《Computers and Education: Artificial Intelligence》：Teaching AI competencies: Experiences from coaching interdisciplinary teams to develop AI prototypes
编辑推荐：
Teaching AI competencies: Experiences from coaching interdisciplinary teams to develop AI prototypes 这篇论文报道了一项旨在为非计算机科学背景的跨学科学生群体设计、实施和评估AI课程的研究。为解决为不同背景学生创造有意义、实用的AI学习体验的挑战，研究人员设计并开展了融合项目化学习、创造性方法和跨学科团队协作的AI课程。该课程在连续两届（共32名学生）的实施评估中，学生的AI能力信心显著提升。研究证明了这种融合方法能有效帮助不同学术背景的学生扩展AI知识，并获得对AI技术更细致入微的掌握，为未来的AI教育者提供了可复用的课程设计和实践经验。
人工智能（AI）正在重塑经济和职场，具备AI基础理解力对包括非技术岗位在内的各类角色都日益重要。然而，为不同背景（尤其是非计算机科学专业）的学生创造有意义、与实践相关的AI学习体验并非易事。现有课程多为计算机科学专业设计，且鲜有实证评估，更缺乏将AI与创造力、跨学科协作深度融合的成功范例。AI的本质是跨学科的，在医疗、金融等领域应用广泛，但当前高等教育中，AI素养教育往往局限于特定学科，导致来自机械工程、生物学、教育、社会科学等不同领域的非计算机专业学生难以获得高质量的AI教育，这与社会对具备AI技能和跨领域协作能力的复合型人才的迫切需求形成了矛盾。
为应对这一挑战，来自德国慕尼黑工业大学软件工程教席的研究团队Aidin Azamnouri, Dominik H?rauf, Brigitte Sch?nberge, Justus Bogner, Stefan Wagner在《Computers and Education: Artificial Intelligence》发表了一项研究，他们设计、实施并评估了一门创新的、面向跨学科学生的大学课程。该课程的核心是项目化学习，融合了创造性方法和跨学科团队协作，旨在通过解决现实世界的日常挑战，引导来自不同专业的学生共同开发功能性AI解决方案原型，从而提升学生的AI能力和信心。
为了开展这项研究，研究人员综合运用了多种教育理论和方法。课程设计以建构性对齐、布鲁姆教育目标分类和芬克的深度学习模型为理论基础。在具体教学方法上，项目化学习是主要框架，要求学生分组围绕“AI导航校园迷宫”（第一届）和“利用AI提升女性及弱势群体夜间回家安全性”（第二届）等现实挑战，从零开始开发AI软硬件原型。课程还引入了结构化创造性方法（如TRIZ发明问题解决理论和生物启发法）来支持创新构思，并辅以协作学习机制促进跨学科知识交流。在技术层面，课程向学生讲授了Python编程基础、机器学习(ML) 核心概念（监督学习、无监督学习、强化学习、深度学习等）、无代码AI开发工具（如Teachable Machine和Lobe）以及原型制作流程，并提供了大学创客空间的支持。为评估课程效果，研究团队在每届课程（两届共32名学生）的开始和结束时，向学生发放包含背景问题、李克特量表和开放式问题的问卷，并利用Wilcoxon符号秩检验和Cohen's d效应量对收集的数据进行统计分析，以衡量学生在AI和编程方面的感知能力变化及其对课程的体验反馈。
4.1 课程结构与学习过程
课程结构遵循“学习-构思-原型-展示”的迭代过程，具体包括九个核心环节：1. 启动会：组建跨学科团队，明确项目挑战。2. 创造性方法研讨会：引入TRIZ和生物启发法，激发创新思维。3. 编程入门：讲解Python编程基础知识。4. AI入门：涵盖ML、深度学习(Deep Learning)、自然语言处理(NLP)等核心概念及伦理考量。5. 原型制作：介绍创客空间资源。6. 中期审查：学生展示初步构想并接受导师反馈。7. 考核程序说明：讲解最终成果（路演、反思报告/短片）的要求。8. 预演示日：进行内部路演练习并收集反馈。9. 演示日：向学术界和产业界人士公开展示最终原型。
