高 山，蒋玉英，张玉宏，侯惠芳，樊 超

（河南工业大学人工智能与大数据学院，河南 郑州 450001）

0 引言

在当今人工智能浪潮的推动下，越来越多的高校成立了相关领域的新学院，开展专业建设和人才培养的工作，与人工智能相关的学科也已成为非常热门的专业选择之一[1]。面对如此高热度和高关注度的本科专业，如何创新性地开展针对不同层次人才的培养和教学工作，已经成为高等教育相关学科专业建设工作中的重要环节[2]。

机器学习课程是人工智能学科培养中的一门专业必修课，在整个培养计划中占有非常重要的地位，既需要先期开设相关基础课作为支撑，又对高年级阶段开设的专业领域分支课程和实践环节培养起到很好的铺垫和入门作用[3]。此外，该门课程的主要教学目标是理解和掌握机器学习领域各经典模型的原理和应用，构建和培养面向人工智能产业的整体概念和实践能力[4]。与此同时，该门课程对于学生的基础知识和学习能力要求较高，如何综合师资能力培养和授课群体的不同需求，构建个性化的学习路径，是提高人工智能专业教学模式改革的迫切需求和关键问题。

1 传统教学模式中存在的主要问题和成因分析

1.1 师资群体能力培养工作需要持续开展

承担该专升本人工智能相关课程的授课老师，均长期从事相关专业本科生的教学工作，积累了比较丰富的本科培养和教学经验。授课教师在培养方案制定、教材选择、教学方法研讨等方面做了很多前期准备工作，但面对该学生群体教学工作的特点和问题，依然需要进一步提升对授课群体个性化教学需求的认识，加强整体师资队伍建设，其面临的困难和挑战主要表现在以下几方面：

（1）该授课群体在课堂表现和互动、学习能力、知识吸收和转化能力、实践动手能力、反馈与沟通方式等方面均与本科生的课堂教学存在一定差异。教师们对以上问题的理解、认识和消化能力还存在一定差异，容易受其负面因素的影响，导致课堂教学互动效果欠佳、教学进度推进缓慢等问题发生，多门课程教学问题的积累和叠加，还会进一步影响整体专业的教学目标实施和培养效果。

（2）该专业学生对于个性化学习方面的需求比较突出，容易出现师生相互促进力减弱、个别学生出现学习断层现象、教与学环节衔接不畅等问题发生，从而会进一步影响师资的教学积极性和教学创新能力培养。因此，如何长期不断地积累教学经验，及时丰富和调整教学方法和手段，促进教学研讨和经验交流成果的课堂转化，这些都是目前迫切需要解决的问题。

（3）承担该专业课程建设和教学任务的师资队伍中，虽然整体教师的学历层次很高，但青年教师（年龄小于等于35岁）占比很高，新老教师传帮带环节在专业知识迭代、教学能力培养和传承方面还需要长期建设。因此，如何均衡地提高师资的整体知识水平和教学水平，培养和锻炼一支能够针对性解决专业教学问题的高素养师资队伍，是当前迫切需要关注的主要问题。

1.2 授课群体的整体专业基础背景差异性较大

我校该专升本专业的学生生源均来自河南省内多所培养院校，专科教育阶段的专业方向较分散，其培养模式和课程体系差异较大，已有的专业知识基础比较薄弱，学生整体的专业素养能力和实践能力偏弱。但与此同时，学生们的学习热情高，求知欲旺盛，学习目的性和针对性较强，对于新知识的渴望程度较高。正是由于其基础储备和学习目标之间存在的巨大鸿沟，对整个专业教学过程均提出了很多困难和挑战。

针对该专业2022级的学生进行了毕业院校和专业背景调查，该专业总计有148名学生，参与本次调查的学生人数为144名，具体统计结果和特点分析如下：

（1）如图1所示，在参加本次统计调查的144名学生中，仅有22人来自河南工业大学，占比仅为15%，而占比为85%的共计122名学生，专科毕业院校来自河南省内的其他多所大专培养院校。绝大多数的学生因其毕业院校不同，专科阶段的培养体系和知识基础差异较大。这种复杂的毕业院校背景，不利于其本科阶段的统一培养和课程学习，尤其对于需要具有扎实知识基础储备的专业课程教学来讲，所衍生的问题会更加突出。

