智能控制課程中英雙語教學方法研究與教學案例設計

尹 鐘，陳 瑋，付東翔，傅迎華，孫 紅

（上海理工大學 光電信息與計算機工程學院，上海 200093）

0 引 言

由于智能控制技術融合了控制論、自動化技術和人工智能科學等諸多重要知識[1]，智能控制課程在智能科學與技術專業本科培養計劃中占有重要地位。一方面，該課程幫助學生有重點地回顧了自動控制系統的基本結構、功能原理和性能指標；另外，學生可從多種智能理論體系（如模糊推理系統、機器學習、進化計算等[2]）了解人工智能方法在控制問題中的具體應用案例，學習解決復雜、時變、不確定輸入輸出過程的數據驅動建模和控制器設計問題[3]。

智能控制課程內容涵蓋范圍較廣、應用場合多，由于課時數受限，教師可能無法詳盡解釋個別理論方法的內在機理。學生需在課后查閱相關參考文獻，或在研究生學習階段學習進階課程。在此過程中，學生將不可避免地接觸英文文獻和教材。為了提高學生在課后獨立閱讀中英文資料的效率，教師需幫助學生準確掌握不同智能控制方法原理的雙語表述和概念思想。具體來說，教師需在采用易于理解的中文課程教材授課的同時，將針對具體方法的國際優秀教材作為補充，設計切實可行的智能控制課程雙語教學方法，幫助學生高效且精確地掌握授課內容，為進階學習打下牢固基礎。

考慮到大學英語教學內容并未完全涵蓋智能科學涉及的技術英語，智能控制課程的中英教學方法可先采用較為保守的“中文為主、英文為輔”模式，在教授過程中循序漸進地提高/降低英文內容的所占比例。這種雙語教學模式的特點和新意在于，授課內容的中英文比例或知識結構特點可隨學生的學習效果自適應調節，其難點在于，中英文授課內容比例的精確量化和教學效果的定量評估的實現。為了研究雙語教學方法中的這兩個問題，需設計有代表性的案例進行驗證。從上述動機出發，筆者在以往教學和文獻閱讀工作的基礎上[4]，針對智能控制課程，探索了切實可行的中英雙語教學模式，針對關鍵知識點設計了可評估授課效果的教學案例，并將其運用于教學實踐環節。

1 自適應雙語教學方法框架設計

圖1 為智能控制課程自適應雙語教學方法框架，目的是針對本科三年級學生的平均數學、英語、編程水平。首先，基于中文教材和教學大綱，依據不同章節的授課內容確定合適的英文教材，保證中英術語嚴格準確地對應。表1 列舉了不同章節對應的英文教材信息和適用知識點。第二步，利用分治策略，針對具體授課章節，設計切實可行的教學案例，案例包括理論授課和上機實驗兩個環節。對于前者，雙語模式可幫助學生掌握智能控制技術中文術語的英文表達；對于后者，該模式可輔助學生理解相關智能算法的運行原理和編程命令。第三步，教學實踐并評估不同授課章節的教學效果。最后，通過學期期末考試成績，評估當前中英文授課比例下教學模式的效果，優化教學方法。

圖1 展示了智能控制課程自適應雙語教學方法的框架結構，其流程包含一個前饋路徑和兩個反饋回路。首先，基于制定的中文教材，分析智能控制課程知識結構；再依據表1 確定模糊推理系統、專家系統、遞階控制、神經網絡等章節分別對應的英文參考書目；之后，基于教學大綱選擇一個授課知識點，備課并設計相關教學案例，進行教學實施，評估章節授課效果；此時，需分析反饋局部授課效果，改進中英文內容比例，同時，選擇下一個知識點，繼續上述流程；當學期結束時，分析考試成績，作為評估學期內整體授課效果的基礎，基于這些反饋信息改進雙語授課案例、實驗案例、教學實施方法等細節，為下一學年教學工作做準備。

2 雙語教學案例設計

圖1 智能控制課程自適應雙語教學方法框架結構圖

以智能控制課程人工神經網絡章節的部分內容為例，基于感知器和多層感知器知識點分別設計了兩個講授案例和兩個上機實驗案，見表2。針對雙語內容，案例1 幫助學生掌握感知器（組成前饋神經網絡的基本元素）的相關中英文術語；案例2 在此基礎上引入感知器訓練算法，幫助學生掌握機器學習模型評估指標的術語；案例3 引入多層感知器誤差逆傳播算法，幫助學生掌握鏈式法則、梯度、最小二乘法等術語的英文表達和描述，同時引導學生閱讀多層感知器模型的誤差逆傳播算法程序；案例4 以鳶尾花和MINST 手寫體數字識別數據集為基礎，引導學生調研文獻中該問題的歷史最優識別精度，提高英文資料的檢索和閱讀理解能力。

