前言：中文期刊網精心挑選了人工智能課堂教學范文供你參考和學習，希望我們的參考范文能激發你的文章創作靈感，歡迎閱讀。
人工智能課堂教學范文1
關鍵詞：大學計算機基礎；教學改革；人工智能；智慧課堂
云計算、大數據、人工智能新興領域的崛起，推動信息技術全面滲透于人們的生產生活中。信息技術的核心在于計算機技術和通信技術。然而，雖然目前各個高校都開設了計算機基礎課程，但是其教學卻存在著諸多問題，導致該課程無法達到預期的教學效果。教育部在2012年《教育信息化十年發展規劃（2011-2020年）》，其中指明“以教育信息化帶動教育現代化，促進教育的創新與變革”[2]。因此，本文以華中師范大學計算機基礎課程教學為例，深入闡述了傳統計算機基礎課程教學的弊端，提出了在當前人工智能如火如荼的時代背景下，如何應用人工智能相關技術對傳統的計算機基礎教學進行改革的具體方案。該方案以創建網絡智慧課堂教學模式改革為主體，輔以教學觀念、知識體系和課程考核方式改革，以期對高校的計算機基礎課程教學有所裨益。
1傳統教學的缺陷
⑴課程的教學地位沒有引起足夠的重視一些高校為計算機基礎課程分配較少的學時（少于48學時），甚至有的專業將此課程設置為選修課。這種設置降低了該課程在教師和學生心目中的位置，導致了對該課程的忽視。同時，不少老師因為學時不夠，時間緊迫，僅僅講述與考試相關的內容，不考的一概不講。這導致學生的眼界受限，知識和能力受限，無法培養其全面綜合的計算機素質。還有的專業沒有將這門課給專業的計算機學院的老師講授，而是隨意安排授課人員。沒有經過系統專業訓練的教師缺乏足夠的知識儲備，很難講好這一門看似簡單的課程。⑵課程教學內容的制定與當今時代對于信息化人才的需求脫節一些高校的現狀是計算機基礎的課程教材知識陳舊[3]、質量堪憂，教材總是無法跟上知識更新的步伐，例如都2019年了還在講Office2010。有的高校由于缺乏對課程的重視，沒有對教材優中選優，而是基于利益的考慮，優先選擇自己院系編寫的教材。其教材內容是七拼八湊，沒有整體性、邏輯性和連貫性，更不用說前瞻性。這樣的教材，無疑對學生的學習設置了巨大的屏障。除此以外，一些院校的課程教學知識體系不夠明確和完善，教學大綱的制定不夠科學。從教學大綱中制定的學時分配來說，常常偏重實用性[4]，常用計算機軟件操作占據了大部分的課時。這會讓教師在授課時輕理論而重操作，如此培養學生，非常不利于其計算思維的形成，對后續其他計算機相關課程的學習也是很大的傷害。⑶教學模式過于傳統，信息化水平較低從教學方式上來說，傳統的教學模式以教師課堂授課為中心，是以教師為主體的教學模式[5]。在這種模式下，教師仍然主要以填鴨式教學為主[6]，無法通過課堂教學發現學生的個性化特點，并進行有針對性的教學。另外，雖然計算機基礎課程一般都配備了實驗課時，但是實驗課常常是采用教師布置上機任務、學生做完抽樣檢查的模式。這對于大課堂來說，教師的任務繁重，無法搜集到每一個學生的任務完成情況，無法清晰地掌握學生學習的實際情況和薄弱環節。而且，該課程缺乏相應的研討課時，很難讓學生對其所學知識進行深入思考和探究，以增強思辨能力和對課程的學習興趣。⑷課程考核方式不夠公平合理從考核方式上來說，該課程普遍采用“平時成績”+“期末考試”的加權方式對學生成績進行評定。平時成績多由考勤分所得，期末考試多采用機考模式。這種考核方式過于單一化、機械化，無法對學生進行全方位的評價。很多學生來到教室打考勤，但可能根本沒聽講，而是在睡覺或者玩手機。期末機考的公平合理性也是存在著很多的漏洞。例如機考的試題庫可以十年不變，分值的分配和難度的掌握都沒有經過系統的考量。甚至有的考試系統不夠穩定和安全，頻頻爆出Bug，嚴重影響了考試結果的真實性。
2新人工智能環境下對計算機基礎課程改革的具體方案
2012年開始，在隨著卷積神經網絡技術在視覺處理方面的應用取得巨大的成功之后，人工智能到達了有史以來的第三個爆發期。目前，深度學習技術在AlphaGo、無人駕駛汽車、機器翻譯、智能助理、機器人、推薦系統等領域的發展如火如荼。與此同時，人工智能技術在教育領域方面的應用已經興起。人工智能的教學產品也已有先例，例如基于MOOC平臺研發的教學機器人MOOCBuddy等等。基于人工智能的教育是融合云計算、物聯網、大數據、VR、區塊鏈等新興技術的增強型數字教育[2].在當前人工智能的大時代背景下，針對傳統計算機基礎的種種弊端，我們提出了如下教學改革方案。⑴改變教學理念，確立計算機基礎課程的重要地位計算機基礎作為高校的一門公共課，實則應當作為各個專業的學生后續的學習、科研的必修之課程。因此，高等學校應從源頭上確立該課程的重要地位，將該課程納入必修課范疇，并給與更充分合理的課時分配。除教學課時、實驗課時之外，需要為該課程增加一定的研討課時。任課老師必須是來自于計算機專業的人才。同時，定時舉辦關于該課程的教學培訓、教學研討會和教學比賽，改變教師的教學理念，從源頭上給予該課程足夠的重視。⑵優化教學內容，重新制定課程的教學知識體系教材是教師教學的主要依據，也是學生獲得系統性知識的主要來源。因此，教材對于教學的重要性不言而喻。教材的選取需要優中擇優，必要的時候可以根據自身院校的情況自己編寫，力求使用好的教材使教學事半功倍。在選定優質教材的基礎上，制定更加合理的教學大綱，優化計算機基礎課程的教學知識體系，突出計算機學科入門相關基礎理論知識的重要地位。對現有的過時內容進行更新，例如操作系統以Windows10的操作取代Windows7，Office這部分使用Office2019版本取代2010的版本，同時增加關于算法入門知識、程序設計入門知識以及人工智能、區塊鏈等前沿知識單元的介紹。以華中師范大學為例，我們在圖1中給出了該校計算機基礎課程的教學知識體系結構圖。⑶充分利用現代化的教學工具和人工智能技術，構建智慧課堂，改變傳統教學模式現代化的教學應當轉變以教師為核心的教學模式，更加突出學生的主體性地位。因此，在人工智能、物聯網、大數據等技術和蓬勃發展的情形下，應當改變傳統的課堂教學形式，充分利用現代化信息技術，將傳統課堂教學和網絡課堂教學模式相結合，構建智慧課堂。融合課堂教學身臨其境的效果與網絡課堂自主性強且方便師生交流的特點，通過師生之間多層次、立體化的互動，達到提升教學效果的目的。同時，建立功能強大、完善的學生實驗平臺，基于不同專業學生的不同特點和不同需求，進行個性化的作業設置。針對教師布置的實驗任務和學生的完成情況，結合在線網絡教學系統，通過傳感器及網絡數據，搜集學生的學習行為數據，并且使用人工智能算法進行智能分析，使教師對當前的學生的學習情況一目了然，并能引導學生對重點、難點的鞏固和掌握。研討課以學生為主體，按照所選課題進行分組調研、分組討論，刺激學生的學習興趣，培養其思辨能力。研討內容最終可以課程論文的形式上交至課程共享平臺，由教師和同學共同給出評分。