夏茂森 江玲玲

(1.安徽财经大学统计与应用数学学院；2.安徽财经大学会计学院，安徽 蚌埠 233030)

一、引言

随着大数据理论研究与领域应用的不断深入发展，在统计学、数据科学和大数据技术以及人工智能等诸多学科专业，一门新兴的专业核心课程——机器学习，逐渐成为了备受人们瞩目的焦点。简言之，机器学习是借助计算机技术，实现模拟人类思维进行学习并获取新信息，以及重新组织已有知识结构使其不断完善的技术方法，是未来人工智能发展的关键基石，也是计算机和网络技术发展的关键应用领域。[1]

从课程角度而言，机器学习是一门具有高度综合性特质的专业课程，该课程涉及到多个领域的交叉学科，包括概率论、统计学和计算机科学，以及矩阵理论和算法理论等。在课程讲授过程中，课程理论性讲解、实验教学和实践应用的要求都很高。[2]因此，在课程教学中往往存在着诸多问题，现有文献研究也多有指出，如课程教学存在理念落后、理论教学枯燥冗长、实验实践教学开展流于形式，以及课后学习管控失位等问题。[3,4]因此，如何激发学生对该课程的学习兴趣，扎实掌握该门课程的理论基础和实践应用能力，是当前机器学习课程教学需要考虑的首要任务。[5]

在网络技术快速发展的今天，微课程(简称“微课”)教学作为一种新型教学形式，日益引起了人们广泛地关注。微课主要借助网络和视频为主要载体，突出围绕某些重要的学科重难点内容展开简练且相对完整的知识点传授。微课程通常表现为问题聚焦，主题突出，较为适合激发学生兴趣和集中精力进行针对性学习。在微课程中一个课程往往就是一个主题，课程时长通常控制在5-10分钟，短时间的主题教学，既有课程教学的新鲜感，集中学习注意力，又避免了学生因课程讲授冗长而产生的疲倦感。另外，微课程还具有成果简化集中，传播形式多样的特点。由于授课内容相对较为简练且时间短，课程容量也相对较小，微课程可以方便地通过网络视频、手机视频或微博论坛视频等形式进行微课堂教学，形式灵活多样，可以集中学习，也可以充分利用学生的休息、休闲等零散时间来进行碎片化反复学习。此外，在网络课堂或网络视频中还可以较为容易的实现教学反馈，只需要在网络视频下方设置反馈输出设计即可，如在网页上增加反馈意见的文本框等，供观看视频者进行及时地意见反馈，便于课程教学改进和教学成效的提升。

简言之，随着网络时代和人工智能的不断发展，机器学习课程的教学和学习日益重要。[6]然而，由于课程自身多学科交叉，以及知识范畴和实践应用等方面的要求相对较高和课程教学方式手段相对落后等多方面原因，使得现实中机器学习课程难以取得令人满意的教学成效，学生学习积极性和兴趣难以激发等，课程教学问题频频。[7]对此，机器学习的微课程设计为解决这些现实教学问题提供了一个重要的途径和优秀方案。凭借微课程在主题聚焦、兴趣激发、传播灵活和碎片化学习等方面的独特优势，可以较好地解决当前机器学习课程教学中冗长枯燥、兴趣激发不足和教学方式手段落后陈旧等现实问题，有助于推进机器学习课程教学改革和良好教学成效的取得。

二、机器学习“微课程”内容设计关键要点

机器学习是一门综合性较强的专业课程，专业课程的学习离不开学习动机的激发。著名教育心理学家加涅提出，有效的学习必须要有充分的学习动机。[8]通过对课程资源广泛收集整理和创新拓展，进一步凝练出主题突出、内容简练、启发性较强、传播和学习方式也较为灵活的微课程，进而系统构建和实践探索机器学习的“微课程”教学模式，可以进一步激发学生对该门课程的强烈学习动机，使其自动投入更多的时间，以更大的努力来学习这门课程。因此，在进行机器学习“微课程”内容设计时，应注重高屋建瓴、总体把握的设计思路，其中，需要注意的关键要点主要包括以下三个方面：

1.前期课程关键知识点的微课程设计。通常在机器学习课程开设之前，需要学生系统学习过一些重要的前期基础课程，如概率论、统计学、算法设计等。为了防止学生在前期课程知识点学习方面存在遗忘或没有系统学习过等情况出现，有必要在课程讲授之前对相关前期知识点进行简要而凝练地讲授，如在概率论和数理统计方面突出讲授条件概率、贝努利方程、正态分布、二元分布、联合分布、一元(多元)线性回归等等这些关键知识点，言简意赅地突出知识点的基本概念、理论公式和现实应用，为学生知识点回顾和系统进行机器学习的课程学习奠定坚实基础。

