高校機器學習“微課程”教學模式設計與實踐研究

夏茂森 江玲玲

(1.安徽財經大學統計與應用數學學院；2.安徽財經大學會計學院，安徽 蚌埠 233030)

一、引言

隨著大數據理論研究與領域應用的不斷深入發展，在統計學、數據科學和大數據技術以及人工智能等諸多學科專業，一門新興的專業核心課程——機器學習，逐漸成為了備受人們矚目的焦點。簡言之，機器學習是借助計算機技術，實現模擬人類思維進行學習并獲取新信息，以及重新組織已有知識結構使其不斷完善的技術方法，是未來人工智能發展的關鍵基石，也是計算機和網絡技術發展的關鍵應用領域。[1]

從課程角度而言，機器學習是一門具有高度綜合性特質的專業課程，該課程涉及到多個領域的交叉學科，包括概率論、統計學和計算機科學，以及矩陣理論和算法理論等。在課程講授過程中，課程理論性講解、實驗教學和實踐應用的要求都很高。[2]因此，在課程教學中往往存在著諸多問題，現有文獻研究也多有指出，如課程教學存在理念落后、理論教學枯燥冗長、實驗實踐教學開展流于形式，以及課后學習管控失位等問題。[3,4]因此，如何激發學生對該課程的學習興趣，扎實掌握該門課程的理論基礎和實踐應用能力，是當前機器學習課程教學需要考慮的首要任務。[5]

在網絡技術快速發展的今天，微課程(簡稱“微課”)教學作為一種新型教學形式，日益引起了人們廣泛地關注。微課主要借助網絡和視頻為主要載體，突出圍繞某些重要的學科重難點內容展開簡練且相對完整的知識點傳授。微課程通常表現為問題聚焦，主題突出，較為適合激發學生興趣和集中精力進行針對性學習。在微課程中一個課程往往就是一個主題，課程時長通常控制在5-10分鐘，短時間的主題教學，既有課程教學的新鮮感，集中學習注意力，又避免了學生因課程講授冗長而產生的疲倦感。另外，微課程還具有成果簡化集中，傳播形式多樣的特點。由于授課內容相對較為簡練且時間短，課程容量也相對較小，微課程可以方便地通過網絡視頻、手機視頻或微博論壇視頻等形式進行微課堂教學，形式靈活多樣，可以集中學習，也可以充分利用學生的休息、休閑等零散時間來進行碎片化反復學習。此外，在網絡課堂或網絡視頻中還可以較為容易的實現教學反饋，只需要在網絡視頻下方設置反饋輸出設計即可，如在網頁上增加反饋意見的文本框等，供觀看視頻者進行及時地意見反饋，便于課程教學改進和教學成效的提升。

簡言之，隨著網絡時代和人工智能的不斷發展，機器學習課程的教學和學習日益重要。[6]然而，由于課程自身多學科交叉，以及知識范疇和實踐應用等方面的要求相對較高和課程教學方式手段相對落后等多方面原因，使得現實中機器學習課程難以取得令人滿意的教學成效，學生學習積極性和興趣難以激發等，課程教學問題頻頻。[7]對此，機器學習的微課程設計為解決這些現實教學問題提供了一個重要的途徑和優秀方案。憑借微課程在主題聚焦、興趣激發、傳播靈活和碎片化學習等方面的獨特優勢，可以較好地解決當前機器學習課程教學中冗長枯燥、興趣激發不足和教學方式手段落后陳舊等現實問題，有助于推進機器學習課程教學改革和良好教學成效的取得。

