工作坊教学模式在智能建造与运维人才培养中的实践探索*

范成 何炜麟 丁志坤

（深圳大学土木与交通工程学院建设管理与房地产系）

一、引言

智能建造与运维人才的培养对提升我国建造行业的智能化和精细化水平有重要作用。[1，2]相关行业对人才的信息化技术和数理分析能力有较高要求。如何将前沿信息化技术和数据分析技术有机融入大土木教育体系中，拓展学生的信息化知识和实践技能亟待解决。[3]传统的课堂教学易于传递经典理论知识，但在讲授前沿信息化知识和现代化工具方面具有一定局限性，难以让学生快速、全面地了解前沿技术的应用价值，同时在培养学生实践能力上具有先天劣势。[4]

工作坊式教学模式主要采用“师带徒”的教学形式，具有科研属性强、师生交互度高的“精英式”教学特点。[5，6]这一教学模式是传统课堂的自然延续，对筛选和培养拔尖人才具有积极影响。本文以工程管理专业人才培养为背景，以拓展学生数理统计知识体系和实践能力为目标，从教学内容、教学方式和考核机制层面探索了工作坊式教学在培养智能建造与运维人才中的价值。

二、教学内容前沿化：侧重人工智能与机器学习领域的知识更新

智能建造与运维侧重信息化和数字化，因此在教学内容设置中应特别突出前沿信息化技术原理和二次开发实践能力的培养。比如，建筑信息化模型（Building information modeling）是建造领域日趋成熟的信息化技术之一。传统教学侧重软件工具的直接使用，在编程与二次开发方面的能力培养欠缺。考虑到不同建设项目在建造和管理过程中的特异性，现有软件功能很难满足项目的特定需求。因此，在工作坊教学中，应特别强调BIM软件原理方面的介绍，设定编程与二次开发的教学内容，起到进阶知识的培养功能。

智能建造与运维对数理统计能力也提出了较高的要求。目前，智能建筑中嵌入了大量的传感器及物联网技术，每天产生数以万计的运维数据，全面分析及充分挖掘这部分数据是实现建筑智能运维的关键。如何在海量传感数据的基础上，做出正确有效的工程决策是新时代工程管理人才应具备的特质。目前，工程管理专业在数理统计方面的课程注重经典知识的讲授，如线性回归模型、基于移动平均的时间序列分析等，对前沿机器学习和人工智能算法的涉及较少。在相关统计类本科课程的教学过程中，作者发现工程管理专业学生通常对经典统计方法不感兴趣，但是对前沿算法具有一定敏感性和自主学习意愿。因此，在工作坊这类“精英式”教学活动中，建议从分析算法的主要门类入手，分别介绍经典和前沿算法代表，提升学生对分析算法的认知。同时，为了让学生更好地理解算法功能及其在建造行业的应用潜力，建议结合具体计算机编程语言展开教学（如R或Python语言），在锻炼学生信息化编程能力的同时，也在具体任务中培养学生的数据思维和实践能力。

据此，作者设计了如下图所示的教学内容，主要分为算法理论介绍和编程实操及科研任务参与三部分。其中，在算法理论介绍方面，从非监督类和监督类两大门类入手，分别从浅至深地介绍了相关代表算法。针对非监督类算法，从功能出发，设置了聚类分析、关联法则挖掘和异常诊断三部分内容，同时在对应环节介绍了代表性算法，如K-means聚类算法，Apriori关联法则算法和基于自编码器的异常检测方法。针对监督类算法，从预测问题属性（如回归或分类问题）和算法复杂性（如线性或非线性）两个层面设计教学内容，规划了线性回归、逻辑回归、支持向量机、决策树、集成学习、全连接神经网络、卷积神经网络和循环神经网络的内容，让学生对数据分析算法形成大致印象，对解决不同数据分析问题形成初步思路。

在编程实操方面，作者以R语言为工具，从软件基础操作出发，讲授了数据结构、数据可视化、算法实现、模型解读与定制化功能开发的相关内容。学生在完成教学内容后，不但具备了一定的从事数据分析的实践能力，同时也提升了其对计算机科学及编程技术的认识。考虑到不同的计算机语言具有原理互通性和操作相似性，在传统的大土木工程教育中引入计算机编程内容具有显著的跨学科教育意义，也在一定程度上改变了学生对传统土木学科和行业的理解。

在科研任务参与方面，以建筑人行为检测为落脚点，引导学生以非侵入式的方式实现室内人数与人体热舒适的实时检测。针对科研任务的目标，学生需依次进行实验设计、数据收集、数据清洗及模型建立等任务。学生在亲身参与了完整的一次科研任务后，不但对所学的各种数据分析方法有了更深的理解，同时也激发了学生对科研的热情，培养了学生的科研思维。

