1. 引言
大数据人工智能引领的新一轮科技革命和产业变革方兴未艾。2017年12月颁布的《高等学校人工智能创新行动规划》提出人工智能人才培养在2020~2030年“三步走”的战略目标，2020年1月，基础理论人才与“人工智能 + X”复合型人才并重的培养体系和深度融合的学科建设和人才培养模式成为重点。作为推进人工智能的Python语言课程也异常火爆，相关岗位增多，高层次应用型人才紧缺严重，远远不能满足大数据智能化对相关人才日益增长的需要[1]。
因此，优化和完善Python课程教育教学体系，使其更好地适应时代的需求和发展，对于培养具备人工智能大数据知识和实践能力的专业人才至关重要。基于《重庆市支持大数据智能化产业人才发展若干政策措施》[2]，各高校Python语言相关课程规模逐年扩大，学科交叉融合持续加深。例如重庆科技大学Python课程也由最初的一门课建设成为现在学时和要求不同的系列课程，例如3个学分48课时、2个学分32课时、1个学分实践专周等。
2. Python语言课程教学的痛点问题
2.1. 教学过于死板，实践动手能力差
大部分Python课程仍以传统的教师讲授为主，教学过程缺乏灵活性，与实际应用场景脱节。教师在讲台上按部就班地讲解语法知识、代码结构等内容，学生被动地接收信息。课程设置中实践课程的比重相对较低，学生没有足够的时间进行实际编程操作。在学生进行实践操作时，教师的指导往往不够及时和深入。
2.2. 学科融合不足，学习拓展不够
传统教学内容多以知识点罗列的方式呈现，缺乏系统性与逻辑性。学生难以清晰把握知识间的内在联系，难以与前驱课程和后继课程中的相关知识点进行有效关联，没能建立知识点–模块语句–应用场景的系统观，给后续人工智能算法和优化方法的教学造成一定的困难。同时在面对实际项目时，无法将所学知识融会贯通，导致解决问题能力不足。
2.3. 案例设计趣味性弱，缺乏课程思政内涵
教材案例选取不贴近学生实际，不能激发学习兴趣，未能充分挖掘思政元素，对学生价值观缺乏引导，课程育人效果不显著，同时学生对就业形势严峻性和课程重要性缺乏认知，情绪化严重，导致学生在学习过程中，缺乏正确的价值观引导与职业素养培养。
2.4. 考核机制陈旧，考虑不全
之前考试为传统的“平时成绩30% + 期末成绩70%”的形式，未能充分考虑本课程的属性，过于注重理论知识的考查，忽视了学生的实践能力、学习过程以及团队协作等方面的表现。无法全面、客观地评价学生的学习效果与综合素质。
3. Python语言课程教学体系创新策略和目标
针对教学中长期存在的痛点问题，课程组采用“图谱式教学内容、项目式教学实践、混合式教学手段、特色式教学思政、多元式教学考核”的“五式”创新举措，结合布鲁姆的认知体系逐步强化认知，实现教学与专业教育、特色育人、实践创新紧密联系的“三联”目标(如图1)，全面解决痛点问题。在具体教学实施中，整合教学内容、融合教学模式、结合教学育人、混合教学形态，实现从基础知识掌握，进阶理论熟悉到实践能力提升的全过程，完成课程建设。
Figure 1. Teaching implementation
图1. 教学实施
3.1. “三联”目标
(1) 教学与专业教育紧密联系
通过图谱式教学内容与项目式教学实践，将Python语言教学与数据科学、大数据技术以及应用统计学等专业知识深度融合。学生在学习Python语言的过程中，能够紧密结合专业实际需求，掌握专业领域中Python语言的应用技巧，为后续专业课程学习与职业发展奠定坚实基础。
(2) 教学与特色育人紧密联系
特色式教学思政的融入，使教学过程不仅是知识传授，更是价值观塑造与人格培养的过程。在培养学生专业技能的同时，注重学生的品德修养与职业素养提升，实现特色育人目标，培养德才兼备的高素质专业人才。
(3) 教学与实践创新紧密联系
项目式教学实践与混合式教学手段为学生提供了丰富的实践机会与创新空间。学生在实际项目中，面对各种复杂问题，需要运用所学知识进行创新思考与实践探索。通过不断尝试与实践，培养学生的创新意识与实践能力，实现教学与实践创新的紧密结合。
3.2. “五式”创新举措
(1) 构建图谱式教学内容，形成多维度知识体系
在人工智能时代学生的培养目标不应仅是能够调用现成框架构建应用，而是要具备模型设计、优化，甚至开发具有自主知识产权的深度学习框架的能力。这一过程中，学生需要具备一定的数理基础，和其他学科有协同效应。因此，整合教学内容，串联数理基础，实现“Python语言 + X”的交融(如图2)，进一步打破学科壁垒，建立多课程互融共促的教学模式。优化课程体系形成连贯的知识图谱，清晰地展示Python语言的知识点及其之间的关系，帮助学生了解自己的学习进度和需要掌握的关键知识点，从而实现个性化教学。课程之间相互赋能，实现了基础课促进专业能力提升，专业课反哺基础理论知识的目的，鼓舞了学生深度学习的信心和动力[3]。