2.机器学习“微课程”的主体内容设计。这是机器学习“微课程”的关键环节，需要条理清晰、逐层推进地将课程理论与实践应用知识点系统展现和讲授。对此，需要注意以下三个要点：

一是微课程内容设计需要做到“点”“面”结合。由于微课程自身在教学内容方面要求短小精炼，因此容易导致知识点松散而不系统，易形成学习者聚焦于一个个小的“知识点”而忽略了各个知识点联结后的“面”，这也是微课程设计过程中一个需要突破解决的关键问题。对此，需要通过课程内容的顶层设计来解决，微课程设计通常是在课程教学大纲和教学方案以及其他相关教学准备(如数据资料等)基础上进行的。那么，以网页视频来说，可以将整个课程按照内容的章、节和目来划分，在最后的每个目下包括相应的知识点。在网页表现形式上可以通过树状图来实现。学习者点击章节目和相应的知识点来进行系统学习，在兼顾“知识点”聚焦学习的同时也让学习者清晰的了解各个知识点的隶属范围和知识点间的联结关系，充分意识到学习各个知识点所隶属的“面”，系统形成课程知识点的联结图谱。另外，每个目中的相关知识点还可通过视频等形式在教学时串联讲解，详细或强调说明各“点”间的联系。如此一来可以兼顾“点”“面”，使得课程教学更为紧凑而不松散，在网页设计的可行性方面也是十分容易实现的。

二是课程知识点的拆解。机器学习“微课程”是由一个个相对较为独立的主题课程系统构成的整体，而传统与课程相对应的教材或教学大纲、教学方案等也没有将该课程分解成一个个既具独立性又有相对完整性的知识点。对此，就需要课程讲授者根据自身对课程内容的熟练掌握来进行恰当地分解和设计了。以课程分类预测的一个模型——决策树教学为例来说，该模型分解后的知识点主要涉及到决策树基本概念(树的概念和几何理解等)、决策树分类、决策树算法概述1——决策树的生长、决策树的算法概述2——决策树的剪枝、C5.0的算法介绍1——信息熵和信息增益、C5.0的算法介绍2——生长算法(实例讲解)、C5.0的算法介绍3——剪枝算法(实例讲解)、C5.0决策树的应用举例1——结果解读(推理规则集)、C5.0决策树的应用举例2——损失矩阵、C5.0决策树的应用举例2——N折交叉验证、C5.0决策树的应用举例3——其他(如Bagging技术、Boosting技术等)。逐步的由浅入深，将决策树模型的算法理论、公式表达、关键参数设置以及应用实践等进行系统分解和讲授。与此同理，课程其他章节的知识点拆解也是如此，既要控制内容设计有亮点、有主题，也要控制内容不宜太多，避免讲解时间过长或讲授不透彻的问题出现。

三是课程内容设计应注重启发性。在前述课程“点”“面”结合的连贯性和知识点拆解的可行性、科学性设计同时，还应该注意课程内容设计的启发性。如果说课程体系设计与知识点拆解是微课程设计的基础或初级阶段。那么，课程内容的启发性设计则是微课程设计的高级阶段。课程的启发性设计可以通过经典案例、知识点迁移和诱导性思考等方式来实现。以决策树模型中损失矩阵的经典案例来说，通常有病毒检测的成本矩阵设置、信用卡欺诈分析的成本矩阵设置等这些经典案例，既有故事性又直击主题，可以帮助学习者清晰的理解某分类对应的成本设置情况。另外，知识点迁移在传统课堂教学中亦多有所用，“微课程”教学中可以直接采用“拿来主义”，将课堂知识点迁移教学内容、方法或技巧等直接融入“微课程”教学中。对此，不仅能让学习者提升学习系统性，也能让学习者产生启发式联想。对于课程教学中的诱导性思考设计，可以通过教学过程中的讲授语言、图片、声音等多种设计形式来诱导和启发学习者进行相应的思考，引导他们加深对知识点的理解和运用能力。

3.课程内容设计的更新机制。机器学习课程教学的兴起时间相对不长，理论体系和课程内容也还没有形成完全地统一，课程内容讲授往往受前沿理论研究的影响较大，其“微课程”内容设计也往往需要根据前沿理论研究来不断推陈出新。这虽然给课程建设带来不小的压力，但也为推进该课程建设提供了关键动力。对此，一方面需要课程设计者不断把握机器学习领域研究的前沿动向，并及时进行进一步的内容分解和设计。另一方面要求“微课程”载体——网站或视频APP等形式的不断更新。从形式上而言，可能网站视频的更新形式更容易实现，通过增减或修改原先内容设计体系或原视频即可。

