融合大語言模型的三元一站式編程教學(xué)模式研究

摘要：本文基于大語言模型的強(qiáng)大語言處理與生成能力，構(gòu)建了三元一站式教學(xué)模式，以“師—機(jī)—生”協(xié)同為核心，通過課前智能備課、課堂人機(jī)互動及課后個性化反饋的全流程優(yōu)化，來有效解決傳統(tǒng)編程教學(xué)在實(shí)時反饋和個性化支持方面的不足。研究表明，該模式在提升學(xué)生編程素養(yǎng)、增強(qiáng)學(xué)習(xí)體驗(yàn)方面具有顯著優(yōu)勢，為職業(yè)教育中的編程教學(xué)創(chuàng)新提供了理論依據(jù)與實(shí)踐指導(dǎo)。

關(guān)鍵詞：大語言模型；編程教學(xué)；職業(yè)教育；人機(jī)協(xié)同

中圖分類號：G434" 文獻(xiàn)標(biāo)識碼：A" 論文編號：1674-2117（2025）08-0096-05

引言

大語言模型（Large Language Model，簡稱LLM）為走向通用人工智能（Artificial General Intelligence，簡稱AGI）

提供了重要途徑。2023年6月教育部辦公廳印發(fā)的《基礎(chǔ)教育課程教學(xué)改革深化行動方案》提出“積極推進(jìn)人工智能、大數(shù)據(jù)、5G等新技術(shù)與教師隊(duì)伍建設(shè)的融合，加快形成新技術(shù)助推教師隊(duì)伍建設(shè)的新路徑和新模式”。此外，國家還出臺了許多與編程教育、人工智能教育相關(guān)的政策。

在上述背景下，編程能力正成為各國在全球競爭中培養(yǎng)創(chuàng)新型人才戰(zhàn)略的關(guān)鍵組成部分。因此，筆者以課程內(nèi)容框架為核心，結(jié)合LLM輔助學(xué)習(xí)平臺與學(xué)科核心素養(yǎng)，設(shè)計(jì)了一個面向高職的編程教學(xué)模式，探索提升學(xué)生編程素養(yǎng)和實(shí)踐能力的有效策略，探討LLM在高等職業(yè)教育計(jì)算機(jī)專業(yè)編程課程中的融合應(yīng)用，以期為教育技術(shù)學(xué)領(lǐng)域的學(xué)術(shù)研究和實(shí)踐應(yīng)用提供參考。

大語言模型與編程教學(xué)的研究現(xiàn)狀概述

ChatGPT所代表的LLM技術(shù)，以其卓越的通用性和邏輯推理能力，能夠執(zhí)行多樣化的任務(wù)，包括自然語言的聊天對話、自動撰寫郵件、創(chuàng)意生成詩歌、輔助編寫代碼及商業(yè)提案的精心策劃等，它的出現(xiàn)標(biāo)志著AGI領(lǐng)域邁入了一個嶄新的發(fā)展階段。LLM通過深度神經(jīng)網(wǎng)絡(luò)技術(shù)對大規(guī)模文本數(shù)據(jù)進(jìn)行向量化表達(dá)和生成概率建模，有效地捕捉語言的詞匯、句法和語義特性。其在處理語言理解、對話系統(tǒng)交互、內(nèi)容生成和邏輯推理等任務(wù)時展現(xiàn)出顯著的優(yōu)勢，為個性化數(shù)字資源的高效開發(fā)、人機(jī)對話協(xié)同學(xué)習(xí)及以素養(yǎng)為基礎(chǔ)的教育評估提供了堅(jiān)實(shí)的技術(shù)基礎(chǔ)。當(dāng)下，該模型已被廣泛部署于醫(yī)療、金融、法律和教育等多個行業(yè)，從而產(chǎn)生了顯著的社會和經(jīng)濟(jì)效益。

