基于OBE理念的人工智能专业课程体系建设探究

张志伟，许海峰，朱广良，秦闻博，袁春霞

（宿州学院信息工程学院，安徽宿州 234000）

近年来，随着人工智能（Artificial Intelligence，AI）技术的迅猛发展，其在各行各业中的应用不断拓展，已经成为引领全球产业变革和经济发展的关键力量[1]。为满足社会对高素质AI人才的需求，越来越多的高等院校开始开设AI相关专业和课程。然而，传统的教学方法在AI专业课程体系建设中存在一定的局限性，如过于侧重理论知识的传授，而忽略了学生实践能力和创新精神的培养。因此，在AI专业课程体系建设中，如何创新教学方法、提高教学质量、培养具备实际应用能力的AI人成为迫切需要解决的问题[2]。

1 概述

OBE 是一种以学生为中心，关注学生实际应用能力培养的教学方法，强调课程目标、教学内容和评价方式等方面都应围绕培养学生的知识、技能和态度等多维度展开，旨在解决传统教育模式在应对社会变革、技术革新等方面的挑战时所面临的困境。近年来，OBE 理念已在工程、医学、商学等多个专业领域得到广泛应用，取得了显著的教育成果。然而，在AI专业课程体系建设中，OBE 理念的应用还相对较少[3]。

人工智能专业课程体系建设的研究不仅具有理论意义，更具有实践意义[4-5]。要想培养出具备前瞻性和创新精神的AI专业学生，必须对教育内容和教育方法进行深入研究。首先，人工智能专业的教学内容不能仅停留在传统的算法和数据结构层面。随着技术的进步，深度学习、神经网络、生成对抗网络等新兴技术已经在多个行业中得到广泛应用，为学生提供这些先进技术的教育是至关重要的。其次，跨学科的知识也变得尤为重要，如认知科学、机器人学、生物信息学等，这些交叉领域的知识能够帮助学生在人工智能的应用中得到更广泛、更深入的理解。再者，实践教学方法是培养学生能力的关键。纯粹的理论学习不能满足人工智能领域的需求，应鼓励学生参与到实际的项目中，与企业、研究机构合作，以解决真实的问题。不仅可以帮助学生巩固所学的理论知识，还能培养他们的创新能力和团队合作精神。

通过探究如何在人工智能专业课程体系建设中融入OBE 理念，以期提高教育质量和学生实际应用能力。为了实现这一目标，采用如下研究方法：首先，分析OBE理念的发展、特点以及在其他专业领域的应用情况。其次，结合AI领域的特点，提出基于OBE 理念的AI专业课程体系建设策略。最后，分析基于OBE 理念的AI专业课程体系建设的实施效果评估方法，为未来AI教育改革提供借鉴和参考。

研究成果主要包括：为人工智能专业课程体系建设提供基于OBE 理念的新视角和方法；探讨和总结基于OBE 理念的AI专业课程体系建设的关键要素和成功经验；分析和评估基于OBE 理念的AI专业课程体系建设的实施效果；为未来AI教育改革提供理论依据和实践参考。

2 相关研究

2.1 OBE理念的内涵、发展和特点

OBE 是一种以学习成果为导向的教育理念和方法，强调通过规定明确的学习成果和预期表现，引导教学、评估和学习活动，以确保学生在知识、技能和态度等多个层面获得全面而深入的发展[6]。

OBE 理念的特点体现在多个方面。首先，它强调学生的主体地位，倡导学生在学习中主动参与和探索，从而增强其自主学习的能力。其次，OBE 注重跨学科的整合，鼓励学生将不同学科的知识与技能相结合，以应对复杂的现实问题。此外，OBE 强调培养学生的批判性思维和解决问题的能力，使其能够在面对各种挑战时灵活应对。同时，OBE 还强调培养学生的创新能力和实践能力，使其能够将所学知识应用于实际情境中，为社会创造更大的价值[7]。

OBE 作为一种基于成果的教育理念，强调学习成果的设定、教学方法的设计以及评估方式的调整，以培养学生全面发展所需的知识、技能和素养。尽管面临一些挑战，但OBE 的发展在推动教育创新和提升学生学习质量方面具有重要意义。随着OBE理念的不断完善，其有望在人工智能专业课程体系建设方面继续发挥积极的作用[8]。

