校人工智能课程更加重视人工智能理念和技能在公安领域中的运用，有针对性地进行人工智能课程设计是必然要求。本文针对网络安全与执法和公安视听技术专业学员的特点，进行了人工智能课程的课程设计和实践。课程组搭建了基于AI Studio 平台的集成化教学环境，并展开教学实践，解决了人工智能课程实验中软硬件环境难以搭建、行业数据集难于获取、教学设计分散等亟需解决的问题。在深化校企合作、推动产学研融合的背景下，充分利用国产智能化AI Studio 平台进行人工智能课程建设，可提升教学能力，可为公安机关培养更多拥有人工智能理念和技术的优秀人才，实现公安机关以智能增效能的目标。