项目化教学在人工智能课程中的教学研究

摘要：针对应用型高校开设人工智能课程中实验难度大、技术点多引发学习者兴趣缺乏的问题，文章在人工智能课程中采用项目化教学，使用启发式教学原则，以深度学习中茶嫩芽叶图像识别为例，引导学生通过发现问题、设计项目、制定方案、实施项目并总结的过程来掌握人工智能知识，通过项目指导和总结向学生传授理论知识，展示以深度学习为主题的项目化教学在实际教育领域中的应用效果和价值。

关键词：人工智能；项目化教学；深度学习；机器视觉；启发式原则

中图分类号：G642      文献标识码：A

文章编号：1009-3044（2025）07-0169-03

开放科学（资源服务） 标识码（OSID）

0 引言

当前，人工智能（AI） 相关技术在全球范围内蓬勃发展，推动着科技革命和产业变革。以习近平同志为核心的党中央主动应对智能化变革新趋势，抓住人工智能创新重大历史机遇，积极实施新一代人工智能国家发展战略[1]。人工智能成为热门学科，国家大力推动高校开设相关课程[2]。然而，因AI涉及多学科知识[3]、缺乏成熟教学模型，教学内容复杂，学生理解新知识需时间等现状，给人工智能教学带来挑战。传统的教学方式是以讲解知识点作为主线，教材里的示例程序仅仅是对知识点的验证，一方面无法将知识点运用到实际的项目开发之中，另一方面也不能在实际应用里去解决具体的问题[4]。在这一背景下，国内外人工智能课程教学研究的现状显示出几个显著的趋势和特点。国际上，AI课程关注智能虚拟现实、教学机器人、机器学习等领域，探索AI在教育创新和效率提升中的作用。在国内，AI教育得益于工业界的进步和市场需求，尽管在自动判分等方面取得成果，但在认知过程研究上需加强。国内正推动教育与信息技术的融合，以提高学习效率。例如，清华大学利用智能助教和知识图谱开展AI教学。本文的研究问题正是在这样的背景下提出的，旨在通过具体的教学实践提升学习者的自主学习和实践能力，文章采用‌不仅能够提高学习者的自主学习能力和创新精神，‌还能够培养其实际操作、问题解决能力的项目化教学，在人工智能教学融入具体的应用场景，遵循循序渐进、知行合一的教学规律，探究项目化教学在AI课程中的实践应用思路与教学设计。

1 人工智能课程教学现状

人工智能课程内涵丰富，研究方向包括机器人、语言识别、图像识别、自然语言处理等，也承担着培养高素质人才的使命，良好的AI教学课程模式有利于未来科技人才的培养。当前研究者不断探索AI课程教学，力求平衡知识传授与能力培养，但现今AI课程教学中存在以下三个问题。

1.1 课程内容与实际岗位要求之间存在巨大差距

用人单位招聘人工智能岗位时，需要从业者具备卓越的实践操作能力、对复杂问题的快速应变和处理能力等。然而，当前的人工智能教学内容在这些方面与实际岗位的真实需求存在着明显的脱节，学生能够使用一些基础的模型和算法，但却缺少对用人单位实际使用的一些复杂算法、大模型的了解，无法有效满足实际岗位对人才在专业素养、技能水平和综合能力等多方面的高标准要求。教师在教授知识的同时应该培养学生的解决问题能力、优化模型能力。鉴于以上原因，教学中应创设环境，锻炼学生解决问题的能力和使用并优化人工智能算法的能力。

1.2 教学方法仍以讲解理论为主

在人工智能课程教学中，尽管课程向多元化发展，但教学方法仍多偏向单一理论知识讲授。与此对应，学习相关章节的实验难度较大，学习者在理解知识后不能契合学习场景去实践。这种教学方式注重学习者掌握AI理论知识，却忽视对学习者对理论的实践能力、创新思维及应用技能的培养，导致难以培养出符合社会需求的应用型人才，限制了学习者面对实际工作场景时运用知识解决问题的能力，从而影响了人工智能教学的实际效果和价值。

