案例驱动与层次化教学模式在机器学习课程教改中的应用研究

摘要：针对新工科背景下农林类高校人工智能专业机器学习课程教学中存在的问题，本文从课程特点和学生认知层次出发，分析问题根源，并从案例设计和层次化教学入手，对课程教学内容、教学方法和考核方式进行了改革探索。在课程设计中，结合线上线下教学模式，通过课前预习、课中强化、课后检测以及教赛结合等环节，提升专业教学效果。实践结果表明，该方法有效提升了学生在机器学习实践应用中的创新能力和动手能力。此外，课程通过思政案例贯穿教学，将思政元素有效融入专业课程内容，实现了专业课程与思政教学的融合设计，进一步助力新工科人才培养目标的实现。

关键词：机器学习；案例驱动；层次化教学；新工科

中图分类号：G424 文献标识码：A

文章编号：1009-3044（2025）04-0161-03 开放科学（资源服务） 标识码（OSID） ：

0 引言

目前，我国人工智能产业快速发展，随着“智能+”时代的加速到来，对智能信息处理领域应用型人才的需求激增。2017年《新一代人工智能发展规划》指出，人工智能被正式提升为国家战略[1]。自2022年以来，随着生成式人工智能的推出，人工智能进入以大模型开发为主导的发展阶段。科技企业、新型创新组织等与高校的合作，已成为人工智能创新研究与发展的主导力量。随着社会对人工智能人才需求的不断增加，高校也肩负起了重要的人才培养责任。

机器学习课程作为人工智能专业的核心课程，其建设对机器学习人才的培养至关重要。机器学习是一门从数据中研究算法的多领域交叉学科，涵盖计算机、数学、统计学和最优化方法等学科内容，广泛应用于图像识别、搜索引擎、语音识别、机器翻译、金融预测等众多领域。然而，传统以教师为中心的单一教学模式已无法满足社会对人才的需求，在课程内容和教学方法上仍须进一步改进。因此，探讨新的教学模式以提高教学效果，培养符合社会需求的人才，具有重要意义。

“新工科”建设要求高校对接产业需求，构建专业课程体系，紧跟行业前沿技术的变革，改革课程内容和教学方法。OBE教育理念[2]强调以学习成果为导向，明确教学目标，设计相关教学模式和考核方式，使学生能够灵活运用机器学习的关键技术解决实际问题[3]。随着学科交叉趋势的发展，对于农林类高校的部分专业，如人工智能、通信工程、智慧农业等，学生的数学基础相对较薄弱，而机器学习课程具有理论原理多、算法复杂度大、实际应用难度高等特点，因此，机器学习课程的建设面临诸多困难和挑战。

本文从农林类高校非计算机专业的角度出发，对机器学习课程教学模式进行了改革与探索研究。通过引入项目案例教学和布鲁姆教学目标分类法，本文探索了案例驱动和层次化教学的改革路径，旨在为农林类高校人工智能专业课程建设提供参考。

1 机器学习教学中存在的问题

1.1 教学内容

随着机器学习和人工智能的快速发展，新技术不断涌现，教学内容的编排面临挑战。一方面，希望学生能够掌握机器学习算法的原理和数学推导过程；另一方面，又希望学生能够紧跟人工智能发展的时代潮流，学习更多新技术和新知识。然而，由于课程课时有限，难以同时兼顾算法原理和新技术的学习。尤其是对于数学基础较弱的农林类本科生，授课内容的安排成为一大难题[4-6]。

1.2 教学方式

目前，机器学习课程教学仍主要采用教师课堂授课、学生被动接受知识的方式。学生普遍上课注意力不集中，缺乏学习兴趣。此外，机器学习部分算法原理的推导较难理解，仅靠多媒体和课堂讲解难以调动学生的学习热情。由于课程内容烦多、进度较快，学生难以将理论知识与实践相结合，这直接影响了动手能力的培养。

面向农林类高校，目前机器学习课程教学中存在以下问题：1） 学生数学基础薄弱，难以理解机器学习算法的原理；2） 教学内容抽象，难以与学生专业相关联，难以激发学习兴趣；3） 实践内容缺乏层次化，难以满足不同学生的个性化发展需求。

