基于成果導向教學的人工智能課程改革

陳 娟，劉鋒林，黃麒之，文 泉

（電子科技大學計算機科學與工程學院，四川成都 611731）

0 引言

成果導向教學（OBE）［1-4］是以人人都能學會為前提、以學生為中心、以成果為導向的教學模式。成果導向教學強調學生的能力培養和能力訓練，發掘學生的個人價值和潛力。人工智能是計算機專業核心課程，其是對計算機科學、信息論、控制論、自動化、仿生學、生物學、心理學、數理邏輯、語言學、醫學和哲學等跨學科知識的交叉與應用。人工智能課程主要研究如何使計算機模擬人的思維過程和智能行為，包括學習、推理、思考、規劃等能力。人工智能課程教學內容涉及知識面很廣，需要學生具備突出的學習能力。因此，教師采用成果導向的教學模式探索與實踐人工智能課程的教學改革，向學生傳授學習能力的“船槳”，教師在教學過程中充當“燈塔”的指引作用，使不同層次的學生都能“揚帆起航”，在《人工智能》浩瀚的知識海洋中收獲不同智力程度的知識“寶藏”。

1 成果導向教學思路

基于成果導向教學的人工智能課程改革，以學生為中心、以課程項目為驅動。教師在成果導向教學實施過程中，通過設計具有趣味性、挑戰性、實用性的科研實驗問題，引領不同層次的本科生對實驗步驟進行分工與細化，提出科研實驗的解決方案。當本科生在成果導向教學實施過程中遇到困難時，教師鼓勵其嘗試進行創新，針對不同學生的學習能力和特點進行個性化指導，并對科研實驗結果進行對比與分析，以啟發學生的創新思維，發掘學生的學習潛能。

人工智能課程在成果導向教學的探索與實踐過程中，使學生通過分工協作，在實驗平臺搭建、算法設計、編程實踐、實驗結果分析等方面深入體驗科研實驗過程，并且在交流協作、創新思考環節中收獲學術研究的經驗和方法。學生們表示，通過參與科研實驗使其對學術研究產生了濃厚興趣。而且基于成果導向教學的人工智能課程采用達成性評價，以定量分析學生的能力培養情況。

本文選擇人工智能課程的“人工神經網絡”章節作為教學案例，分析與探討成果導向教學改革的作用。“人工神經網絡”是深度學習的研究熱點，教師通過問卷調查，發現絕大部分學生對神經網絡的結構設計和分類應用具有很強的好奇心與濃厚的學習興趣。使用神經網絡［5-11］解決圖像分類問題，近年來已吸引了眾多學者關注。其中，“微分神經網絡”［11］是神經網絡技術中的代表性方法，具有訓練速度快等許多優點。因此，教師針對深度學習的學術研究熱點，構思并設計了“微分神經網絡”課程項目實驗，以實施成果導向教學。

2 成果導向教學問題設計

本文選擇國際皮膚成像合作組織（ISIC）國際競賽圖像數據集，要求學生分工協作搭建“微分神經網絡”，以解決皮膚圖像和皮損圖像的二分類問題，作為人工智能課程“人工神經網絡”這一章成果導向教學模式的科研實驗任務。

“皮損”是正常皮膚發生的良性或惡性病變，自動分類皮膚圖像和皮損圖像，是計算機輔助診治皮膚癌的首要步驟。皮膚癌具有很高的致死率，但早期診治預后效果較好。國際皮膚成像合作組織（ISIC）舉辦年度競賽［12］，以鼓勵計算機輔助診治皮膚癌的學術研究［13-15］，并提供競賽的公開數據集。因此，基于皮膚圖像和皮損圖像二分類的成果導向教學問題具有重要的實踐意義。

3 成果導向教學案例設計

基于成果導向的人工智能課程改革，聚焦計算機科學與技術專業的本科人才培養。人工智能課程培養學生的核心能力和素養目標包括：①培養學生的文獻分析能力、實驗方案設計能力、系統建模能力、數據分析與解釋能力、實驗結果評估能力；②培養學生的創新能力、溝通交流能力、組織管理能力、自主學習及終身學習能力。

