基于项目沉浸式开发与创新点提炼的人工智能课程教学研究

季波 胡雪晨 朱开心

摘要： 分析传统人工智能教学中存在的问题，提出将人工智能理论教学与项目沉浸式开发、创新点提炼相结合的培养方式，介绍基于项目沉浸式开发与创新点提炼的人工智能教学改革措施，总结基于项目沉浸式开发与创新点提炼的人工智能培养方式中的潜在问题。

关键词：项目沉浸式开发；人工智能；创新点提炼；培养方式

中图分类号：G642      文献标识码：A

文章编号：1009-3044（2024）07-0021-03

開放科学（资源服务）标识码（OSID）

0 引言

随着人工智能相关行业的快速发展，人工智能算法在各个行业都得到了广泛应用。人工智能相关专业以培养算法工程师等应用型人才为目标，要求学生不但能理解算法本身，还需要结合具体的应用场景，将人工智能算法灵活地应用到生产、生活场景并解决实际问题。

目前高校的人工智能课程教学偏向理论与算法公式的教学，缺乏基于实际应用场景的教学案例项目的开发，导致学生学习很多的理论与算法，却无法对标真实的企业岗位要求，有针对性地选择项目进行沉浸式开发，学到实用的算法。因此，高校需要考虑真实的企业岗位要求与学生找工作算法面试的真实需求，针对传统的教学模式进行改革，复旦大学的赵卫东提出面向课程群的递进式教学案例库一体化设计和基于项目实践的机器学习课程改革[1-2]。国内的百度 TIC 团队针对人岗匹配问题提出了一种全新的可解释性深度学习模型，针对简历、岗位、面评的维度进行联合建模，让机器学习简历和岗位中重要的知识点，然后与题目进行匹配。出题时不仅要考虑到相关性，还要考虑到覆盖程度和其多样性[3]。孙英等人对工作技能使用深度强化学习做了工作推荐[4]。中国科学技术大学的徐童从多规则的角度分析工作技能流行度分析，同时对潜在人才进行识别[5-6]。

因此，采用将人工智能理论教学与项目沉浸式开发、创新点提炼相结合的培养方式，将项目中所需要的人工智能知识点梳理形成逻辑链，结合项目中出现的不同的应用场景，结合学生的兴趣和职业发展路径选择合适的项目，然后对标真实的企业岗位要求进行有深度的学习，培养学生主动思考不同场景下的算法选择，并解决实际工程问题的能力，以增强学生求职过程中的核心技能竞争力。

1 传统人工智能课程教学存在的问题

目前各高校分别开设人工智能专业，在人工智能的课程教学中，面临实际的痛点问题是如何结合实际项目讲授人工智能算法，培养能解决实际应用场景中算法问题的实战应用型人才。

1） 人工智能算法繁杂难以速成。人工智能算法众多，掌握这些算法需要花很多时间消化吸收，而且容易遗忘，然后每个算法又有很多演化算法，满篇的数学公式让人望而生畏，很难让学生抓住算法的本质。尽管课程介绍算法本身和人工智能常用的理论，但缺乏用生活中的实际经验去更好地理解算法本身，而不是一大堆晦涩难懂的算法和公式推导，忽略学生对算法本身的理解与生活中的某些经验类似。人工智能算法其实很完美，人类一直在艺术和科学之间进行拔河。例如，微积分，如果我们想估计一条曲线下的面积，微积分会进行近似。但不论多精确，都会有差异。其实这个差异就可以用艺术弥补。这也是不同人工智能炼丹师效率的差异核心所在。其根本原因在于“艺术感”上的差异，后者缺乏一点“感觉”，即那种看山是山，看山不是山的经验和大局观的艺术感。只有当我们了解了算法中的社会性，才能发挥算法的艺术性。因此，教师应该把抽象的算法公式与生活中的智慧经验结合起来对应，让学生更容易入门。

