OBE理念下人工智能基礎課程教學改革與實踐

一、前言

人工智能技術的發展對高等教育提出全新要求。作為新工科建設核心領域之一，人工智能教育要適應技術變革與產業發展，培養具備創新能力與實踐技能的高素質人才。但是，傳統人工智能基礎課程在教學目標、內容設計、教學模式及評價體系等方面有著諸多缺陷，無法滿足新工科背景下人才培養需求。成果導向教育（OBE）理念以學生能力培養為重心，強調教學系統性與目標性，為人工智能課程改革帶來新思路。本文基于OBE理念，分析人工智能基礎課程教學改革途徑，以期為提升教學質量與人才培養成效奠定理論依據，做出實踐參考。

最終目標。第二，采取反向設計方法。從預期學習成果出發，逆向規劃教學內容、教學方法及評估方式，保證各教學環節均服務于能力培養。第三，堅持多元評價。基于理論考核、實踐操作、項目評估、團隊協作表現等多層面考核方式，全面驗證學生學習成效。第四，構建持續改進機制。依據教學反饋與評估結果動態優化課程內容、教學方法，以適應學科發展，滿足學生需求。OBE理念應用解決傳統教育中教學目標模糊、評價方式單一、理論與實踐脫節等問題，特別適用于人工智能等實踐性強、技術更新迅速的學科中。人工智能教育中，OBE理念有助于學生掌握基礎理論，在真實場景內靈活運用技術，同時培養創新思維、跨學科協作及倫理意識等綜合能力，從而適應行業發展需求[。

二、OBE理念簡述

成果導向教育（Outcome-BasedEducation，OBE）是以學習成果為核心的教育模式，核心是圍繞學生最終需具備的知識、能力及素養設計的教學體系，基于系統性規劃與持續改進達成教育自標。OBE理念強調教育以學生能力達成為導向，而非單一關注教學過程或知識傳授。該理念遵循四項基本原則：第一，明確學習成果。在課程設計之初便確定學生核心能力，并把其作為教學活動。

三、新工科建設對人工智能人才培養新要求

新工科建設以培養復合型、創新型工程人才為出發點，對人工智能教育提出新要求，具體體現在以下方面。

（一）加強跨學科融合能力

人工智能屬于一門新興交叉學科，技術體系建立于多學科知識融合基礎上。從學科構成分析，人工智能既需要計算機科學給予算法設計與系統實現推動，同時離不開數學學科支撐模型構建、方法優化以及認知科學中人類智能機理研究。多學科交叉特性決定人工智能人才須具備跨學科視野于知識整合能力。具體而言，機器學習領域，學生運用概率統計知識明確算法原理，借助計算機編程完成模型訓練，結合認知心理學優化人機交互體驗。自然語言處理方面，利用語言學知識分析語言結構，用計算機技術處理文本，以數學方法構建語義模型。新工科建設強調打破傳統學科間壁壘，通過構建跨學科課程體系、組建多學科教學團隊、設計綜合性實踐項目等方式，鍛煉學生運用多學科知識處理復雜問題的能力。此培養模式下學生應掌握各學科基礎知識，更重要的是培養學生在不同學科間建立聯系、整合運用的能力。例如，在智能醫療系統開發中，理解醫學診斷知識、掌握數據處理技術、熟悉算法設計原理，并把知識有機融合，開發真正實用的智能診斷系統。跨學科能力培養有助于學生構成系統思維與創新意識，面對實際工程問題時可以突破單一學科限制，給出創新性解決方案。

（二）突出實踐創新，實現產業對接

人工智能屬于典型應用驅動型學科，其發展始終同實際應用緊密相連。此特性決定了人工智能教育須突出實踐引導，借助系統化教學體系培養學生工程實踐能力及技術創新能力。具體教學中，構建囊括基礎實驗、項自實訓、企業實習等多層次實踐環節，讓學生在真實場景內掌握算法、系統開發、問題處理等重要技能。此外，教學內容緊跟產業發展動態，及時把行業最新技術內容與典型案例融入課程體系，讓學生所學知識與產業需求保持同步。所以，采取校企協同育人模式，邀請企業技術專家參與課程設計，共建實踐教學平臺，開發基于真實產業需求的實訓項目。例如，“機器學習”課程引入電商推薦系統、金融風控模型等案例，計算機視覺教學充分結合工業質檢、醫療影像分析等知識。產業導向下的教學方式提升了職業適應能力，學生畢業后可快速融入企業研發中。此外，實踐教學注重培養學生創新意識，開放性課題、創新競賽等形式鼓舞學生探索前沿技術，嘗試解決具體工程問題。強調實踐應用與產業對接的培養方式符合人工智能學科特征，滿足新工科建設對應用型人才需求，為人工智能產業發展提供高素質人才資源[2]。

