地方院校的人工智能专业《大学物理》教学改革研究和探讨

钟 敏
贺州学院 人工智能学院

摘要


目前，地方院校的人工智能专业《大学物理》课程存在知识结构未更新，学科融合程度较低，实践不足等
问题。在这里，全面分析《大学物理》课程的教学现状，有针对性地提出面向人工智能专业发展需求的《大学物理》
课程改革方案。包括，重视《大学物理》课程结构与人工智能专业发展需求相结合，引入人工智能在工业领域的发
展成果和应用，增加“课程体系—教材—交流合作”的课程实践，从而为地方院校的人工智能专业《大学物理》课
程改革提供基础。

关键词


大学物理；人工智能；教学改革；本科专业：学科融合

全文:

PDF


参考


[1]朱保华，郑远蕾.“提趣味、融思政、增资源、

强应用”大学物理教学改革与实践[J].大学物理，2025，

44（11）：77-90

[2]许瑞珍，林欢，杨雄波，杨先卫.基于地方高

校的《大学物理》混合式教学创新与实践.大学物理，

2025，44（11）：110-114

[3]高超，刘树龙.工程教育专业认证视野下大学物

理实验教学改革探索.长春工程学院学报（社会科学版），

2025，26（4）：149-152

[4]Krizhevsky A, Sutskever I, Hinton G E. ImageNet

classification with deep convolutional neural networks[C]//

Proceedings of the 26th International Conference on Neural

Information Processing Systems. Lake Tahoe: Curran

Associates Inc. , 2012: 1097-1105.

[5]Greydanus S, Dzamba M, Yosinski J. Hamiltonian

neural networks[C]//Proceedings of the 33rd International

Conference on Neural Information Processing Systems.

Vancouver: Curran Associates Inc. , 2019: 1378.

[6]Mao A Q, Mohri M, Zhong Y T. Cross-entropy

loss functions: theoretical analysis and applications[C]//

Proceedings of the 40th International Conference on Machine

Learning. Honolulu:JMLR. org, 2023: 992.

[7]Biamonte J, Wittek P, Pancotti N, et al. Quantum

machine learning[J]. Nature, 2017, 549(7671): 195-202.

[8]Islam D, Zhou Z X, Ren H Y, et al. Revealing

hidden patterns in deep neural network feature space

continuum via manifold learning[J]. Nature Communications,

2023, 14(1): 8506.

[9]An Y D, Zhang N, Liu Q, et al. Balancing carrier

transport in interconnection layer for efficient perovskite/

organic tandem solar cells[J]. Nature Communications, 2025,

16(1): 2759.


Refbacks

  • 当前没有refback。