面向智能化场景的基于PBL的数据结构教学模式研究*

梁婷婷

（杭州电子科技大学 浙江杭州 310018）

大数据、云计算、物联网等先进技术的发展，以及高性能计算平台的快速升级推动着人工智能技术的蓬勃发展。2017 年7 月国务院出台的《新一代人工智能发展规划》将人工智能上升到国家战略，《规划》旨在推动人工智能技术研发和产业化发展，制定了我国人工智能发展的“三步走”战略目标，提出了包括人工智能基础理论体系在内的11 项重点任务。在此背景下，国内外各大高等院校逐步将与人工智能技术相关的内容纳入本科课程任务中。人工智能技术大幅跨越了科学与应用之间的“技术鸿沟”，典型的应用，如自然语言处理、计算机视觉、语音识别等均离不开人工智能技术的支撑，而这些技术大多是以数据结构和算法为基础而发展的。因此，数据结构和算法设计是大学计算机教育重要组成部分。同时，数据结构理论课程和实践设计课程是培养学生创新能力和独立思考能力最好的方式之一，可有效提升学生思维的逻辑性和独立性。因此，在人工智能高速发展的背景下，高校应该构建起更加合理、科学的数据结构课程体系。

一、数据结构教学现状

数据结构课程讲授的相关理论知识和技术方法是计算机专业学生在进一步学习包括人工智能技术在内的其他计算机前沿知识，或是从事理论研究、应用开发等工作都起着重要的作用。

数据结构课程内容包括各种数据的存储结构、逻辑结构以及基于不同结构的算法设计、分析及实现等。此外，该课程具有较强的实验要求，强调培养学生的算法设计、编程实践等方面的能力，为后续学生参与工程实践打好基础。现有的教学多采用理论知识讲授、案例教学等方式，学生接受知识较被动，学习效果考核多以作业和期末考试为主，对调动学生学习积极性的作用有限。在人工智能繁荣发展的大环境下，数据结构和算法设计不可能作为一个孤立的存在，而是需要共同作为实现人工智能应用的基石。具体来说，目前人工智能背景下数据结构的人才培养主要存在以下四个方面的问题：

（一）课程以课堂讲授为主，侧重理论知识，不够重视编程实践应用能力的培养

数据结构课程评价方式以笔试为主，期末考试对学生在基本概念、方法以及算法等方面的掌握情况进行评价。学生缺少将理论知识付诸编程实践的机会，在很大程度上限制了学生创新和实践能力的提高。尽管数据结构课程安排了少量的实验环节，但实验题目的设置针对简单且传统的数据结构及其相关操作的实现，主要考察的还是学生对基本数据结构知识的掌握情况，对处理实际问题能力培养的作用有限。

（二）忽视了数据结构与人工智能领域应用的结合

目前的数据结构课程基本针对四种基本的结构，即线性表、树、图、集合，讨论其物理存储和逻辑关系特点，以及对应的抽象操作，重点考查学生对数据结构理论知识点的理解，而忽略了学生面对特定领域，如人工智能领域中的实际问题的创新能力、应用能力和团队合作意识的培养。

（三）教学方法和手段较为单一

传统课程主要借助多媒体工具进行面对面授课，这种方式易于将课程内容形象化的进行讲解，让学生更容易接受，理解也更为深入。但过多地依赖课件容易导致师生之间教与学、解与答的互动频率减少，学生过于关注课件展示，思维在一定程度上受限，长期下去易对课堂内容感到厌倦，导致老师的讲授行为和学生的吸纳知识过程不同步，影响教学质量。

（四）单一的考核方式无法有效评估课程学习成果

传统的“平时作业+期末考试”的考核方式侧重检验学生对理论知识的掌握情况，无法从多方位准确地对学生的学习效果进行评估，这不利于数据结构理论与实践应用并重的课程的发展。