（三）突出實踐創新及產業對接

人工智能作為驅動型學科，其發展軌跡一直與產業實踐保持緊密聯系。此特性決定人才培養中要突破傳統理論灌輸模式，形成以實踐能力為核心的教學體系。

具體實施中，打造虛實結合教學限制，通過仿真實驗平臺與真實產業項目配合，引導學生在算法實現、系統調試、性能優化等全流程實踐中加強理論認知。課程內容設計中構建了產業需求動態響應機制，吸收來自智能制造、智慧醫療、金融科技等領域的案例，使教學內容與行業前沿同步演進。

為加強產學協同效應，引入“雙師型”教學模式，由高校教師負責基礎理論傳授，企業工程師指導項目實戰，共同開發基于真實業務的課程內容。例如，機器學習課程內植入了電商推薦系統內容，自然語言處理教學引入了智能客服語料。沉浸式學習提升了學生工程素養，學生學會把抽象算法轉化成實用解決方案。同時，構建階梯式創新能力培養體系，從驗證性實驗到開放性課題，再到創新創業項目，循序漸進激發學生創新潛能。

評價機制方面突破單一考核模式，引入企業技術標準作為評價標準，基于項目答辯、原型演示、技術文檔等多元方式評估學生能力。此外，形成畢業生能力畫像與崗位需求匹配分析機制，優化培養方案。以產業需求為導向、實踐能力為重心、創新發展為目標的人才培養方式符合人工智能學科內在發展規律，提升了人才供給質量，為產業轉型升級做出智力支撐[3]。

（四）培養倫理意識及終身學習能力

人工智能技術的發展引發了深刻的倫理思索，這一現實迫切需要教育行業擔負起價值引領重任。在算法決策、數據隱私、機器自主性等領域，技術運用已觸及倫理邊界，教師應幫助學生建立“技術向善”價值判斷體系。具體而言，課程設計突破了傳統技術本位局限，把倫理維度融入專業學科，借助典型案例分析、情境模擬討論等方式，培養學生對算法偏見、數據濫用等問題的認知。機器學習課程內探討推薦系統信息繭房效應，計算機視覺教學中分析人臉識別技術隱私邊界，嵌入式倫理教育讓學生在掌握技術的同時理解社會影響。

面對技術加速發展的知識環境，培養自主學習比傳授特定知識更有意義。教育重點從知識傳遞轉向能力建構，設置開放性課題、提供前沿文獻研讀指導、搭建在線學習社區等，鍛煉學生知識更新能力。尤其要重視元認知能力養成，讓學生自主規劃學習路徑、評估知識缺口、選擇適當學習方案。實踐中，引入技術演進追蹤項目，定期分析某一技術最新進展，培養持續學習習慣。

這兩方面素養培養需創新教學方法。倫理教育中采用蘇格拉底式對話，基于層層設問引導學生深人思考技術應用原理，在自主學習能力培養中借鑒建構主義理念，創設問題情境，激發探究動力。此外，建立動態評估機制，考核技術掌握效果，關注學生價值判斷能力與學習方法。既重技術又重人文、既授知識又育能力的培養模式讓學生發展為既懂技術創新又明責任的新型人才，在技術快速發展時代保持競爭力。

四、人工智能基礎課程現狀與問題

（一）教學目標淺表化及內容零散化

人工智能課程教學目標設定中缺陷較多，主要表現為指導思想模糊性及執行層面隨意性。諸多課程教學目標表述流于表面，充斥著“掌握”“了解”等籠統情況，無法準確界定能力培養具體內容，難以體現不同知識模塊內在邏輯關聯。目標泛化現象直接導致教學內容呈現零散化特征，各知識點猶如散落的珍珠，缺乏貫穿始終的主線。機器學習課程中，監督學習與無監督學習教學割裂現象屢見不鮮。自然語言處理領域，詞向量表示與上下文建模銜接出現斷裂。更甚者，基礎理論與工程實踐間存在斷層，學生雖能理解單個算法原理，但難以把知識融會貫通構建完整認知體系。

