基于OBE的面向非计算机专业的人工智能导论课程教学改革

○杨婧 张晶 杨沛

一、研究背景

1956年，由约翰·麦卡锡等人发起的达特茅斯会议首次提出并使用了“人工智能（Artificial Intelligence，AI）”这一术语。历经60余年的曲折探索，如今以深度学习为代表的人工智能技术在全球形成新一轮的浪潮。人工智能的应用领域不断拓展，广泛应用于生活的方方面面，如家居、制造、金融、医疗、娱乐、安防、交通、零售、教育和物流［1］。人工智能技术呈现出跨界融合的新趋势，“人工智能+”为传统学科和行业高速发展提供新助力［2］。

人工智能的应用与发展离不开人才培养，我国不仅重视人工智能领域专业人才的培养，还对“人工智能+X”的复合型人才的培养给予了高度关注。2017年，国务院发布的《新一代人工智能发展规划》提出“建设人工智能学科”。其中不仅包含推动人工智能一级学科的建设，还包含形成“人工智能+X”的复合专业培养新模式，注重人工智能与其他学科的交叉融合［3］。2018年，教育部印发《高等学校人工智能创新行动计划》明确指出完善人工智能领域人才培养体系，将人工智能的教育纳入大学计算机的通识教育中，从而完善人工智能领域多主体协同育人机制［4］。同年，国家三部委联合发布了《关于高等学校加快“双一流”建设的指导意见》再次强调了高校要促进基础学科、应用学科交叉融合［5］。人工智能作为当下的前沿领域，可以和传统理、工、农、文类的学科交叉应用，培育出新的学科生长方向。

为了能够更好地建设人工智能导论课程，服务复合型人才的培养，本文调研国内外一流大学人工智能类课程的情况。卡内基梅隆大学是美国第一个设置人工智能本科专业的高校，注重人才的跨界整合，重视学生的实践能力和社会责任［3］；新加坡南洋理工大学注重探索跨学科的交叉应用性，为学生提供了解决不同应用领域现实问题的机会；英国的爱丁堡大学早在1983年就开设了人工智能专业。

我国的人工智能类课程开设最早可以追溯到20世纪80年代，经过不断的发展和提高，如今凝练了许多人工智能类的国家级精品课程，如人工智能导论、机器学习、深度学习、自然语言处理等，涵盖了人工智能的核心技术和创新应用。当下的人工智能浪潮中，我国诸多高校都开设了与人工智能相关的不同层次的课程［6］。不过，这些课程大多针对计算机专业学生开设，对于没有计算机背景但对人工智能感兴趣的学生入门相对困难［7］。

在这些人工智能课程中，“人工智能导论”课程是人工智能入门性和引导性的基础性课程［8］。人工智能导论对非计算机专业学生来说，入门门槛要求最低，其目的是帮助初学者实现“零基础”学习人工智能，提高应用人工智能理论解决工程问题的能力。

人工智能导论，顾名思义，是为了给予人工智能的初学者引导，使他们能够初步了解人工智能的基本原理，初步学习和掌握人工智能的基本方法，帮助他们形成对人工智能一般应用的轮廓性认识，为今后在相关领域应用人工智能方法奠定基础。人工智能领域涵盖的内容多而广，从1956年诞生至今产生了非常多的算法，人工智能导论这门课程是涵盖整个人工智能领域的入门课，因而必然存在涉及面广泛、知识点繁杂的特点。又因为人工智能其实就是用人工的方法模拟人类的智能，其中存在着大量的抽象建模的过程。这对于逻辑思维和数学基础都有着较高的要求，对于初学者来说必然面临着不易理解、内容抽象的困境。此外，人工智能作为当下不断开拓的新领域，新的技术和方法不断涌现。要想学好这门课，不仅要掌握经典的算法原理，还要关注前沿的技术，这对于学生而言是充满创造性和挑战性的［9］。

相较于计算机专业学生，非计算机专业学生由于没有接受体系化的训练，他们的编程能力、抽象思维能力相对薄弱，但是他们对于人工智能的学习兴趣和学习热情非常高［10］。在学习人工智能课程的过程中，非计算机专业的学生往往能够结合其自身专业已有知识或存在的问题，迸发出新的“脑洞”，拓宽自身专业的发展空间［11］。因而，面向非计算机专业的人工智能导论课程，不应局限于打牢人工智能教育的理论基础，还要引导学生对新一代人工智能的发展产生想象，激发创新思维，形成学科融合的立体效应。

