0 引 言
近年来，工程教育认证在各大高校如火如荼地开展，教育工程认证的核心要求之一是培养学生解决真实情境下的复杂工程问题能力，其核心思想是在培养过程中，要以学生为中心，以产出为导向，并且通过有效评价机制对教学过程进行持续改进[1]。解决复杂工程问题能力的培养要落实到课程的教学过程中[2]。人工智能导论是一门跨学科，具有丰富复杂场景，需要综合运用科学与工程技术解决复杂工程问题的课程。
随着互联网和人工智能技术的快速发展，人工智能导论课程作为许多高校计算机和人工智能专业的基础课程之一，已有不少研究人员对该课程的教学展开研究。文献 [3] 中为了提高课程的教学质量，从教学体系、教材、课程教学模式、考核方法等方面进行了研究与总结。文献 [4] 中以计算机视觉为案例，采用基于“问题驱动、任务导向”的人工智能导论课程教学改革方案，能够联系实际问题，帮助学生提高学习兴趣。文献 [5] 中针对人工智能课程教学设计、考核评估方式、教学方法上存在的教学内容单一、考核内容单一等问题，提出了一种基于产出导向（ outcome-based education，OBE ）理念的人工智能程序设计类课程教学改革方案的学习方法，能够有效地提高学生的学习兴趣和教学效果。文献 [6] 中分析了当前人工智能课程教学过程中存在的各种典型问题，提出了基于学科前沿与实践应用的教学改革思路，并介绍教学团队的改革内容以及改革效果。文献 [7] 中针对人工智能的跨学科特点和实践教学中的实际需求，通过联合企业的人工智能实践平台和校企协同育人项目，开展了多元实践教学体系改革和探索。文献 [8] 中针对人工智能实验环节中设备难以满足教学需求、教师资源缺乏等问题，介绍了线上教育平台在人工智能课程教学中的创新使用。
传统的人工智能导论教学倾向于教授学生各种现有算法以及专家结论，缺乏对知识高通路迁移以及解决真实问题能力的培养。教师在教学设计过程中，缺乏以学生为中心的理念，通常只专注于自己的教授，较难掌握到学生对知识的接受程度，因此大多数学生难以把所学知识转化为真实情境下解决复杂工程问题的能力，从而导致教师无法做到有效的持续改进。学科大概念是将解决真实问题能力落实到课程教学的立足点，是反映领域专家思维的枢纽。深度理解学科大概念有助于学生将课堂知识迁移至解决实际工程项目中，跨越抽象知识点和实际问题之间的鸿沟。基于 STEM 项目化的学习是深入学习大概念的有效方式。
1 基于学科大概念的课程目标设计
基于学科大概念的教学和传统教学的主要区别是达成的目标以及教学方式不同。传统教学将学生看作一片空白，经过教学实践后，到测试时让学生把老师教的思想再描述出来，因此课程目标的设计强调教学内容。根据建构主义理论[9]，教师的知识传授并不直接决定学生知识的习得，学生所获得的知识和能力是学生根据外界的信息和自己的背景，通过自我构建完成的。传统教学方法中，教师在设置课程目标时，往往强调教学的内容，而忽视学生的现有背景；强调知识的传授，而忽视能力的培养。
基于学科大概念的课程目标设计是以学生为中心，基于学生已有的知识体系进行设计，由教师引导学生有目的地完成新概念的学习或者大概念的更新，使学生更加清楚、完整、准确地理解新知识和概念，并完成教师安排的工作任务。这个过程就是让学生了解一个大概念由具体到抽象的过程，再用抽象的概念指导现实的实践，因此，从地方高校特色出发，融合人工智能学科大概念的思想设计课程目标见表 1，课程目标与工程教育认证中所有要求的解决复杂工程问题能力具有较好的对应关系。
2 学科大概念提取以及课程内容设计
学科大概念视角下的单元教学首先要做的是大概念的提取。当前大概念提取方法主要包括自上而下的提取路径和自下而上的提取路径[10]。基于人工智能导论课程专业性强的特点，采用基于专家思维的学科大概念提取方法，即从阅读人工智能的专著、最新综述论文以及前沿研究成果着手，并组织相关研究人员讨论提取本课程的学科大概念。
当前，人工智能研究主要包含知识表示、确定性和不确定性推理、搜索技术、机器学习技术、强化学习技术等。通过自上而下的分析，可以把人工智能导论的学科大概分解为图 1 所示的关系图。
