全文约5000字，阅读需要7分钟
来源丨计算机教育
介绍
机器学习作为人工智能的核心课程，近年来发展迅速。 特别是深度神经网络的兴起带动了计算机视觉的蓬勃发展，计算机视觉的广泛应用需求也推动了机器学习算法的不断升级[1]。 经过多年的交叉和融合，逐渐形成了以机器学习和计算机视觉为中心的课程群，如图1所示。该课程群涉及模式识别、优化方法、3D重建、视频编码等多个跨学科领域的课程。 、信号处理等。课程组具有以下特点：①知识面广，教学内容更新快； ② 理解难度大，实践过程长，学习路径多样； ③综合性高，教学内容紧密相关，交叉融合不断深化。 这些特点对学生的学习和掌握能力提出了很大的挑战。 学生需要花很长时间在多学科综合能力的基础上进行相应的学习和实践，并根据内容的不断变化进行持续学习。 综合实践。
机器学习课程综合实践教学近年来在人工智能专业课程体系中占据重要地位，其教学效果将直接影响学生动手能力和抽象逻辑思维能力的培养[2]。 目前，对于这类前沿课程群，综合实践教学模式十分匮乏。 综上所述，现有实践教学存在以下问题：①实践教学内容与前沿知识脱节； 学习路径单一，缺乏创新意识； ④绩效评价体系不合理。 这些问题导致当前机器学习课程群在实践教学中效果不佳。 如何提高综合实践教学效果是教师面临的重要问题[3-4]。
近年来，知识图谱作为知识的一种形式[5]，在智能问答[6]、语义搜索[7]、思维训练[8]、项目管理[9]、智慧教育等方面发挥着越来越重要的作用。 [10]等领域。 更重要的作用。 基于知识图谱的跨学科、跨领域的综合实践教学模式，可以通过能力导向、复杂问题驱动，将实践过程中涉及的知识与非结构化学习资源连接起来，构建语义关系网络，从而实现课程群的深度整合和资源优化，促进学生实践路径的多元化。
01
能力导向与问题驱动相结合的教学模式
1.1 以实践能力为导向的教学目标
机器学习课程群由机器学习、计算机视觉等课程组成，是人工智能的核心内容。 教学目标以近年来机器学习的进展为基础，结合计算机视觉领域的相关应用，通过开设综合实践课程，融入思政元素，培养学生运用机器学习的理论原理和专业知识。机器学习等相关课程知识，运用科学方法方法解决计算机视觉及相关领域的复杂工程问题。
1.2 复杂问题驱动的分层教学模式
如何培养学生在实际场景中解决机器学习领域的复杂问题，不仅是工程教育认证的要求，也是实践型人才培养的重点[11]。 在综合实践教学设计中，以实践能力为导向，结合教师科研项目，精选实践教学案例，以前沿复杂问题为驱动，细化和完善课程组知识图谱，布局实践教学内容，精准预设多种学习路径，让学生的实践过程多样化。 图2以计算机视觉复杂问题为例，描述了能力导向与问题驱动相结合的教学模式。
通过从复杂问题、组合问题、基础问题到知识点的层次分析，组织知识点和实践教学资源，构建知识地图，挖掘有效的学习路径，方便优质资源的获取和实践活动的设计。 以“场景理解”为指导，根据目标的特点，围绕目标检测和识别的任务，通过动手编程进行学习和探索。 通过问题解决方案的设计，引导学生从时间、空间和语义的角度主动体验知识发现和问题解决的过程。 过程。
02
基于知识图谱的多路径实践教学
2.1 实践教学知识图谱优化
知识图谱作为一种语义网络，可以用来构建实践教学体系。 它可以通过节点记录不同类型的实践知识点以及与知识点相关的教学资源，并可以通过节点关联描述知识点与教学资源之间的关系。 之间的相关性。 利用知识图谱构建实践教学体系具有以下优点。
（1）知识图谱可以将文本、图片、视频、课件等不同的非结构化数据进行组合，实现知识与资源的高效整合，便于资源构建、优化、知识引用和推荐。 通过知识图谱，可以有效整合这些离散的教学资源。 表1展示了知识图谱中的节点类型、属性和关系设计。
（2）知识图谱可以梳理知识脉络，提供不同层次的知识缩影。 以基础问题为主线，渗透相关知识点，重新整合。 为每个基本问题构建知识子图，利用隶属、包含、优先等操作对相关内容进行语义关联，整合基本问题涉及的知识和教学资源。 知识子图结构的大小和难度要适中，以利于学生理解。 多个知识子图构成了对应复杂问题的复杂知识图。
