基于大語言模型的計算機教育：機遇、挑戰與教學策略革新

摘要：隨著人工智能技術的飛速發展，大語言模型在計算機教育中展現出巨大的潛力。大語言模型通過海量的資源集合、簡明的對話模式、強大的信息檢索等多重優勢，為學生提供了個性化學習路徑、輔助的編程教學，激發了學生創新思維，但同時也帶來了生成內容的準確性、過度依賴、學生批判性思維的退化等問題。針對上述挑戰，文章融合傳統教學方法與大語言模型優勢，提出健全評價機制、加強教師引導、培養學生的批判思維的教學策略，旨在最大化利用大語言模型帶來的機遇，有效應對其帶來的挑戰。

關鍵詞：大語言模型；計算機教育；機遇與挑戰；教育策略

中圖分類號：G642" " " 文獻標識碼：A

文章編號：1009-3044（2025）12-0171-03

開放科學（資源服務） 標識碼（OSID）

0 引言

20世紀50年代人工智能這一概念產生，其目標讓機器的行為看起來像人所表現出的智能行為一樣，隨著機器學習、深度學習、強化學習等新的概念涌現并不斷發展，逐步將人工智能推向新的高潮。自然語言處理作為人工智能的一項應用分支，包含語音識別、文本翻譯、對話管理等多個方面[1]，其中大語言模型（Large Language Model，LLM） 為各行各業帶來了新的機遇。在教育領域，大語言模型的應用為教學方式與方法的革新提供了強有力的支持，為師生帶來了前所未有的互動體驗與學習便利，特別是在計算機專業教育中，大語言模型不僅能夠幫助學生更好地理解編程邏輯、算法原理等核心概念，還能通過智能輔導、自動評估等手段，有效提升教學質量與效率。

針對計算機教育領域，許多研究學者基于大語言模型進行了應用研究。Denny[2]引導學生創建一個“提示問題”，采用大語言模型為特定問題生成正確的代碼，激發學生的計算思維并讓他們接觸到新的編程結構，利用提問式學習方式提升了學生學習的主動性，加深了對知識點的印象；張金[3]等人結合大語言模型，以創新計算機系統實驗設計為目標，設計綜合性實驗，并以實際課程為例，分析學生應用情況；Sami[4]利用大型語言模型創建編程練習和代碼解釋，方便了學生的編程學習；Kuramitsu[5]將ChatGPT集成到Jupyter環境中，開發了 KOGI，使學生在編程時能夠及時從ChatGPT獲得建議，及時為遇到的編程錯誤和問題提供思路。

當前大語言模型通過海量的資源集合、簡明的對話模式、強大的信息檢索等多重優勢，賦予了計算機教育新的能量。但隨之而來也產生了師生過度依賴、評判難度上升、學生批判性思維的退化等問題，為計算機專業教育帶來了新的挑戰。本文以計算機教育為背景，探討大語言模型帶來的機遇和挑戰，并提出結合大語言模型的教學策略，利用大語言模型進行課程設計和教學方法的革新，以適應新的教育技術。

1 大語言模型

大語言模型是一種基于神經網絡的深度學習模型，通過大量的文本數據進行訓練，以學習語言模式、語法和語義等，從而具備強大的語言理解和生成能力。

在深度學習出現之前，語言模型主要基于傳統的統計方法。在神經網絡出現后，逐步出現了能夠捕捉到文本序列中的依賴關系的循環神經網絡（Recurrent Neural Network， RNN）、長短期記憶網絡（Long Short-Term Memory， LSTM）等，之后Google提出的Transformer模型[6]，為大語言模型的興起奠定了基礎。Transformer模型通過自注意力機制實現了并行運算，提高了模型的運算速度，如圖1為Transformer模型結構圖，其結構主要由編碼器（Encoder）和解碼器（Decoder）兩部分組成，編碼器將輸入序列編碼成高維特征向量表示，解碼器則根據編碼器的輸出和已生成的序列來預測下一個詞，通過編碼器和解碼器實現了對輸入序列的高效處理和輸出序列的準確生成。

基于Transformer模型，2018年，谷歌提出了BERT模型[7]，通過遮蔽語言模型（Masked Language Model， MLM）和下一句預測（Next Sentence Prediction， NSP）實現雙向上下文建模。同年，OpenAI利用Transformer結構進行預訓練，發布了第一個版本的GPT模型[7]，隨后推出了模型參數量和性能不斷提升的GPT-2、GPT-3，標志著自然語言處理領域的大語言模型真正意義上的出現。隨著BERT和GPT的成功，經過6年的發展，各大科技公司基于Transformer結構，紛紛推出自己的大語言模型，如XLNet、RoBERTa、T5等。

2 大語言模型引領計算機教育新機遇

對于大學計算機類專業教育，傳統的上課模式存在學生理解理論，而在實驗中不能較好應用的問題。大語言模型的出現，為傳統的教育模式提供了新的思路，一是可以根據每位學生提供定制化服務的學習資源和方法；二是針對計算機教育中編程難題、錯誤檢測、代碼思路等方面提供輔助；三是通過大語言模型幫助學生獲取最前沿的技術信息，激發創新思維。

