刘国利　何啟健

摘 要：随着人工智能的快速发展，模式识别课程成为电子信息类专业的一门专业核心课。基于模式识别课程多学科知识融合、算法复杂抽象等特点，针对高职院校应用型人才培养目标，本文总结模式识别课程传统教学中存在的问题，以柳州铁道职业技术学院为例，從教学内容、教学方法和课程评价体系等方面进行了改革，取得了较好的教学效果，以满足高职院校不同知识背景，不同需求的学生，使其在人工智能领域发挥最大作用。

关键词：模式识别 教学改革 应用型人才

1 引言

近年来，随着人工智能的快速发展，社会各行各业对人工智能技术和人才的需求不断增长。2017年7月8日，国务院印发《新一代人工智能发展规划》的通知，明确规定人工智能的三步走措施，将人工智能发展提升到国家战略层面。2020年教育部新增高职院校人工智能专业，促进了人工智能应用型人才的加速培养。

在该背景下，模式识别作为人工智能的一个重要研究方向，也有了强劲的生存和发展空间。模式识别主要解决人工智能的感知问题，在图像识别、语音识别、无人驾驶、心跳异位搏动识别等行业领域有广泛应用。

本文以高职院校应用型人才培养目标为切入点，以模式识别课程的实践教学为基础，分析高职院校该课程教学现状及存在的问题，调整教学内容，优化教学方法，激发学生的学习兴趣，培养学生的动手操作能力，提升学生的专业技能。

2 模式识别课程传统教学中存在的问题

2.1 教学内容老旧

在网络搜索已出版的模式识别教材，发现适用于高职院校应用型的教材较少，教学内容多是当下已经非常成熟的技术方法，如聚类分析、线性/非线性判别分析，模糊模式识别等，缺少对新技术、新方法的引入，如语音识别、图像分类。因此，教师在教学过程中必须引入当下最新的模式识别技术成果，以适应时代发展的最新趋势。

2.2 重理论，轻实践

传统模式识别课程理论教学内容的时长在整个授课进度计划中的占比较大，“PPT+讲解”占多数，忽略了实践教学内容的重要性，与高职院校应用型人才培养目标不符，导致学生对课程的学习兴趣大幅降低，未帮助学生掌握相对应的职业技能。

2.3 被动式教学

传统教学方法下，知识是由教师“灌输”给学生的，学生只是被动的接受。这种以“教师”为中心的课堂最终取得的教学效果微乎其微。不管何种教育，学生都是是教育的主体，也是教育的主人。因此，课堂教学要顺应时代发展的潮流，实现从“以教师为中心”到“以学生为中心”的转变，为学生提供更为合理、舒适的教育环境。

2.4 单一的评价体系

闭卷考试+平时作业成绩是大多数课程选择的考核方式，在教学过程中发现，这种单一的课程评价体系虽然可以考核学生是否已掌握主要知识，但无法适用于不同基础层次的高职学生，学生无较大的学习动力与积极性。因此，优化课程评价体系，在其中加入学生的课堂表现、动手操作能力、创新能力，能够有效提高教学效果。

3 模式识别课程教学改革思路

因此在模式识别课程中采取如下思路进行改革：①研究课程教学内容，保留经典知识内容，引入前沿科技；②丰富教学方法与手段，提高教学效果；③注重学生创新、操作能力的提升。

通过以上教学改革思路，使得模式识别课程的教学紧跟人工智能行业的发展需求，让学生的职业素养与企业要求相匹配，最终实现综合能力的提升。

4 模式识别课程教学改革具体措施

4.1 教学内容改革

1）调整“基础性”与“前沿性”知识比例，紧跟科技发展热点。

传统模式识别课程在教学内容上普遍以已经成熟的原理和方法为主，缺少对新技术、新方法的引入。特别对于“00后”来说，网络、科技更新已经是非常普遍的事情。因此在教学过程中调整了教学内容，将6类“前沿性”知识以项目实例的方式引入在教学内容中，扩大以应用为主导的教学内容在整个课程体系中的占比，让学生能够加深对新技术、新知识的理解。6类“前沿性”内容分别是：①文字识别；②语音识别；③图像识别；④时间序列预测；⑤人脸识别；⑥生物特征识别。

例如，在讲授卷积神经网络模块时，从学生身边的实例—校园人脸识别门禁入手，淡化学生对卷积神经网络的陌生感，使新知识、新技术变为学生身边的“常态”，促进知识的理解与掌握。

部分新技术在现有教材中尚未出现，解决方法是引入国际前沿论文与网络讲座，通过课前将资料提供给学生，课中一起讨论研究，课后进行总结归纳的方式，让学生感受模式识别的“国际范”，培养学生的创新能力，提高学生学习态度与竞争意识。