三、机器学习“微课程”的教学实践设计

在机器学习“微课程”内容设计基础上，对“微课程”进行教学实践。在教学实践中，基本形式可能主要包括以下几个方面：

第一，教学实践的基本“组件”。“微课程”通常不是完全孤立存在的，往往和学习讨论以及课后练习等紧密联系，亦即在教学模块“组件”构成上表现出“微课程讲授+课下讨论+课后任务练习”等相结合的形式。

第二，教学实践内容。最常见的形式是“概念讲解+理论剖析+案例演示”。教学所涵盖的内容与课堂教学和课程教材等相一致。具体内容设计基于课程讲授人的知识点分解和整体设计。

第三，在课程实践载体上，基于多媒体或网络技术，可以方便实现。如通过网络视频、手机网页浏览或APP等载体实现。

第四，课程时间控制。通常一个知识点或主题的讲解时长为5-10分钟，要求该知识点讲解简练、相对完整且富有启发性。在每个“微课程”教学结束后，可组织进行简短的交流讨论(一般5-10分钟)。通过交流讨论(包括诱导性问题提出)，一是可以快速加深学习者对刚刚学习内容的理解和拓展性思考。二是及时收集课程教学的反馈意见。三是为学习者进入下一个主题学习构建缓冲期。

第五，讲授演示形式。形式上有多种多样，完全可以依据讲授者的聪明才智进行理性发挥，如借助PPT、短小视屏、图片等形式，通过声音、文字、图形或色彩等表现手法来进行多种方式的课程内容讲授演示。

第六，教学软件。机器学习课程常常涉及到算法演示或案例分析等内容教学。对此，可以借助办公软件、机器学习或数据挖掘软件，以及大数据分析平台等进行教学实践。例如可借助Python、R等编程软件来开展课程算法演示或程序实现，也可借助IBM SPSS Modeler和Rapidminer等可视化软件来进行快速有效的实践案例演示、数据分析流程与结果解读等。其中，IBM SPSS Modeler软件的应用相对较为简便且基础模型也较为齐全，十分合适于本科生机器学习课程的教学演示和应用案例分析。另外，该软件可以与R语言等软件实现程序嵌入，以实现模型的程序拓展，满足教学需求。

第七，教学考核与教学改革。通过机器学习“微课程”的教学实践，对该课程的绩效考核和教学改革方面，在形式和成效上都有较大裨益。一是对学习者而言，可以十分方便地实施在线学习辅导、交流、学习后的作业安排、作业提交、课程考核和课程反馈等。另外，对课程讲授人或负责人而言，可以通过网站点击率或APP下载率、内容更新情况以及反馈意见等来考察机器学习“微课程”的教学情况，从而便于该课程的教学考核和教学改革。

四、机器学习“微课程”教学实践结果分析

在机器学习“微课程”内容安排和实践教学设计基础上，作者于2019-2020学年第二学期在安徽××大学开展了相应的机器学习“微课程”教学实践。教学实践主要由网络视频教学、在线知识点任务布置与提交、小组讨论、实际案例数据分析(在数据分析实验室进行)和教学反馈这五个部分组成。参与机器学习“微课程”学习的是42名大三本科生。课程教学每周集中授课4次，每次6个知识点，每个课程结束后5分钟左右进行总结交流，总体时间与之前该课程的课堂教学时间相当。课程考核是理论考试+上机实验案例分析，分值各占50%，总分100分。

与机器学习“微课程”讲授形成对照组的是2018-2019学年第二学期的该门课程教学实践(当时尚未完成“微课程”建设)，授课人数为46名大三本科生，课程讲授方式是课堂教学、实验教学、作业任务、小组讨论和教学反馈这五个方面。课程考核也是理论考试+上机实验案例分析，分值各占50%，总分100分。

通过两个学期机器学习课程的教学实践，由学院组织的课程教学反馈结果获知，2019-2020学年第二学期“微课程”教学的学生满意率95.27%。2018-2019学年第二学期的课程教学学生满意率为91.14%。相对而言，学生可能更喜欢形式略为分散的“微课程”教学。

从学生提交的作业情况来看，2019-2020学年第二学期“微课程”教学的周平均作业完成率为97.22%(部分学生推迟或漏交)。2018-2019学年第二学期的课程教学作业周平均完成率为95.15%。“微课程”教学的网络作业提交(理论课作业以手写后拍成图片或word编辑的文档形式上传)，相对于之前课堂教学安排在实验室上机提交实验报告和理论课作业提交完成率更高。