二、基于问题的学习方法的主要特点及优势

近年来，基于问题的学习方法（Problem-Based Learning，PBL）受到在国内外的高度重视，许多高校采用该教学模式并收到了显著的教学成效。PBL 教学法是一种以问题为驱动的教学方法，以学生为主体，以问题为核心规划学习内容，针对具体问题寻求合适的解决方案。与传统的课堂讲授为主的教学方法不同，执行PBL 学习方法过程中，教师不再是原本课堂中讲授知识的引领者，而是变为推动教学活动进行的角色，即推动者。具体改变是不再干巴巴地在课堂上直接讲授理论知识，而是结合课程具体内容为学生设计面向专业领域内的开放性问题，鼓励学生展开讨论并主动对感兴趣的问题展开深入研究。通过这样的方式，学生在解决问题的过程中除了能获取基本的理论知识，也能培养额外的知识应用能力，激发探索研究精神。在PBL 教学过程中，教师的主要作用是提供学习材料，监督学生的学习讨论过程，并为其答疑解惑，确保学习过程顺利进行。PBL 教学方法将理论知识与专业领域知识结合，以问题为驱动，促进学生主动学习，培养其主动探索、实践应用的能力，同时能够提升学生的创新思维和团队协作意识。将PBL 教学方法应用到数据结构教学中，能让学生通过提出问题、分析问题、解决问题等操作掌握所学理论知识及实践方法。

人工智能背景下，数据结构课程需根据自身特点以及人工智能应用领域内的发展形势，引入PBL 教学方法，从调动学生的积极性出发，在教学内容、方法、实践环节等方面进行特色明显的教学改革，其主要优势体现在：（1）教学过程“轻理论，重实践”，简化课程中相关理论性、抽象性知识的讲解，引入人工智能领域相关案例，将其抽象为算法题目，结合数据结构知识进行讨论解决；（2）优化实践课程，培养学生的创造性和应用实践能力，采用提问式的教学模式，以适应各专业基础的学生，激发他们的主动性。

三、人工智能背景下基于PBL 的数据结构教学创新途径

针对上述数据结构课程现状，本文以人工智能领域内具体应用为切入点提出相应的解决方案，旨在调动学生学习的积极性和主动性，提高数据结构课程的教学质量，并大幅提升学生的理论知识掌握水平、编程实践能力、创造性以及团队协作意识。基于此，本文提出引入基于问题的学习方法，从调动学生的积极主动性出发，在学习模式的确定、问题设计、教学过程安排以及教学评价方法优化等方面提出以下教学创新途径，具体框架如图1 所示。

图1 面向智能化场景的基于PBL 的数据结构教学挑战及创新途径

（一）确定学习模式

确定学习模式的目的在于确定如何将传统的授课方式和问题驱动的方式进行合理的结合。按照萨文巴登的定义，基于问题的学习模式主要可分成完全PBL 教学和混合式PBL 教学。完全PBL 教学模式是一种单纯地以问题为基础的教学方式，在教学中不需要老师讲授课程内容，学生通过自学来解决提出的问题以获取知识。而混合式PBL 教学模式是将课堂教学与问题驱动的学习方式相融合。传统的教学方法与PBL都有自己的特色和优点，两者之间不应当是互斥关系。由于数据结构这门课程的知识点较多、内容较为复杂，学生学习水平也存在一定差别，所以本文提出将常规的教学与PBL 相结合，确立以常规的教学模式为主导的教学模式，辅以面向人工智能领域的PBL 方法，达到互补、辩证的综合教学效果。在系统整理和授课中，学生能够掌握基础课程内容和重要的学术思想，并在课堂上运用问题式的方法进行与人工智能领域相关的开放提问。此外，学生们还可以在老师指导下组织学习团体，展开团队合作，进行问题的分析与求解。