這里，仍以華中師范大學為例，我們將在線教學系統、實驗課平臺、研討課共享平臺等集成為一個基于人工智能技術的網絡智慧教學綜合平臺系統。該系統主要包括用戶管理、在線教學、課堂互動、作業管理、考試管理、BBS系統、智能分析和平臺管理8個模塊，其主要功能如圖2所示。該系統采用C/S模式，系統的服務器選用Linux服務器，同時開發基于PC機的和手機端的客戶端系統，方便學生和教師隨時選用、更加靈活。在線教學模塊中的智能學習助理功能，能夠根據歷史用戶的學習行為和當前用戶的學習行為，自動地識別學習內容中的難點以及當前學生的難點內容，有針對性地對學生進行知識點強化。課堂互動模塊中，通過可穿戴式傳感器搜集學生的學習行為，用于后續智能分析模塊中對學生的學習態度和學習行為進行智能分析。在線作業評價模塊包括機器評價和教師評價兩個功能。機器評價是系統為學生作業（客觀題、主觀題）自動評分，其中主觀題的評分也是使用人工智能技術來實現。教師評分時可以參考機器評分，減少教師工作量。同時，教師評分為機器評分提供機器學習的經驗數據，促進機器評分更加智能。智能分析模塊能夠依據學生的在線課程學習模塊、課堂學習模塊、作業管理模塊等搜集到的學習行為數據進行綜合分析，促使教師深入了解學生的學習情況和個性化特點，提升教學的針對性，并且有助于后續對學生進行全面、綜合的分析和成績評定。所有系統模塊中使用到的智能分析技術包括基本的統計分析、以及各類機器學習算法（k-means,NaveBayes,SupportVectorMachine,DeepLearning等等）。⑷改變傳統成績考核的方式在“教學”+“實驗”+“研討課”課程結構以及網絡智慧教學綜合平臺的輔助之下，學生的成績評定更加全面化、多元化、公平化、自動化[7]。平時成績中，除了教學綜合平臺的“課堂簽到”次數之外，還增加更多豐富多元化的考察信息，如：學生的課堂討論、在線課程學習和考核結果、平時作業完成情況，以及智能分析模塊中輔助分析的學習態度、學習能力、平時成績預測。期末上機考試系統也是智慧課堂綜合平臺的一個子模塊，是精心設計的穩定、安全、功能強大的子系統，方便教師每一年更新試題庫，修改bug。試題庫中的每一套試卷都應當經過科學的考卷質量分析，使其難度、覆蓋范圍在一個均衡、合理的范圍。最后，教師通過對各類平時成績指標以及期末考試成績加權，給出最終的學習成績。通過規范、合理、公平、全面的考核體系，獲得對學生公平、完善的評價機制，激勵學生并刺激教學良性運轉。
3結束語
人工智能課堂教學范文2
關鍵詞：訊飛超腦計劃；人工智能；未來生活
中圖分類號：TP18 文獻標識碼：A 文章編號：1671-2064（2017）01-00218-01
人工智能包含三個層次：計算智能、感知智能和認知智能，訊飛超腦計劃是包含模擬人腦的知識表示與推理、類人學習機制與新知識的獲取、機器加載專業知識成為專門的教育領域。訊飛超腦計劃是基于全球關于人工神經網絡的深度學習研究，簡單來說就是希望未來訊飛超腦計劃能夠將人工智能從只是簡單地能聽會說到能夠深度思考相關問題的科技轉變。人工智能的不斷開拓創新是為了幫助人類能夠更好地生活，我們應該注重人工智能的發展推進，將其廣泛合理地應用到生活的實際中去。
1 訊飛超腦計劃目前取得的階段學習研究成果
1.1 訊飛超腦計劃關于我國現階段關于高中生學習教育的人工智能成果
隨著近年來教育電子多媒體設備的投入普及使用，使目前的高中老師在課堂上更習慣用電子化的教學方式來替代傳統的板書課本單一枯燥的教學，與此同時，現階段高中生也同樣具備使用移動互聯網的條件，這樣就使得科大訊飛超腦計劃的教育產品可以形成以下的模式如圖1所示。
采用此智能的學習模式可以使我國的高中生接受公平的最好的教育，這就需要借助人工智能的幫助來使老師提高自身的教育水平，使高中生豐富并開闊自身的視野。課堂教學包括了在線課堂、暢言交互式多媒體教學系統以及暢言智能語音等，這種新穎的課堂教學模式使原本單一的教學方式變成了思想上任意遨游的知識海洋；智能考試包含了標準考場、英語四六級網上閱卷、普通話與英語口語測試等方面，智能考試系統從字跡工整的程度、詞匯量的豐富度、語法的正確性與通順性等多個方面來評判考試試卷，加上多年來的不斷改進，人工智能的評判方法跟相關專家的人工試卷評判的相似度相差無幾，很大程度地增加了試卷評判的效率性與公平性；學習產品與教育評價更是覆蓋到了從低到高的各個層面的產品組織結構，更有利于高中生的學習與應試教育的公平性。
1.2 訊飛超腦計劃對于提高人類生活水平的成果
隨著人工智能技術在經濟、教育、文化、娛樂等領域的不斷應用，使人們的生活質量水平得到了很大程度的提高，人工智能帶來的方便快捷對于人類的發展進化與物質文化的進步產生了不可忽視的作用。隨著訊飛超腦計劃的推出，一方面，可以把人類從繁重的勞動中解放出來，很大程度地提高人類生產生活的效率與質量；另一方面，人工智能的進步會極大地革新人類的思維方式，使人們能夠多角度地認知世界，加深對人類對自身所處的宇宙地位的思考，利于人不斷地探索奧秘，進一步推進人類社會的進步。
2 訊飛超腦計劃下人工智能對于未來生活的影響及其發展趨勢
2.1 訊飛超腦計劃下人工智能對未來生活的影響
由于訊飛超腦計劃是感知智能結合認知智能的再創新，使得未來機器將會實現高水平的感知智能，具有更多的包括語音識別、手寫識別以及圖像識別的更多智能感知能力與實現包括智能客服、人機交互等的取代人類腦力勞動的認知智能突破。所以說訊飛超腦計劃下的人工智能在未來的教育、經濟、文化、社會結構等未來生活的各個方面都會產生重大影響。在教育上，人工智能的應用優化了課堂結構，使學生能夠實時接受外界的新知識以及與時俱進的教育模式改革；在經濟上，人工智能的高效能與高效率會明顯提高經濟效益，用人工智能來進行財務管理有助于縮減不必要的人工勞務開支與相關的培訓費用，利于經濟的變革與提高；在文化上，人工智能對于人類語言文化與圖像處理上的優勢日益凸顯出來，可以確定的是人工智能的發展將會深入到人類生活的各個層面中去。
2.2 訊飛超腦計劃下人工智能的未來發展趨勢
隨著人工智能的不斷演進，人工智能從最初能存會算的計算智能階段，到后來的能聽會說、能看會認的感知智能階段，最后再到訊飛超腦計劃下提出的讓機器能理解、會思考的認知智能階段，未來的人工智能在語言理解、知識表達、聯想推理以及自主學習等方面都將會取得很大的進展。
3 結語
人工智能對于未來生活的影響是多方面的，在未來生活的各個方面都十分顯著。與此同時，訊飛超腦計劃下的人工智能不斷的改革創新與發展，也將更快地推動人類的發展，人工智能與人類的生活是互相影響又相互制約的。人工智能的不斷發展給人類的未來生活帶來了很大程度的改變，人類在不斷開拓人工智能的領域時也應不斷提高自身能力與素養，以適應人工智能帶來的不斷創新和改變。
參考文獻：
[1]張妮，徐文尚，王文文.人工智能技術發展及應用研究綜述[J].煤礦機械.2009，30卷（2）.
