1、87计 算 机 教 育Computer Education第 4 期2023 年 4 月 10 日中图分类号：G642基金项目：西北工业大学学位与研究生教育研究基金项目（GDSC202006）；西北工业大学创新创业教育研究项目（2021-CXCYJY-008）；西北工业大学学生思想政治工作研究课题（D5000220240）。作者简介：高利鹏，男，教授，研究方向为高分辨率遥感数据智能解译、时空数据分析、多源数据融合，；郑炜（通信作者），男，副教授，研究方向为第三方软件测试、软件工具、测试平台研发等，。0引 言自慕课等教学概念提出以来，在线教育发展越来越快，并已逐渐成为国内外高校推广先进教学方式和
2、理念的重要案例和手段1-3。随着在线课程教育的迅猛发展，教育部等部门先后制定了教育信息化“十三五”规划 教育信息化十年发展规划（20112020 年）教育信息化 2.0 行动计划 等政策，推动了我国在线课程教学管理体制机制的改革与创新以及教学手段与方法的 变革4。传统的在线课程教学方式大多为一站式班级授课形式，在课程开发之时，传统的课程须对授课群体进行统一把握，既要照顾基础薄弱的学生，又希望能够通过增加教学趣味性吸引更多的学生，导致传统模式环境下的在线课程教学针对性不强，在兼顾各方的同时在知识容量、时间安排、测试训练等方面存在缺陷。传统在线教育体系少有对课程进行区域化划分，因此很难将测试习题集
3、与所学习课程进行“五位一体”软件测试研究生一流课程建设创新与实践高利鹏1，郑 炜1，蔡文静2，张 龙1（1.西北工业大学 软件学院，陕西 西安 710072；2.西北工业大学 网络空间安全学院，陕西 西安 710072）摘 要：为了更好地满足广大学生在软件测试课程学习中的个性化需求，面向国家级一流课程建设目标，在深入总结和分析现有教学方法和经验的基础上，提出一种基于深度学习和云计算的线上线下混合教学新方法，即构建融合思政引领、习题更新、智能分析、线下比赛和企业案例“五位一体”的课程教学模式，实现“个性化”知识“标准化”的线上线下交互式混合教学方法创新。关键词：软件测试；深度学习；课程建设；混合
4、教学文章编号：1672-5913(2023)04-0087-05快速联系，无法使学生在第一时间清楚薄弱知识点，很容易错失补缺的最佳时机。传统教育多为集体教育，很难真正地关注到每一位学生，普通的分班活动也无法避免不同学科间学生的差异。“五位一体”课程教学方法的设计理念即打破这种传统的固定式课程约束。首先，该方法更加注重思政案例和企业案例的讲解，培养学生的家国情怀和创新意识。其次，通过运用深度学习和云计算技术，在习题集智能更新的基础上对学生的学习行为（评论量、习题准确率、习题完成时间、总时间等）进行分析，动态规划学生的学习内容安排（侧重基础内容、提高内容、拓展内容和应用内容）。再次，通过合理安排实
5、践课程的时间，引导学生积极参加线下比赛，提高学生的动手实践能力。最终，通过将以上方法的有机融合，形成思政引领、习题更新、智能分析、线下比赛和企业案例“五位一体”的课程教学新方法。DOI:10.16512/ki.jsjjy.2023.04.035202388计 算 机 教 育Computer Education1相关工作目前在线教育平台已经在国内外很多高等院校广泛应用，其中包括开放大学、学习空间、琼斯网上大学、欧洲进度学校等在线教育平台，其教学方式主要有以下 3 个特点：“自主”“点对点”“广播”。在线教育平台通过网络把现有的课程资源传递给大量的学习者，在平台的设计方面，为了让更多的学习者能同时
6、在线使用，实现了资源最大化，也实现了受众普遍化，但是网络教育平台的市场化影响了学习者的学习积极性。随着深度学习和云计算技术的发展，其在教育领域也已取得了成功应用。文献 5 中使用支持向量机、深度学习和决策树等来评估学生的考试表现，并提出一种人工智能辅助的教学方法，通过可穿戴设备上的传感器进行自适应学习；同时，为了预测学生的期末考试成绩，提出一个早期识别系统，该系统采用学期初所收集到的真实参考数据进行学习，并利用反馈信息校正预测的结果。文献 6 中提出了一种计算机辅助教学方法帮助教师自动构建多种课堂教学案例。文献7中针对教学案例更新不及时的问题，提出一种基于不确定性感知的教学案例识别方法，该方法
