前言：中文期刊网精心挑选了人工智能教学总结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。
人工智能教学总结范文1
1背景
近年来，随着“互联网+”的快速普及，互联网跨界融合创新模式进入林业领域，利用移动互联网、物联网、大数据、云计算等技术推动信息化与林业深度融合，开启了智慧林业的大门。我国林业信息化、智能化建设逐步走上了有序、快步发展的轨道，取得了重要的进展。
2011―2013年，国家林业局先后开展了中国林业信息化体制机制研究和中国智慧林业发展规划研究，在此基础上出台了《国家林业局关于进一步加快林业信息化发展的指导意见》和《中国智慧林业发展指导意见》。2012―2013年，在深入研究的基础上，林业局编制了《中国林业物联网发展框架设计》，2016年3月正式了《“互联网+”林业行动计划》。
国家林业局制定的《中国智慧林业发展指导意见》指出，信息化、智能化在林业中的应用已经从零散的点的应用发展到融合的、全面的创新应用。随着现代信息技术的逐步应用，能实现林业资源的实时、动态监测和管理，更透彻地感知生态环境状况、遏制生态危机，更深入地监测预警事件、支撑生态行动、预防生态灾害。
人工智能是计算机科学中涉及研究、设计和应用智能机器的一个重要分支。国际上，人工智能的研究已取得长足的进展；在国内，也呈现出极好的发展势头，人工智能已得到迅速的传播与发展，并促进了其他学科的发展。我国已有数以万计的科技人员和大学师生从事不同层次的人工智能的研究与学习，人工智能已成为一个受到广泛重视并有着广阔应用潜能的庞大的、交叉的前沿学科。特别是经过近几十年的发展，智能技术及其应用已经成为各行业创新的重要生长点，其广泛的应用前景日趋明显，如智能机器人、智能化机器、智能化电器、智能化楼宇、智能化社区、智能化物流等，对人类生活的方方面面产生了重要的影响。
近年来，人工智能已经在智慧林业相关领域中得到了广泛应用，例如，在智能机器人的应用方面，已经有大量的嫁接机器人、水果采摘机器人、农药喷洒机器人、果实分检机器人等投入使用；在专家系统的应用方面，森林病虫害诊断专家系统、病虫预测预报专家系统、林产品生产管理专家系统、专家咨询和人员培训专家系统等也得到了广泛应用。
随着人工智能在智慧林业中的广泛应用，涉林企业和事业单位对智能型林业高技术人才的需求也在不断加大。为了适应市场对智能型人才的需求，自2003年起，国内诸多林业高等院校在计算机科学与技术专业本科阶段、林业相关专业的研究生阶段陆续开设人工智能课程，同时不断加大人工智能课程的比重，因此，人工智能课程教学对于林业院校显得越来越重要。
2林业院校人工智能课程教学现状
林业院校开设人工智能课程的专业不多，但有不断增加的趋势。以中南林业科技大学为例，该校计算机科学与技术本科专业自2003年起就开设了人工智能课程，所用教材一直是蔡自兴教授主编的《人工智能及其应用》；另外，面向部分专业的硕士和博士研究生开设了人工智能相关课程，如农业硕士的农业信息化领域研究生开设了人工智能技术，森林经理和森林培育两个专业的博士研究生开设了人工智能与专家系统。
针对计算机科学与技术本科专业，人工智能课程主要使用蔡自兴教授主编的《人工智能及其应用》教材施教，但由于课时数仅有32学时，关于人工智能的一些高级应用，如神经网络、专家系统、机器学习等，采用专题的形式组织教学。该专业没有设置实验学时，仅在理论课堂上演示了一些仿真软件，如BP神经网络仿真环境。
针对农业硕士的农业信息化领域研究生和森林经理及森林培育两个专业的博士研究生，教学计划安排的学时数为40学时，没有指定教材，仅给学生列了蔡自兴教授的《人工智能及其应用――研究生用书》等几本参考教材。课堂主要以专题的形式组织教学，每一讲除了相关的理论以外，还介绍一些工程实践应用的例子，让研究生能够了解这些人工智能算法如何在实际中得到具体应用。
3林业院校人工智能课程教学存在的问题
全国各高等院校的人工智能课程教学都或多或少地存在一些问题，林业院校更有区别于其他类型院校的显著特征，而且林业院校开设该课程教学相对较晚，因此林业院校的人工智能课程教学存在更多的问题。
（1）师资短缺。在林业院校，林学相关专业开设该课程往往由林学相关专业的教师主讲。这些非计算机相关专业的教师虽然曾从事过人工智能个别算法或领域研究，但不具备全面的人工智能相关专业知识，在讲授不熟悉的人工智能知识点时显得力不从心。
（2）教学内容专业性不强。人工智能是计算机科学的一个分支学科，一般的人工智能教材都比较适合计算机相关专业的学生使用，但是农业信息化、森林经理、森林培育等专业的学生不管是专业基础还是行业应用背景均与计算机类专业学生不同，如果我们仍然按普通的教材施教，教学内容就缺乏林科特色，显得专业性不强，无法吸引学生的听课兴趣。
（3）教学难度过大。林业院校涉林专业的学生一般只有计算机文化基础、C语言等简单的计算机课程基础，缺乏算法思想。而人工智能课程涉及很多高级、复杂的算法，不论从算法思想，还是从算法实现和算法应用，对非计算机类专业学生来说难度过大。因此，在教学内容和教学要求上要做一些取舍。
除此之外，还存在诸如缺少实验环节、教学手段单一、教学案例缺乏等其他普遍性问题。
4林业院校人工智能课程教学改革建议
通过分析林业院校人工智能课程教学存在的问题，结合自己近十余年来从事人工智能教学的经验，我们提出了一些改革建议。
（1）推行专题式教学，解决师资缺乏的问题。在师资缺乏的情况下，由一名教师完成整个人工智能课程教学比较困难，同时，可能有多名教师分别在人工智能的不同方面进行过深入研究。因此，可以将该课程按章节分成各个不同的模块，每一个模块设一个专题，如神经网络专题、专家系统专题、机器学习专题等，再由多名教师分别承担自己熟悉的专题进行讲授。这样既可以解决一位教师的知识不足，又可以让各位教师结合自己的科研将每一个熟悉的专题讲授得更加详细、更加有趣。
（2）教学内容与涉林专业紧密结合，解决专业性不强的问题。事实上，人工智能的各领域应用在林业行业都能找到对应的应用实例。例如，林果采摘机器人就是机器人在林业中的应用；林火识别和林木病虫害监测就是模式识别在林业中的应用；林火蔓延预测可以用到隐马尔科夫模型；PAID50专家系统平台就是专家系统在农林业中的应用典范等。因此，在教学过程中，我们可以考虑将人工智能知识与林业应用结合进行讲解，这样学生更容易接受也更乐意接受。更进一步，如果能够结合这些林业应用编写一本《人工智能及其林业应用》教材，将会更加适合涉林专业的学生学习这门课程。