人工智能課堂教學范文3
關鍵詞：人工智能；研究生教學；教學方法
人工智能是一門研究機器智能的學科，是在研究人類智能行為規律的基礎上，利用人工的方法和技術，研制智能機器或智能系統來模仿、延伸和擴展人的智能，實現智能行為。在知識經濟向智能經濟高度發展的今天，人工智能具有重要的理論意義和社會價值。人工智能理論已經滲透到各個領域，人工智能技術也得到廣泛應用，許多研究成果已經進入人們的生活。
人工智能課程是一門多學科交叉的課程，具有很強前沿性，涉及哲學、認知科學、行為科學、腦科學、生理學、心理學、語言學、邏輯學、物理學、數學等眾多領域；涉及面寬，內容廣泛，更新快。人工智能課程的開設能夠更好地培養學生的創新思維和技術創新能力，培養學生對計算機前沿技術的前瞻性，提高他們的科技素質和學術水平[1]。
人工智能課程內容的廣泛性、前沿性和應用性特點決定了授課方法的多樣性。與本科生相比，研究生在教育目標和身心特征方面都有較大的區別。筆者多年從事研究生人工智能課程教學工作，現總結多年教學經驗如下。
1研究生培養目標及其教學特點
研究生教育階段的教育目標是使研究生形成具有個性化的研究品格、研究定向和研究視野，以具有獨立思考并獲得獨創研究成果的能力[2]。從這一意義上講，個性化是研究生教育培養目標的構成主體。尤其隨著我國經濟持續高速增長，社會對知識創新、新經濟生長點的期望值增大，這就要求我國研究生教育在其培養目標的定位上不僅要重視人才培養的高層次性，更要重視創新能力、實踐能力和創業精神的培養。并且，研究生身心發展已較成熟，具有較穩定的個性特征，思維力強，具有較高的專業性思維意識和創造力，為獨立地進行專業研究活動提供了心理上和智力上的保證。而且，研究生已具備了基礎理論和專業知識，特別是有一定工作經歷的研究生，他們不僅有本科教育階段的知識積累，也有應用這些知識的經驗，對于擴大其專業知識領域并進行研究有著積極主動的態度?？傊瑥哪挲g構成及身心特征上講，研究生適應高層次、跨學科知識領域的學習和研究。
研究生的特征及其教育目標決定了研究生教學不應該是由教師講授已定論的知識，而應是以教學為基本依托，通過教學提出具有研究性、探索性、未確定性甚至是尚存爭議性的課題，激勵研究生獨立思考和質疑，讓他們在思考和質疑的過程中提出問題，培育他們發現問題、提出質疑的科學批判精神，訓練并提高其創新能力、實踐能力和創新精神。創新精神和創新能力主要表現在具有健全的人格、強烈的責任感、開放的心態、團結合作的精神、嚴謹科學的思維能力和創新思維方式。
個性是創新的源泉，研究生課程體系的設置應該具有一定的靈活性，依據研究生不同的知識基礎和研究定向，設置具有彈性化的課程，使研究生的個性化得以凸顯。另外，為提高研究生專業研究和創新能力，在課程教學中，也應凸顯教學的研究性和專業性，重視專業領域背景知識和研究方法的講授，開展跨學科、非專業知識的教學，教學內容應涵蓋專業領域的研究熱點、難點、爭議問題和最新研究動態，還應包括交叉學科、邊緣學科的研究趨勢，以擴展學生的視野[3]。也就是說，研究生教學既要凸顯研究生的個性化特點，又要凸顯內容的學術性和研究的指向性。
2人工智能課程的特點
2.1多學科交叉，具有很強的前沿性
人工智能是一門多學科交叉的課程。課程內容的理解需要運用多學科知識和較強的邏輯思維能力，多學科的知識相互聯系、相互交叉，融合形成新的知識，成為新的思維方法和綜合能力的萌發點。通過課程學習，學生可以通過不同學科知識的融合來達到對原有知識的超越，用一種全新的思維方法來思考所遇到的問題，提出新的解決辦法。這也是創造力的迸發和智能的飛躍。具有了知識的廣度和深度才具有融會貫通、創新的可能，人工智能課程的開設能夠更好地培養學生的創新思維和技術創新能力，為學生提供一種新的思維方法和問題求解手段。
2.2涉及面寬，內容廣泛，更新快
人工智能課程是一門知識點較多的課程，它以概率統計、離散數學、數據結構、計算機編程語言、數據庫原理等課程為基礎，涵蓋了模式識別、機器學習、數據挖掘、計算智能、自然語言理解、專家系統等眾多研究方向，內容涉及面廣，概念抽象，不易理解。并且，人工智能課程內容更新快，近年來人工智能科學的快速發展，涌現出了大批新方法，研究熱點問題也從符號計算發展到智能計算和Agent等。其中，計算智能主要涉及神經計算、模糊計算、進化計算和人工生命等領域，在模式識別、圖像處理、自動控制、通信網絡等很多領域都得到了成功應用；Agent最早來自分布式人工智能，隨著并行計算和分布式處理等技術的發展而逐漸成為熱點。
在互聯網上有大量最新的與課程內容相關的研究論文，為學生提供了很好的查閱文獻的環境，使學生能夠根據所學習的內容和所在課題組的研究方向閱讀相應文獻，提高學生的學習興趣和獨立提出問題、解決問題的能力。
2.3應用性強
人工智能理論已經滲透到科學的各個領域，當前，幾乎所有的科學與技術分支都在共享著人工智能領域所提供的理論和技術。例如，自第一個專家系統DENDRAL研制成功以來，專家系統已成功地應用于數學、物理、化學、醫學、地質、氣象、農業、法律、教育、交通運輸、軍事、經濟等幾乎所有領域；數據挖掘技術是以一種更自動化的方式對具有大量數據的商業活動進行分析和預測，在市場營銷、銀行、制造業、保險業、計算機安全、醫藥、交通、電信等領域已有許多案例；語義Web讓Web上的信息能夠被機器所理解，實現Web信息的自動處理，成功地將人工智能的研究成果應用到互聯網。另外，在機器視覺、自然語言理解、智能控制與智能制造等方面，人工智能技術也得到廣泛的應用，有許多研究成果已經進入人們的生活。目前，從理論到技術，從產品到工程，從家庭到社會，智能無處不在，人工智能廣泛的應用性給學生提供了大量的現實案例，使得人工智能不再是高深莫測的理論，而是現實中可以觸及的內容。
人工智能課程的多學科交叉性、內容廣泛性、概念抽象、不易理解以及前沿性和應用性特點決定了在該課程的講授過程中應該采用多種授課方法。多種授課方法的采用一方面便于授課內容的理解，另一方面也能夠更好地培養學生的創新思維和技術創新能力，提高他們的科技素質和學術水平。
3人工智能課程教學方法
3.1基于問題的啟發式教學法
蘇霍姆林斯基說：“喚起人實行自我教育，乃是一種真正的教育。”基于問題的啟發式教學法是教師在深入了解學生心理特點和學習規律的基礎上，設計適合教學的啟發式問題，并采取靈活多樣、生動活潑的啟發方式，充分調動學生的學習興趣，激發、引導學生進行科學思維，培養學生獨立思考問題、提出問題和解決問題的能力。該教學方法強調的是過程，教師的主要任務是提出問題，依據舉一反三的思路引導學生展開邏輯推理，通過逐層分析深入思考問題，最后綜合學生觀點闡述相關理論。
