面向科研能力培养的研究型教学在人工智能课程中的实践

汪洪桥 蔡艳宁

摘  要：作为计算机相关专业硕士研究生阶段的一门重要课程，人工智能课程具有理论和实践并重、创新性强、应用广泛等特点，适合用于培养研究生科研能力和科研思维。文章分析了人工智能课程的特点和存在的问题，探讨了以该课程为载体，以培养研究生的科研能力为目标，从理论授课和实践教学两方面入手的研究型教学及其实施方法。

关键词：人工智能;科研能力;研究型教学

中图分类号：G640       文献标志码：A          文章编号：2096-000X（2021）12-0105-04

Abstract： The course Artificial Intelligence， an important course for graduate students of computer related majors， is characterized by equal emphasis on theory and practice， strong innovation and wide application. It is suitable for cultivating graduate students' scientific research ability and thinking. This paper analyzes the characteristics and existing problems of Artificial Intelligence course， and discusses the research-oriented teaching and its implementation method， which takes the course as the carrier and aims at cultivating the scientific research ability of graduate students， from two aspects of theoretical teaching and practical teaching.

Keywords： Artificial Intelligence; scientific research capacity; research-oriented teaching

人工智能课程是为我校计算机相关专业研究生开设的一门重要的专业基础课，它在整个专业教学体系中起到奠基的作用，由于该课程涉及到的应用领域广，具有一定的理论深度，非常适合于培养学生的科研思维。因此，本文将从理论和实践两个角度探讨如何在人工智能课程中有效地实施研究型教学。

一、人工智能课程的特点和教学中存在的问题

人工智能（Artificial Intelligence， AI）课程是以人工智能的基本概念、基本原理及应用为基础，解释如何用机器智能来对信息进行标示、推理、证明、识别、理解、学习、规划、诊断等智能活动的科学。人工智能相关技术的研究一直处于信息技术的前沿[1-2]。目前，不少研究方向和技术，如自然语言理解、模式识别、机器学习、数据挖掘、智能检索、机器人技术、人工神经网络、深度学习的成果已经进入医学、遥感、工业生产、军事、生物特征识别、气象预测等诸多领域[3-4]，给人们的工农业生产和工作生活带来了极大的便利。因此，在研究生培养阶段开展人工智能课程的教学十分必要。

目前我校在计算机科学与技术学科开设的人工智能相关课程有五门以上，充分说明了我校对人工智能人才培养的重视，通过该课程的学习，研究生在掌握人工智能基本原理与方法的同时，运用智能技术解决智能应用问题的能力也得到了明显提升，在毕业设计、科技创新、各类竞赛中发挥了重要作用。但是，从人工智能相关课程的教学效果来看，還存在以下四方面问题：（1）研究生普遍感到人工智能相关课程原理算法多，理论性太强，学习起来枯燥乏味。（2）虽然学习了大量理论方法，但理论联系实际欠佳，不会运用理论方法解决实际问题[5-6]。（3）课程教学模式单一，无法调动研究生的学习主动性和积极性。（4）课程实践环节没有渗透学位论文的研究思路[7]，导致课程学习与科研学术脱节。针对以上问题，课程教学组以人工智能课程为载体，以培养研究生的科研能力为目标，探索和实践了人工智能课程的研究型教学方法，使人工智能课程的教学效果得以提升，在很大程度上解决了当前课程教学存在的问题，并结合示例进行展示。

二、计算机相关专业研究生应具备的科研能力

对于计算机专业人工智能方向来说，研究生的科研能力包括以下几个方面：

（一）发现科学问题能力

不断探索和发现科学问题，是科研人员的毕生追求。同样的，发现科学问题的能力，在研究生课题选题、论文开题中起到了重要作用。为了完成开题研究生首先要通过查阅和消化吸收大量文献，了解所感兴趣的领域最新的研究动态，然后根据自己的研究兴趣、专长、方向发现具有前沿性的科学问题，最后在掌握国内外研究现状的基础上，确定自己毕业论文的研究目标和研究内容。

