基于CDIO 模式的人工智能赋能混合式教学方法
2023-03-16邱思航艾川
邱思航,艾川,陈 彬
(国防科技大学 系统工程学院,长沙 410073)
CDIO 模式是工程教育在国际上广泛采用的教学模式,由美国麻省理工学院与三所瑞典高校于2000 年倡议[1]。CDIO 模式由构思(Conceive)、设计(Design)、实施(Implement)和运作(Operate)四部分组成,尤其强调工程教育中的创新实践能力培养[2-3]。2012 年以来,以Coursera 与edX 为首的几大课程提供商联合美国诸多大学掀起了网络教育的新热潮,以大型开放式网络课程(MOOC)的形式为互联网用户提供免费或付费的教育资源。MOOC 从大规模推广至今已发展了十年时间,在互联网上虽然已经可以找到覆盖各个领域多种多样的在线课程,但基于MOOC 平台的课程教学形式依然较为单一,侧重点在知识的传授,缺乏有效的师生互动。在此背景下,教育界发展出线下传统教学与线上MOOC 教学相融合的混合式教学方法。
一 教学问题分析
近年,混合式教学方法在知识的讲授方面取得了十足进展,然而现有混合式教学方法在基于CDIO 模式的工程教育方面存在三大问题。
一是现有的混合式教学方法强调知识传授而忽视了创新实践能力的培养。当前的混合式教学方法在创新实践能力培养方面教学内容环节仍相对单一,在实践过程中普遍存在学生兴趣不浓、教师难以把握学生学习状态等情况,这些问题导致现有混合式教学方法在创新实践能力培养方面仍待进一步改进与发展。
二是现有的混合式教学方法缺乏对学生参与度与成就感的关注。教育界普遍认为“填鸭”式教学方法无法对学习效果带来积极正面的影响,因此当前新发展的教学模式和方法(包括混合式教学方法),逐渐开始关注学习动机,如培养学习兴趣与积极性等。然而目前已有的教学激励机制在实践过程中依然存在“三分钟热度”的情况,这就要求教学过程中教师应持续性地关注学生的学习参与度与实践成就感,使学生对课程能保持长期热情。
三是现有的混合式教学方法在学生培养中缺乏量化的评价方法。混合式教学方法的实施为量化评价带来新的机遇与挑战。一方面,混合式教学方法具备了学生自身与学习环境数据采集的条件;另一方面,如何充分利用采集到的数据开展客观量化的考核评价仍待进一步发展。当前教学方法对学习效果的评价依然主要依赖于考核,对于学习过程的评价仍然过于主观,特别是考核评价方法与线上教学脱离严重,难以全面评价学生的综合素质和能力。
为解决这三大问题,针对基于CDIO 模式的教育中创新实践能力培养的需求,本文提出一种AI 赋能的混合式教学方法,将线下授课与线上实践深度融合,使课程的实践教学工作线上、线下两个方向无缝衔接,充分发挥各自的优势最大程度提升学习效果。人机混合智能的运用可使学生学习热情与成就感进一步增强,利用AI 辅助的智能化手段以科学的方法提升学生的参与度,培养对课程的持续性兴趣。通过实际运用本文提出的教学方法,教师可更全面细致地了解学生学习情况,通过智能化数据分析全方位把握学习状态与进展,以更好地因材施教。
二 人工智能赋能混合式教学方法
本文针对三个主要教学问题,分别展开了线上线下相结合的混合式虚拟实验教学模式、AI 系统辅助的教学与实践环节设计开展、基于学习分析学(Learning Analytics)的行为与效果评估三方面的研究与实践。三者之间的关系如图1 所示。基于人工智能赋能教育(Artificial Intelligence in Education,AIED)理论,将人工智能技术应用在教学过程中的讲授、实践、评估等各个环节。同时运用新兴的学习分析学相关方法与技术,结合教育学、计算机科学、统计学、认知心理学等不同学科理论,对AI 赋能的混合式教学方法的实际应用效果展开科学的量化评估。