针对以上问题，结合案例教学和层次化教学，可以有效解决原理理解困难、动手能力不足等挑战。

2 机器学习课程教学设计

根据布鲁姆教育目标[7]：记忆、理解、应用、分析、评价和创新（如图1所示） ，本课程将机器学习教学内容细化为这6个目标，使学生不仅能够理解和掌握课程的基本要求（记忆、理解和应用） ，还能够通过运用所学模型综合设计并解决更复杂的问题，达到课程的更高要求，培养高阶思维能力（分析、评价和创新） [4]。在此基础上，本课程以布鲁姆教育目标为依据，分别针对教学内容、教学方法和教学考核设计了记忆理解层、应用分析层、评价层和创新层的相关内容（如图2 所示） 。

2.1 层次化教学内容设计

机器学习课程涉及多个学科交叉内容以及编程相关内容，尤其是近年来深度学习已成为机器学习的研究热点，相关教材层出不穷。因此，本文在课程教学内容上，结合多本教材，对教材内容进行取舍，选取具有代表性并能体现机器学习算法思想的关键模型作为重点讲解。教学内容主要分为经典算法、神经网络和深度学习三个模块。模块安排由易到难，符合学生的认知特点。其目的是使学生掌握机器学习的基本算法和理论，对当前研究热点有深入了解，并逐步掌握算法开发的步骤与流程。

在实验教学中，根据学生知识能力的差异，每次实验课分为基础实验和拓展实验两个部分。基础实验内容为必做内容，拓展实验部分根据学生能力的不同选做完成。拓展实验的设计能够有效提升课堂效率，并针对不同学生掌握程度的差异做到因材施教。

2.2 层次化教学方法设计

传统的教学方法重视算法原理的推导和讲解，但忽略了课堂算法学习的应用环节。采用案例驱动和对比教学法可以有效解决这一矛盾，从认知学习层面提高课堂效率。本文通过课程中支持向量机算法，从记忆理解层、应用分析层、评价层和创新层分析课堂教学方法的具体设计。

1） 记忆理解层。介绍支持向量机的基础概念，引入生动案例，帮助学生记忆和理解。例如，课前设计问题：如何在桌面上快速有效地分类不同颜色的小球？通过引导学生思考分类方法，引出支持向量机中的对应概念。例如，将待分类的小球称为data，将棍子称为classifier，找到最大间隙的技巧称为optimiza⁃tion，拍桌子称为kernelling，纸称为hyperplane。最终通过分析，明确支持向量机算法的目标是最大化支持向量到分割面的距离。课中讲解算法的原理，使学生更容易接受和理解，从而完成记忆理解层所需掌握的内容。

2） 应用分析层。通过实际案例（如数字识别、疾病预测等） 指导学生应用算法并分析流程，进一步引发学生思考该算法在其他实际场景中的应用可能性。最后总结可实现的工具包，如Python库、scikit-learn 和LibSVM。

3） 评价层。要求学生总结算法的优缺点，并与其他算法进行对比，培养其评价能力。该过程使学生掌握模型对比分析和模型选择的方法。

4） 创新层。设计拓展实验，鼓励学生在掌握算法基础的前提下提高实践能力和创新能力。

此外，在教学模式上，利用线上线下相结合的混合式教学模式，将传统教学模式与学习通智慧学习平台相结合。在层次化教学方法中，记忆理解层的课前预习部分在线上学习通平台完成；应用分析层的相关内容通过线下理论授课和实验教学完成；评价层和创新层的课后单元知识检测在线上学习通平台完成，实验创新部分在线下完成（如表1所示） 。线上线下的混合式教学充分利用了当前“互联网+”的优势，将课堂延伸至课外，从而最大化课程教学时间。

2.3 层次化教学考核设计

教学考核上提高过程化考核比例，不再单一采用考勤和期末成绩作为考核结果。考核采用过程性考核50%和期末测试50%的比例。

过程性考核包括平时和单元检测成绩。平时成绩包括课堂表现、作业、实验操作等。该考核内容属于学生对课程内容记忆理解层的考核。单元检测包括章节检测和大作业。大作业设计采用分组完成，每组2～3 名学生，从项目中选取各组项目，并做项目汇报。此过程的实施有效提升了学生的团队协作能力和项目执行能力。其中，在每次实验环节会根据各章学习内容给学生指定算法模型，并提供部分参考代码；大作业中项目接近真实机器学习应用，如Kaggle竞赛、阿里天池竞赛等项目，这部分不指定使用模型，不提供参考代码，只给出题目和性能要求，难度提升。通过多形式的考核设计，目的是使学生通过项目实现学会如何进行模型的选择和对比，引导学生能够从易到难逐渐深入学习课程内容。层次化考核方式如表2所示。