二、機器學習“微課程”內容設計關鍵要點

機器學習是一門綜合性較強的專業課程，專業課程的學習離不開學習動機的激發。著名教育心理學家加涅提出，有效的學習必須要有充分的學習動機。[8]通過對課程資源廣泛收集整理和創新拓展，進一步凝練出主題突出、內容簡練、啟發性較強、傳播和學習方式也較為靈活的微課程，進而系統構建和實踐探索機器學習的“微課程”教學模式，可以進一步激發學生對該門課程的強烈學習動機，使其自動投入更多的時間，以更大的努力來學習這門課程。因此，在進行機器學習“微課程”內容設計時，應注重高屋建瓴、總體把握的設計思路，其中，需要注意的關鍵要點主要包括以下三個方面：

1.前期課程關鍵知識點的微課程設計。通常在機器學習課程開設之前，需要學生系統學習過一些重要的前期基礎課程，如概率論、統計學、算法設計等。為了防止學生在前期課程知識點學習方面存在遺忘或沒有系統學習過等情況出現，有必要在課程講授之前對相關前期知識點進行簡要而凝練地講授，如在概率論和數理統計方面突出講授條件概率、貝努利方程、正態分布、二元分布、聯合分布、一元(多元)線性回歸等等這些關鍵知識點，言簡意賅地突出知識點的基本概念、理論公式和現實應用，為學生知識點回顧和系統進行機器學習的課程學習奠定堅實基礎。

2.機器學習“微課程”的主體內容設計。這是機器學習“微課程”的關鍵環節，需要條理清晰、逐層推進地將課程理論與實踐應用知識點系統展現和講授。對此，需要注意以下三個要點：

一是微課程內容設計需要做到“點”“面”結合。由于微課程自身在教學內容方面要求短小精煉，因此容易導致知識點松散而不系統，易形成學習者聚焦于一個個小的“知識點”而忽略了各個知識點聯結后的“面”，這也是微課程設計過程中一個需要突破解決的關鍵問題。對此，需要通過課程內容的頂層設計來解決，微課程設計通常是在課程教學大綱和教學方案以及其他相關教學準備(如數據資料等)基礎上進行的。那么，以網頁視頻來說，可以將整個課程按照內容的章、節和目來劃分，在最后的每個目下包括相應的知識點。在網頁表現形式上可以通過樹狀圖來實現。學習者點擊章節目和相應的知識點來進行系統學習，在兼顧“知識點”聚焦學習的同時也讓學習者清晰的了解各個知識點的隸屬范圍和知識點間的聯結關系，充分意識到學習各個知識點所隸屬的“面”，系統形成課程知識點的聯結圖譜。另外，每個目中的相關知識點還可通過視頻等形式在教學時串聯講解，詳細或強調說明各“點”間的聯系。如此一來可以兼顧“點”“面”，使得課程教學更為緊湊而不松散，在網頁設計的可行性方面也是十分容易實現的。

二是課程知識點的拆解。機器學習“微課程”是由一個個相對較為獨立的主題課程系統構成的整體，而傳統與課程相對應的教材或教學大綱、教學方案等也沒有將該課程分解成一個個既具獨立性又有相對完整性的知識點。對此，就需要課程講授者根據自身對課程內容的熟練掌握來進行恰當地分解和設計了。以課程分類預測的一個模型——決策樹教學為例來說，該模型分解后的知識點主要涉及到決策樹基本概念(樹的概念和幾何理解等)、決策樹分類、決策樹算法概述1——決策樹的生長、決策樹的算法概述2——決策樹的剪枝、C5.0的算法介紹1——信息熵和信息增益、C5.0的算法介紹2——生長算法(實例講解)、C5.0的算法介紹3——剪枝算法(實例講解)、C5.0決策樹的應用舉例1——結果解讀(推理規則集)、C5.0決策樹的應用舉例2——損失矩陣、C5.0決策樹的應用舉例2——N折交叉驗證、C5.0決策樹的應用舉例3——其他(如Bagging技術、Boosting技術等)。逐步的由淺入深，將決策樹模型的算法理論、公式表達、關鍵參數設置以及應用實踐等進行系統分解和講授。與此同理，課程其他章節的知識點拆解也是如此，既要控制內容設計有亮點、有主題，也要控制內容不宜太多，避免講解時間過長或講授不透徹的問題出現。

