智能技术驱动下地方高校计算机基础课程教学改革研究

关键词：智能技术；驱动；地方高校；公共类计算机基础课程；教学改革；基础教育发展

0 引言

近年来，随着智能技术的发展，越来越多的高校将智能技术应用到课程教学中，以期利用计算机辅助教学，提高课程教学质量和教学效果；因此，将智能技术应用到课程教学领域，以实现新的计算机辅助教学改革是当前教育研究的热点。智能技术与现代教育模式的融合研究，对未来教育模式能够产生变革，从而有效提升学生的学习兴趣与积极性，最终推进教育高质量发展。

截至目前，有国内学者从智能技术在教学活动中的应用、对教学活动的影响等多个方面，探讨了智能技术引发现代教学活动的变革思路[1]；有学者研究了智能技术在CAI中的应用价值与现状，并对其在CAI 中的具体应用进行了分析[2]；有学者对智能技术在计算机辅助教学中的应用案例进行了分析，包括智能决策支持系统、智能教学专家系统、智能导学系统等[3]。另外，还有一些学者分别在不同领域教学活动中应用智能技术进行了相关研究，如有学者将智能技术融入移动开发课程教学中，利用智能技术实施项目案例教学[4]；有学者将智能技术应用于电气信息类专业课程教学中，对课程教育模式和教学手段进行了改革与创新[5]；有学者将智能技术应用于大学英语教学活动中，从听力、写作、翻译、口语等方面实现智能化教学管理和测评[6-7]；有学者将智能技术应用于汽车专业教学中，研究了智能导师系统、个性化教育机器人等应用案例[8]；有学者探讨了智能技术在胸部外伤教学中的应用价值[9]；也有学者利用智能技术生成音乐美术教学辅助信息[10-11]；还有学者探讨研究了智能技术融入中小学的科学技术与工程领域课程的教学改革方案[12-13]。

公共基础类课程如“大学计算机基础”，因修课学生人数较多，修课的学生专业面较广，课程教学影响面较大，因此，该课程一直是支撑地方高校基础教育的重要课程，对该课程进行教学改革，以提高课程教学质量是影响高校基础教育能否高质量发展的重要因素。“算法设计与分析”是该课程重要的教学内容，是培养学生利用计算机算法求解问题能力的重要途径，该内容的教学效果又是影响“大学计算机基础”课程教学质量的重要因素。近年来，通过调查发现，70%以上的非计算机专业学生感到最棘手的问题是计算机程序语法问题，而常规教学方式不能很好地解决计算机程序语法正确性判定问题，导致教师对学生算法实验和作业的评价效率低，影响了评价效果以及学生自主学习兴趣。由此可见，这些教学问题使得“算法设计与分析”教学质量不高。

虽然目前已有学者对智能技术应用于高校课程教学改革进行了研究，但利用智能技术解决地方高校公共类计算机基础课程的教学问题、并以此提高学校基础教育教学质量方面的研究，相对较少。为此，本文以成都信息工程大学“大学计算机基础”公共基础类课程教学为背景，以自主设计的智能技术融入课程教学改革为核心，进行了智能技术支撑课程教学改革的研究，并设计了智能技术融入课程教学改革的应用方案、探索了智能技术推进地方高校基础教育高质量发展的路径。

1 课程教学存在的问题分析

近年来，通过面向学校多个不同专业学生的课程教学过程调研，发现课程教学存在如下一些问题。

1.1 算法类实验与作业批阅效率较低

在“算法设计与分析”教学过程中，学生依据问题描述，利用RAPTOR工具软件，设计算法流程图来实现问题的求解策略，通过形成算法流程图的RAPTOR 文件来实现算法程序的生成和学习。由于流程图、伪代码和自然语言无法实现自动化的智能验证，对算法流程正确性的智能判定，存在较大困难；如果教师以人工评阅方式来判定学生算法流程图的正确性和可行性，因RAPTOR文件的批阅工作量较大，相关算法实验与作业批阅效率较低，使得一方面，学生无法得到教师批阅结果的及时反馈；另一方面，也会影响教师对学生算法学习的实时评价。

