面向智能化場景的基于PBL的數據結構教學模式研究*

梁婷婷

（杭州電子科技大學 浙江杭州 310018）

大數據、云計算、物聯網等先進技術的發展，以及高性能計算平臺的快速升級推動著人工智能技術的蓬勃發展。2017 年7 月國務院出臺的《新一代人工智能發展規劃》將人工智能上升到國家戰略，《規劃》旨在推動人工智能技術研發和產業化發展，制定了我國人工智能發展的“三步走”戰略目標，提出了包括人工智能基礎理論體系在內的11 項重點任務。在此背景下，國內外各大高等院校逐步將與人工智能技術相關的內容納入本科課程任務中。人工智能技術大幅跨越了科學與應用之間的“技術鴻溝”，典型的應用，如自然語言處理、計算機視覺、語音識別等均離不開人工智能技術的支撐，而這些技術大多是以數據結構和算法為基礎而發展的。因此，數據結構和算法設計是大學計算機教育重要組成部分。同時，數據結構理論課程和實踐設計課程是培養學生創新能力和獨立思考能力最好的方式之一，可有效提升學生思維的邏輯性和獨立性。因此，在人工智能高速發展的背景下，高校應該構建起更加合理、科學的數據結構課程體系。

一、數據結構教學現狀

數據結構課程講授的相關理論知識和技術方法是計算機專業學生在進一步學習包括人工智能技術在內的其他計算機前沿知識，或是從事理論研究、應用開發等工作都起著重要的作用。

數據結構課程內容包括各種數據的存儲結構、邏輯結構以及基于不同結構的算法設計、分析及實現等。此外，該課程具有較強的實驗要求，強調培養學生的算法設計、編程實踐等方面的能力，為后續學生參與工程實踐打好基礎?，F有的教學多采用理論知識講授、案例教學等方式，學生接受知識較被動，學習效果考核多以作業和期末考試為主，對調動學生學習積極性的作用有限。在人工智能繁榮發展的大環境下，數據結構和算法設計不可能作為一個孤立的存在，而是需要共同作為實現人工智能應用的基石。具體來說，目前人工智能背景下數據結構的人才培養主要存在以下四個方面的問題：

（一）課程以課堂講授為主，側重理論知識，不夠重視編程實踐應用能力的培養

數據結構課程評價方式以筆試為主，期末考試對學生在基本概念、方法以及算法等方面的掌握情況進行評價。學生缺少將理論知識付諸編程實踐的機會，在很大程度上限制了學生創新和實踐能力的提高。盡管數據結構課程安排了少量的實驗環節，但實驗題目的設置針對簡單且傳統的數據結構及其相關操作的實現，主要考察的還是學生對基本數據結構知識的掌握情況，對處理實際問題能力培養的作用有限。

（二）忽視了數據結構與人工智能領域應用的結合

目前的數據結構課程基本針對四種基本的結構，即線性表、樹、圖、集合，討論其物理存儲和邏輯關系特點，以及對應的抽象操作，重點考查學生對數據結構理論知識點的理解，而忽略了學生面對特定領域，如人工智能領域中的實際問題的創新能力、應用能力和團隊合作意識的培養。

（三）教學方法和手段較為單一

傳統課程主要借助多媒體工具進行面對面授課，這種方式易于將課程內容形象化的進行講解，讓學生更容易接受，理解也更為深入。但過多地依賴課件容易導致師生之間教與學、解與答的互動頻率減少，學生過于關注課件展示，思維在一定程度上受限，長期下去易對課堂內容感到厭倦，導致老師的講授行為和學生的吸納知識過程不同步，影響教學質量。

（四）單一的考核方式無法有效評估課程學習成果

傳統的“平時作業+期末考試”的考核方式側重檢驗學生對理論知識的掌握情況，無法從多方位準確地對學生的學習效果進行評估，這不利于數據結構理論與實踐應用并重的課程的發展。