三是課程內容設計應注重啟發性。在前述課程“點”“面”結合的連貫性和知識點拆解的可行性、科學性設計同時，還應該注意課程內容設計的啟發性。如果說課程體系設計與知識點拆解是微課程設計的基礎或初級階段。那么，課程內容的啟發性設計則是微課程設計的高級階段。課程的啟發性設計可以通過經典案例、知識點遷移和誘導性思考等方式來實現。以決策樹模型中損失矩陣的經典案例來說，通常有病毒檢測的成本矩陣設置、信用卡欺詐分析的成本矩陣設置等這些經典案例，既有故事性又直擊主題，可以幫助學習者清晰的理解某分類對應的成本設置情況。另外，知識點遷移在傳統課堂教學中亦多有所用，“微課程”教學中可以直接采用“拿來主義”，將課堂知識點遷移教學內容、方法或技巧等直接融入“微課程”教學中。對此，不僅能讓學習者提升學習系統性，也能讓學習者產生啟發式聯想。對于課程教學中的誘導性思考設計，可以通過教學過程中的講授語言、圖片、聲音等多種設計形式來誘導和啟發學習者進行相應的思考，引導他們加深對知識點的理解和運用能力。

3.課程內容設計的更新機制。機器學習課程教學的興起時間相對不長，理論體系和課程內容也還沒有形成完全地統一，課程內容講授往往受前沿理論研究的影響較大，其“微課程”內容設計也往往需要根據前沿理論研究來不斷推陳出新。這雖然給課程建設帶來不小的壓力，但也為推進該課程建設提供了關鍵動力。對此，一方面需要課程設計者不斷把握機器學習領域研究的前沿動向，并及時進行進一步的內容分解和設計。另一方面要求“微課程”載體——網站或視頻APP等形式的不斷更新。從形式上而言，可能網站視頻的更新形式更容易實現，通過增減或修改原先內容設計體系或原視頻即可。

三、機器學習“微課程”的教學實踐設計

在機器學習“微課程”內容設計基礎上，對“微課程”進行教學實踐。在教學實踐中，基本形式可能主要包括以下幾個方面：

第一，教學實踐的基本“組件”。“微課程”通常不是完全孤立存在的，往往和學習討論以及課后練習等緊密聯系，亦即在教學模塊“組件”構成上表現出“微課程講授+課下討論+課后任務練習”等相結合的形式。

第二，教學實踐內容。最常見的形式是“概念講解+理論剖析+案例演示”。教學所涵蓋的內容與課堂教學和課程教材等相一致。具體內容設計基于課程講授人的知識點分解和整體設計。

第三，在課程實踐載體上，基于多媒體或網絡技術，可以方便實現。如通過網絡視頻、手機網頁瀏覽或APP等載體實現。

第四，課程時間控制。通常一個知識點或主題的講解時長為5-10分鐘，要求該知識點講解簡練、相對完整且富有啟發性。在每個“微課程”教學結束后，可組織進行簡短的交流討論(一般5-10分鐘)。通過交流討論(包括誘導性問題提出)，一是可以快速加深學習者對剛剛學習內容的理解和拓展性思考。二是及時收集課程教學的反饋意見。三是為學習者進入下一個主題學習構建緩沖期。

第五，講授演示形式。形式上有多種多樣，完全可以依據講授者的聰明才智進行理性發揮，如借助PPT、短小視屏、圖片等形式，通過聲音、文字、圖形或色彩等表現手法來進行多種方式的課程內容講授演示。