2）优化实践环节，适当提高体验式实验比例。

通过调研，发现修读模式识别课程学生的基础、需求各不相同，增加了教学难度。因此在实践教学环节过程中，选择尽量贴近实际应用需求与可操作性的实验内容，避免学生出现“不懂、不会”的挫败感。在课程初期，降低实验难度，简化代码难度，通过体验式实验，让学生感受模式识别的魅力，降低学生对模式识别课程的排斥和畏难情绪。课程后期逐渐增加实验难度，在教师提供代码的基础上，基于工作任务完成个性化操作。

如在语音识别实验环节中，教师以手机中的语音助手“小爱，给我来首歌”为例，发布语音转文字实验任务，提供网络实验平台，学生只需按照任务要求录制一段语音，使其能够在语音转文字实验平台成功转为文字。将这种体验式实验放在教学前期，能够大幅降低学生对新知识的陌生与排斥感，从而达到有效教学的目的。

3）融入思政元素，培养学生的工匠精神。

目前模式识别等人工智能类课程主要以程序设计、开发等应用型方向为人才培养目标，时间久了会让学生产生枯燥感，丧失学习动力。因此，教师在讲授专业知识的基础上，通过情景导入、故事引入、主体结合、内容融合、教师总结、学生感想等方法，将课程思政融入到日常教学中。例如，在模式识别开学第一课中，首先展示国务院关于印发新一代人工智能发展规划的通知，分析人工智能人才需求缺口很大，供给不足的现状，学生有了“被需要”的感觉，对知识的获得需求会大幅提升。在聚类算法中，通过“人以群分、物以类聚”、“近朱者赤近墨者黑”等经典哲学道理，在教会学生知识的同时，也教导“以诚为本，以信为天”的道理。

将课程思政元素贯穿到课程的各个内容、环节中，在智慧职教平台展现经典思政案例，避免了学生对学习内容的厌倦，让学生感受到积极向上的育人元素。引导学生的学习态度、职业道德、社会主义核心价值观等向好的方向不断发展，最终做到既育人又育智的核心目标。

4.2 教学方法改革

1）项目教学法与任务驱动式教学法相结合。

改变传统按照章节顺序进行教学的方式，转变为师生共同完成多个具有企业实际应用的项目，项目的操作时间，按照其难易程度，可在4-24课时内完成。每个项目又细化为多个任务，每个任务一般1-2课时内便可完成。具体实施过程中，按照下列教学阶段实施项目教学法：

确定项目完成目标→制定项目计划→实施计划→学生自查结果→师生共同讨论→优秀作品展示。

其中，实施计划阶段可按照项目任务进一步划分为下列环节：

① 任务情境展示：展示实际工作任务，让学生的学习能够“声临其境”。

② 确定任务目标：在实际任务情境下，让学生带着目标去解决实际问题。

③ 小组协作完成：通过小组之间的讨论、交流，对问题进行解决和不断完善。

④ 效果评价：让学生展示不同思路的解决方案、及在操作中遇到问题、分析问题的过程，加深学生对所学知识的掌握，促进学生逻辑思维能力和职业技能的提升。

例如，表1为模式识别课程中的“项目三：图像检测：我知道现在有多少人”的项目模块与子任务设计。

2）趣味性/实例性教学设计。

学生是教育的主体，也是教育的主人。對于高职学生而言，超过十分钟的纯理论知识讲授会相对枯燥，特别对于模式识别课程中数学知识较多的，学生更容易出现注意力下降、瞌睡打盹等现象。故在教学过程中要充分调动学生的听觉、视觉，通过幽默的语言、形象生动的比喻等趣味性教学设计，如通过“直观实例介绍-知识转化”攻克重难点知识，在轻松的课堂氛围中完成学习知识的目标。

例如，在搭建卷积神经网络实现手写数字识别这一教学任务中，需要结合卷积神经网络去训练大量手写数字图像的样本，这一过程较为抽象，在教学中结合Anaconda编程环境进行实例性教学。首先在Anaconda编程环境下向学生展示教师本人手写数字图像的识别结果，提升学生的学习与操作兴趣。接着收集学生“0-9”的手写图像，在训练好的卷积神经网络中进行测试，对比实验结果，激起学生的学习热情与竞争心态，提高学习效果。

再如，在讲授模糊模式识别这一方法时，单纯的算法原理、公式推导极其枯燥，因此加入形象生动的趣味性教学设计，加深学生对算法的理解。具体操作为：

① 以著名的问题之一-秃头悖论为切入点，让学生对问题（如何用精确数学方法判断“秃头”）展开讨论与思考：

出现两种情况：

a. 承认精确方法：判定为不秃。可得出结论：有n根头发的是秃头，有n+1根头发的不是秃头。

b. 承认生活常识：认为仅一根头发之差不会改变秃与不秃的结果，即有n+1根头发者也应是秃头。那么采用传统的逻辑推理，会得到命题：头发为n根者为秃头，头发为n+1根者为秃头，头发为n+2根者为秃头，……头发为n+k根者为秃头。最终结论是头发很多者为秃头/没有头发者不是秃头。