（二）针对实际问题建立模型并提升编程实现的能力

研究生在确定好研究内容和目标后，应能针对实际问题建立问题的通用模型，进而提炼出问题的数学模型，并用相关数学知识进行求解。最后能够通过合适的编程实践工具和实现技巧，得出仿真实验结果。

（三）实际应用驱动下的理论创新能力

研究生教育的根本任务是培养高素质的具有一定创新能力的人才。一般情况下，对研究生的理论创新能力要求，应建立在重复性的建模和仿真实验基础之上，要能复现、实验分析出已有方法的不足，提出自己的观点和改进方案，进行一定程度的理论创新，最终能进行充分的模拟实验，得出比参考文献更好的实验结果。

（四）写作能力和学术交流能力

研究生应具有撰写高质量学术论文的能力，掌握论文撰写的基本思路和方法，能将自己解决科学问题的思维方式用文字、图表等方式记录和表达。在进行学术交流时清晰地表达自己的思想、技术手段和得出的结论。在学术交流中，一方面，研究生可以从专家、学者们的报告中吸取学术营养，开阔眼界，拓宽知识面，掌握基本的科研方法;另一方面，研究生有机会把自己的研究体会、研究思路和方法告诉导师或其他学者，通过质疑、讨论和帮助，不断完善研究生的研究思路，丰富自己的创新意识。

三、研究型教学在人工智能课程中的实践

研究型教学具有以下几个特点：（1）把学习看成是

问题的寻找、发现、分析和解决的过程。（2）强调亲自实践、亲自体验发现科学真理的认识过程。（3）鼓励对解决方法的接受、批判、迁移的能力，促进创新精神和能力的发展。人工智能的授课，应从理论和实践两方面入手践行研究型教学方法。

（一）研究型理论教学在人工智能课程中的实践

1. 利用热点疑问论题引发研究生思考与讨论

通过适时抛出一些热点疑问和话题，引发学生思考与讨论。例如“人工智能会战胜人类智能吗？”“人工智能是魔鬼还是天使？”“智能机器能毁灭人类吗？”等本身具有开放性的问题。并给出科学界一些比较有影响力的观点，比如斯蒂芬霍金、比尔盖茨、特斯拉马斯克等，让人们警惕人工智能，他们担心随着智能技术的发展，机器智能总有一天会赶上且超过人类智能。

2. 采用问题驱动方式讲解基础理论

人工智能有相当部分的理论比较枯燥，学完往往和实际应用难以挂钩。在对基本理论的讲解上采用问题驱动的方式。即先抛出一个应用背景，然后针对该应用问题建立数学模型，针对数学模型进行推导简化求解方法，之后进行初步的程序编写和仿真实验，最后分析方法的优缺点提出新算法，针对新算法在进行新一轮的模型建立和仿真实验，直到获得较好的结果。研究生在学习理论的过程中，以实际应用为背景，理论便有了实际的意义，会无形中建立起用人工智能的相关知识解决实际问题的能力。

3. 科学运用案例导入，引出理论方法

通过采用案例引入的方式，引出理论方法，激发研究生兴趣。比如：引入人机对弈的例子，像二十年前IBM的深蓝战胜卡斯帕罗夫，还有近期很热门的google的AlphaGo4：1战胜韩国的李世石。再比如可引入google旗下的波士顿动力的ATLas智能双足机器人。这些都跟我们的核心知识点密切相关。

4. 依托丰富教学资源，科学设置人工智能程序实例

人工智能作为理论研究热门，应用拓展广泛的研究方向，本身具有非常丰富的各类公开的实例资源，可引入到课程的理论教学，加强对理论的理解，也可拓展理论的应用。此外，也可以依托教研室、学院、学科在科研学术等方面的创新成果，构建适合学科、专业核心内涵的人工智能程序实例，应用于理论教学后，更能发挥程序实例的针对性，更加贴合研究生在学科、专业领域的需求。这里，重点以两个程序实例详细说明。

示例1：雷达图像目标识别程序实例

教学组长期从事SAR图像自动目标识别领域的科研学术工作，在SAR图像目标的特征提取、支持向量机分类等技术领域取得了大量的理论和实践应用成果，相关理论和应用成果在战场侦察、预警探测领域具有重要应用价值。基于此，结合人工智能课程里的机器学习章节内容，对支持向量机理论的模式识别应用进行了很好的实例展示和验证。