Figure 2. Disciplinary integration system
图2. 学科融合体系
本课程也从最初的理论授课发展到构建一个全面、系统的Python知识图谱。这个图谱应该包括Python语言的基础语法、数据类型、控制结构、函数、模块、面向对象编程等核心概念，以及Python在数据分析、机器学习、Web开发等领域的应用。通过知识图谱，可以清晰地展示Python知识的层次结构和内在联系，帮助学生形成完整的知识体系。其具体过程如下：第一步确定节点，根据梳理的Python知识体系，确定知识图谱中的节点。例如，你可以将“变量与数据类型”作为一个节点，“if-elif-else条件语句”作为另一个节点，以此类推。第二步建立关系，确定节点之间的关联和依赖关系，并用边将它们连接起来。例如，“变量与数据类型”节点可以与“表达式与运算符”节点建立关系，因为变量和数据类型是表达式和运算符操作的基础。同样，“if-elif-else条件语句”节点可以与“for循环”和“while循环”节点建立关系，因为它们都是控制流的重要组成部分。第三步使用工具，你可以使用图形库(如NetworkX)或数据库(如Neo4j)等工具来构建和可视化知识图谱。
(2) 实现项目式教学实践，以项目 + 比赛促教
实践教学中，充分利用传音以及腾讯云(重庆)、科大讯飞等合作伙伴的大数据资源，结合知识图谱中的实际应用案例和项目，增加实践教学课时，为学生提供丰富、前沿的学习内容和实践机会。这不仅拓宽了学生的学习视野，也提供了更多接触实际业务场景、解决实际问题的机会，从而提升学生的综合能力和就业竞争力[4]。
Figure 3. Implementation of project-based teaching
图3. 项目式教学实践
首先，学生分组。教师应根据学生的知识水平、技能特长和性格特点进行合理分组，确保每个小组具备多元化的能力结构。例如，将擅长数据分析的学生与具备良好编程能力以及善于沟通表达的学生分在一组，以实现优势互补。学生组成4~5人的开发团队，选举一人作为案例负责人，明确各自的分工和职责，并协作完成，把案例实施与理论教学结合起来，以培养学生的团队合作精神、沟通和协调管理等能力；其次，确定题目。首先老师讲解教学案例，目前多选用数据分析或者可视化。然后学生确定演练题目，由小组根据各自的兴趣、特长自行选择案例题目，尊重学生的创新思维，仿照比赛形式在指定的时间内完成；然后，小组讨论，不断调整优化。同学们自行收集资料分析问题，建立数学模型完成程序设计。此过程中三师融合，学生互为导师，实践导师(泰迪工作室–企业老师)可给予学生些许点拨和指导，课堂教师鼓励学生自行构建项目图谱，让学生在每个关键的创作节点都能获得知识和精神上的支持，从而推动有效的创新实践。最后，演练验收。定期安排验收讨论会，要求每个小组演示案例结果，逐行解读代码。最后老师总结，学生复盘提交团体作业(包括题目、代码、结果和小组成员分工)，同时可以更新知识节点对应的实践板块，同步优秀小组作品。演练结束后，组织学生参加各类学科竞赛，或者进入泰迪工作室–“产学研”一体化的校企联盟，达到社会、企业和学校共同育人的目的，见图3所示。
通过以上全方位、多层次的情境教学与团队训练模式，将Python语言作为底层代码与多学科融合，成功应用于各个领域，依托高教社杯全国大学生数学建模竞赛、美国数学建模竞赛等学科竞赛以及大学生创新项目引导学生进行自主设计实验项目，满足学生进行探究式与个性化学习，激发学生创新思维。共建的泰迪重科大数据智能工作室也能够有效提升学生的专业素养和实践能力，还能为大数据行业输送具备创新精神和团队协作能力的高素质人才，为高校与企业在大数据领域的深度合作提供成功范例，推动大数据专业教育的持续发展。
(3) 采用混合式教学手段，多线辅助