② 天气预报中的模式识别引入：

什么叫阴？晴？万里无云便是晴天？云多到什么程度就是多云、阴天？

通过以上两个趣味性教学环节，让学生明确有些事物可以依据某种精确的标准对它们进行界线明确的认识，而有些事物根本无法找出精确的分类标准，例如 “秃头悖论”中的头发根数的界线n，实际是不存在的。从而让学生从形象、生动的实例描述中加深对知识点的理解与掌握。

此外，在学生完成项目/任务的过程中，教师主要任务是要引导学生积极思考，在学生不能顺利完成当前任务时，教师可以采取不同的方式进行干预，如让学生核查是否完全理解当前任务，是否漏掉实验步骤，向学生演示任务的操作步骤、解决思路等，以鼓励学生继续完成任务。

4.3 丰富课程评价体系

1）丰富学生考核体系，提高学生学习质量。

闭卷考试是大多数课程选择的考核方式，在教学过程中发现，这种单一的课程评价体系无法应用于不同基础层次的高职学生。因此，采用学习过程考核（60%）+学习结果考核（40%）的方式评定学生最终成绩。其中，学习过程考核包括课堂表现10%+实验操作30%+作业完成情况20%，学习结果考核为课程期末考试。

其中，由于学生的知识背景不同，故将实验环节划分为个人实验和小组实验进行。在个人实验环节以体验式实验为主，重点考核该生对实验任务的理解程度，实验所用方法及实验结果。在小组实验环节，对学生组内协作情况、每位小组成员对小组实验的贡献度进行考核。

教学实践表明，注重学生在学习该门课程的过程表现，可以最大程度发挥该学生的个人综合能力。通过这种多元化的课程评价体系，极大促进了学生对模式识别课程的学习兴趣和主动学习的积极性。

2）引入学生评教体系，促进教师教学改进。

除了教师考核学生以外，我们加入了学生对教师的教学评价。每周教学内容结束后，学生从课程内容、教学方法、教师态度等方面对教师进行评价，督促教师不断改进。例如：教学内容是否合适，教学节奏是否适当；课堂是否对学生有吸引力，不枯燥；通过学习是否能够锻炼学生的综合能力；学生评教真正是将“以学生为中心”落到实处的措施，在改变传统教学理念的同时，让教师和学生能够共同督促、共同成长，最终达到教学改革的最佳效果。

5 小结

随着人工智能的快速发展，模式识别在各个领域都得到了广泛的应用，如图像识别、无人驾驶、机器人、面都识别等。本文针对模式识别课程在高职院校教学过程中出现的问题，从教学内容、教学方法及课程评价体系等角度入手，提出了一系列改革措施，并将其应用到教学过程中不断改进。通过实践表明，调整教学内容和教学方法后，学生对该课程的积极性有了显著提升，同时，“考学生、评教师”的模式让学生和教师能够相互促进、相互成就。之后，教师将在此改革措施上进一步优化和完善适用于高职学生的教学内容和教学方法，提高教学效果，激起学生的学习兴趣，培养“爱国、敬业、诚信、友善”的高素质、高技能人才，为学生的升学、就业打下坚实的基础。

基金项目：2021 年度柳州铁道职业技术学院校级教改项目“以人工智能背景为导向的模式识别课程的教学与改革”（项目编号：2021-JGC03）；2022 年度柳州铁道职业技术学院教改项目“混合式教学模式下的《铁路调车工作》课程数字化资源建设”（2022-JGB01）；2022 年度柳州铁道职业技术学院课程思政示范课项目（2022-KCSZ18）：《铁路调车工作》。

参考文献：

[1]国务院关于印发新一代人工智能发展规划的通知[J].中华人民共和国国务院公报，2017，No.1597（22）：7-21.

[2]蒋小玲，周新云.人工智能背景下的高职公共英语教学改革与实践研究[J].湖北开放职业学院学报，2023，36（02）：186-188.

[3]王晗，施佺.面向创新思维能力培养的“模式识别”教学改革[J].教育教学论坛，2021，No.545（46）：77-80.

[4]王月梅.高职生源多元化计算机课程教学改革研究[J].现代职业教育，2022，No.301（23）：28-30.

[5]何强.以计算机实践能力培养为目标的大学计算机课程教学改革研究[J].电脑知识与技术，2021，17（18）：119-120+125.DOI：10.14004/j.cnki.ckt.2021.1686.