2.2 OBE理念在其他专业领域的应用情况

OBE 理念已在工程、医学、商学等多个专业领域得到广泛应用，取得了显著的教育成果。以下为OBE理念在相关领域的应用概述。

工程领域：美国ABET从20世纪90年代开始，将OBE 理念纳入工程教育认证标准，要求工程专业课程体系能够培养学生具备一定的实际工程能力[9]。澳大利亚工程教育认证中心也采用类似的OBE认证标准，重视工程实践能力的培养[10]。

医学领域：加拿大医学教育协会提出“加拿大医学教育直接观察”项目，将OBE理念引入医学教育改革，为医学专业课程体系建设提供了新的思路[11]。英国的“明日医生”项目也是OBE理念在医学教育领域的成功应用案例之一[12]。

商学领域：美国商学院促进协会提出了基于OBE 理念的商学院认证标准，要求商学院课程体系能够培养学生具备实际商业运作的知识、技能和素质[13]。欧洲质量改进体系也借鉴了OBE 理念，强调培养具备国际化视野、创新精神和实践能力的商学人才[14]。

2.3 OBE背景下的AI人才培养需求

OBE 强调学生在知识、技能和价值观等多个层面的全面发展，培养适应OBE 和AI的融合发展的人才已成为教育的当务之急。

（1）OBE 注重跨学科整合和实际应用，而AI恰恰需要多学科的综合知识和技能。AI人才需要掌握计算机科学、数据科学、数学、工程等领域的知识，同时能将这些知识应用于解决现实世界的问题。OBE强调的综合素质为培养具备跨领域能力的AI人才提供了有力支持。

（2）OBE 注重培养学生的批判性思维和创新能力，这与AI领域对创新思维和解决复杂问题的需求相契合。AI技术的不断创新和应用需要人才能够思考问题、挑战传统观念，并提供创新解决方案。

（3）数据分析和科学素养是AI人才培养的重要组成部分。AI的核心是数据驱动，对大数据的处理、分析和挖掘成为关键。OBE 注重培养学生的科学素养，使其具备有效获取、处理和解释数据的能力，从而更好地应用AI技术解决实际问题。

（4）AI人才的培养需要强调实践经验和项目驱动。OBE强调实际应用，培养学生通过实际项目来获取经验。在AI领域，实际项目可以帮助学生将理论知识与实际操作相结合，培养解决实际问题的能力。

（5）伦理和社会责任也是OBE 背景下AI人才培养的关键要素。随着AI在各个领域的应用不断扩展，伦理和社会影响愈发凸显。OBE 注重培养学生的价值观和社会责任感，有助于培养能够在AI应用中考虑伦理和社会影响的人才。

因此，通过以成果为导向的教育方法，培养具备高素质的AI人才，将有助于满足快速发展的AI领域对多样化、综合型人才的迫切需求。

3 基于OBE 理念的AI专业课程体系建设策略

根据OBE 理念及AI领域的特点和人才培养需求，提出以下基于OBE 理念的AI专业课程体系建设策略以及相应的课程体系设置。

3.1 建设目标与原则

（1）AI专业课程体系的建设应始于明确的学习成果的界定。每门课程和整个课程体系应设定清晰、可测量、可评估的学习目标，且涵盖从基础概念到高级应用的各个层面，如数据挖掘、深度学习，以及解决实际问题所需的创新思维和团队合作能力。

（2）课程体系的构建需要将学习成果贯穿于整个教学过程。每门课程应被细分为模块或单元，每个模块与特定的学习成果相对应。课程内容的组织和教学方法的选择应当有助于学生达到预定的学习成果。例如深度学习课程，可通过理论讲解和实际案例分析来帮助学生掌握相关概念和技能。

（3）基于启发式学习和实践导向的教学活动设计。课堂教学可以融合讲解、讨论、案例分析和问题解决，鼓励学生主动思考和参与。设计项目驱动的教学案例，为学生提供解决实际问题的机会，促使他们将所学知识应用于实际场景，培养创新能力和实际操作技能。

（4）基于OBE 的评估和反馈。应用多样化的评估方法，涵盖知识理解、技能应用和问题解决能力。融合考试、作业、实验报告、项目演示等，为学生提供全面的评价，并及时向学生反馈评估结果，帮助学生了解自己的进展情况，指导他们进行进一步的学习和改进。