（3）应用计算机仿真软件解决教学内容难度大的问题。非计算机类专业的学生计算机基础较差，编程能力不强，算法训练不足，对各种人工智能高级算法难以理解，更难以编程实现。针对这个实际问题，我们可以主动提供一些相关算法的计算机仿真软件，在课堂上通过演示这些仿真软件，让学生直观地理解算法，甚至能够通过仿真软件应用这些算法解决本专业相关的问题。例如可以开发如图1和图2所示的BP神经网络算法仿真软件，通过该仿真可以把神经网络的结构、训练时的权值偏差变化、训练过程中总误差的变化等信息完全呈现在学生面前，学生通过这个仿真过程就不难理解BP神经网络算法，甚至可以使用这个仿真软件来解决本专业相关的一些问题。
人工智能教学总结范文2
一、顶层设计,构建全方位、多层次、可操作的指导体系。
为了保障人工智能教育在我校真正落实和长期发展，学校将人工智能教育工作纳入到学校整体三年发展规划中，并作出明确要求。
为了让师生更加重视人工智能教育，促进学生全面发展，特修订了我校“五美”能行课程体系，将人工智能课程进行了重新定位和设计。
为了建设符合我校校情、学情的人工智能课程体系，学校成立了人工智能课程建设与实施的探索与研究项目管理团队，制定了项目计划书，从项目名称、项目团队、项目背景、项目创新点及解决问题、项目推进措施、项目完成期限等方面进行了具体规划。
二、支撑保障
完善软硬件设施和文化建设，为人工智能教育开展做好支撑和保障。除了四楼独立的人工智能实验室，我校还自主改造了五楼的创客教室和阅览室，扩宽了人工智能教育场所，尽全力满足学生人工智能上课需求。
学校高度重视人工智能教育，不断加大投入。在资金紧张的情况下依然给学生购买了小学生C++趣味编程书和人工智能超变战场的场地。
三、具体做法
1.基于校情和学情的人工智能课程设计
课程设置：开学之前，课程部整体规划，实行信息技术课两节联排。
人工智能课程开设内容安排：基于校情学情，本学期3-6年级全面铺开人工智能课程，3年级以信息技术基础知识、编程猫、乐高搭建基础入门为主；4年级AI神奇动物，5-6年AI变形工坊，是集搭建和编程于一体的人工智能课程体系。本学期信息技术类人工智能特色社团的开设：人工智能机器人社团、信息学奥C++社团、创意编程社团。
2.三位一体，三组联动推进人工智能课程的开发与实践。三组是：项目组、教研组和集备组。具体做法是：
项目组的做法：根据人工智能项目管理计划书的内容和要求，3月初进行项目工作总结和4月份计划汇报，5月份进行了中期汇报。进一步梳理人工智能校本课程的内容，促进人工智能课程实施与落地，进行了生本AI人工智能校本课程的开发与研究，重点对课程目标和课程内容进行了设计和探索。
教研组的做法：1.参加区首次信息技术教研活动，明确方向和工作重点。组织信息技术教师按时参加区里首次信息技术教研活动，并将区里的要求传达给每一位信息技术老师，为接下来的工作做好铺垫指明方向。2. 教研组内进行磨课，四年级潘倩老师执教了四年级AI神奇动物—敏捷的蛇；徐娜老执教了五年级AI神奇变形工坊—设计“地雷”，课后及时听评课，提出优点与不足，并进一步改进完善。
集备组活动：各年级备课组利用双周周二上午时间进行集备，研究本周的上课内容、梳理课堂具体流程及教学设计。
3.加强教师培养力度，积极组织教师参加人工智能培训和学习。学校鼓励教师进行小课题的研究，提升教学专业素养。2019年区级小课题《小学人工智能课程体系、教学策略和教学评价的研究》顺利结题。2020年区级小课题《奎文区人工智能教育专项课题--小学人工智能教育教学策略及评价方法的研究》立项。
4.为了拓宽视野，为人工智能教育的发展进一步指明方向。落实请进来：邀请区教研室专家进校为学校人工智能开展情况进行诊断；邀请优必选指导老师入校指导人工智能课程，并进行赛事辅导和培训。
5.为了给学生的学习搭建更广阔的平台，丰富学生的课余文化生活，促进学生信息素养的提升。以赛促学，积极组织学生参加各级各类比赛。
四、取得成效
1.学校层面：以人工智能教育为契机近年来，我校的信息化、数字化、智能化水平不断提升，互联网+教育、智慧校园工作取得了巨大的进步，学校获得省市区多项荣誉。
人工智能教学总结范文3
【关键词】大规模开放在线课程；人工智能课程；翻转教学法
0 引言
近年社会对计算机专业人才能力的要求越来越高，而学生所学与实际需求存在不少差距，高校计算机专业课程教学因而遭遇诟病。依托信息与网络技术支撑的大规模网络开放课程（massive online open course，MOOC）较好贯彻了以学为中心的理念，其翻转教学模式与灵活有效的交互极大提升了学习兴趣[1]。搭建MOOC平台的计算机技术既是技术基础，也是热门MOOC课程。在此浪潮下传统高校计算机专业的教学首当其冲受到冲击，遇到前所未有的挑战。纵观国际三大MOOC巨头的课程建设均始于计算机类专业课程，同时也是所占比例较大的课程系列，其中人工智能（Artificial Intelligence，AI）课程在Coursera、Udacity[1]两个平台上均是最早开设的课程之一。采用何种教学模式更适应社会对人才的需求呢？这是应对挑战的关键问题。
1 人工智能课程的课堂教学困境
人工智能是研究模拟、延伸和扩展人类智能的理论、方法、技术及应用的前沿交叉学科，涉及面广、研究性强，还不断产生新的理论和方法。课程难度大理论强实践难，也是公认难讲的课程之一，该课程具有如下特点：
1.1 先导课多，知识抽象，涉及面广，更新快
前期知识包括：数据结构、离散数学、程序设计、图像处理等。如果前期知识不扎实，很难理解内容并融会贯通。传统内容包括：知识表示和推理、搜索策略、模糊理论、神经网络、机器学习、专家系统、遗传算法等，涉及大量抽象理论和复杂算法。教材普遍特点是：内容滞后，枯燥深奥的理论和解决现实问题的实践联系不紧密。
1.2 研究性强
该领域很多内容仍是科研热点，并不断涌现出新的研究方向、新内容、新方法、新技术和新应用。
1.3 教学方式单调
技术和管理的局限也制约了教学方式，教学方式基本以教为中心，停留在讲授、问答等简单互动上，教学方法单一。很少能提供学生自学、讨论、合作和实践的一整套互动实践机会，难以真正体现以学为中心的理念。
1.4 学生缺乏兴趣
