“案例教學+項目驅動”模式在人工智能課程教學中的應用探索

梁志勛 易云飛 范源源 施運應 趙家祺

關鍵詞：人工智能教學；教學模式；多學科融合；案例教學；項目驅動教學

0 引言

距離2013年德國在漢諾威工業博覽會上正式推出“工業4.0”至今已經有10個年頭，國務院也于2015 年5月正式印發了《中國制造2025》，部署全面推進實施智能制造強國戰略[1-2]。以大數據和人工智能技術為核心代表的信息技術產業，正在掀起第四次工業革命浪潮。在工業互聯網將萬物互聯的當下，智慧城市、智能農業、智能家居以及智能穿戴產品的廣泛應用，產生了用存儲陣列存儲的海量數據。面對龐大的數據量，除了需要大量具備高性能計算能力的計算機和服務器機群之外，還必須采用高效的智能算法和人工智能處理技術進行分析和處理。利用大數據建立相應的模型，才能使用這些數據和模型進行進一步預測分析和決策[3]。OpenAI公司于2022年11月份發布了自然語言處理工具——ChatGPT的初級版本，其強大的文字對話、文本撰寫能力，在全球范圍內掀起了新的AI浪潮[4]。在大量的數據驅動下，大模型不斷學習和自我更新，催生了新的應用領域。與此同時，在信息技術革命的浪潮下，高等學校紛紛開設了人工智能專業或者智能科學與技術專業，同時對傳統計算機類專業的人才培養方案開展了課程體系重新修訂工作[5-6]，加入了大量的人工智能系列課程，例如人工智能導論、機器學習和深度學習等。上述課程以概率論與數理統計、矩陣論與線性代數以及離散數學為基礎，具有很強理論性，同時又要求學生掌握熟練的編程技巧，掌握以Python等為代表的編程語言模塊接口進行應用的技能。

1 人工智能課程教學不足和“案例教學+項目驅動”教學模式特點

傳統的授課方式，以講授深奧的理論內容為主，缺乏有效的實踐技能訓練。主要是因為教師沒有在企業一線進行軟件開發的經歷，缺乏實踐經驗。人工智能是一門實踐性很強的學科[8-9]，但傳統的課堂教學往往偏重理論知識；另一方面，高校內部的人工智能課程內容更新速度慢，由于人工智能領域日新月異，高校課程無法及時跟上最新的發展和技術進展[7]。課程內容需要及時更新，以確保學生學到最新的知識和技能。并且高校需要更多地提供實踐機會，例如實驗課和項目實訓，以幫助學生將理論知識應用于實際問題。目前的人工智能課程內容缺乏跨學科融合，人工智能是一門涉及多個學科的交叉學科，包括計算機科學、數學、統計學等。部分高校的人工智能課程可能過于專注于某個學科，缺乏整體性和跨學科的教學方法。更好地整合不同學科的知識，可以幫助學生更全面地理解和應用人工智能。另外，與企業和行業合作，可以讓學生接觸到真實的人工智能應用場景，了解實際問題的解決方法，人工智能技術在各個行業都有廣泛應用，但有些高校課程可能缺乏與產業合作的機會，并且課程實訓案例的引入，缺乏與產業合作的實際案例。人工智能領域的專業知識和技能更新迅速，需要具備豐富經驗和專業背景的教師來教授相關課程，然而，某些高?？赡芤驗閹熧Y力量不足，從而導致教學水平無法滿足課程實際需求。

“案例教學+項目驅動”模式是具有很強的實踐導向、跨學科整合、團隊合作、問題導向、自主學習和實際應用等特點[10]。該教學模式注重將理論知識與實際應用相結合，通過案例分析和項目實施，學生能夠親身體驗和掌握運用人工智能技術解決實際問題的能力[11]。學生通過實踐項目，將理論知識應用于實際問題解決中，從而提升他們的實踐能力和技術應用技能[12]。項目驅動模式鼓勵學科間的融合和交叉，“案例教學+項目驅動”模式鼓勵學科間的融合。人工智能領域涉及計算機科學、數學、統計學等多個學科，該教學模式能夠整合相關學科的知識。在項目實踐中，學生需要綜合運用不同學科的知識和技能來解決相關實際問題，例如計算機科學、數學、工程等，從而培養學生的綜合素養和跨學科知識綜合應用能力。項目驅動模式通常以小組合作為主要形式，學生在團隊合作中解決問題，分工協作，共同完成項目，從而培養了他們的團隊合作能力、溝通能力和領導能力。項目驅動模式注重培養學生的問題意識和解決問題的能力，項目中的任務和挑戰能夠激發學生的思考能力和創新能力，使他們能夠獨立思考問題、提出解決方案并加以實施。項目驅動模式鼓勵學生的主動學習和自主發現，學生在項目中需要積極主動地學習相關知識和技能，主動尋找解決問題的方法和資源，從中培養了他們的自學能力和自主學習意識。項目驅動模式強調學生在實際場景中應用所學知識和技能，通過實際項目的實施，學生能夠接觸到真實的應用場景，了解技術在實際中的應用和價值，并為未來的職業發展做好準備。