(3)知识图谱可以打通不同课程中同一知识点的含义，有效整合多门课程的知识点。 通常，多门密切相关的课程中存在一些含义相似或相同的知识点，其词汇描述差异较大，容易造成混淆； 同时，相同的词汇也可能对应不同的含义。 利用知识图谱，可以统一不同课程或不同章节中同一概念的表达，如“目标检测”和“物体检测”、“目标轮廓”和“形状边缘”等。
面向实践的知识子图可以简单分为三种类型：知识衔接、实践步骤、整体架构。 知识连接课的图谱将实践的各个环节按照理论知识的逻辑顺序连接起来，更适合理论知识掌握较好的学生。 实用分步图集，以实验的基本步骤为主线，一步步完成实验操作，更适合初学者。 整体结构类图如图3所示，主要以实践为框架，注重实验的共性和差异性，比较适合有一定基础的学生。 例如，在机器学习课程组中，不同的视觉任务有各自的特点和适用范围。 图像分割和目标检测都是计算机视觉的一部分。 基于机器学习框架，教学时可以通过知识图谱将这些分散的结构整合为一个整体，构建多任务前端云共享模型。 该模式由多个任务组成，每个结构模块又由其基础模块和应用模块组成。 实现时，机器学习的基本操作在课堂上完成，计算机视觉的应用和所有结构的整合在综合实践中完成，使课堂计算机和综合实践的内容相辅相成。
2.2 多路径实践教学
利用知识图谱提取不同的学习路径，鼓励学生做出个性化选择，激发学生的创新意识。 传统的实践课程大多以实践教程或指南为主，按照操作步骤一一完成相关知识点的实践内容。 这种方式可以称为串行模式，学生的学习路径单一。 这种单一的教学模式不利于学生的团队合作和个人发展。
知识图谱是一种复杂的网络结构，知识点的遍历方法并不唯一，学生可以有不同的学习路径[12]。 通过挖掘多样化的实践路径、丰富知识语义关联，鼓励学生积极探索自己的学习路径。 教师应加强对学生的指导和沟通，充分考虑学科基础、专业领域和实践能力，为学生制定多种差异化的学习路径，充分发挥学生自身优势，培养发散性、创新性思维。
通过知识图谱，预设知识考核点，实现练习过程的可视化、流程化考核。 在具体实施过程中，学生以节点为单位遍历图谱的知识网络，可以实时掌握学生的学习路径和进度，实现过程考核在综合实践的各个阶段和环节的科学运用，而不是采用有助于学生多样性的统一应用标准或目标。
基于知识图谱，本文提出多路径综合实践教学设计，如图4所示。课程组教师选取实际科研课题，将复杂的科研问题分解、简化为若干基本问题，并利用基本问题以问题为单元，结合多学科知识构建知识子图谱。 同时，融合思想政治元素和前沿话题，构建完整的知识图谱。 围绕问题难点和知识脉络，精心设置了多条实用路径供学生学习。 借助SPOC领域的资源、知识图谱工具、教学平台、QQ群等，充分调动学生学习的积极性和主动性，引导学生课前预习、阅读相关前沿文献，围绕实际内容开始思考和讨论。 课堂上，学生分组分析问题并利用练习平台解决问题。 课程组老师根据学生情况答疑解惑，解决学习差异和跨学科融合问题。 借助实践平台，学生可以跟踪实践进度和知识点考核情况，完成过程评价。 课后开展学习过程数据分析和结果评价，进行知识图谱的持续完善，延伸和推广实践内容，逐步提高学习和应用知识的能力。
03
实施方法及绩效评估
学生根据知识图谱给出的网络结构，找到适合自己的可行实践路径，完成相应的任务，掌握相关知识点，并根据每个知识点的分数完成过程考核。 由于复杂问题涉及内容较多，需要多个单位时间才能完成，这里我们仅以基本问题“目标检测”为例。 教学过程中的部分案例来自课程组承担的国家级科研项目，以知识图谱为线索，融合科研成果、思想政治要素和小组实践教学方法。 SPOC区域补充了相关知识点视频、讨论、问卷和测验。 利用该工具检测目标构建知识图谱，如图5所示，并集成相关课件、教案、视频、代码等。
（1）课前自习：教师向学生发布任务清单，包括学习内容、学习资源、课题组科研成果等，并发布知识图谱和基础题“目标检测”； 学生可以通过知识路径预习实验内容，回答问卷和基础问题，了解实验的具体内容，并引发思考或讨论。