一方面，课程本身特点使得课程容易陷入枯燥的纸上谈兵的尴尬。另一方面，即将毕业的高年级本科生对未来规划明确，抽象的人工智能课程无论从职业发展还是继续深造对学生并没有立竿见影的效果，进一步拉低兴趣。此外，教材滞后，教学方法单一等也会影响兴趣。
如火如荼发展的MOOC的课程，尤其Udacity的课程设计之初就立足于解决实际问题的导向，做法上的独特之处成功吸引了大批学生。课堂教学中借鉴在MOOC上被证明有效的教学模式和方法，不啻为一种尝试，以期摆脱教学困境，提高学习兴趣，最终提升教学质量。
2 MOOC的教学模式
MOOC的教学模式分为三种：cMOOC、xMOOC 和 tMOOC[2]。早期的cMOOC的教学模式特点是学习者完全做主，但复杂的网络互动产生庞大而混杂的知识网，缺乏识别主次和归纳总结能力学生常因信息过载陷入茫然无措的境地。2011年Udacity 创始人之一在网上开设的“人工智能导论”课程改变了表现风格，把互联网作为教学媒体的呈现潜力发挥到极致，按知识点分割内容成短小视频，其间插入现场对问题的解决，突出了Udacity有别于传统教育机构及其先行者的地方：注重发现并解决问题。这就是xMOOC的教学模式，沿袭并创新了熟悉的学习风格，使得MOOC如鱼得水渐渐发展壮大。随着MOOC逐步成熟，为了适合具有专业基础的职业技能培训，发展培养针对具体任务的探究学习教学模式，即tMOOC模式，这是Udacity网站课程的另一个设计目标。表1显示了MOOC的三种模式的对比。
以Udacity的人工智能导论课程为例，只要高中毕业具有概率论和数理统计基础的学生就可以学习，该课程适合入门，但难度较低，内容较少。清华大学的马少平编写的人工智能教材是很多大学，包括我院人工智能课程的教材，清华大学的人工智能课程经过多年发展已经形成了一个系列教学资源库，包括教材、课程视频、教学课件、作业及答案和实验设计等。根据Udacity网站的人工智能导论课程的展示，表2从几方面对比了Udacity人工智能课程与清华大学马少平版的人工智能课程情况：
从表2可以发现Udacity的人工智能视频采用了按知识块分割成短小视频，在期间和完毕之后都准备了测试，细节上体现了以学为主的理念。纵观类似人工智能的国家精品课程[3]，学习资源多为文本类，重用难，对教学重难点没有拓展和转化。这种以内容共享为中心的呈现模式，缺乏与学习者充分交互，难以体现以学为中心的教学理念。
在MOOC的教学设计中，调动学习者极大热情的是翻转课堂，在学习环境中引入了自主协作[4-5]，在交流机制中融入了多元互动，给学习者带来积极、主动、高效的学习，翻转课堂和传统课堂的区别如表3所示：
3 MOOC的教学模式对人工智能课堂教学的启示
3.1 教学内容的优化与调整
MOOC的教学通过把理论抽象的知识点分割成小段录制的微课视频，时长不超过15分钟，内容衔接处具有一定交互性，讲解形象化，提供给学生反复观看，这种用技术处理分解知识点和把难点从抽象变成具象的过程降低了理解难度。
课堂教学也可以通过分而治之的方式对教学内容优化调整。人工智能涉及内容与范围多而杂，作为入门课程并不要面面俱到，根据学生层次，可以区分重点掌握和一般介绍的内容，以点带面铺开，因此，根据学生特点，把成熟的基础理论和这些理论的实际应用整合，辅以其他新技术的穿插介绍，主要分三块：
①人工智能的概念和发展，熟悉人工智能的研究和应用领域；
②人工智能的基本技术，包括知识表示，逻辑推理、搜索策略、模糊理论等；
③涉及现实应用，如：机器学习，模式识别，自然语言理解，智能控制等。
为了反映人工智能领域最新进展，教师还可以收集学生感兴趣的最新成果专题信息，及时更新、调整教学内容，通过与实际更紧密的融合接轨，对课堂上没时间介绍而又较热点的新知识，通过提供方向和资料解决，注重提高兴趣的同时，也展示出课程学科特点、主流技术及发展趋势。
3.2 紧密结合实际
Udacity的开设之初的目的就是学习为了解决现实问题，其人工智能课程设计也不例外，包含有实际遇到问题的解决，这种立竿见影的好处就是极大激发了兴趣。
考虑到高年级学生对解决实际问题技术的兴趣远远大于技术理论等细节，不想花太多时间去理解复杂而难以看到实践效果的理论上，更想通过实际体验解决问题增强成就感。教学内容的设计尤其紧密结合实际运用。
传统人工智能讲授通过实例解答或推证式讲述理论，如知识表示和搜索推理技术，该部分理论强，应用实例少，往往学生感觉枯燥乏味，教师也感觉晦涩抽象，学生对所讲内容基本靠死记方法和步骤，这种僵化的教与学影响了教学效果。
因此，设计教学时尤其注重内容的实用性。除了讲授至今仍沿用和有效的基本原理和方法外，引入近年发展起来的方法和技术，如智能算法等，对这些内容重点在技术的具体实现上，强调与实际的融合贯通。教学过程中加入与课程内容对应又可以用计算机实现的试用内容。如模式识别应用于手写数字识别，通过仿真软件模拟实现算法，获得立竿见影的效果体验，加深对算法的认识，引起学生浓厚的兴趣。同时也对某些很有发展前景的技术兴趣导入，如目前人工智能研究侧重人类理性逻辑功能的模拟，而如果把情感智能考虑进去，才更有人性化的智能决策。这就是经过了将近20年发展的情感计算，随着可穿戴技术渐渐渗透进生活，引起更多关注，这些接地气的内容提升了兴趣。
3.3 实践能力的培养
Udacity 创始人史蒂芬斯博士的说过，“即使是最好的大学，其计算机课程所传授的技能也是浮于理论的”。学习的目的是为了解决实际问题，带着问题学习和思考，有利于主动学习的激发。这些方面，可以参考Udacity人工智能课程的实验内容修正。强调学习是为了解决实际问题服务的目标。
3.4 教学模式及教学方法的变化
3.4.1 实例教学法
人工智能内容的抽象性决定了知识点的难度，Udacity人工智能课程教学中尽量把难懂的知识点结合现实中有趣实例，通过感性体验提高理性理解，让学生容易接受。笔者进行了一些化难为易的尝试：如利用汉诺塔问题讲解状态空间的知识表示，通过野人过河的游戏程序步步领会理论精髓；结合下棋软件体验模拟人脑思考的计算机博弈的极大极小搜索思路，这些实例教学激起了兴趣，扩展了学生思路，拓宽了视野。
3.4.2 翻转教学法
整门课程录制课程小视频还有一定难度，作为尝试，选择少量知识点录制视频进行翻转教学。如抽象的理论部分，借鉴网上已有视频资源融入教学过程，分解知识点破解难点，形象化与短时间的重复讲解，增加学生对抽象内容的理解，期间穿插核查对理解内容的核查，并留出思考时间，强化学习效果。