2.1 個性化學習體驗

大語言模型作為先進的人工智能語言模型，通過其強大的數據基礎和自主性，為學習者提供獨特的個性化指導和交互式幫助[8]。根據學生的興趣、能力和學習進度，大語言模型可以自動調整學習內容和難度，幫助學生建立私人數字圖書館和資料室，同時作為智能助手協助時間管理、任務規劃，極大地提升了學習效率。例如：Gan[9]研究大語言模型對個性化學習、智能教學和教學評估的影響，為學生帶來個性化體驗，從而提高了教育質量和學習體驗。Alaa[10]根據學生的優勢、興趣、目標等，利用大語言模型生成針對性學習計劃，實現高效學習。

2.2 高效編程輔助

編程作為計算機教育的核心環節，大語言模型可以根據學生的編程水平，幫助學生提供編程概念解釋、代碼運行解析和提供修改代碼的思路。學生在編程學習過程中編程語言、相關框架、庫和工具種類繁多，同時在編程過程中，調試代碼出現的問題對于學生而言也是一項難題，利用大語言模型可以為學生提供高效的編程輔助。例如：Chen[11]基于ChatGPT開發了GPTutor編程工具，通過使用GPTutor學生在學習編程時可以量身定制編程指導，提高編程的理解分析能力；Tlili[12]采用大語言模型提供詳盡的代碼和運行解析，幫助學生直觀理解編程邏輯原理，以提高學生的編程思維能力，并能及時反饋描述程序語法錯誤，協助編程者迅速定位錯誤位置并修復代碼。

2.3 激發創新思維

大語言模型的快速發展，讓學生直觀地感受到了人工智能的實際應用，借助大語言模型的力量，引導學生探索新的應用場景和解決方案，鍛煉學生的綜合思維能力，激發創新靈感。例如：王嘉翔[13]利用大語言模型進行地質找礦標識的智能識別分析，為地質礦產資源提供支撐；賈鵬[14]針對農民對于農業知識的缺乏，導致影響作物的產量和質量，基于大語言模型構建了農業知識問答系統，為農民提供了便利和專業的指導；王箐楊[15]針對英語文章的評分問題，提出兩種基于大語言模型的自動評分反饋算法，提升了英語文章的評分效率和準確性。

3 大語言模型在計算機教育中的挑戰和教育策略

大語言模型在計算機教育中具有廣闊的發展前景和潛力，為個性化學習、編程學習、激發創新思維提供了強大的支持，但其應用也帶來了師生過度依賴、數據準確性問題、學生批判性思維的退化等挑戰。在此背景下，應充分發揮大語言模型在教育教學中的優勢，制定相關教育策略，推動計算機教育的持續發展。

3.1 學生過度依賴，健全評價機制

大語言模型為學生提供了強大的編程輔助、代碼生成和知識檢索能力，但也伴隨著學生過度依賴的潛在風險。一是學生編程輔助與代碼生成的依賴，學生對于編程的學習存在概念理解抽象、原理復雜、實踐難度大等困難，而大語言模型能迅速地分析編程問題，提供代碼片段或錯誤解決方案，導致學生在學習的過程中只是機械地復制粘貼代碼，而不明白其中真正的邏輯和原理，長期使用，學生缺乏深入了解和自主學習能力；二是學生知識檢索與學習的依賴，由于大語言模型具有海量的資源，學生在學習過程中、遇到問題時，常采用大語言模型進行問答，以實現知識檢索和學習，形成惰性思維，喪失思考能力。

針對大語言模型學生產生的依賴問題，應健全學習任務設計、學習過程和完成評價以及教師評價。一是對于學習任務的設計，應結合核心素養與社會需求，設置貼近真實社會文化背景的實驗，以新疆農業大學計算機與信息工程學院人工智能專業所設課程卷積神經網絡與圖像分類為例，在實驗設計環節，不完全是采用了公開數據集，而是結合新疆本地特點，自建了新疆核桃品種、蘋果品種、葡萄干品種數據集，并設計了對應的圖像分類實驗內容。二是對于學習過程的評價，賦能評價方式的智能化與多元化，健全反饋機制，利用基于大語言模型的自動批改系統，自動評估學生的編程作業，為教師節省大量批改作業的時間，同時為學生提供了及時的反饋[16]。三是教師評價需聚焦“教師-技術-教學實踐”的融合，提升教師利用大語言模型改進教學的意識和能力，促進計算機教育的質量提升[17]。

3.2 數據準確性問題突顯，培養學生批判性思維

大語言模型具有海量的數據資源，能快速地進行問題檢索和分析，但在回復時會生成大量的相關信息，導致信息過載，存在數據的不準確性和誤導性。學生在知識檢索時，難以篩選出真正有用和準確的內容，影響學生對知識的理解和掌握，而就大語言模型本身而言，其模型在訓練數據時存在偏差和生成內容的不確定性，導致學生接觸到錯誤或誤導性信息。