图1 本文主要研究方法与教学问题之间的对应关系
(一)线上线下相结合的混合式虚拟实验教学模式
线上教育模式的发展自2012 年MOOC 的大力推广以来,已在全球范围产生重要影响。在此背景下,MOOC 在当前的高等教育中仍大多作为线上的辅助教育资源,以帮助学习者在课外预习、巩固、复习在课堂上所学的知识点。然而,基于MOOC 的混合教学模式线上线下环节仍然脱节,教学资源没有充分结合。尤其在课程实践环节,当前的混合教学模式较少考虑实践环节的设计,学习者的动手能力培养依然通过简单的作业发布与结果打分评估的方式进行。实践过程的实施效果在该模式下难以评估与把控,如何利用MOOC 等在线教育模式的优势提升学生的创新实践能力仍待进一步研究。为解决在混合教学背景下的创新实践能力培养问题,基于课程配套建设的虚拟实验平台,本文探索线下讲授指导与线上虚拟实验相结合的实践环节。线下的讲课指导具有更强的互动性,而线上的虚拟实验为学生提供了更丰富的试验元素和更广阔的探索空间。本文进一步总结应用该教学模式,在实践过程中AI 系统可实时介入提供帮助,同时全过程采集实验数据,为AI 赋能与智能教学数据分析奠定基础。
(二)AI 辅助的教学与实践环节设计
相关研究已经发现基于MOOC 等模式的线上教学常存在学习者难以长期坚持、专注程度不够、学习成就感不强的问题。为了解决这类问题,来自不同国家的研究者均展开了与学习参与度与成就感相关的针对性研究。比较有代表性的是,荷兰莱顿大学、代尔夫特理工大学、伊拉斯姆斯大学合办的教育与学习中心(LDE-CEL)在该方面展开了充分研究,探索了在线教育与混合式教学模式中教学的特点、学习的特点及学习环境设计等重要问题,并正在开展应用AI 技术、增强与虚拟现实技术强化学习者兴趣热情、参与程度和学习体验的研究。本教学团队前期研究曾针对在线教育背景下的学习者参与度与满意程度展开专门探索,并发现使用基于AI 的对话系统可在教育过程中显著促进学习者对于学习的持久程度与参与满意度[4]。为解决混合式教学过程中学习参与度与成就感的促进问题,结合前期工程与学术研究成果,配套建设AI 赋能的线上虚拟实验平台,目的在于为促进学生理解及增强参与度与成就感等方面发挥积极作用。AI 系统也可在实践环节实时采集学习状态并及时介入,提供相关帮助;同时,学生也可通过与AI系统交互,从中迅速获取所需的信息。本文中AI 系统将进一步通过合理的设计与虚拟实验平台结合,减少学习实践过程中的挫败感,减轻学习内容的理解难度,提升学习参与度与满足感。
(三)基于学习分析学的行为与效果分析评估
混合式教学方法的数据分析依赖于学习分析学,该方向起源于计算机教育领域知名国际会议Learning Analytics and Knowledge(LAK),其诞生伴随着大数据技术与人工智能的兴起,通过对学习者及其所处的环境进行数据测量、采集、分析,理解并优化学习者的学习过程与学习环境。近年来,教学数据与学习环境数据的采集与分析被应用于在线学习的各个方面,国际著名的学习分析学研究团队如澳大利亚莫纳什大学和LDE-CEL等通过应用前沿的自然语言处理技术,从课程的讲授提问环节、在线问答面板和其他学习过程中产生的数据中收集有效的语义信息,以建立更包容、更公平、更透明的教学与考评环境[5-6]。为解决混合式教学方法在学生培养中缺乏量化评价方法的问题,基于常见的学习分析方法等技术,本研究将进一步理解并转化学习过程中产生的数据,并通过选择使用合理的量表,以评估混合式教学方法下的学习与实践效果,辅助教师全面了解学生的学习情况。
三 方法应用:以寻源算法教学为例
(一)寻源问题
本文以寻源问题为例,在基于CDIO 模式设计的研究生课程仿真工程高级研讨中验证AI 赋能的混合式教学方法的有效性。本次研究为课程开发了基于混合智能的虚拟实验平台,在课程中选课学生通过使用虚拟实验平台进一步加深理解寻源问题的本质与常用算法。