三、教学方式多样化：突出交互式教学和编程马拉松的新颖讲授方式

工作坊教学具有较高的灵活性，可以融合多种教学方式。在算法介绍方面，可以以多媒体教学素材（如幻灯片和短视频等）为主，必要的公式和原理示意图采用板书形式。在该过程中，建议特别突出“师生交互性强”这一教学特点，鼓励学生带着疑问进行学习，不强调具体数学公式的推导，应注重算法原理设计的出发点，使学生真正明白前沿算法相较于传统算法的性能优势和研发必要性。在编程实操方面，可以采用“编程马拉松”的形式，通过特定的数据问题锻炼学生的数据思维和编程能力。该部分内容建议从学生感兴趣的领域（如图像识别、网站推荐机制等）出发，逐渐过渡到建造领域面临的特定问题，同时在相关数据分析案例中应强调数据驱动的决策方式及计算机语言编程的效率优势，进一步促进学生对前沿技术的学习兴趣。

综上所述，可针对每一类代表性算法设计出相关的数据分析实操内容。比如，在神经网络和深度学习算法的教学过程中，作者首先选取图像识别领域的数字识别问题为案例，让学生通过编程设计不同结构的全连接神经网络，明晰网络层数和节点个数对识别精度的影响规律。其次，介绍基于卷积神经网络的模型形式及其实现方法，通过对比模型精度使学生更好地了解卷积神经网络的设计初衷及其在处理图像数据上的性能优势。最后，以建筑能耗预测为对象，介绍循环神经网络在处理时间序列数据上的独特优势。通过以上环节，学生不但可以了解神经网络类模型的主要形式，同时也理解了不同模型的应用场景和性能优势。在这一过程中，作者采用“编程马拉松”的形式带领学生逐行编写代码，这一方式不但有助于启发学生的数据思维，同时也可以让学生更深刻地意识到计算机编程这类信息化技术的便捷性与实践价值，提升其自主学习兴趣。

在工作坊教学后半部分，学生已经具备基础的数据分析理论基础和实操技能。为了使学生亲身体验科研任务的全流程，可引导学生参与各种建筑人行为检测案例分析中，如室内占用率检测、人体热舒适动作检测等。上述提及的两种人行为检测都是当前建筑智能运维领域的研究热点。在室内占用率检测的实验中，作者首先向学生介绍相关文献，激发学生的创造力，引导学生形成初步的实验方案。其次，根据实验方案，为学生配备相关实验设备，组织学生以校内建筑为对象，开展室内环境数据与人行为信息的收集实验。再次，作者带领学生运用各种算法，对原始数据进行异常值检测、异常值替换、标准化处理等数据预处理过程。最后，引导学生尝试多种已学习的机器学习算法进行建模预测。学生之间可互相交流算法性能提升的心得。在此过程中，学生们的科研思维与算法能力得到了充分的锻炼和提升。

四、考核机制精英化：强调信息化实践技能和科研素质的拓展培养

工作坊教学具有精英化属性，是传统课堂的延续，相关学生一般具备较好的自主学习意愿和理论学习基础。在考核机制方面，应特别强调信息化实践技能和科研素质的拓展培养。有别于常规课程采用的理论知识考核形式，应鼓励学生充分发挥自主学习意愿，以小组形式完成数据竞赛和相关科学研究，通过实际项目考察学生的学习效果。

在数据竞赛方面，可以充分利用线上数据平台，选取学生感兴趣的问题进行实操。该考核方法的好处在于：第一，相关线上数据平台一般具有现成的数据集，不需要学生花费大量时间进行数据采集和预处理等工作；第二，相关竞赛一般具有国际化用户社区，针对不同数据分析问题的解决思路积累了大量的互动学习资源，有助于学生进一步培养自学能力，提升合作意识。

在科研素质培养方面，建议结合教师的科研项目展开研究，鼓励感兴趣的学生提前进入课题组，从事相关科学研究。这一考核方法的好处在于可以让本科学生提前培养科研思维，了解相关领域的科研动态，提升其在文献阅读、实验设计和论文写作等方面的综合能力。

五、结语

数字化技术的快速发展对工程管理专业的人才培养提出了更高的要求。如何在传统的大土木类教学中有效引入各类信息化技术，培养面向智能建造和运维的复合型工程管理人才具有重要研究意义。本文以提升工程管理专业学生的数理统计能力为目标，探索了基于工作坊的新型教学模式，从教学内容、教学方式和考核机制三方面进行了实践尝试。其中，教学内容侧重机器学习和人工智能领域的前沿知识，旨在拓展工程管理学生的数据分析知识体系。教学方式充分发挥工作坊模式的优势，通过互动式教学和编程马拉松提高学生对算法的理解和实践能力。考核机制强调数据竞赛和科学研究的重要性，突出精英化培养理念，进一步提升拔尖人才的信息化实践技能和科研素质。