案例驱动的人工智能专业课程思政教学研究与实践

［摘 要］ 人工智能专业是为适应国家人工智能发展规划而批准设立的专业，专业培养定位强调厚基础、重交叉、强渗透。人工智能专业具有明显的技术属性、经济属性和社会属性，相较于其他工科专业，其专业课程思政的内涵更加丰富、外延更加广阔。针对人工智能专业的特点，立足培养定位，以案例驱动专业课程思政的教学研究和实践，深入探索人工智能专业课程思政的内涵和外延，构建价值体系、知识体系和能力体系同向同行的人才培养模式。

［关键词］ 人工智能；课程思政；案例驱动；价值体系

［基金项目］ 2022年度江苏省教育科学规划课题“人工智能领域研究生培养质量保障体系研究”（B202201128）；2023年度江苏省教育科学规划课题“高校青年教师数字化应用能力构成和提升路径研究”（B202301178）；2022年度江苏科技大学本科教育教学改革研究重点课题“‘计算机视觉’课程思政设计研究”（XJG2022003）

［作者简介］ 徐 丹（1981—），女，江苏镇江人，博士，江苏科技大学计算机学院副教授，主要从事人工智能与计算机视觉研究；左 欣（1980—），女，江苏镇江人，博士，江苏科技大学计算机学院副主任，副教授，主要从事模式识别与图像处理研究。

［中图分类号］ G642.0 ［文献标识码］ A ［文章编号］ 1674-9324（2024）20-0058-04 ［收稿日期］ 2023-04-16

引言

人工智能（Artificial Intelligence， AI）主要研究模拟和扩展人的智能的理论、方法及技术，以发现人类智能本质、模拟人类智能行为为目标。其技术本身的发展涉及哲学、道德、伦理等元素，因此，人工智能专业课程思政的内涵比其他工科专业更加丰富。

人工智能的发展可分为技术智能化、经济智能化和社会智能化三个阶段，从诞生到2016年AlphaGo战胜世界围棋大师，人工智能在科学研究和技术革新方面突飞猛进，这一阶段的人工智能研究主要集中在技术探索以及博弈、自然语言问答等局部应用上，并没有演变为产业现象。随着深度学习的重大突破、计算机算力的提升和大数据的持续累积，加之经济和社会普遍为数字化创造的基础环境，人工智能在交通、教育、金融等领域展示出巨大的应用前景，新一代人工智能正在全球掀起新一轮产业革命，国家在战略层面正大力推动人工智能技术进步与产业发展。2017年7月，我国发布了《新一代人工智能发展规划》，对人工智能发展方向和重点领域给予指导性规划［1］。未来，人工智能将从经济领域渗透到社会领域，开启全社会和全球范围内的智能协作与制度创新，人类将进入智能社会。

目前的发展已初步证明了人工智能行业赋能和社会秩序重构的潜能，人工智能具有明显的经济和社会属性，道德和社会责任也将成为这个专业强调的内容。人工智能专业课程思政的外延比其他工科专业更加广阔。

国内外人工智能专业在设置时均关注到了该专业的社会属性，在课程体系设计中涵盖了人工智能伦理相关课程［2］。如美国斯坦福大学人工智能专业设置了“人工智能中的哲学、伦理及其影响”课程，哈佛大学、爱丁堡大学等高校也相继开设了人工智能伦理相关课程，对人工智能伦理问题、典型伦理案例、未来政策及挑战等主题进行了讨论。国内高校，如南京大学将“人工智能伦理”课程列入培养方案，西安交通大学开设了“人工智能的哲学基础与伦理”“人工智能的社会风险与法律”等人工智能社会性课程。

当前，人工智能发展日新月异，技术快速进步引起的经济和社会变革超出人们的预期。以近期出现的现象级服务ChatGPT为例，一经推出便迅速火遍全球。从技术角度来看，其依赖的强大神经网络和庞大训练数据集并不是底层创新，之所以引起广泛关注，在于其引发的一系列社会热点问题，如文学创作问题、版权问题、创新能力问题及行业替代问题。高校作为人才培养的主要阵地，面临着培养适应时代发展需求和社会主义核心价值观的人工智能专业人才的挑战。独立开设的人工智能社会性课程无法满足这一挑战，在专业课程教学中推进思政内容和专业知识融合，做到专业课程与思政理论同向同行，成为高校人才培养工作实现立德树人根本任务的重要途径和方向［3］。

