新工科背景下人工神经网络课程教学改革

新工科背景下人工神经网络课程教学改革0引言随着ABC（人工智能（AI）、大数据（BigData）、云计算（Cloud））等新兴技术的不断发展与融合，新科技革命对当前高校的工程教育提出了新的要求[1-2]。新经济快速发展迫切需要新型工科人才支撑,需要高校面向未来布局新工科建设,探索更加多样化和个性化的人才培养模式,培养具有创新创业能力和跨界整合能力的工程科技人才[3]。在这一背景下，大数据、人工智能等新一代信息技术成为探索新工科建设的新方向和新领域[4-5]。作为人工智能领域一门基础性、工具性的课程，人工神经网络自然得到了学术界，尤其是工业界的极大重视，课程逐渐从研究生课程引入到本科教学课堂，并成为各大高校人工智能与计算机相关学科人才培养体系的重要组成部分。人工神经网络是人工智能以及计算机专业的基础课程，作为出现比较早的技术，人工神经网络课程及其相关的教材已经出现10余年，但大多数教材与课程只讲解经典的多层感知器和反向传播算法，忽略了人工智能领域的最新发展——深度学习[6]。近年来，人工神经网络尤其是深度神经网络作为一种基础性工具，在计算机视觉、自然语言处理、语音处理等研究领域具有广泛的应用[7]，取得了举世瞩目的成就，并已成为这些领域的主流技术。受此影响，人工神经网络课程的教学内容，也逐渐引入一些最新的模型与方法，并且深度神经网络教材也逐渐增多[8]。本课程所使用的教材主要聚焦于人工神经网络的基础知识，包括经典机器学习基础算法（如感知机、逻辑回归、Softmax回归等）、多种主要的神经网络模型（如前馈神经网络、卷积神经网络、循环神经网络等）、相应的经典网络框架与相关的网络优化与正则化方法，还包括当前最新的研究热点，例如神经网络中的注意力机制及序列生成模型等。然而，因为人工神经网络课程理论性较强、知识体系庞杂、知识点较前沿，导致在教学过程中存在一些问题。1人工神经网络教学面临的问题1.1课程内容前沿，知识碎片化人工神经网络课程主要教授目前最前沿的知识，因为课程较新、知识碎片化严重，导致课程内各知识点孤立、课程与其他关联课程之间知识孤立，间接造成学习碎片化，学生缺乏对知识的全面认知，以及综合运用知识的能力。具体来说，与人工智能乃至计算机科学中的其他分支学科相比，深度人工神经网络还非常年轻、很不成熟。以IanGoodfellow的经典教科书[9]为例，很难看到基础学科（如数学、物理等）教科书中那种贯穿始终的体系，会让人感到人工神经网络课程不过是不同方法和技术的堆砌。1.2学生数据思维不足计算机专业的学生因为前期的基础课侧重于编程语言的学习、基础算法的实现，养成了良好的编程思维，但也导致了学生重编程、轻理论，形成思维定势。人工神经网络是一门理论与实践并重的课程，算法理论的理解、推导是后续实践的基础，理论理解需要用到很多数学基础知识，并且面向的数据类型更复杂（如高维向量、矩阵、高阶张量、集合等），需要具有一定的数据思维，大部分学生很难快速实现思维方式的转变。1.3学生被动参与，互动不足虽然人工神经网络课程是专业基础课，教师在课堂讲授中也使用问题导入、提问、课后作业等方式，但学生在学习过程中更容易有倦怠感，学习被动、积极性不足。需要创新互动模式，引导学生自主学习和思考。此外，很多学生对课程了解不足，很少去思考自己为什么要学习、到底要学什么，更有部分学生认为学校学习的知识在以后很少能用到，或者认为该课程不属于考研课程，存在抗拒心理。1.4课堂学时短，教学过程难以全面展开本课程共开设一学期，每周3学时（理论2学时+实验上机1学时），共16周，总共48学时。由于课程内容较广泛，每周3学时难以较为系统、全面、深刻的讲授所有内容。课程目前选用《神经网络与深度学习》[8]，共三大部分15个章节。面对如此大量的教学内容，授课教师大多只能对课程的主要内容进行讲授（选择了其中的8个章节），且无法通过大量的实验让学生较为深入地掌握相应知识。1.5评价方式单一，重结果轻过程“平时成绩+期末成绩”的评估方法不能真正体现学生的学习效果，一学期仅有一次考核，会导致反馈不及时，教师对学生学习状况掌握不足，无法根据反馈结果第一时间改进教学，需要进行学生学习效果评价改革。