在教育領(lǐng)域中，LLM以其出色的泛化和遷移學(xué)習(xí)能力展現(xiàn)出巨大的潛力，當(dāng)其能力得到充分“涌現(xiàn)”時，便能夠轉(zhuǎn)化為功能強(qiáng)大的教學(xué)輔助工具，使得每位教師都能擁有虛擬助教，每位學(xué)生都能獲得個性化的學(xué)習(xí)伙伴，進(jìn)而推動教育智能化的普及和民主化。然而，在編程教育領(lǐng)域，傳統(tǒng)教學(xué)方法在實(shí)時反饋、學(xué)生參與度、個性化學(xué)習(xí)需求以及實(shí)踐應(yīng)用方面存在不足。周琴和文欣月指出，智能化時代的教學(xué)需要更加個性化的學(xué)習(xí)體驗(yàn)，而傳統(tǒng)方法往往無法提供這種體驗(yàn)。

趙月等人討論了個性化學(xué)習(xí)的重要性，這表明傳統(tǒng)教學(xué)方法可能沒有充分考慮學(xué)生的個性化需求。Lee和Wang的研究也間接指出了傳統(tǒng)教學(xué)方法在實(shí)踐和應(yīng)用方面的不足。由于LLM自身就是通過編程技術(shù)實(shí)現(xiàn)的復(fù)雜系統(tǒng)，相較于其他類型的教學(xué)工具，其在提供編程相關(guān)的教學(xué)反饋方面具有先天優(yōu)勢，能夠?qū)崿F(xiàn)更高的準(zhǔn)確性。

融合LLM的三元一站式編程教學(xué)模式

1.理論基礎(chǔ)

本研究提出的“三元一站式”編程教學(xué)模式，綜合運(yùn)用了多種教育理論，主要包括成果導(dǎo)向教育理念（Outcome-Based Education，OBE）、支架式教學(xué)（Scaffolding Instruction）、心流理論（Flow Theory）、人機(jī)協(xié)同理論（Human-Computer Collaboration）、元認(rèn)知學(xué)習(xí)理論（Metacognitive Learning Theory）和自適應(yīng)學(xué)習(xí)理論（Adaptive Learning Theory）。

基于多元理論構(gòu)建的“三元一站式”編程教學(xué)模式，強(qiáng)調(diào)理論與實(shí)踐緊密結(jié)合，強(qiáng)調(diào)人機(jī)協(xié)同與個性化學(xué)習(xí)的創(chuàng)新應(yīng)用，確保教學(xué)活動的科學(xué)性、靈活性和有效性。各理論相互作用，共同支撐本模式的設(shè)計(jì)與實(shí)施，保障了教學(xué)過程與理論基礎(chǔ)的有機(jī)統(tǒng)一。

2.教學(xué)模式框架

經(jīng)過前期的調(diào)研和訪談獲知，當(dāng)前學(xué)生在學(xué)習(xí)編程課程時的痛點(diǎn)是經(jīng)常出現(xiàn)“習(xí)得性無助”，也就是學(xué)生在課堂上能聽懂教師的講解，但是在獨(dú)立編程時卻無從下手。而且，學(xué)生在學(xué)習(xí)的過程中，必須通過大量的程序閱讀來熟悉編程語句的格式、規(guī)范以及邏輯結(jié)構(gòu)，通過大量修改現(xiàn)有程序，才能逐步過渡到獨(dú)立編寫程序。由此，為解決學(xué)生的痛點(diǎn)，本研究提出了以“師—機(jī)—生”三元協(xié)同為基礎(chǔ)的教學(xué)模式，將教學(xué)過程分為課前、課中和課后三個階段。通過課前的智能化備課、課中的人機(jī)協(xié)同教學(xué)與課后的反饋機(jī)制，強(qiáng)調(diào)人機(jī)協(xié)同與學(xué)生的自主學(xué)習(xí)能力提升。該教學(xué)模式的結(jié)構(gòu)如圖1所示。