課程內容組織架構同樣有著系統性不足短板。教材簡單堆砌最新技術熱點，忽視基礎理論到應用的漸進過渡。深度學習教學陷入具體網絡結構細枝末節，輕視模型設計的傳承演變。知識圖譜課程過于強調工具應用，弱化了語義表示與推理機制理論內容。結構松散的知識傳授方式下，學生學到的只是零散技術，而非有機知識網絡。面對實際工程問題時，學生表現出知識遷移能力匱乏，無法把課堂所學靈活運用于現實中。

教學中能力培養失衡嚴重。算法實現能力訓練擠壓了系統思維培養空間，工具應用教學取代了創新思維培育。“計算機視覺課程”過分強調現成框架，輕視特征工程方法論價值。強化學習中，關注代碼實現，卻忽略決策建模思想精髓。本末倒置教學傾向，學生雖掌握具體技術操作，但缺乏對技術演進規律整體把握，無法構成持續創新能力。知識架構支離破碎與能力培養顧此失彼，共同構成制約人工智能人才培養的瓶頸[4]。

（二）教學模式傳統及資源失衡

目前，人工智能基礎課程教學與資源配置存在一定弊端，嚴重制約了人才培養效果。以教師為核心單向灌輸式教學仍占教學方法的主導位置，陳舊的教學方式過度強調理論傳授，忽視學生主體地位。課堂互動環節設計稀缺，導致學生長期處于被動接受狀態，思維活躍度與創新意識受到壓制，特別對于算法推導、模型構建等抽象內容，缺少沉浸式體驗環節，知識轉化效率較低。

教學資源配置失衡問題較為突出，不同院校間硬件設施與數字資源斷層明顯。一些院校受限于經費投入，沒有形成具備GPU集群的智能計算實驗室，導致深度學習、強化學習等前沿技術停留于理論講解層面。典型案例庫建設滯后使教學案例脫離了產業實際，很難支撐項目驅動實踐教學。資源匱乏現狀直接導致學生工程能力培養不足，同行業用人標準產生巨大落差。同時，優質教學資源共享機制不夠健全，加劇地域間教育鴻溝。

以上問題暴露出人工智能教育仍停留于知識傳遞初級階段，沒有適應技術發展對創新型人才培養需求。若不及時更新教學體系，會難以扭轉理論與實踐脫節、院校培養與產業需求錯位困局。

（三）評價體系單一化

當前人工智能基礎課程評價體系存在單一化傾向，制約了學生綜合能力培養。考核方式上，一些院校仍以標準化筆試作為主要評估方式，過度關注理論知識機械記憶，而忽視對實踐能力、創新思維及團隊協作等素養的考察。僵化的評價模式讓學生陷入應試化學習誤區，單一關注算法公式背誦，忽視實際應用能力提升。

教師主導的講授式教學再度加深了評價體系局限性。課堂互動環節缺失，使過程性評價流于形式，學生課堂參與度、思維活躍度及解決問題能力無法得到有效反饋。盡管部分院校嘗試引入實驗報告、課程設計等考核方式，但因缺乏科學評分標準，最終仍回歸教師主觀評判層面，難以反映學生實踐水平。

教學資源分布不均衡加劇了評價體系缺陷。實驗平臺與案例庫匱乏，導致實踐環節開展受阻，一些院校考核單一停留于理論層面。缺乏真實場景項目訓練，學生不能在課程評價內展現算法優化、模型部署等能力。同時，跨學科融合綜合性任務設計不足，使評價內容與行業需求脫節，無法培養適應人工智能產業發展的復合型人才。

單一化評價體系很難準確衡量學生學習成效，更在無形中加劇了重理論輕實踐導向，讓人工智能教育陷入低效循環。若不能從根本上調整評價機制，難以培養出具備創新能力與工程素養的高質量人才。

五、OBE理念下人工智能基礎課程教學改革實踐路徑

（一）反向設計—以能力目標為起點的課程體系重構

OBE理念指引下，人工智能基礎課程改革以能力目標為邏輯起點，反向設計重構課程體系。突破傳統學科導向課程開發模式，明確學生在算法設計、工程實踐、創新應用等方面需掌握的技術，再逆向推導教學內容、教學方法及評價機制。課程設計聚焦行業需求，形成能力指標與課程模塊映射關系。分析典型崗位能力矩陣，提煉機器學習應用、智能系統開發、數據建模等重要能力，并分解成可觀測二級指標。例如，把“深度學習應用能力”細化成神經網絡調參、模型優化、部署落地等技能點，據此設計實驗項目，形成案例庫[5]。