2线上线下BOPPPS混合式任务驱动教学改革线上线下BOPPPS混合式任务驱动教学改革新模式是指综合利用线上线下教学资源，对教学内容进行创新与重构，进而实现以任务驱动为纽带，关联不同章节激发学生兴趣，并在授课过程中引入BOPPPS教学模型，进一步提高学生主动思考、主动学习的兴趣与意愿，最后借助过程性考核，充分把握学生的学习进度与效果，并据此调整教学方案。2.1教学内容创新与重构对于知识碎片化问题：①对教学内容进行重构，即以经典机器学习任务流程（如图1所示）贯通全文，并将该流程分为数据预处理、特征学习、预测器（分类器、回归器等）学习3个部分，将本课程所有章节对应到该流程中（如第3章讲授的基础模型（逻辑回归，Softmax回归等）主要对应于预测器部分，是后续神经网络模型的基础；第4、5、6章讲授的各种神经网络模型（包括全连接前馈神经网络、卷积神经网络、循环神经网络等）属于端到端学习，包括流程中的所有部分）；②对于同一种流程下的不同模型，则以任务驱动为纽带，以不同任务引出不同章节（即不同子任务）中的方法，以任务之间的进阶连续性，关联不同模型，并基于此对比不同模型之间的区别与联系（如图2清晰地展示了全连接前馈神经网络（FNN）、卷积神经网络（CNN）、循环神经网络（RNN）3种相似模型之间的主要区别与联系）。通过上述过程，学生了解课程内各知识点的作用，以及彼此之间的关系，增加学生对知识的全面认知，以及综合运用知识的能力。此外，前述提到的任务驱动有两层含义，一层是通过任务关联不同模型，另一层则是通过设置实践任务提升学生的学习兴趣，做到实践驱动理论知识学习，理论知识为课程实践提供了实验方法和技术路线的指导。针对学生数据思维不足的问题，教师在开篇第1章会进行详细的推导，引导学生思维方式的转变，让学生了解所用数据的来源，以及与以往课程之间的关系，让学生知其然知其所以然。之后，在每种新模型讲解之前，都会简短回顾该过程，加深印象。2.2线上线下BOPPPS混合教学针对学生被动参与、互动不足这一问题，主要使用BOPPPS教学模型进行改进，按照“引导、探究、分析、评价、创新”的主线，教师通过问题、任务进行引导，课堂讲授多用问句，让学生不断思考和发现，深度参与课堂教学，主动学习。BOPPPS核心教学思路如下：导入部分，采用图片、视频等提升学生的学习兴趣，并引出问题；目标部分，明确告知学生每节课的教学目标；前测部分，采用主题讨论、开放回答、设计问卷等方式，了解学生的整体掌握情况，并据此调整教授的内容与深度；参与式学习部分，以学生为中心，采取师生、生生互动的方式进行，如讨论、演示、问答等，并巧妙结合学习通或雨课堂等工具进行；后侧部分，采用知识点测试、问答等方式展开；课堂总结部分，布置延伸思考、提前预习等作业。此外，针对学生对课程了解不足，不知道自己为什么要学习、到底要学什么，以及认为该课程不属于考研课程不需要认真学习这一问题，教师将在第一节课内容中，将课程内容和社会发展进行全面的讲解。讲解的主要内容包括：①课程对于学生未来找工作的作用；②课程对学生未来研究生期间学习的重要作用；③人工神经网络目前的热门应用；④人工神经网络在我国最新发布的国家战略规划中的作用，以及人工神经网络的国际地位和发展方向。例如，针对学生最关心的找工作问题，教师专门搜索相关资料，列出一些热门的招聘需求，并重点标出该需求与课程的关系，帮助学生了解人工神经网络的应用及其社会地位，使学生能够对这门课的未来有了更明晰的理解，指明了努力的方向。针对课堂学时短、教学过程难以全面展开这一问题，依托学习通等在线精品课建设平台推进线上线下混合教学模式，呈现课前、课中、课后过程，实现教学互动趣味化、学情反馈精准化以及考试测试无纸化。课前，对于基础性、不太重要的内容，提前一周以上把学生学习需要的资料上传到学习通等教学平台，并明确教学内容和要求。学生在线上平台自主完成学习，教师在学习通发送选择题或问卷等进行前测。课中，在线下基于前测内容进行相应的教学设计，对于其中的难点进行重点讲授。课后，学生在线上平台对所学内容进行复习、测评、反思。