面向自動化類本科生的“人工智能”課程教育教學改革

杜松林 李駿揚 張亞 魏海坤 東南大學自動化學院

近幾年，隨著信息技術及人工智能的不斷發展，“人工智能”課程逐漸成為新工科背景下本科教育的重要組成部分之一。筆者所在學院面向自動化專業和機器人工程專業本科生開設了“人工智能”專業主干課，共安排48學時，其中理論講授32學時，實踐16學時。本課程主要介紹人工智能問題求解的一般性原理、基本思想及前沿技術，主要涵蓋知識表示、確定性推理、不確定性推理、搜索求解、機器學習、深度學習、自然語言處理、計算機視覺等方面的技術，旨在為學生提供有關理論和技術方面的知識，為進一步學習和研究人工智能理論與應用奠定基礎，培養學生在人工智能領域的創新和應用能力。[1]

當前，人工智能領域表現出以下特點：人工智能技術的發展日新月異，學科內涵快速豐富，知識體系持續拓展，技術顛覆和技術創新比歷史上任何時期都頻繁[2]；人工智能技術與幾乎所有國民生產行業如工業制造、智能交通、智慧醫療、航空航天等的交融程度達到了歷史頂峰，并且其交叉發展的速度和深度日益提高。上述特點對本科生“人工智能”課程的教學目標、教學方法和評價方法都提出了新的要求。而如何更有效地教授學生人工智能技術，引導學生適應人工智能技術的高速發展、快速迭代更新知識結構、培養持續學習和創新的能力、塑造大國工匠精神和工程實踐能力是亟待解決的問題。[3]因此，筆者從教學目標、教學內容、教學方法、教學案例、教學評價等方面進行研究并提出了自動化專業“人工智能”課程的教育教學改革思路和方法。

●三位一體的綜合性教學目標改革

本研究面向當前人工智能技術的知識結構和新工科背景下我國高等教育“以學生為中心，以產出為導向，并持續改進”的發展趨勢，將價值塑造、知識傳授和能力培養三者融為一體，重點培養學生以下八方面的能力。

①理論基礎：對人工智能的基本概念、原理和算法有深入的理解。學生要掌握知識表示、確定性推理、不確定性推理、搜索求解、機器學習、深度學習、自然語言處理、計算機視覺等核心領域的基本理論和方法。

②編程與工程實現：具備獨立進行算法設計和編程實現的能力。學生應能夠靈活運用各種常見的人工智能算法和工具，特別是要培養基于MindSpore和PaddlePaddle等國產深度學習框架的編程能力。

③數據分析與處理：具備處理和分析大規模數據的能力。學生應能夠運用數據挖掘和機器學習技術，從復雜的數據集中提取有用的信息和模式。

④應用開發與系統設計：在實際應用中能夠開發和設計人工智能系統的能力。學生應能夠將人工智能技術應用于如自動駕駛、智能機器人、智能推薦等領域，以解決實際問題。

⑤跨學科能力：具備與其他學科合作和交流的能力。人工智能涉及多個學科的交叉，學生應能夠將人工智能技術用于計算機科學、數學、統計學、認知科學等領域，與相關領域的專業人士進行有效的合作。

⑥倫理與社會責任：具備倫理意識和社會責任感。學生應了解人工智能的潛在風險和挑戰，并能夠在人工智能應用中考慮倫理和社會影響。

⑦持續學習與創新：具備持續學習和創新的能力。人工智能領域發展迅速，學生應具備不斷學習新知識和技術的能力，并能夠在實踐中提出創新的解決方案。

⑧價值觀：將價值觀引導融入人工智能知識傳授和能力培養的過程中，幫助學生在學習人工智能技術的同時，塑造正確的世界觀、人生觀、價值觀，增進家國情懷，開拓國際視野。

●緊扣國家戰略布局的教學內容設置

本課程依據國家戰略方針，結合自動化類專業本科生的知識結構和人工智能技術領域，制訂了如下教學內容。

①知識表示與推理：主要講解知識的特性和表示的基本概念、一階謂詞邏輯知識表示法、產生式知識表示法、框架表示法、知識圖譜、確定性推理方法（包括自然演繹推理、謂詞公式化為子句集的方法、魯賓遜歸結原理等）、確定性推理方法的應用（包括歸結反演、應用歸結原理求解問題等）、不確定性推理方法（包括可信度方法、證據理論、模糊推理等）。

②搜索求解與智能優化：主要講解搜索的概念、狀態空間的搜索策略、盲目的圖搜索策略、啟發式圖搜索策略、遺傳算法、遺傳算法的改進算法及其應用、群智能優化算法（包括粒子群優化算法、蟻群優化算法、蜂群優化算法）及其應用。