針對數據準確性問題，教師應該強調大語言模型生成內容的參考性質，培養學生批判性思維。教師在課堂講授或實驗中，引導學生認識到大語言模型輸出結果受到訓練數據偏差、模型算法限制等因素的影響，培養學生嚴謹的學習態度和批判性思維。以上述課程中“LeNet5實現手寫數字識別”實驗為例，實驗內容為“minst數據集處理-LeNet5模型構建-模型訓練-預測”，最終模型訓練的準確率并不能達到百分之百，以此可以告訴學生大語言模型其最終生成的結果并不是絕對正確，存在誤差，在使用過程中需要辨別回答結果的準確性，以培養學生的批判思維。

4 結論

本文探討了大語言模型在計算機教育中的雙重影響。大語言模型以其強大的知識生成能力，促進了學生的個性化學習，降低了編程的技術難度，激發了創新思維。但同時也面臨學生過度依賴、信息準確性難以區別、學生自主學習能力和批判性思維減弱等挑戰。為此提出了建立健全評價機制、加強教師引導、培養學生批判性思維等教育策略。未來教師需要不斷適應技術變革，以開放、包容和批判性的態度，引導學生合理利用大語言模型，共同推進計算機教育的發展。

參考文獻：

[1] WANG F Y，LI J J，QIN R，et al.ChatGPT for computational social systems：from conversational applications to human-oriented operating systems[J].IEEE Transactions on Computational Social Systems，2023，10（2）：414-425.

[2] DENNY P，LEINONEN J，PRATHER J，et al.Promptly：using prompt problems to teach learners how to effectively utilize AI code generators[J].ArXiv e-Prints，2023：arXiv：2307.16364.

[3] 張金，宮曉利，高小鵬，等.基于通用大語言模型的計算機系統創新實驗設計[J].實驗技術與管理，2024，41（10）：1-9.

[4] SARSA S，DENNY P，HELLAS A，et al.Automatic generation of programming exercises and code explanations using large language models[C]//Proceedings of the 2022 ACM Conference on International Computing Education Research - Volume 1.Lugano and Virtual Event Switzerland.ACM，2022：27-43.

[5] KURAMITSU K，OBARA Y，SATO M，et al.KOGI：a seamless integration of ChatGPT into jupyter environments for programming education[C]//Proceedings of the 2023 ACM SIGPLAN International Symposium on SPLASH-E.Cascais Portugal.ACM，2023：50-59.

[6] VASWANI A， SHAZEER N， PARMAR N， et al. Attention is all you need[A]. Proceedings of the 31st International Conference on Neural Information Processing Systems[C]. NY， USA： Curran Associates Inc.， 2017：6000-6010.

[7] DEVLIN J， CHANG M W， LEE K，et al. BERT：pre-training of deep bidirectional transformers for language understanding[M/OL].arXiv，2019.http：//arxiv.org/abs/1810.04805.

[8] 朱永新，楊帆.ChatGPT/生成式人工智能與教育創新：機遇、挑戰以及未來[J].華東師范大學學報（教育科學版），2023，41（7）：1-14.

[9] GAN W S，QI Z L，WU J Y，et al.Large language models in education：vision and opportunities[C]//2023 IEEE International Conference on Big Data （BigData）.December 15-18，2023.Sorrento，Italy.IEEE，2023：4776-4785.

[10] ABD-ALRAZAQ A，ALSAAD R，ALHUWAIL D，et al.Large language models in medical education：opportunities，challenges，and future directions[J].JMIR Medical Education，2023，9：e48291.

[11] CHEN E，HUANG R，CHEN H S，et al.GPTutor：a ChatGPT-powered programming tool for code explanation[M]//Artificial Intelligence in Education.Posters and Late Breaking Results，Workshops and Tutorials，Industry and Innovation Tracks，Practitioners，Doctoral Consortium and Blue Sky.Cham：Springer Nature Switzerland，2023：321-327.

[12] TLILI A，SHEHATA B，ADARKWAH M A，et al.What if the devil is my guardian angel：ChatGPT as a case study of using chatbots in education[J].Smart Learning Environments，2023，10（1）：15.

[13] 王嘉翔.基于大語言模型的斑巖型銅礦找礦標志智能識別研究[D].長春：吉林大學，2024.

[14] 賈鵬.基于大語言模型的農業知識問答系統的研究與設計[D].河北科技師范學院，2024.

[15] 王箐楊.基于大語言模型的文章自動評分算法[D].上海：上海師范大學，2024.

[16] 鄭永和，王一巖，楊淑豪.人工智能賦能教育評價：價值、挑戰與路徑[J].開放教育研究，2024，30（4）：4-10.

[17] 趙健.技術時代的教師負擔：理解教育數字化轉型的一個新視角[J].教育研究，2021，42（11）：151-159.

【通聯編輯：王 力】