3.4.3 交互环境的营造，辅助教学过程完善
1）基于联通主义的学习交互[6-7]
在MOOC课程中，提供在线交流论坛，学习者建立课程组，学习组等方式交流，这种教与学、学与学的交互不但是网状进行的，而且是即时的。学生将互动产生的内容作为学习的中心，通过学习者不同认识的交互，建立新的认知结构，拓宽了视野，更有利于问题的有效解决。这种互动交流分成三种形式：
①教师对统一回答提问集中且意义较大的疑难问题；
②学习者分享学习感悟；
③学生间交流带来不同认知的碰撞。
以上三种情况的互动在课堂教学中也可以运用于课堂教学：及时分析整理共同问题，集中回复；课堂教学的互动除了课堂上及时了解学生反馈的互动，还有对解决问题的互动。课下互动可以利用学者网建立课程组，提供了较好的师生交流形式与效果，同时利用学习组在小组中分享互助，小组成员的交流引起认知碰撞，这种实际参与的体验加深了理解，并巩固学到内容，这些资料的逐渐积累还可以复用。
2）基于行为主义的学习反馈[8]
MOOC 遵循了程序教学的一般原则，尤其注重学生反馈，像游戏一样关卡设置让整个过程充满挑战性，一些机器评分实现了及时学习反馈，摆脱了单向提供课程资源的弊端。课堂教学可以借鉴这种借助技术手段互动了解学生学习的情况，促使有意义学习的发生。
4 教学改革的实施
利用以上措施在《人工智能》课程的教学中实践，通过在xMOOC教学模式中部分适当内容引入翻转教学法与利用学者网的课程交互，探索提高兴趣，促进理论与实践的融合，促进有意义学习的发生，提高学生实践能力的途径。通过观察，调查与访谈等方式，了解学生在该教学模式中兴趣与能力改善状况，同时研究教师教学法转变与教学水平变化的关系，根据追踪研究效果，发现这种改善调动了学习兴趣，促进了教学效果。实践中通过建立实验组（班）与对照组（班）、评价教学模式和教学效果等因素，不断总结、修正和完善，期望建立适应当前形势与环境的有效的该课程的教学模式与教学方法。
5 结束语
笔者结合人工智能课程的教学实践，针对本科高年级的教学特点和人工智能课程学科特点，提出在设计人工智能教学时，通过MOOC的教学模式和教学方法完善课堂教学，注重内容的实用性和新颖性，适当穿插新方向的内容，目标是将难学、枯燥、难理解的问题，变得易学、有趣、易理解。从学生反馈来看，这些方法起到了积极的实际效果，有效地提高了学习积极性。
【参考文献】
[1]udacity的人工智能导论课程网[EB/OL].https：///course/cs271.
[2]王萍.大规模在线开放课程的新发展与应用：从cMOOC 到xMOOC[J].现代远程教育研究，2013（03）：13-19.
[3]国家精品课程资源网[DB/OL].[2013-04-22].http：//.
[4]徐明，龙军.基于 MOOC 理念的网络信息安全系列课程教学改革[J].高等教育研究学报，2013，36（03）.
[5]王文礼.MOOC 的发展及其对高等教育的影响[J].江苏高教，2013（2）：53-57.
[6]李青，王涛.MOOC：一种基于连通主义的巨型开放课程模式[J].中国远程教育，2012（3）：30-36.
人工智能教学总结范文4
关键词：人工智能；学习兴趣；教学方法
1956年，在美国Dartmouth大学，由数学家J.McCarthy和他的三位朋友M.Minsky、N.Lochester和C.Shannon共同发起一个历时两个月的夏季学术讨论班，他们在此讨论班上第一次正式使用了人工智能(Artificial Intelligence)这一术语。人工智能是一门多学科交叉的课程，涉及计算机科学、数学、控制论、信息论、神经生理学、心理学、哲学及语言学等多个学科，是新理论和新技术不断出现的综合性学科。当前，人工智能领域加强了从人类智能与生命现象中汲取养分的趋势，加快了向分布式系统与复杂系统靠拢的步伐，智能化的应用更为深入，影响更为广泛，其发展已对人类的经济、社会、文化等方面产生了深远影响[1]。
1人工智能导论课程特点
人工智能导论是人工智能领域的引导性课程，介绍人工智能的基本理论、方法和技术，目的是使学生了解和掌握人工智能的基本概念和方法，为进一步学习奠定基础。人工智能是计算机科学与技术学科一门重要的基础课程，需要相关课程作支撑。离散数学、概率论与数理统计等课程是其数学基础，数据结构、程序设计基础、算法分析与设计等课程则为人工智能中知识表示、逻辑推理和问题求解提供了设计与实现手段。与其他软件课程相比，人工智能课程有鲜明的特点，主要表现在思想方法上强调启发性、算法上强调不确定性。同时，由于人工智能是一个新思想和新技术层出不穷的开拓性领域，因此其对学生的训练是鼓励创新的，具有其他课程不可替代的作用。
人工智能导论是计算机相关专业的必修课，在许多信息类相关的本科教学中也有开设，一般开设在第六或者第七学期。我国目前本科教育的定位是专才教育，培养某方面的专业人才。完成公共基础课程和部分专业基础课程的学习之后，本科高年级学生应该了解本专业的应用领域和发展前景，因此在教学过程中要注意内容的专业性和应用性。由于本科阶段学生缺乏科研意识，初步的科研训练设置在第八学期，即所有课程学习完毕之后的毕业设计，而人工智能课程强调科研性，因此教学难度较大，由此带来的最直接后果就是学生学习兴趣不高。同时，对有志于读研的学生而言，本科阶段的学业也是研究生教育的起点，在教学过程中要适时的进行科研引导，提升学生对科学研究的兴趣，为研究生阶段打下基础。可见，圆满完成人工智能导论课程这一教学任务是重要且极具挑战性的。
2教学内容安排
人工智能的研究和应用领域非常广泛，包括问题求解、机器学习、自然语言理解、专家系统、模式识别、计算机视觉、机器人学、搏弈、计算智能、人工生命自动定理证明、自动程序设计、智能控制、智能检索、智能调度与指挥、智能决策支持系统、人工神经网络、数据挖掘和知识发现等。人工智能导论旨在为这些具体领域的研究提供引导和基础保障。
人工智能导论课程涵盖内容较多，因此需要明确“精讲”和“泛讲”的内容，以使教师和学生在教学活动中都有所侧重。当然，首先应和学生说明，泛讲并不代表内容不重要，只是由于课程性质和课时的关系，暂时不作深入探讨。日后如有需要，可在此基础上进一步学习和研究。结合当前人工智能学科的发展状况，根据教学大纲和作者的教学经验，对人工智能导论课程教学内容的精讲和泛讲安排如表1所示。
3提升学生学习兴趣的教学方法
3.1穿插背景故事