綜上所述，“案例教學+項目驅動”模式通過實踐導向、跨學科整合、問題導向、團隊合作、自主學習、實際應用等特點，培養學生的實踐能力和綜合素養，提高解決問題的能力和創新思維。這種教學模式符合人工智能領域的特點和實際需求，是培養應用型人工智能人才的有效途徑。

2“ 案例教學+項目驅動”教學模式在人工智能課程中的應用

要在人工智能課程中實施“案例教學+項目”教學模式，首先要通過各種方式建立豐富的教學案例和項目庫；其次是在實施過程中，將這些教學案例在教學過程中理論聯系實際地將深奧的理論剖析呈現給學生。通過學生組建團隊，讓學生項目團隊選擇項目庫中的項目案例，按照項目開發的模式完成項目任務。

2.1 建立完善的人工智能教學案例和項目庫

人工智能教學團隊逐步建立一個豐富多樣的人工智能教學案例和項目庫，為學生提供實踐機會，促進他們在人工智能領域的學習和發展。同時，項目庫的建立也有助于高校與行業合作伙伴的合作，加強人工智能教育與實際應用的聯系。建立人工智能教學案例和項目庫，首先是項目收集與整理，教師教學團隊可以建立一個團隊負責收集和整理各類與人工智能相關的項目案例，這些案例可以來自學生、教師、行業合作伙伴和開源社區等渠道。同時，尋求與企業和行業合作伙伴的合作，將真實的人工智能應用案例引入項目庫中。與行業合作伙伴合作可以給學生提供接觸實際問題和解決方案的機會，并為學生就業和實踐奠定基礎。確保項目案例的質量和多樣性，涵蓋不同領域的應用，如自然語言處理、計算機視覺、機器學習等。另外，需要將項目庫與相關課程整合，確保學生可以將所學理論知識應用于項目開發中。項目可以作為課程的一部分，或者作為課程的實踐補充；其次是建立一個平臺或系統，用于學生和教師提交、開發和歸檔項目。學生可以根據自己的興趣選擇項目，并與指導教師合作進行開發。所有項目都應有清晰的文檔、代碼和相關數據，用于案例和項目的歸檔，以便日后學習和參考。下面以人工智能導論和機器學習兩門課程的教學案例和項目庫示例。

1） 利用人工智能導論課程中遺傳優化算法知識，并采用Python編程求解TSP問題遺傳算法解決TSP的流程是以下幾部分：初始化種群、計算適應度函數、選擇、交叉、變異然后不斷迭代直到滿足停止迭代條件，輸出最優解。

①模型設定

種群初始化：需要設定的參數是隨機生成的初始解的數量，該數量過少會導致種群多樣性不足，數量過多會降低算法的效率，設定合適的種群規模。

適應度函數：根據數據集說明，其最優解采用的邊權重類型，即兩城市之間的距離通過歐式距離計算

得到所有路徑的距離進行求和，即可得到dis?tance，令f=1/distance，即為適應度函數。

選擇：即在上一代生存的個體中，通過優勝劣汰，保適應性更強的解，具體而言首先將上一代種群中適應性最強的10%物種保留，然后通過輪盤轉賭法，以選擇概率為權重，挑出剩下的90%物種。其中對于每個物種計算選擇概率p （s ） i 公式為：

采用上述設定是為了盡量讓適應度更強的物種活下來，同時防止適應性最強的物種因隨機性而被輪盤轉賭法淘汰。

交叉：通過選擇幸存下的物種進行交叉的概率為70%，交叉的方式為單點交叉，即隨機選取一個節點，將交叉雙方該節點后的部分進行交換。在交換后，單物種可能會出現有重復城市的情況，因此需要進行去重操作，即記錄下重復的位置，使交叉雙方重復的節點進行交換。

變異：變異是遺傳算法跳出局部最優解的重要操作。在TSP問題中，變異操作是隨機選取物種的兩個節點，將節點中的城市順序顛倒。變異的概率大于0.5之后，遺傳算法將退化為隨機搜索。但考慮到跳出局部最優解的重要性，因此設定變異的概率為20%左右。