在課程教學中，有許多內容適合于采用啟發式教學方法。例如，在知識表示方法的學習過程中，教師首先提出問題：“你是怎樣進行數學定理證明的？”并在學生的回答過程中，引導學生認識到知識及其表示的重要性；隨后，提出問題：“在計算機中如何表示知識？”引導學生逐步總結出不同知識表示方法在知識表達能力、推理效率、可實現性、可組織性、可維護性方面的區別。另外，在確定性推理的教學過程中，教師可以利用“某處發生盜竊案，公安局派出5個偵查員去調查，研究案情時，5個偵查員各給出了一句可信的結論，據此判斷誰是盜竊犯”的問題[4]，讓學生進行判斷和討論，引導學生認識到推理過程中可以使用多條規則進行推理，并且推理路線也可能存在多條，從而引出推理的兩大基本問題：解決沖突消解等問題的推理策略，以及解決推理線路等問題的搜索策略。
啟發式教學法的要點是設計適當的啟發式問題和啟發方式、安排能調動學生積極性的討論環境、鼓勵學生發表個性化觀點。教師不僅用問題引發學生思考，更要鼓勵學生讓思維自由馳騁，主動提出問題，討論問題，尋求問題解決方案。在探討、研究問題中，不要以現有的結論和固定的程式束縛思想，鼓勵學生的個性化觀點。啟發式教學是一種民主、科學的教學方法，其中包含諸多具體的教學方法，如激疑啟發法、比喻啟發法、類比啟發法、聯系啟發法，等等。啟發式教學在傳授知識的同時，更注重的是對創新的孕育、萌芽、生成和壯大，它能促使學生自己獲取知識、思考問題、提出問題、分析問題、解決問題，培養學生的自學能力。以問題為基礎的啟發式教學，利用問題引導學生學習，全方位深層次發展學生的創新思維和探究性學習能力。問題可以誘發出學生的求知欲，激發、喚醒了學生的主體意識；問題往往是面向生活世界的實踐活動的，它使教學活動從以傳授知識為中心轉化為傳授知識與培養能力并重，理論與實踐相結合，提高了學生分析、綜合、觀察、想象等思維能力。
3.2基于案例的探究式教學法
基于案例的探究式教學法要求教師能夠根據學生的認知水平和能力，創設引導學生進行探究活動的案例，以激發學生探究問題的興趣，促進學生質疑、探求的創造性學習動機，通過選擇與確定問題、討論與提出設想、實踐與尋求結果、驗證與得出結論，發展學生的創造性思維，培養學生獨立探究、研究能力和創新能力。探究式教學強調學生的積極參與，強調師生互動。對教師來說，必須轉變傳統的“傳道”觀念，以平等的心態與學生交流探討。在課堂上，要努力營造民主、寬松、和諧的教學氛圍，積極引導學生大膽設想，大膽探索。使學生樹立研究型學習的觀念，消除依附心理，養成勤于思考、善于思考的良好學習習慣，通過積極參與研討培養學生自己獲取新知、探求未知的能力，以及團隊意識和合作精神。
我們在本課程神經網絡部分的教學中，將基于BP神經網絡的維吾爾文手寫字母識別作為案例開展了探究式教學活動。在介紹了前饋多層感知器及標準BP算法之后，教師將科研項目中基于標準BP算法的維吾爾文手寫字母識別實驗及其結果詳細地在課堂上進行演示，引導學生對實驗提出質疑。在教學實踐中，學生提出了大量問題，例如，輸出層神經元個數如何確定，為什么輸出層神經元個數對識別率會有影響？網絡訓練過程中出現震蕩的原因是什么？如何解決？為什么有時誤差較大，權值的調整量反而很?。康鹊?。在教師事先準備好的實驗演示的基礎上，開展學生進行課堂討論，讓學生提出解決問題的各種方法，并現場通過實驗進行驗證，逐步讓學生理解BP網絡結構設計、輸入輸出數據的預處理、初始權值設計的必要性及其實現方法。課堂授課實踐表明，這種方法極大地激發了學生的學習興趣，使學生能夠大膽設想，大膽探索，增加了學生的自信心和創新精神。本次課堂討論結束后，教師根據學生的討論以及實驗結果演示，總結標準BP算法的局限性，例如，“易形成局部極小”，“訓練次數多，學習效率低”，“訓練時有學習新樣本遺忘舊樣本的趨勢”等，并要求學生通過查資料、搜集必要的信息、積極地思索和實驗驗證提出解決上述問題的方法，將學生分組，讓學生展開討論，為下次討論課作好準備。
傳統教學方法是告訴學生怎么去做，在一定程度上損害了學生的積極性。而案例教學要求學生自己去思考、去創造，使得枯燥乏味的內容變得生動活潑，并且案例教學中，通過學生之間的交流既可以使學生取長補短、促進人際交流能力，也可以引導學生變注重知識為注重能力。
案例教學法的關鍵是案例的選擇。案例是為教學目標服務的，因此它應該具有典型性，且應該與所對應的理論知識有直接的聯系。案例最好是經過深入調查研究。來源于實踐，不能只是一堆數據的羅列。教科書的編寫應采用圖片、表格、曲線等方式讓學生看到算法的實驗結果，啟發學生思考。另外，案例應該只有情況沒有結果，有激烈的矛盾沖突，沒有處理辦法和結論，由學生對案例提出質疑，從這個意義上講，案例的情況越復雜，越多樣性，越有價值。
案例教學法能夠實現教學相長。教學中，教師不僅是教師而且也是學員。一方面，教師是整個教學的主導者，掌握著教學進程，引導學生思考、組織討論研究，進行總結、歸納。另一方面，在教學中通過共同研討，教師不但可以發現自己的弱點，而且從學生那里可以了解到大量感性材料。另外，案例教學法能夠調動學生學習主動性。教學中，由于不斷變換教學形式，學生大腦興奮不斷轉移，注意力能夠得到及時調節，有利于學生精神始終維持最佳狀態。案例教學的最大特點是它的真實性。由于教學內容是具體的實例，加之采用是形象、直觀、生動的形式，給人以身臨其境之感，易于學習和理解。最后，案例教學法能夠集思廣益。教師在課堂上不是“獨唱”，而是和大家一起討論思考，學生在課堂上也不是忙于記筆記，而是共同探討問題。由于調動集體的智慧和力量，容易開闊思路，收到良好的效果。
3.3加強研討
鑒于研究生的培養目標和人工智能課程研究范疇的寬泛性、應用性、創新性和前沿性，根據我校計算機系碩士生指導教師的研究領域，我們在課堂教學中為計算智能、機器學習算法、機器視覺、自然語言理解部分增加了研討會，要求學生上網進行文獻檢索、閱讀和學術研討，根據個人的研究興趣和研究設想上臺作報告。另外，我們還邀請相應專家和成果突出的各屆研究生為學生做報告，介紹他們的研究實踐、研究成果和心得體會。例如，在自然語言理解部分的課堂教學中，在介紹完自然語言理解的基本概念與原理之后，我們要求將來做這個領域的研究生在通過查資料了解所在研究小組工作的基礎上，上臺作報告。機器翻譯研究組的同學在學習自然語言理解部分的內容之后，對其所在小組目前的工作及采用的技術、存在的問題做了分析，并通過閱讀文獻，提出了初步的解決問題的設想。與自己所在研究小組的科研相結合，開展文獻檢索和學術研討，一方面讓學生開闊了眼界，另一方面也提高了學生查閱文獻、主動獲取知識、獨立思考的科研能力。
4結語
人工智能理論已經滲透到科學的各個領域，人工智能技術也得到了廣泛的應用。人工智能課程具有多學科交叉、內容廣泛、前沿性和應用性強等特點，課程開設能夠很好地培養學生的創新思維和技術創新能力。教與學是教師與學生雙方互動的過程，教學中要根據學生身心特征的實際情況采用相應的教學方法，并結合本校科研隊伍的研究領域，不斷地探索和提高，才能使教學工作更上一層樓，切實為國家、為社會培養具有創新能力、實踐能力和創業精神的高層次人才。
參考文獻：
[1] 陳白帆,蔡自興,劉麗玨. 人工智能精品課程的創新性教學探索[J]. 計算機教育,2010(19):27-31.