一、面向非计算机专业的人工智能导论课程中存在的问题

（一）学生主体性被忽视

目前，面向非计算机专业的人工智能导论课程，教学效果不理想的核心原因之一是教学内容与多元化非计算机专业不同背景学生相关性不高［12］。现有很多大学的人工智能导论课程内容强调基础理论，课堂教学内容与非计算机专业学生的专业方向关联性不大，课程内容主要是知识表示、推理算法以及传统搜索算法，难以激发学生的兴趣和参与感。

要想上好人工智能导论这门入门课程，就必须重视学生的主体性地位，结合学生的专业背景，让不同专业学生“个性化”地亲身体会人工智能在各自专业的“人工智能+”实际应用，提高学生的学习兴趣和主动学习能力。培养学生将课堂理论人工智能知识与其他专业课知识形成优势互补，借助人工智能技术去解决专业问题。

（二）忽略实践的作用

基于课堂的传统的人工智能导论课程，一般由32学时到48学时的理论课组成，教学内容围绕人工智能研究的基本内容和基本领域展开，主要介绍了基本知识、理论和算法［13］。这样的授课方式优点在于开阔了学生的视野，让学生初步形成了人工智能知识体系，但也存在相应的缺点，即学生没有相应的平台和时间进行实际操作，从而不清楚如何将所学内容应用到实际中［13］。

对于具有实践安排的人工智能导论课程，主要由任课教师自己针对课程知识点进行实验活动设计。由于任课教师自身的局限性，尤其是面对跨学科的学生，教师对学生的专业背景很难做到全面、深入的了解。因而，这种模式也存在一些问题，如缺乏系统的实践平台、实践内容和学生专业背景结合度不高，以及教学内容与业界需求联系不紧密［14］。

（三）教学方法不适应现代需求

传统人工智能导论课程的教学，大都采用纯理论课的方式，主要是大班的课堂教学，注重基本知识和理论的传授。这样的授课方式下，学生的主体作用被忽视，学生被动接受教师的安排，教师也无法及时获取学生的反馈。传统的教学模式和教学方法，学生无法参与到整个教学活动中，学生的学习兴趣和热情没有能被充分调动，教师也没有办法对不同学科背景、不同学习能力的学生进行符合其需求的差异化、个性化教学。

（四）教学评价标准单一

现有的人工智能导论的课程考核评价指标较为单一，大部分采用经典的“一考定音”的课程考核方式，即以期末考试成绩为主。这种考核方式下，只注重对学生基本知识理论掌握的考查，不看重学生的平时学习效果，也很难反映出学生解决问题和实践应用的能力，无法满足当下培养“人工智能+X”复合型人才的培养需求。

二、基于OBE理念的人工智能导论课程的改革策略

OBE（outcome-based education）理念是目前工程认证所倡导的先进的教育理念，其遵循的原则包括成果导向、以学生为中心和持续改进［15］。结合教学实际，课题组提出以OBE理念为指导思想对面向非计算机专业的人工智能导论课程进行教学改革和探索，旨在解决存在的问题。

首先，重新设计课程内容和教学方法，教学内容的设计需要做到“以学为中心”，从“老师教什么”转变为“学生想学什么”，以确保学生能够在课程结束时达到明确的学习成果。其次，通过引入实践导向的教学方法，学生将有更多的机会进行实际的练习和应用。通过案例教学法融入前沿项目，确保所学的知识与行业需求紧密结合。此外，采用线上线下混合式教学模式，注重教学活动中学生的主体地位。最后，改进课程考核方式，建立可持续改进的多元育人评价体系。

（一）“以学为中心”的教学内容重构

发挥学生的主体作用是教育改革的主要方向。2020年，我校首届人工智能辅修专业录取的学生来自12个学院的17个专业，如图1所示，可以看到非计算机专业的学生又具有零基础、专业背景复杂的实际情况。

人工智能导论是一门交叉很强的课程，基于OBE理念对课程教学内容进行了调整。例如，传统的人工智能导论课程中有较多知识推理和搜索求解的内容，由于这部分内容对于缺乏计算机专业基础的学生理解相对困难，因此教师在教学内容的安排上对这部分内容进行了删减，保留了思维性的内容，剔除了推理的细节，如对于模糊推理着重引导学生理解如何使用计算机模拟人的思维过程而非概率的计算。此外，传统的人工智能导论课程缺乏前沿性的知识，在教学内容的安排上对当下热门的如卷积神经网络、强化学习、知识图谱等内容进行了扩充，采用案例教学的方式，引导学生根据实际特点和专业“个性化”自主学习和认真思考，让学生对新技术、新知识有了初步的感知，引导他们在后续的学习中进一步深挖。

