首页 > 论文范文 > 教育综合论文 > 教育学综合论文 > 课程思政论文 > 浅谈人工智能技术课程思政建设与实践

浅谈人工智能技术课程思政建设与实践

2023-06-26 180 上传者：管理员

摘要：我国高度重视人工智能的发展，社会进步和经济发展迫切需要人工智能的得力参与。本文结合人工智能技术课程，引入了课程思政内容，提出和设计了典型课程思政案例，重点给出了基于智能的精准图像文字识别方法，以及智慧课堂高校学生大数据学习行为挖掘方法思政案例的设计和实现。激励学生研究人工智能面临的技术难题，勇于创新，为民族复兴和国家崛起贡献力量。

关键词：
人工智能
思政建设
思政案例
技术
课程思政
加入收藏

“人工智能技术”课程讲授人工智能的基本原理及其应用。人工智能技术已经成为国家重要发展战略，授课时融入思政元素，帮助学生塑造正确的世界观、人生观、价值观，培养学生的民族自豪感和勤奋刻苦、努力拼搏、锐意进取和创新的精神。

1、课程思政内容的引入

在讲授“第1章绪论”时，引入中国航空航天、中国量子计算与人工智能相关的成就。通过人工智能在中国航空航天方面的应用介绍和案例强化学生的民族自豪感，激励学生努力学习、奋发有为。通过中国量子计算的成果，例如百度在量子计算机产业化的过程中，依靠百度量子近五年的研发积累，以及百度量子200多项核心技术专利和优秀的人才梯队的支撑，解决了芯片版图自动化设计、跨量子计算体系云平台建设、算法创新与实用化三大难题，体现了中华民族强大的凝聚力和战斗力，以人为本、崇尚科学、注重创新起到了关键作用。

在讲授“第2章知识表示方法”时，强调知识是一切智能行为的基础，必须解决知识的表示问题。一般来说，同一知识可以有多种不同的表示形式，不同表示形式的知识所产生的效果又可能不一样。启发学生在面对问题时需要多观察、多了解、多调查，从而得到问题的最好解决方案。

在讲授“第3章搜索推理技术”时，对学生进行爱国主义教育，使学生体会到在新时代，提升中国在国际社会中的知名度也是一种爱国方式。通过自建高铁、进藏高速公路等案例，提升学生的民族自豪感。

在讲授“第4章计算智能”时，引入求同存异的重要性。与传统的搜索方法不同，遗传算法是一种基于种群的迭代优化算法。遗传算法是解空间搜索方法，随机选取种群，利用适应度函数进行全局搜索，通过并行计算寻找最优解/次优解。与学生深入讨论求同存异的重要性，只有秉持开放包容的态度，才能不断地取得进步。

在讲授“第5章专家系统”时，进一步强调团结、协商一致、共享理念、集思广益、合作与竞争等辩证关系。集体智能是一种群体共享的智能，是从许多个体的竞争中产生。鼓励学生要培养团队合作能力，在竞争中加强合作，在合作中注重竞争，实现资源共享。

在讲授“第6章机器学习”时，强调学习是人类获取知识的重要途径和自然智能的重要标志，机器学习是机器获取知识的重要途径和人工智能的重要标志。深度学习是目前最先进的机器学习方法，Geoffrey Hinton是深度学习之父，正是深度学习技术使人工智能炙手可热。但深度学习也存在缺陷，例如深度学习可解释性差，可以将深度学习与人类知识结合，提高深度学习的可解释性。鼓励学生辩证地来看待问题，任何一种方法都有优点和局限性，要编程实现相应的方法，针对存在的不足，针对性地改进，有利于提高学生的创新实践能力。

在讲授“第7章自然语言理解”时，分析目前的自然语言理解系统，介绍自然语言理解是破解人脑智能之谜的钥匙，自然语言理解是实现人工智能的核心问题。鼓励学生将所学的编译原理知识与自然语言理解深入结合，努力在自然语言理解上进行突破，争取取得具有原创性的成果，推进大脑之谜的破解。

2、典型课程思政案例的提出和设计

人工智能技术实践性教学环节主要包括五子棋游戏、梵塔问题、传教士和野人、启发式搜索算法、产生式系统、深度学习方法实现分类，以及遗传算法，学生课外独立完成这些实验。通过实验，要求学生全面掌握搜索、知识表示以及人工智能在计算智能领域的研究动向、方法、思路，特别是启发式搜索算法和遗传算法，将理论和实际应用有效结合。

此外，本文研究设计了基于人工智能技术的典型课程思政案例，具体包括基于智能的精准图像文字识别方法、智慧课堂高校学生大数据学习行为挖掘方法、基于深度学习的垃圾分类算法、经典影像的智能修复算法、基于改进深度强化学习的黑白棋对弈算法等课程思政案例。由于篇幅有限，本文重点给出基于智能的精准图像文字识别方法，以及智慧课堂高校学生大数据学习行为挖掘方法思政案例的设计和实现。