③機器學習：主要講解機器學習的基本概念、監督學習、無監督學習、半監督學習、強化學習等方法，重點講解典型機器學習算法，包括樸素貝葉斯、支持向量機、隨機森林、集成學習如AdaBoost等。

④深度學習：主要講解深度學習的基本原理、神經網絡的基本原理和訓練方法、典型的深度學習模型（如全連接神經網絡、卷積神經網絡、循環神經網絡、Transformer等）、深度學習的技巧（如批量梯度下降法、隨機梯度下降法、學習預熱與調整、梯度調整、批歸一化、層歸一化等）、MindSpore和PaddlePaddle國產深度學習編程框架、深度學習的應用等。

⑤機器視覺：作為本課程的應用教學內容，主要講解機器視覺的概念與發展、圖像特征提取的基本方法、視頻特征提取的基本方法、視覺分類、匹配、檢測、追蹤的典型算法。

⑥自然語言處理：作為本課程另一方面的應用教學內容，主要講解自然語言處理的概念與發展、詞性標注和命名實體識別、關鍵詞提取、句法分詞、文本向量化、情感分析技術，以及以ChatGPT為代表的基于Transformer和大規模語料庫監督學習的新一代自然語言處理技術。

●理論聯系實際的教學方法改革

本研究從課堂教學、實踐教學和復合型人才培養三方面同步著手，研究和實踐了理論聯系實際的案例引導式教學、項目驅動的實踐性教學方式、跨學科領域的復合型人才培養模式。

1.理論聯系實際的案例引導式教學

本課程在教授相關知識的過程中穿插融合典型案例，一方面提升學生對相關理論和技術的興趣，另一方面促進學生理解我國正在推動人工智能與各行業融合創新，在制造、物流、金融等重點行業開展的人工智能應用，增強民族自豪感和使命感。[4]表1列舉了本研究構建的典型案例與知識點對應關系。

表1 本研究構建的典型案例與知識點對應關系

2.項目驅動的實踐性教學方式

本研究打破了傳統的課堂講授單一教學模式，引入了實踐項目和案例分析。參照表1所示的典型案例，在每個課程模塊中設置類似的實踐項目，給學生提供真實的數據和場景，讓學生能夠將理論知識應用于解決實際問題。[5]同時，鼓勵學生主動尋找和分析實際案例，以加深對人工智能技術在現實中的理解；鼓勵學生組成團隊開展創新項目，培養學生的創新思維和團隊合作能力。學生可以根據自己對項目的理解設計技術路線，完善技術細節，并通過編程實現所設計的方案，最后在班級進行展示和討論。在實踐環節特別鼓勵學生使用MindSpore和PaddlePaddle國產深度學習編程框架。該方式有利于提高學生的動手能力和創新能力，通過真實項目的實踐還可以培養學生的團隊合作能力和項目管理能力。

3.跨學科領域的復合型人才培養模式

為研究從人工智能領域的專門技術型人才培養向復合型人才培養過渡的有效方法，本課程在深入培養學生的人工智能基礎理論和應用等方面的專業知識的同時，加大力度開展復合型人才培養，重點培養貫通人工智能理論、方法、技術、產品與應用等的縱向復合型人才，以及掌握“人工智能+”經濟、社會、管理、建筑、交通、法律等的橫向復合型人才。[6]一方面吸引經濟、建筑、交通、化工等不同院系的本科生選修本課程，鼓勵不同專業背景的學生積極參與課堂討論和課后應用研究；另一方面，將本課程與學生科研訓練項目、本科生畢業設計等培養環節接續，通過與相關院系的教師合作，深入培養學生將人工智能技術與經濟、社會、管理、標準、法律等領域融合貫通的綜合能力。

4.以人才培養為中心的多元化評價

課程考核強調采用平時成績、課程實踐和最終成績的綜合方式。[7]其中，平時成績主要包括課內討論和平時作業；課程實踐重點考查學生對課程內容的掌握程度、工程實踐能力、對新技術的探索興趣、創新能力；期末考試按照本課程的教學目標全面考核學生課程學習的效果。[8]在最終成績中，期末考試占比50%，課程實踐成績占比40%，平時成績占比10%。

為研究本教學改革的效果和不足之處，本研究還開展了多元的評價。課程結束后邀請筆者所在學院選修本課程的48名學生參與匿名調查問卷，最終提交評價的人數為47人，實評率為97.92%。問卷設置了如表2所示的評價內容，學生匿名對每項打分，分值介于1～10分之間，分數越高表示越符合實際情況。匿名調查問卷表明絕大部分學生對教學改革非常認可，反映出本研究的實踐取得了良好的效果，滿足了培養學生的知識需求、能力需求和價值觀需求，整體教學質量得到了提升。

表2 課后多元化匿名調查問卷結果