（2）课堂赋能：教师根据网上收集的问答数据，分析一些实践环节的重难点，展示问题分解、应掌握的知识点、知识网络、需要通过知识图谱解决的问题； 介绍课程课题组在该领域的创新成果和创新理念，在谈论基于机器学习的目标检测时，介绍智能检测算法的前沿技术，引导学生体验我国人工智能技术的快速发展，了解人工智能技术在我国的快速发展。在学习过程中，学生可以结合自身特点，选择一定的学习路径，遍历相关知识点，完成实验要求。通过多路径的实践教学环节，培养学生的多层次学习能力。培养学科综合应用和实践能力。
（3）课后改进、持续改进：学生分组完成手机开发实践项目《基于区域选择算法的目标检测APP》，鼓励有足够精力的学生完成《基于区域选择算法的目标检测与识别》复杂的场景”。 通过后台数据处理功能，收集学生学习过程的实际记录数据，包括实验进度、在线学习时间分布、知识点完成时间、实验结果准确性等。教师可以根据学生的完成情况检查知识图谱设置是否合理、知识点考核是否符合教学目标，并进行持续改进。
综合实践课程不同于理论课程。 他们无法通过考试给出相对公平的结果。 而是需要从实践过程、任务完成质量、新颖性、编程水平等方面进行综合评价。 期末成绩的评价要注重考核的过程。 评价结果既能反映学生个人的能力和水平，又能反映团体的整体实践效果。 教师可以通过提问来判断程序的原创性和结构的合理性，同时结合任务的完成情况给出评价依据。 因此，期末成绩可以采取过程评价和结果评价相结合的方式，包括通常的问答评分、讨论参与、知识点考核、期末报告、方案演示和现场答辩等。
04
结语
基于知识图谱的机器学习课程群综合实践教学设计，可以为学生梳理实践知识，提供多路径实践方法，有助于培养和提高学生的动手能力、创新能力和团队合作能力。 通过以实践能力为导向的教学目标，结合课程组前沿科研项目，以复杂问题为驱动，整合相关知识点和实践资源，构建知识图谱，融合思政要素，挖掘学习内容路径，积极探索实践过程可视化和多元路径创新实践的新模式。
参考：
[1] 孙世良，刘岩，赵景旭。 本科、硕士、博士培养体系机器学习[M]． 北京：北京航空航天大学出版社，2021。
[2] 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。
[3] 林飞，马宏，龚晓军，等。 《综合程序设计实践》六要素融合实验教学改革探索[J]． 实验技术与管理, 2020, 37(1): 149-154.
[4] 贝尔 ME，金 MH，A，等。 STEM中的基于和的研究[J]. , 2019, 56(1): 3-23.
[5]王浩芬，齐桂林，陈华军。 知识图谱：方法、实践与应用[M]． 北京：电子工业出版社，2019。
[6] 王志跃，于庆，王楠，等。 基于知识图谱的智能问答综述[J]. 计算机工程与应用, 2020, 56(23): 1-11。
[7] 王猛，王敬亭，江银林，等。 基于人机混合的知识图谱主动搜索[J]. 计算机研究与发展，2020，57(12)：1-13。
[8] 范家荣，钟少春． 学科知识图谱研究：从知识学习到思维发展[J]． 视听教育研究, 2022, 43(1): 32-38.
[9] 张志南，张国阳，韩东，等。 基于知识图谱的项目式教学管理——以大学生创新实践项目为例[J]. 高等工程教育研究，2022（2）：58-62。
[10]徐斌，苏伟杰，刘洋。 基础教育知识图谱赋能智慧教育[J]. 人工智能，2019（3）：37-43。
[11]陈平，吴竹武． 关键词： 实践教学体系, 培养学生解决复杂工程问题的能力实验技术与管理, 2019, 36(6): 201-203.
[12] 高嘉琪，刘千慧，黄文斌。 基于知识图谱的学习路径自动生成研究[J]． 现代教育技术, 2021, 31(7): 88-96.
基金项目：教育部第二批新工科研究与实践项目（E-）。
作者简介：陈飞，男，福州大学副教授，机器学习与计算机视觉； 张春阳（通讯作者），男，福州大学副教授，研究方向为机器学习与计算机视觉。
《高校教学创新100人》是面向高校教师和师范生的知识媒体，聚焦教学创新、课程创新、终身学习、混合式学习、虚拟教研室等。我们致力于“让一些师生带头触摸教育的未来”！
注“标题+姓名”，加入读者交流群
联系我们：