从学生期末考试总成绩来看，2018-2019学年第二学期(课堂教学)和2019-2020学年第二学期(“微课程”教学)的学生期末考试成绩见下图1所示。两学期学生期末考试成绩的描述统计分析见下表1。图1和表1可以看出，2019-2020学年第二学期机器学习“微课程”教学的学生期末考试平均成绩为84.9643，高于2018-2019学年第二学期课堂教学的期末考试成绩平均分80.3732。

图1 机器学习“微课程”教学与课堂教学期末考试成绩

表1 传统课堂教学与“微课程”教学模式下学生期末考试成绩的描述统计

续表1

进一步考察两种教学方式期末考试成绩的数据离散情况和平均成绩的代表性。其中，2018-2019学年第二学期课堂教学的标准差系数：=12.7561/80.3732=0.1587，2019-2020学年第二学期机器学习“微课程”教学的标准差系数：=8.8589/84.9643=0.1043，因此，机器学习“微课程”教学相对于传统课堂教学的学生期末平均成绩而言，其“微课程”平均成绩的代表性更好，亦即在一定程度上我们有理由认为“微课程”教学成效优于传统课堂教学。

从期末考试不及格率上来看，2018-2019学年第二学期(课堂教学)学生期末考试不及格率为4/46*100%=8.6957%，而2019-2020学年第二学期(“微课程”教学)学生期末考试不及格率为1/42*100%=2.381%，“微课程”教学不及格率低于传统课堂教学。

从成绩分布来看，2018-2019学年第二学期(课堂教学)学生期末考试90分及以上的人数有13人，占比28.26%；80-90分人数也是13人，占比28.26%。2019-2020学年第二学期(“微课程”教学)学生期末考试90分及以上的人数有12人，占比28.57%；80-90分人数是22人，占比52.38%。综合而言，“微课程”教学80分及以上34人，占比80.95%，比例高于课堂教学80分及以上的56.52%(26人)。

进一步借助曼-惠特尼U检验(Mann-Whitney U test)来检验命题：传统课堂教学模式的学生期末考试成绩均值是否小于“微课程”教学模式的期末考试成绩均值？

U检验假设为：H0：μ1|μ，H1：μ1<μ2。

其中，μ1表示传统课堂教学模式的学生期末考试成绩均值，μ2表示“微课程”教学模式的学生期末考试成绩均值。

检验结果为：计算出传统课堂教学模式的学生期末考试成绩样本数据等级和W1=1799.5，“微课程”教学模式的学生期末考试成绩等级和为W2=2116.5，进一步计算出曼-惠特尼U检验统计量U1=46*42+46*(98+1)/2-1799.5=2409.5，U2=46*42+42*(42+1) /2-2116.5=718.5，选择U1和U2中最小者与临界值比较，在显著性水平α=5%的情况下，U2的伴随概率为0.038，小于显著性水平，拒绝原假设H0，亦即传统课堂教学模式的学生期末考试成绩均值小于“微课程”教学模式的学生期末考试成绩均值。

由上述数据分析可以看出，相对于传统机器学习的课堂教学，“微课程”教学模式的学生满意度较高，期末平均成绩也更好(考试成绩对应的数据离散程度更小)，不及格率较低(及格率更高)。此外，通过曼-惠特尼U检验来看，传统课堂教学模式下学生期末考试成绩均值小于“微课程”教学模式的学生期末考试成绩均值。总而言之，从两个学期机器学习课程教学结果的数据对比分析来看，“微课程”教学模式相对教学成效更高。

五、结语

机器学习作为当前人工智能、大数据分析等领域的核心技术之一，其系统的课程教学为该课程技术方法的传播和实践应用奠定了重要基础。[9]课程教学取得良好成效的关键在于明确的课程教学定位和构建相应科学合理的教学模式。通过机器学习课程教学，应能够使学生依据所学机器学习的基本原理和模型方法来分析、解决实际应用问题，同时培养学生自主探索新方法、新技术的学习能力，亦即培养学生具备一定理论问题研究和探索的潜质。[4]

在明确机器学习课程教学定位和课程特点分析基础上，本文尝试从当前机器学习课程教学中存在的现实问题出发，借助“微课程”在兴趣引导、教学方式多样和传播反馈灵活等方面的教学优势，进一步从内容设计、教学实施和实践教学结果分析等方面，对机器学习“微课程”教学模式和教学实践进行了系统的分析研究。研究结果表明，通过两学期教学实践比较，机器学习“微课程”教学模式在学生课程学习满意度和教学成效等方面都有更为突出的表现。当然，我们也不可否认，单纯一两个学期的成绩可能存在很大的偶然性因素影响，且“微课程”教学模式与传统课堂教学模式对最终成绩以及与人才培养质量等方面的影响机理还需要进一步深入探讨，以及机器学习“微课程”教学的普适性也均有待于进一步的分析研究。