日常生活中遇到的图像往往因各式各样的干扰因素导致识别难度大大增加。此外，场景图像中可能存在更加复杂的背景，文本区域附近的背景会给文本定位带来极大的干扰。

本文基于深度学习在图像文字识别中的优势，从真实的场景图像入手，从数据集的选取到文本检测再到文字识别的各种方法，通过研究改进Advanced EAST算法的具体网络结构实现了对中长文本的检测，在此基础上，结合卷积循环神经网络实现了一个文字的检测和识别系统，提高了构建文本框和识别文本的精度。

研究实现了基于智能的精准图像文字识别方法，运用改进的Advanced EAST(Advanced Efficient and Accuracy Scene Text）方法实现对图像中的文本进行检测，在图像中显示出预测文本框，有效地解决了部分文本框构建失败的问题，检测效果较好。

Advanced EAST模型结构简单，模型训练和预测的速度快。但是当Advanced EAST模型方法对边界点的预测存在错误时，就使整个文本线构造错误，因此导致预测效果更差。

本文对Advanced EAST的文本线构造方法进行了改进，由于采用边界预测可以对文本的打点更加准确，直接按照预测边界像素点的分布，采用一个矩形框框起来，这样可以成功构建文本线。

改进的Advanced EAST方法首先对输入图像进行预处理，调整图像大小为736×736格式作为网络的输入；确定标签点，生成数据标签。数据标签格式为一个文本框采用4个坐标表示，即左上、右上、左下、右下四个顶点坐标，共八个值；输入卷积神经网络，提取图像特征，并进行特征融合；将合并的最终特征图直接送入输出层，输出置信度和边界坐标；对输出结果进行后置处理，根据输出，计算得到最终的文本框坐标，输出检测文本框。通过将图像输入到网络中训练，并优化得到文字检测模型，实现文字检测功能。

采用卷积循环神经网络（Convolutional Recurrent Neural Network,CRNN）方法实现文字识别。文字识别方法在文字检测的基础上，将检测提取到的文字区域进行切割处理，进行仿射变换，作为输入网络的数据，以便训练和测试使用；在预处理阶段将所有输入图像缩放到固定高度为32、宽度任意的灰度图像；将预处理后的图像输入到网络中进行训练，并优化得到识别模型。

在网络模型中，通过卷积神经网络（Convolutional Neural Network,CNN）提取像素特征，得到特征序列；利用循环神经网络（Recurrent Neural Network,RNN）提取时序特征，将得到的特征向量进行合并，提取字符序列的上下文特征；利用转录层对序列去重整合，得到相应文本的识别结果。基于用户输入的图像，能够快速准确地提取图像中的文字，支持街景、电商图文、广告图文等多种场景的文字检测。图1给出了本文基于智能的精准图像文字识别方法的街景图像检测和识别结果。

智能课堂是当前教育信息化研究的热点，智能课堂的核心是利用最新信息技术改进课堂教学。本文采用K-means聚类算法对学生的学习行为特征进行了聚类分析，通过对学生数据聚类结果和聚类中心进行分析，可以对数据中相似群组的特性进行归纳和分析，使得学生特征更加清晰明显。

图1街景图像检测和识别结果

从学生学习行为数据集的聚类模型无法得到对学习最终结果产生影响的因素，采用聚类算法将数据进行分类后，本文构建了改进深度神经网络（Deep Neural Networks,DNN）训练，并实现了学生成绩预测模型。该方法不同于传统的无监督训练算法和其他低维度的机器学习算法，通过自主更新权值的方法，根据不同的数据集训练，得到具有个性化差异的训练模型，依据综合聚类结果和预测模型，完成对学生学习行为的个性化教学评价和成绩预测，较好地解决了不同的学习模式之间的个性化差异问题，为学生的发展和教师调整教学模式提供技术支持。使“个性化学习”在大数据条件下得以满足，有利于促进学生的智慧发展。输入输出规则如表1所示，图2给出了其中1个学生的教学评价实验结果。

表1输入输出规则

图2教学评价实验结果

3、结语

目前，人工智能、互联网、大数据等现代信息技术发展迅速。本文在人工智能技术课程中介绍了课程思政内容，研究设计了基于人工智能技术的课程思政案例，鼓励学生充分发挥自己的聪明才智，勇于创新，为我国的社会进步和经济发展贡献自己的力量。

参考文献：

[1]商新娜,宏晨田娥:.“机器学习”课程思政教学改革与探究[J]科教文汇,2021(28):95-97.

[2]韩宪洲.论课程思政建设中的几个基本问题:课程思政是什么､为什么､怎么干､怎么看[J]北京教育(高教版),2020(5):48-50.

[3]代丹丹.唐万梅Python程序设计课程思政方法与实践[J]软件导刊,2021,20(7):202-205.

[4]柳青. Python程序设计课程中的课堂思政元素初探[J].电脑知识与技术,2020,16(3):75-77.

[5]李静,胡国华Python语言程序设计课程思政资源挖掘及教学路径探索[J].计算机教育,2020(1):24-28.

[6]蒋宗礼提高课程教学站位[J]中国大学教学,2021(1):35-41.

基金资助：国家自然科学基金项目(No.61371143);教育部高等教育司产学合作协同育人项目(No.201801121002);教育部高等教育司产学合作协同育人项目(No.201902083001);全国高等学校计算机教育研究会2019年度课题(No.CERACU2019R05);