1.2 学生学习评价方法不完善

在“大学计算机基础”课程教学过程中，常规的学生学习评价方法不完善，尤其针对算法学习的过程性评价方法的不完善，导致缺乏对学生平时算法学习过程的评价数据记录，从而影响学生学习成绩的综合评定结果。

1.3 学生学习评价数据未得到进一步的后续应用

虽然目前的课程教学对学生学习过程有评价结果，但缺乏智能技术对学生学习评价结果有效分析的方案，且在课程后期的教学过程中，很难跟踪分析学生学习情况，从而对合理调整课程教学方法，无法提供支撑。

2 影响智能技术驱动课程教学改革的关键因素分析

2.1 智能技术应用环境在课程教学改革中的构建

利用智能技术驱动课程教学改革，首先需要完成智能技术应用环境的构建，其主要体现为实现智能技术的后台服务器系统的正常部署。由于该课程是全校性的基础教育课程，课程学习的学生人数多，涉及的学生专业广，因此，为了智能技术能够正常地支撑课程教学改革，在构建智能技术应用环境时，需要综合考虑平台部署的网络环境，如：网络环境的带宽（校内教育网、校外宽带网络）和地址范围（内网、外网）等，从而构建充足的条件，以保障智能技术有效驱动课程教学改革。

2.2 智能技术在课程教学改革中的应用

当智能技术应用环境构建后，需要设计智能技术在课程教学改革中的应用方案。应用方案包括两个方面：一方面，是课程教学中的RAPTOR算法流程图智能评阅技术的应用方案；另一方面是课程教学中的学生过程性学习数据智能分析技术的应用方案。在这些方案中，包括了智能技术应用系统的功能总体设计、系统功能模块设计、功能参数的智能化设置、功能实现流程设计、系统应用效果分析以及系统部署环境条件等，从系统应用层面来实现智能技术驱动课程教学改革。

2.3 学生学习评价体系的重构

目前，常规课程教学模式下的学生学习评价体系已不能适应当前课程教学改革需求，需在课程教学改革中引入智能技术，对学生的学习评价体系进行重构，构建具有智能技术支撑的过程性学习评价体系。通过重构过程性学习评价体系，一方面可以为学生算法学习的过程性评价提供支撑；另一方面，利用数据智能化分析技术，既可以横向分析每个学生对课程中每个知识点的掌握情况，又可以依据指定学生群体范围的学生学习评价信息，纵向分析该课程中每个知识点的教学效果，从而为课程教学方法变革提供依据。

3 融入智能技术的课程教学改革理论支撑体系的构建

文献[14]认为构建主义理论和协同理论是高校课程教学改革的理论依据，由此可见构建主义理论和协同理论支撑课程教学改革的重要性。为此，以智能技术融入课程教学改革为核心，从构建主义理论和协同理论两个方面来构建公共类计算机基础课程教学改革理论支撑体系。

3.1 智能技术驱动课程教学改革的构建主义理论

首先，依据地方高校基础教育课程的教学任务，从课程教学目标、课程教学内容、全校性选课学生专业特征等多个方面，相结合进行综合分析；其次，在分析的基础上，提出融入智能技术的课程教学情景设计方案；最后，在课程教学过程中利用智能技术实现学生过程性学习效果评估，依据评估信息来调整课程教学目标和教学方式，实现课程教学持续改革。在教学情景中，一方面，教师利用智能技术，对学生算法流程图实验和作业进行智能评阅，并给出评价数据，并对学生过程性学习评价数据进行分析；另一方面，学生利用智能评阅技术，对算法流程图实验和作业进行自主学习和自主强化训练认知能力，从而形成对学生个体的学习辅助。智能技术驱动课程教学改革构建主义的实现流程，如图1所示。