图1 2020级人工智能辅修专业学生分布情况

（二）融入前沿项目，优化案例教学

国内外知名高校的人工智能实践类课程已基本摒弃了传统的设计性实验作业导向的教学组织方式，转而以前沿项目为导向进行教学［14］。这样的教学组织方式有助于学生更好地将所学的知识应用到实践中，并培养团队合作和解决问题的能力。通过参与前沿项目，学生能够接触到真实的人工智能应用场景，与学术界和产业界的专业人士进行交流与合作，提升他们的专业素养和实践能力。在项目的完成过程中不仅夯实了理论基础，还锻炼了学生的实践能力，更培养了学生的创新意识和团队协作素质。

依托学校的专业学位课程案例库建设中人工智能课程案例库建设，充分结合我校农林院校特色，把能够反映人工智能新发展、新知识、新技术的农业智能化科研成果，转化为适合教学的基础实验案例，如农业知识图谱、葡萄酒品质检测、基于水色图像的水质评价、农作物病害智能识别、牛只图像分割、桑蚕的生长状态识别、基于遥感图像的农作物分类等。每个案例的设计中包含背景介绍、算法原理、实验操作、总结展望，使学生懂理论、会应用、能创新，夯实了理论基础，锻炼了实践技能，培养了创新能力。

在实验课的教学过程中采用案例教学法，把枯燥的理论知识和生动的实操过程联系起来。如，在遗传算法的教学过程中依托希冀平台给学生提供可以直接观察到种群进化的迭代过程，不需要学生具有较高的编程基础就可以完成实操，并且可以在此基础上进一步改进优化算法。此外，在课程项目的完成过程中，鼓励学生结合本专业的特色，进行开放性的自主选题。在这种教学模式下，学生展现出更高的主动性和思考热情，主动选题和参与项目实践，他们能够结合自身专业特长，深入探究感兴趣的领域，提出创新的解决方案。这种学生主导的学习过程培养了他们的问题解决能力、创新思维和团队合作能力。学生和教师在教学过程中相互融合、共同发展，共同构建课程。这种合作形式为学生和教师创造了一个共同成长和发展的环境，不断推动教学水平的提升和课程的创新发展。

（三）采用线上线下混合教学模式

线上线下混合式教学模式是当今被广泛认可和接受的一种有效的教学模式［16］。在人工智能导论课程教学中，利用超星和希冀大数据与人工智能一体化实验平台，完成了混合教学模式中“课前、课中、课后”三个环节的有机结合，充分调动了学生的学习积极性。

课前，提前一周时间，教师在线上平台开放章节微视频、PPT和实验案例等资源，引导学生完成预习、参加讨论、提出疑问，这样可以保证课前学生已经对课程的内容有整体的认知，也可以发掘学生真正的难点、痛点，便于课堂教学的高效实施。

课中，又分为理论课和实验课。在理论课的教学中，可以根据学生课前的自主学习情况，采用探究式的教学设计、组织和实施方法。在教学设计方面，教师可以设定开放性的问题或情境，鼓励学生主动思考和探索。通过这种探究式的学习方式，学生能够积极参与，并从中获得对理论知识的深入理解。在教学组织和实施方面，教师可以引导学生进行小组讨论或合作项目，让学生在互动中交流彼此的观点和理解。教师的角色是引导者和促进者，通过提问、鼓励和解答疑惑来激发学生的思考和参与。在讨论交流中，学生通过互相分享和讨论的过程，不仅加深了对知识的理解，还培养了解决问题和合作的能力。教师可以及时总结和归纳学生的观点和结论，帮助他们将所学知识内化为自己的理解，并扩展到更广阔的领域。通过这样的教学方式，学生能够更主动地参与学习过程，提高批判性思维、问题解决能力和团队合作精神。同时，他们的学习成果也更容易与实际应用相结合，促进知识的深入应用和素养的全面提升。在实验课的教学中，对于学生不易理解的一些知识的演进过程、算法流程或应用意义，采用案例教学法，依托希冀平台提供详细的实操步骤和说明，让学生在实际操作中突破难点、激发兴趣，培养了学生的自主学习能力和主动探究意识。

