0 引 言
近年来，随着“复旦共识”“天大行动”“北京指南”的陆续推出，新工科成为了教育圈的热词 [1]。教育部多次发文要求推进新工科建设并指出：新工科建设应当主动应对新一轮科技革命与产业变革的战略行动，提升国家硬实力和国际竞争力。另一方面，随着人工智能时代的到来，教育部强调应重视人工智能与计算机、控制、数学、统计学、等学科专业教育的交叉融合，构筑复合专业培养新模式 [2-3]。机器学习作为人工智能的核心课程，应当在新工科背景下，顺应科技变革的趋势，把握好新工科建设的内涵，统筹考虑“新的工科专业、工科的新要求”。新工科呼唤着新的机器学习课程教学模式，如何运用新工科理念、引导课程创新改革是当前机器学习课程面临的主要挑战。
1 新形势下的课程痛点
目前，高校本科生机器学习课程的创新实践仍然处于起步摸索阶段 [4]，课程由于其自身难度以及新工科背景对于人工智能相关专业建设提出的挑战，课程在新形势下面临着一系列痛点。
1）课程涉及知识面宽、难度较大。
机器学习隶属于多领域交叉学科，涵盖概率论、统计学、逼近论、凸分析、算法理论等交叉知识点 [5]。近年来高校本科生机器学习课程普遍采用的教材、课件、辅导材料以及授课内容中，均包含机器学习算法相关的大量数学公式、复杂的模型原理介绍，但尚缺乏对于这些公式和原理的相关数学背景知识特别是交叉学科知识点的阐释。正因如此，很多学生特别是未先修相关课程的学生在学的过程中感到困难，既看不懂公式、无法推导公式，也难以将枯燥的公式和实际问题对应起来。此外，教师在教的过程中往往过多注重公式、模型本身，没有生动有效地结合实际应用问题讲解公式的来源、形式、推导过程，没有透彻地诠释公式、理论模型背后的原理方法。
2）课程案例陈旧、实战性偏弱。
当前随着工业 4.0 时代的到来，以人工智能为代表的各类型应用产品如智慧医疗、智能交通、智能家居等已经深入到人们的日常生活。机器学习是人工智能的核心，因此高校机器学习课程应强调学生学习的产出效果，具备较强的“实战性”。目前，高校机器学习课程的教学案例和实践案例相比新技术较为滞后，部分教材仅注重理论部分，甚至缺乏实践案例的相关内容 [6]。学生在学的过程中，无法将机器学习算法适应于新形势下的就业趋势需求、实践新特点，无法掌握具有实践特点的复合型知识体系。教师在教的过程中，尚无法有效将机器学习的原理和方法与新工科倡导的“新技术、新产业、新业态和新模式”等特征相结合，无法顺应新工科专业对于人才培养的新要求。
2 机器学习课程教学创新模式框架
“一融、二汇、三导出”的机器学习课程教学创新思路（图 1）采用反向设计思路，从新工科背景的教学目标出发，旨在提升课程教学质量，提升学生的学习获得感。
（1）“一融”：多教学手段 / 模式的融合。通过融合“互联网 + 教育”的多元化教学手段、线上线下混合教学、启发式导学模式的混合，突破传统课堂局限性，扩展学生知识面，实施多学科多知识点的融合，增强课堂学习效果。
（2）“二汇”：多教学元素的汇入。通过案例沉浸式教学元素、阶段式实践元素、思政元素等的汇入，强调学以致用，并紧密结合当下人工智能发展的前沿趋势，增强课程的实战性。
（3）“三导出”：复合式的成果导出及导出评价。课程以成果导向为目标，注重学生理论联系实践的能力与学习效果，打破传统的考试评价和成绩输出作为学习效果评价的单一化导出形式，通过复合化的导出形式和导出评价指标，强调“学生学会了什么、学到了什么、学好了什么”。
3 机器学习课程教学创新模式设计
3.1 “一融”模式设计
1）多元化教学手段的融合。
①在课堂中引入课程群、学习通、微课堂、雨课堂等 APP，通过灵活运用这些 APP 的“课堂签到”“匿名发言”“投票”“群接龙”等形式，增加师生互动、生生互动，帮助教师及时掌握学生学习动态和学习反馈，增强传统课程的互动效果，提升课堂的参与度和活跃度。②考虑到本课程涉及的知识面较宽，课堂教学时间有限，善用互联网 + 教育手段提供的多元化网络课程资料、多媒体课件资源等，可在一定程度上丰富课程资源，帮助学生提前预习、课堂学习和课后复习。例如，本课程涉及概率统计、算法理论、最优化方法等先修课程，这些相关知识点可根据课程进度，以视频资源、微课等形式提供给学生。引入美国斯坦福大学吴恩达教授、中国的台湾大学李宏毅教授等机器学习公开课，为学生学习提供帮助，拓展国际视野、拓宽知识面。
2）线上线下混合教学的融合。