2.3教学评价方法改革针对传统课程评价方式单一、评价重结果轻过程导致无法全面评价学生学习效果的问题，改革教学评价方法，由传统的“平时成绩+期末成绩”的评估方法变更为“过程性考核+终结性考核”。具体来说，课程考核由过程性考核和终结性考核组成，过程性考核包括课堂表现、作业、实验和分段考核；终结性考核为考试。两者的比例为：过程性考核占60%，终结性考核占40%。过程性考核主要由3部分构成：作业成绩（10%），主要考核课堂知识点的理解和掌握程度，主要形式是作业和随堂测验；实验成绩（20%），主要考核学生对神经网络模型的掌握情况，主要形式是实验报告、程序检查（含调试）和实验结果检查；3次分段考核（30%），主要考核学生阶段性对神经网络相关技术的掌握情况，以及在神经网络程序设计方面的实践能力，采用阶段考核实验的方式进行考核。终结性考核采用考试的方式，主要考核学生对神经网络基本概念、不同网络结构的基本算法思想以及网络应用的学习情况，方式为书面闭卷考试。3实验教学设计任务驱动教学是本课程体系设计的一大特色。人工神经网络是一门理论与实践并重的学科，从课程学时设置就可以看出实验教学的重要性。优秀的实验设计不但可以提高学生掌握知识的程度，还可以调动学生学习的积极性。此外，通过实践教学，也可以一定程度上克服知识碎片化问题，增加学生对知识的全面认知，提高综合运用知识的能力。本课程具体的实验设计内容见表1，课程一共安排4个大课题，每个大课题包含3子课题项目，3个子课题之间是层层递进、难度递增的关系。这样可以保证绝大部分学生可以比较轻松完成子课题-1；在教师帮助提醒下，大部分学生可以完成子课题-2；子课题-3作为学有余力学生的挑战目标。通过这种阶梯式设置，可以有效提高学生参与实验任务的积极性，增加充实感和满足感。4课程改革效果分析为验证本课程改革的效果，对计算机专业本科生近3年的考核成绩进行统计分析，其中前2年课程教学没有进行改革，第3年全面进行了本论文提到的各项改革。第1年成绩在90以上的学生占比为7.79%，成绩在80—89之间的学生占比为44.68%，在60—79的占比为41.56%，60以下占比为5.97%；第2年成绩在90以上的学生占比为12%，成绩在80—89之间的学生占比为43.67%，在60—79的占比为38%，60以下占比为6.33%；第3年，即实行课程改革后成绩在90以上的学生占比为30.56%，成绩在80—89的学生占比为51%，在60—79的占比为18.44%（见表2）。近几年的统计数据表明，各项教学改革方案确实可以提升学生的学业成绩，也意味着各项改革更能适应当今形势下的高校教育。通过实行教学改革，学生不仅可以更好地掌握神经网络相关的基本理论知识，而且具备了更强的实践动手能力。5结语线上线下BOPPPS混合式任务驱动教学方法通过对教学内容的重构、梳理，使学生能够将各部分知识串联起来，形成整体概念。任务驱动不仅可以提升学生的学习兴趣，而且有效解决了知识碎片化和学生数据思维不足的问题。通过BOPPPS+任务驱动教学法，学生的课上抬头率明显提升，师生互动更频繁。3次阶段性考核结果反映，该教学方法可以较好地实现教学目标，学生满意度较高。实验结果证明学生对知识的掌握力度以及全面认识能力明显提升，具备了综合运用所学知识解决实际问题的能力。此外，通过采用线上线下混合式教学，不仅解决了课堂学时短、教学过程难以全面展开的问题，而且可以对不同层次的学生因材施教，提供优质课程。最后，通过引入过程化考核，教师对学生学习状况有了更全面的掌握，可以根据反馈结果第一时间进行了教学改进，提升了整体教学效果。参考文献：[1]孙锐,谢红.地方普通院校文本挖掘课程的教学实施和探索[J].计算机教育,2021(10):170-178.[2]余波.基于成果导向的“机器学习”课程教学改革[J].工业和信息化教育,2022(8):5.[3]吴爱华,侯永峰,杨秋波,等.加快发展和建设新工科主动适应和引领新经济[J].高等工程教育研究,2017(1):9.[4]陈龙,张伟,赵英良,等.新工科背景下大学计算机人工智能实验案例设计[J].计算机教育,2022(3):29-33.[5