前言：中文期刊网精心挑选了人工智能课堂教学范文供你参考和学习，希望我们的参考范文能激发你的文章创作灵感，欢迎阅读。
人工智能课堂教学范文1
关键词：大学计算机基础；教学改革；人工智能；智慧课堂
云计算、大数据、人工智能新兴领域的崛起，推动信息技术全面渗透于人们的生产生活中。信息技术的核心在于计算机技术和通信技术。然而，虽然目前各个高校都开设了计算机基础课程，但是其教学却存在着诸多问题，导致该课程无法达到预期的教学效果。教育部在2012年《教育信息化十年发展规划（2011-2020年）》，其中指明“以教育信息化带动教育现代化，促进教育的创新与变革”[2]。因此，本文以华中师范大学计算机基础课程教学为例，深入阐述了传统计算机基础课程教学的弊端，提出了在当前人工智能如火如荼的时代背景下，如何应用人工智能相关技术对传统的计算机基础教学进行改革的具体方案。该方案以创建网络智慧课堂教学模式改革为主体，辅以教学观念、知识体系和课程考核方式改革，以期对高校的计算机基础课程教学有所裨益。
1传统教学的缺陷
⑴课程的教学地位没有引起足够的重视一些高校为计算机基础课程分配较少的学时（少于48学时），甚至有的专业将此课程设置为选修课。这种设置降低了该课程在教师和学生心目中的位置，导致了对该课程的忽视。同时，不少老师因为学时不够，时间紧迫，仅仅讲述与考试相关的内容，不考的一概不讲。这导致学生的眼界受限，知识和能力受限，无法培养其全面综合的计算机素质。还有的专业没有将这门课给专业的计算机学院的老师讲授，而是随意安排授课人员。没有经过系统专业训练的教师缺乏足够的知识储备，很难讲好这一门看似简单的课程。⑵课程教学内容的制定与当今时代对于信息化人才的需求脱节一些高校的现状是计算机基础的课程教材知识陈旧[3]、质量堪忧，教材总是无法跟上知识更新的步伐，例如都2019年了还在讲Office2010。有的高校由于缺乏对课程的重视，没有对教材优中选优，而是基于利益的考虑，优先选择自己院系编写的教材。其教材内容是七拼八凑，没有整体性、逻辑性和连贯性，更不用说前瞻性。这样的教材，无疑对学生的学习设置了巨大的屏障。除此以外，一些院校的课程教学知识体系不够明确和完善，教学大纲的制定不够科学。从教学大纲中制定的学时分配来说，常常偏重实用性[4]，常用计算机软件操作占据了大部分的课时。这会让教师在授课时轻理论而重操作，如此培养学生，非常不利于其计算思维的形成，对后续其他计算机相关课程的学习也是很大的伤害。⑶教学模式过于传统，信息化水平较低从教学方式上来说，传统的教学模式以教师课堂授课为中心，是以教师为主体的教学模式[5]。在这种模式下，教师仍然主要以填鸭式教学为主[6]，无法通过课堂教学发现学生的个性化特点，并进行有针对性的教学。另外，虽然计算机基础课程一般都配备了实验课时，但是实验课常常是采用教师布置上机任务、学生做完抽样检查的模式。这对于大课堂来说，教师的任务繁重，无法搜集到每一个学生的任务完成情况，无法清晰地掌握学生学习的实际情况和薄弱环节。而且，该课程缺乏相应的研讨课时，很难让学生对其所学知识进行深入思考和探究，以增强思辨能力和对课程的学习兴趣。⑷课程考核方式不够公平合理从考核方式上来说，该课程普遍采用“平时成绩”+“期末考试”的加权方式对学生成绩进行评定。平时成绩多由考勤分所得，期末考试多采用机考模式。这种考核方式过于单一化、机械化，无法对学生进行全方位的评价。很多学生来到教室打考勤，但可能根本没听讲，而是在睡觉或者玩手机。期末机考的公平合理性也是存在着很多的漏洞。例如机考的试题库可以十年不变，分值的分配和难度的掌握都没有经过系统的考量。甚至有的考试系统不够稳定和安全，频频爆出Bug，严重影响了考试结果的真实性。
2新人工智能环境下对计算机基础课程改革的具体方案
2012年开始，在随着卷积神经网络技术在视觉处理方面的应用取得巨大的成功之后，人工智能到达了有史以来的第三个爆发期。目前，深度学习技术在AlphaGo、无人驾驶汽车、机器翻译、智能助理、机器人、推荐系统等领域的发展如火如荼。与此同时，人工智能技术在教育领域方面的应用已经兴起。人工智能的教学产品也已有先例，例如基于MOOC平台研发的教学机器人MOOCBuddy等等。基于人工智能的教育是融合云计算、物联网、大数据、VR、区块链等新兴技术的增强型数字教育[2].在当前人工智能的大时代背景下，针对传统计算机基础的种种弊端，我们提出了如下教学改革方案。⑴改变教学理念，确立计算机基础课程的重要地位计算机基础作为高校的一门公共课，实则应当作为各个专业的学生后续的学习、科研的必修之课程。因此，高等学校应从源头上确立该课程的重要地位，将该课程纳入必修课范畴，并给与更充分合理的课时分配。除教学课时、实验课时之外，需要为该课程增加一定的研讨课时。任课老师必须是来自于计算机专业的人才。同时，定时举办关于该课程的教学培训、教学研讨会和教学比赛，改变教师的教学理念，从源头上给予该课程足够的重视。⑵优化教学内容，重新制定课程的教学知识体系教材是教师教学的主要依据，也是学生获得系统性知识的主要来源。因此，教材对于教学的重要性不言而喻。教材的选取需要优中择优，必要的时候可以根据自身院校的情况自己编写，力求使用好的教材使教学事半功倍。在选定优质教材的基础上，制定更加合理的教学大纲，优化计算机基础课程的教学知识体系，突出计算机学科入门相关基础理论知识的重要地位。对现有的过时内容进行更新，例如操作系统以Windows10的操作取代Windows7，Office这部分使用Office2019版本取代2010的版本，同时增加关于算法入门知识、程序设计入门知识以及人工智能、区块链等前沿知识单元的介绍。以华中师范大学为例，我们在图1中给出了该校计算机基础课程的教学知识体系结构图。⑶充分利用现代化的教学工具和人工智能技术，构建智慧课堂，改变传统教学模式现代化的教学应当转变以教师为核心的教学模式，更加突出学生的主体性地位。因此，在人工智能、物联网、大数据等技术和蓬勃发展的情形下，应当改变传统的课堂教学形式，充分利用现代化信息技术，将传统课堂教学和网络课堂教学模式相结合，构建智慧课堂。融合课堂教学身临其境的效果与网络课堂自主性强且方便师生交流的特点，通过师生之间多层次、立体化的互动，达到提升教学效果的目的。同时，建立功能强大、完善的学生实验平台，基于不同专业学生的不同特点和不同需求，进行个性化的作业设置。针对教师布置的实验任务和学生的完成情况，结合在线网络教学系统，通过传感器及网络数据，搜集学生的学习行为数据，并且使用人工智能算法进行智能分析，使教师对当前的学生的学习情况一目了然，并能引导学生对重点、难点的巩固和掌握。研讨课以学生为主体，按照所选课题进行分组调研、分组讨论，刺激学生的学习兴趣，培养其思辨能力。研讨内容最终可以课程论文的形式上交至课程共享平台，由教师和同学共同给出评分。