3.2 智能技术驱动课程教学改革的协同理论

课程教学体系一般是由课程教学环境、课程教学方式、课程教学内容、学生学习评价体系等不同部分组成，各个部分相互支撑、互相关联，从而构成一个完整的协同体来支撑课程教学改革。在该协同体中，课程教学环境不再是常规的教学环境，而是通过智能技术的融入，对课程教学环境进行多样化构建，包括智能技术支撑的教师端教学环境和学生端学习环境等。教学环境多样化的构建，可驱动课程教学方式进行变革；在教学方式变革中，教师可以利用智能技术提高教学管理效率和教学效果，学生可以利用智能技术实现自主学习，提高学习效率。教学方式的变革，可推动课程教学内容的变化与调整，并可对学生过程性学习评价体系进行重构，从而推动学生学习评价体系改革；学生学习评价体系改革后，又为学生学习评价数据的智能分析提供了数据源，进而对课程教学方式变革和课程教学内容的调整，提供了支撑。智能技术驱动课程教学改革协同体的实现流程，如图2所示。

4 智能技术在课程教学中的应用方案设计

4.1 算法流程图智能评阅系统应用方案设计

为解决教师端对学生算法流程图实验作业批阅效率低下，以及学生端对算法流程图自主学习结果无法得到快速反馈等问题，该课程教学引入自主设计的智能技术，以实现算法流程图智能评阅，从而支撑课程教学改革。相应的算法流程图智能评阅系统应用方案如下。

算法流程图智能评阅系统应用方案由三个子系统构成，分别为本地批量智能评阅系统、远程批量智能评阅系统、学生线上自主学习系统。该系统应用方案实现流程如图3所示。

1） 本地批量智能评阅系统

教师首先布置求解问题，学生根据问题求解方法设计算法流程图，并以RAPTOR文件形式存储。学生将该文件上传到学校教学管理平台，教师从学校教学管理平台批量下载学生提交的算法流程图文件，并将需要评阅的学生文件在本机环境下一次性批量导入本地批量智能评阅系统，再由该系统智能批量评阅学生的算法流程图文件，为每个学生自动生成评阅成绩。由于修课对象为高校非计算机专业学生，所以修课学生人数较多，需要完成的相关算法实验和作业也较多，由此会产生大批量的学生算法流程图文件。在该子系统智能评阅技术的支撑下，教师极大提高了学生实验与作业评阅和管理的效率，同时也能及时将评阅结果信息反馈给学生。

2） 远程批量智能评阅系统

为解决本地批量智能评阅系统环境约束问题，可以将批量智能评阅系统部署到远程服务器端，从而构建远程批量智能评阅系统。当学生在“算法分析与设计”的线上考试结束后，教师从线上教学平台收集学生算法流程图文件，并将需要评阅的大量文件上传到远程批量智能评阅系统中，由该系统智能评阅，并生成评阅成绩（基于学生人数庞大，当考试结束后，每个学生如果同时登录远程批量智能评阅系统进行文件评阅时，会造成服务器承载压力过大，所以一般不采用这种实时操作形式）。该系统一方面解决了系统运行环境约束问题；另一方面，可以及时将评阅结果信息反馈给学生，同时该系统会自动记录学生的成绩，构建学生过程性学习成绩数据库，为后期成绩数据智能分析提供数据源。

3） 学生线上自主学习系统

为了给学生提供算法自主学习的泛在学习环境，设计了学生线上自主学习系统。该系统一般部署在远程服务器端，学生在学习“算法分析与设计”内容时，可以随时自行上传自己解决问题策略的算法流程图文件，并由系统自动生成评阅成绩，最后生成的评阅结果信息会及时反馈给学生，同时学生的学习情况也会由系统反馈给教师。由此，通过该系统，可支撑学生自主学习行为、构建学生自主泛在学习环境，从而提高学生的学习效率。