为激发学习积极性，针对学生喜欢听奇闻轶事、想象力丰富的心理特点，通过讲述一些与教学内容有关的故事或者趣事来吸引其注意力，辅助思维并丰富联想，使学生在愉悦中完成学习[2]。下面列举几个我们在课程教学中用到的背景故事，通过这些故事，不但传授了知识，也活跃了课堂气氛。
1) 人类智能的计算机模拟与人机大战。
讲授人类智能的计算机模拟时，可以给学生简述一下IBM公司的超级电脑和国际象棋世界冠军卡斯帕罗夫之间的人机大战，以促进学生对人类智能和人工智能的进一步思考。北京时间1997年5月12日凌晨4点50分，在美国纽约公平大厦，当IBM公司的“深蓝”超级电脑将棋盘上的一个兵走到C4的位置上时，国际象棋世界冠军卡斯帕罗夫对“深蓝”的人机大战落下帷幕，“深蓝” 以3.5U2.5的总比分战胜卡斯帕罗夫。2003年1月26日至2月7日，卡斯帕罗夫与深蓝的升级版“小深”又进行了一场人机大战，先后进行了6局比赛，最终卡斯帕罗夫以1胜1负4平的结果和“小深”握手言和。这也表明了人工智能和人类智能之间的较量还将持续下去。
2) 问题规约法与老和尚说教。
问题规约法是从要解决的问题出发逆向推理，建立子问题以及子问题的子问题，直到最后把初始问题归约为一个本原问题集合。本原问题指不能再分解或变换且直接可解的子问题。可见，问题规约的本质是递归的思想。此时，可以给学生简述我们小时候就听说过的老和尚说教的故事，即“从前有座山，山上有座庙，庙里有个老和尚，老和尚对小和尚说，从前有座山……”。
3) 模糊理论与秃头悖论。
模糊推理是一种重要的不确定性推理方式，是指基于模糊理论进行的推理。讲授模糊理论时，可以先讲一下秃头悖论让学生讨论。一个人有10万根头发，肯定不能算秃头，不是秃头的人，掉了一头发，仍然不是秃头，按照这个道理，让一个不是秃头的人一根一根地减少头发，就得出一条结论，即没有一根头发的光头也不是秃头！秃头悖论的出现源于在严格的逻辑推理中使用了“秃头”这一模糊概念，因此需要以模糊逻辑代替传统的二值逻辑解决该问题。
3.2课堂辩论和多媒体教学
人工智能从其诞生之日起就充满争议，各种学派的争论使得人工智能的发展更趋完善，加快了其纵深发展。目前，人工智能的争论主要有两方面，即研究方法的争论和技术路线的争论。前者争论的主要问题有人工智能是否得模拟人的智能；对结构模拟和行为模拟是否可以分离研究；对感知、思维和行为是否可分离研究；对认知与学习以及逻辑思维和形象思维等问题是否可以分离研究；是否有必要建立人工智能的统一理论体系。后者争论的主要问题是沿着什么样的技术路线和策略来发展人工智能。
在课堂教学中，可以充分利用人工智能中存在的争论较多这一特点，针对相关议题组织课堂辩论，如可用议题“机器的反叛――机器的智能会超越人类吗？”。让学生在图书馆或者从网上查阅相关资料，明确自己的论点并准备证据材料，并在课堂上进行辩论。这类辩论无所谓输赢，旨在通过这种活动，增进学生思考[3]。教学中，还可以充分利用多媒体教学的特点，如让学生观摩电影《终结者》系列、《人工智能》、《黑客帝国》等，增强学生对人工智能的直观感受，提高课堂教学效果[4]。
3.3应用实例分析
普遍而言，本科学生对单纯的理论讲解不太感兴趣，因此在教学过程中，适当增加一些实验和设计，提高学生分析问题的能力和实际动手能力。比如，讲解知识的产生式表示法时，给出产生式的概念和基本表示形式之后，可以通过“野人与传教士过河”问题来说明产生式表示法的具体应用过程；讲解计算智能的进化计算部分时，给出进化算法的几种具体形式和算法流程之后，可以通过中国旅行商问题(CTSP)来说明算法求解问题的过程。教师在教学过程中，可以根据需要，选择一些合适的应用实例进行分析。通过这些实例，既能加深学生对知识的理解，又能增加学习的兴趣。下面给出两个实例的简单描述。
1) 产生式表示法求解“野人与传教士过河”问题。
问题：传教士和野人各N人过河，现只有一条船，传教士和野人都会划船，船一次只能载k人，船上野人多于传教士时野人就会吃掉传教士，问如何安全过河？(不失一般性，以N=3，k=2为例求解)。
求解简述：设综合数据库中状态用三元组(m, c, b)表示，其中m、c、b分别表示传教士、野人和船的数目，则有：
0≤m, c≤3, b ∈{0, 1}
以左岸为参照点，则初始状态和目标状态分别为(3，3，1)和(0，0，0)。据此，可以给出一条产生式规则如下：
IF (m, c, 1) THEN (m-1, c, 0)
以此类推，把所有可行的规则都求出之后，就可按照规则集和控制策略得到问题的解。
2) 遗传算法求解31个城市的CTSP问题[5]。
问题：给定有限个城市的集合C={c1,c2, …,cm}及每两个城市之间的距离矩阵D＝[dij]m×m，其中m∈N，dij=d(ci, cj)∈Z+，ci、 cj∈C，1≤i、j≤m，求出满足的城市序列cπ(1)、cπ(2)、…、cπ(m)，其中π(1)，π(2)，…，π(m)是1、2、…、m的一个全排列。我们以CTSP问题为例，即求解中国31个城市之间最短巡回路线的问题。
求解简述：路径表示直接使用城市在路径中的相对位置，如有编号分别为1、2、3、4、5的5个城市的一条路径4－1－2－5－3，用路径表示方法直接可写为(4 1 2 5 3)。适应度函数值用路径的实际长度表示。交叉算子采用次序杂交，即选择父体的两杂交点，交换相应的段，其它城市则保持在父体中的相应次序。变异算子采用倒位算子，即随机选择两个位置，然后将它们之间的城市反序。通过运用遗传算法求解，可得最优解为15 404 km，对应的巡回路线为“北京―呼和浩特―太原―石家庄―郑州―西安―银川―兰州―西宁―乌鲁木齐―拉萨―成都―昆明―贵阳―南宁―海口―广州―长沙―武汉―南昌―福州―台北―杭州―上海―南京―合肥―济南―天津―沈阳―长春―哈尔滨―北京”。实例讲解完成后，可要求学生采用相同或者不同的方案自己去实现一下问题的求解过程。
4结语
人工智能是计算机科学与技术专业的一门核心课程，同时也是一门交叉学科，涉及面广，理论性强，教学难度较大，学生的学习兴趣有待提高。本文作者根据自己在人工智能导论课程中的教学实践和课程特点，明确了教学中的精讲内容和泛讲内容，总结了三种提高学生学习兴趣的教学方法，并给出相应的实例说明，旨在为本门课程的教师提供教学参考。
参考文献：
[1] 蔡自兴,徐光v. 人工智能及其应用(本科生用书)[M]. 北京:清华大学出版社,2003:288-296.