基于成果導向的《人工智能》“微分神經網絡”教學案例設計，結合教學重難點，主要通過5 個核心教學任務培養學生的核心能力和素養：①微分神經網絡結構設計，旨在培養學生的文獻分析能力和系統建模能力；②微分神經網絡學習機制選擇，旨在培養學生的實驗方案設計能力；③編程平臺實驗環境配置，旨在培養學生的項目經驗和組織管理能力；④皮膚圖像和皮損圖像數據集準備，旨在培養學生分析與解釋數據的能力；⑤皮膚圖像和皮損圖像預處理，旨在培養學生的創新能力和實驗結果評估能力。

教學任務①、②是《人工智能》“人工神經網絡”這一章教學的頂峰成果，強調每位學生都能深入掌握神經網絡的基本原理和應用，是每位學生必須完成的基本任務。教學任務①、②與《人工智能》“人工神經網絡”這一章的教學知識點完全契合，可使學生理解神經網絡的工作原理和結構特點。教學任務①是搭建神經網絡的基礎，類似于制造一輛符合每個學生喜好的汽車，但只能得到汽車的實物，汽車還不能開動；教學任務②是神經網絡的進階學習，引導學生讓神經網絡開始工作，類似每個學生加入汽油，并按照自己的意愿駕駛汽車。

教學任務③、④是《人工智能》“人工神經網絡”這一章教學的拓展成果，提供給具有濃厚學習興趣且學有余力的學生，注重培養學生的探索能力和創新精神。在教學任務③、④中，教師設計開放式的項目選擇，問題的正確答案不唯一，有多個解，學生可自主選擇求解問題的方法。

教學任務⑤是《人工智能》“人工神經網絡”這一章教學的挑戰成果，提供給學習基礎扎實且學習能力突出的學生。在教學任務⑤中，學生可以充分體驗學習的挑戰性，精益求精地開展科研實驗，并對科研實驗結果進行持續改進。

4 成果導向教學案例實施

《人工智能》成果導向教學案例的實施，主要包括教學任務的頂峰成果、拓展成果和挑戰成果的實現。其中，頂峰成果，輻射教學任務①、②的實施；拓展成果，輻射教學任務③、④的實施；挑戰成果，輻射教學任務⑤的實施。

4.1 頂峰成果教學案例

第一個成果導向教學任務的實施：微分神經網絡結構設計。首先，教師向學生展示構成微分神經網絡的基本要素，包括卷積操作、歸一化函數、激活函數、池化函數、展平函數、線性變換函數、微分函數；然后，教師引導學生分組（A 組，B 組，C 組）搭建微分神經網絡，其中A 組同學選擇卷積操作、歸一化函數、激活函數搭建微分神經網絡的下采樣層，B 組同學選擇卷積操作、歸一化函數、激活函數、微分函數搭建微分神經網絡的特征提取層，C 組同學選擇池化函數、展平函數、線性變換函數搭建微分神經網絡的全連接層；最后，教師引導學生將A 組的下采樣層、B 組的特征提取層、C 組的全連接層按順序組合起來，構成微分神經網絡。

第二個成果導向教學任務的實施：微分神經網絡學習機制選擇。首先，教師向學生展示微分神經網絡的損失函數，以及梯度反向傳播學習算法［16-18］，引導學生自主選擇損失函數；然后，教師引導學生分組（A 組，B 組，C 組）對微分神經網絡的參數求梯度，其中A 組同學使用損失函數對微分函數的“開始時間節點”求梯度，B 組同學使用損失函數對微分函數的“終止時間節點”求梯度，C 組同學使用損失函數對微分神經網絡的其它參數求梯度；最后，教師引導學生將A 組、B 組和C 組的求梯度操作組合起來，構成微分神經網絡的學習機制。

4.2 拓展成果教學案例

第三個成果導向教學任務的實施：皮膚圖像與皮損圖像數據集準備。本文選擇國際皮膚成像合作組織（ISIC）提供的公開數據集［12］作為微分神經網絡的實驗數據。首先，教師帶領A 組同學對ISIC 數據集進行圖像分塊處理，得到185 049 幅皮膚圖像和34 055 幅皮損圖像；然后，教師帶領B 組同學對原始圖像進行縮小處理，得到32×32 像素的小圖像訓練微分神經網絡；接下來，教師帶領C 組同學將訓練圖像隨機旋轉90°、180°或270°，并隨機對訓練圖像進行上、下、左、右方向的翻轉，實現數據增強和數據均衡；最后，教師引導學生按照5∶1 的比例，從ISIC 數據集中隨機選擇訓練圖像集和測試圖像集。