4.2 数据智能分析系统应用方案设计

为分析学生对知识点的掌握情况，该课程教学设计了数据智能分析系统应用方案。在课程教学过程中，对每个章节知识点教学，尤其针对“算法分析与设计”知识点教学，如数组、函数、赋值、输入/输出、选择、循环处理等，依据各种考核方式，如线上学习、单元测验、作业、实验等，对每个学生产生过程性学习评价数据。为此，可构建整个课程在教学过程中产生的大量学生过程性学习评价数据库。为分析学生对知识点的掌握情况，可运用数据智能分析系统，对数据库采用数据挖掘和智能化分析技术进行数据分析。系统可以单个学生为单位，横向分析每个学生对各个知识点的掌握情况；也可以某班、某年级或者某专业等指定分析范围的学生数据集合为单位（可以根据设计需求灵活设置分析范围参数），纵向分析多个学生对某个或某几个知识点的掌握情况。在对数据库进行智能化分析的支撑下，可以发现学生对相应知识点的掌握情况，并反馈到教学过程中，从而指导授课教师对课程教学方式与教学内容的改革。

5 智能技术支撑学生算法学习评价体系的重构

“算法分析与设计”教学中，常规的算法学习评价体系比较简单：由两次算法流程图编程实验或者作业评价、以及期末考试中的算法流程图编程考试组成，教师以人工评阅方式对每个学生进行评价，这种评价体系无法对学生算法过程性学习进行合理的评价。在课程教学中引入智能技术后，可以针对算法设计的每个细节知识点，如赋值、表达式、顺序、选择、循环、数组、函数、输入/输出等，布置算法流程图编程实验和作业，从而充斥到整个算法学习过程中。当学生完成相应的实验和作业后，教师采用本地批量智能评阅系统或者远程批量智能评阅系统对这些实验和作业进行智能评阅；另外，学生也可以随时自主上传自己的算法流程图编程作业文件到学生线上自主学习系统中，并进行实时智能评价。为此，需对常规算法学习评价体系进行重构，设计新的算法学习评价体系，以适应学生过程性学习评价的需求。常规的算法学习评价体系和重构的算法学习评价体系对比如表1所示。从表1可看出，常规算法学习评价体系中的算法学习评价次数较少，很难完成学生对算法学习的过程性评价。在重构的算法学习体系中，对算法每个知识点都设置了学生学习评价依据，包括教师布置的实验和作业、学生自主学习结果、期末考核等多种评价形式，从而实现了学生算法学习的过程性评价。由此可见，重构的学习评价体系，一方面可实现对学生的过程性学习评价；另一方面，教师通过过程性学习评价结果，能更好地掌握学生学习情况，从而推动后续教学改革，提高教学质量。当然，依据不同学年不同专业的特殊情况，算法学习评价体系也可进行动态调整，以适应基础教育发展的需要。

6 课程教学持续改进机制的构建

智能技术应用方案的设计与实施，能够支撑课程教学改革。但在教学改革过程中，仍然会出现各种新的教学问题，为此需要构建持续改进机制来解决这些新的教学问题。

构建的持续改进机制主要体现为：在课程教学活动结束后，利用课程教学QQ群投票、网络教育教学平台问卷调查、第三方问卷调查平台问卷调查等多种方式，面向修课学生和授课教师进行智能技术应用方案的教学调查反馈，对反馈信息进行数据分析，发现新的问题，并提出智能技术应用方案的改进策略，从而为后期课程教学改革提供改进措施。由此，利用持续改进机制来实现闭环的智能技术驱动课程教学改革实施流程。

7 智能技术在算法评阅中的成效分析

成都信息工程大学在2022—2023学年第一学期（2022年）和2023—2024学年第一学期（2023年）的“大学计算机基础”课程教学中，开始运用算法流程图智能评阅系统，进行教学改革。为验证该系统智能评阅的有效性，对课程教学过程中学生产生的算法流程图RAPTOR文件，进行了评阅测评。

首先，对2022年课程教学过程中产生的2 797个RAPTOR 文件，分别进行智能评阅和人工评阅的测评，并形成评阅计分记录。在此基础上，进行了智能评阅和人工评阅两种方式的对比分析，分析结果如图4所示。