寻源问题是智能优化领域和机器人领域的经典研究问题,是典型的搜索问题之一,其搜索空间通常是机器人进行搜索活动的二维或三维区域。该问题试图解决复杂场景中,机器人自主搜寻源位置的方法。其中,问题中的源可能是气体释放源、信号源、热源等。寻源问题因其重要性也在智慧城市系统与社会仿真系统中被广泛研究,通过计算实验被用于探索搜索灾害源的最优方法。为解决复杂环境中的源搜索问题,搜索算法需要引导机器人感知源发出的信号,同时在环境中移动,直到找到源时结束搜索过程。在复杂环境中可能存在许多障碍物,尤其是在整个搜索环境未知的情况下(如烟雾覆盖的火灾现场),这些障碍物会阻碍机器人的移动,给搜索任务带来更加严峻的挑战。解决该问题的经典方法是Infotaxis 搜索算法,其特点是通过奖励函数来决定下一步搜索源的方向[7-8]。此次研究将通过虚拟实验平台使学生更好地理解寻源问题,并掌握Infotaxis 等经典搜索算法。
(二)人工智能赋能的线上虚拟实验平台搭建
线上虚拟实验平台的设计基于混合智能思想,即将机器智慧与人的智慧相结合。虚拟实验平台使用特定的图元来解释寻源问题和寻源算法(图2),其目标是通过可视化的方式让学生清楚地理解寻源问题的本质。在平台中,界面展示了理想状态下(无障碍)机器人的最优移动方向,以及机器人实际行动的方向(因为有障碍物阻挡而计算得到的次优方向),以帮助人们理解算法如何应对未知环境的障碍。
线上虚拟实验平台采用基于贝叶斯推理和序贯蒙特卡洛等AI 方法来显示源位置的后验概率分布(见图2 中的颗粒)[9-10]。平台配套的AI 系统还建议使用DBSCAN 算法[11]来估计可能的源位置,以提供更多的信息帮助学生理解该问题。
图2 人工智能辅助的虚拟实验平台
当学生开始使用虚拟实验平台后,平台提供两种控制模式。手动控制模式允许学生完全接管搜索过程,控制机器人的每一个搜索步骤;AI 赋能控制模式允许学生在搜索过程中使用AI 算法解释、源位置推测、路径自动规划等方法。两种不同的模式可帮助学生在AI 不同程度的辅助下复现搜索算法的实现过程。
(三)教学效果评估
本次教学方法应用的评估采用NASA-TLX 量表以衡量学生在教学过程中的认知负荷情况,使用SUS 量表衡量虚拟实验平台的可用性及学生对系统的综合评价。NASA-TLX 量表的结果表明学生(N=6)在AI 赋能模式下的平均认知负荷值仅为9.4,远小于手动模式下的平均认知负荷值18.9。结果说明AI 赋能的教学方法可主观上降低心理与生理的学习负荷与学习难度。SUS 量表结果表明了学生认为基于AI 赋能模式的虚拟实验平台在可使用性(均值87.1)和可学习性(均值75.0)均高于手动模式(可使用性与可学习性均值分别为65.6 和62.5)。结果揭示了AI 赋能的虚拟实验平台总体易学易用,使用AI 赋能可增加学习自信心同时有效提高了学习效率。此外,部分学生针对平台提供了文字反馈(表1),表示该教学方法与配套的实验平台能帮助他们有效理解算法,给予了较高的评价。此外,学生普遍评价AI 赋能的虚拟实验平台也可很好地培养学习兴趣、促进学习参与度、提升学习热情及增强学习成就感。
表1 学生对教学方法的评价
四 结束语
本文面向CDIO 工程教学模式中的创新实践能力培养问题在教学模式的改良和教学方法的设计过程中均遵循“以人为本”的理念,以提升实际学习效果、学习体验、创新实践能力为立足点出发,开展创新性混合式教学方法的应用和实践。教学中将AI 领域最新的理念与技术贯穿实践的全过程,在教学内容的讲授、实践过程的辅导、学习效果的评估中引入AI 系统与学习分析等技术,实现AI 赋能的混合式教学方法以更好提升学习效果与学习体验。