具体展示步骤如下：

步骤一：数据集直观化，引出问题解决的目标

为增强理论应用的实际效果，以真实的SAR图像作为实验对象。比如：引入的MSTAR数据集是美国DARPA项目组公开的对地静止军事车辆目标的SAR图像数据集，其中包括T72（主战坦克），BMP2（步兵战车），BTR70（装甲运兵车）三类真实目标。通过将每类目标原始数据进行可视化，可以将MSTAR数据集直观化展示，強化研究生目标意识。

步骤二：合理设置实验，贴近实际

在实验过程中，训练样本是地面目标的SAR成像数据，SAR俯仰角为17°，总共为1622个，测试样本是地面目标的成像数据，SAR俯仰角为15°，总共为1365个。训练、测试样本获取途径存在差异，更加符合实际情况。

步骤三：科学设定识别评价标准，掌握识别算法衡量方法

为了评估实验结果的准确性，使用混淆矩阵（Confusion Matrix， CM），总体识别精度（Over Accuracy， OA）和平均识别精度（Average Accuracy， AA）来作为评价标准。CM是识别标签向量与真实标签向量之间的误差矩阵，OA是正确识别的图片样本占总体图片样本的比例，AA是指每一类目标中正确识别的图片占该类目标中总的图片样本数目的比例。使研究生了解常用的衡量识别算法性能的指标参数。

步骤四：SAR图像的特征提取，理解样本特征向量的获取方式

SAR图像的多尺度特征提取是决定识别结果好坏的两大因素之一。通过使用通俗易懂的滤波核对每一张SAR照片样本进行二维空间非均匀滤波采样，然后将采样后的多尺度二维矩阵进行拉伸变换成多尺度的一维向量，每个尺度拉伸成一个一维向量，每一张照片均做相同的处理，就可以得到一个图像样本的特征向量。多个图像样本通过相同尺度的向量合并成矩阵，就可将原始的SAR数据集由三维矩阵合并为大的多尺度二维矩阵。通过这种直观的展示，可以让研究生从根本上掌握特征向量的获取方式。

步骤五：支持向量分类器构建，掌握图像目标分类的模型应用

虽然本部分教学内容是基本的支持向量机理论，但具体的分类实验，可选择多种分类器进行对比。比如：本示例中选择了标准支持向量机、最小二乘支持向量机、合成核支持向量机、多尺度核支持向量机等。给研究生充分展现特征向量同支持向量分类器的融合方式，掌握各种分类器的参数调节方法，以及各种分类器的特性。

步骤六：丰富的图表分析，多角度展现目标识别结果的有效性

为了更好的对实验结果进行分析，可以通过表格、柱状图、ROC曲线等方式，将实验结果进行直观展示。这样可以全方位展现类别识别精度、总体识别精度的优劣。同时结合标图像采样样本数目及尺度因素，给学生引入在特征提取过程中尺度大小的选择也会对总体分类效果产生影响，给研究生讲述在实际算法应用中需要注意的问题，使研究生尽量掌握全面的算法应用技巧。

（二）研究型实践教学在人工智能课程中的实践

1. 层次性的设置实验内容

按照从浅入深、从易到难的方式设置实验内容：首先让研究生完成基本的原理和算法编程，测试简单的实验用例，其次针对一个用例用不同的方法实现，横向比较算法的优劣性，最后针对一个用例，将一个算法进行改进并和改进前的算法进行比较，给出客观的评价。

2. 编程实践贯穿授课全程，打造强大动手能力

对于理论的理解掌握，最好的方法是对理论算法的编程实现并应用。在人工智能课程，很多章节都涉及到重要的算法，如推理、搜索、智能优化、机器学习（模式识别、回归分析）、专家系统、智能决策等，在学习这些理论和算法的过程中，必须要让研究生掌握必要的编程工具，有一定的实践动手能力，才能真正学懂和会用智能算法。基于此，在本课程的第一节课，就给研究生布置了任务，课后作业就是安装一个软件编程环境，学一门语言，如推荐大家使用Python、Matlab。让研究生真正掌握一个工具，学到终生受用的工作、科研学术技能。