1.3 学生基础薄弱、学习动力不足

在学生层面，鉴于人工智能知识内涵丰富，延伸方向较多，这就导致了部分学生在学习过程中或许会出现难以理解知识并复现算法的问题，在对复杂抽象的知识进行认知和消化的过程中，因没有实际的案例来辅助了解场景和解决现实问题，从而使得他们学习兴趣低，难以透彻地掌握相关要点。与此同时，多数学习者对AI课程内容了解较少，基础较差，他们在面对如此具有难度的知识体系时，可能会逐渐产生畏难情绪，难以激发起内心强烈的求知欲和探索欲，进而对学习人工智能知识的积极性和主动性产生不利影响，使得他们在AI领域的学习进程受到一定程度的阻碍和延缓。

2 项目化教学在人工智能课程中的意义

教师应首先充分了解项目式学习及其重要性，为教学实践奠定基础。项目化教学是将理论与实践相结合的一种教学模式。在项目化教学中，师生共同实施一个完整的项目，在实践中学习和应用知识。其内涵是强调学生在真实的项目中通过解决问题、合作学习和跨学科的综合应用来获取知识和技能。项目教学法最显著的特点是以项目为主线、学生为主体、教师为主导。这种教学方法鼓励学生主动探索、自主思考和解决问题，旨在培养学生的创新能力、实践能力和团队合作精神。基于以上特点，教师在人工智能分支深度学习教学中使用项目化教学法，设计相关的项目式学习，其过程包含：引导学生提出问题，明确项目任务；进行项目分析和设计；制定方案；实施计划，解决项目中的问题；检查评估，验证方案的实效性；归档与总结。教师在课堂上的职责是指导学生完成项目并传授AI理论，使学生在实践后更容易理解理论，从而深入理解项目实践。

3 项目化教学在人工智能课程中的设计

人工智能课程的教学目标强调基于真实项目的学习，学生要做的项目必须是真实、完整、有意义的、可在短时间完成，帮助学生在探究和实践过程中综合应用各类知识、技能，提升人工智能核心素养[5]。目前使用项目式教学的案例不胜枚举：黄楚敬[6]等提出智慧校园环境下人工智能项目式教学设计，以“DIY我的智慧寝室”为例，介绍项目准备、体验、实验、应用及反馈阶段，为中小学人工智能教学实践提供参考。吴紫俊[7]等结合武汉纺织大学的特色，针对人工智能课程的特点，提出研学一体、实践导向的教学改革措施和方案。尽管计算机视觉在人工智能领域中无疑占据着举足轻重的地位，但案例不多。本文以人工智能应用实践教程的图像识别章节为例，设计了面向采茶机器人的嫩芽叶识别项目，通过项目式学习让学生在实际情境中发现、分析并解决问题，以此培养他们的计算思维。通过项目式学习，学生能够在实践中不断探索、学习，并将理论知识与实际操作相结合，从而提升自身的计算思维能力和解决AI问题的能力[8]。

3.1 明确项目任务

在项目式学习中，学生界定和提出问题的能力是进行项目分析与讨论的基础，更是培养学生计算思维不可或缺的一环。在人工智能应用实践教程的教学过程中，为了引导学生深入理解并应用所学知识，教学特意创设了一个与现实紧密相连的问题情境——“考虑到安徽省作为名优茶的生产出口大省，目前面临着什么问题？如何解决该问题？人工采茶和智能采茶有何优缺点？”通过目前人工采茶效率低、成本高以及采茶工人数不足的现实情况，进而引导学生提出了“智能采茶机提高茶叶采摘效率”的课题。