[2] 謝安邦. 構建合理的研究生教育課程體系[J]. 高等教育研究,2003,24(5):68-72.
[3] 教育部研究生工作辦公室,國務院學位委員會辦公室. 高層次人才培養的研究與探索[M]. 北京:高等教育出版社,2000.
[4] 蔡自興,徐光佑. 人工智能及其應用[M]. 4版. 北京:清華大學出版社,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)
人工智能課堂教學范文4
關鍵詞：智能游戲開發與設計；游戲產業；翻轉課堂；人工智能
0引言
中國音像與數字出版協會游戲出版工作委員會與伽馬數據（CNG中新游戲研究）、國際數據公司（IDC）聯合的《2015年中國游戲產業報告》顯示：2015年，中國游戲用戶數已達5.34億人，同比2014年增長了3.3%。與此同時，中國游戲市場實際銷售收入達到1407.0億元人民幣，同比增長22.9%。其中，客戶端游戲市場611.6億元，網頁游戲市場219.6億元，移動游戲市場611.6億元。
游戲產業的發展離不開國家的政策支持、社會文化的需求以及基礎技術的突破。在國家“互聯網+”“大眾創業、萬眾創新”等戰略的引導下，政府和投資企業為游戲產業提供了眾多優惠政策和良好的發展環境；游戲行業的快速發展促使游戲產業社會認可度提升；“一帶一路”國際文化交融推動游戲產業的“走出去”；寬帶提速和4G網絡的普及為游戲產業發展提供了網絡支持；此外，智能硬件性能的提升為游戲產業創新提供了基礎條件。游戲行業的蓬勃發展催生了一大批優秀的游戲企業。因此，市場對游戲專業人才數量和質量的需求也日益迫切，這對高校游戲開發與設計專業人才的培養產生了導向和促進的作用。
1課程現狀
智能游戲開發與設計是一門綜合性程序設計技能發展類課程，面向智能科學與技術專業三年級的本科生，在三年級第2學期開設。課程性質是專業限選課，共計32學時，2學分。課程系統介紹了游戲開發的軟件工程原理，以及游戲中的圖形學、人工智能、人機交互、網絡等基本知識點和技術。教學目標是希望學生理解和掌握計算機游戲程序設計所需的專業知識，包括二維游戲的基本編程技術、三維圖形學基礎、游戲場景的組織和繪制、計算機動畫技術、音頻處理技術和人工智能技術等，基本涵蓋了計算機游戲編程的各個主要方面。
我校智能游戲開發與設計課程雖然已經開設了7年，教學目標、內容與要求相對成熟，但相比于智能科學與技術專業的核心課程，仍然是我校正在建設中的一門新興課程。我們在取得成績的同時更要認清當前存在的不足：首先，游戲產業的變化與進步日新月異，移動游戲的爆發式增長、游戲引擎的更新進步對游戲行業的發展形成了巨大影響。在授課過程中，盡管任課教師也對教學方法和課程設置進行了嘗試和調整，希望學生能夠對該領域的前沿動態有所了解，但尚未形成系統深入的研究結果，一定程度上導致授課內容與行業動態脫節；其次，即使教師在課堂上進行了游戲效果的演示或代碼的示范，學生如果沒有課下的實際操作也很難較好掌握；此外，教學內容和思路過分強調游戲開發技術，還沒有緊密結合本校智能科學與技術專業的特色，突出“智能”這一特點，即在游戲開發過程中融入人工智能技術。
2教學方法改革
2.1關注業界動態，調整教學內容
課程團隊通過關注游戲業界的發展趨勢，適當調整授課內容和計劃。課程組根據近幾年《中國游戲產業報告》的調查了解到：客戶端游戲、網頁游戲、單機游戲等已經處于成熟期，市場規模增幅有限且變動不大，而移動游戲依舊處于成長期，市場規模有望保持高增長。
結合當前實際，我們在2016年春季學期游戲課程的授課過程中，刪去了游戲中的音頻編程技術介紹。在“游戲業的展望”章節，加入了語音交互技術、虛擬現實技術和增強現實技術等前沿技術的講解，強調了先導課程的重要性，例如《計算機圖形學》在“高級圖形技術”和“三維游戲動畫”章節中所起的作用，以及《數據結構》課程中的二叉樹知識點在“三維游戲場景的組織和繪制”章節中的重要性。
在“游戲引擎”章節講授方面，之前僅介紹了OGRE圖形對象渲染引擎，雖然該引擎具有較強的三維場景渲染能力，但是環境配置較復雜，且與目前業界主流的游戲引擎差別較大。因此，我們有意識地增加了對兩款跨平臺游戲引擎Cocos2D和Unity3D的介紹，針對目前移動平臺游戲開發的技術要求，著重培養學生掌握C++或Java程序語言，鼓勵學生進行簡單游戲的設計與開發。
2.2在線課程自主學習，翻轉課堂互動討論
人工智能課堂教學范文5
第一，選擇合適的教材
《計算智能》這門課，很多高校都使用褚蕾蕾老師的《計算智能的數學基礎》這本書，我也曾經使用過這本教材。這本書詳細的闡述了實現智能計算的相關數學知識，要求學生有非常硬的數學功底，否則學起來會很吃力。最好是數學專業的學生來學習比較合適。但是問題是開設計算智能這門課的專業不僅僅只有數學專業，計算機和信息與計算科學專業都開設這門課，而這本教材對他們來說太深了，他們更注重于實際應用。
