滚动信息2

一、 引言

高校计算机教育承担着培养具备计算思维、创新能力和工程实践能力的高素质人才的重任。然而，传统教学模式往往面临“大班授课难以因材施教”、“理论知识与前沿技术脱节”、“学生编程实践求助渠道有限”等痛点。

2022年以来，以ChatGPT为代表的生成式大语言模型的出现，凭借其强大的自然语言理解、代码生成、逻辑推理与知识问答能力，为破解上述难题提供了新的契机。大语言模型不仅是一种工具，更有可能成为一种新型的“认知伴侣”或“教学助理”，深度介入教与学的全过程。如何在高校计算机教育中合理引入并高效利用这一技术，已成为当前教育技术研究的热点。

二、 大语言模型在计算机教育中的核心应用场景

1. 个性化学习与智能辅导

计算机专业课程难度递进性强，学生基础差异大。大语言模型可以作为24小时在线的“私人导师”，提供即时、个性化的学习支持。

代码调试与解释： 当学生遇到编程错误时，传统方式需花费大量时间查找Stack Overflow或等待教师答疑。LLM能快速定位错误原因，并以自然语言解释错误含义，甚至提供修正建议，帮助学生从“试错”转向“理解”。

自适应学习路径推荐： 基于学生对某个知识点（如数据结构中的二叉树）的提问，LLM可以评估其掌握程度，并推荐下一步的学习内容（如从二叉树遍历进阶到平衡二叉树），实现学习路径的动态调整。

2. 辅助教学与课程资源建设

对于教师而言，大语言模型是高效的备课助手，能够将其从重复性、事务性的工作中解放出来，专注于教学设计与思维引导。

自动出题与作业批改： 教师可以要求LLM根据特定知识点生成不同难度级别的编程练习题、选择题或填空题。虽然完全自动批改复杂编程题尚需结合单元测试，但LLM可以辅助批改代码风格、注释质量以及简答题的主观要点。

教案与案例生成： LLM能够根据教学大纲，快速生成生动的教学案例。例如，在讲解“递归”时，模型可以生成除“阶乘”之外更具趣味性的现实生活案例（如文件目录遍历、汉诺塔游戏解释），丰富课堂内容。

3. 实验与实践教学创新

计算机教育强调“做中学”。大语言模型能够模拟真实的企业级开发环境，降低学生进行创新实践的门槛。

原型快速开发： 学生在进行课程设计或毕业设计时，常常被前端界面或基础架构代码所困扰。利用LLM，学生可以通过自然语言描述需求，快速生成项目脚手架代码，从而将更多精力投入到核心算法与业务逻辑的创新上。

代码解释与重构： 面对开源项目或老旧代码库，学生往往难以入手。LLM可以充当“代码翻译官”，解释复杂代码段的逻辑，并指导学生如何对代码进行重构以提升可读性和性能。

4. 软技能与计算思维的培养

现代计算机人才不仅需要写代码，还需要具备良好的沟通能力和系统设计能力。

技术文档撰写： LLM可以辅助学生撰写代码注释、README文档甚至技术博客，培养其技术写作能力。

头脑风暴与系统设计： 在软件工程课程中，学生可以与LLM进行交互，讨论系统架构设计的多种可能性，LLM可以提供不同方案的优缺点对比，激发学生的批判性思维。

三、 应用实践案例分析

为了更直观地说明上述应用，本文构建两个典型的计算机教学场景进行模拟分析：

案例一：数据结构课程中的辅助学习

传统场景： 学生小李在学习“哈希表”时，不理解为何会产生哈希冲突以及“链地址法”是如何工作的。他只能在课后翻阅教材或等待下次答疑。

LLM应用场景： 小李向LLM提问：“请用通俗易懂的比喻解释哈希冲突，并用Python代码演示链地址法的实现。” LLM不仅用“图书馆找书”的比喻进行了解释，还生成了一段可运行的示例代码，并逐行添加了注释。小李通过运行代码和阅读注释，很快掌握了这一难点。

四、 面临的挑战与潜在风险

尽管大语言模型在计算机教育中展现出巨大潜力，但激进的应用也带来了一系列不容忽视的挑战。

1. 学术诚信与过度依赖

这是目前教育界最大的担忧。学生可能直接使用LLM完成编程作业，跳过思考过程，导致“知其然不知其所以然”。如果缺乏有效的监管，学生的独立解决问题的能力和编程基本功将严重退化。

2. 知识准确性与“幻觉”问题

大语言模型在生成代码或技术解释时，有时会产生“幻觉”，即生成看似合理但实际错误或不安全的代码。对于初学者而言，他们缺乏辨别能力，可能会被误导，学习到错误的编程习惯或引入安全漏洞。

3. 批判性思维与创造力的削弱

如果学生习惯于遇到问题直接问AI获取答案，而不是通过查阅文献、查阅API文档等方式自主解决，长期来看会削弱其研究能力和面对未知问题的韧性，这与计算机科学追求的创新能力背道而驰。

五、 应对策略与教学改革建议

面对机遇与挑战，高校计算机教育应采取“疏堵结合、以疏为主”的策略，将大语言模型融入教学体系，而非简单禁止。

1. 重构课程目标与评价体系

转向高阶思维能力考核： 减少单纯考察语法和简单算法的分值，增加对系统设计、架构优化、性能调优、需求分析等高阶能力的考核。

过程性评价与口试： 增加课堂展示、代码审查（Code Review）环节，要求学生解释自己代码的逻辑以及AI在其中的辅助作用。可以采用“答辩式”考核，让学生在有AI辅助的情况下完成任务，但必须通过现场提问来验证其对知识的深度理解。

2. 开展“人机协作”的思维训练

教会学生提问： 开设相关讲座或课程，教导学生如何撰写高质量的Prompt（提示词），如何与AI进行有效的多轮对话。

培养批判性审辨能力： 在实验课中，专门设置“找茬”环节，让学生审阅AI生成的代码，找出其中的Bug或安全隐患。将“AI生成+人工优化”作为新的教学范式，强调人的主导地位。

3. 提升教师的AI素养

高校应组织师资培训，帮助教师理解LLM的工作原理，并掌握如何利用LLM辅助备课。教师应从“知识的传授者”转变为“学习的设计者”和“思维的引导者”。只有当教师比学生更懂AI、更会用AI时，才能在教学中占据主导权。

六、 结论

大语言模型的出现，无疑是高校计算机教育发展史上的一个重要转折点。它既是一把能够解锁个性化教学、提升实践效率的“金钥匙”，也是一块考验学生自律性、教师教学智慧以及现有教育体制适应能力的“试金石”。

钱娜 刘艳华

江西工程学院