这里，仍以华中师范大学为例，我们将在线教学系统、实验课平台、研讨课共享平台等集成为一个基于人工智能技术的网络智慧教学综合平台系统。该系统主要包括用户管理、在线教学、课堂互动、作业管理、考试管理、BBS系统、智能分析和平台管理8个模块，其主要功能如图2所示。该系统采用C/S模式，系统的服务器选用Linux服务器，同时开发基于PC机的和手机端的客户端系统，方便学生和教师随时选用、更加灵活。在线教学模块中的智能学习助理功能，能够根据历史用户的学习行为和当前用户的学习行为，自动地识别学习内容中的难点以及当前学生的难点内容，有针对性地对学生进行知识点强化。课堂互动模块中，通过可穿戴式传感器搜集学生的学习行为，用于后续智能分析模块中对学生的学习态度和学习行为进行智能分析。在线作业评价模块包括机器评价和教师评价两个功能。机器评价是系统为学生作业（客观题、主观题）自动评分，其中主观题的评分也是使用人工智能技术来实现。教师评分时可以参考机器评分，减少教师工作量。同时，教师评分为机器评分提供机器学习的经验数据，促进机器评分更加智能。智能分析模块能够依据学生的在线课程学习模块、课堂学习模块、作业管理模块等搜集到的学习行为数据进行综合分析，促使教师深入了解学生的学习情况和个性化特点，提升教学的针对性，并且有助于后续对学生进行全面、综合的分析和成绩评定。所有系统模块中使用到的智能分析技术包括基本的统计分析、以及各类机器学习算法（k-means,NaveBayes,SupportVectorMachine,DeepLearning等等）。⑷改变传统成绩考核的方式在“教学”+“实验”+“研讨课”课程结构以及网络智慧教学综合平台的辅助之下，学生的成绩评定更加全面化、多元化、公平化、自动化[7]。平时成绩中，除了教学综合平台的“课堂签到”次数之外，还增加更多丰富多元化的考察信息，如：学生的课堂讨论、在线课程学习和考核结果、平时作业完成情况，以及智能分析模块中辅助分析的学习态度、学习能力、平时成绩预测。期末上机考试系统也是智慧课堂综合平台的一个子模块，是精心设计的稳定、安全、功能强大的子系统，方便教师每一年更新试题库，修改bug。试题库中的每一套试卷都应当经过科学的考卷质量分析，使其难度、覆盖范围在一个均衡、合理的范围。最后，教师通过对各类平时成绩指标以及期末考试成绩加权，给出最终的学习成绩。通过规范、合理、公平、全面的考核体系，获得对学生公平、完善的评价机制，激励学生并刺激教学良性运转。
3结束语
人工智能课堂教学范文2
关键词：讯飞超脑计划；人工智能；未来生活
中图分类号：TP18 文献标识码：A 文章编号：1671-2064（2017）01-00218-01
人工智能包含三个层次：计算智能、感知智能和认知智能，讯飞超脑计划是包含模拟人脑的知识表示与推理、类人学习机制与新知识的获取、机器加载专业知识成为专门的教育领域。讯飞超脑计划是基于全球关于人工神经网络的深度学习研究，简单来说就是希望未来讯飞超脑计划能够将人工智能从只是简单地能听会说到能够深度思考相关问题的科技转变。人工智能的不断开拓创新是为了帮助人类能够更好地生活，我们应该注重人工智能的发展推进，将其广泛合理地应用到生活的实际中去。
1 讯飞超脑计划目前取得的阶段学习研究成果
1.1 讯飞超脑计划关于我国现阶段关于高中生学习教育的人工智能成果
随着近年来教育电子多媒体设备的投入普及使用，使目前的高中老师在课堂上更习惯用电子化的教学方式来替代传统的板书课本单一枯燥的教学，与此同时，现阶段高中生也同样具备使用移动互联网的条件，这样就使得科大讯飞超脑计划的教育产品可以形成以下的模式如图1所示。
采用此智能的学习模式可以使我国的高中生接受公平的最好的教育，这就需要借助人工智能的帮助来使老师提高自身的教育水平，使高中生丰富并开阔自身的视野。课堂教学包括了在线课堂、畅言交互式多媒体教学系统以及畅言智能语音等，这种新颖的课堂教学模式使原本单一的教学方式变成了思想上任意遨游的知识海洋；智能考试包含了标准考场、英语四六级网上阅卷、普通话与英语口语测试等方面，智能考试系统从字迹工整的程度、词汇量的丰富度、语法的正确性与通顺性等多个方面来评判考试试卷，加上多年来的不断改进，人工智能的评判方法跟相关专家的人工试卷评判的相似度相差无几，很大程度地增加了试卷评判的效率性与公平性；学习产品与教育评价更是覆盖到了从低到高的各个层面的产品组织结构，更有利于高中生的学习与应试教育的公平性。
1.2 讯飞超脑计划对于提高人类生活水平的成果
随着人工智能技术在经济、教育、文化、娱乐等领域的不断应用，使人们的生活质量水平得到了很大程度的提高，人工智能带来的方便快捷对于人类的发展进化与物质文化的进步产生了不可忽视的作用。随着讯飞超脑计划的推出，一方面，可以把人类从繁重的劳动中解放出来，很大程度地提高人类生产生活的效率与质量；另一方面，人工智能的进步会极大地革新人类的思维方式，使人们能够多角度地认知世界，加深对人类对自身所处的宇宙地位的思考，利于人不断地探索奥秘，进一步推进人类社会的进步。
2 讯飞超脑计划下人工智能对于未来生活的影响及其发展趋势
2.1 讯飞超脑计划下人工智能对未来生活的影响
由于讯飞超脑计划是感知智能结合认知智能的再创新，使得未来机器将会实现高水平的感知智能，具有更多的包括语音识别、手写识别以及图像识别的更多智能感知能力与实现包括智能客服、人机交互等的取代人类脑力劳动的认知智能突破。所以说讯飞超脑计划下的人工智能在未来的教育、经济、文化、社会结构等未来生活的各个方面都会产生重大影响。在教育上，人工智能的应用优化了课堂结构，使学生能够实时接受外界的新知识以及与时俱进的教育模式改革；在经济上，人工智能的高效能与高效率会明显提高经济效益，用人工智能来进行财务管理有助于缩减不必要的人工劳务开支与相关的培训费用，利于经济的变革与提高；在文化上，人工智能对于人类语言文化与图像处理上的优势日益凸显出来，可以确定的是人工智能的发展将会深入到人类生活的各个层面中去。
2.2 讯飞超脑计划下人工智能的未来发展趋势
随着人工智能的不断演进，人工智能从最初能存会算的计算智能阶段，到后来的能听会说、能看会认的感知智能阶段，最后再到讯飞超脑计划下提出的让机器能理解、会思考的认知智能阶段，未来的人工智能在语言理解、知识表达、联想推理以及自主学习等方面都将会取得很大的进展。
3 结语
人工智能对于未来生活的影响是多方面的，在未来生活的各个方面都十分显著。与此同时，讯飞超脑计划下的人工智能不断的改革创新与发展，也将更快地推动人类的发展，人工智能与人类的生活是互相影响又相互制约的。人工智能的不断发展给人类的未来生活带来了很大程度的改变，人类在不断开拓人工智能的领域时也应不断提高自身能力与素养，以适应人工智能带来的不断创新和改变。
参考文献：
[1]张妮，徐文尚，王文文.人工智能技术发展及应用研究综述[J].煤矿机械.2009，30卷（2）.