应对当前防疫常态化的状态并根据学生学习的特点，利用人工智能、大数据、互联网等技术建设智能化的在线课程学习资源，如直播课、录播课、云端作业、测试、测评等，将部分传统线下的学习内容搬到云端，利用智能化手段丰富学习资源、课程平台，实现普适化的教学手段和方式。线上线下混合教学有助于融合传统教学的优势和在线教学的便捷性，通过两种教学组织形式的有机融合，深化课程教学创新，其中，线上资源是传统课堂的迁移和延伸，能帮助学生充分利用学习时间、学习手段和方法，实现高效的课前预习、课后复习和提升，从而服务于课程教学。
3）启发式导学模式的融合。
①根据学生专业背景、自身先修课程情况等特点，通过前述多元化教学手段和线上学习，及时获取学生学习状态反馈情况；根据跨学科、交叉知识点等难点，针对性设计教学内容，制订教学方案，开展教学活动。②打破传统的灌注式即教师讲、学生听的教学方式，灵活运用参与式的教学方法，以学生为中心，根据学生学习特点和进度，课前发放教学材料，通过线上线下混合教学，鼓励学生通过自主学习发现问题并提出问题。课堂教学时，教师主要是“穿针引线”，高效采用讲授法和协作法，针对学生预先学习过程中遇到的问题答疑解惑。
3.2 “二汇”模式设计
1）案例沉浸式教学的汇入。
通过引入大量实际应用问题为背景的机器学习任务，引导学生投入到学习情境中去，达到一种案例沉浸的状态，营造以实践应用为驱动力和背景的学习环境，为学生理解机器学习模型和算法提供条件。例如，在讲授回归模型时，通过引入新冠疫情数据的预测作为案例，以当前热点应用事件为背景，引导学生提升对回归模型的真切感受，使原本抽象、枯燥的机器学习模型和方法变得生动，带来教学的真实感；通过对新冠疫情数据的预测，明确回归模型的方法、目的和使用。
2）阶段式实践的汇入。
在上机环节，通过设置阶段式的、不同难度的实践教学内容和上机题，供不同程度、不同学习阶段的学生选用。例如，根据题目难度设置“基础题”“进阶题”和“挑战题”：基础题侧重课程教学内容的理解和实践；进阶题在基础题上有延伸和扩展，强调相关知识的灵活运用；挑战题则鼓励学生通过课外自学、调研，查找资料等，结合课堂教学的基础内容，完成具有一定实践难度的应用项目。
3）思政元素的汇入。
习近平总书记在高校思想政治工作会议、全国教育大会上多次强调要做好高校思想政治工作，要坚持把立德树人作为中心环节，把思想政治工作贯穿教育教学全过程，实现全程育人、全方位育人，开创我国高等教育事业发展新局面。本课程也应当积极汇入思政元素，在教学内容、教学实施方式等环节，汇入思想政治教育元素，丰富课程内容，提升思政教育的亲和力 [7]。例如，在讲授回归模型时，通过增设“新冠疫情数据预测”的课程案例和实践项目，许多学生在亲手制作出中美疫情趋势曲线图时都不由得纷纷感叹：“通过疫情数据回归分析，感受到了强大的祖国在疫情防控中所做的努力”。
3.3 “三导出”模式设计
1）实践成果导出。
根据课程的实践特点，在课堂教学过程中注重问题导向、成果导向，以具有实际应用背景的案例贯穿机器学习模型方法教学。与课堂进度一致，针对性设置上机实践题目，供学生巩固和检验学习效果。在上机实践题目设计过程中，循序渐进采用“分单元—小综合—实战项目”的思路展开 [8]，让学生进行各个分知识点的单元练习，巩固课堂所学；再通过小综合实例实践，掌握各知识点的应用；最后，通过实战项目，灵活运用理论知识，结合实际问题，设计机器学习方法，理论联系实践，强调学习的实践效果。
2）赛教结合导出。
考虑到机器学习较强的实战性，鼓励学生参与当前一些具有代表性的主流人工智能挑战赛，在比赛中实践理论方法，强调赛教结合，以赛促教、以赛促学。教师针对性选择人工智能挑战赛类型和比赛项目，结合教学内容，进行大赛宣讲，组织学有余力、学习兴趣浓厚的学生参赛。参赛过程中，通过组建竞赛群，及时发布大赛数据、资料，帮助学生制订参赛方案，整理算法思路等。赛后邀请大赛获奖学生进行参赛经验总结和机器学习方法总结等，促进学习交流和经验分享。
3）智慧考评导出。
智慧考评侧重“以学生为中心”的考评，打破以考试为核心的传统考评机制，强调学习的个性化、持续性和进阶性。突破传统的课程考评模式，引入多维度的考评策略，致力于分散化、阶段化的灵活考评制度，充分融合课前、课上、课后的考评方式，注重学生在多个学习维度过程中的表现和成果，进行复合维度的考评。考评过程中引入多元、多梯次的评价指标，即基于不同知识范畴、不同知识难度的考评指标，注重评估个性化学习状态，动态评价学生课程学习阶段的成长过程，帮助其树立自信心。例如，在考评过程中设置必会知识点、延伸知识点、基础题和挑战题等不同类型、不同难度的考评项目，个性化掌握不同程度学生的学习状态。