除了《計算智能的數學基礎》這本書之外，《計算智能――理論、技術與應用》也是非常優秀的教材，它主要針對研究生和科研人員學習使用。因此，對于信息與計算科學專業，我們既要他們理解計算智能，也要他們能夠從實際出發，實現智能計算。這是我們的教學目標，純粹講解數學，對他們來說是興趣的一個磨滅。因此，我建議采用曹承志老師編著的《智能技術》這本書，基于其中的若干章節（主要是第四、五、六章）來講解計算智能這門專業限選課。
第二，制定教學大綱
計算智能是借助現代計算工具模擬人的智能機制、生命的演化過程和人的智能行為而進行信息獲取、處理、利用的理論和方法。計算智能信息處理系統是以模型為基礎，以仿生計算為特征含數據、算法和實現的柔互式系統。當前，計算智能在用計算科學與技術模擬人和生命的智能及行為方面，主要有模擬智能產生與作用賴以智能表現與功能行為的邏輯觀點。
基于這些觀點和視野，形成了人工神經網絡、演化計算與模糊邏輯為代表的三個典型分支。本課程在這三個分支中，選擇了人工神經網絡、遺傳算法和模糊邏輯的基礎知識作為教學的基本內容。這些內容對于進一步學習、研究計算智能、人工智能等高級信息處理，以及信息科學和工程技術都是必要的、基礎性的。
教學重點：感知器，人工神經網絡，遺傳算法，模糊集與模糊系統，模糊邏輯與模糊推理，模糊模式識別與模糊控制等部分內容。同時掌握運用所學知識解決實際問題也是在教學過程中不斷要強調的內容。
教學難點：在計算智能的教學過程中，難點主要是人工神經網絡，遺傳算法和模糊邏輯的理論講解，要用簡明形象的語言描述理論知識，讓學生感興趣。同時，將理論轉化為實際解決問題的能力也是教學上的一個難點。
第三，按照大綱要求，開展有序的課堂教學
根據大綱要求，計算智能這門課共有48個學時，其中實驗學時8節，學習時間共18周，每周1～2次課。
這種時間安排方式是比較合理的，設計時主要考慮到知識的學習順序，避免實驗與理論課不能配合的現象發生。實驗1在第10周做，那么我們就可以利用前面9周的時間給學生講解神經網絡的相關理論和實驗軟件等等，為實踐做準備工作。這樣，學生在做課程實驗時，才不會覺得無從下手。實驗2在16周做，當中空閑的兩周主要用于學習MATLAB遺傳算法工具箱。
第四，設計作業與課程實驗
該課程有兩次作業，分別在第6周和第12周布置，作業時間為1～2周。這兩次作業內容分別針對“人工神經網絡”和“遺傳算法”。從表中不難看出，當做完相應章節的作業后，立即進行課程實驗，這樣的設計，使得學生難免更加深刻地理解和掌握知識。
值得提出的是，這門課的實驗工具――MATLAB6.5。以前，我們曾經使用過C/C++/VC＋＋等等高級語言來做計算智能仿真實驗，但最后的效果并不是很令人滿意，學生往往會知難而退，從而喪失對這門課的興趣和信心。
因此，我認為，針對信科專業或者計算機相關專業的學生，他們的數學基礎并不是非常扎實，而計算智能又是一門專業限選課。要想讓學生對這門課產生興趣，我們可以考慮采用一些成熟的工具箱來支持我們的實驗教學，如MATLAB6.5的“神經網絡工具箱”“遺傳算法工具箱”和“模糊邏輯工具箱”。學生通過使用這些工具箱，方便而有效地感覺到“智能的計算”的存在。實踐證明，這種方法能夠取得更好的實驗教學目的。
第五，與學生的課后交流
教師在課堂上傳授完知識后，要及時與學生進行交流，了解他們的學習情況并獲取建設性意見。通過平時的觀察和總結，大學教師與學生交流的方式和方法主要有以下幾種：
(1)利用一切時間（如上課提前幾十分鐘到教室、課間或下課時間等等）與學生交談，了解他們的學習動態及回答他們提出的問題。
(2) 建立課程網站，學生登陸后可以通過論壇或聊天室向教師提問。可以確定一個時間（如每周三晚7點，開放聊天室進行網絡實時答疑），平時學生可以通過在論壇上發帖，教師回復的方式獲得答疑。
(3) 如果沒有課程網站，教師可以留給學生一個常用的Email地址，或者其他的聯系方式，讓學生在學習過程中遇到困難時可以聯系到教師。
(4) 固定輔導的時間和地點。這個地點可以是教室、辦公室、會議室等等。如果場所有限，可以分班進行。
上面的四類方法是經常使用的，我們對此進行了一個問卷調查，對象是03級和04級信息與計算科學的150名學生，要求他們選出三種最合適的交流方式。經過認真的調查和詳細的統計，有106位學生選擇了采用學習網站的方式進行交流，97位學生選擇了固定場所答疑，76位學生選擇了課間交談方式。而類似Email、QQ和打電話的方式似乎不受學生青睞。論壇和聊天室方式介于它們之間，而這兩種方式完全可以包容在“課程學習網站”中。
第六，計算智能與人工智能的關系
在我校，要求學生先學習計算智能，再學習人工智能，其實兩者的順序并不重要，未必要先學習計算智能。但是，在教學過程中，要讓學生明確學習目的，了解學習這門課的意義所在，計算智能與人工智能相比，是更低層的運算，它強調的是數據，而人工智能強調的是知識。
從事這門課的教學有很長時間了，也逐漸地有一些研究課題，對于個別特別感興趣的學生，可以吸引他們加入我們的研究隊伍，這也是因材施教思想的一個體現。
參考文獻：
[1]丁永生.計算智能――理論、技術與應用[M].科學出版社，2004.