人工智能课堂教学范文3
关键词：人工智能；研究生教学；教学方法
人工智能是一门研究机器智能的学科，是在研究人类智能行为规律的基础上，利用人工的方法和技术，研制智能机器或智能系统来模仿、延伸和扩展人的智能，实现智能行为。在知识经济向智能经济高度发展的今天，人工智能具有重要的理论意义和社会价值。人工智能理论已经渗透到各个领域，人工智能技术也得到广泛应用，许多研究成果已经进入人们的生活。
人工智能课程是一门多学科交叉的课程，具有很强前沿性，涉及哲学、认知科学、行为科学、脑科学、生理学、心理学、语言学、逻辑学、物理学、数学等众多领域；涉及面宽，内容广泛，更新快。人工智能课程的开设能够更好地培养学生的创新思维和技术创新能力，培养学生对计算机前沿技术的前瞻性，提高他们的科技素质和学术水平[1]。
人工智能课程内容的广泛性、前沿性和应用性特点决定了授课方法的多样性。与本科生相比，研究生在教育目标和身心特征方面都有较大的区别。笔者多年从事研究生人工智能课程教学工作，现总结多年教学经验如下。
1研究生培养目标及其教学特点
研究生教育阶段的教育目标是使研究生形成具有个性化的研究品格、研究定向和研究视野，以具有独立思考并获得独创研究成果的能力[2]。从这一意义上讲，个性化是研究生教育培养目标的构成主体。尤其随着我国经济持续高速增长，社会对知识创新、新经济生长点的期望值增大，这就要求我国研究生教育在其培养目标的定位上不仅要重视人才培养的高层次性，更要重视创新能力、实践能力和创业精神的培养。并且，研究生身心发展已较成熟，具有较稳定的个性特征，思维力强，具有较高的专业性思维意识和创造力，为独立地进行专业研究活动提供了心理上和智力上的保证。而且，研究生已具备了基础理论和专业知识，特别是有一定工作经历的研究生，他们不仅有本科教育阶段的知识积累，也有应用这些知识的经验，对于扩大其专业知识领域并进行研究有着积极主动的态度。总之，从年龄构成及身心特征上讲，研究生适应高层次、跨学科知识领域的学习和研究。
研究生的特征及其教育目标决定了研究生教学不应该是由教师讲授已定论的知识，而应是以教学为基本依托，通过教学提出具有研究性、探索性、未确定性甚至是尚存争议性的课题，激励研究生独立思考和质疑，让他们在思考和质疑的过程中提出问题，培育他们发现问题、提出质疑的科学批判精神，训练并提高其创新能力、实践能力和创新精神。创新精神和创新能力主要表现在具有健全的人格、强烈的责任感、开放的心态、团结合作的精神、严谨科学的思维能力和创新思维方式。
个性是创新的源泉，研究生课程体系的设置应该具有一定的灵活性，依据研究生不同的知识基础和研究定向，设置具有弹性化的课程，使研究生的个性化得以凸显。另外，为提高研究生专业研究和创新能力，在课程教学中，也应凸显教学的研究性和专业性，重视专业领域背景知识和研究方法的讲授，开展跨学科、非专业知识的教学，教学内容应涵盖专业领域的研究热点、难点、争议问题和最新研究动态，还应包括交叉学科、边缘学科的研究趋势，以扩展学生的视野[3]。也就是说，研究生教学既要凸显研究生的个性化特点，又要凸显内容的学术性和研究的指向性。
2人工智能课程的特点
2.1多学科交叉，具有很强的前沿性
人工智能是一门多学科交叉的课程。课程内容的理解需要运用多学科知识和较强的逻辑思维能力，多学科的知识相互联系、相互交叉，融合形成新的知识，成为新的思维方法和综合能力的萌发点。通过课程学习，学生可以通过不同学科知识的融合来达到对原有知识的超越，用一种全新的思维方法来思考所遇到的问题，提出新的解决办法。这也是创造力的迸发和智能的飞跃。具有了知识的广度和深度才具有融会贯通、创新的可能，人工智能课程的开设能够更好地培养学生的创新思维和技术创新能力，为学生提供一种新的思维方法和问题求解手段。
2.2涉及面宽，内容广泛，更新快
人工智能课程是一门知识点较多的课程，它以概率统计、离散数学、数据结构、计算机编程语言、数据库原理等课程为基础，涵盖了模式识别、机器学习、数据挖掘、计算智能、自然语言理解、专家系统等众多研究方向，内容涉及面广，概念抽象，不易理解。并且，人工智能课程内容更新快，近年来人工智能科学的快速发展，涌现出了大批新方法，研究热点问题也从符号计算发展到智能计算和Agent等。其中，计算智能主要涉及神经计算、模糊计算、进化计算和人工生命等领域，在模式识别、图像处理、自动控制、通信网络等很多领域都得到了成功应用；Agent最早来自分布式人工智能，随着并行计算和分布式处理等技术的发展而逐渐成为热点。
在互联网上有大量最新的与课程内容相关的研究论文，为学生提供了很好的查阅文献的环境，使学生能够根据所学习的内容和所在课题组的研究方向阅读相应文献，提高学生的学习兴趣和独立提出问题、解决问题的能力。
2.3应用性强
人工智能理论已经渗透到科学的各个领域，当前，几乎所有的科学与技术分支都在共享着人工智能领域所提供的理论和技术。例如，自第一个专家系统DENDRAL研制成功以来，专家系统已成功地应用于数学、物理、化学、医学、地质、气象、农业、法律、教育、交通运输、军事、经济等几乎所有领域；数据挖掘技术是以一种更自动化的方式对具有大量数据的商业活动进行分析和预测，在市场营销、银行、制造业、保险业、计算机安全、医药、交通、电信等领域已有许多案例；语义Web让Web上的信息能够被机器所理解，实现Web信息的自动处理，成功地将人工智能的研究成果应用到互联网。另外，在机器视觉、自然语言理解、智能控制与智能制造等方面，人工智能技术也得到广泛的应用，有许多研究成果已经进入人们的生活。目前，从理论到技术，从产品到工程，从家庭到社会，智能无处不在，人工智能广泛的应用性给学生提供了大量的现实案例，使得人工智能不再是高深莫测的理论，而是现实中可以触及的内容。
人工智能课程的多学科交叉性、内容广泛性、概念抽象、不易理解以及前沿性和应用性特点决定了在该课程的讲授过程中应该采用多种授课方法。多种授课方法的采用一方面便于授课内容的理解，另一方面也能够更好地培养学生的创新思维和技术创新能力，提高他们的科技素质和学术水平。
3人工智能课程教学方法
3.1基于问题的启发式教学法
苏霍姆林斯基说：“唤起人实行自我教育，乃是一种真正的教育。”基于问题的启发式教学法是教师在深入了解学生心理特点和学习规律的基础上，设计适合教学的启发式问题，并采取灵活多样、生动活泼的启发方式，充分调动学生的学习兴趣，激发、引导学生进行科学思维，培养学生独立思考问题、提出问题和解决问题的能力。该教学方法强调的是过程，教师的主要任务是提出问题，依据举一反三的思路引导学生展开逻辑推理，通过逐层分析深入思考问题，最后综合学生观点阐述相关理论。