（5）课程体系持续改进。定期对课程结构和内容进行评估，根据学生和行业的反馈进行调整和优化。紧密关注AI领域的发展趋势，及时更新课程内容，确保培养出符合行业需求的人才。

（6）实践机会和跨学科整合。为学生提供项目合作、创业支持等实践机会，让他们能够在真实环境中应用所学知识。跨学科整合实现多领域的知识融合，培养学生的综合能力和创新思维。

3.2 AI专业能力培养课程

AI专业能力培养课程涵盖知识传授、实践应用、跨学科整合以及职业道德培养等多个方面，以确保学生全面发展，具备适应快速发展的AI领域的能力，相应课程如图1。

AI专业能力培养课程主要分为三个不同的阶段。第一阶段将着重于建立学生的核心知识基础，主要包括：AI基础概念：介绍人工智能的基本概念、历史发展和主要技术领域，为学生奠定扎实的理论基础；机器学习和深度学习：深入学习机器学习和深度学习的原理、算法和应用，培养学生在数据分析和模型训练方面的技能；计算机视觉和自然语言处理：介绍计算机视觉和自然语言处理的基本概念和技术，引导学生理解图像处理和文本分析的方法。

第二阶段将侧重于实践应用，帮助学生将理论知识转化为实际技能。实验和编程实践：设计一系列实验，涵盖机器学习算法的实现、数据预处理和模型评估等，让学生亲自动手实践，加深对概念的理解。项目开发：引导学生参与小型人工智能项目，例如图像分类、情感分析等，培养解决实际问题的能力和团队协作精神。

第三阶段将鼓励跨学科整合，以培养学生的综合素质和创新能力。交叉学科课程：邀请其他学科的教师参与，开设与人工智能相关的跨学科课程，如数学建模、伦理学等，拓展学生的思维边界；跨专业项目：鼓励与其他专业的学生合作开展项目，培养多学科融合的能力，提高解决复杂问题的能力。

3.3 AI发展能力培养课程

AI发展能力培养课程旨在使学生具备扎实的人工智能平台的集成能力和开发能力，并具备自学能力以适应人工智能时代知识的快速变化。课程将着重培养学生在人工智能算法设计与项目开发方面的技术和能力，同时注重培养学生的自主学习和适应变化的素养，课程设置如图2。

图2 发展能力培养课程体系

AI发展能力培养课程，重点从以下四个阶段对学生进行培养。第一阶段：人工智能基础知识与平台集成，帮助学生了解人工智能的背景和前沿，引导学生掌握常用的人工智能平台和工具，如TensorFlow、PyTorch、Scikit-Learn 等，以及如何在这些平台上集成算法和开发项目。第二阶段：人工智能算法设计与开发，深入讲解常见的机器学习算法，如线性回归、决策树、支持向量机等，以及它们的原理和应用。介绍深度学习的基本概念和常见算法，如卷积神经网络、循环神经网络等，培养学生在图像处理、自然语言处理等领域的技能。第三阶段：独立开发人工智能项目，教导学生如何从实际问题出发，制定项目计划、需求分析和技术设计，培养独立思考和解决问题的能力。引导学生使用所学算法和工具，独立开发人工智能项目，例如图像识别、文本生成、智能推荐等。第四阶段：自主学习与适应能力培养，教授学习方法，如阅读文献、查找资源、参与人工智能技术社区讨论等，培养学生自主学习的能力。指导学生了解人工智能领域的最新进展和研究方向，引导他们持续关注和适应技术变化。

3.4 实施路径与方案

基于OBE 理念的人工智能课题体系，课程内容的设计与实施要强调学生实际掌握的技能和知识，具体操作如下：

（1）核心技能分解

明确期望成果：每一门课程在开始时，明确列出其预期的学习成果，不仅可以作为教学的指导，还可以为后续的评估提供依据。例如，对于深度学习课程，学生应该能理解并实施卷积神经网络、循环神经网络等。