在生物学和脑科学上，科学家还不清楚人类智能是如何形成的，但是从计算机科学的角度来看，人工智能可以从基于数据驱动的学习和基于规则的推理实现，因此，可以分解得到基于数据的学习和基于规则的推理两个学科大概念。人工智能是一门年轻的学科，当前普遍认为人工智能的起点为 1956 年的达特茅斯会议，但是与其他学科一样，人工智能也有其历史发展过程。课程第一单元主要介绍第一类大概念——智能、学习、智能系统，主要内容包含人工智能的历史和发展过程，以及人工智能发展中的工程伦理问题。课程的第二单元围绕着知识表示学科大概念展开。任何知识都有一定的表示形式，如人类的日常知识表示的语言文字，数学知识有数学符号、公式等。人工智能系统也要输入和存储相应的知识才能使系统产生智能，因此在这个单元将介绍不同种类的人工智能知识表示形式，并讲解不同知识表示的方法以及应用场景。智能得以实现需要知识和推理方法。当前，推理的实现方法包含基于规则的推理和基于数据驱动的学习方法。基于规则的推理是一类实现人工智能的传统方法，其实现方式基于“三段式”规则和搜索技术实现，因此第三单元围绕着基于规则的推理这个学科大概念展开，重点讲解产生式方法、谓词逻辑等方法。基于规则的推理中，有一项重要的技术搜索，因此在第四单元会围绕着搜索这个学科大概念讲述各种不同的搜索方法，包含图搜索、启发式搜索、博弈树搜索等。基于数据驱动的学习的基本原理是如何从数据中总结规律，根据总结出来的规律进行推理。第五单元围绕着基于数据驱动的学习这个学科大概念展开，重点讲解贝叶斯方法、神经网络方法等机器学习方法。在基于数学驱动的方法中，有一类连续决策的重要方法，因此，在第六单元重点围绕着强化学习这个学科大概念展开。
课程的教学安排将围绕着学科大概念以及其附属的小概念，展开课程设计以及案例。
3 基于 STEM 项目式教学过程设计
课程教学主要以 STEM 项目形式展开，围绕着大概念进行教学。首先根据已经提取的学科大概念从实际的复杂工程问题中提取并设计项目，引导学生从数学、科学、技术和工程角度思考该项目，并组织讨论与教学，最后让学生分组实现该项目（如图 2 所示）。
例如，在“搜索”这个学科大概念上，设计一个叫车的路径搜索项目，即位置 A 有一位乘客，要送到目的地 B 处，如何得到最优路径。通过让学生分别用回溯搜索、图搜索、启发式搜索等方法解决这个问题，并比较路径的距离、用时的长度以评价不同方法之间的差距，引导学生通过实验来检验哪种方案最优并选取最优方案。
人工智能的概念非常多，需要对概念进行分类，整理出课程的概念图，凝练出大概念及其上下位概念，然后针对其中重要的大概念进行项目设计以及单元教学。
在单元教学过程中，要充分挖掘每一个模块的思政元素，为每个教学模块设计一个“思政”切入点。课程整体的思政育人目标设定为：①落实立德树人的育人内涵；②提升学生对学科的认识，使学生认识到科学技术的发展要与国家战略相结合；③提高学生的民族自豪感，做到为党育人、为国育人；④培养学生的工程伦理意识以及伦理道德，使其在以后工程建设中充分考虑到人与自然的和谐发展问题。例如，人工智能概述章节重点介绍我国人工智能的国家发展战略以及交通强国建设规划；在机器学习章节，要提倡奉献和共享精神，以当前共享出行的交通流量预测问题为案例；在交通调度问题上，可以重点介绍我国的铁路交通调度，特别是占世界 60% 以上里程的高铁。通过各种案例激发学生的民族自豪感，理性地看待社会发展中的各种问题。此外，针对理工科学生，要特别培养学生的工程理论意识，使其在未来的工程建设中，要统筹考虑社会、集体以及个人之间的利益关系。
近年来，人工智能发展非常迅速，与各行各业的实际应用结合非常紧密，因此在教学内容与项目实践中，重点注意以下 3 个方面：①注重问题引导：教学围绕实际问题展开，在教学中重点讲解解决该问题需要掌握的知识点；②学生参与课堂讨论：实际问题可能会碰到各种各样的情况，很多情况可能连教师也未必考虑到，因此在教学过程要鼓励学生参与课堂讨论，提出各种不同解决方法；③与科研和学生创新创业竞赛相结合：当前国家出台各种政策鼓励学生参与各种创新创业竞赛，而人工智能方法可以与各专业相结合，产出各种有趣的方法和运用。