课后，在学生完成作业、实验和项目开发后，一方面，教师可以根据学生的学习情况对授课内容进行总结和回顾。这可以包括强调重点知识、概括核心思想、强化关键技能等方面的总结。通过这样的总结，学生可以巩固和复习所学知识，加深对知识的理解和记忆。另一方面，教师可以将学生在作业、实验和项目开发过程中遇到的问题和解决方法上传至学习通平台上，与学生共享和讨论。这种分享可以是以案例、经验总结、技术教程等形式呈现，旨在引导学生进一步消化吸收所学内容。通过上传问题和解决方法，学生可以互相借鉴和学习，提升自己的问题解决能力和技术水平。同时，学生也能够通过与他人的交流和讨论，更深入地理解和应用所学知识。此外，根据学生的需求不同，分别给予进一步的指导，如有些学生想进一步探讨模糊推理在实际中的应用，教师这时可把相关文献如基于模糊推理的图像边缘检测提供给学生，进一步培养锻炼学生的创新能力。

（四）构建综合性考核评价体系

为了满足“新工科”对人工智能人才知识、能力和素质的新要求，建立一个合理的多元育人评价机制是必要的。这个评价机制应该包括过程性评价和结果性评价，并形成一个综合的评价体系［14］。过程性评价强调对学生学习过程中的表现和努力进行评估。这包括学生的参与度、团队合作能力、问题解决能力等方面的评价。过程性评价可以通过课堂讨论、小组项目、实验报告等方式进行，旨在促进学生的主动学习和自我反思。结果性评价关注学生在学习结束时所达到的学习成果和综合能力。这可以通过考试、作业、项目报告等方式进行评估。结果性评价旨在评估学生对人工智能领域知识的掌握程度以及能够应用知识解决问题的能力。综合考虑过程性评价和结果性评价，可以建立一个全面的评价体系，评估学生在知识、能力和素质方面的发展情况。这样的评价体系能够更准确地反映学生的学习状况，为学生提供有针对性的指导和反馈，帮助他们不断提升自己在人工智能领域的综合素养。

因此，人工智能导论课程采用“课程作业（20分）+课程项目及汇报（40分）+课程考试（40分）”三位一体的课程考核方式。其中，课程作业重在引导学生自测，让学生发现自身知识体系中的漏洞。课程项目，依托希冀大数据与人工智能一体化实验平台，由三到五个学生组成一组，可以选择教师提供的题目，也结合本专业进行自主选题。课程项目的汇报展示，不仅仅要关注学生的完成情况，还应该具有灵活性和包容性，允许学生以不同的方式展示他们的学习成果，鼓励创新和多样化的表达方式。同时，评价的过程应该透明、公正，确保评价结果的客观性和可信度。课程考试设置了应用题和设计题，避免了容易死记硬背的填空题、简答题，着重考查学生对知识的理解和运用。教学实施中，组织开展项目式教学。

三、结语

对本文提出的基于OBE理念的人工智能导论课程改革策略，在我校2021级和2022级的人工智能辅修专业学生的教学中进行了教学改革探索，提升了课程的教学效果。根据问卷调查显示，70%以上的学生对于新增的包涵前沿知识的深度学习初步、机器学习概述章节内容很感兴趣；80%以上的学生认为案例教学极具实操性，能提升自身的工程实践能力，少部分学生认为案例难度较大，复现过程有困难；90%以上的学生对于线上线下的混合教学模式适应良好，认为“课前、课中、课后”三段式的安排提升了自身的学习主动性和积极性；80%以上的学生对于课程的多元考核方式表示赞同，能够积极参与课程项目，少部分基础优秀的学生还能结合自己本专业的大学生创新创业训练项目进行汇报展示，如化工制药专业学生的“基于人工智能技术探索高效稳定的Ce3+、Eu2+掺杂的荧光粉”等。

总的来说，本文提出的基于OBE的面向非计算机专业的人工智能导论课程教学改革探索，达到了预期的目的，做到了成果导向、以学为中心，实现了教学相长、多元育人，激发了学生对于新一代人工智能技术的兴趣，提高了课程的教学质量和教学效果，为智慧类专业人工智能导论课程的建设提供了参考经验，为培养“人工智能+X”复合型高素质人才和促进社会发展提供了有力支持。