7、通过与数据库中已有案例进行对比，可以识别出差别较大的案例，并经过进一步甄别对已有案例集进行更新，实验表明该方法取得了较好的案例更新效果。2“五位一体”软件测试研究生课程在线教学方法2.1总体思路“五位一体”软件测试研究生一流课程建设方法如图 1 所示，分别从以下几个方面开展研究。图 1“五位一体”软件测试研究生一流课程建设总体思路1）课程思政牵引，聚焦国产工业软件瓶颈问题，培养学生自主开发能力。通过讲解国内外软件工程学术领域和工业界应用的不同技术、不同规范，使学生拓宽国际视野，培养家国情怀，了解国内外软件产业的差距，提升自主开发软件测试工具的能力，解决国产软件面临的“卡脖子”问题，实现测试软件
8、的国产化。2）基于深度学习的新颖案例识别和习题集生成，满足个性化学习需求。基于大量网络公开数据的有效利用，将大数据分析、交互式机器学习等领域最新研究成果引入线上教学案例的研究中，实现本课程案例、习题智能化更新（与时俱进）和个性化生成（因材施教）。3）基于 BiLSTM 模型的用户行为智能分析，提升学生学习效果。通过实现收集到的学习者在课程学习过程中的行为数据（如习题选择情况、单次学习时间、回答正确率、在线测试成绩等），并基于BiLSTM 模型对用户行为进行智能分析，得到学习者感兴趣的知识点、学习目的等个性化需求，从而定量地分析学习者的薄弱知识点，进一步提高软件测试的课程质量。4）通过课程学习提
9、高学生动手能力，激发学习志趣和潜能。坚持“以学生为中心”教学理念，鼓励学生参加全国大学生软件测试大赛，激发学习志趣，2022 年中国高校计算机教育大会（三）第 4 期89以赛促评，培养其运用知识来解决实际问题的 能力。5）引入企业案例讲解，理论联系实际，提高课程教学的实践性。为了提升课程的实践性，在课程教学的“提高篇”邀请有代表性的企业界资深专家及学者，从企业在软件开发和测试过程中的不同角度进行软件测试实际案例和测试经验的讲解，促进学生将所学理论联系企业实际，进一步提高课程案例教学的真实性。2.2实施流程该教学方法建立在常用的 Kares 深度学习平台和 Scikit-learn 机器学习架构
10、之上。具体的实施流程包括动态课程习题知识库构建、测试题库资源智能更新以及用户行为智能分析 3 个部分。1）基于群智推理的动态课程习题知识库 构建。当前软件测试课程已经拥有一些案例集和习题库，用于辅助学生对所学知识的理解和练习。这些案例集和习题库的构建是通过人工审阅的方式进行的，须耗费大量的人力物力，根据案例的难易程度进行分类标记。笔者充分利用互联网上的大量开源共享数据，采用群智推理的方法，从各大平台的技术问答社区和群体学习社区探索课程相关的案例和习题。基于机器学习的预测模型，建立课程基础案例库、习题集，并对大量公开数据源中的数据进行训练；通过训练后的模型预测分类概率，识别出与目标课程相关但又与
11、该课程已有案例、习题差异性较大的数据。该方法一方面可以提高教学案例、习题的多样性；另一方面，可以有效识别出较为新颖的案例和习题，从而保证课程配套案例、习题的先进性，做到与时俱进。2）基于“反馈式”的测试题库资源智能更新。由于课程是分块式课程，因此测试题库也与课程种类相对应，提供对应的测试题组（难、中、易），并效仿传统教育模式，添加章节测试、全书测试、多书混合题测试、结业考试等元素。不同的测试难度、完成时间及准确度大都可以反映学生的掌握情况，也是目前社会公认的主流判定方式之一，但笔者对章节测试题进行了难易度划分，让参与者获得适应自身的测试方式，也是对传统完全统一的测试方案的一种改进，让学习者更有