图4中，智能评阅和人工评阅得分差为0分（得分完全相同）的文件数为2174个，约占总测评文件数的78%；两者得分差>10分的文件数为623个，约占总测评文件数的22%；两者得分差>20分的文件数为425 个，约占总测评文件数的15%；两者得分差>30分的文件数为340个，约占总测评文件数的12%；两者得分差>40分的文件数为190个，约占总测评文件数的7%；两者得分差>50分的文件数为99个，约占总测评文件数的4%；两者得分差>60分的文件数为75个，约占总测评文件数的3%。由此可见，智能评阅结果和人工评阅结果绝大部分相同或者相差不大，得分差很大的比例很小。

另外，为了进一步验证智能评阅系统对不同专业学生产生的RAPTOR文件进行智能评阅的有效性，对2023年课程教学过程中产生的442个RAPTOR文件，分别进行了智能评阅和人工评阅测评。这些文件中，理工科专业学生产生了340个文件（涉及学院有大气科学学院、电子工程学院、光电工程学院、资源环境学院、自动化学院、物流学院、统计学院、应用数学学院等），文科专业学生产生了102个文件（涉及学院有外国语学院、管理学院、文化艺术学院等）。面向理工科专业学生的测评对比分析结果，如图5所示；面向文科专业学生的测评对比分析结果，如图6所示。

在图5中，智能评阅和人工评阅得分差为0分（得分完全相同）的文件数为205个，约占总测评文件数的60%；两者得分差>30分的文件数为71个，约占总测评文件数的21%；两者得分差>60 分的文件数为26 个，约占总测评文件数的8%。由此可见，面向理工科专业学生，智能评阅结果和人工评阅结果大部分为相同或者相差不大，得分差很大的比例很小。另外，对于文件的特殊批阅情况进行分析，“人工满分，系统自动评阅非满分”情况的文件数为12个，约占总测评文件数的4%；“人工0分，系统自动评阅非0分”情况的文件数为1个，约占总测评文件数的0.3%，从而表明智能评阅结果的特殊情况极少发生。

在图6中，智能评阅和人工评阅得分差为0分（得分完全相同）的文件数为57个，约占总测评文件数的56%；两者得分差>30分的文件数为25个，约占总测评文件数的25%；两者得分差>60分的文件数为8个，约占总测评文件数的8%。由此可见，面向文科专业学生，智能评阅结果和人工评阅结果的大部分，仍然是相同或者相差不大，得分差很大的比例仍然很小。另外，“人工满分，系统自动评阅非满分”情况的文件数为2个，约占总测评文件数的2%；“人工0分，系统自动评阅非0分”情况的文件数为1个，约占总测评文件数的1%，从而表明，智能评阅结果的特殊情况仍然极少发生。

依据智能评阅和人工评阅对比分析结果发现，无论是面向理工科学生，还是面向文科学生，智能评阅结果的大部分都与人工评阅结果相同或者相差不大，相差大的比例以及特殊情况的比例都很小，从而表明智能评阅具有相应的有效性和准确性。考虑到大量学生实际完成情况的特殊性，以及某些评阅标准对智能评阅和人工评阅的偏差性，在智能评阅的基础上，对不一致的评阅结果，采用人工评阅形式完成辅助纠正。由于智能评阅结果与人工评阅结果大多数一致，而不一致的评阅结果为少数，从而使得评阅总体效率得到极大提高。因此，利用智能技术，能够为公共类基础课程教学改革提供有力的支撑，从而推动地方高校基础教育高质量发展。

8 结束语

为了解决当前地方高校公共类基础课程教学问题，提高教学质量，对智能技术支撑基础教育教学改革进行了研究，提出了智能技术驱动教学改革的应用方案；通过对方案的实际应用分析，验证了其对基础教育教学改革的有效性，并为智能技术推动地方高校基础教育高质量发展，探索了路径。