图1 专科毕业院校统计

（2）如图2和表1所示，在参加本次统计调查的144名学生中，可以将其专科阶段的所学专业划分为计算机应用相关、软件技术相关、网络安全相关、数字媒体相关、移动技术相关、电子信息相关和物联网技术等7个方向。占比最高的2个专业分别为计算机应用相关和软件技术相关，所占比例分别为27%和26%，即：总计有超过50%的77名学生毕业于这两个专业，其余的67名学生则分别毕业于网络安全相关、数字媒体相关、移动技术相关和电子信息相关等共计5个不同的专业，占比分别为13%、13%、11%、6%和4%。该统计数据进一步表明，该专业授课群体的专业技术背景和方向差异较大。这种复杂且分散的专业基础背景，导致学生的整体知识基础分布不均，对于开展本科阶段的课程教学（包括：教学内容安排、教材选择、教学方法、学习能力培养和考核方式等）带来了很大的困难和挑战。

图2 专科阶段专业背景统计

表1 专科所学专业汇总统计表

1.3 传统教学模式下的教与学之间的匹配度不协调

在积极制定、调整和优化培养计划的基础上，传统授课模式下的教与学之间，仍然需要在课程衔接、课程研讨和教学模式等方面进行持续性的改进和提高，存在的问题主要表现在以下几方面：

（1）多门基础课程和专业课程衔接比较紧密，不同课程学习之间的过渡期较短，对于基础相对比较薄弱的学生来讲，学习的压力比较大。以机器学习课程为例，该课程需要Python编程、概率论与统计、线性代数等其他先修基础课程的支持。如果个别学生对于其相关基础知识的掌握存在欠缺，在缺乏相关数学理论知识以及编程能力支撑的基础上，对于机器学习课程的理解和学习会产生很多不利影响，导致学习积极性和主动性减弱、学习效果差异大、学习断层现象等问题。

（2）部分课程教学采用的是线上教学方式，教学模式过于单一，教学效果在个体上的表现差异巨大。此外，对于基础相对比较薄弱的授课群体来讲，即便是尝试采用翻转课堂等方式，其实施效果也不尽如人意，学生们的知识接受方式过于被动，其主观能动性和学习积极性不高，这一问题在机器学习课程上的表现尤其突出。

（3）传统教学活动中虽然可以方式采用师生座谈会、教师研讨会、课后辅导、线上互动等方式，对于顺利开展教学活动有很好的促进作用，但沟通反馈渠道相对单一，缺乏灵活性和及时性，不能随时根据课程的进展和衔接进行师生反馈和调整。这些问题不利于从总体上对该专业所有课程的教学安排和学习方式实施有利的指导，也不利于提高整体的师资教学水平。

2 基于“混合式个性化学习路径”的教学改革策略和实施

针对师资能力提升、授课群体个性化学习需求以及传统授课模式中存在的各种问题和挑战，结合机器学习课程的知识特点和教学特点，分别从如何提升师资教学水平、学习路径构建与优化、完善教学模式三方面提出了针对性的改革策略和实施方法。

2.1 师资能力培养

首先，针对教师们对专业课程讲授和学生培养过程中存在问题的认识、理解和解决能力个人差异大的现状，可以根据培养方案和课程知识体系的衔接程度组建不同的教研小组，组内的教师之间可以通过听课、研讨、集体备课、教学反馈、师生交流等方式加强共性问题的沟通和解决，提高组内每一位教师对问题的认知理解水平和解决问题的能力，将传统课堂的一对多的教学模式转变为多对多的方式，集体设计切实有效的课堂互动活动，从而保证整体专业教学的实施进度和教学效果。对于机器学习等专业课程的讲授，尤其需要与课程前后保持衔接的其他相关课程的授课教师建立教研小组，一方面保证学生们在基础知识积累—现阶段学习—未来课程准备等几方面的完美契合和支撑，另一方面也有利于教师分析和预测未来教学过程中可能遇到的难题，进行集中研讨和解决。

其次，针对师资队伍中年轻教师占比过高的问题，一方面可以鼓励年轻教师参与各种教学能力提升培训和各级教学比赛，锻炼和提升教学能力和水平。另一方面，院系内部每个学期，针对该学期的课程培养特点和要求，可以开展一系列的优秀教师教学经验分享会和主题讲座。其次，按课程组制定教学研讨计划，每个课程组内新老教师之间建立多个一对一的传帮带小分队，在提升老教师知识体系更新速度的同时，还可以将成熟的教学经验手把手地传授给年轻教师，互帮互学，互促互进。每个学期末开展一次经验总结会，总结经验教训，改进教学方法，提高问题解决能力，提升师资整体素养水平。

2.2 混合式个性化学习路径的构建与优化

针对该授课群体专业背景复杂且分散的特点以及整体知识基础分布不均的问题，通过构建基于混合式个性化学习路径的教学模式，帮助学生们成功跨越基础知识储备和学习目标之间存在的巨大鸿沟。