在课程教学中，有许多内容适合于采用启发式教学方法。例如，在知识表示方法的学习过程中，教师首先提出问题：“你是怎样进行数学定理证明的？”并在学生的回答过程中，引导学生认识到知识及其表示的重要性；随后，提出问题：“在计算机中如何表示知识？”引导学生逐步总结出不同知识表示方法在知识表达能力、推理效率、可实现性、可组织性、可维护性方面的区别。另外，在确定性推理的教学过程中，教师可以利用“某处发生盗窃案，公安局派出5个侦查员去调查，研究案情时，5个侦查员各给出了一句可信的结论，据此判断谁是盗窃犯”的问题[4]，让学生进行判断和讨论，引导学生认识到推理过程中可以使用多条规则进行推理，并且推理路线也可能存在多条，从而引出推理的两大基本问题：解决冲突消解等问题的推理策略，以及解决推理线路等问题的搜索策略。
启发式教学法的要点是设计适当的启发式问题和启发方式、安排能调动学生积极性的讨论环境、鼓励学生发表个性化观点。教师不仅用问题引发学生思考，更要鼓励学生让思维自由驰骋，主动提出问题，讨论问题，寻求问题解决方案。在探讨、研究问题中，不要以现有的结论和固定的程式束缚思想，鼓励学生的个性化观点。启发式教学是一种民主、科学的教学方法，其中包含诸多具体的教学方法，如激疑启发法、比喻启发法、类比启发法、联系启发法，等等。启发式教学在传授知识的同时，更注重的是对创新的孕育、萌芽、生成和壮大，它能促使学生自己获取知识、思考问题、提出问题、分析问题、解决问题，培养学生的自学能力。以问题为基础的启发式教学，利用问题引导学生学习，全方位深层次发展学生的创新思维和探究性学习能力。问题可以诱发出学生的求知欲，激发、唤醒了学生的主体意识；问题往往是面向生活世界的实践活动的，它使教学活动从以传授知识为中心转化为传授知识与培养能力并重，理论与实践相结合，提高了学生分析、综合、观察、想象等思维能力。
3.2基于案例的探究式教学法
基于案例的探究式教学法要求教师能够根据学生的认知水平和能力，创设引导学生进行探究活动的案例，以激发学生探究问题的兴趣，促进学生质疑、探求的创造性学习动机，通过选择与确定问题、讨论与提出设想、实践与寻求结果、验证与得出结论，发展学生的创造性思维，培养学生独立探究、研究能力和创新能力。探究式教学强调学生的积极参与，强调师生互动。对教师来说，必须转变传统的“传道”观念，以平等的心态与学生交流探讨。在课堂上，要努力营造民主、宽松、和谐的教学氛围，积极引导学生大胆设想，大胆探索。使学生树立研究型学习的观念，消除依附心理，养成勤于思考、善于思考的良好学习习惯，通过积极参与研讨培养学生自己获取新知、探求未知的能力，以及团队意识和合作精神。
我们在本课程神经网络部分的教学中，将基于BP神经网络的维吾尔文手写字母识别作为案例开展了探究式教学活动。在介绍了前馈多层感知器及标准BP算法之后，教师将科研项目中基于标准BP算法的维吾尔文手写字母识别实验及其结果详细地在课堂上进行演示，引导学生对实验提出质疑。在教学实践中，学生提出了大量问题，例如，输出层神经元个数如何确定，为什么输出层神经元个数对识别率会有影响？网络训练过程中出现震荡的原因是什么？如何解决？为什么有时误差较大，权值的调整量反而很小？等等。在教师事先准备好的实验演示的基础上，开展学生进行课堂讨论，让学生提出解决问题的各种方法，并现场通过实验进行验证，逐步让学生理解BP网络结构设计、输入输出数据的预处理、初始权值设计的必要性及其实现方法。课堂授课实践表明，这种方法极大地激发了学生的学习兴趣，使学生能够大胆设想，大胆探索，增加了学生的自信心和创新精神。本次课堂讨论结束后，教师根据学生的讨论以及实验结果演示，总结标准BP算法的局限性，例如，“易形成局部极小”，“训练次数多，学习效率低”，“训练时有学习新样本遗忘旧样本的趋势”等，并要求学生通过查资料、搜集必要的信息、积极地思索和实验验证提出解决上述问题的方法，将学生分组，让学生展开讨论，为下次讨论课作好准备。
传统教学方法是告诉学生怎么去做，在一定程度上损害了学生的积极性。而案例教学要求学生自己去思考、去创造，使得枯燥乏味的内容变得生动活泼，并且案例教学中，通过学生之间的交流既可以使学生取长补短、促进人际交流能力，也可以引导学生变注重知识为注重能力。
案例教学法的关键是案例的选择。案例是为教学目标服务的，因此它应该具有典型性，且应该与所对应的理论知识有直接的联系。案例最好是经过深入调查研究。来源于实践，不能只是一堆数据的罗列。教科书的编写应采用图片、表格、曲线等方式让学生看到算法的实验结果，启发学生思考。另外，案例应该只有情况没有结果，有激烈的矛盾冲突，没有处理办法和结论，由学生对案例提出质疑，从这个意义上讲，案例的情况越复杂，越多样性，越有价值。
案例教学法能够实现教学相长。教学中，教师不仅是教师而且也是学员。一方面，教师是整个教学的主导者，掌握着教学进程，引导学生思考、组织讨论研究，进行总结、归纳。另一方面，在教学中通过共同研讨，教师不但可以发现自己的弱点，而且从学生那里可以了解到大量感性材料。另外，案例教学法能够调动学生学习主动性。教学中，由于不断变换教学形式，学生大脑兴奋不断转移，注意力能够得到及时调节，有利于学生精神始终维持最佳状态。案例教学的最大特点是它的真实性。由于教学内容是具体的实例，加之采用是形象、直观、生动的形式，给人以身临其境之感，易于学习和理解。最后，案例教学法能够集思广益。教师在课堂上不是“独唱”，而是和大家一起讨论思考，学生在课堂上也不是忙于记笔记，而是共同探讨问题。由于调动集体的智慧和力量，容易开阔思路，收到良好的效果。
3.3加强研讨
鉴于研究生的培养目标和人工智能课程研究范畴的宽泛性、应用性、创新性和前沿性，根据我校计算机系硕士生指导教师的研究领域，我们在课堂教学中为计算智能、机器学习算法、机器视觉、自然语言理解部分增加了研讨会，要求学生上网进行文献检索、阅读和学术研讨，根据个人的研究兴趣和研究设想上台作报告。另外，我们还邀请相应专家和成果突出的各届研究生为学生做报告，介绍他们的研究实践、研究成果和心得体会。例如，在自然语言理解部分的课堂教学中，在介绍完自然语言理解的基本概念与原理之后，我们要求将来做这个领域的研究生在通过查资料了解所在研究小组工作的基础上，上台作报告。机器翻译研究组的同学在学习自然语言理解部分的内容之后，对其所在小组目前的工作及采用的技术、存在的问题做了分析，并通过阅读文献，提出了初步的解决问题的设想。与自己所在研究小组的科研相结合，开展文献检索和学术研讨，一方面让学生开阔了眼界，另一方面也提高了学生查阅文献、主动获取知识、独立思考的科研能力。
4结语
人工智能理论已经渗透到科学的各个领域，人工智能技术也得到了广泛的应用。人工智能课程具有多学科交叉、内容广泛、前沿性和应用性强等特点，课程开设能够很好地培养学生的创新思维和技术创新能力。教与学是教师与学生双方互动的过程，教学中要根据学生身心特征的实际情况采用相应的教学方法，并结合本校科研队伍的研究领域，不断地探索和提高，才能使教学工作更上一层楼，切实为国家、为社会培养具有创新能力、实践能力和创业精神的高层次人才。
参考文献：
[1] 陈白帆,蔡自兴,刘丽珏. 人工智能精品课程的创新性教学探索[J]. 计算机教育,2010(19):27-31.