4.3 项目挑战与学生成果
两届课程分别设定了不同的现实挑战。第一届挑战是“利用AI在校园迷宫中寻找路径”，第二届则与当地初创公司合作，聚焦“如何利用AI识别危险情况或评估路线安全性”。学生们开发了多样化的原型，例如一个集成心率、音高、振幅传感器的可穿戴设备硬件原型，用以检测人身危险；以及一个使用强化学习(RL)评估多条路径并推荐最安全路线的软件应用原型。这些成果表明，学生能够将所学AI知识与创造性方法结合，针对具体问题提出创新的解决方案构想。
5.2 评价目标与指标
研究设定了四个研究问题(RQ)：RQ1评估课程在提升学生AI和编程能力方面的有效性；RQ2探究学生参与AI项目的动机；RQ3了解学生对通过真实项目学习AI过程的看法；RQ4识别不同背景学生在学习AI和编程时面临的挑战。通过前后测问卷收集定量和定性数据进行分析。
6. 评价结果
- •
RQ1：能力提升。两届课程的数据均显示，学生在课程结束后对AI的感知经验有了统计学上的显著提升（第一届p=0.006，d=0.67；第二届p=0.0006，d=0.95）。编程经验的提升虽然存在（第二届p=0.04），但效应量较小（第一届不显著，第二届d=0.29），表明课程更有效地提升了学生的AI素养，而非深入的编程技能。
- •
RQ2：学习动机。学生的主要动机包括对AI的好奇心、获得实践技能、探索AI在自身领域的应用以及为未来职业做准备。项目与现实问题的相关性也显著增强了学习动力。
- •
RQ3：项目学习体验。绝大多数学生（平均分>4.0/5.0）表示喜欢团队合作，并在从构思到原型制作的过程中获得乐趣。他们认为在团队中讨论和交流想法对学习AI很有帮助，尽管在“团队合作是否比独自学习更高效”上存在不同看法。学生们对尝试不同AI技术感到兴奋，并普遍认为课程结束后自己至少具备了基本的AI专业知识。
- •
RQ4：面临的挑战。学生报告的主要挑战是时间管理和团队协作（如沟通不畅、达成共识困难），而非技术本身的复杂性。在技术层面，当遇到编程或AI知识不足时，学生普遍倾向于使用ChatGPT和YouTube教程来寻求帮助。将原型扩展为更复杂AI系统的挑战主要源于有限的AI经验和时间投入不足。
7. 讨论与经验教训
研究证实，一门融合了项目化学习、创造性方法和跨学科协作的课程，能够有效地向不同学术背景的学生传授AI知识，并提升他们的信心。课程成功地将AI定位为一种可应用于多领域的通用工具，而非仅限计算机科学领域的专业技能，这有助于降低非技术背景学生的入门门槛，并减少对技术的恐惧和怀疑。
从两届课程的实施中，研究者总结出以下关键经验：1. 适时引入技术内容：在第二届课程中，将创造性方法课程提前，待学生形成初步项目构想后再引入编程和AI技术内容，使技术学习更具目的性和连贯性，效果更好。2. 明确团队角色与沟通：尽管学生喜欢团队合作，但仍需在课程早期加强关于有效团队协作、角色分工和定期沟通的指导，以缓解因此产生的主要挑战。3. 利用现有工具辅助学习：承认并引导学生合理利用ChatGPT等大型语言模型(LLMs) 作为学习辅助工具，以应对知识缺口。4. 聚焦AI素养而非深度编程：课程目标应明确为培养跨学科的AI理解和应用能力，而非成为编程速成班，这更符合非计算机专业学生的需求和课程定位。
8. 研究意义与结论
这项研究为在高等教育中推广跨学科的AI素养教育提供了切实可行的课程设计模板和实证依据。它证明了通过精心设计的项目，即使是AI零基础的学生，也能在跨学科团队中合作开发出有意义的AI原型，从而获得对AI技术及其社会应用的更深刻理解。该课程模式不仅传授了技术知识，还培养了学生的创造力、协作能力和解决问题的能力，这些都是应对未来复杂挑战的关键技能。论文为其他教育工作者设计和实施类似的AI课程提供了宝贵的见解、可复用的框架以及来自两届迭代的经验教训，对推动AI教育的民主化和普及化具有重要意义。