分层教学：AI课程内容复杂度各异，一些基础理论适用于初学者，而一些高级应用则需要深入掌握。因此，要按照难度对课程内容进行分层，如基础、中级、高级。

模块化学习：将每个大的知识点分解为多个模块或子话题，使学生可以按照逻辑顺序进行学习，每个模块完成后都有相应的实践和评估。

（2）跨学科整合

综合课程设计：结合多个学科的知识，设计出综合课程。例如，将计算机视觉与数学结合，教授图像处理中的线性代数应用。

邀请跨学科专家：定期邀请其他领域的专家举办讲座或短期授课，以拓宽学生的视野并增强他们的跨学科合作能力。

项目驱动学习：组织学生进行跨学科的项目研究，根据学校学科特色，并结合教师科研课题设计相应的跨学科研究项目，并让学生结合所学的AI知识，解决实际的、跨学科的问题。

（3）实践导向

建立实验室：投资建立和维护先进的AI实验室，为学生提供足够的资源进行实践。

产学研合作：依托教育部产学合作协同育人等项目，与企业和研究机构建立合作，开设实习、实践和研究机会，使学生能在真实环境中应用所学知识。

4 基于OBE 理念的AI专业课程体系建设的实施效果评估

基于OBE 理念的AI专业课程体系建设的实施效果评估是确保课程有效性和持续改进的重要环节。通过系统性的评估，可以评估学生在知识、技能和能力方面是否达到了预期的学习成果，同时也可以收集师生反馈以及行业需求，为课程体系的优化提供有力的依据，并按照“形成性评价、总结性评价、反馈机制、持续改进”的框架实施。

4.1 形成性评价

形成性评价作为一个动态、持续、过程性的评估方式，强调在学习过程中对学生的知识、技能和态度进行评估，为教学提供及时反馈。在AI课程学习中，连续监测学生在各个学习阶段的表现，并及时为其提供指导和帮助，采用以下方法：课程作业与小测试：针对课程每个内容或模块进行设计，确保学生掌握基础知识；实验与实践：为学生提供现实或模拟的AI场景，让学生应用所学知识和技能。如设计机器学习模型、编写AI算法等；学习日志与反思：鼓励学生记录他们的学习历程，挖掘遇到的问题和疑虑，为教师提供反馈，帮助他们调整教学方法或内容。

4.2 总结性评价

总结性评价侧重于评估学生在一段时间内（如一个学期或学年）的总体学习效果旨在确定学生是否已经达到了既定的学习目标，采用的方法包括：期末考试：设计与课程内容、目标紧密相关的问题，包括理论知识的测试和实际问题的应用；项目或研究报告：要求学生选择一个AI主题进行深入研究，展现其理论与实践的结合能力；口头答辩或演示：允许学生展示他们的项目或研究成果，并回答与之相关的问题。

4.3 反馈机制

为保持课程的持续优化和发展，建立一个有效的反馈机制至关重要，不仅包括学生和教师的反馈，还包括行业和其他利益相关者的反馈。采取的方法包括：问卷调查：定期向学生和教师发放关于课程内容、教学方法和评估方式的问卷。讨论和座谈会：组织学生、教师和行业代表参加，共同讨论课程的现状和未来发展方向。行业反馈：与AI领域的企业和机构合作，获取他们对课程的看法和建议。

4.4 持续改进

基于形成性评价、总结性评价和反馈机制收集的数据与信息，持续对课程进行调整和优化。具体方法包括：课程内容的更新：根据AI领域的最新研究成果和技术发展，对课程内容进行更新和调整。教学方法的创新：结合教育技术的发展，如在线学习、虚拟实验室等，探索新的教学方法。评估方式的优化：基于学生的学习效果和反馈，对评估方法进行调整，确保其公正、有效。

总之，一个全面、综合、持续的评估和改进机制，可确保AI专业课程体系始终处于最佳状态，满足学生、高校和行业需求。

5 总结

通过文献综述和案例分析，探讨了基于OBE 理念的人工智能专业课程体系建设。研究发现，要实现有效的AI专业课程体系建设，需采取以下策略：明确培养目标、优化课程内容、创新教学方法、加强实践教学环节和构建多元化评价体系。然而，由于AI领域的快速发展和不断变化的人才需求，课程体系建设需要不断地进行调整和完善。未来的研究可进一步探讨如何因应AI领域的发展动态，优化和调整课程体系，以更好地培养满足社会和行业需求的AI人才。