基于CDIO模式的人工智能赋能混合式教学方法

摘  要：针对当前混合式教学方法容易忽视创新实践能力培养的问题，该文结合CDIO工程教育模式，提出人工智能赋能的线上线下混合式教学方法。该文基于线下授课为教学主线，线上虚拟实验为创新实践环节的教学模式，结合人工智能系统与学习分析等技术为教学中的创新实践环节赋能，进一步丰富课程资源、提升学习体验、提高教学质量。该文以寻源算法学习为例，深入开展混合式教学方法在培养学生创新实践能力、促进学习参与度与成就感、发展量化分析评价方法中的应用与实践，并为相关课程提供可资借鉴的混合式教学实施方案。

关键词：CDIO模式；人工智能赋能教育；混合式教学；混合智能；寻源算法

中图分类号：G642        文献标志码：A          文章编号：2096-000X（2023）07-0014-04

Abstract： Current prevailing hybrid teaching methods generally ignore the training of abilities in terms of innovation and practice， which is emphasized in the CDIO model. The rise of the popularity of both artificial intelligence in education and hybrid learning calls for novel teaching methods to improve practice sessions. This study proposes a hybrid teaching approach that integrates intelligent systems and learning analytics， with the aim of enriching education resources， improving learning experience， and increasing teaching qualities. This study uses the teaching of source searching algorithms as an example， applies the proposed hybrid teaching methods to enable better innovation and practice sessions， the learning engagement， the sense of success， and the quantitative learning analysis， the contributions of this study provide valuable insights for planning and organizing future hybrid teaching.

Keywords： CDIO model; artificial intelligence in education （AIED）; hybrid teaching; hybrid intelligence; sourcing algorithm

CDIO模式是工程教育在国际上广泛采用的教学模式，由美国麻省理工学院与三所瑞典高校于2000年倡议[1]。CDIO模式由构思（Conceive）、设计（Design）、实施（Implement）和运作（Operate）四部分组成，尤其强调工程教育中的创新实践能力培养[2-3]。2012年以来，以Coursera与edX为首的几大课程提供商联合美国诸多大学掀起了网络教育的新热潮，以大型开放式网络课程（MOOC）的形式为互联网用户提供免费或付费的教育资源。MOOC从大规模推广至今已发展了十年时间，在互联网上虽然已经可以找到覆盖各个领域多种多样的在线课程，但基于MOOC平台的课程教学形式依然较为单一，侧重点在知识的传授，缺乏有效的师生互动。在此背景下，教育界发展出线下传统教学与线上MOOC教学相融合的混合式教学方法。

一  教学问题分析

近年，混合式教学方法在知识的讲授方面取得了十足进展，然而现有混合式教学方法在基于CDIO模式的工程教育方面存在三大问题。

一是现有的混合式教学方法强调知识传授而忽视了创新实践能力的培养。当前的混合式教学方法在创新实践能力培养方面教学内容环节仍相对单一，在实践过程中普遍存在学生兴趣不浓、教师难以把握学生学习状态等情况，这些问题导致现有混合式教学方法在创新实践能力培养方面仍待进一步改进与发展。

二是现有的混合式教学方法缺乏对学生参与度与成就感的关注。教育界普遍认为“填鸭”式教学方法无法对学习效果带来积极正面的影响，因此当前新发展的教学模式和方法（包括混合式教学方法），逐渐开始关注学习动机，如培养学习兴趣与积极性等。然而目前已有的教学激励机制在实践过程中依然存在“三分钟热度”的情况，这就要求教学过程中教师应持续性地关注学生的学习参与度与实践成就感，使学生对课程能保持长期热情。

三是现有的混合式教学方法在学生培养中缺乏量化的评价方法。混合式教学方法的实施为量化评价带来新的机遇与挑战。一方面，混合式教学方法具备了学生自身与学习环境数据采集的条件；另一方面，如何充分利用采集到的数据开展客观量化的考核评价仍待进一步发展。当前教学方法对学习效果的评价依然主要依赖于考核，对于学习过程的评价仍然过于主观，特别是考核评价方法与线上教学脱离严重，难以全面评价学生的综合素质和能力。

为解决这三大问题，针对基于CDIO模式的教育中创新实践能力培养的需求，本文提出一种AI赋能的混合式教学方法，将线下授课与线上实践深度融合，使课程的实践教学工作线上、线下两个方向无缝衔接，充分发挥各自的优势最大程度提升学习效果。人机混合智能的运用可使学生学习热情与成就感进一步增强，利用AI辅助的智能化手段以科学的方法提升学生的参与度，培养对课程的持续性兴趣。通过实际运用本文提出的教学方法，教师可更全面细致地了解学生学习情况，通过智能化数据分析全方位把握学习状态与进展，以更好地因材施教。

二  人工智能赋能混合式教学方法

本文针对三个主要教学问题，分别展开了线上线下相结合的混合式虚拟实验教学模式、AI系统辅助的教学与实践环节设计开展、基于学习分析学（Learning Analytics）的行为与效果评估三方面的研究与实践。三者之间的关系如图1所示。基于人工智能赋能教育（Artificial Intelligence in Education， AIED）理论，将人工智能技术应用在教学过程中的讲授、实践、评估等各个环节。同时运用新兴的学习分析学相关方法与技术，结合教育学、计算机科学、统计学、认知心理学等不同学科理论，对AI赋能的混合式教学方法的实际应用效果展开科学的量化评估。