12、信心去学习之后的课程。在全书测试及多书混合测试中，根据学生的层次推荐相应的测试题，以帮助学习者更好地巩固所学。与传统测试不同的是，当学生完成测试后，在获取答案之时，各个测试题所对应的知识点会链接到该用户曾经学习过的课程视频，以方便学生及时进行复习巩固与查漏补缺。3）基于 BiLSTM 模型的用户行为智能分析。在学生学习时可以动态获取一些与用户直接交互或间接交互的信息，用以参考划定学生的当前状态所属群体，并对下一区域学习提供预测划分。在用户允许前提下获取如下信息进行分析：用户学习时的表情分析、重要知识点时段的微表情分析、学习课程的难易程度、完成测试题目的时间及准确度、做题步骤、课程评价等。（1）
13、表情分析：这一数据既是对学生当前学习状态的一个重要参考指标，同时也是测定学时的重要参数，为未来提高社会认可度奠定基础。（2）微表情分析：大多数情况下，微表情分析能够得到人的真实动机，但由于微表情呈现持续时间短等特性，所以获取该数据难度较大。该模型仅在课程关键时间段对学习者进行微表情的抓取及分析，而非长时段无间断抓取。（3）课程种类：不同群体的学习者被推荐的课程以及所选择的课程也不尽相同，该信息也必定是判定学习者学习能力的重要参考因素。（4）完成测试题目的时间及准确度：该信息能直观反映学生的学习情况。（5）课程评价：根据该信息可以分析当前课程中的优点及不足，也可以据此分析学习者是否适合当前难度的
14、课程。在获取这些信息之后，通过词嵌入的方式转化为特征矢量，然后基于 BiLSTM 模型在云服务器中根据特定的分析方式，得到不同的学习群体划分建议，并反馈给学习者；同时根据当前的测评状态，拟定出一套适合该学习者的学习课程方案，真正做到照顾到每一位学生。图 2 为BiLSTM 模型的框架图。202390计 算 机 教 育Computer Education该模型通过利用 BiLSTM 提取测试用例中的文本序列的语义信息特征，然后结合 Attention机制对测试用例中不同部分的信息，根据其对于分类任务的重要性赋予不同的权重，进而提高模型的预测准确性。3教学效果“五位一体”课程教学方法充分利用软件工
15、程学科的资源（如开源缺陷库、开源代码等）为数据源，通过习题知识库构建、案例库资源智能更新，实现课程资源的实时同步更新；同时，通过将深度学习与云计算技术相结合，实现不同学习者学习行为的智能分析，提升课堂教学的质量，该方法的施行取得了丰富的教学成果。3.1学生成绩提高该教学方法在教学层面以整个教学活动中学生的学习过程为重，学生的课程考核成绩包括平时成绩（10%）、线上学习成绩（10%）、实验及竞赛成绩（30%）、考试成绩（50%）等，通过多个分项成绩计算总成绩落实全过程培养。根据我校 2019 级和 2020 级软件工程专业学生在软件测试课程中的成绩统计（如图 3 所示）可以看出，新教学方法指导下
16、学生的平均成绩有明显的提高，不及格率有所下降，成绩 80 分的人数占比有了大幅度提升。3.2取得系列教学科研成果该教学方法丰富了软件测试的课程内容，提高了学生的参与感，取得了多个教学、科研成果。如我校学生在第十七届“挑战杯”全国大学生课外学术科技作品竞赛中荣获“揭榜挂帅”专项赛一等奖 1 项，在 2020 年全国大学生软件测试大赛中获得特等奖 1 项（已连续 3 年获得）、二等奖 2 项、三等奖 4 项，指导教师郑炜在该大赛中获得“最佳指导教师奖”。笔者通过进一步凝练教学方法发表了系列教学论文，如基于深度学习的软件测试在线教学方法创新与实践 获2020年中国高校计算机教育大会优秀论文奖；通过凝练教学经验，教学成果“校企全过程深度融合的软件工程教学体系构建与实践”获 2018 年国家教学成果二等奖，“新兴技术范式下的教师图 2 BiLSTM 模型框架0.06060697079808990100传统培养模式新培养模式分/%60.050.040.030.020.010.0图 3 两种培养模式下学生成绩的对比2022 年中国高校计算机教育大会（三）第 4 期91教学方法创新与实践”获 2020
