新工科背景下人工智能基础课程教学模式研究与探索

张春飞,王成喜,梁 楠

(吉林大学,吉林 长春 130022)

“新工科”建设是国家主动应对新一轮科技革命与产业变革而做出的重要战略行动,旨在培养和造就一大批引领未来技术与产业发展的卓越工程科技人才,以此来为我国核心产业发展及提升国际竞争力提供基本的智力支持和人才保障。2018年4月,教育部印发《高等学校人工智能创新行动计划》提到推进“新工科”建设,重视人工智能与计算机、生物学、心理学、社会学等学科专业教育的交叉融合,形成“人工智能+X”复合专业培养新模式。伴随着“新工科”建设和《高等学校人工智能创新行动计划》的不断推进,人工智能基础课程的地位也随着该技术的不断发展和成熟而得到迅速提升。但是,在培养人工智能创新型人才方面,目前的教学现状还存在着诸多亟待解决的问题,主要表现在教学过程重理论轻实践,注重知识的传授,却忽略了学生基本能力的培养,理论与实践相脱离。最终导致学生对于所学知识的实际应用价值产生质疑,学习失去方向性指导,缺乏学习的动力,影响最后的学习效果。另外,教学过程中也未能充分考虑学生认知过程中的个体性差异,对于学生学习的目的及意向缺乏足够的重视,从而实施与“因材施教”背道而驰的群体性教育,教学效果的考核形式也较单一,存在“一纸试卷定结果”的现象。因此,针对人工智能基础课程教学改革模式的研究,对于“新工科”建设中新一代人工智能人才的培养具有重要的现实意义,需要更多的教育界和信息技术领域专家为之不断付出努力。

传统课堂授课模式与在线教学的深度融合模式,已逐渐成为了众多高校教学改革的热门方向。2019年,在全面振兴本科教育的背景下,教育部颁发了《教育部关于一流本科课程建设的实施意见》,明确指出混合式教学作为全面推动信息技术和课堂教学深度整合的新型模式,成为高等学校提升教育教学质量、培养高水平人才的重要抓手。人工智能技术具有与其他学科交叉融合的秉性,内容涉及计算机、生物学、心理学、社会学等诸多学科专业。面向工科专业的学生,“人工智能基础”课程的混合式教学模式研究主要涉及两个方面:一是线下教学过程中对于探究式案例教学法的研究,侧重于重点概念和核心原理的讲授与学习过程;二是线上教学过程中对于个性化教学平台的研究与设计,侧重于学习的灵活性和主动性,核心是推荐算法的研究。只有将线上与线下教学过程有机融合起来,实施真正意义上的“因材施教”策略,才能真正达到该课程的教学大纲要求,培养出满足国家发展建设的复合型人工智能人才。

一、对于“因材施教”的深层次解读

“因材施教”最早源于我国古代教育家、思想家孔子提出的育人要“深其深,浅其浅,益其益,尊其尊” 的教育理念,强调教育要针对学习者的能力、性格、志趣等具体情况施行因人而异的差异性教学。

总体来说,可以从两个层面着手,一方面是学习方向的因材施教,即将来要培养出什么类型的人才,可分为理论研究型和实践应用型。针对不同的发展方向,有计划地实施不同的培养内容,进而组织相应的授课内容,进行有取舍的个性化教与学,而非传统的“群体性统一讲授”模式。具体来说,针对理论研究型人才的培养,应从开始就侧重进行人工智能理论素养的培养,着重算法层面的教育和引导。例如,针对当前的人工智能研究前沿领域机器学习和人工神经网络等,注重创新性算法及理论的引导学习。而针对实践应用型人才的培养,则强调理论应用于实际能力的培养,重点落实在解决实际问题的能力的教育上,重在培养实践类工程人才。例如,为迎合人工智能技术应用于工程实践的需要,强化图像识别与分类技术的学习,强化智能技术与传感器及机械传动方面的接合等,最终使得技术与实际需求相接轨、学习与应用相结合。

另一方面是学习内容的因材施教,即针对学生学习能力的差异,进行有差异性的自主性个性化学习。借助学习平台,根据学生对于所学知识点的实际掌握情况,进行分析、推理和总结,进而进行有针对性的推荐学习内容,实现个性化学习。学习平台的个性化分析和评估模块能够根据学生的学习需求和对当前知识的掌握情况,结合课程知识点间的拓扑结构关系,推荐相应的学习内容。例如,学生对于当前知识点掌握情况较好,根据其学习需求推荐新的学习内容,而当学生对于当前知识点掌握情况不理想,则依据知识点拓扑关系推荐欠缺知识点相关内容的学习,做到学习内容因人而异。