二、基于問題的學習方法的主要特點及優勢

近年來，基于問題的學習方法（Problem-Based Learning，PBL）受到在國內外的高度重視，許多高校采用該教學模式并收到了顯著的教學成效。PBL 教學法是一種以問題為驅動的教學方法，以學生為主體，以問題為核心規劃學習內容，針對具體問題尋求合適的解決方案。與傳統的課堂講授為主的教學方法不同，執行PBL 學習方法過程中，教師不再是原本課堂中講授知識的引領者，而是變為推動教學活動進行的角色，即推動者。具體改變是不再干巴巴地在課堂上直接講授理論知識，而是結合課程具體內容為學生設計面向專業領域內的開放性問題，鼓勵學生展開討論并主動對感興趣的問題展開深入研究。通過這樣的方式，學生在解決問題的過程中除了能獲取基本的理論知識，也能培養額外的知識應用能力，激發探索研究精神。在PBL 教學過程中，教師的主要作用是提供學習材料，監督學生的學習討論過程，并為其答疑解惑，確保學習過程順利進行。PBL 教學方法將理論知識與專業領域知識結合，以問題為驅動，促進學生主動學習，培養其主動探索、實踐應用的能力，同時能夠提升學生的創新思維和團隊協作意識。將PBL 教學方法應用到數據結構教學中，能讓學生通過提出問題、分析問題、解決問題等操作掌握所學理論知識及實踐方法。

人工智能背景下，數據結構課程需根據自身特點以及人工智能應用領域內的發展形勢，引入PBL 教學方法，從調動學生的積極性出發，在教學內容、方法、實踐環節等方面進行特色明顯的教學改革，其主要優勢體現在：（1）教學過程“輕理論，重實踐”，簡化課程中相關理論性、抽象性知識的講解，引入人工智能領域相關案例，將其抽象為算法題目，結合數據結構知識進行討論解決；（2）優化實踐課程，培養學生的創造性和應用實踐能力，采用提問式的教學模式，以適應各專業基礎的學生，激發他們的主動性。

三、人工智能背景下基于PBL 的數據結構教學創新途徑

針對上述數據結構課程現狀，本文以人工智能領域內具體應用為切入點提出相應的解決方案，旨在調動學生學習的積極性和主動性，提高數據結構課程的教學質量，并大幅提升學生的理論知識掌握水平、編程實踐能力、創造性以及團隊協作意識。基于此，本文提出引入基于問題的學習方法，從調動學生的積極主動性出發，在學習模式的確定、問題設計、教學過程安排以及教學評價方法優化等方面提出以下教學創新途徑，具體框架如圖1 所示。

圖1 面向智能化場景的基于PBL 的數據結構教學挑戰及創新途徑

（一）確定學習模式

確定學習模式的目的在于確定如何將傳統的授課方式和問題驅動的方式進行合理的結合。按照薩文巴登的定義，基于問題的學習模式主要可分成完全PBL 教學和混合式PBL 教學。完全PBL 教學模式是一種單純地以問題為基礎的教學方式，在教學中不需要老師講授課程內容，學生通過自學來解決提出的問題以獲取知識。而混合式PBL 教學模式是將課堂教學與問題驅動的學習方式相融合。傳統的教學方法與PBL都有自己的特色和優點，兩者之間不應當是互斥關系。由于數據結構這門課程的知識點較多、內容較為復雜，學生學習水平也存在一定差別，所以本文提出將常規的教學與PBL 相結合，確立以常規的教學模式為主導的教學模式，輔以面向人工智能領域的PBL 方法，達到互補、辯證的綜合教學效果。在系統整理和授課中，學生能夠掌握基礎課程內容和重要的學術思想，并在課堂上運用問題式的方法進行與人工智能領域相關的開放提問。此外，學生們還可以在老師指導下組織學習團體，展開團隊合作，進行問題的分析與求解。