[2] 薛占熬,齐歌,杜浩翠,等. 离散数学的课堂导入法研究[J]. 计算机教育,2010(8):95-99.
[3] 徐新黎,王万良,杨旭华. “人工智能导论”课程的教学与实践改革探索[J]. 计算机教育,2009(11):129-132.
[4] 李春贵,王萌,何春华. 基于案例教学的“人工智能”教学的实践与探索[J]. 计算机教育,2008(9):53-54.
[5] 杨利英,覃征,贺升平,等. 改进的演化近似算法求解TSP问题[J]. 微电子学与计算机,2004,21(6):126-128.
Teaching Methods for Promoting Learning Interests in Introduction to Artificial Intelligence
YANG Liying
(School of Computer Science, Xidian University, Xi’An 710071, China)
Abstract: This paper presents three teaching methods for promoting learning interests based on the characteristics of Introduction to Artificial Intelligence and our teaching experience. These methods have been used in practice. The teaching practice shows that the methods proposed in this paper can promote learning interests effectively.
人工智能教学总结范文5
关键词：人工智能；案例教学；应用
1引言
作为计算机科学技术的全新领域即人工智能，其正在迅速成长与成熟、新方法、新理念、新技术并且不断壮大，同样也包含着计算机网络、数学、信息论各类学科的交叉和边缘学科。人工智能包含的主要内容有知识表示和推理机制、问题求解和搜索算法，自然语言理解、专家系统和机器学习等；也作为计算机科学各专业重要的基础课程，国内外各高校都非常重视，都将人工智能作为计算机专业的必修课程。人工智能包含的学科多，知识点杂、理论性强、内容抽象，算法难度高复杂，在此情况下各高校采用传统的“教师讲、学生听”单一教学模式，学生处于被动学习地位；课堂教学与实际操作、理论与现实应用相脱节；加上理论知识强，案例缺乏，容易使学生感觉空洞；学生易产生厌学情绪，也达不到锻炼其分析问题、解决问题的思维能力和实践动手能力。如何让学生高效的学习一直是教师研究的课题，在大数据和网络信息时代的大背景下，“互联网+”已经广泛应用和存在于生活、工作各个方面，其在教育教学中表现出的创新性、互动性尤为突出，并极具优势。
2基于案例的教学研究
此方法开始于上世纪20年代左右，最早是由美国哈佛商学院所提倡的，基于当时特殊的商业管理真是背景和特殊事件，能够有效的发展和培养学生主动性、积极性和应用能力，开展案例教学后，学生实际解决问题能力有了很大的提高。但此教学研究方法知道到上世纪80年代后期，才引起教师的重视。1986年由美国研究小组提出《准备就绪的国家：二十一世纪的教师》书中，强烈推荐此方法在实际教学的重要性，并说明今后在教学过程中将其作为一种重要的教学方法应用于各类课程中去。
3基于人工智能的案例教学研究及应用
3.1案例精选
此方法第一步是案例选取，案例的好坏是决定案例教学效果关键因素。案例的选取需要满足以下要求：（1）符合现在的教学目标，明确学生需要掌握的知识点、重难点等，能够运用所学的理论知识应用到实际中，以此提高学生分析、解决问题的能力；（2）案例要有代表性、趣味性，由于人工智能课程内容多、抽象，需要将枯燥乏味的知识点转化为趣味生动的案例，有利于吸引学生注意力，激发学习兴趣和主动性；例如，讲到“知识表示”这部分内容中引入“机器人搬积木”、“野人修道士渡河”案例；（3）采用互动的形式，此为人工智能的案例教学研究重要特征，同时也是教学目标得以充分展现的必要条件。能够调动大家的积极性，学生和学生之间、学生与教师之间的互动，调动学生的主观能动性。
3.2案例的执行
（1）讲授法。基于教学内容具体知识点设计案例；通过教师讲解，帮助学生理解抽象的理论知识。案例的呈现有两种基本形式：一是“案例—理论”,即先给出教学案例，后讲解理论知识；二是“理论—案例”,即教师先讲解知识，再给出教学案例；案例的呈现方式不同,会直接影响案例的功能，也会影响到学生的学习情绪、学习效果。为了使案例能更好地为教学服务,教师讲解案例之前应从创设案例情境开始,通过情境体验与案例剖析激发学生认知的兴趣,引导学生对将要学习的内容产生注意,有利于教师导入新课。（2）互相讨论法。大学生课余时间充沛，鉴于此，将班级学生分为若干小组，教师将事先准备好的案例分配给各组，学生采用组内互动讨论的形式，设计出此案例的各种解决方法。课堂上，将本小组的解决方法用课件展现给其他小组。讲解完成后，学生开始互相讨论，对比各自的方法，然后由老师进行分析、对比和总结。以此来增强学生对学科知识点、应用能力的掌握。（3）相互辩证法。课后，采用相互辩证的方法，组织大家相互辩论。选择一些综合应用比较强的案例。与简单的案例相比，综合应用案例能更加高效地启发学生全方位地思考和探索问题的解决方法。相互辩证法是一种探索新型的教学形式，学生的自主性强，能够在辩论中充分表达自己的观点，充分运用所学的理论知识来维护自己的观点，还可以促使学生查阅大量资料，拓展知识面。
4结语
通过以上论述，人工智能技术开始应用于教学,与教学现代化有着密切的联系。其发展必将对现代教育起巨大推动作用。在教学,可以基于人工智能技术建立人类推理模型学习工具等诸多的运用,展示出越来越好的实用性。
参考文献：
[1]邹蕾,张先锋.人工智能及其发展应用[J].信息网络安全，2012(02).