第六，教學軟件。機器學習課程常常涉及到算法演示或案例分析等內容教學。對此，可以借助辦公軟件、機器學習或數據挖掘軟件，以及大數據分析平臺等進行教學實踐。例如可借助Python、R等編程軟件來開展課程算法演示或程序實現，也可借助IBM SPSS Modeler和Rapidminer等可視化軟件來進行快速有效的實踐案例演示、數據分析流程與結果解讀等。其中，IBM SPSS Modeler軟件的應用相對較為簡便且基礎模型也較為齊全，十分合適于本科生機器學習課程的教學演示和應用案例分析。另外，該軟件可以與R語言等軟件實現程序嵌入，以實現模型的程序拓展，滿足教學需求。

第七，教學考核與教學改革。通過機器學習“微課程”的教學實踐，對該課程的績效考核和教學改革方面，在形式和成效上都有較大裨益。一是對學習者而言，可以十分方便地實施在線學習輔導、交流、學習后的作業安排、作業提交、課程考核和課程反饋等。另外，對課程講授人或負責人而言，可以通過網站點擊率或APP下載率、內容更新情況以及反饋意見等來考察機器學習“微課程”的教學情況，從而便于該課程的教學考核和教學改革。

四、機器學習“微課程”教學實踐結果分析

在機器學習“微課程”內容安排和實踐教學設計基礎上，作者于2019-2020學年第二學期在安徽××大學開展了相應的機器學習“微課程”教學實踐。教學實踐主要由網絡視頻教學、在線知識點任務布置與提交、小組討論、實際案例數據分析(在數據分析實驗室進行)和教學反饋這五個部分組成。參與機器學習“微課程”學習的是42名大三本科生。課程教學每周集中授課4次，每次6個知識點，每個課程結束后5分鐘左右進行總結交流，總體時間與之前該課程的課堂教學時間相當。課程考核是理論考試+上機實驗案例分析，分值各占50%，總分100分。

與機器學習“微課程”講授形成對照組的是2018-2019學年第二學期的該門課程教學實踐(當時尚未完成“微課程”建設)，授課人數為46名大三本科生，課程講授方式是課堂教學、實驗教學、作業任務、小組討論和教學反饋這五個方面。課程考核也是理論考試+上機實驗案例分析，分值各占50%，總分100分。

通過兩個學期機器學習課程的教學實踐，由學院組織的課程教學反饋結果獲知，2019-2020學年第二學期“微課程”教學的學生滿意率95.27%。2018-2019學年第二學期的課程教學學生滿意率為91.14%。相對而言，學生可能更喜歡形式略為分散的“微課程”教學。

從學生提交的作業情況來看，2019-2020學年第二學期“微課程”教學的周平均作業完成率為97.22%(部分學生推遲或漏交)。2018-2019學年第二學期的課程教學作業周平均完成率為95.15%。“微課程”教學的網絡作業提交(理論課作業以手寫后拍成圖片或word編輯的文檔形式上傳)，相對于之前課堂教學安排在實驗室上機提交實驗報告和理論課作業提交完成率更高。

從學生期末考試總成績來看，2018-2019學年第二學期(課堂教學)和2019-2020學年第二學期(“微課程”教學)的學生期末考試成績見下圖1所示。兩學期學生期末考試成績的描述統計分析見下表1。圖1和表1可以看出，2019-2020學年第二學期機器學習“微課程”教學的學生期末考試平均成績為84.9643，高于2018-2019學年第二學期課堂教學的期末考試成績平均分80.3732。

圖1 機器學習“微課程”教學與課堂教學期末考試成績

表1 傳統課堂教學與“微課程”教學模式下學生期末考試成績的描述統計

續表1

進一步考察兩種教學方式期末考試成績的數據離散情況和平均成績的代表性。其中，2018-2019學年第二學期課堂教學的標準差系數：=12.7561/80.3732=0.1587，2019-2020學年第二學期機器學習“微課程”教學的標準差系數：=8.8589/84.9643=0.1043，因此，機器學習“微課程”教學相對于傳統課堂教學的學生期末平均成績而言，其“微課程”平均成績的代表性更好，亦即在一定程度上我們有理由認為“微課程”教學成效優于傳統課堂教學。