混合式教学法主要采用线上线下“讲教”、线下课后“学练”，使用雨课堂 + pintia平台 + 腾讯文档 + QQ群的辅助教学[5]。开课前先把本学期的整体知识图谱发放到QQ群，让学生对本学期55个知识节点有大致的印象，引导学生利用知识图谱进行自主学习和探究。课堂采用课件PPT + 程序演示交叉模式按照知识图谱的顺序，逐一讲解各个知识点，引导学生观察知识图谱中的节点和边，理解知识点之间的联系和层次结构，期间不定时用雨课堂提问。课程结束，上传云视频方便学生在课后利用碎片时间高效巩固知识点，建立QQ群作业指导学生提交方式，并要求学生去pintia指定章节练习有效巩固，最后要求学生自行复盘，引导学生总结知识点之间的联系和层次结构，形成完整的知识体系。随着知识节点的逐个突破，增强学习成就感。实践课采用翻转课堂–“学生演示”/“小组演示”形式，生讲生评，学生投票，老师总结，学生进阶，见图4。
Figure 4. Blended teaching methods
图4. 混合式教学手段
(4) 探索特色式教学思政，共同育人
在整个教学环节从认知到引领，思政全过程融入。设计操作性强的课程思政案例，将思政元素浸润到教学各个环节，构建全员全程全方位的一体化“大思政”[6] [7]。将图谱55个知识点进行部分融合，将其对应至38个教学案例(如图5所示)，形成教学案例的知识图谱，而且将思政元素有效融入课堂，将新时代的工匠精神、家国情怀、文化自信、科技强国等融入课堂，一句名人名言、一首拼搏之歌、一个励志程序员的相关经历均可设计成案例，构建了20个课程思政案例，同时邀请优秀毕业生和其他高校老师开展相关讲座，整合利用各种资源，统筹协调各方力量，将思政育人工作落实得更细一些、实一些，充分将思政力量融入教学各个阶段、各个环节、各个层面，达到学校和社会共同育人的效果。
Figure 5. Teaching cases of integrating ideological and political education into teaching
图5. 教学思政案例
Table 1. Multivariate teaching assessment and evaluation system
表1. 多元教学考核评价体系
总评成绩构成及比例 |
平时成绩(线上线下均可) 40% |
课程论文 30% |
期末成绩(笔试机试均可) 30% |
二级指标及比例 |
考勤 20% |
随堂练习20% |
个人作业20% |
小组作业30% |
完整性50% |
合理性30% |
创新性20% |
基础知识60% |
代码应用30% |
拓展应用10% |
类型 |
诊断性评价(小组作业4~6人一组，重在培养主动学习能力、协助学习能力和应用创新能力) |
形成性评价(开放性、非标准答案成绩由自评(20%)、互评(30%)、师评(50%)加权平均) |
终结性评价 |
目标 |
知识目标、能力目标、思政目标 |
(5) 建立多元考核体系，全面评价
通过知识图谱跟踪学生的学习进度和表现，根据学生在各个知识点上的掌握情况构建了基于多目标(知识目标/能力目标/素质目标)、多方式(定量与定性相结合/形成性与结果性相结合)、多主体(生生互评/教师评价)的评价体系(如表1)，为督促和激励学生学习起到了较好的作用[8]。
4. 实践结果
通过创新举措的实施，重庆科技大学《Python程序开发语言》课程教学取得了显著成效。学生学习积极性明显提高，课堂参与度大幅提升。课程在本校学生评价中排名前茅，在学生对课程重要度和培养效果的评价中也在前列。设计调查问卷，对2021级/2022级重庆科技大学大数据专业共233名学生发放回收调查问卷，了解学生对课程教学体系创新举措的满意度。有85%的学生认为本课程的创新应用部分引领他们进入当下的热门应用领域(网络爬虫、人工智能等)。而且重庆科技大学与泰迪智能科技共建的泰迪重科大数据智能工作室也取得显著成果，培养了60余名大数据实践人才。应用这一编程语言，学生在相应的学科竞赛中取得了不俗的成绩，获得了国家级和省部级奖项50余项，这些都充分展示了学生实践创新能力的提升。
5. 结语
本文针对重庆科技大学《Python程序开发语言》课程教学现状的“痛点”，提出并实施“五式”创新举措，实现了“三联”目标，有效解决了教学中存在的问题，全面提升了教学质量与学生综合素质。此教学体系对当前Python语言课程教学体系改革具有一定的参考价值，可为其他高校相关课程教学改革提供有益借鉴。未来，随着技术的不断发展与教育理念的更新，《Python程序开发语言》课程教学体系仍需不断优化与完善，以适应新时代对高素质专业人才培养的需求。
基金项目
本文受到以下课题资助：重庆市教育科学年度规划青年课题(项目编号：K24YY2150009)、重庆市社会科学规划博士项目(项目编号：2022BS064)和重庆市高等教育学会课题(项目编号：cqgj23118C)。
NOTES
*通讯作者。