人工智能背景下機器學習課程教學改革路徑探索

關鍵詞：人工智能；機器學習；教學改革；教學實踐；人才培養

中圖分類號：TP391 文獻標識碼：A

文章編號：1009-3044（2024）26-0121-04開放科學（資源服務）標識碼（OSID） ：

0 引言

為了推動人工智能行業的進步，黨的二十大報告明確指出，把人工智能作為推進戰略性新興產業融合集群發展的驅動力，促進智能技術的創新，并且積極推動區域經濟社會數字化、智能化的轉型刻不容緩。可以看出，國家層面一直在關心人工智能領域的發展，并且出臺了相應政策來推動其進步，期望人工智能為各行各業乃至各個領域的發展提供助力[1]。機器學習課程作為人工智能的核心課程，也是使計算機擁有智能的主要路徑[2]。大量中國高等教育機構已經增設了機器學習課程，使其成為計算機和人工智能相關專業的重要專業課程。機器學習實際上是對一、二年級課程知識的整合運用，同時也是后續課程的根基，因此它扮演著橋接上下課程的角色。在人工智能背景下如何通過機器學習課程來輔助學生適應各種前沿技術，提升他們的實踐技能和解決問題的能力，并成為具有國際競爭力的專業人才，是人工智能領域人才培養的一個主要問題。值得關注的是，機器學習是一門涉及高等數學、線性代數、概率論、運籌學、統計學、信息論、編程技術等多學科的交叉課程[3]。因此，對學習者的專業基礎知識要求較高。在有限的課時內讓學生更好地掌握這些知識就成了一個挑戰，探索人工智能背景下新的機器學習教學和實踐模式顯得尤為重要。

1 傳統機器學習課程教學現狀

隨著人工智能領域的飛速發展，機器學習作為其核心技術之一，已經成為眾多高校計算機和人工智能專業的重要課程。機器學習課程的教學質量直接關系到學生的綜合能力培養以及對未來科技發展的貢獻[4]。然而在當前的教學實踐中，機器學習課程仍然面臨諸多挑戰，亟須進行教學改革探索。以下是當前機器學習課程教學中存在的幾個主要問題。

1.1 教學內容偏重理論推導

機器學習是一門多學科交叉的課程，具有理論性強、知識點眾多、概念抽象，難以理解等特點。傳統的機器學習課程，主要以數學模型的概念講解和公式推導為主，要求學生具有較高的專業基礎知識。例如，決策樹模型的主要理論基礎是信息論。在構建決策樹的過程中，要基于一定的劃分標準，如信息增益和基尼指數，來選擇最優特征和劃分點，這就需要深刻理解信息熵、條件熵、基尼系數等信息論基礎知識；多元線性回歸需借助于線性代數中的矩陣和向量來表示輸入變量和參數，并利用微積分求解最小化損失函數（如平方損失函數）。而平方損失函數的最小化過程其實就是一個最優化問題，通過求取損失函數的梯度，并將其設為零來得到解。對于那些數學基礎欠佳的學生，入門機器學習課程較為困難。盡管機器學習課程通常會在開始的1～2周，由教師講解涉及的相關數學知識，以建立模型推導的基礎，但由于數學基礎知識的教授和模型本身是分離的，隨著課程的推進，時間跨度變長，學生極易出現遺忘問題。盡管教師投入大量時間進行知識點推導，但學生學習效果依然不如預期，甚至可能產生對學習的厭倦和挫敗感。傳統的機器學習課程內容過于單調且枯燥，缺少推薦閱讀材料、歷史文獻、開源資源、研究論文和案例分析，來進一步拓展學生的知識邊界[5]。學生無法感受到機器學習對實際生活的影響以及學習機器學習的重要性。

1.2 教學課程安排不合理

機器學習課程是一門將理論知識和實際操作緊密結合的計算機科學課程，綜合性、實踐性較強。課程旨在讓學生掌握多種機器學習算法，并且能夠利用學到的知識解決現實世界的問題。然而，南京林業大學為本科生開設的機器學習課程，總共32課時，其中僅有8課時是實踐教學，只占到了總課時的四分之一。實踐教學的嚴重不足導致學生很難有充足的時間去熟練掌握操作技能，進而影響了他們積累實際操作經驗和提升動手解決問題的能力。總的來說，在實踐教學方面，學生的主動性和潛能往往沒有得到充分發揮，導致教學成果并不理想，未能達到預期的教學目標，教學內容也與學生將來的職業需求相脫節。此外，在實踐環節，往往是由教師提供實驗數據集，主要使用如sklearn中的鳶尾花分類、波士頓房價預測等經典數據集，這與學生的專業背景和實際生活相距甚遠。同時，教師指導學生使用特定的Python機器學習庫函數，學生只需按照規定流程逐步操作即可，這種方式可能會限制學生創新思維的發展。當面對現實問題時，學生往往不知如何著手，難以提出創新性的解決方案。