（二）面向人工智能領域的問題規劃

在PBL 中，問題的規劃設計是實現基于提問的教學的重要環節。具體規劃問題的時候，既要考慮問題涉及的范圍，也要考慮問題是否滿足課程在開放性、現實性、復雜性和挑戰性等方面的要求。因此，我們基于多年的教學實踐，同時結合當前的發展趨勢，特別是在人工智能領域的應用，對課程進行深入而系統的學習與分析，并為學生提供一個合適的問題環境。比如，在教授線性結構的過程中，針對這個第一個被介紹的抽象數據類型，根據學校的具體條件，可以組織學生體驗基本的信息管理系統的設計過程，讓他們能夠更好地了解線性結構的增刪改查的基本功能并根據此場景設計對應問題。有條件的話可以為學生提供圖書管理、選課管理、科研系統等易于學生融入的問題情境。到中間和后期，可以引進簡單的信息搜索平臺、電商平臺、商品推薦系統等更加智能化的場景。在這樣相對復雜的場景中，涉及的問題也更加綜合，它要求使用更復雜數據結構形式，如多個數據結構和算法的結合。上述的智能化場景都是當下較為熱門且貼近生活的，通過這樣的場景中的問題，可以增強學生好奇心并激發他們的學習積極性。

（三）完善教學流程

遵循PBL 思路，在傳統教學過程的基礎上，融入人工智能領域知識，完善出“問題提出和分析、方案設計、評估和反饋”這樣一條邏輯清晰的流程，并實現迭代執行。具體的執行過程是：（1）事先制定若干個涉及人工智能應用的場景供學生選擇，并按選擇結果進行分組；（2）分組后，老師針對不同的小組根據具體的智能化應用場景對需求進行闡述并提出涉及的數據結構及算法問題；（3）小組討論后先給出對應解答，老師根據答案進行分析并指出不足之處，同時擴展更全面的知識點；（4）小組收到反饋之后，結合每個成員的理解，對問題進行更深入的剖析，提出統一的解答；（5）面對面授課結束后，各個小組可利用教材、參考書、網絡資料等材料及線上學習工具來擴展知識面，對課堂上提出的解決方案進行修正補充；（6）針對修改后的解決方案，重新安排他們進行評估；（7）最終，老師通過對各個小組所遇到的共同問題進行歸納復盤，引入下一階段的知識點和應用場景，再進行下一迭代流程。每次迭代周期根據不同階段設置不同，基本控制在3—5 周，整個學期每個小組將執行3—4 個周期。

（四）優化教學評價體系

PBL 的引進使原來的教學評估方式發生了變化。傳統的課程考核方式大多采用“平時成績+實踐成績+期末測試”的模式，這是一種比較固定的評估模式，能夠反映學生的理論知識學習效果，但無法對學生在具體問題上表現的實踐和創新能力進行評估。在實施 PBL 綜合教學后，我們認為應采用“課題評估+期末考核”的形式進行對學生的學習成效進行評估。其中，對各個小組根據其在不同場景問題中的學習過程展開評估，具體分為學生自我評估、小組內學生互評、老師的評價等，并對不同類型的評分設置權重。此外，課題評估還要根據不同的周期進行階段性成效統計，即把 PBL 的教學過程看作是一個由多個環節組成的綜合過程，各階段的評估是一種過渡評估，能夠及時地從中發現各個小組在學習中存在的問題并及時給出意見，為下一周期的學習打下了堅實的基礎。期末考核中除了采用傳統的卷面成績，還將引入小組期末答辯環節，除了考核理論知識外，還對學生解決智能化場景中實際問題的能力和團隊協作能力進行評價。

結語

本文針對人工智能背景下數據結構課程在應用思維和能力培養、教學方法和手段、教學評價體系等方面面臨的挑戰，提出基于PBL 的創新教學新途徑，包括確定以傳統教學方式為主，PBL 教學方法為輔的學習方式，結合人工智能領域應用設計綜合性問題，完善教學迭代過程，引入基于PBL 教學模式的階段性評價體系，優化理論與實踐的銜接與融合，使學生進一步掌握編寫復雜應用程序的經驗，為后繼課程的學習及就業做好準備。