3.實(shí)現(xiàn)條件

（1）物理環(huán)境

《國家職業(yè)教育改革實(shí)施方案》強(qiáng)調(diào)了高水平職業(yè)學(xué)校建設(shè)的重要性，同時，教育部啟動的人工智能賦能教育行動，為教學(xué)模式的智能化提供了技術(shù)支撐。《職業(yè)教育產(chǎn)教融合賦能提升行動實(shí)施方案（2023—2025年）》進(jìn)一步明確了產(chǎn)教融合的方向。目前，全國大部分的職業(yè)院校在政策紅利的支持下，都已積極建設(shè)了新一代計(jì)算機(jī)實(shí)驗(yàn)室，用于提升教育教學(xué)質(zhì)量和培養(yǎng)學(xué)生的實(shí)踐能力。

（2）軟件環(huán)境

當(dāng)前，LLM在全球范圍內(nèi)迅速普及并日趨成熟，正深刻影響著教育行業(yè)的創(chuàng)新與發(fā)展。本研究緊跟這一趨勢，采用Kimi大語言模型，將其深度集成至自主研發(fā)的云編譯平臺，實(shí)現(xiàn)了編程編譯與智能答疑的無縫對接，為用戶帶來了一站式的便捷體驗(yàn)。通過垂直訓(xùn)練，進(jìn)一步優(yōu)化了其在特定教學(xué)場景下的表現(xiàn)，確保了教學(xué)內(nèi)容的精準(zhǔn)性和互動性。

融合LLM的三元一站式編程教學(xué)過程

本研究依托融合LLM的云編譯一站式編程教學(xué)平臺展開教學(xué)創(chuàng)新，智能教學(xué)平臺通過記錄學(xué)生的學(xué)習(xí)數(shù)據(jù)，運(yùn)用深度學(xué)習(xí)中的序列模型——雙向長短期記憶網(wǎng)絡(luò)（BiLSTM，Bidirectional Long Short-Term Memory）+Kimi模型（Transformer）組合進(jìn)行深度分析。該組合模型能夠有效捕捉學(xué)生在學(xué)習(xí)過程中的時序特征和關(guān)鍵知識點(diǎn)，生成實(shí)時反饋，支持多元化的評價方式。在教學(xué)中，教師的角色從傳統(tǒng)的知識傳遞者轉(zhuǎn)變?yōu)閷W(xué)習(xí)引導(dǎo)者與促進(jìn)者，專注解決智能助教無法處理的高階問題，激發(fā)學(xué)生的批判性思維與計(jì)算思維能力。同時，本教學(xué)模式嚴(yán)格遵循教學(xué)過程的階段性特征，分為三個主要階段，即智能評判自主學(xué)習(xí)、智能式雙師課堂、智能監(jiān)測與反饋，如圖2所示。

1.課前：智能評判自主學(xué)習(xí)

教師通過BiLSTM與Kimi（Transformer）模型組合對收集的數(shù)據(jù)進(jìn)行深度分析，生成個性化的學(xué)情畫像，進(jìn)而精準(zhǔn)制訂教學(xué)目標(biāo)。平臺基于這些教學(xué)目標(biāo)對教師上傳的教學(xué)資源進(jìn)行深度知識訓(xùn)練，生成與課程內(nèi)容相關(guān)的知識圖譜，為學(xué)生構(gòu)建清晰的知識框架，確保教學(xué)內(nèi)容的系統(tǒng)性與連貫性。

教師通過平臺的智能助教采用反向工程法，從課程知識中提取問題模型，將其轉(zhuǎn)化為貼近學(xué)生日常生活的實(shí)際情境或案例，以激發(fā)學(xué)生的主動思考與深度理解。隨后，根據(jù)這些案例設(shè)計(jì)相應(yīng)的代碼，將其作為閱讀程序的作業(yè)，旨在培養(yǎng)學(xué)生的編程思維和對代碼的理解能力。

學(xué)生通過平臺的智能自評系統(tǒng)完成程序閱讀作業(yè)，系統(tǒng)如果未獲得正確答案，該問題會保持激活狀態(tài)，直至得到正確解答為止。此外，系統(tǒng)將根據(jù)學(xué)生的操作數(shù)據(jù)生成學(xué)情畫像，并提供個性化的學(xué)習(xí)資料。