[2] 谢安邦. 构建合理的研究生教育课程体系[J]. 高等教育研究,2003,24(5):68-72.
[3] 教育部研究生工作办公室,国务院学位委员会办公室. 高层次人才培养的研究与探索[M]. 北京:高等教育出版社,2000.
[4] 蔡自兴,徐光佑. 人工智能及其应用[M]. 4版. 北京:清华大学出版社,2010:113.
Exploration of Artificial Intelligence Course Teaching of Graduate Students
ZHAO Hui1, JIA Zhenhong1, WANG Weiqing2
(1.School of Information Engineering, Xinjiang University, Urumuchi 830046, China;
2.Graduate School, Xinjiang University, Urumuchi 830046, China)
人工智能课堂教学范文4
关键词：智能游戏开发与设计；游戏产业；翻转课堂；人工智能
0引言
中国音像与数字出版协会游戏出版工作委员会与伽马数据（CNG中新游戏研究）、国际数据公司（IDC）联合的《2015年中国游戏产业报告》显示：2015年，中国游戏用户数已达5.34亿人，同比2014年增长了3.3%。与此同时，中国游戏市场实际销售收入达到1407.0亿元人民币，同比增长22.9%。其中，客户端游戏市场611.6亿元，网页游戏市场219.6亿元，移动游戏市场611.6亿元。
游戏产业的发展离不开国家的政策支持、社会文化的需求以及基础技术的突破。在国家“互联网+”“大众创业、万众创新”等战略的引导下，政府和投资企业为游戏产业提供了众多优惠政策和良好的发展环境；游戏行业的快速发展促使游戏产业社会认可度提升；“一带一路”国际文化交融推动游戏产业的“走出去”；宽带提速和4G网络的普及为游戏产业发展提供了网络支持；此外，智能硬件性能的提升为游戏产业创新提供了基础条件。游戏行业的蓬勃发展催生了一大批优秀的游戏企业。因此，市场对游戏专业人才数量和质量的需求也日益迫切，这对高校游戏开发与设计专业人才的培养产生了导向和促进的作用。
1课程现状
智能游戏开发与设计是一门综合性程序设计技能发展类课程，面向智能科学与技术专业三年级的本科生，在三年级第2学期开设。课程性质是专业限选课，共计32学时，2学分。课程系统介绍了游戏开发的软件工程原理，以及游戏中的图形学、人工智能、人机交互、网络等基本知识点和技术。教学目标是希望学生理解和掌握计算机游戏程序设计所需的专业知识，包括二维游戏的基本编程技术、三维图形学基础、游戏场景的组织和绘制、计算机动画技术、音频处理技术和人工智能技术等，基本涵盖了计算机游戏编程的各个主要方面。
我校智能游戏开发与设计课程虽然已经开设了7年，教学目标、内容与要求相对成熟，但相比于智能科学与技术专业的核心课程，仍然是我校正在建设中的一门新兴课程。我们在取得成绩的同时更要认清当前存在的不足：首先，游戏产业的变化与进步日新月异，移动游戏的爆发式增长、游戏引擎的更新进步对游戏行业的发展形成了巨大影响。在授课过程中，尽管任课教师也对教学方法和课程设置进行了尝试和调整，希望学生能够对该领域的前沿动态有所了解，但尚未形成系统深入的研究结果，一定程度上导致授课内容与行业动态脱节；其次，即使教师在课堂上进行了游戏效果的演示或代码的示范，学生如果没有课下的实际操作也很难较好掌握；此外，教学内容和思路过分强调游戏开发技术，还没有紧密结合本校智能科学与技术专业的特色，突出“智能”这一特点，即在游戏开发过程中融入人工智能技术。
2教学方法改革
2.1关注业界动态，调整教学内容
课程团队通过关注游戏业界的发展趋势，适当调整授课内容和计划。课程组根据近几年《中国游戏产业报告》的调查了解到：客户端游戏、网页游戏、单机游戏等已经处于成熟期，市场规模增幅有限且变动不大，而移动游戏依旧处于成长期，市场规模有望保持高增长。
结合当前实际，我们在2016年春季学期游戏课程的授课过程中，删去了游戏中的音频编程技术介绍。在“游戏业的展望”章节，加入了语音交互技术、虚拟现实技术和增强现实技术等前沿技术的讲解，强调了先导课程的重要性，例如《计算机图形学》在“高级图形技术”和“三维游戏动画”章节中所起的作用，以及《数据结构》课程中的二叉树知识点在“三维游戏场景的组织和绘制”章节中的重要性。
在“游戏引擎”章节讲授方面，之前仅介绍了OGRE图形对象渲染引擎，虽然该引擎具有较强的三维场景渲染能力，但是环境配置较复杂，且与目前业界主流的游戏引擎差别较大。因此，我们有意识地增加了对两款跨平台游戏引擎Cocos2D和Unity3D的介绍，针对目前移动平台游戏开发的技术要求，着重培养学生掌握C++或Java程序语言，鼓励学生进行简单游戏的设计与开发。
2.2在线课程自主学习，翻转课堂互动讨论
人工智能课堂教学范文5
第一，选择合适的教材
《计算智能》这门课，很多高校都使用褚蕾蕾老师的《计算智能的数学基础》这本书，我也曾经使用过这本教材。这本书详细的阐述了实现智能计算的相关数学知识，要求学生有非常硬的数学功底，否则学起来会很吃力。最好是数学专业的学生来学习比较合适。但是问题是开设计算智能这门课的专业不仅仅只有数学专业，计算机和信息与计算科学专业都开设这门课，而这本教材对他们来说太深了，他们更注重于实际应用。
除了《计算智能的数学基础》这本书之外，《计算智能――理论、技术与应用》也是非常优秀的教材，它主要针对研究生和科研人员学习使用。因此，对于信息与计算科学专业，我们既要他们理解计算智能，也要他们能够从实际出发，实现智能计算。这是我们的教学目标，纯粹讲解数学，对他们来说是兴趣的一个磨灭。因此，我建议采用曹承志老师编著的《智能技术》这本书，基于其中的若干章节（主要是第四、五、六章）来讲解计算智能这门专业限选课。
第二，制定教学大纲
计算智能是借助现代计算工具模拟人的智能机制、生命的演化过程和人的智能行为而进行信息获取、处理、利用的理论和方法。计算智能信息处理系统是以模型为基础，以仿生计算为特征含数据、算法和实现的柔互式系统。当前，计算智能在用计算科学与技术模拟人和生命的智能及行为方面，主要有模拟智能产生与作用赖以智能表现与功能行为的逻辑观点。
基于这些观点和视野，形成了人工神经网络、演化计算与模糊逻辑为代表的三个典型分支。本课程在这三个分支中，选择了人工神经网络、遗传算法和模糊逻辑的基础知识作为教学的基本内容。这些内容对于进一步学习、研究计算智能、人工智能等高级信息处理，以及信息科学和工程技术都是必要的、基础性的。
教学重点：感知器，人工神经网络，遗传算法，模糊集与模糊系统，模糊逻辑与模糊推理，模糊模式识别与模糊控制等部分内容。同时掌握运用所学知识解决实际问题也是在教学过程中不断要强调的内容。
