生成式人工智能輔助下的算法類項目式學習設計與實施路徑

中圖分類號：G434文獻標識碼：A論文編號：1674—2117（2025）15-0059-05

引言

② 由生成式人工智能分析統計出核心算法、核心知識，確立教學目標；

五階生成式人工智能輔助下的算法類項目設計流程（如圖1）：準備統計樣本、確立教學目標、生成教學內容、支架任務設計、評價設計。具體如下：

③ 使用生成式人工智能基于核心算法理解的要求，輔助安排教學內容；

① 在確定項目主題和驅動問題后，模擬學生使用生成式人工智能開展問題求解，由平臺生成多樣本程序，經文檔合成后作為統計樣本；

生成式人工智能技術的引入正在促使編程范式發生變化。在算法類項目實踐中，生成式人工智能生成的程序多樣且有一定的復雜度，為思維鍛造提供了豐富的語料。但由于生成式人工智能生成的內容不可控，在實踐中也存在如下兩個問題：一是課堂難以聚焦預定教學內容，即“自標定位難”；二是生成的程序難度過大，與學生的學力不匹配，即“活動設計難”的問題。下面，筆者將圍繞這兩個問題，探討生成式人工智能如何輔助教師進行算法類項目式學習的教學設計，以及教師如何發揮其作用。

④ 以生成式人工智能生成的任務為參考，教師結合學生認知前概念、生活經驗、活動生成，從橫向、縱向、深度向三個維度構造問題解決路徑的片段，生成支架程序和學習任務；

⑤ 由生成式人工智能生成學習任務評價量表輔助評價設計。

五個階段共包含六個關鍵環節，具體提示詞如表1所示，生成結果僅作為教學設計的輔助參考。

逆向設計目標：生成樣本、統計詞頻、歸類算法

課程目標是對學生學習及發展結果的期待，是確立課程內容組織、教學活動設計、教學評價設計等的基本依據。素養立意的課程從學科本位轉向學生立場，所以，算法類項目的教學目標，應指向達成學生主體的問題求解需要掌握的核心知識和關鍵能力，即能理解并分析由生成式人工智能產出的程序的核心算法、執行步驟以及運行效率。

在教學實踐中有兩種基于統計分析教學目標的方法：一是統計多樣本程序中的高詞頻語句；二是統計核心算法及其在樣本中的占比。例如，在“為元旦班會活動編寫一個抽獎程序”的項目中，學生使用表1所示的提示詞生成程序，教師先將提交上來的程序合并，再進行詞頻統計、算法統計。43個樣本的詞頻統計如表2所示，生成式人工智能統計的結果與電子文檔搜索統計結果相較僅有微小差距，結果真實可用。最終得出：函數、分支結構、循環結構、列表操作等為高頻知識點。

生成式人工智能分析出43個樣本的核心算法為：基于隨機數生成和查重、從列表中隨機選擇元素并移除、打亂列表順序后抽取（如下頁表3），出現次數分別約30次、5次、3次。人工分析次數分別為31次、10次、2次，機器和人工分析結果較為一致。根據數據可知，第二種方法與生活經驗更接近，第三種算法最為簡潔，但出于靈活性、理解成本、代碼習慣等方面的考量，第1種算法反而占比達 80% 為重點理解對象。在實現方式上，人工分析第二種算法中僅2例利用random.choice（隨機選擇元素，8例通過random.randint（隨機選擇下標抽取列表元素，和機器分析結果存在差異。

構造支架任務：項目拆解、算法切片、互動生成

生成式人工智能生成的程序是立足于專家解決問題的視角，充分發揮編程語言特性的最優解，邏輯嚴謹周密，細節考量精致。但對初學者而言，卻是多種新知的綜合呈現，超出了學生的認知。所以，任務設計的關鍵是通過控制“任務形式、任務復雜度、多媒體的使用、時間壓力及教學步驟”[2]，將生成式人工智能生成的知識，構造成符合學生認知系統負荷的學科實踐任務。

表1 六個關鍵環節的提示詞

表2

生成式人工智能統計抽獎程序語句頻次結果示例算法類項目可以從橫向定義拆解問題、縱向切片核心算法、深度挖掘生成性資源（如圖2）三個維度構造支架程序和任務，以降解程序復雜度，幫助學生理解學習。下面，筆者以制作抽獎程序項目為例，說明如何從這三個維度來構造學科實踐任務。

1.使用設計思維橫向定義拆解項目

同樣的提示詞生成的程序不盡相同，這主要是由平臺算法和模型架構的差異、訓練數據集的影響、隨機性和創造性的融入，以及用戶交互和反饋的考慮等多種因素共同作用的結果。對于產品制作類項目，教師可使用設計思維引導學生站在用戶的角度共情需求，再通過定義拆解形成可操作的問題，轉化為明確簡潔的描述功能需求的提示詞，生成趨同代碼，聚焦核心知識。

例如，提示詞“制作一個抽獎程序”沒有界定抽獎規則，生成的程序形態各異。因而，學生可以圍繞項目驅動問題“請為班級元旦晚會制作一個抽獎程序”，分析抽獎設置有可能是從班級座號、同學姓名、獎項等次中抽取，規則為隨機抽取。由此，圍繞“從班級座號中抽取”將提示詞細化為“編寫一個抽獎程序，從1～50中隨機抽取”，則使用同一平臺生成的程序高度一致，包含random.randint（函數，涉及模塊函數相關知識；圍繞“從同學的姓名中抽取”設置提示詞為“生成一個抽獎程序，隨機抽取姓名”并給出具體的姓名，生成的程序包含姓名列表和random.choice函數，涉及列表相關知識。