3.2 项目分析和设计

在学生明确任务目标、设计并提出一个可行的智能采茶机方案以解决当前茶叶采摘面临的挑战的前提下，教学者应引导并鼓励学生依据以下步骤进行项目分析。

首先，鼓励学生深入探索真实的茶产业现状，培养提出和发现问题的能力，结合理论解决实际采茶机器人图像识别精度低的问题，提升计算思维。其次，逐步引导学生理解图像识别在茶嫩芽识别中的应用，建立基于卷积神经网络（CNN） 的图像识别知识体系。最后，通过小组合作，学习图像识别原理，探讨深度学习在图像识别中的挑战，并分享茶嫩芽目标识别项目的实践成果，加深对AI应用的理解。

3.3 制定方案

在此阶段，基于项目式学习的人工智能教学强调培育学生自主分析问题、解决问题的思维及能力。在图像识别教学中，以提升茶嫩芽叶识别精确率任务为趋导，首先需要进行知识准备与资源整合。其中，理论学习包含组织学生学习相关的人工智能和深度学习理论知识，包括图像识别、机器学习算法等。资源整合包含教师提供每种类茶嫩芽图片1 000张作为数据集，学生通过这些数据进行基础算法模型的训练和测试。教师一方面引导学生形成问题最佳解决方案。依据茶叶嫩芽的尺寸小、新叶老叶颜色形状特点、名优茶多为“一芽两叶”的特点，学生围绕如何有效发挥图像识别在本项目中的应用价值进行问题探究，并以小组合作形式对问题解决方案进行制定、调试与完善。另一方面，依据方案解决项目问题。以项目式学习为驱动的人工智能教学强调学生运用学习工具、调动学习思维来完成学习任务、解决实际问题。教学者依据最终的方案把学生如表1所示，使人工智能专业的学生均匀分成6组，以在安徽农业大学茶叶园基地获取的图片为原始材料，并以近年来检测速度快的单阶段算法YOLO和双阶段算法Faster R-CNN为基准算法。

3.3 实施方案，解决基于深度学习的茶嫩芽识别问题

“项目化教学”的理论认为，知识可以在一定的条件下通过自主建构而获得，这种路径可以是传统低效的“灌输”，也可以是舒适高效的项目化获得。但教育更是满足长进需要的有意识、有系统、有组织的持续交流活动，因而在改良知识获取方式的同时，不能忽略学科知识的体系化。

基于以上原因，在实施解决基于深度学习的茶嫩芽识别问题中，在引导学生进行茶嫩芽图像预处理、图像标注和模型训练时，教师需要对项目有整体把握，适当对项目进行必要的拓展，如深度学习与人工智能的联系，深度学习发展过程中各模型的优劣与适合的方向，以使学科知识能够融会贯通。

实验步骤可分为图像预处理和模型训练。图像预处理：学生学习如何对采集的茶叶图片进行预处理，包括去噪、增强对比度、标准化等，以提高模型训练的效率和准确性。模型训练：学生使用深度学习框架PyTorch搭建和训练模型，如卷积神经网络（CNN） ，进行茶嫩芽的图像识别。实施案例可以参考浙江理工大学农业机器人与装备创新团队研发的智能采茶机器人，该团队通过深度学习技术实现了茶树嫩芽的自动识别，并采用机械臂进行采摘。实验材料是由教师提供每种类茶嫩芽图片1 000张，学生以茶嫩芽图像和算法模型为基准网络进行预处理、模型搭建、实现图像识别的操作与应用，通过实践操作提升分解实际人工智能问题能力，计算思维在无形中得到培育。

3.4 检查评估，验证方案的实效性

在项目导向的学习模式中，教师和学生以及学生之间积极地交流并共享各自的学习经验和心得。通过这种方式，师生不仅增强了对知识内核的理解与应用，同时反思自身的优势与不足之处。为了确保项目的有效性和深度学习，需要对项目进行细致的检查评估，验证方案的实效性。