（一）  线上线下相结合的混合式虚拟实验教学模式

线上教育模式的发展自2012年MOOC的大力推广以来，已在全球范围产生重要影响。在此背景下，MOOC在当前的高等教育中仍大多作为线上的辅助教育资源，以帮助学习者在课外预习、巩固、复习在课堂上所学的知识点。然而，基于MOOC的混合教学模式线上线下环节仍然脱节，教学资源没有充分结合。尤其在课程实践环节，当前的混合教学模式较少考虑实践环节的设计，学习者的动手能力培养依然通过简单的作业发布与结果打分评估的方式进行。实践过程的实施效果在该模式下难以评估与把控，如何利用MOOC等在线教育模式的优势提升学生的创新实践能力仍待进一步研究。为解决在混合教学背景下的创新实践能力培养问题，基于课程配套建设的虚拟实验平台，本文探索线下讲授指导与线上虚拟实验相结合的实践环节。线下的讲课指导具有更强的互动性，而线上的虚拟实验为学生提供了更丰富的试验元素和更广阔的探索空间。本文进一步总结应用该教学模式，在实践过程中AI系统可实时介入提供帮助，同时全过程采集实验数据，为AI赋能与智能教学数据分析奠定基础。

（二）  AI辅助的教学与实践环节设计

相关研究已经发现基于MOOC等模式的线上教学常存在学习者难以长期坚持、专注程度不够、学习成就感不强的问题。为了解决这类问题，来自不同国家的研究者均展开了与学习参与度与成就感相关的针对性研究。比较有代表性的是，荷兰莱顿大学、代尔夫特理工大学、伊拉斯姆斯大学合办的教育与学习中心（LDE-CEL）在该方面展开了充分研究，探索了在线教育与混合式教学模式中教学的特点、学习的特点及学习环境设计等重要问题，并正在开展应用AI技术、增强与虚拟现实技术强化学习者兴趣热情、参与程度和学习体验的研究。本教学团队前期研究曾针对在线教育背景下的学习者参与度与满意程度展开专门探索，并发现使用基于AI的对话系统可在教育过程中显著促进学习者对于学习的持久程度与参与满意度[4]。为解决混合式教学过程中学习参与度与成就感的促进问题，结合前期工程与学术研究成果，配套建设AI赋能的线上虚拟实验平台，目的在于为促进学生理解及增强参与度与成就感等方面发挥积极作用。AI系统也可在实践环节实时采集学习状态并及时介入，提供相关帮助；同时，学生也可通过与AI系统交互，从中迅速获取所需的信息。本文中AI系统将进一步通过合理的设计与虚拟实验平台结合，减少学习实践过程中的挫败感，减轻学习内容的理解难度，提升学习参与度与满足感。

（三）  基于学习分析学的行为与效果分析评估

混合式教学方法的数据分析依赖于学习分析学，该方向起源于计算机教育领域知名国际会议Learning Analytics and Knowledge（LAK），其诞生伴随着大数据技术与人工智能的兴起，通过对学习者及其所处的环境进行数据测量、采集、分析，理解并优化学习者的学习过程与学习环境。近年来，教学数据与学习环境数据的采集与分析被应用于在线学习的各个方面，国际著名的学习分析学研究团队如澳大利亚莫纳什大学和LDE-CEL等通过应用前沿的自然语言处理技术，从课程的讲授提问环节、在线问答面板和其他学习过程中产生的数据中收集有效的语义信息，以建立更包容、更公平、更透明的教学与考评环境[5-6]。为解决混合式教学方法在学生培养中缺乏量化评价方法的问题，基于常见的学习分析方法等技术，本研究将进一步理解并转化学习过程中产生的数据，并通过选择使用合理的量表，以评估混合式教学方法下的学习与实践效果，辅助教师全面了解学生的学习情况。

三  方法应用：以寻源算法教学为例

（一）  寻源问题

本文以寻源问题为例，在基于CDIO模式设计的研究生课程仿真工程高级研讨中验证AI赋能的混合式教学方法的有效性。本次研究为课程开发了基于混合智能的虚拟实验平台，在课程中选课学生通过使用虚拟实验平台进一步加深理解寻源问题的本质与常用算法。

寻源问题是智能优化领域和机器人领域的经典研究问题，是典型的搜索问题之一，其搜索空间通常是机器人进行搜索活动的二维或三维区域。该问题试图解决复杂场景中，机器人自主搜寻源位置的方法。其中，问题中的源可能是气体释放源、信号源、热源等。寻源问题因其重要性也在智慧城市系统与社会仿真系统中被广泛研究，通过计算实验被用于探索搜索灾害源的最优方法。为解决复杂环境中的源搜索问题，搜索算法需要引导机器人感知源发出的信号，同时在环境中移动，直到找到源时结束搜索过程。在复杂环境中可能存在许多障碍物，尤其是在整个搜索环境未知的情况下（如烟雾覆盖的火灾现场），这些障碍物会阻碍机器人的移动，给搜索任务带来更加严峻的挑战。解决该问题的经典方法是Infotaxis搜索算法，其特点是通过奖励函数来决定下一步搜索源的方向[7-8]。此次研究将通过虚拟实验平台使学生更好地理解寻源问题，并掌握Infotaxis等经典搜索算法。

（二）  人工智能赋能的线上虚拟实验平台搭建

线上虚拟实验平台的设计基于混合智能思想，即将机器智慧与人的智慧相结合。虚拟实验平台使用特定的图元来解释寻源问题和寻源算法（图2），其目标是通过可视化的方式让学生清楚地理解寻源问题的本质。在平台中，界面展示了理想状态下（无障碍）机器人的最优移动方向，以及机器人实际行动的方向（因为有障碍物阻挡而计算得到的次优方向），以帮助人们理解算法如何应对未知环境的障碍。