教学难点：在计算智能的教学过程中，难点主要是人工神经网络，遗传算法和模糊逻辑的理论讲解，要用简明形象的语言描述理论知识，让学生感兴趣。同时，将理论转化为实际解决问题的能力也是教学上的一个难点。
第三，按照大纲要求，开展有序的课堂教学
根据大纲要求，计算智能这门课共有48个学时，其中实验学时8节，学习时间共18周，每周1～2次课。
这种时间安排方式是比较合理的，设计时主要考虑到知识的学习顺序，避免实验与理论课不能配合的现象发生。实验1在第10周做，那么我们就可以利用前面9周的时间给学生讲解神经网络的相关理论和实验软件等等，为实践做准备工作。这样，学生在做课程实验时，才不会觉得无从下手。实验2在16周做，当中空闲的两周主要用于学习MATLAB遗传算法工具箱。
第四，设计作业与课程实验
该课程有两次作业，分别在第6周和第12周布置，作业时间为1～2周。这两次作业内容分别针对“人工神经网络”和“遗传算法”。从表中不难看出，当做完相应章节的作业后，立即进行课程实验，这样的设计，使得学生难免更加深刻地理解和掌握知识。
值得提出的是，这门课的实验工具――MATLAB6.5。以前，我们曾经使用过C/C++/VC＋＋等等高级语言来做计算智能仿真实验，但最后的效果并不是很令人满意，学生往往会知难而退，从而丧失对这门课的兴趣和信心。
因此，我认为，针对信科专业或者计算机相关专业的学生，他们的数学基础并不是非常扎实，而计算智能又是一门专业限选课。要想让学生对这门课产生兴趣，我们可以考虑采用一些成熟的工具箱来支持我们的实验教学，如MATLAB6.5的“神经网络工具箱”“遗传算法工具箱”和“模糊逻辑工具箱”。学生通过使用这些工具箱，方便而有效地感觉到“智能的计算”的存在。实践证明，这种方法能够取得更好的实验教学目的。
第五，与学生的课后交流
教师在课堂上传授完知识后，要及时与学生进行交流，了解他们的学习情况并获取建设性意见。通过平时的观察和总结，大学教师与学生交流的方式和方法主要有以下几种：
(1)利用一切时间（如上课提前几十分钟到教室、课间或下课时间等等）与学生交谈，了解他们的学习动态及回答他们提出的问题。
(2) 建立课程网站，学生登陆后可以通过论坛或聊天室向教师提问。可以确定一个时间（如每周三晚7点，开放聊天室进行网络实时答疑），平时学生可以通过在论坛上发帖，教师回复的方式获得答疑。
(3) 如果没有课程网站，教师可以留给学生一个常用的Email地址，或者其他的联系方式，让学生在学习过程中遇到困难时可以联系到教师。
(4) 固定辅导的时间和地点。这个地点可以是教室、办公室、会议室等等。如果场所有限，可以分班进行。
上面的四类方法是经常使用的，我们对此进行了一个问卷调查，对象是03级和04级信息与计算科学的150名学生，要求他们选出三种最合适的交流方式。经过认真的调查和详细的统计，有106位学生选择了采用学习网站的方式进行交流，97位学生选择了固定场所答疑，76位学生选择了课间交谈方式。而类似Email、QQ和打电话的方式似乎不受学生青睐。论坛和聊天室方式介于它们之间，而这两种方式完全可以包容在“课程学习网站”中。
第六，计算智能与人工智能的关系
在我校，要求学生先学习计算智能，再学习人工智能，其实两者的顺序并不重要，未必要先学习计算智能。但是，在教学过程中，要让学生明确学习目的，了解学习这门课的意义所在，计算智能与人工智能相比，是更低层的运算，它强调的是数据，而人工智能强调的是知识。
从事这门课的教学有很长时间了，也逐渐地有一些研究课题，对于个别特别感兴趣的学生，可以吸引他们加入我们的研究队伍，这也是因材施教思想的一个体现。
参考文献：
[1]丁永生.计算智能――理论、技术与应用[M].科学出版社，2004.
人工智能课堂教学范文6
一、深度学习概念的提出
深度学习的概念，源于30多年来计算机科学、人工神经网络和人工智能的研究。上世纪八九十年代，人们提出了一系列机器学习模型，应用最为广泛的包括支持向量机（Support Vector Machine，SVM）和逻辑回归（Logistic Regression，LR），这两种模型分别可以看作包含1个隐藏层和没有隐藏层的浅层模型。计算机面对较为复杂的问题解决训练时，可以利用反向传播算法计算梯度，再用梯度下降方法在参数空间中寻找最优解。浅层模型往往具有凸代价函数，理论分析相对简单，训练方法也容易掌握，应用取得了很多成功。①随着人工智能的发展，计算机和智能网络如何基于算法革新，模拟人脑抽象认知和思维，准确且高清晰度地进行声音处理、图像传播甚至更为复杂的数据处理和问题解决等，在21世纪来临的时候成为摆在人工智能领域的关键问题。
30多年来，加拿大多伦多大学计算机系辛顿教授（Hinton，G.）一直从事机器学习模型、神经网络与人工智能等问题的相关研究，并在机器学习模型特别是突破浅层学习模型，实现计算机抽象认知方面取得了突破性的进展。2006年，他在《Science》上发表了《利用神经网络刻画数据维度》（Reducing the Dimensionality of Data with Neural Networks）一文，探讨了应用人工神经网络刻画数据的学习模型，首先提出了深度学习（Deep Learning）的概念和计算机深度学习模型，掀起了深度学习在人工智能领域的新。这篇文章的两个主要观点是：第一，多隐藏层的人工神经网络具有优异的特征学习能力，学习到的特征对数据有更本质的刻画，从而有利于可视化或分类；第二，深度神经网络可以通过“逐层初始化”（Layer-wise Pre-training）来有效克服训练和优解的难度，无监督的逐层初始化方法有助于突破浅层学习模型。②基于深度置信网络（DBN）提出非监督逐层训练算法，为解决深层结构相关的优化难题带来希望，随后提出多层自动编码器深层结构。③2012年，辛顿又带领学生在目前最大的图像数据库ImageNet上，对分类问题取得了惊人的结果，将计算机处理图像数据问题时排名前五的错误率（即Top5错误率），由最高26%大幅降低至15%，大大提高了人工智能图像数据处理的准确性和清晰度，这是早先计算机仅仅依赖数学模型的表层学习和单层学习根本无法实现的水平。
在人工智能领域，深度学习其实是一种算法思维，其核心是对人脑思维深层次学习的模拟，通过模拟人脑的深哟纬橄笕现过程，实现计算机对数据的复杂运算和优化。深度学习采用的模型是深层神经网络（Deep Neural Networks，DNN）模型，即包含多个隐藏层（Hidden Layer，也称隐含层）的神经网络（Neural Networks，NN）。深度学习利用模型中的隐藏层，通过特征组合的方式，逐层将原始输入转化为浅层特征、中层特征、高层特征直至最终的任务目标。深度学习可以完成需要高度抽象特征的人工智能任务，如语音识别、图像识别和检索、自然语言理解等。深层模型是包含多个隐藏层的人工神经网络，多层非线性结构使其具备强大的特征表达能力和对复杂任务的建模能力。训练深层模型是长期以来的难题，近年来以层次化、逐层初始化为代表的一系列方法的提出，为训练深层模型带来了希望，并在多个应用领域获得了成功。