2） 教学过程缺乏通用的案例模拟平台进行算法学习。教学过程中案例纷杂，很难用通用的电商平台去讲解人工智能算法是如何在实际的平台上应用的，导致学了很多的各种不同的算法案例，却很难系统地在一个平台上不同场景的功能上去应用和消化理解业务领域知识。因此，在通用的案例模拟平台上进行算法学习，使学生能在学习各种人工智能算法的同时，联系算法应用场景，深入了解业务领域知识。比如在携程平台上可以利用各种算法在携程场景中的应用实践，在银行平台上利用各种算法实现银行业务上的智能。因此，通过一个平台上面所涉及的不同场景设计不同的人工智能算法，让学生能快速地掌握不同的人工智能算法，然后针对不同平台的特有性质球童有效的解决学生学了太多算法却不知如何去应用的痛点问题。

3） 学生学习人工智能算法多而杂，没有针对性地结合自己兴趣和职业生涯规划，缺乏对标真实的企业岗位要求进行有深度的学习。人工智能算法繁多，然而学生学习的时间和精力有限，学生只能囫囵吞枣，导致学生不感兴趣，缺乏针对性的结合学生兴趣和职业生涯的规划，学了很多算法，但是都没有有效的应用起来，最后没有在职业发展中得到有效的技能积累。因此，教师应该结合学生的兴趣和职业发展路径选择合适的项目，然后对标真实的企业岗位要求进行有深度的学习，以增强学生求职过程中的核心技能竞争力。

4） 人工智能算法未打通软件工程项目上下游的课程，建立在软件项目的功能开发基础上的智能算法开发。人工智能算法在实际的应用场景中都不是独立存在的，是需要在完成软件业务功能的载体上面体现出来的，然而在实际的教学过程中，人工智能课程教学的各种算法与软件项目的功能开发相脱离，脱离了业务功能的载体，导致学生只是学了算法本身，不了解软件项目的业务领域知识和对应的业务功能。学完人工智能算法之后，缺乏算法的创新点提炼，感觉没学到什么具体的，变成空中楼阁，尤其在很多高校的大学生创新创业项目中，很多学生没有利用好人工智能课中的智能算法，对其梳理提炼，然后对标人工智能会议论文的创新点，去进一步拓展，发表专利和科技论文撰写。

2 基于项目沉浸式开发与创新点提炼的人工智能教学改革措施

2.1 算法最简表达与应用场景匹配

如果用一个概念、一幅图解、一个公式能抓住算法本质，对算法进行最简的表达，让学生快速了解，并用大量生活中浅显易懂的例子帮助你深入浅出地理解算法背后的思想，即使面对复杂的数学公式，烦琐的网络结构，也能获得顿悟的奇妙感受。

例如K近邻模型对应生活中近朱者赤，近墨者黑；决策树模型对应生活中的选择的智慧；朴素贝叶斯模型对应生活中吃一堑长一智的经验；随机森林算法对应生活中三个臭皮匠赛过诸葛亮的经验；最大熵模型对应于生活中不要把鸡蛋放在一个篮子中的智慧；主成分分析对应生活中三岁看老，性格决定命运的经验；聚类算法对应生活中物以类聚，人以群分的经验。

社会上内卷现象严重，为了避免内卷，要在内卷和探索之间找到有机的平衡。这个平衡就是强化学习算法。强化学习算法首先有两个本体，一个是智能体，另一个是环境。智能体能感知环境的状态，之后可以采取一些动作，比如砍树。当树砍光，环境变差，就会通过奖励来惩罚智能体。如此一来，人类就知道树砍多了环境就变差了。因此，不仅不要砍树，还要去植树，从而形成一个循环。人类不断感知环境并采取行动，这就是强化学习算法。强化学习的优点在于，它能在错误中学习，不断试错迭代，在内卷和探索之间取得很好的平衡。因此，对比生活中的智慧经验与人工智能算法是让学生透过现象看本质，抓住算法不变的根本尤为关键。