二、“人工智能基础”课程教学模式改革策略

“人工智能基础”课程的教学模式改革策略主要涉及到两个方面:一是线下教学过程中对于探究式案例教学法的研究,侧重于重点概念和核心原理的讲授与学习过程;二是线上教学过程中对于个性化教学平台的研究与设计,侧重于学习的灵活性、主动性和差异性。只有将线上与线下教学过程有机融合起来,才能真正达到该课程的教学大纲要求,培养出复合型的人工智能人才。

(一)线下探究式案例教学法在人工智能基础课程中的应用

内容广泛、理论多、概念抽象、原理复杂是人工智能基础课程的特点。因此对于初次接触的学生来说不容易掌握,还容易产生枯燥和厌学的情绪。而且,当下人工智能课程的理论教学中,往往更多的是强调基本概念和理论的讲授,而忽略了学生人工智能素养的培养,没有联系知识的应用背景,从而具有片面性,本质上阻碍了工科学生创新能力的养成。

探究式案例教学法的基础在于理论教学案例库的建设。构建案例库应该涵盖理论知识、专业领域和当前研究的热点问题,要使教学过程更加贴近实际生活,从而能够加强学生对人工智能基本理论的理解,提高学生的学习热情和效率。在实际教学过程中,对于案例的设计应严格遵从以下原则:一是能够激发学生的学习兴趣;二是问题设计有针对性;三是有利于培养高层次的计算思维;四是有利于教师与学生的有效性交往。

例如,对于知识表示中的产生式系统讲解,可以引入当前的热点话题“人机大战”,通过介绍该事件的背景和比赛的结果,充分激发学生的兴趣,并适时将产生式系统的基本结构及工作原理穿插其中,根据学生的实际掌握情况有针对性地将机器博弈中常用的极小极大过程和α-β剪枝算法讲授给学生,并引导学生利用该知识点开发相应的棋类博弈程序。对于状态图表示法引入图1所示的汉诺塔问题、对于搜索策略引入猴子摘香蕉问题、对于A*算法的讲解,则是先讲授原理及算法,然后应用学习的原理及算法解决野人与修道士过河的问题,通过实践使学生真正掌握原本枯燥的启发式搜索算法。针对每一个核心原理都有相应的多个案例事件与之相对应,从而提高理论教学的效果,使得原本生硬难懂的概念、原理变得鲜活生动起来。

图1 汉诺塔问题

探究式案例教学法在实际教学过程中根据讲授内容的不同,主要通过两种模式进行:一是先导入案例分析,后引入知识点讲解;二是先讲述相关知识点,后引入案例学习。前者利于引入当下的热门话题,激发学生的学习热情,培养学生的学习兴趣,后者则有利于引导学生将理论知识应用于解决实际问题,从而明确学习的针对性和目的性。例如,针对图1所示的三阶汉诺塔问题,可以先导入实际问题,并与学生采用交互式或分组讨论的形式完成三阶汉诺塔问题的求解。留时间给学生充分思考和实践,从中找出解决问题的方法及步骤,最后水到渠成地引入问题归约法,即利用人工智能的方法解决实际问题。最后形成知识点的总结,即问题归约法的组成:一个初始问题描述;一套把问题变换为子问题的操作符;一套本原问题。进而讲授问题归约的实质是:从目标出发逆向推理,通过原问题建立子问题,最后把初始问题归约为一个本原问题的集合,引导学生建立如图2所示的汉诺塔问题归约图。

图2 汉诺塔问题归约图

探究式案例教学法也有利于“因材施教”策略的施行,授课过程中通过观察学生的学习状态和对知识点的掌握情况,合理安排适当的案例讲解。尤其适合于分组讨论的情况,可根据各个小组学生的学习意愿与兴趣,分配不同的讨论案例,小组与小组之间也可穿插进行,鼓励互助式学习,提升学生的学习成就感,推动参与者共同进步。

(二)线上基于智能教学平台的个性化学习

个性化教学平台的建设目的是实现学生的自主学习和差异化学习,实现教学过程“以课程为中心”向“以问题为中心”和“以培养学习能力为中心”的转变。旨在整合高等院校教育教学资源的基础上,为学生提供良好的学习氛围,满足高等院校中学生线上线下相结合的个性化学习需求,真正做到素质教育和因材施教,从而提高学生对于“人工智能基础”课程的整体学习效率,促进学生个体的全面发展。