4 机器学习课程教学创新实践
从 2018 年到 2021 年，我校机器学习本科教学过程中逐步开展和优化课程教学创新实践，循序渐进引入“一融、二汇、三导出”的创新思路，探索了机器学习教学创新的初步实践路线。
（1）在课堂教学设计过程中，以学科交叉融汇为主要思路，逐步调整课程内容相关的 Python编程、信息论、数理统计、最优化理论等多学科交叉领域知识点的比例，由点到面，组建新的课程大纲和内容，具体实施如图 2 所示；同时，调整课程机器学习理论和实践部分的教学内容比例，实施策略如图 3 所示。
（2）设置了不同难度的理论和实践授课内容，按照难度系数 3—5，采用多种教学手段策略的融汇，实施个性化导学，逐步从课堂渗透到课外，激发学生学习的自主性和潜能，如图 4 所示，其中，难度系数 3 为基础难度，逐步递增难度；4 为中高难度，适当拓展相关参考资料知识内容；5 为高难度，旨在结合前沿学科动向进行引导，供学有余力的学生选学。
（3）在课程导出阶段，引入课程综合评价体系，建立包括学生平均总评成绩、课程评价得分及选课规模比例（原计划开课基础人数与学生实际选课数比例） 3 个指标的复合评价标准，从课堂教学效果、教学质量和激发学生学习兴趣等多层面进行度量，笔者将上述指标以 0.4、0.3、0.3的系数加权并归一化后得到结果作为课程“导出”效果评价，如图 5 所示。此外，笔者通过课程结束后线上问卷的形式，调研了课程学习效果和满意度的反馈，如图 6 所示。
上述结果表明，近年来随着机器学习课程创新思路的开展，课程从体系结构、教学内容、教学方法策略等方面进行创新实践并不断反馈完善和调整，在课堂教学效果、课程教学质量和激发学生学习兴趣等层面都得到了一定提升。
5 结 语
新工科对高校机器学习等人工智能系列的课程提出了新的挑战，呼唤着适应于新工科理念的机器学习教学创新思路及实践方法，为此，机器学习课程也应当贯彻“成果导向”“以学生发展为中心”等教育理念，致力于复合型、创新型的人才培养。“一融、二汇、三导出”的教学模式构建，通过多教学手段模式的融合、多元素的汇入以及复合式导出与导出评价机制，有效发挥学生主动性和积极性，提高了课堂教学质量，帮助推进专业内涵发展，促进新工科专业建设。
参考文献：
[1] 刘鑫桥, 王庚, 吴津蕊. 新工科的研究现状、实践进展与未来趋势[J]. 西北工业大学学报(社会科学版), 2021(4): 63-70.
[2] 应毅, 任凯, 李晓明. 应用型本科新工科专业人工智能模块课程建设[J]. 智能计算机与应用, 2021, 11(10): 131-133.
[3] 林贵敏, 邱立达, 林南, 等. 电子信息工程专业“人工智能+”能力的培养[J]. 闽江学院学报, 2021, 42(2): 123-128.
[4] 蒋良孝. 机器学习课程教学的实践探索[J]. 新课程研究, 2019(9): 12-15.
[5] 谷灵康, 凤权, 贾文友, 等. 以知识点为粒度的人工智能类专业课程体系构建[J]. 忻州师范学院学报, 2021, 37(2): 28-31.
[6] 赵雪峰, 施珺. 面向本科生机器学习课程的教学探索[J]. 计算机教育, 2021(2): 170-174.
[7] 王兴梅, 赵一旭, 战歌. 新工科背景下机器学习课程思政建设的研究与实践[J]. 高教学刊, 2022, 8(5): 193-196.
[8] 李洁, 魏宇轩, 武妍, 等. 机器学习课程中递进式实验案例设计[J]. 计算机教育, 2022(1): 134-138.
基金项目：武汉大学 2022 年本科教育质量建设综合改革项目“面向通信工程一流专业建设的机器学习课程探索”（2022ZG146）；国家自然科学基金企业创新发展联合基金重点支持项目（U19B2004）。
作者简介：曾园园，女，武汉大学副教授，研究方向为机器学习、人工智能应用，zengyy@whu.edu.cn。
引文格式：曾园园. 新工科背景下机器学习课程教学创新实践探索[J].计算机教育,2022(11):78-81,86.
转自：“计算机教育”微信公众号
如有侵权，请联系本站删除！