②案例項目提交要求

a.建議采用Python語言編程實現，提交時提供編譯好的可執行文件和源碼。

b.畫出遺傳算法求解TSP問題的流程圖。

c.分析遺傳算法求解不同規模的TSP問題的算法性能。

d.分析對于同一個TSP問題，分析種群規模、交叉概率和變異概率對算法結果的影響。

2） 利用機器學習課程卷積神經網絡知識，基于TensorFlow的車牌號識別

①基于TensorFlow的車牌號識別主要步驟

生成訓練數據集：用PIL的庫函數生成包含31省區直轄市的車牌樣本集，生成的數據樣本集用于測試和訓練構建的神經網絡模型系統。

構建神經網絡模型：利用TensorFlow和numpy構建包含輸入層、卷積層、池化層、全連接層和輸出層的車牌號識別神經網絡模型系統。

數據讀取，開始訓練模型：讀取之前生成的數據樣本集，利用OpenCV進行分割和二值化操作，接著訓練搭建好的車牌號識別神經網絡模型系統。

測試模型準確度：利用生成的數據樣本測試集對訓練過的車牌號識別神經網絡模型系統進行測試，評估測試模型準確度。

②案例項目提交要求

a.采用Python語言編程實現，提交時提供編譯好的可執行文件和源碼。

b.畫出基于TensorFlow實現車牌號識別的系統流程圖。

c.分析卷積、全連接層、池化層等各個參數對車牌號識別性能的影響情況。

d.評估測試數據集的規模對測試模型準確度的影響。

上述是兩門課程的教學案例和項目庫示例，規模和難度為中上，為綜合性的項目，一般需要學生組成團隊來完成，而一些小的知識點則不需要規模太大的案例，例如，通過Python實現最小二乘法做線性回歸，可以通過某個地區女生的身高和體重數據集，給出某些女生的體重，進而預測她們的身高。這樣的案例既簡單又可以激起同學們的學習興趣。項目案例庫需要不斷積累，并在教學實踐中反復修正，選擇一套難度適中的案例和項目。

2.2“ 案例教學+項目驅動”的人工智能課程教學過程

實施“案例教學+項目驅動”的人工智能課程教學可以有效地將理論知識與實踐應用相結合，給學生提供實踐機會提升解決實際問題的能力。通過設計具有挑戰性的案例，選擇與人工智能領域相關的真實案例，涵蓋不同應用領域和技術方向。這些案例應有一定的挑戰性，能夠激發學生的探索欲望和解決問題的動力。再引導學生對案例進行深入分析，理解案例中的問題和需求。通過討論和思考，學生可以形成對案例的全面理解，并提出解決方案的初步構想，充分調動學生的主觀能動性。教學過程中，需要進行項目規劃和團隊組建，將案例轉化為具體的項目，要求學生以小組形式組建團隊，并進行項目規劃。學生需要明確項目目標、任務分工、時間安排和資源需求。項目規劃階段可以培養學生的團隊合作和項目管理能力。另外，在項目實施之前，教師要進行相關的理論知識授課。教師應著重介紹與項目相關的概念、技術和方法，幫助學生掌握解決問題所需的理論基礎。

同時需要教學團隊的教師支持和參與，以確保項目庫的成功運作。教師可以根據項目的復雜程度和學生的學術水平進行合適的分配和指導，并提供項目的指導和評估，以確保項目的質量和學習效果。他們還可以監督學生在項目開發過程中的進展，并提供反饋和建議。在實踐項目開發過程中，學生根據項目規劃開始實踐性的項目開發工作。教師應提供指導和支持，回答學生在項目實施過程中遇到的問題，并定期檢查項目進展情況。

3“ 案例教學+項目”人工智能課程教學方法效果與分析

在“案例教學+項目”驅動教學中，教師可以及時提供反饋和評估，指導學生的學習和項目進展。學生也能通過展示和分享獲得同學和教師的評價，提升自我認識和改進能力。中期評估和反饋，在項目執行的中期，教師可以進行評估和反饋。評估可以包括項目進展、團隊合作、技術實現等方面，幫助學生及時調整和改進項目。學生團隊在項目完成后，對完成的項目進行最終成果的展示和演示，可以是口頭報告、演示文稿、產品原型或實際應用等形式。通過展示，學生可以分享他們的學習成果，并接受同學和教師的評價和反饋。經驗總結和分享，在項目實施結束后，可以組織學生進行經驗總結和分享。學生可以歸納項目中的成功經驗和教訓，分享他們在解決問題過程中的心得體會。

4 結束語

本論文提出了一種通過案例+項目驅動式的人工智能課程教學方法，并列舉了兩個項目案例進行說明。采用這種教學方法，學生可以在實踐中掌握和應用人工智能技術，提高問題解決能力和團隊合作能力。教師的角色是引導者和指導者，起到組織和支持的作用，激發學生的學習興趣和動力。這種教學方法不僅培養了學生的實踐能力，還提升了他們的創新思維和綜合素養。該教學方法符合教育部倡導的培養具有創新思維的高水平應用型人才要求。