2.課中：智能式雙師課堂

在三元機(jī)制的人機(jī)協(xié)同課堂中，教師需要分清哪些是可重復(fù)的、線性的教學(xué)任務(wù)由智能助教取代的，哪些是需要自身承擔(dān)的。通常，知識與技能屬于可通過反復(fù)記憶或者練習(xí)習(xí)得的，但是過程與方法、情感態(tài)度這兩個方面需要教師的啟發(fā)。因此，三元機(jī)制的教學(xué)過程需要對教學(xué)任務(wù)的角色精準(zhǔn)定位，即滿足分析數(shù)據(jù)化（智能助教）、教學(xué)精細(xì)化（教師）、人機(jī)協(xié)同化（師生機(jī)）三個基本條件。

（1）教師的講解與引導(dǎo)

①課前作業(yè)講解。首先對課前布置的代碼作業(yè)進(jìn)行功能講解，并圍繞課程預(yù)設(shè)的問題，引導(dǎo)學(xué)生進(jìn)行獨(dú)立思考和問題分析。不同于傳統(tǒng)的編寫代碼練習(xí)，本階段強(qiáng)調(diào)學(xué)生通過自然語言描述解決問題的邏輯和模型結(jié)構(gòu)。這種問題驅(qū)動的學(xué)習(xí)模式借鑒了基于問題學(xué)習(xí)（Problem-Based Learning，PBL）的理論，意在通過真實(shí)問題情境的設(shè)計(jì)，激發(fā)學(xué)生的學(xué)習(xí)動機(jī)和批判性思維。在問題分析過程中，學(xué)生需逐步剖析問題結(jié)構(gòu)，不斷迭代思路，提升其問題解決能力。為提升課堂參與度，教師可通過點(diǎn)名加分等方式鼓勵學(xué)生積極回答問題，實(shí)時了解學(xué)生的學(xué)習(xí)狀況。

②課中輔導(dǎo)。如果學(xué)生在平臺的幫助下仍無法解決問題，則可以通過教師或同伴的指導(dǎo)進(jìn)行問題補(bǔ)充解決，確保每個學(xué)生都能夠完成代碼實(shí)踐任務(wù)。

③舉一反三的知識點(diǎn)練習(xí)布置。在學(xué)生掌握了基本概念后，教師設(shè)計(jì)了“先僵化—后優(yōu)化—再固化”的學(xué)習(xí)路徑，通過布置具有相似問題模型的代碼任務(wù)，推動學(xué)生實(shí)現(xiàn)知識遷移與舉一反三。

④代碼審查。教師重點(diǎn)關(guān)注代碼的風(fēng)格、命名規(guī)范以及可讀性，確保學(xué)生對編程背后的邏輯有深刻的理解，并避免簡單地依賴平臺完成任務(wù)。對于那些可能依賴大語言模型生成的作業(yè)，應(yīng)進(jìn)一步追問學(xué)生的編程思路和設(shè)計(jì)依據(jù)，幫助學(xué)生總結(jié)所學(xué)知識，避免人工智能生成內(nèi)容（簡稱“AIGC”）帶來的依賴風(fēng)險(xiǎn)。

（2）GAI的虛擬助教

生成式人工智能（簡稱“GAI”）作為虛擬助教，通過時刻監(jiān)聽學(xué)生的輸入信息，進(jìn)行多輪啟發(fā)式輔導(dǎo)，引導(dǎo)學(xué)生逐步思考解決方法。其過程主要包括“智能審題—代碼分析—關(guān)鍵點(diǎn)撥—詳細(xì)指導(dǎo)—解決方案”五步循環(huán)，引導(dǎo)學(xué)生理解代碼的邏輯和語法錯誤。

