面向自动化类本科生的“人工智能”课程教育教学改革

杜松林 李骏扬 张亚 魏海坤 东南大学自动化学院

近几年，随着信息技术及人工智能的不断发展，“人工智能”课程逐渐成为新工科背景下本科教育的重要组成部分之一。笔者所在学院面向自动化专业和机器人工程专业本科生开设了“人工智能”专业主干课，共安排48学时，其中理论讲授32学时，实践16学时。本课程主要介绍人工智能问题求解的一般性原理、基本思想及前沿技术，主要涵盖知识表示、确定性推理、不确定性推理、搜索求解、机器学习、深度学习、自然语言处理、计算机视觉等方面的技术，旨在为学生提供有关理论和技术方面的知识，为进一步学习和研究人工智能理论与应用奠定基础，培养学生在人工智能领域的创新和应用能力。[1]

当前，人工智能领域表现出以下特点：人工智能技术的发展日新月异，学科内涵快速丰富，知识体系持续拓展，技术颠覆和技术创新比历史上任何时期都频繁[2]；人工智能技术与几乎所有国民生产行业如工业制造、智能交通、智慧医疗、航空航天等的交融程度达到了历史顶峰，并且其交叉发展的速度和深度日益提高。上述特点对本科生“人工智能”课程的教学目标、教学方法和评价方法都提出了新的要求。而如何更有效地教授学生人工智能技术，引导学生适应人工智能技术的高速发展、快速迭代更新知识结构、培养持续学习和创新的能力、塑造大国工匠精神和工程实践能力是亟待解决的问题。[3]因此，笔者从教学目标、教学内容、教学方法、教学案例、教学评价等方面进行研究并提出了自动化专业“人工智能”课程的教育教学改革思路和方法。

●三位一体的综合性教学目标改革

本研究面向当前人工智能技术的知识结构和新工科背景下我国高等教育“以学生为中心，以产出为导向，并持续改进”的发展趋势，将价值塑造、知识传授和能力培养三者融为一体，重点培养学生以下八方面的能力。

①理论基础：对人工智能的基本概念、原理和算法有深入的理解。学生要掌握知识表示、确定性推理、不确定性推理、搜索求解、机器学习、深度学习、自然语言处理、计算机视觉等核心领域的基本理论和方法。

②编程与工程实现：具备独立进行算法设计和编程实现的能力。学生应能够灵活运用各种常见的人工智能算法和工具，特别是要培养基于MindSpore和PaddlePaddle等国产深度学习框架的编程能力。

③数据分析与处理：具备处理和分析大规模数据的能力。学生应能够运用数据挖掘和机器学习技术，从复杂的数据集中提取有用的信息和模式。

④应用开发与系统设计：在实际应用中能够开发和设计人工智能系统的能力。学生应能够将人工智能技术应用于如自动驾驶、智能机器人、智能推荐等领域，以解决实际问题。

⑤跨学科能力：具备与其他学科合作和交流的能力。人工智能涉及多个学科的交叉，学生应能够将人工智能技术用于计算机科学、数学、统计学、认知科学等领域，与相关领域的专业人士进行有效的合作。

⑥伦理与社会责任：具备伦理意识和社会责任感。学生应了解人工智能的潜在风险和挑战，并能够在人工智能应用中考虑伦理和社会影响。

⑦持续学习与创新：具备持续学习和创新的能力。人工智能领域发展迅速，学生应具备不断学习新知识和技术的能力，并能够在实践中提出创新的解决方案。

⑧价值观：将价值观引导融入人工智能知识传授和能力培养的过程中，帮助学生在学习人工智能技术的同时，塑造正确的世界观、人生观、价值观，增进家国情怀，开拓国际视野。

●紧扣国家战略布局的教学内容设置

本课程依据国家战略方针，结合自动化类专业本科生的知识结构和人工智能技术领域，制订了如下教学内容。

①知识表示与推理：主要讲解知识的特性和表示的基本概念、一阶谓词逻辑知识表示法、产生式知识表示法、框架表示法、知识图谱、确定性推理方法（包括自然演绎推理、谓词公式化为子句集的方法、鲁宾逊归结原理等）、确定性推理方法的应用（包括归结反演、应用归结原理求解问题等）、不确定性推理方法（包括可信度方法、证据理论、模糊推理等）。

②搜索求解与智能优化：主要讲解搜索的概念、状态空间的搜索策略、盲目的图搜索策略、启发式图搜索策略、遗传算法、遗传算法的改进算法及其应用、群智能优化算法（包括粒子群优化算法、蚁群优化算法、蜂群优化算法）及其应用。