表1能力目標與課程內容對應關系

教學內容組織遵循能力進階規律，形成模塊化課程結構。基礎理論模塊注重算法原理推導、實現。工程實踐模塊強調真實場景內問題處理。創新拓展模塊注重跨學科融合運用。各模塊間構成能力培養遞進關系，保證學生從知識理解過渡到綜合應用。為直觀展示能力目標與課程內容對應關系，建立映射表，見表1。

（二）項目驅動的混合式教學模式

OBE理念指導下，人工智能基礎課程采取項自驅動混合式教學模式，把真實行業案例貫穿于教學全過程，讓學生在解決實際問題中自然達成能力目標。以智能交通流量預測項目為例，學生從真實交通數據入手，經歷數據清洗、特征提取、LSTM模型構建到最終部署運用的完整流程，處理城市信號燈優化的具體問題，自然而然掌握Pandas數據處理、時序預測算法及Flask部署等技能。此教學模式打破傳統課堂時空制約，線上知識圖譜系統為學生提供按需獲取的理論框架。智能推薦系統按照學習進度動態調整項目難度。線下課堂轉型成項目工作坊，師生圍繞真實環境展開深度學習，企業專家參與的項目答辯活動，讓學習成果接受行業檢驗。整個教學項目如同一個精心設計的“學習實驗室”，每個項目任務都屬于能力培養催化劑，學生在處理醫療影像識別、金融風控等不同領域內容時，算法運用能力、工程實踐能力及創新思維就像肌肉記憶般得到強化。混合式學習環境下智能助教系統精準追蹤學習軌跡，如同無形的教練，利用代碼審查、討論參與度等方式，為學生繪制精準能力畫像，保證所有人都能在動態優化學習生態內實現預期目標。此教學模式讓抽象人工智能理論在真實問題解決中具象化，使知識獲取與能力培養像呼吸般自然發生。

（三）構建多元梯次評價及持續反饋機制

OBE理念下，人工智能基礎課程構建多元梯次評價及持續反饋機制，確保學習成果與能力目標精準匹配。評價體系中突破傳統單一考核模式，制定“過程性觀測 + 階段性診斷 + 終結性驗證”動態評估框架，覆蓋知識掌握、技能應用及創新思維全維度能力發展框架。過程性觀測基于智能學習平臺實時采集學生代碼提交效率、實驗完成度及在線討論參與度，構成動態能力畫像。階段性診斷基于項目答辯、算法優化挑戰賽等實操，檢驗學生處理復雜問題時的能力水平。終結性驗證結合行業認證標準（如機器學習工程師能力模型），評估學生綜合素養達成度。反饋機制構建“智能預警 + 導師干預+ 同伴互評”協同模式，學習分析系統檢測出學生代碼錯誤率超出閾值后，自動推送針對性微課及強化訓練。教師按照系統生成的學情熱力圖，對薄弱環節做出靶向引導，學生通過跨組代碼評審環節在批判性互鑒內提升工程規范意識。

學生基于深度學習技術搭建肺結節檢測模型，評價體系貫穿全流程。數據清洗采用自動化腳本檢測數據標注合規性（過程性觀測）。模型訓練期間利用F1-score提升幅度評估算法優化能力（階段性診斷）。最終部署階段由三甲醫院放射科專家對系統誤診率展開盲測評分（終結性驗證）。反饋中，系統自動標記學生未處理圖像噪聲問題，并給出數據增強方案。教師針對過擬合現象組織對抗樣本攻防活動，小組間利用模型魯棒性測試報告質詢，構成螺旋上升能力強化系統。該機制基于評價維度立體覆蓋與反饋回路響應，保證能力培養始終對標臨床輔助診斷需求。