在“智能審題”階段，系統(tǒng)能分析學(xué)生的提問，識別出關(guān)鍵要素和潛在問題，通過實(shí)時互動提供情境式引導(dǎo)，創(chuàng)造出與編程學(xué)習(xí)相關(guān)的實(shí)際應(yīng)用場景。在“代碼分析”階段，系統(tǒng)實(shí)時反饋，引導(dǎo)學(xué)生思考代碼的邏輯和功能，詢問“在這段代碼中，哪個部分負(fù)責(zé)處理用戶輸入”，通過互動幫助學(xué)生理解代碼結(jié)構(gòu)和運(yùn)行機(jī)制。在“關(guān)鍵點(diǎn)撥”階段，平臺根據(jù)學(xué)生的輸入，識別出關(guān)鍵錯誤和知識盲點(diǎn)。系統(tǒng)不僅指出錯誤，還通過情境式的引導(dǎo)提出問題，激勵學(xué)生主動思考。在“詳細(xì)指導(dǎo)”階段，系統(tǒng)會根據(jù)學(xué)生的回答和學(xué)習(xí)進(jìn)度，提供個性化的學(xué)習(xí)資源推薦和解決方案。同時系統(tǒng)還給出詳細(xì)的示例，逐步展示解決方法的實(shí)現(xiàn)過程，幫助學(xué)生深入理解編程邏輯和語法規(guī)則，從而有效提升他們的編程能力和問題解決技巧。

（3）學(xué)生的模仿與獨(dú)立求解

①模仿階段。學(xué)生將教師提前布置的模仿練習(xí)題和課堂習(xí)題，借助AI智能導(dǎo)學(xué)的即時反饋功能反復(fù)練習(xí)，以掌握所學(xué)知識的核心要點(diǎn)。這種人機(jī)協(xié)同的學(xué)習(xí)方式，不僅極大地提升了學(xué)生的自信心，而且促使學(xué)生進(jìn)入心流狀態(tài)。

②獨(dú)立求解。平臺將通過大數(shù)據(jù)分析學(xué)生的“最近發(fā)展區(qū)”，通過智能化的分配原則為學(xué)生提供測試練習(xí)題，在學(xué)生的最近發(fā)展區(qū)內(nèi)提供適當(dāng)?shù)慕虒W(xué)支架。學(xué)生通過平臺獲得即時的反饋，并在可控的難度范圍內(nèi)解決問題，達(dá)成獨(dú)立編寫代碼。在此階段，虛擬助教的作用不再是引導(dǎo)，而是根據(jù)報(bào)錯，直接反饋詳細(xì)的解決方案，進(jìn)一步提升學(xué)習(xí)效率。為避免學(xué)生對智能助教的過度依賴，教師在個性化作業(yè)中限制學(xué)生使用助教平臺，要求其獨(dú)立完成調(diào)試和優(yōu)化任務(wù)。這樣，學(xué)生能夠在編程實(shí)踐中充分體驗(yàn)從錯誤中學(xué)習(xí)的過程，培養(yǎng)代碼優(yōu)化和項(xiàng)目管理能力。

3.課后：智能監(jiān)測與反饋

在教師端，平臺結(jié)合教師和學(xué)生的反饋數(shù)據(jù)，通過深度算法分析學(xué)生對特定知識點(diǎn)的提問頻率，為教師提供動態(tài)的教學(xué)反饋機(jī)制。當(dāng)一個班級中超過一半的學(xué)生對同一知識點(diǎn)提出疑問時，可能表明教師在該知識點(diǎn)的教學(xué)方法上需要進(jìn)一步改進(jìn)。這種基于數(shù)據(jù)的反饋不僅有助于教師實(shí)現(xiàn)教學(xué)瓶頸定位，還支持教師制訂專業(yè)建設(shè)戰(zhàn)略規(guī)劃，及時調(diào)整教學(xué)策略，以滿足學(xué)生的學(xué)習(xí)需求。

在學(xué)生端，通過知識點(diǎn)思維導(dǎo)圖，讓學(xué)生系統(tǒng)化理解課程內(nèi)容；通過容錯機(jī)制和記錄多輪對話答疑的功能精確識別每位學(xué)生的知識薄弱點(diǎn)，讓學(xué)生清晰了解自己在哪些方面需要加強(qiáng)學(xué)習(xí)；高容錯的精準(zhǔn)反饋機(jī)制促進(jìn)了學(xué)生的元認(rèn)知自我反思，同時也為教師提供了寶貴的信息，使其更好地指導(dǎo)學(xué)生的課后學(xué)習(xí)，進(jìn)一步實(shí)現(xiàn)學(xué)習(xí)風(fēng)險(xiǎn)預(yù)警。