（二）面向人工智能领域的问题规划

在PBL 中，问题的规划设计是实现基于提问的教学的重要环节。具体规划问题的时候，既要考虑问题涉及的范围，也要考虑问题是否满足课程在开放性、现实性、复杂性和挑战性等方面的要求。因此，我们基于多年的教学实践，同时结合当前的发展趋势，特别是在人工智能领域的应用，对课程进行深入而系统的学习与分析，并为学生提供一个合适的问题环境。比如，在教授线性结构的过程中，针对这个第一个被介绍的抽象数据类型，根据学校的具体条件，可以组织学生体验基本的信息管理系统的设计过程，让他们能够更好地了解线性结构的增删改查的基本功能并根据此场景设计对应问题。有条件的话可以为学生提供图书管理、选课管理、科研系统等易于学生融入的问题情境。到中间和后期，可以引进简单的信息搜索平台、电商平台、商品推荐系统等更加智能化的场景。在这样相对复杂的场景中，涉及的问题也更加综合，它要求使用更复杂数据结构形式，如多个数据结构和算法的结合。上述的智能化场景都是当下较为热门且贴近生活的，通过这样的场景中的问题，可以增强学生好奇心并激发他们的学习积极性。

（三）完善教学流程

遵循PBL 思路，在传统教学过程的基础上，融入人工智能领域知识，完善出“问题提出和分析、方案设计、评估和反馈”这样一条逻辑清晰的流程，并实现迭代执行。具体的执行过程是：（1）事先制定若干个涉及人工智能应用的场景供学生选择，并按选择结果进行分组；（2）分组后，老师针对不同的小组根据具体的智能化应用场景对需求进行阐述并提出涉及的数据结构及算法问题；（3）小组讨论后先给出对应解答，老师根据答案进行分析并指出不足之处，同时扩展更全面的知识点；（4）小组收到反馈之后，结合每个成员的理解，对问题进行更深入的剖析，提出统一的解答；（5）面对面授课结束后，各个小组可利用教材、参考书、网络资料等材料及线上学习工具来扩展知识面，对课堂上提出的解决方案进行修正补充；（6）针对修改后的解决方案，重新安排他们进行评估；（7）最终，老师通过对各个小组所遇到的共同问题进行归纳复盘，引入下一阶段的知识点和应用场景，再进行下一迭代流程。每次迭代周期根据不同阶段设置不同，基本控制在3—5 周，整个学期每个小组将执行3—4 个周期。

（四）优化教学评价体系

PBL 的引进使原来的教学评估方式发生了变化。传统的课程考核方式大多采用“平时成绩+实践成绩+期末测试”的模式，这是一种比较固定的评估模式，能够反映学生的理论知识学习效果，但无法对学生在具体问题上表现的实践和创新能力进行评估。在实施 PBL 综合教学后，我们认为应采用“课题评估+期末考核”的形式进行对学生的学习成效进行评估。其中，对各个小组根据其在不同场景问题中的学习过程展开评估，具体分为学生自我评估、小组内学生互评、老师的评价等，并对不同类型的评分设置权重。此外，课题评估还要根据不同的周期进行阶段性成效统计，即把 PBL 的教学过程看作是一个由多个环节组成的综合过程，各阶段的评估是一种过渡评估，能够及时地从中发现各个小组在学习中存在的问题并及时给出意见，为下一周期的学习打下了坚实的基础。期末考核中除了采用传统的卷面成绩，还将引入小组期末答辩环节，除了考核理论知识外，还对学生解决智能化场景中实际问题的能力和团队协作能力进行评价。

结语

本文针对人工智能背景下数据结构课程在应用思维和能力培养、教学方法和手段、教学评价体系等方面面临的挑战，提出基于PBL 的创新教学新途径，包括确定以传统教学方式为主，PBL 教学方法为辅的学习方式，结合人工智能领域应用设计综合性问题，完善教学迭代过程，引入基于PBL 教学模式的阶段性评价体系，优化理论与实践的衔接与融合，使学生进一步掌握编写复杂应用程序的经验，为后继课程的学习及就业做好准备。