4 形成性评价以及持续改进
形成性评价是在教学过程中不断地获得有关教学的反馈信息，随时进行教学方式方法的改进，促使学生掌握相关知识、培养学生的实践创新能力所进行的系统性评价。科学合理的形成性评价可以有效帮助教师和学生获取准确而有价值的学习效果反馈信息，及时改进学生的学习方法及教师的教学方法，促进教学目标的达成，是提高教学质量、促进学生发展的重要手段。在人工智能导论课程教学与考核中，需要不断地进行改革和提高。在现有的评价方法中，缺乏系统科学的形成性评价体系，没有包含实际工程项目实施中学习反馈、教学反馈、持续改进等环节的流程设计。平时成绩作为综合成绩的重要组成部分，在人工智能导论课程的考核中所占比例应该有所提高；同时，需要根据课程实践工程项目评价指标来评价学生的实践创新项目，设置更加科学的评分标准，评分规则更加细化，并采用学生自评、学生互评、教师测评等，综合体现评价主体的多元性。通过在教学过程中对形成性评价进行科学合理的设计，确保即时、动态、多次对学生实施评价，注重及时反馈，不以区分学生的优良程度为目的，而是帮助学生和教师将注意力集中到进一步改进学习及教学服务的过程上，持续改进学生的学习方法及教师的教学方法，促进课程目标及人才培养目标的最终达成。
5 结 语
以学科大概念为引领，以 STEM 项目式的教学方式，将科学、技术、工程与数学等多学科进行交互融合，共同用于解决真实情景中的一个复杂工程问题的教学模式，应用在教学的单元设计、项目实施、教学评价中，提高了学生的知识高通路迁移能力和解决真实复杂工程问题的能力；该方法还可拓展到其他工科课程或者其他学校的人工智能教学中，能够丰富人工智能的课程教学。
参考文献：
[1] 项聪, 郭雅兰. 工程教育认证的内在逻辑及自我超越[J]. 高等工程教育研究, 2022(4): 65-69.
[2] 邓娇娇, 邹艳艳. 复杂工程问题解决能力达成教学实践: 基于复杂性降解的研究[J]. 高等工程教育研究, 2022(1): 62-67.
[3] 徐新黎, 王万良, 杨旭华. 人工智能导论课程的教学与实践改革探索[J]. 计算机教育, 2009(11): 129-132.
[4] 王新良, 马耀博. 基于“问题驱动、任务导向”的人工智能课程教学改革研究[J]. 教育现代化, 2019, 6(97): 47-49.
[5] 陈滨, 朱蓉, 邓浏旸. 基于OBE理念的人工智能程序设计类课程教学改革研究[J]. 计算机教育, 2020(1): 151-154.
[6] 胡秀华, 王长元, 王亚文, 等. 基于学科前沿与实践应用的人工智能课程教学改革研究[J]. 计算机教育, 2019(9): 159-163.
[7] 许莹, 钟雄虎, 周旭, 等. 面向学生能力培养的人工智能课程多元实践教学体系[J]. 计算机教育, 2021(11): 77-79.
[8] 曹慧玲, 董小玉, 计湘婷, 等. 线上教学平台在人工智能课程教学中的创新应用[J]. 计算机教育, 2021(10): 42-45, 50.
[9] 李春兰, 董乔生, 张建国. 建构主义知识观视角下反思性学习的困境与突破[J]. 教学与管理, 2020(9): 14-16.
[10] 邵卓越, 刘徽, 徐亚萱. 罗盘定位: 提取大概念的八条路径[J]. 上海教育科研, 2022(1): 12-18, 30.
基金项目：江西省教学改革项目“工程教育认证背景下基于大概念的 STEM 项目式教学改革研究——以‘人工智能’课程为例”（ JXJG-21-5-39 ）。
第一作者简介：黄晓辉，男，华东交通大学副教授，研究方向为人工智能、深度学习、智能交通，2854@ectju.edu.cn。
引文格式: 黄晓辉, 熊李艳, 喻佳, 等. 学科大概念视角下基于 STEM 项目教学的能力培养探索 [J]. 计算机教育, 2023(7): 20-23.
转自：“计算机教育”微信公众号
如有侵权，请联系本站删除！