人工智能課堂教學范文6
一、深度學習概念的提出
深度學習的概念，源于30多年來計算機科學、人工神經網絡和人工智能的研究。上世紀八九十年代，人們提出了一系列機器學習模型，應用最為廣泛的包括支持向量機（Support Vector Machine，SVM）和邏輯回歸（Logistic Regression，LR），這兩種模型分別可以看作包含1個隱藏層和沒有隱藏層的淺層模型。計算機面對較為復雜的問題解決訓練時，可以利用反向傳播算法計算梯度，再用梯度下降方法在參數空間中尋找最優解。淺層模型往往具有凸代價函數，理論分析相對簡單，訓練方法也容易掌握，應用取得了很多成功。①隨著人工智能的發展，計算機和智能網絡如何基于算法革新，模擬人腦抽象認知和思維，準確且高清晰度地進行聲音處理、圖像傳播甚至更為復雜的數據處理和問題解決等，在21世紀來臨的時候成為擺在人工智能領域的關鍵問題。
30多年來，加拿大多倫多大學計算機系辛頓教授（Hinton，G.）一直從事機器學習模型、神經網絡與人工智能等問題的相關研究，并在機器學習模型特別是突破淺層學習模型，實現計算機抽象認知方面取得了突破性的進展。2006年，他在《Science》上發表了《利用神經網絡刻畫數據維度》（Reducing the Dimensionality of Data with Neural Networks）一文，探討了應用人工神經網絡刻畫數據的學習模型，首先提出了深度學習（Deep Learning）的概念和計算機深度學習模型，掀起了深度學習在人工智能領域的新。這篇文章的兩個主要觀點是：第一，多隱藏層的人工神經網絡具有優異的特征學習能力，學習到的特征對數據有更本質的刻畫，從而有利于可視化或分類；第二，深度神經網絡可以通過“逐層初始化”（Layer-wise Pre-training）來有效克服訓練和優解的難度，無監督的逐層初始化方法有助于突破淺層學習模型。②基于深度置信網絡（DBN）提出非監督逐層訓練算法，為解決深層結構相關的優化難題帶來希望，隨后提出多層自動編碼器深層結構。③2012年，辛頓又帶領學生在目前最大的圖像數據庫ImageNet上，對分類問題取得了驚人的結果，將計算機處理圖像數據問題時排名前五的錯誤率（即Top5錯誤率），由最高26%大幅降低至15%，大大提高了人工智能圖像數據處理的準確性和清晰度，這是早先計算機僅僅依賴數學模型的表層學習和單層學習根本無法實現的水平。
在人工智能領域，深度學習其實是一種算法思維，其核心是對人腦思維深層次學習的模擬，通過模擬人腦的深喲緯橄筧現過程，實現計算機對數據的復雜運算和優化。深度學習采用的模型是深層神經網絡（Deep Neural Networks，DNN）模型，即包含多個隱藏層（Hidden Layer，也稱隱含層）的神經網絡（Neural Networks，NN）。深度學習利用模型中的隱藏層，通過特征組合的方式，逐層將原始輸入轉化為淺層特征、中層特征、高層特征直至最終的任務目標。深度學習可以完成需要高度抽象特征的人工智能任務，如語音識別、圖像識別和檢索、自然語言理解等。深層模型是包含多個隱藏層的人工神經網絡，多層非線性結構使其具備強大的特征表達能力和對復雜任務的建模能力。訓練深層模型是長期以來的難題，近年來以層次化、逐層初始化為代表的一系列方法的提出，為訓練深層模型帶來了希望，并在多個應用領域獲得了成功。
人工智能學者們認為計算機和智能網絡的這一深層的自動編碼與解碼過程，是一個從數據刻畫、抽象認知到優選方案的深度學習的過程。由于人腦具有深度結構，認知過程是一個復雜的腦活動過程，因而計算機和人工智能網絡模擬從符號接受、符號解碼、意義建立再到優化方案的學習過程也是有結構的；同時，認知過程是逐層進行、逐步抽象的，人工智能不是純粹依賴于數學模型的產物，而是對人腦、人腦神經網絡及抽象認知和思維過程進行模擬的產物。應該說，到目前為止，深度學習是計算機和智能網絡最接近人腦的智能學習方法。近幾年來，深度學習進一步嘗試直接解決抽象認知的難題，并取得了突破性的進展，AlphaGo的問世，便是明證。2013年4月，《麻省理工學院技術評論》（MIT Technology Review ）雜志將深度學習列為2013年十大突破性技術之首。④深度學習引爆的這場革命，將人工智能帶上了一個新的臺階，不僅學術意義巨大，而且實用性很強，工業界也開始了大規模的投入，一大批產品將從中獲益。二十世紀八九十年代以來，隨著學習科學的不斷發展，深度學習的概念和思想不斷在教育中得到應用。
二、深度學習在教育中的興起與發展
來自腦科學、人工智能和學習科學領域的新成就，必然引起教育領域研究者的深刻反省。計算機、人工智能尚且能夠模擬人腦的深層結構和抽象認知，通過神經網絡的建立開展深度學習，那人對知識的學習過程究竟應該是怎樣的一個腦活動過程和學習過程？學生的學習有表層和深層等層次之分嗎？從作為符號的公共知識到作為個人意義的個人知識究竟是怎樣建立起來的？知識學習過程究竟是一個怎樣的抽象認知過程？信息技術環境支持下深層次的學習如何實現？近十多年來，這些問題引起了許多教育研究者特別是教育技術學研究者的濃厚興趣，深度學習、深度教學的研究日益引起人們的重視。也正是在辛頓的“深度學習”概念明確提出后，教育學領域特別是教育技術學領域的深度學習研究日益活躍起來。
其實，早在1956年布魯姆在《教育目標分類學》里關于“認知領域目標”的探討中，對認識目標的維度劃分就蘊含了深度學習的思想，即“學習有深淺層次之分”，將教學目標分為了解、理解、應用、分析、綜合、評價六個由淺入深的層次。⑤學習者的認知水平停留在知道或領會的層次則為淺層學習，涉及的是簡單提取、機械記憶符號表征或淺層了解邏輯背景等低階思維活動；而認知水平較高的深層理解、應用、分析、綜合和評價則涉及的是理性思辨、創造性思維、問題解決等相對復雜的高階思維活動，屬于深層學習。1976年，美國學者馬頓（Marton，F.）和薩爾約（Saljo，R.）在《論學習的本質區別：結果和過程》（On Qualitative Difference in Learning： Outcome and Process）一文中，明確提出了表層學習和深層學習的概念。⑥這被普遍認為是教育學領域首次明確提出深度學習的概念。他們在一項關于閱讀能力的實驗研究中，明確探討了閱讀學習的層次問題。通過讓學生閱讀文章并進行測驗，發現學生在閱讀的過程中運用了兩種截然不同的學習策略：一種是試圖記住文章的事實表達，揣測接下來的測試并記憶，即表層學習（Surface Learning）；另一種是試圖理解文章的中心思想和學術內涵，即深層學習（Deep Learning），也被譯為深度學習。深度學習的學習者追求知識的理解并且使已有的知識與特定教材的內容進行批判性互動，探尋知識的邏輯意義，使現有事實和所得出的結論建立聯系。淺層學習和深層學習在學習動機、投入程度、記憶方式、思維層次和遷移能力上有明顯的差異。深度學習是一種主動的、高投入的、理解記憶的、涉及高階思維并且學習結果遷移性強的學習狀態和學習過程。之后 ，拉姆斯登（Ramsden，1988）、英推施黛（Entwistle，1997）以及比格斯（Biggs，1999）等人發展了淺層學習和深度學習的相關理論。⑦隨著信息技術的發展，近十年來，國外學者對信息技術支持下的深度學習及其在各學科領域、各類教育中的應用研究日漸廣泛。