3. 多方案解决常规问题，鼓励理论方法拓展

在研究生掌握某一个算法并能解决某个问题后，让研究生借助这个问题，培养发散思维，主动寻找更优的解决问题途径显得尤为重要，这是培养研究生自主学习、独立科研能力的重要方法。在这一思路指引下，教学组针对动手能力强的研究生，鼓励他们进行实践作业的自命题。比如，在课堂上，教师仅讲授了遗传算法的理论及实现方法，并以TSP问题为例，布置了编程实践作业。从作业效果看，有的研究生通过寻找创新理论，找到了更好地解决问题的方法，起到了发散思维，拓展理论的目的。

4. 布置微课题，锻炼研究生的科研能力

给研究生布置一个完成的思路和学位论文比较接近的微课题。微课题的选择采用自主方式，研究生可以选择自己感兴趣的问题或和自己学位论文相关的问题，甚至是任课老师自己科研项目中的问题来做。课题选定后，组织研讨，确定各自的研究内容和研究方法，经过反复的实验确定最终的解决方案。在此基础上，撰写论文，组织学术交流。这种课题和实验相结合的方式使得研究生明确实验的意义，形成理论知识和实际应用相结合的完整知识体系，也是研究型实验教学创新的重要途径。这里结合授课过程中的微课题设置与实施，进行示例介紹。

示例2：微课题设置与实施

步骤一：课题题目设置及选题

结合人工智能课程中涉及到的重要算法的应用能力和编程能力培养，教学组在授课过程中设置了一些微课题，供研究生分组选择完成。课题的设置紧密结合核心算法，难易适中，重点考察研究生对核心算法原理的掌握、文献调研能力、编程动手能力以及实验分析能力。表1所示的是人工智能及应用课程设置的10道微课题。研究生通过两两自由分组，每组完成一个课题的编程实验，每组课题不重复，力求公平公正，同时也强调了团队合作。

步骤二：微课题报告提交要求

微课题形成的书面材料，采用报告的形式提交。报告需严格按学术论文模式撰写，包含标题、作者（负责人）、摘要、引言、现状分析、基本理论、算法实现、实验比较、结论、参考文献等部分。研究生需要广泛调研、阅读文献，完成报告引言、国内外现状的分析、基本理论的学习。此外，还需选择合适编程工具实现算法，并精心设计实验，分析实验结果给出结论，最后形成完整报告提交教员审查。

步骤三：微课题汇报与演示

微课题的验收，采用微课题组进行课堂汇报与演示的形式进行。各组选派一名代表，进行课题的理论讲解和实验展示。汇报完毕后，其他研究生可自由提问，课题组答疑，教员进行当堂点评。这种方式，既锻炼了研究生的论文撰写技能，也提高了口头表达和成果综合展示能力。

四、结束语

人工智能技术的相关特点决定了其适用于采用研究型教学法授课，旨在培养研究生的科研能力。本文从理论和实践两个方面入手介绍了如何在教学中实施研究型教学。理论教学要以应用为牵引，明确理论在实际应用中的意义。实践教学要注重和科研结合，从而让研究生明白实践的意义，从而建立起能用所学的理论知识解决实际问题的科研能力。

参考文献：

[1]蔡自兴，徐光佑.人工智能（第四版）[M].北京：清华大学出版社，2010.

[2]史忠植.高级人工智能（第3版）[M].北京：科学出版社，2011.

[3]吴朝晖.交叉会聚推动人工智能人才培养和科技创新[J].中国大学教学，2019（2）：4-8.

[4]雷玉霞，赵景秀.人工智能“多元化全程性阶梯式”教学研究与实践[J].创新教育研究，2020，8（3）：9.

[5]谢榕，李霞.人工智能课程教学案例库建设及案例教学实践[J].计算机教育，2014（19）：92-97.

[6]李琼.人工智能课程教学创新实践研究[J].信息系统工程，2015（12）：159.

[7]姚琳，石志国.人工智能课程体系与教学方法研究[J].中国大学教育，2019（10）：19-22.