從期末考試不及格率上來看，2018-2019學年第二學期(課堂教學)學生期末考試不及格率為4/46*100%=8.6957%，而2019-2020學年第二學期(“微課程”教學)學生期末考試不及格率為1/42*100%=2.381%，“微課程”教學不及格率低于傳統課堂教學。

從成績分布來看，2018-2019學年第二學期(課堂教學)學生期末考試90分及以上的人數有13人，占比28.26%；80-90分人數也是13人，占比28.26%。2019-2020學年第二學期(“微課程”教學)學生期末考試90分及以上的人數有12人，占比28.57%；80-90分人數是22人，占比52.38%。綜合而言，“微課程”教學80分及以上34人，占比80.95%，比例高于課堂教學80分及以上的56.52%(26人)。

進一步借助曼-惠特尼U檢驗(Mann-Whitney U test)來檢驗命題：傳統課堂教學模式的學生期末考試成績均值是否小于“微課程”教學模式的期末考試成績均值？

U檢驗假設為：H0：μ1|μ，H1：μ1<μ2。

其中，μ1表示傳統課堂教學模式的學生期末考試成績均值，μ2表示“微課程”教學模式的學生期末考試成績均值。

檢驗結果為：計算出傳統課堂教學模式的學生期末考試成績樣本數據等級和W1=1799.5，“微課程”教學模式的學生期末考試成績等級和為W2=2116.5，進一步計算出曼-惠特尼U檢驗統計量U1=46*42+46*(98+1)/2-1799.5=2409.5，U2=46*42+42*(42+1) /2-2116.5=718.5，選擇U1和U2中最小者與臨界值比較，在顯著性水平α=5%的情況下，U2的伴隨概率為0.038，小于顯著性水平，拒絕原假設H0，亦即傳統課堂教學模式的學生期末考試成績均值小于“微課程”教學模式的學生期末考試成績均值。

由上述數據分析可以看出，相對于傳統機器學習的課堂教學，“微課程”教學模式的學生滿意度較高，期末平均成績也更好(考試成績對應的數據離散程度更小)，不及格率較低(及格率更高)。此外，通過曼-惠特尼U檢驗來看，傳統課堂教學模式下學生期末考試成績均值小于“微課程”教學模式的學生期末考試成績均值。總而言之，從兩個學期機器學習課程教學結果的數據對比分析來看，“微課程”教學模式相對教學成效更高。

五、結語

機器學習作為當前人工智能、大數據分析等領域的核心技術之一，其系統的課程教學為該課程技術方法的傳播和實踐應用奠定了重要基礎。[9]課程教學取得良好成效的關鍵在于明確的課程教學定位和構建相應科學合理的教學模式。通過機器學習課程教學，應能夠使學生依據所學機器學習的基本原理和模型方法來分析、解決實際應用問題，同時培養學生自主探索新方法、新技術的學習能力，亦即培養學生具備一定理論問題研究和探索的潛質。[4]

在明確機器學習課程教學定位和課程特點分析基礎上，本文嘗試從當前機器學習課程教學中存在的現實問題出發，借助“微課程”在興趣引導、教學方式多樣和傳播反饋靈活等方面的教學優勢，進一步從內容設計、教學實施和實踐教學結果分析等方面，對機器學習“微課程”教學模式和教學實踐進行了系統的分析研究。研究結果表明，通過兩學期教學實踐比較，機器學習“微課程”教學模式在學生課程學習滿意度和教學成效等方面都有更為突出的表現。當然，我們也不可否認，單純一兩個學期的成績可能存在很大的偶然性因素影響，且“微課程”教學模式與傳統課堂教學模式對最終成績以及與人才培養質量等方面的影響機理還需要進一步深入探討，以及機器學習“微課程”教學的普適性也均有待于進一步的分析研究。