1） 评价指标。

评价指标是衡量项目成功与否的关键因素，它们应该全面覆盖项目的目标和学习成果。在茶嫩芽识别算法的项目中，评价指标可以分为两类，一类是技术准确性：模型的准确率、召回率和平均精度（mAP） 等技术指标。另一类是实现项目中体现的创新性、实用性、团队协作、问题解决能力、自我反思。

2） 评价方法。

评价方法应当多样化，以确保能够全面地评估学生的学习成果和项目的质量。茶嫩芽识别项目中的评价包含以下几种：自我评价，学生对自己的学习过程和成果进行反思和自评；同伴评价，学生相互评价，提供反馈，促进相互学习；教师评价，教师根据项目目标和评价指标，对学生的学习成果进行评价；实际应用测试，将项目成果应用于实际情境中，评估其有效性和可行性。

通过评价指标和方法，可确保茶嫩芽识别算法的有效性，促进学生对知识点的深入理解。在实践中，五组学生能使用指定算法构建模型，有一组因未标注背景中的茶嫩芽导致识别精准率低，教师评估后指出问题，这一发现能促进学生发展计算思维，提升实践能力。在人工智能应用实践教程课程中，笔者结合茶嫩芽图像识别项目，强调模型搭建及其实际应用价值，指导学生总结实施方法，评价解决方案，并在此基础上进行持续改进和优化。

3.5 总结与归纳

本次项目中学生积极性高，5组学生能自主解决问题，相比于原始模型，改进后的茶嫩芽叶识别模型精确率有大幅提升，能使学生在实施过程中融会贯通相关知识，提升学生的学习兴趣。但也存在1组学生不能顺利完成实践的问题。这组学生经过教学者的项目评价，解决了项目中困难，这一实际有助于进一步优化问题解决方案，提升项目成果的借鉴意义与分享价值，教学者采取课中形成性评价、课后自我评价、课后学生访谈评价的方式，对图像识别相关问题的探究成效进行了全面评价。学生以小组为单位展示了不同茶叶种类数据集的项目成果，对比精确率提出了改进措施以优化结果；教师对结果进行了总结与点评，加深了学生对人工智能应用价值的认识。

4 结束语

本研究在应用型高校的人工智能课程中采用项目化教学方法，通过深度学习中的茶嫩芽叶图像识别项目，有效地提高了学生的学习兴趣和理论知识掌握。然而，研究也存在一些不足，如研究仅在特定的课程中进行，样本可能不够广泛，因此结论的普遍适用性可能受限。学生的知识背景和学习能力可能影响项目化教学的效果。未来的研究可以探讨如何根据学生的不同背景调整教学策略，以实现更个性化的教学，也考虑在不同类型的高校和课程中进行，以验证项目化教学方法的普适性，提高其在人工智能教育领域的应用效果和价值。

参考文献：

[1] 刘力波，韦晰玄.我国人工智能高质量发展的基本内涵及其时代价值[J].江苏大学学报（社会科学版），2024，26（3）：12-21.

[2] 刘璐，张新峰.产学研协同的人工智能课程教学改革：以中国科学院大学“深度学习” 课程为例[J].高等工程教育研究，2023（6）：73-77.

[3] 王佳莉.新课标背景下人工智能课程跨学科融合教学[J].实验教学与仪器，2023，40（12）：113-116.

[4] 季波，胡雪晨，朱开心.基于项目沉浸式开发与创新点提炼的人工智能课程教学研究[J].电脑知识与技术，2024，20（7）：21-23，27.

[5] 徐启发.基于项目式学习的人工智能教学模式应用研究[J].华夏教师，2022（15）：46-48.

[6] 黄楚敬，张倩.智慧校园环境下人工智能学科的项目式教学实践[J].计算机教育，2023（11）：186-190.

[7] 高希占，牛四杰.新工科背景下人工神经网络课程教学改革[J].计算机教育，2023（9）：92-96.

[8] 冯岩，尤磊，李健，等.新工科背景下人工智能课程的教学改革[J].福建电脑，2022，38（4）：118-120.

【通联编辑：王 力】