[2]陈柯蒙，张宁.人工智能的发展探析[J].新西部(理论版)，2012(05).
[3]陈浩磊，邹湘军，陈燕,等.虚拟现实技术的最新发展与展望[J].中国科技论文在线，2011(01).
人工智能教学总结范文6
关键词:应用型人才;人才培养;人工智能;交叉教学
目前,我国高等教育已经进入大众化阶段,需要用分类发展理念指导高等教育人才培养[1]。从人才培养类型看,高校培养的人才大致可以分为3种:研究型人才、应用型人才和技能型人才。这3类人才主要分别由研究型高校、应用型本科院和高职高专培养[2]。应用型人才主要从事生产实际问题和工程实践问题的探讨和解决,完成从产品的设计到开发的过程,为企业经营的管理和决策提供支持[3]。这类人才的数量最为庞大,他们既要掌握相应的专业理论知识,又要具备娴熟的实践技能,具有解决工程实践的专业水平。但在目前的应用型人才培养中,既定的教学方法、教学考核手段等在很大程度上导致理论教学和实践性技能教学脱节。
在几年的教学实践中,笔者对此深有体会。对学生个人来说,他们经过十几年寒窗苦读考进大学,选择自己喜欢或者感兴趣的专业,非常渴望能够在大学四年期间打下坚实的理论基础并且掌握相应的应用技术,使得在四年之后走出学校时得到社会和用人单位的认可。作为大一新生班主任,我们都能感觉学生对知识的渴望,对未来的憧憬,以及对老师那一份沉甸甸的期盼。但经过对几门课程的学习之后(一般是经过一个学期之后),学生的期盼逐渐变成了茫然,因为他们“发现”学习的课程好像并无用处,不知道学习这些课程对他们今后走入社会有什么帮助。任课教师通常只强调本课程的重要性,最后的结论是“必须学好这门课程”。但学生并没有从“学好这门课”中获得有用的体验而是枯燥。在经过大约一年的学习以后,他们会从师兄、师姐那里“调查”得知,这种枯燥很正常,因为往届学生也是这么过的(恶性循环),于是,学生对课程学习就变成麻木了。如果这种情况得不到及时纠正,大三的时候麻木就变成无所谓。其结果就是在大四后就进入了“毕业即失业”的怪圈。
可见,深入挖掘此类问题产生的深层原因、探讨有效的应用型人才培养方法是十分紧迫和必要的。实际上,造成这种局面,除了学生自身的自觉性等主观因素以外,另一个重要的客观原因是目前高校各门课程的教学几乎都是“平行的”,学校没有很好地提供一种有效的培养方式,使得在这种培养方式下各门课程的教学可以在有效范围内实现有机的“交叉”,并在这种交叉的基础上提供进一步升华的途径,本文正是对后者的一个探讨。
1改变传统的平行教学模式,实现强相关课程中理论和理论之间的交叉和融合
以离散数学[4]和人工智能[5]的教学为例,说明课程中理论和理论交叉教学的基本原理。
离散数学是计算机基础课程,理论性很强,其涉及的知识不易于在具体应用中直接体现,但它是其他很多课程的理论基础,是让学生形成相应的“计算机”思维方式的基础。这种类型的课程没有可以动手操作的实验和课程设计,但是我们要让学生在学习本课程时就意识到它与具体应用的关系,并即时插入实践性课程中相应的内容进行教学,即理论课程和实践性课程中理论知识点的交叉教学。
相对离散数学而言,人工智能是实践性、技能性较强的课程。但这两门课程的理论部分很多是强相关的。例如,人工智能中的消解原理和规则演绎部分实际上是离散数学中命题逻辑和谓词逻辑的重复和部分深化,不同的主要是使用的术语不同,是形式上的不同。在离散数学中,数理逻辑部分已经将命题逻辑和谓词逻辑讲得十分透彻,几乎比任何一本人工智能教材都讲得系统、精确。但遗憾的是,从教学实践中我们发现,在学习消解原理和规则演绎部分时,很少有学生能够联想到他在离散数学中曾学过的相应内容,更是没有学生能够将这两门课程的这两个内容融合到一起。实际上,人工智能中的消解原理就是离散数学中的等值演算,只不过前者介绍得“技能性”一点而已,而后者已经讲得十分清楚了,但对人工智能中的消解原理,很多学生仍然难以接受。可见,同样的一种理论知识,现有的教学模式已经使学生截然将它们分开了,造成教学内容的严重脱节。
显然,如果实现人工智能和离散数学的交叉教学,可以在很大程度上将相关的内容紧密结合起来。一方面可以有效发挥离散数学的理论基础作用,另一方面(也是更为重要的一面)可以将抽象的理论知识具体化为实践技能,使学生感到他们所学的理论知识是有价值的、不是枯燥的,从而激发学生产生对抽象理论知识浓厚的学习兴趣,并形成基于深厚理论知识的良好实践技能。这对培养应用型人才是至关重要的。
2实现强相关课程中理论和实践的交叉教学
理论基础课程主要以理论介绍和理论探索为主,涉及的理论知识都相对抽象和枯燥。应用型本科院校学生的高考文化成绩相对较差,这决定了他们单纯学习抽象理论存在相当大的困难,这是造成他们学习枯燥的主观因素。因此,如何使他们走出枯燥的学习环境是应用型人才培养的又一关键问题。
我们认为,理论部分仍然需要具体化、应用化,这才能激起他们的学习兴趣,培养他们的探索精神。理论基础课程大多是没有实验部分,也没有相应的课程设计。即使有的基础课程有实验部分,但由于缺乏具体的应用目标,也使他们觉得索然无味。因此,需要教师在教学活动中创造必要的应用背景,使学生时刻感觉到他们所学的理论是有应用价值的。但人为地创造应用背景无疑极大地增加了教学工作量,使得在有限的教学学时内无法完成既定的教学任务,而交叉教学却能很好地解决这个问题。
以离散数学中的带权图和人工智能中的计算智能为例。离散数学给出了从带权图中寻找哈密顿回路的枚举方法,并指出了这种方法的缺点,但不能进一步介绍克服这种缺点的现有方法(否则超出了此课程的教学范围);而人工智能中的计算智能部分恰好是介绍克服这种缺点的几种方法(如遗传算法、免疫计算等)。如果讲授了带权图部分以后,接着讲授人工智能中的计算智能部分,并要学生编程实现一个启发式算法,这既可以看成是离散数学的一个实验课,又可以完成人工智能相应的教学内容,而整个教学活动都是在既定的教学学时内完成,并无增加其他的负担。