课程结课后，通过问卷调查、总结报告、小组汇报等多种形式与学生进行有效沟通，反思教学设计，评估教学效果。结合学生的过程考核结果，形成教学反馈，为进一步调整教学内容、优化教学方法提供思路，符合新工科OBE教育理念。

3 课程思政设计

我国传统的工程教育更注重毕业生的工程知识和技术能力，而对沟通、团队合作等方面的重视相对不足。因此，新工科人才培养更加注重“回归工程”和“大工程观”，强调沟通能力、团队协作、社会责任感、工程伦理等内容。作为人工智能专业的核心课程，机器学习课程不仅在专业课程教学中发挥着重要作用，帮助学生获得理论知识、职业技能和应用能力，还在塑造学生人格、提升精神品质和培养科学素养方面具有重要意义[8]。

在课程思政教学融合设计中，每一章均设计了课前预习环节，学生通过预习前沿先进技术，激发课程学习兴趣和项目研究热情，同时厚植爱国情怀；课程期中前后安排两次案例设计讨论，鼓励学生质疑问题，培养他们勇于探索和开拓创新的工匠精神；结合专业的最新研究成果，课后通过实际应用课题与当前国内外热点问题相结合，提升学生的实践创新能力和大胆超越意识，培养思想政治素养和正确的价值观。

因此，通过在专业课程中融合课程思政元素，将专业课程与爱国情怀、工匠精神和正确价值观有机结合，能够更好地实现新工科人才培养目标。

4 教赛结合

积极鼓励并带动学生参加竞赛和创新项目，如蓝桥杯、人工智能大赛和大学生创新创业项目等。例如，学生依托课程学习内容，在授课老师的指导下参与机器学习和人工智能相关项目。如大学生创新创业项目“基于深度学习的花卉种类识别系统研究”，该项目由5名学生参与，研究成果已发表1篇国际学术会议论文，其中1名学生参加了2023年第八届图像、视觉与计算国际会议（ICIVC2023） ，并作了会议报告；再如“高下立判——使用深度学习视觉识别的农机抗倒伏收割系统”，该项目获得山东省大学生创新创业项目立项，目前已取得1份软件著作权。

教赛结合的实施效果见表3和表4，学生在利用所学知识解决实际科学问题的能力上得到了进一步提升。通过课程实施教赛结合，将学习内容应用于竞赛，强化了学生对理论知识的理解，提高了实践动手能力，拓宽了知识的应用领域，有助于培养学生的创新意识和团队协作能力。

5 结束语

机器学习是一门综合性较强的专业课程，在课程授课内容和教学方法上需要不断与时俱进。本课程通过案例驱动与层次化教学改革，在教学内容、教学方法和考核方式上进行了创新。该改革有效满足了学生的认知需求和创新能力培养，同时进一步引导学生重视沟通能力、团队协作和社会责任感的培养。

参考文献：

[1] 国务院印发《新一代人工智能发展规划》[J].中国信息化，2017（8）：12-13.

[2] 余波.基于成果导向的“机器学习” 课程教学改革[J].工业和信息化教育，2022（8）：24-28.

[3] 何东彬，祁瑞丽，朱艳红.基于OBE和竞赛的“人工智能导论” 课程改革探索：以工程教育认证为背景[J].无线互联科技，2024，21（8）：106-109.

[4] 赵雪峰，施珺.面向本科生机器学习课程的教学探索[J].计算机教育，2021（2）：170-174.

[5] 董理，彭成斌，严迪群，等.基于层次化认知模型的本科机器学习课程教学改革[J].计算机教育，2023（5）：91-95.

[6] 李爽，韩锐，李轩涯.基于知识迁移贯通的机器学习课程教学改革[J].计算机教育，2024（5）：53-58.

[7] 布卢姆.教育目标分类学-第一分册-知识领域[M].罗黎辉，译.上海：华东师范大学出版社，1986.

[8] 孙平，姜丹，唐非，等.新工科人工智能人才培养的专业课程思政探究[J].教育教学论坛，2022（23）：153-156.

【通联编辑：唐一东】

基金项目：2023 年青岛农业大学教学研究项目（XJY20230041）