首先，面对基础相对薄弱而专业课整体难度较大的现状，其传统的授课方式不能针对学习个体的差异性开展分层教学，而学生对于该热门专业的学习期待值又普遍偏高。因此，有针对性地设计和构建具备该学科特点和课程特色的学习路径，帮助学生们结合自身的学习能力、动手能力、基础背景，多角度、多方位、全方面、个性化的开展该学科课程的学习。同时，借助和结合线上、线下教学的优势，以“混合式的个性化学习路径”带动该专业的整体学习水平，可以培养学生的终身学习能力，发现和体会学习之美，提升专业自信和学习自信。

以机器学习课程为例，该课程的主要学习目标包括：（1）通过本课程的教学，掌握机器学习的基本问题定义、基本模型，对机器学习学科有概览性的认识。（2）掌握目前主流的机器学习算法和模型，并能够根据实际问题的需要选择并实现相应的算法。（3）能够编程完成机器学习典型应用实例[5]。该课程的学习一方面需要高等数学、线性代数、概率论等大量的数学理论知识的支撑，另一方面还需要具有一定的编程能力。这两方面的要求对于该专业的学生来讲，均存在不同程度的缺失和不足。

鉴于以上现状，针对性地设计了适用于该课程教学的“混合式个性化学习路径”，如图3所示。该学习路径根据课程的知识构成和学习特点，分别设计了3条典型的个性化学习路径，这三条学习路径之间既可以重叠，也可以独立运行，还可以相互交叉。路径1的学习特点是，借助机器学习模型的直观表达+代码实现，达到课程的学习目标，该学习路径学习难度比较小，适合于基础比较薄弱和对专业课抽象理解能力较差的学生使用。路径2是该门课程最常规使用的一种学习方式，相关机器学习模型的理解和学习是透过数学知识推导、算法优化方法以及代码实现三个阶段来完成的，这三个阶段之间相互衔接和支撑。这条学习路径也是本科生教学中使用最成熟的一种教学方式，它是建立在学生们对该课程相关知识熟练掌握的基础上，对于学生的基础知识、专业理解力和编程水平的综合能力要求较高。路径3比较适合于前沿机器学习模型的学习或者研究生阶段的学习，在已掌握机器学期相关基础知识的基础上，进行更高阶段的学习和提高，适用于培养学生的自学能力和创新能力。

图3 混合式的个性化学习路径

以上3种学习路径分别涵盖了低、中、高三种学习难度和学习方式，可以分别针对不同基础和个人能力的学生开展个性化的教学。学生们可以根据个人知识的掌握理解情况灵活的使用某一种学习路径，也可以在不同的学习阶段尝试不同的学习路径，或者针对不同的课程知识综合使用多种学习路径来多角度、全方位的理解所学知识。该种混合式的个性化学习路径使用范围广泛，由易到难，角度灵活，适用于不同的课程教学模式（如：线上教学、线下教学、翻转课堂、分组教学、菁英班教学等），也适用于具有不同教学经验的老师来使用，在使用过程中可以根据学生们的知识掌握情况和学习进度随时进行调整和优化。总之，无论使用哪一种学习路径或者多种学习路径的组合优化，最终都可以达到课程的培养目标，对于保证整体教学进度和教学效果，都能起到了很好的推动和促进作用。

2.3 完善教学模式

针对如机器学习这类难度相对比较大的专业课，对于基础相对比较薄弱的学生来讲，调动其线上线下课堂学习的积极性和主动性是首先需要解决的问题[6]。其次，将线上线下课堂的特点相结合，不断丰富线上教学资源，归纳和总结其他支撑课程的学习资料供学生参考，设置灵活多样的线上线下互动环节（如：分组讨论、问卷调查、随堂小测验等），丰富和加强过程性评价的方式和方法。对于个别学习困难的学生可以开展个性化教学和辅导，同时在班级中建立一对一的帮扶学习小组，消除学习的各种不利因素。最后，要畅通师生之间的沟通渠道和途径，建立和完善课前课后的反馈机制，以教促学，以学促改，不断总结成功经验和典型案例，使得学生和教师之间互相促进、共同进步。因此，不断改革教学模式和方法，丰富课程资源，畅通沟通渠道，完善考核机制，对该专业的整体教学进行系统性的创新和改进，以满足相应的专业培养目标，不断提升教学质量和教学效果。

3 结语

针对专升本人工智能专业课程教学中存在的主要问题，基于“混合式个性化学习路径”的教学模式，分别从师资群体能力培养、授课群体学习路径构建和教学模式创新三个方面，提出了针对性的解决方法和切实可行的实施措施。一方面，可以在教育信息化日新月异的新时代背景下，提高教学质量，促进教与学的和谐发展；另一方面，在提高师资水平和教学能力的基础上，注重学生的自学能力和创新能力的培养，使其能够满足人工之智能新时代对于复合型人才的需求。