第四個成果導向教學任務的實施：編程平臺實驗環境配置。教師向學生展示微分神經網絡的PyTorch 編程平臺，選擇GPU 的型號為GeForce GTX 1060，顯存為6G，內存為8G。教師引導學生分組（A 組，B 組）選擇微分神經網絡訓練參數。A 組同學選擇128 幅圖像作為一個批次（batch），訓練迭代次數為160 次；B 組同學選擇學習率初始值為0.1，并在訓練過程中自適應選擇系數（0.1，0.01，0.001）對學習率進行衰減。

4.3 挑戰成果教學案例

第五個成果導向教學任務的實施：皮膚圖像與皮損圖像預處理。實驗數據集中的圖像包含成像造成的黑色圓角和黑色邊框，以及皮膚科醫生用來做顏色對比的色卡，這些非皮膚區域對皮膚圖像和皮損圖像分類造成了很大干擾。因此，教師引導學生分組（A 組，B 組，C 組）使用去除黑色圓角、去除黑色邊框、去除色卡3 個圖像預處理方法實現圖像去噪［19-20］，如圖1 所示。

圖1 圖像預處理

A 組同學去除圖像的黑色圓角，如圖1（a）和圖1（b）所示。在圖像的兩條對角線上，以搜索到的離圖像邊界最近的非黑色像素為邊界，裁剪圖像的黑色圓角。以像素坐標max（x1，x2）裁剪圖像上邊界，以像素坐標min（x3，x4）裁剪圖像下邊界，以像素坐標max（y1，y4）裁剪圖像左邊界，以像素坐標min（y2，y3）裁剪圖像右邊界。

B 組同學去除圖像的黑色邊框，如圖1（c）和圖1（d）所示。在圖像的水平中線和垂直中線上，以搜索到的離圖像邊界最近的非黑色像素為邊界，裁剪圖像的黑色邊框。以像素坐標y1裁剪圖像的左邊界，以像素坐標y2裁剪圖像的右邊界。

C 組同學去除圖像的色卡，如圖1（e）和圖1（f）所示。C 組同學設計了色卡在HSL 顏色空間的閾值條件，如表1所示。然后，在一幅原始圖像中得到4×4 像素的小圖像塊。在小圖像塊的HSL 顏色空間中，分別比較每個像素在H、S、L 3 個顏色通道的值是否滿足表1 的色卡閾值條件。如果滿足該閾值條件的相鄰像素超過100 個，則在原始圖像中去掉色卡對應的小圖像塊。

表1 色卡H、S、L 通道閾值

5 成果導向教學達成性評價

在人工智能課程“人工神經網絡”這一章的成果導向教學改革中，教師帶領學生使用微分神經網絡對ISIC 數據集進行皮膚圖像和皮損圖像的二分類，并統計具有醫學意義的分類指標，得到實驗結果如下：皮損圖像的查全率為90.23%，查準率為84.24%，F1 指標為87.13%。教師通過對實驗結果的達成性分析，發現微分神經網絡能夠很好地完成皮膚圖像和皮損圖像的二分類任務。

最后教師采用問卷調查形式，請學生對學習效果和學習能力提升情況進行自評，以衡量成果導向教學的目標達成情況。主要包括：①算法設計能力；②編程能力；③分工協作能力；④科研探索能力；⑤挑戰與創新能力。調查結果表明，基于成果導向的人工智能課程教學改革能夠拓展學生思維，提高學生的編程能力，提升學生對人工智能課程的學習興趣和自信心。

6 結語

本文采用成果導向的教學模式探索與實踐人工智能課程教學改革，立足前沿的科研問題，通過組織與引領本科生參與科研實驗，激發學生探索科學問題的興趣，使學生深刻體會到發現與解決問題的樂趣。人工智能課程的成果導向教學改革，通過頂峰成果、拓展成果以及挑戰成果的教學任務實施，聚焦計算機科學與技術專業本科人才的核心能力和素養培養，在人人都能學會和人人都感興趣的學習氛圍下，很好地實現了人工智能課程成果導向的教學目標。