1.3 教材內容過于陳舊

機器學習領域正以非常快的速度發展，涌現出眾多新理論、新技術和新應用[6]。例如，深度學習技術，如卷積神經網絡、長短期記憶網絡、對抗生成網絡等已被廣泛應用于人臉識別、異常檢測、自然語言處理、推薦系統等多個領域。這些模型與傳統的機器學習模型相比，在精確度和穩定性等方面表現出顯著的優勢。然而，教材的更新并不能及時跟上人工智能技術的快速發展，結果是教材內容變得落后，無法反映最新的研究進展和技術發展趨勢。此外，教師通常會依據教材來出考試題，考試內容往往圍繞線性回歸模型、決策樹、反向傳播神經網絡、支持向量機等傳統模型，導致學生為了追求更高的考試成績而將大量時間投在這些傳統模型的基本概念復習和公式推導上，從而忽略了機器學習前沿技術的學習。學生對這些尖端技術的敏感度降低，抑制了他們自主學習的熱情，不利于培養學生的持續學習能力[7]。

1.4 課程考核評價不科學

傳統的機器學習課程考核評價方式主要集中于評估學生在期末考試中對關鍵知識點的掌握情況。課程的總成績是由期末考試（70%的比重）和平時表現（30%的比重）構成，其中平時表現主要包括學生的出勤情況和實驗報告。這種評估方法存在很多問題：學生盡管出席了課堂，但可能在忙于刷手機、閱讀課外書籍等與課程無關的活動，未能真正參與教學中；實驗報告中存在相互抄襲、敷衍了事的情況，難以真正實現分析和解決問題的目的；學生對日常學習不夠重視，傾向于期末臨時抱佛腳，這導致很多學生形成了考試前臨時突擊的學習習慣，不利于建立扎實的專業知識基礎。顯然，這種評價體系對學生的日常學習過程關注不足，且通過期末考試和實驗報告的成績無法全面反映學生的學習成果和實際掌握程度。基于此，迫切需要通過教學改革來設計和完善更加合理和有效的課程評估方式，確保評估結果與人才培養的目標相匹配，滿足高等教育培養工程實踐型人才的新要求。

2 機器學習課程教學改革措施

針對上述問題，南京林業大學對機器學習課程實施了一系列教學改革措施，以適應人工智能時代的人才培養需求，提出了包含多樣化的教育改革策略。主要內容涵蓋了理論教學、實踐教學、教材內容以及課程考核評價等方面。

2.1 調整理論教學內容，重理解輕推導

針對機器學習課程內容枯燥，偏重理論推導的問題，調整理論學習內容，凝練簡化，教師只需關注關鍵步驟，說明推導中所用到的知識點即可，可以使用算法流程圖的方式（例如圖1所示的決策樹模型的流程圖），幫助學生更好地理解如何使用機器學習模型解決實際問題。因為大多數高校給本科生開設機器課程，并不以學生掌握理論推導過程為目的，而是希望學生能夠理解機器學習算法的流程，能夠簡單應用即可。如果一味地強調推導過程，反而會損害學生的學習興趣，使學生在整個過程中受挫。此外，針對數學基礎較好，學有余力的學生，教師可以將理論推導部分放在課后的復習資料中，供需要的學生自學。這樣可以使不同基礎水平的學生能夠在力所能及的范圍內完成各自的學習任務和目標，提升學生的學習信心，避免出現由于知識點過于繁雜和抽象導致學生學習困難，進而產生厭學情緒的問題。同時，如表1，引入科學故事介紹機器學習的發展史、科學家的主要貢獻以及對學生的啟示等內容，豐富教學內容，讓學生從多個角度感受機器學習的魅力，體會機器學習技術發展對實際生活的影響。