（四）跨學科融合及產業協同

OBE理念下，人工智能基礎課程改革著力于構建跨學科融合與產業協同創新教學模式。課程設計堅持打破傳統學科壁壘，建立“人工智能 +^' ”課程矩陣，把計算機科學、數學建模、領域知識等多元學科系統整合。以智能醫療診斷課程模塊為例，教學內容包含卷積神經網絡等核心算法，融入醫學影像處理專業知識，并整合醫療倫理等相關人文素養內容，構成復合型知識結構。產業協同角度，形成“雙導師制”教學模式，由高校教師負責理論框架搭建，企業工程師指導實踐運用，保證教學內容與行業技術發展協同更新。課程項目設計來源于企業需求，如同智能駕駛企業合作設計多傳感器融合項目，學生同時處理計算機視覺、信號處理及自動控制等多領域內容。教學實施中，形成動態更新產業案例庫，每學期由合作企業帶來最新技術難題作為課程項目素材，從而保證學習內容前沿性。評價環節引入行業認證標準，把企業項目驗收規范轉化成課程考核指標（如代碼的工業級規范要求、模型商用部署標準等）。建設校企聯合實驗室，學生接觸真實開發環境，形成工業級數據集，解決跨領域復雜問題，自然培養出懂人工智能技術，理解行業需求的復合型能力。此教學模式使學生在掌握核心算法之余，理解技術運用邊界條件及社會影響，為解決復雜問題奠定基礎。

（五）動態迭代與倫理教育嵌入

OBE理念指導下，人工智能基礎課程建立了動態迭代機制與倫理教育深度嵌人的教學體系。課程采用敏捷開發模式，每學期按照技術演進及產業反饋更新調整，構成“技術跟蹤一需求分析一內容優化”發展機制。形成由學科專家、企業技術主管及教育研究者構成的課程委員會，定期評估教學內容前沿性、適用性，保證算法案例庫保持 30% 以上年更新率。教學引入了版本控制概念，對不同屆次學生項目成果展開縱向對比研究，識別教學薄弱環節，給予針對性強化。倫理教育采用“浸潤式”嵌入方法，在機器學習、計算機視覺等核心模塊內設置倫理決策點。例如，圖像識別項目內加入數據偏見檢測環節，推薦系統設計環節融入信息繭房效應。經過構建“技術一倫理”雙維度評價框架，既考核算法性能指標，又評估處理方案社會影響，培養學生對技術運用的全局思索能力。形成倫理沖突案例庫，收錄自動駕駛“電車難題”、人臉識別隱私爭議等，組織學生完成多角色辯論及解決方案優化，技術實踐中形成倫理意識。采用模塊化架構組件課程資源，支持快速替換過時內容，補充新興技術（如及時加入大語言模型等前沿技術），同時配套更新倫理考量要點。動態迭代與倫理嵌入相結合的方式保證了教學內容技術時效性，深化了學生社會責任意識，使人才培養與技術發展同步。

六、結語

OBE理念為人工智能基礎課程教學改革帶來了完整的理論框架與實施路徑。通過反向設計方法重構課程體系，使教學目標與產業需求精準對接。基于項自驅動混合式教學模式，做到理論教學與實踐訓練有機統一。堅持多元梯次評價機制，全面客觀評估學生綜合能力發展。跨學科融合的教學設計培養學生系統思維與創新能力。具體實施中，倫理教育逐步嵌入技術教學環節，經過案例分析、情境模擬等方式培養學生社會責任意識。同時，人工智能教育標準化體系建設的持續推進，涉及課程內容標準、能力評價標準及師資建設標準等多個方面，標準化工作為新工科人才培養提供了堅實制度保障與質量支撐。基于OBE理念的教學改革解決了傳統人工智能教育目標模糊、評價單一等問題。系統化培養方案設計保證了學生獲得適應行業發展所需的專業能力與綜合素質。

參考文獻

[1]劉麗珍，宋巍，尚媛園，等.推進混合教改和產學研合作，提升智能專業人才的培養質量[J].計算機教育，2017（10）：84-87.

[2]夏文斌，張若辰.人工智能與教育革命[J].石河子大學學報（哲學社會科學版），2021，35（03）：125.

[3]黃蘇丹，胡智勇，曹廣忠，等.基于OBE理念的智能控制課程教學改革[J].高教學刊，2020（14）：109-113.

[4]熊健，李家艷，桂冠.高校人工智能類課程教學探索與研究—以南京郵電大學為例[J].教育現代化，2019.6（30）：213-214+217.

[5]胡剛.實現人工智能與高校思想政治教育融合發展的創新思考[J].重慶郵電大學學報（社會科學版），2021，33（04）：89-97.

基金項目：廣東省教育廳2021年度重點建設學科科研能力提升項自“未來會計人才培養的實踐體系研究”（項目編號：2021ZDJS134）

作者單位：廣州華商學院

責任編輯：王穎振 楊惠娟