利用大量思维导图，能够帮助你将人工智能种类繁多的概念和庞杂的知识组织得更清晰。让你能更加深刻理解各个概念之间的关系，帮你更好地记忆知识点间的内在联系。研究表明，人脑对图像的记忆效果要比对文字的记忆效果好得多，所以通过使用大量思维导图讲述人工智能算法，可以让你在学习的过程中更好地记住所学的知识，罗列出每个应用场景中对应相关的哪些算法，结合领域知识，可以实现算法与应用场景的匹配。同时在算法最简表达的基础上，可以深入在项目中加强对算法的演变与创新点的梳理。

2.2 教学案例采用电商平台的各种应用场景，采用软件工程项目的开发过程

结合常见的电商平台的各种应用场景，比如在携程平台上可以利用Bandit 算法在携程场景中的应用实践，利用排序算法对旅游度假产品的搜索个性化排序，利用深度学习在酒店房型推荐，利用强化学习实现酒店排序，利用自然语言处理技术对携程国际化中的机器翻译，利用机器学习进行海外酒店房态预测；在银行平台上利用图神经网络技术在零售潜在高价值客户如何识别，利用推荐算法对银行业务进行精准推荐，利用强化学习技术对银行线上营销推文价值进行评估，利用因果推断技术建立关联还款二元因果效应模型，利用贝叶斯网络技术对个人贷款逾期进行预测。

采用软件工程项目的开发过程，例如看板和每日站立会议。看板是把白板分成几个栏，每一栏为一类，分别写着“To Do（待选取）”“In Progress（进行中）”“Done（完成）”等，再把人工智能算法的任务变成一个个五颜六色的即时贴，根据状态贴在不同的栏下，如图1所示。

对人工智能课程实施项目沉浸式教学，实施过程主要分为项目预热、项目实施和项目总结3个阶段。首先，通过收集大型国际人工智能比赛提供的项目文档，以实验方式了解项目需要的知识和技能，实现项目预热；其次利用大型国际人工智能比赛仿真型的项目练习，再进入真实企业项目实施，摸索数据分析全过程中遇到的问题以及解决技巧，从而增强学生解决数据分析问题的能力；最后对项目进行复盘总结，达到积累实战宝贵的实践经验，把握整个项目的全局过程。

2.3 结合学生的兴趣和职业生涯规划，针对性地对标真实的企业岗位要求进行深度学习

结合学生感兴趣的算法，并结合职业生涯规划，挑选合适的项目，比如学生打算去贝壳在线去实习，学生就需要加强线性回归房价与房屋尺寸关系的线性拟合，以及对标真实的企业岗位要求进行深度学习。企业岗位要求是精通Python，有机器学习、数据挖掘和自然语言处理的经验，有大规模数据处理、分析的经验，有良好的沟通能力和团队精神，如图2所示。学生根据企业岗位要求，就应该在人工智能课程的算法中加强机器学习算法和自然语言处理的经验，比如使用GBDT模型来预测股票的价格变动，同时让学生通过不同方法来对现实案例进行定量及定性分析，让学生以用户协同的设计方式，创造出能兼顾利益相关者及产品功能的产品设计方案。在整个项目学习过程中，学生将通过深度讨论，学习如何尽情发挥无限创意、大胆整合不同想法、不拘一格解决問题、同心协力团队合作，如图3所示。

学生通过项目答辩，汇报自己学到的算法，以及应用场景，编程，项目展示，制作宣传海报。在答辩过程中，其他学生可以针对自己未听懂的知识点和细节进行提问，汇报的同学针对性地答疑，以加强学生对细节的真正理解。