2.2 項目驅動式實踐教學，競賽與日常教學相結合

針對實踐教學比重不足，且脫離現實生活的問題，將科研項目中的具體案例（如表2） 引入實踐教學中，激發學生參與科研項目的熱情[8]。具體來說，分階段對學生進行引導，將項目分為多個階段，每個階段擁有明確的目標和期限。例如，數據收集和預處理、模型構建、模型評估和優化等。為學生提供相關的學習資源，如教程、論文、開源代碼等，幫助他們解決項目中遇到的問題。定期組織項目評審會議，讓學生介紹自己的進展，接受教師和同學的反饋。鼓勵學生組隊完成項目，促進知識和技能的交流分享。通過這種項目驅動的實踐教學方式，學生能夠在完成有趣的項目的同時，深化對機器學習理論的理解，并且培養實際解決問題的能力。此外，以培養學生的綜合實踐能力為目標，鼓勵并指導學生積極參與相關科技創新大賽，如Kaggle 競賽、ACM 國際大學生程序設計競賽（ICPC） 、IEEE大學生“智能之星”競賽、中國大學生計算機設計大賽、“挑戰杯”全國大學生創業計劃競賽等，引導學生根據平時所學并結合比較感興趣的方向選擇參賽主題，確定比賽思路和方法，提升學生的專業技能，還能增強團隊合作能力、解決問題能力和創新能力。優秀的競賽成績也有助于學生在未來的學習和職業生涯中脫穎而出。

2.3 更新教學內容，完善課程體系

針對教材內容沒有與時俱進，難以體現機器學習最新成果的挑戰，教師在教學活動中應主動向學生展示該領域的最新發展，并根據當前社會對人工智能人才的需求，持續對學生的培養方式和教學方法進行更新與升級。教師需保持對機器學習最新進展的高度關注，經常性地查閱科研期刊、預印本網站、行業動態報告及博客等資料，獲取最新資訊和見解。這類資源有助于教師掌握機器學習的最新研究動向，并對教學內容做出相應補充（如表3） ，通過在線交流平臺分享國際領先的學術成果和新鮮動態，拓寬學生的知識面，提升他們的認知水平[9]。同時，建設一個更新的文獻庫，供有能力的學生進行額外的學習拓展。此外，教師還應利用近年來興起的網絡教學資源，利用MOOC等平臺提供的開放課程資源和在線課程，比如Coursera、edX上的機器學習與深度學習課程，向學生開放更多樣化的學習途徑。

2.4 綜合考核與評價學生學習過程和效果

面對課程評價方式過分強調最終成績而忽視學習過程的問題，采用更全面、立體的考核方法，以評價學生的實際操作能力、團隊協作能力和創新思維等[10]。具體而言，使用百分比評分制（如表4） ，包括平時成績（課堂出勤與表現、實驗報告、小組答辯）和期末考試分數。其中，課堂出勤與表現占10%，實驗報告占20%，小組答辯占20%，期末考試占50%。期末考試為閉卷形式，涵蓋機器學習的基本概念、算法原理及其計算過程等，題型包括選擇題、判斷題、簡答題和計算題等多樣化形式。平時成績增設了課堂表現和小組討論兩項，課堂表現不僅僅通過點名出勤來評估，教師會通過提出問題和討論點，觀察學生是否能主動思考并提出見解，據此評估學生的課堂表現。小組討論要求學生圍繞機器學習的最新技術，選擇不同的課題，進行資料搜索和相關實驗，以小組形式進行PPT展示，根據團隊的整體表現作為平時成績，旨在培養學生的信息檢索能力、實際操作能力和團隊合作能力。小組討論主要根據報告的準確性、研究深度、PPT制作質量、團隊合作、演講技巧及表達能力、創新性和原創性等方面進行評估。

3 結論

在人工智能技術迅猛發展的當代背景下，目前的機器學習課程教學難以適應社會對于創新型人才日益增長的需求。因此，本文分析了當前課程教學中存在的問題，并探討了機器學習課程的教學改革，提出了多項優化策略。這些策略包括：調整理論教學內容，重理解輕推導，引入課外知識，提升學生學習興趣；引入項目驅動的實踐教學方式，競賽與日常教學相結合；更新教學內容，完善課程體系；綜合考核與評價學生學習過程和效果。這些措施目的在于激勵學生主動學習，增強其創新意識和實際操作能力，提升解決實際問題的技能，從而提高教學的整體質量，并更好地滿足本科教育的需求。此外，這一系列的教改嘗試也有助于推廣到其他相關課程的教學中。