表1 智能控制課程知識點對應的中英文教材和參考書選擇

表2 感知器和多層感知器知識點雙語教學案例設計

2.1 課堂講授案例

借助表1 中智能控制教材第五章節、神經網絡章節參考書第一章節“Rosenblatt 感知器”設計了案例1 和案例2 的授課內容。

案例1 包括以下3 個主要模塊：①感知器模型的基本結構描述，圖2 展示了可視化該結構的雙語幻燈片示例，學生需先復習線性代數課程中關于標量、向量的基本概念，學習突觸權值、偏置、誘導局部場等雙語術語，最終理解感知器模型的前饋計算流程；②激發函數的類型，學生需學習多種激發函數的中、英文、數學描述，熟悉其輸入輸出特性，圖中展示了經典的對數S 形激發函數；③課堂提問和隨堂練習，布置基于指定輸入數據，計算感知器輸出的習題，供學生完成。

案例2包含3個主要模塊：①二類線性可分和線性不可分問題，向學生展示感知器只能處理線性可分問題，同時學生須學習形如“訓練（train）”“子空間（subspace）”“算法（algorithm）”等雙語術語；②詳述感知器收斂算法（Perceptron convergence algorithm）的基本步驟，幫助學生準確理解該算法的證明過程和計算流程，熟練閱讀基于英文的偽代碼；③學習機器學習模型評估指標，使學生掌握“精度（accuracy）”“靈敏度（sensitivity）”“特異度（specificity）”等術語和概念；④隨堂練習和研討，引導學生嘗試編寫能自適應學習率的算法偽代碼，并相互交流。

2.2 上機實驗案例

基于神經網絡參考書第四章節“多層感知器”設計實現案例3、4的內容。

學生通過對案例1、2 的學習可掌握人工神經元的基本結構。在此基礎上，案例3 引入多層感知器，并向學生演示訓練算法——誤差逆傳播算法。本教學內容依托MATLAB 平臺實現。學生需先掌握該算法的推導過程，其部分內容見圖3。神經網絡的訓練過程可看作最小化誤差信號e(n)，利用最小二乘思想求取瞬時能量誤差e(n)，繼而利用鏈式法則計算靈敏度因子，從而獲得與調節突觸權重w(n) 相關的梯度方向。學生在此階段需掌握該數學推導流程中使用的術語。之后，幫助學生利用其結論編寫前饋多層感知器的訓練程序，在此過程中教師將現場演示示例程序的實現流程，并為每行語句添加中英文注釋。課后，學生需遞交實驗報告和可閱讀的程序代碼。

圖2 感知器模型結構幻燈片示例

圖3 誤差逆傳播算法實現過程幻燈片示例

案例4 中，學生將鳶尾花和MINST 數據應用于案例3 的程序，嘗試基于單隱層前饋神經網絡實現有監督模式識別。圖4 展示了一個實驗結果示例，其中，學生需研究多層感知器隱層節點個數和輸入數據噪聲水平同時提高時，測試識別精度的變化趨勢。可見，隨隱層節點增加，模型泛化能力下降，而噪聲水平并未顯著影響精度變化。最后，幫助學生分析實驗數據——多層感知器雖對噪聲有一定的“濾波”能力，但由于訓練數據有限，過于復雜的模型結構易導致過擬合問題。

3 教學實施與總體評估

依據提出的教學方法和教學案例，針對智能控制課程“神經網絡”章節設計了相應教學模塊，并將其應用于上海理工大學2015 級智能科學與技術和測控技術與儀器專業的智能控制課程。為了初步試驗所實施教學方法的有效性，筆者僅在神經網絡、模糊推理系統和學習控制章節采用了雙語教學方法。在教學實施過程中，大部分學生對理解雙語內容并無明顯障礙，能較好地掌握大部分英文術語和重要概念描述，在討論環節表現出更高的參與度。表3 展示了兩個班級學生的期末考試成績，其中試卷難度無顯著性差異。筆者統計了所有選課的13 名2015 級學生（均為智能專業）和認真出席課程的13 位2014 級學生（9位智能專業、4 位測控專業），并將成績由高至低排序。

圖4 案例4 實驗結果示例：iris 數據集測試精度隨輸入噪聲強度與隱層節點個數變化趨勢

表3 傳統授課方式和雙語授課方式成績對比

從表3 中可見，采用雙語授課方式的2015級學生得分更高。采用威爾科克森（Wilcoxon）符號秩檢驗發現，該成績提升顯著（p＜ 0.05）。另一方面，學生成績的標準差略微升高，其潛在原因在于當前授課模式未能適應個別學生的聽課習慣。因此，可在下一學年的授課環節略微降低雙語授課內容比例，提高講授環節幻燈片的可讀性，優化學生的認知負荷，進一步提升雙語教學效果。

4 結 語

該方法在實際教學實施中幫助學生掌握關鍵知識點，使學生取得了較高的期末考試成績。值得指出，少部分學生對英語授課內容的接受度不高，導致其在雙語學習教學模式下的學習效能下降。因此，該方法仍需通過多個學期的教學實施，更仔細地改進和優化。在未來的工作中，可對學生的評教分數和課堂問卷指標統計分析，探究雙語內容的最優比例和搭配方式，進一步挖掘該方法的潛力。