3 基于项目沉浸式开发与创新点提炼的人工智能培养方式中的潜在问题

3.1 项目选择和项目分组问题

由于人工智能算法比较多，学生在项目的选择过程中会处理缺乏足够的调研，如果学生没有做足够的文献调查，缺乏对算法应用场景和领域知识的理解。以人工智能为例，该领域不同于传统基础学科，偏重工程应用，学生在选题时需要更多考虑是否具有广阔的应用场景。项目的分组需要考虑学生对项目本身感兴趣，每个人优势各异，或善于发现问题，或擅长数学，或善于做实验，在充分思考判断后，结合自身优势进行匹配分组，每个小组三人最佳，有可能出现项目组员因为缺乏主动执行的同学而使项目无法进行下去。

3.2 项目沉浸式开发过程中的常规思路梳理问题

学生在应用人工智能算法在沉浸式开发过程中对项目本身的常规思路缺乏了解，可以参考阿里的天池大数据平台中的人工智能算法思路，也可以参考一些kaggle竞赛中的人工智能算法思路，因为参考的思路比较多，而且没有固定的步骤可以参考，会让学生容易造成选择恐惧症，无法选择合适的思路进行推进，建议让学生先选择自己力所能及可以实施的思路去推进，后面再继续完善。

3.3 如何针对有潜力的同学，如何对已学习的算法进一步创新问题

针对有潜力的学生，在进行人工智能算法学习之后，学生会感觉这个算法掌握了，但是不知道接下来要做什么，缺乏对算法本身的创新点提炼，然后可以引导学生对比人工智能会议的主流算法，对算法进一步地创新与梳理，并针对性地进行科技论文写作。学生如果写作能力欠佳，写作逻辑不清、不会“讲故事”，将无法有效呈现其贡献。这需要学生通过大量的文献阅读和咀嚼思考，来提高文章的深度与高度。学生还需要阅读具有写作“借鉴”价值的文章。此处的“借鉴”主要指写作方法和技巧上的借鉴，学生甚至可以更多地学习非本学科的文章，模仿高质量文章如何撰写摘要、引言、实验、研究方法的技巧，从而提升写作能力。

4 结束语

人工智能时代对人工智能算法的人才提出更高的实践性要求，但高校人工智能的课程主要以理论知识讲解为主，导致学生在就业的时候缺乏实践技能。笔者通过分析传统人工智能教学中存在的问题，提出将人工智能理论教学与项目沉浸式开发与创新点提炼的培养方式，加强学生的项目实践能力，理解企业实际所需人才的技能，培养学生针对企业真实常见中面临的问题的独立思考与解决实际问题的能力，从而提高学生的技能竞争力。

参考文献：

[1] 赵卫东.面向课程群的递进式教学案例库一体化设计[J].计算机教育，2023（5）：160-164.

[2] 赵卫东，袁雪茹.基于项目实践的机器学习课程改革[J].计算机教育，2019（9）：151-154.

[3] QIN C，ZHU H S，XU T，et al.Enhancing person-job fit for talent recruitment：an ability-aware neural network approach[C]//SIGIR '18：The 41st International ACM SIGIR Conference on Research & Development in Information Retrieval.July 8 - 12，2018，Ann Arbor，MI，USA.ACM，2018：25-34.

[4] SUN Y，ZHUANG F Z，ZHU H S，et al.Cost-effective and interpretable job skill recommendation with deep reinforcement learning[C]//Proceedings of the Web Conference 2021.April 19 - 23，2021，Ljubljana，Slovenia.ACM，2021：3827-3838.

[5] XU T，ZHU H S，ZHU C，et al.Measuring the popularity of job skills in recruitment market：a multi-criteria approach[J].Proceedings of the AAAI Conference on Artificial Intelligence，2018，32（1）.

[6] YE Y Y，ZHU H S，XU T，et al.Identifying high potential talent：a neural network based dynamic social profiling approach[C]//2019 IEEE International Conference on Data Mining （ICDM）.November 8-11，2019.Beijing，China.IEEE，2019.

【通聯编辑：光文玲】