在人工智能专业课程中融入思政元素，以立德树人为核心理念，构建价值体系、知识体系、能力体系协同发展的人才培养机制，践行案例驱动的人工智能专业课程思政教学模式，引导学生树立正确的科学观和价值观。

一、价值体系：研究思专融合途径，推进立德树人教育理念

人工智能技术是人类将自身的知识、经验和研究成果等按照人类需求和能力进行组合应用，是一种价值化的实践，因此，人工智能技术具有价值前提，人工智能的发展受价值体系的约束。结合社会主义核心价值体系和人工智能的专业特点，我们将人工智能专业课程思政的价值体系分为三个层次：以人文伦理为核心的责任意识、以时代发展为核心的全局视野、以改革创新为核心的时代精神。

（一）以人文伦理为核心的责任意识

人工智能如何对待人，本质是人如何理解和对待人的问题，应重视人在设计算法和制造机器人时应担当的主体权利与责任。在传递给学生从事人工智能相关领域所需基础知识和基本技能的同时，引导学生积极思考人工智能技术应用领域的扩展所引发的伦理问题，培养具有责任意识的科学家和工程师。例如，人工智能中的数据歧视和算法歧视引起的偏见问题。人工智能的发展强烈依赖于大数据和深度学习算法，深度学习可从数据中自动提取规则特征，得出针对某一问题的预测结果。然而，数据并不是中立的，人类的偏见会沉积在大数据中，导致算法得出有偏见的预测结果，使得隐藏的偏见显性化。美国的COMPAS系统用于评估被告人员再次犯罪的概率，预测在未来两年内再次被捕的可能性。该系统算法存在明显偏见，预测的黑人再次犯罪的风险远高于白人，加剧了种族对立［4］。这种偏见产生的原因在于，人工智能需要大量的数据训练，尽管人工智能本身不知道“歧视”和“偏见”是什么，但背后的研究人员却会带有这样的思想，以至于在训练数据的选择和算法的设计上产生偏向性。

（二）以时代发展为核心的全局视野

在授课过程中帮助学生把握人工智能未来发展趋势，深刻理解其经济和社会属性，熟悉人工智能行业面临的社会风险和法律规范，培养学生适应新时代的思维能力和全局视野。

随着技术智能化向经济智能化和社会智能化的发展，人工智能的产业赋能和社会重构潜能逐步显现。人工智能近期的影响主要是隐私和失业问题。人工智能发挥效用依赖于互联网环境下不断累积的大量数据，从购物喜好、支付方式、社交活动到求医问药、资产负债，大数据无处不在。以脸书用户数据泄露和GEDmatch网站基因数据泄露为例，引导学生充分考虑用户隐私保护的重要性和必要性，讨论可采取的预防策略，避免造成数据滥用的风险，增强学生的风险意识。失业问题是一个根深蒂固的问题，历次产业革命，随着机械化、自动化、智能化的程度越来越高，技术会取代一部分人力，在淘汰掉一些传统的行业和岗位的同时，创造一些新的行业和就业岗位。引导学生辩证地看待这一问题，智能技术不会导致大规模失业，但会对某些工作的任务构成和就业产生结构性影响，从而产生“就业替代”。

人工智能的远期影响是人类命运问题，如人工智能奇点问题、无用阶级问题和人类种族存续问题。这方面的思考在文学作品和影视作品中多有呈现，且被强化。其表现为人工智能具备革命性的“自主学习能力”及相应的“自我进化”能力，从而诞生自我意识，人工智能有可能出现“奇点”，导致不可控的风险［5］。虽然，这种人工智能目前尚未出现，但对于该问题的思考有助于增强学生探索未知的兴趣，同时未雨绸缪，引导学生思考如何构建未来稳健、安全的人工智能系统。

（三）以改革创新为核心的时代精神

人工智能的发展几经起伏，过程中很多人选择放弃，而挺过“寒冬”的人成就了人工智能的第三次发展浪潮。人工智能技术的发展还会经历起伏，培养学生坚毅的学术人格，赋予其攻克前沿学术问题的勇气，对于学生的职业生涯和人工智能专业的发展至关重要。以“深度学习之父”“神经网络先驱”Hinton为例，其在神经网络领域开创性的研究历经低谷顽强坚持，功成名就时敢于质疑自己30年的研究成果，寻找新的挑战和机遇的勇气，值得每一名立志从事人工智能技术研究的学生学习。