平台建设首先要解决的问题是总结绘制该课程的知识点拓扑结构图,并以此为基础,构建“人工智能基础”课程的知识点素材集。充分掌握知识点间的前后衔接关系,自动组织并推荐学习的内容,实现个性化学习。人工智能基础课程部分知识点拓扑结构图如图3所示。知识点拓扑结构图是学习平台推荐算法的基础,也是学生获得新的学习内容的依据。

图3 “人工智能基础”部分知识点拓扑图

个性化推荐学习平台的总体架构如图4所示。其中,教学规则和教学策略采用产生式系统,推理方式采用前向推理,即“由前提推出结论”,形式如“IF 前提 THEN 结论”。该形式与我们的认知过程相符合,容易将我们所具有的知识形式化并转化为智能平台所对应的领域知识。根据学生的认知能力和对当前知识点的掌握情况自动推荐组织后续的学习内容。个性化分析和评估模块是实现个性化学习的基础,功能是根据课程的知识点拓扑结构图及学生对于知识点的掌握情况,分析其学习过程中存在的问题,为个性化调度模块提供依据。最后由个性化调度模块完成待学习内容的组织和推荐,即如果当前知识点掌握情况较好,则根据知识点拓扑结构图形成后续学习内容,如果当前知识点掌握不好,依据分析和评估模块提供的依据,向前溯源找到问题所在,并提供相应的学习内容。个性化学习平台充分发挥了智能性的特点,针对不同认知能力的学生提供不同的学习内容,真正做到因材施教和个性化学习。

图4 个性化推荐学习平台架构

(三)教学过程的组织和实施

人工智能基础课程的线下线上相融合的教学模式在组织和实施过程中更加突出了授课内容组织的灵活性,教师的角色从课堂的掌控者变成了学生学习的引导者。教师可根据学生的认知能力差异和学习效果实时调整授课的内容及线上线下授课的比例,从而实现从教学过程“以教师为中心”转向“以学生为中心”。

课程的组织总的来说分线下线上两部分进行实施,线下教师授课侧重于重点概念和核心原理的讲述,尤其是前期讲授过程中发现的对于学生来说难以理解易于混淆的部分。例如基于逻辑的问题求解方法中,Herbrand定理和鲁宾逊归结原理历来都是学习的重点和难点,必须采用线下探究式案例教学法,一步一步引导学生掌握。另外,在授课的过程中,教师也应该实时关注学生的学习状态和学习效果,以决定接下来的授课形式。

线上教学强调的是实践部分的学习,能够运用学习到的理论知识解决相关的实际问题,并且通过自测来发现存在的缺陷及漏洞,及时加以补充。线上教学平台既可以部署在校园网平台上,供校内学生使用,也可以部署在华为云平台上,供校内及校外学生使用。线上自主学习也不是教师完全的放任不管,而是充分相信学生自主学习的能力,通过在线答疑的形式解决学生学习过程中存在的问题。

人工智能基础课程的考核形式也有别于其他课程,更加注重知识应用于实践的能力,因此除去学生必须要掌握的课程基础知识采用统一答题的形式外,又加入了分组实训的环节,小组成员共同完成一个实例,教师给出小组的分数,然后由各个小组的成员按照贡献率自行分配相应的分数,从而达到促进学生参与积极性的目的,提高其合作解决问题的能力。

课题研究工作在吉林大学工学部2022级新生中展开,为验证“人工智能基础”课程线上线下融合式教学的效果,随机选取两个平行班进行实验,人数均为60人,一个班采用传统线下授课模式,另一个班则采用本课题研究的线上线下融合式教学模式。实验从学习兴趣、学生满意度、解决复杂问题能力和考试通过率四个方面进行评价,实验对比结果见表1。

表1 “人工智能基础”传统授课模式与线上线下融合模式效果对比

实验结果反映出采用本课题提出的线上线下融合式教学模式在“人工智能基础”课程教学过程中的优势,有利于提高学生的学习效率。

三、总结

针对人工智能基础课程的特点和工科学生认知能力的差异,本文研究了线上线下融合式的教学模式,目的在于提高人工智能基础课程学生的学习效果,提升课堂授课质量,最终培养学生的人工智能素养。线下教学采用探究式案例教学法,充分调动学生的兴趣,提升学生实际解决问题的能力,线上教学依托学习平台使学生完成自主学习。实践结果显示了该模式在实际教学过程中的有效性,能够为同类的研究提供相应的参考。