2.使用計算思維縱向切片核心算法

為了有效降低任務的復雜性，教師可將核心算法按照功能模塊進行切片處理，減少需要同時管理和協調的子任務數量，同時增加流程透明性，明確各個模塊的依賴關系和順序。

表3

核心算法以及在文檔中的占比示例

支架任務設計要將核心算法拆解為若干模塊或關鍵步驟，匹配學科核心知識，應用項目情境浸潤設計促成核心知識理解的若干關聯性任務，并按照模塊依賴關系和學生的認知梯度先后排序。例如，抽獎項目核心算法“基于隨機數生成和查重的抽獎”中的問題解決關鍵步驟為生成隨機數、判斷是否在結果列表中、添加列表元素、循環直到數量達到設定值。匹配模塊為函數、列表、分支和循環控制結構的學科核心知識。任務設計均融人元旦班級抽獎的項目情境。

針對隨機數，設計任務1使用平臺生成抽取座號的抽獎程序。針對分支結構，設計任務2猜中獎號碼并填寫流程圖。針對列表，設計任務3——隨機抽取姓名，支架程序生成1～50之間的隨機數字作為下標，訪問一個有20個姓名元素的列表，運行程序觀察能否隨機抽取姓名并說明原因。針對循環結構，設計任務4——先按順序加人3個列表元素，再加人20個元素，使用while語句改寫程序，最后綜合修改程序加入100個不一樣的數字。另外，在任務先后順序安排上，教師要兼顧問題解決邏輯和知識邏輯。后三個任務由第一個任務的系統迭代改進生成，任務1排在最先。循環結構的執行依賴于特定的條件判斷，為降低層級復雜性，循環結構安排在分支結構學習之后。

3.使用生成思維引導深層認知加工

（1）引導注意轉向：促進選擇

引導學生將注意力聚焦關鍵內容，從繁雜的信息中快速選出對學習目標有價值的部分。例如，抽獎項目“基于隨機數生成和查重”算法避免重復的核心思想是要把抽中的數字收集起來，以便于判斷是否發生重復。但這一邏輯與學生日常參與的抽獎活動體驗存在較大差異，因此學生往往難以自發聯想理解算法。這就需要教師引導學生觀察生成一個隨機數的程序，多次運行后結果出現重復。進而分析“發現結果重復的同學”能識別重復的機理，是對已抽中的數字進行了記憶，類比遷移至算法理解，并由此將注意力轉向列表存儲和條件判斷。

（2）正例反例辨析：促進組織

借助正反實例的對比分析，幫助學生梳理知識脈絡，明晰概念邊界，構建彼此之間內部聯系以能夠形成連貫的心理表征。例如，任務4將支架程序“增加20個列表元素”修改為增加100個隨機數，支架程序循環結構之前有num random.randint（1，50）的賦值語句。學生通過實踐修改了三種方案，循環體分別為：result.append（random.randint（1，50））;num random.randint（1，50）result.append（num）;result.append（num）.運行發現，前兩種生成的均是100個隨機數，第三種生成的是隨機的100個相同的數。這時，教師要引導學生分析前兩種為正例，循環體都是先生成隨機數再添加列表元素，生成隨機數函數運行了100遍；第三種為反例，是將循環體外生成的隨機數添加了100次，隨機數函數只運行了1遍。通過以上分析，學生深化了對循環體與循環次數的認知，明晰了唯有循環體內的代碼會被反復執行。

（3）生活原型遷移：促進整合

教師提取學生已有經驗、知識和觀念作為學習腳手架，引導學生將新的信息或者概念與已有的知識和經驗相關聯，構建新的認知結構。例如，“生活原型”就是有效的遷移腳手架。教師可先關聯生活原型和目標知識概念之間的共通之處，進行生活原型匹配，然后對照知識概念的要點或步驟，有意識地引導學生進行原型序列重整，提取經驗為新知的遷移做好準備。例如，“從列表中隨機選擇元素并移除的抽獎算法分四個步驟：生成抽獎號碼列表→"從中隨機選擇一個數→在抽獎號碼列表中刪除這個數一將該數加入抽中列表。對照核心算法步驟，抽提生活中抽號碼為四步：在抽獎箱中放入1～45的號碼一在抽獎箱中選擇一個號碼步驟，抽提生活中抽號碼為四步：在抽獎箱中放入1～45的號碼一在抽獎箱中選擇一個號碼 $$ 拿出來→放入到抽中列表。

結語

在生成式人工智能的背景下，重新定義編程教育的價值、重構學習目標和路徑，是適應時代需求、培養未來人才的關鍵所在。生成式人工智能在算法類項目設計中的應用為素養課堂提供了新的視角和工具，有助于培養學生的綜合能力。

參考文獻：

[1余勝泉，胡翔.STEM教育理念與跨學科整合模式[JJ.開放教育研究，2015，21（O4）：13-22[2]陳巧芬.認知負荷理論及其發展[J].現代教育技術，2007（09）：16-19+15.