③机器学习：主要讲解机器学习的基本概念、监督学习、无监督学习、半监督学习、强化学习等方法，重点讲解典型机器学习算法，包括朴素贝叶斯、支持向量机、随机森林、集成学习如AdaBoost等。

④深度学习：主要讲解深度学习的基本原理、神经网络的基本原理和训练方法、典型的深度学习模型（如全连接神经网络、卷积神经网络、循环神经网络、Transformer等）、深度学习的技巧（如批量梯度下降法、随机梯度下降法、学习预热与调整、梯度调整、批归一化、层归一化等）、MindSpore和PaddlePaddle国产深度学习编程框架、深度学习的应用等。

⑤机器视觉：作为本课程的应用教学内容，主要讲解机器视觉的概念与发展、图像特征提取的基本方法、视频特征提取的基本方法、视觉分类、匹配、检测、追踪的典型算法。

⑥自然语言处理：作为本课程另一方面的应用教学内容，主要讲解自然语言处理的概念与发展、词性标注和命名实体识别、关键词提取、句法分词、文本向量化、情感分析技术，以及以ChatGPT为代表的基于Transformer和大规模语料库监督学习的新一代自然语言处理技术。

●理论联系实际的教学方法改革

本研究从课堂教学、实践教学和复合型人才培养三方面同步着手，研究和实践了理论联系实际的案例引导式教学、项目驱动的实践性教学方式、跨学科领域的复合型人才培养模式。

1.理论联系实际的案例引导式教学

本课程在教授相关知识的过程中穿插融合典型案例，一方面提升学生对相关理论和技术的兴趣，另一方面促进学生理解我国正在推动人工智能与各行业融合创新，在制造、物流、金融等重点行业开展的人工智能应用，增强民族自豪感和使命感。[4]表1列举了本研究构建的典型案例与知识点对应关系。

表1 本研究构建的典型案例与知识点对应关系

2.项目驱动的实践性教学方式

本研究打破了传统的课堂讲授单一教学模式，引入了实践项目和案例分析。参照表1所示的典型案例，在每个课程模块中设置类似的实践项目，给学生提供真实的数据和场景，让学生能够将理论知识应用于解决实际问题。[5]同时，鼓励学生主动寻找和分析实际案例，以加深对人工智能技术在现实中的理解；鼓励学生组成团队开展创新项目，培养学生的创新思维和团队合作能力。学生可以根据自己对项目的理解设计技术路线，完善技术细节，并通过编程实现所设计的方案，最后在班级进行展示和讨论。在实践环节特别鼓励学生使用MindSpore和PaddlePaddle国产深度学习编程框架。该方式有利于提高学生的动手能力和创新能力，通过真实项目的实践还可以培养学生的团队合作能力和项目管理能力。

3.跨学科领域的复合型人才培养模式

为研究从人工智能领域的专门技术型人才培养向复合型人才培养过渡的有效方法，本课程在深入培养学生的人工智能基础理论和应用等方面的专业知识的同时，加大力度开展复合型人才培养，重点培养贯通人工智能理论、方法、技术、产品与应用等的纵向复合型人才，以及掌握“人工智能+”经济、社会、管理、建筑、交通、法律等的横向复合型人才。[6]一方面吸引经济、建筑、交通、化工等不同院系的本科生选修本课程，鼓励不同专业背景的学生积极参与课堂讨论和课后应用研究；另一方面，将本课程与学生科研训练项目、本科生毕业设计等培养环节接续，通过与相关院系的教师合作，深入培养学生将人工智能技术与经济、社会、管理、标准、法律等领域融合贯通的综合能力。

4.以人才培养为中心的多元化评价

课程考核强调采用平时成绩、课程实践和最终成绩的综合方式。[7]其中，平时成绩主要包括课内讨论和平时作业；课程实践重点考查学生对课程内容的掌握程度、工程实践能力、对新技术的探索兴趣、创新能力；期末考试按照本课程的教学目标全面考核学生课程学习的效果。[8]在最终成绩中，期末考试占比50%，课程实践成绩占比40%，平时成绩占比10%。

为研究本教学改革的效果和不足之处，本研究还开展了多元的评价。课程结束后邀请笔者所在学院选修本课程的48名学生参与匿名调查问卷，最终提交评价的人数为47人，实评率为97.92%。问卷设置了如表2所示的评价内容，学生匿名对每项打分，分值介于1～10分之间，分数越高表示越符合实际情况。匿名调查问卷表明绝大部分学生对教学改革非常认可，反映出本研究的实践取得了良好的效果，满足了培养学生的知识需求、能力需求和价值观需求，整体教学质量得到了提升。

表2 课后多元化匿名调查问卷结果