2002年以來，從技術支持高等教育的深度學習、虛擬環境中的深度學習、形成性評估對深度學習的影響、學習環境對學生進行深度學習的影響、技術支持下的深度學習設計等方面研究成果日益豐富，但絕大部分是基于教育技術學視野的研究成果。2006年，辛頓教授關于深度學習的成果發表，進一步推動了深度學習在教育中的研究與應用。近十年來，在中小學深度學習研究方面最有影響的當屬加拿大西盟菲莎大學（Simon Fraser University）艾根（Egan， K.）教授領銜的“深度學習”（Learning in Depth，簡稱LID）項目組所進行的研究，其成果集中體現在《深度學習：轉變學校教育的一個革新案例》（Learning in Depth： A Simple Innovation That Can Transform Schooling）等著述之中。⑧該研究探討了深度學習的基本原則與方法，分析了深度學習對學生成長、教師發展和學校革新的價值與路徑，并在加拿大部分中小學進行實驗研究。其核心成果聚焦課堂學習和教學問題，即使是關于教師教育中深度學習的研究，也聚焦于教師的學習過程和學習方式。⑨艾根所開展的深度學習研究項目超越了單一教育技術學視野的研究，不僅僅是關于教學設計、學習技術和學習環境開發的研究，而是基于建立新的學習觀和知識觀，對教學活動與學習過程作出了新的闡釋。
總體上看，國內關于深度學習的研究最近十年才剛剛起步。2005年，我國學者黎加厚教授在《促進學生深度學習》一文中，率先介紹了國外關于深度學習的研究成果，同時探討了深度學習的本質。他認為深度學習是指在理解學習的基礎上，學習者能夠批判性地學習新的思想和事實，并將它們融入原有的認知結構中，能夠在眾多思想間進行聯系，能夠將已有的知識遷移到新的情境中，作出決策和解決問題的學習。⑩此文被認為是國內較早介紹并論及深度學習的研究成果，此后，關于深度學習的探討，特別是基于信息技術環境下的深度學習的相關研究論文逐漸增加。2006年10月，筆者在前期研究的基礎上，與臺灣成功大學教育研究所所長李坤崇教授聯合發起“海峽兩岸能力生根計劃”，推進能力導向的深度教學的理論研究與實驗研究，主張以價值觀、知識觀、學習觀、過程觀的重建為基礎，以發展學生的學科能力為宗旨，實施深度教學，克服課堂教學改革過于注重教學程序、教學技術、教學時間的淺層次改革和表層學習的局限性，深化課堂教學改革。2014年后，中國教育科學院院長兼教育部課程教材研究與發展中心主任田慧生研究員基于深化課程改革的需要，帶領一個團隊開始啟動深度學習的項目研究。直至今日，基于核心素養追求背景下的深度學習研究項目，如雨后春筍般涌現，“深度學習”成為教育研究中的一個熱詞。
盡管計算機、人工智能領域與教育學領域都提出了“深度學習”概念，但不難看出二者顯然具有本質差異。計算機與人工智能領域的深度學習是建立在機器模擬人腦深層結構的基礎之上的，是基于人腦結構的一種計算機算法思維和問題解決模型，是對人腦和認知結構的模擬。而教育學領域的“深度學習”概念，無論是布魯姆還是馬頓和薩爾約，都指向了“知識”和“學習”兩個核心，是關于知識學習的目標和過程的問題。布魯姆在教育目標分類學認知領域的目標構設中，認為認知目標是由了解、理解、應用、分析、綜合、評價六個不斷加深的層次構成的。這一目標明顯是關于知識學習和認知過程的目標，在2001年修訂版中，這一目標被精確表述為知識學習和認知過程兩個維度。馬頓和薩爾約在關于閱讀的研究中，基于學生對文本理解的層次和理解的深度提出了“深度學習”的概念，并認為學習的本質區別在于過程而不是學習的結果，是學生對文本知識學習的深刻程度決定了其學習結果的差異性。
艾根的研究實現了從深度學習向深度教學的轉向。艾根的深度學習（Learning in Depth）研究更明確地指向了學生對知識的學習所到達的深度，以及教師通過對知識的處理引導學生逐步到達一定的學習深度。這一深度學習的過程是一個逐步深化的學習過程，要求教師在教學過程中引導學生著眼于知識的深層次理解和深度處理。該項研究表明，深度學習的研究開始從單一的學習技術研究轉向了對教學過程的關注，注重深度學習與深度教學的關聯性和一致性，深度學習的研究呈現出向深度學習與深度教學相結合的轉向。
三、深度學習的核心理念
從深度學習走向深度教學，一方面是教與學的一致性決定的，另一方面是當前中小學課堂教學普遍存在的局限性Q定的。教與學的關系既不是對立關系，也不是對應關系，而是一種具有相融性的一體化關系，離開了教無所謂學，離開了學也無所謂教。學生真正意義上的深度學習需要建立在教師深度教導、引導的基礎之上。從本質上看，教育學視野下的深度學習不同于人工智能視野下的深度學習，不是學生像機器一樣對人腦進行孤獨的模擬活動，而是學生在教師引導下，對知識進行的“層進式學習”和“沉浸式學習”?！皩舆M”是指對知識內在結構的逐層深化的學習，“沉浸”是指對學習過程的深刻參與和學習投入。離開了教師的教學和引導，學生何以“沉浸”？因此，深度學習只有走向深度教學才更具有發展性的意義和價值。同時，我國新一輪基礎教育課程改革以來，課堂教學改革依然存在著諸多表層學習、表面學習和表演學習的局限性，“學習方式的轉變”往往演變成了教學形式的改變，諸如教與學在程序上的簡單翻轉和在時間上的粗暴分配。其所體現出來的知識觀、價值觀、教學觀、過程觀依然陳舊落后，以學科知識、學科能力、學科思想和學科經驗的融合為核心的學科素養依然未能得到實質性的滲透。
深度教學的“深度”是建立在完整而深刻地處理和理解知識的基礎之上的。艾根在深度學習的研究中，首次從知識論的角度，論述了深度學習的“深度”（Depth）的涵義。他認為“學習深度”具有三個基本標準，即知識學習的充分廣度（Sufficient Breadth）、知識學習的充分深度（Sufficient Depth）和知識學習的充分關聯度（Multi-Dimensional Richness and Ties）。這三個標準，也是深度學習的核心理念。
第一，知識學習的充分廣度。充分的廣度與知識產生的背景相關，與知識對人生成的意義相關，與個體經驗相關，也與學習者的學習情境相關。如果教學把知識從其賴以存在的背景、意義和經驗中剝離出來，成為純粹的符號，便成為無意義的符號、無根基的概念知識。知識具有強烈的依存性，無論是自然科學的知識還是社會科學或人文學科的知識，都是特定的社會背景、文化背景、歷史背景及其特定的思維方式的產物。離開了知識的自然背景、社會背景、邏輯背景，前人創造的知識對后人而言幾乎不具有可理解性。隨著深度學習的興起，旨在以廣度促進理解的“無邊界學習”日益引起人們的重視?？梢姡R的充分廣度，其實是為理解提供多樣性的支架，為知識的意義達成創造了可能性和廣闊性基礎。
第二，知識學習的充分深度。知識的充分深度與知識所表達的內在思想、認知方式和具體的思維邏輯相關，深度學習把通過知識理解來建立認識方式，提升思維品質，特別是發展批判性思維作為核心目標。所以說，深度學習是一種反思性學習，是注重批判性思維品質培養的學習，同時也是一種沉浸式、層進式的學習。深度學習強調學習過程是從符號理解、符號解碼到意義建構的認知過程，這一過程是逐層深化的。
第三，知R學習的充分關聯度。知識的充分關聯度，是指知識學習指向與多維度地理解知識的豐富內涵及其與文化、想象、經驗的內在聯系。知識學習不是單一的符號學習，而是對知識所承載的文化精神的學習。同時，通過與學生的想象、情感的緊密聯系，達到對知識的意義建構。從廣度，到深度，再到關聯度，學生認知的過程是逐層深化的。所謂意義建構，即從公共知識到個人知識的建立過程，都需要建立在知識學習的深度和關聯度之上。
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余凱等.深度學習的昨天、今天和明天[J].計算機研究與發展，2013，9.
⑤安德森.布盧姆教育目標分類學（修訂版）[M]. 北京：外語教學與研究出版社，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.促進深度學習的課堂教學策略研究[J].課程?教材?教法，2014，11.
⑧Kieran Egan. Learning in Depth： A Simple Innovation That Can Transform Schooling. London， Ontario： The Althouse Press， 2010.