二、知识体系：研究研学互促方式，强化专业知识体系

人工智能历经近60年的发展，形成了庞大的知识体系，可将其大致分为四个层次：（1）基础层，主要涉及数学基础和脑科学，如高等代数、离散数学、概率统计、数理逻辑等；（2）技术层，涉及人工智能专业主要算法，如数据结构与算法分析、操作系统、机器学习、知识表示与处理、模式识别、计算机视觉、自然语言处理等；（3）平台层，如机器学习系统平台、人工智能程序设计等；（4）应用层，体现人工智能赋能特性的交叉应用领域，如搜索引擎、推荐系统、智慧医疗、智能交通等。

将人工智能领域前沿研究课题和成果引入专业教学，以研促学，强化专业知识体系，培养学生科研素养。在教学过程中，通过引入学科起源和发展历程，以专业技术视角系统性梳理课程前后的关联，充分体现知识点的体系性，同时培养学生在跟踪领域研究前沿和热点的能力。

以深度学习的发展演化为例，梳理相关知识点。神经网络（NN）起源于对神经系统的模拟，单层神经网络无法实现简单的异或逻辑，多层神经网络的训练因参数众多而难以训练，这导致了NN的“第一个冬天”。20世纪80年代，Hinton和LeCun奠定并推广了可以用来训练多层神经网络的反向传播算法［6］，NN再次迎来了快速发展时期。然而，反向传播并无生物学理论的支撑，且需要采用随机梯度下降方式进行优化，算法效果依赖精细调参。相比之下，支持向量机（SVM）使用了凸优化技术，有坚实的数学基础，因此，人们在选择分类算法时更加偏向于SVM，NN第二次走向低谷。期间，Hinton借鉴热力学统计模型中的受限玻尔兹曼机（RBM），用能量函数来描述NN的一些特性，RBM成为这一波人工智能浪潮的先行者。之后“深度学习”逐渐走上历史前台，卷积神经网络（CNN）在图像甚至语音等领域全方面超越传统算法。针对CNN所无力解决的动态视觉内容、三维视觉等难题，Hinton受到神经解剖学、认知神经科学和计算机图形学三个领域的启示，又提出了Capsule结构。

以类不均衡问题为例，说明机器学习和数据挖掘领域中的难点问题。一般情况下，正负样本数量大致相当，训练所得的分类器能够取得较好的分类效果。在给学生讲解该类问题时，可结合教师科研方向，引导学生考虑样本不均衡（如在金融欺诈检测、网络入侵检测等应用中，正负样本数量悬殊）会引起什么问题，有什么解决方法，如何从算法角度修正数据的不平衡，从而解决分类面偏倚问题。以此案例引导启发学生的创新意识和思辨意识，体现比较、分析和探索的科学研究内涵。

三、能力体系：研究学创协同，推进实践和创新能力的培养

人工智能在社会经济各领域中的渗透性和赋能性使得行业对学生的实践能力和创新能力有了更高的要求。能力体系是指人工智能任务求解能力，针对人工智能在行业产业中的具体问题或问题原型，利用已学人工智能知识提出任务解决方案，并能够解决关键技术的能力。一个复杂人工智能任务求解过程包括任务抽象建模、算法分析设计、平台和程序实现、应用相关的模型优化和部署的全过程。

为培养学生的能力体系，需开展多层次实践能力培养，针对目前校企合作存在的突出问题，如校企合作单一化、校企合作不深入等，研究学创协同的育人模式，校企协同构建实践能力和创新能力双提升的能力体系。该体系包括基于多学科交叉的认知案例培养、基于人工智能实训平台的实训能力培养、基于校企合作的创新创业孵化基地的项目训练培养，构建“认知—实训—创新”三个层次推进知识学习和实践创新的系统发展。实施“大创项目—科创竞赛—项目培育”相互衔接的创新创业项目孵化机制，引导学生将科技创新与社会进步、国家发展相结合，提高学生利用技术创新服务国家发展的能力。