人工智能学者们认为计算机和智能网络的这一深层的自动编码与解码过程，是一个从数据刻画、抽象认知到优选方案的深度学习的过程。由于人脑具有深度结构，认知过程是一个复杂的脑活动过程，因而计算机和人工智能网络模拟从符号接受、符号解码、意义建立再到优化方案的学习过程也是有结构的；同时，认知过程是逐层进行、逐步抽象的，人工智能不是纯粹依赖于数学模型的产物，而是对人脑、人脑神经网络及抽象认知和思维过程进行模拟的产物。应该说，到目前为止，深度学习是计算机和智能网络最接近人脑的智能学习方法。近几年来，深度学习进一步尝试直接解决抽象认知的难题，并取得了突破性的进展，AlphaGo的问世，便是明证。2013年4月，《麻省理工学院技术评论》（MIT Technology Review ）杂志将深度学习列为2013年十大突破性技术之首。④深度学习引爆的这场革命，将人工智能带上了一个新的台阶，不仅学术意义巨大，而且实用性很强，工业界也开始了大规模的投入，一大批产品将从中获益。二十世纪八九十年代以来，随着学习科学的不断发展，深度学习的概念和思想不断在教育中得到应用。
二、深度学习在教育中的兴起与发展
来自脑科学、人工智能和学习科学领域的新成就，必然引起教育领域研究者的深刻反省。计算机、人工智能尚且能够模拟人脑的深层结构和抽象认知，通过神经网络的建立开展深度学习，那人对知识的学习过程究竟应该是怎样的一个脑活动过程和学习过程？学生的学习有表层和深层等层次之分吗？从作为符号的公共知识到作为个人意义的个人知识究竟是怎样建立起来的？知识学习过程究竟是一个怎样的抽象认知过程？信息技术环境支持下深层次的学习如何实现？近十多年来，这些问题引起了许多教育研究者特别是教育技术学研究者的浓厚兴趣，深度学习、深度教学的研究日益引起人们的重视。也正是在辛顿的“深度学习”概念明确提出后，教育学领域特别是教育技术学领域的深度学习研究日益活跃起来。
其实，早在1956年布鲁姆在《教育目标分类学》里关于“认知领域目标”的探讨中，对认识目标的维度划分就蕴含了深度学习的思想，即“学习有深浅层次之分”，将教学目标分为了解、理解、应用、分析、综合、评价六个由浅入深的层次。⑤学习者的认知水平停留在知道或领会的层次则为浅层学习，涉及的是简单提取、机械记忆符号表征或浅层了解逻辑背景等低阶思维活动；而认知水平较高的深层理解、应用、分析、综合和评价则涉及的是理性思辨、创造性思维、问题解决等相对复杂的高阶思维活动，属于深层学习。1976年，美国学者马顿（Marton，F.）和萨尔约（Saljo，R.）在《论学习的本质区别：结果和过程》（On Qualitative Difference in Learning： Outcome and Process）一文中，明确提出了表层学习和深层学习的概念。⑥这被普遍认为是教育学领域首次明确提出深度学习的概念。他们在一项关于阅读能力的实验研究中，明确探讨了阅读学习的层次问题。通过让学生阅读文章并进行测验，发现学生在阅读的过程中运用了两种截然不同的学习策略：一种是试图记住文章的事实表达，揣测接下来的测试并记忆，即表层学习（Surface Learning）；另一种是试图理解文章的中心思想和学术内涵，即深层学习（Deep Learning），也被译为深度学习。深度学习的学习者追求知识的理解并且使已有的知识与特定教材的内容进行批判性互动，探寻知识的逻辑意义，使现有事实和所得出的结论建立联系。浅层学习和深层学习在学习动机、投入程度、记忆方式、思维层次和迁移能力上有明显的差异。深度学习是一种主动的、高投入的、理解记忆的、涉及高阶思维并且学习结果迁移性强的学习状态和学习过程。之后 ，拉姆斯登（Ramsden，1988）、英推施黛（Entwistle，1997）以及比格斯（Biggs，1999）等人发展了浅层学习和深度学习的相关理论。⑦随着信息技术的发展，近十年来，国外学者对信息技术支持下的深度学习及其在各学科领域、各类教育中的应用研究日渐广泛。
2002年以来，从技术支持高等教育的深度学习、虚拟环境中的深度学习、形成性评估对深度学习的影响、学习环境对学生进行深度学习的影响、技术支持下的深度学习设计等方面研究成果日益丰富，但绝大部分是基于教育技术学视野的研究成果。2006年，辛顿教授关于深度学习的成果发表，进一步推动了深度学习在教育中的研究与应用。近十年来，在中小学深度学习研究方面最有影响的当属加拿大西盟菲莎大学（Simon Fraser University）艾根（Egan， K.）教授领衔的“深度学习”（Learning in Depth，简称LID）项目组所进行的研究，其成果集中体现在《深度学习：转变学校教育的一个革新案例》（Learning in Depth： A Simple Innovation That Can Transform Schooling）等著述之中。⑧该研究探讨了深度学习的基本原则与方法，分析了深度学习对学生成长、教师发展和学校革新的价值与路径，并在加拿大部分中小学进行实验研究。其核心成果聚焦课堂学习和教学问题，即使是关于教师教育中深度学习的研究，也聚焦于教师的学习过程和学习方式。⑨艾根所开展的深度学习研究项目超越了单一教育技术学视野的研究，不仅仅是关于教学设计、学习技术和学习环境开发的研究，而是基于建立新的学习观和知识观，对教学活动与学习过程作出了新的阐释。
总体上看，国内关于深度学习的研究最近十年才刚刚起步。2005年，我国学者黎加厚教授在《促进学生深度学习》一文中，率先介绍了国外关于深度学习的研究成果，同时探讨了深度学习的本质。他认为深度学习是指在理解学习的基础上，学习者能够批判性地学习新的思想和事实，并将它们融入原有的认知结构中，能够在众多思想间进行联系，能够将已有的知识迁移到新的情境中，作出决策和解决问题的学习。⑩此文被认为是国内较早介绍并论及深度学习的研究成果，此后，关于深度学习的探讨，特别是基于信息技术环境下的深度学习的相关研究论文逐渐增加。2006年10月，笔者在前期研究的基础上，与台湾成功大学教育研究所所长李坤崇教授联合发起“海峡两岸能力生根计划”，推进能力导向的深度教学的理论研究与实验研究，主张以价值观、知识观、学习观、过程观的重建为基础，以发展学生的学科能力为宗旨，实施深度教学，克服课堂教学改革过于注重教学程序、教学技术、教学时间的浅层次改革和表层学习的局限性，深化课堂教学改革。2014年后，中国教育科学院院长兼教育部课程教材研究与发展中心主任田慧生研究员基于深化课程改革的需要，带领一个团队开始启动深度学习的项目研究。直至今日，基于核心素养追求背景下的深度学习研究项目，如雨后春笋般涌现，“深度学习”成为教育研究中的一个热词。