結(jié)論

大語言模型為編程教育帶來了前所未有的機(jī)遇，其有助于進(jìn)一步發(fā)揮傳統(tǒng)教學(xué)方法的優(yōu)勢，并凸顯教師在教學(xué)過程中不可或缺的作用。經(jīng)實(shí)驗(yàn)驗(yàn)證，本文提出的融合大語言模型的三元一站式云編譯平臺為職業(yè)教育中的編程教學(xué)提供了有價值的參考。其主要優(yōu)勢如下：

第一，基于大語言模型及人機(jī)協(xié)同教學(xué)的特征，通過構(gòu)建統(tǒng)一數(shù)據(jù)存儲與處理架構(gòu)實(shí)現(xiàn)無縫切換的一站式集成環(huán)境，開展了人機(jī)協(xié)同的教學(xué)活動，提升教學(xué)的效率。

第二，基于大語言模型的三元一站式平臺的智能反饋，利用其LLM上下文功能（Context）+BiLSTM模型接口實(shí)現(xiàn)高容錯率的師生精準(zhǔn)反饋機(jī)制，有助于師生共同提升，形成持續(xù)的學(xué)習(xí)與教學(xué)反思機(jī)制。

當(dāng)前，本文開發(fā)的課程案例僅僅是初步的小規(guī)模應(yīng)用，為了全面評估這一教學(xué)模式的效果，在未來研究中還需進(jìn)一步針對編程課程的智能化教學(xué)進(jìn)行深入分析，不斷評估課程的適用性、學(xué)生的核心素養(yǎng)培育情況以及教師的適應(yīng)程度，進(jìn)而達(dá)到學(xué)與教全程智能化。

參考文獻(xiàn)：

[1]Wei J， Tay Y， Bommelsani R， et al.Emergent abilities of large language models[EB/OL].（2023-03-10）[2024-09-20].https：//arxiv.org/pdf/2206.07682.pdf.

[2]Goertzel， B. Artificial general intelligence： concept， state of the art， and future prospects[J].Journal of Artificial General Intelligence，2014，5（01）：1-46.

[3]Van Dis E A M， Bollen J， Zuidema W， et al. ChatGPT： five priorities for research [J].Nature，2023，7947（614）：224-226

[4]劉明，吳忠明，廖劍，等.大語言模型的教育應(yīng)用：原理、現(xiàn)狀與挑戰(zhàn)——從輕量級BERT到對話式ChatGPT[J].現(xiàn)代教育技術(shù)，2023，33（08）：19-28.

[5]趙月，何錦雯，朱申辰，等.大語言模型安全現(xiàn)狀與挑戰(zhàn)[J].計(jì)算機(jī)科學(xué)，2024，51（01）：68-71.

[6]Lee J， Yoon W， Kim S， et al. BioBERT： a pre-trained biomedical language representation model for biomedical text mining[J].Bioinformatics，2020，36（04）：1234-1240.

[7]Wang S， Liu Y， Xu Y， et al. Want to reduce labelling cost？ GPT-3 can help [J].arXiv preprint，2021.

[8]周琴，文欣月.智能化時代“AI+教師”協(xié)同教學(xué)的實(shí)踐形態(tài)[J].遠(yuǎn)程教育雜志，2020，38（02）：37-45.

[9]Reiser， R. A.， amp; Dempsey， J. V.（Eds.）.Trends and issues in instructional design and technology（4th ed.）[M].Boston：Pearson，2017.

基金項(xiàng)目：天津市教委科研計(jì)劃項(xiàng)目（人文社科類）“后疫情時代‘5G+XR’支撐下深度學(xué)習(xí)提升路徑的研究”（項(xiàng)目編號：2020SK169，負(fù)責(zé)人：張麗霞教授）。