面向高校的人工智能通識教育課程實驗設計方案

一、前言

2018 年，教育部發布《高等學校人工智能創新行動計劃》，明確提出 “重視人工智能與計算機、控制、數學、統計學、物理學、生物學、心理學、社會學、法學等學科專業教育的交叉融合，探索‘人工智能 +X’的人才培養模式”。

過去，人工智能教育多集中於研究生階段，本科生接觸機會相對有限。2019 年，教育部批准 35 所高校增設 “人工智能” 本科專業，這標誌着人工智能正式納入本科教育體系。如今，人工智能課程大多是計算機類專業的核心課程，面向全校的通識教育課程仍處於起步階段。隨着 “四新” 建設的不斷推進，各學科專業亟需適應數字化、智能化發展的課程需求。政策導向顯示，高等教育應積極探索 “人工智能 +X” 人才培養模式，着力培養創新型、應用型、複合型人才，爲我國人工智能的發展提供有力支撐。

二、人工智能通識教育課程建設難點

人工智能通識教育課程建設對於培養學生的基本人工智能素養和創新能力具有關鍵作用。隨着人工智能技術的迅猛發展，社會對掌握相關知識和技能的人才需求不斷攀升。目前，國內高校的人工智能專業課程實驗設計主要聚焦於機器學習和深度學習算法的理論講解以及綜合實驗項目，然而，這些實驗的專業性較強，缺乏面向通識教育的優化設計，不利於學科交叉人才的培養。因此，人工智能通識教育課程建設的難點主要集中在實驗內容和實驗環境兩個方面。

一方面，學科交叉知識跨度和難度較大，且實驗案例相對匱乏。人工智能涵蓋了計算機、數學、心理學、哲學等多個學科領域，而國內通識教育課程建設仍處於起步階段，實驗案例體系設計不夠完善。現有的實驗內容複雜且專業性突出，對於不同學科背景的學生而言門檻較高，可能會抑制學生的學習積極性，進而導致學習效果參差不齊。所以，設計覆蓋面廣、實用性強的實驗案例顯得尤爲重要。

另一方面，人工智能實驗教學平臺建設相對滯後，使得實驗開展面臨諸多困難。實踐對於深入理解人工智能原理和運作機制起着關鍵作用，但硬件設備成本高昂，實驗環境配置複雜（例如搭建 Tensorflow、Pytorch 等深度學習框架），學生操作起來難度較大，尤其是非理工科學生。教師在協助學生過程中成本較高，學生也容易產生畏難情緒。因此，亟須建設操作簡便、易於管理的實驗平臺，以提升學習效果。

三、實驗教學設計思路

1) 設計實驗

爲了促進各專業與人工智能內容的有效銜接和深度融合，我們針對不同學院、專業及學科背景的學生設計了“基礎算法—學科交叉—實際應用”的三層遞進式實驗體系。這種結構化的實驗設計旨在通過三個層次逐步加深學生對人工智能的理解和應用能力：

基礎算法：涵蓋傳統機器學習方法（如線性模型、決策樹）和深度學習方法（如卷積神經網絡、生成對抗模型），爲後續的實際應用提供必要的算法支持。

學科交叉：以“四新”建設爲導向，結合傳統學科與新興專業的特點，提煉共性知識，探索跨學科的融合點，爲實際應用奠定理論基礎。

實際應用：根據各專業的具體需求和現實問題，設計針對性強的實驗項目，幫助學生在特定領域內應用所學知識解決實際問題，增強動手實踐能力。

該實驗設計不僅整合了前沿技術和多學科的應用場景，還隨着技術的進步不斷更新實驗任務。此外，根據不同專業的需求，我們設計了一系列實用性強、覆蓋面廣的實驗案例，例如文學類的文本分類與生成、語言學類的機器翻譯、藝術設計類的風格遷移與圖像生成以及金融經濟類的數據挖掘與分析等，讓學生能夠依據自己的專業興趣選擇合適的實驗項目，提高實踐技能。

2) 建設人工智能實驗教學平臺

實驗教學對於深化學生對人工智能算法原理及其運作機制的理解至關重要，它有助於將理論知識轉化爲解決實際問題的能力。然而，人工智能實驗往往需要依賴於特定的硬件和軟件環境，而這些技術框架因不同的實驗項目而異。考慮到非計算機專業學生可能缺乏專業的設備和技術背景，構建一個易於操作的人工智能實驗教學平臺顯得尤爲關鍵。

該平臺基於理論學習，提供了多樣化的實驗環境，支持學生自主進行實驗操作，實現理論與實踐的完美結合。同時，它也爲教師配備了強大的教學管理系統，便於對實驗資源和學生的學習過程進行全面管理。

爲了滿足不斷變化的教學需求，平臺需持續更新實驗項目，緊跟技術發展的步伐，及時引入最新的人工智能實驗項目，確保教學內容與行業需求保持一致。此外，通過收集師生的反饋意見，優化實驗設計和平臺管理流程，進一步提升教學質量。藉助完善的實驗教學體系，此平臺將爲跨學科人才的培養提供強有力的支持。

四、實驗項目設計

4.1 實驗設計

在人工智能通識教育中，我們的目標是培養全面發展、具備跨學科能力的複合型人才。鑑於現有實驗教學內容的專業性較強，對於跨學科學生而言存在較高的學習門檻，我們特別設計了一套覆蓋面廣且實用性強的實驗案例。

基礎算法層：作爲整個實驗體系的基礎，這一層次爲具體案例的設計提供理論支持和算法框架。

學科交叉層：該層致力於傳統學科與人工智能技術的融合，依據不同學科的特點提煉出實驗的重點需求，爲實驗內容的設計提供指導。

實際應用層：根據各學科的具體應用場景，設計廣泛的實驗案例，旨在增強學生對人工智能技術的應用能力和實踐技能。

我們將實驗案例分爲基本型、綜合型和探究型三類：

基本型實驗：主要涵蓋編程語言（如Python）的學習、編程工具（如PyCharm、Jupyter Notebook）的使用以及深度學習框架（如TensorFlow、PyTorch）的選擇等基礎知識。

綜合型實驗：注重培養學生針對現實問題選擇並應用模型的能力，包括理解和掌握傳統機器學習及深度學習算法及其原理，並能運用多種經典模型。

探究型實驗：重點在於提升學生的問題分析、模型構建、編程實現及實驗驗證的綜合能力。

4.2 人工智能實驗教學平臺建設

爲了幫助不同專業背景的學生更快地入門人工智能實驗，我們構建了一個開放、共享且不受課堂時間和地域限制的實踐平臺。此平臺以其操作簡便、易於管理、方便學習等特點，極大地方便了師生的教學與學習過程。

平臺底層採用了OpenStack和Docker技術，整合所有物理資源形成虛擬資源池，實現了計算、存儲、網絡資源的高效利用和動態分配。此外，平臺設置了學生、教師和管理員三種角色：

學生：可以根據個人興趣和需求加入相應的實驗課程學習，每個實驗都配備了滿足要求的配置環境，學生無需自行安裝或配置即可快速開始實驗。

教師：登錄後可以對其負責的課程、教學案例、班級及學生進行各種管理操作。

管理員：負責監控和維護平臺的日常運行，管理平臺內的所有資源。

目前，已經完成建設的實驗案例和課程涵蓋了從Python語言基礎到TensorFlow基礎、卷積神經網絡等基礎課程，再到“車牌識別”、“驗證碼識別”、“人臉識別綜合案例分析”等綜合性較強的實驗案例。同時，還提供了“信息社會與人工智能”、“人工智能原理與應用（實驗）”等一系列完整的課程體系。