3实现强相关课程中相关知识点的交叉教学
“举一反三、知己知彼”是启发式教学的一种重要策略。知识点的孤立教学不但是枯燥学习的根源,也是造成教学内容分割的“罪魁祸首”。同样,在有限的教学学时内,过多地展开相关知识点的关联教学,会造成教学活动的“超负荷运载”;但是在两门强相关课程中展开相关知识点的交叉教学同样可以避免这种“超负荷运载”,更重要的是它可以使学生建立起良好的知识结构,举一反三。
以数据结构[6]中图的广度优先搜索和人工智能中的宽度优先搜索为例。两者讲的都是图的遍历方法,它们的实现原理似乎是一样的,然而在本质上它们是区别的。这种区别应该让学生深刻领会,而这种领会也只有在交叉教学中才能有效实施。
实际上,数据结构中图的广度优先搜索是人工智能中宽度优先搜索的基础。如果上了数据结构中图的广度优先搜索部分以后,接着上人工智能中宽度优先搜索部分,这时只需引导学生掌握两个关键问题:1)人工智能中宽度优先搜索涉及的OPEN表对应数据结构中图的广度优先搜索的哪一个数据结构?2)CLOSED表有何作用?并在这个基础上,指出两种搜索方法所搜索的对象的区别:人工智能中的搜索方法所搜索的图是未知的(已知的只是图的局部,像是在大雾中寻找要走的路),数据结构中的搜索方法所搜索的是已知的图(图的全局信息是已知的,像是在可以俯瞰的、没有雾的地形上行走)。通过这样的引导和总结,让学生深刻领会两门课程中这两个紧密相关的知识点的本质联系和区别,从而加深他们对课程知识的理解,提高他们对知识探索的积极性。
4加强教师的教学水平,为实现交叉教学奠定技术基础
“要给学生一杯水,教师要有一桶水”。为实现交叉教学,教师应该具有相关交叉课程的坚实理论基础和良好的实践应用技能,并拥有理论-理论、理论-实践和强相关知识点交叉的教学组织能力。为此,需要教师进行以下几方面的基本技能训练。
1) 纵向加强课程所涉及知识的理论学习和实践技能的训练。以离散数学为例,作为教师,我们不能仅仅盯住离散数学教材的内容,而是需要对数理逻辑、集合论、代数系统、图论等有系统、深入的学习,其范围和深度远比离散数学教材的内容大得多;又如对人工智能而言,我们应该在启发式搜索、计算智能、机器学习等方面有很深的造诣;再如,对数据结构而言,我们应该在算法设计、算法分析等方面有坚实的理论基础,并拥有丰富的代码编写经验。
2) 加强科学研究,促进产、学、研结合。我们注意到,教师在“充电”的过程中,实际上已转变了角色,成为学习者――学生。作为学生,我们同样遇到学习枯燥等问题。一般来说,老师不再是老师了(狭义上),那么我们的动力来自哪里呢?那就是科研。教师从事科研不但可以实现理论成果的实用化,而且可以提高教师自身的教学水平,从广度和深度拓宽教师的教学视野。因此,做科研不但不防碍教学,而且可以极大地促进教学,良好的科研基础是教师在教学活动中游刃有余的知识源泉。
3) 根据人才培养目标,完成对课程知识点的准确划分。这是实现课程交叉教学的基本保证。教师根据既定的人才培养目标,并在充分运用自己知识结构的基础上,为实现交叉教学,准确完成对各门课程的知识点划分。在对两门或多门课程的知识点进行划分时,教师应该做到:同一门课程中的知识点应该相对独立;确定同一门或不同课程中知识点之间的拓扑关系,确定哪一个知识点是哪个或哪些知识点的基础,哪一个知识点是另外一些知识点的深化或实例化。只有准确划分了知识点并确定知识点之间的拓扑关系以后,才能有效付诸实施。
5结语
应用型人才占全体学生人数的大多数,他们毕业后将直接走上工程实践性工作岗位,担负着重要的社会责任。但从目前应用型人才培养方式看,普遍存在着理论教学和实践教学相互脱节的情况,严重影响应用型人才培养的质量。为此,本文从课程交叉教学的角度探讨应用人才培养的方法,并认为课程交叉教学在应用人才培养过程中可以发挥积极的作用。课程交叉教学可以考虑从以下4个方面展开:1)改变传统的平行教学模式,实现强相关的理论性课程和实践性课程中理论和理论的交叉和融合;2)理论和实践部分的交叉教学;3)相关知识点的交叉教学;4)加强教师的教学水平,提高教师的理论水平和实践技能。通过课程交叉教学,提高应用人才培养的质量,最终培养以丰富理论内涵为支撑、具有娴熟计算机操作技能的应用型人才。
参考文献:
[1] 鲍洁,梁燕. 应用性本科教育人才培养模式的探索与研究[J]. 中国高教研究,2008(5):47-50.
[2] 王恩华,王莲英. 论我国一般本科院校人才培养目标的多元化[J]. 长春工业大学学报:高教研究版,2008,29(2):64-66.
[3] 齐平,朱家勇. 应用型本科院校人才培养目标调整及其实现之策略[J]. 高教论坛,2010(6):51-53.
[4] 屈婉玲,耿素云,张立昂. 离散数学[M]. 北京:高等教育出版社,2008:1-74,303-305.
[5] 蔡自兴,蒙祖强. 人工智能[M]. 2版. 北京:高等教育出版社,2010:106-122,74-104.
[6] 严蔚敏,吴伟民. 数据结构(C语言版本)[M]. 北京:清华大学出版社,1997:169-170.
Practical Exploration of Course Intersect-teaching in Applied Talent Training
MENG Zu-qiang1, CAI Zi-xing2, HUANG Bo-xiong1
(1. School of Computer, Electronics and Information, Guangxi University, Nanning 530004, China;
2. Institute of Information Science and Engineering, Central South University, Changsha 410083, China)