尽管计算机、人工智能领域与教育学领域都提出了“深度学习”概念，但不难看出二者显然具有本质差异。计算机与人工智能领域的深度学习是建立在机器模拟人脑深层结构的基础之上的，是基于人脑结构的一种计算机算法思维和问题解决模型，是对人脑和认知结构的模拟。而教育学领域的“深度学习”概念，无论是布鲁姆还是马顿和萨尔约，都指向了“知识”和“学习”两个核心，是关于知识学习的目标和过程的问题。布鲁姆在教育目标分类学认知领域的目标构设中，认为认知目标是由了解、理解、应用、分析、综合、评价六个不断加深的层次构成的。这一目标明显是关于知识学习和认知过程的目标，在2001年修订版中，这一目标被精确表述为知识学习和认知过程两个维度。马顿和萨尔约在关于阅读的研究中，基于学生对文本理解的层次和理解的深度提出了“深度学习”的概念，并认为学习的本质区别在于过程而不是学习的结果，是学生对文本知识学习的深刻程度决定了其学习结果的差异性。
艾根的研究实现了从深度学习向深度教学的转向。艾根的深度学习（Learning in Depth）研究更明确地指向了学生对知识的学习所到达的深度，以及教师通过对知识的处理引导学生逐步到达一定的学习深度。这一深度学习的过程是一个逐步深化的学习过程，要求教师在教学过程中引导学生着眼于知识的深层次理解和深度处理。该项研究表明，深度学习的研究开始从单一的学习技术研究转向了对教学过程的关注，注重深度学习与深度教学的关联性和一致性，深度学习的研究呈现出向深度学习与深度教学相结合的转向。
三、深度学习的核心理念
从深度学习走向深度教学，一方面是教与学的一致性决定的，另一方面是当前中小学课堂教学普遍存在的局限性Q定的。教与学的关系既不是对立关系，也不是对应关系，而是一种具有相融性的一体化关系，离开了教无所谓学，离开了学也无所谓教。学生真正意义上的深度学习需要建立在教师深度教导、引导的基础之上。从本质上看，教育学视野下的深度学习不同于人工智能视野下的深度学习，不是学生像机器一样对人脑进行孤独的模拟活动，而是学生在教师引导下，对知识进行的“层进式学习”和“沉浸式学习”。“层进”是指对知识内在结构的逐层深化的学习，“沉浸”是指对学习过程的深刻参与和学习投入。离开了教师的教学和引导，学生何以“沉浸”？因此，深度学习只有走向深度教学才更具有发展性的意义和价值。同时，我国新一轮基础教育课程改革以来，课堂教学改革依然存在着诸多表层学习、表面学习和表演学习的局限性，“学习方式的转变”往往演变成了教学形式的改变，诸如教与学在程序上的简单翻转和在时间上的粗暴分配。其所体现出来的知识观、价值观、教学观、过程观依然陈旧落后，以学科知识、学科能力、学科思想和学科经验的融合为核心的学科素养依然未能得到实质性的渗透。
深度教学的“深度”是建立在完整而深刻地处理和理解知识的基础之上的。艾根在深度学习的研究中，首次从知识论的角度，论述了深度学习的“深度”（Depth）的涵义。他认为“学习深度”具有三个基本标准，即知识学习的充分广度（Sufficient Breadth）、知识学习的充分深度（Sufficient Depth）和知识学习的充分关联度（Multi-Dimensional Richness and Ties）。这三个标准，也是深度学习的核心理念。
第一，知识学习的充分广度。充分的广度与知识产生的背景相关，与知识对人生成的意义相关，与个体经验相关，也与学习者的学习情境相关。如果教学把知识从其赖以存在的背景、意义和经验中剥离出来，成为纯粹的符号，便成为无意义的符号、无根基的概念知识。知识具有强烈的依存性，无论是自然科学的知识还是社会科学或人文学科的知识，都是特定的社会背景、文化背景、历史背景及其特定的思维方式的产物。离开了知识的自然背景、社会背景、逻辑背景，前人创造的知识对后人而言几乎不具有可理解性。随着深度学习的兴起，旨在以广度促进理解的“无边界学习”日益引起人们的重视。可见，知识的充分广度，其实是为理解提供多样性的支架，为知识的意义达成创造了可能性和广阔性基础。
第二，知识学习的充分深度。知识的充分深度与知识所表达的内在思想、认知方式和具体的思维逻辑相关，深度学习把通过知识理解来建立认识方式，提升思维品质，特别是发展批判性思维作为核心目标。所以说，深度学习是一种反思性学习，是注重批判性思维品质培养的学习，同时也是一种沉浸式、层进式的学习。深度学习强调学习过程是从符号理解、符号解码到意义建构的认知过程，这一过程是逐层深化的。
第三，知R学习的充分关联度。知识的充分关联度，是指知识学习指向与多维度地理解知识的丰富内涵及其与文化、想象、经验的内在联系。知识学习不是单一的符号学习，而是对知识所承载的文化精神的学习。同时，通过与学生的想象、情感的紧密联系，达到对知识的意义建构。从广度，到深度，再到关联度，学生认知的过程是逐层深化的。所谓意义建构，即从公共知识到个人知识的建立过程，都需要建立在知识学习的深度和关联度之上。
①Y.LeCun and Y.Bengio.Convolutional networks for images，speech，and time-series.In M.A.Arbib，editor，The Handbook of Brain Theory and Neural Networks.MIT Press，1995.
②Geoffery E.Hinton and Salakhutdinov R.R.，Reducing the dimensionality of data with neural networks. Science.2006 Jul 28；313（5786）：504-7.
③Geoffrey E.Hinton，Simon Osindero，Yee-Whye Teh. A Fast Learning Algorithm for Deep Belief Nets. Neural Computation.2006（7）.
④余凯等.深度学习的昨天、今天和明天[J].计算机研究与发展，2013，9.
⑤安德森.布卢姆教育目标分类学（修订版）[M]. 北京：外语教学与研究出版社，2009：78-80.
⑥Marton，F. and Saljo，R.，On Qualitative Difference in Learning：Outcome and Process. British Journal of Educational Psychology，1976，46：4-11.
⑦安富海.促进深度学习的课堂教学策略研究[J].课程・教材・教法，2014，11.
⑧Kieran Egan. Learning in Depth： A Simple Innovation That Can Transform Schooling. London， Ontario： The Althouse Press， 2010.
