摘要：本文基于大語言模型的強大語言處理與生成能力，構(gòu)建了三元一站式教學模式，以“師—機—生”協(xié)同為核心，通過課前智能備課、課堂人機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)編程教學在實時反饋和個性化支持方面的不足。研究表明，該模式在提升學生編程素養(yǎng)、增強學習體驗方面具有顯著優(yōu)勢，為職業(yè)教育中的編程教學創(chuàng)新提供了理論依據(jù)與實踐指導。

關鍵詞：大語言模型；編程教學；職業(yè)教育；人機協(xié)同

中圖分類號：G434" 文獻標識碼：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《基礎教育課程教學改革深化行動方案》提出“積極推進人工智能、大數(shù)據(jù)、5G等新技術(shù)與教師隊伍建設的融合，加快形成新技術(shù)助推教師隊伍建設的新路徑和新模式”。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輔助學習平臺與學科核心素養(yǎng)，設計了一個面向高職的編程教學模式，探索提升學生編程素養(yǎng)和實踐能力的有效策略，探討LLM在高等職業(yè)教育計算機專業(yè)編程課程中的融合應用，以期為教育技術(shù)學領域的學術(shù)研究和實踐應用提供參考。

大語言模型與編程教學的研究現(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，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)標志著AGI領域邁入了一個嶄新的發(fā)展階段。LLM通過深度神經(jīng)網(wǎng)絡技術(shù)對大規(guī)模文本數(shù)據(jù)進行向量化表達和生成概率建模，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)、人機對話協(xié)同學習及以素養(yǎng)為基礎的教育評估提供了堅實的技術(shù)基礎。當下，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)濟效益。

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

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

融合LLM的三元一站式編程教學模式

1.理論基礎

本研究提出的“三元一站式”編程教學模式，綜合運用了多種教育理論，主要包括成果導向教育理念（Outcome-Based Education，OBE）、支架式教學（Scaffolding Instruction）、心流理論（Flow Theory）、人機協(xié)同理論（Human-Computer Collaboration）、元認知學習理論（Metacognitive Learning Theory）和自適應學習理論（Adaptive Learning Theory）。

基于多元理論構(gòu)建的“三元一站式”編程教學模式，強調(diào)理論與實踐緊密結(jié)合，強調(diào)人機協(xié)同與個性化學習的創(chuàng)新應用，確保教學活動的科學性、靈活性和有效性。各理論相互作用，共同支撐本模式的設計與實施，保障了教學過程與理論基礎的有機統(tǒng)一。

2.教學模式框架

經(jīng)過前期的調(diào)研和訪談獲知，當前學生在學習編程課程時的痛點是經(jīng)常出現(xiàn)“習得性無助”，也就是學生在課堂上能聽懂教師的講解，但是在獨立編程時卻無從下手。而且，學生在學習的過程中，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，才能逐步過渡到獨立編寫程序。由此，為解決學生的痛點，本研究提出了以“師—機—生”三元協(xié)同為基礎的教學模式，將教學過程分為課前、課中和課后三個階段。通過課前的智能化備課、課中的人機協(xié)同教學與課后的反饋機制，強調(diào)人機協(xié)同與學生的自主學習能力提升。該教學模式的結(jié)構(gòu)如圖1所示。

3.實現(xiàn)條件

（1）物理環(huán)境

《國家職業(yè)教育改革實施方案》強調(diào)了高水平職業(yè)學校建設的重要性，同時，教育部啟動的人工智能賦能教育行動，為教學模式的智能化提供了技術(shù)支撐?！堵殬I(yè)教育產(chǎn)教融合賦能提升行動實施方案（2023—2025年）》進一步明確了產(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，都已積極建設了新一代計算機實驗室，用于提升教育教學質(zhì)量和培養(yǎng)學生的實踐能力。

（2）軟件環(huán)境

當前，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。通過垂直訓練，進一步優(yōu)化了其在特定教學場景下的表現(xiàn)，確保了教學內(nèi)容的精準性和互動性。

融合LLM的三元一站式編程教學過程

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

1.課前：智能評判自主學習

教師通過BiLSTM與Kimi（Transformer）模型組合對收集的數(shù)據(jù)進行深度分析，生成個性化的學情畫像，進而精準制訂教學目標。平臺基于這些教學目標對教師上傳的教學資源進行深度知識訓練，生成與課程內(nèi)容相關的知識圖譜，為學生構(gòu)建清晰的知識框架，確保教學內(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)化為貼近學生日常生活的實際情境或案例，以激發(fā)學生的主動思考與深度理解。隨后，根據(jù)這些案例設計相應的代碼，將其作為閱讀程序的作業(yè)，旨在培養(yǎng)學生的編程思維和對代碼的理解能力。

學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)學生的操作數(shù)據(jù)生成學情畫像，并提供個性化的學習資料。

2.課中：智能式雙師課堂

在三元機制的人機協(xié)同課堂中，教師需要分清哪些是可重復的、線性的教學任務由智能助教取代的，哪些是需要自身承擔的。通常，知識與技能屬于可通過反復記憶或者練習習得的，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，三元機制的教學過程需要對教學任務的角色精準定位，即滿足分析數(shù)據(jù)化（智能助教）、教學精細化（教師）、人機協(xié)同化（師生機）三個基本條件。

（1）教師的講解與引導

①課前作業(yè)講解。首先對課前布置的代碼作業(yè)進行功能講解，并圍繞課程預設的問題，引導學生進行獨立思考和問題分析。不同于傳統(tǒng)的編寫代碼練習，本階段強調(diào)學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)動的學習模式借鑒了基于問題學習（Problem-Based Learning，PBL）的理論，意在通過真實問題情境的設計，激發(fā)學生的學習動機和批判性思維。在問題分析過程中，學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，教師可通過點名加分等方式鼓勵學生積極回答問題，實時了解學生的學習狀況。

②課中輔導。如果學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進行問題補充解決，確保每個學生都能夠完成代碼實踐任務。

③舉一反三的知識點練習布置。在學生掌握了基本概念后，教師設計了“先僵化—后優(yōu)化—再固化”的學習路徑，通過布置具有相似問題模型的代碼任務，推動學生實現(xiàn)知識遷移與舉一反三。

④代碼審查。教師重點關注代碼的風格、命名規(guī)范以及可讀性，確保學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。對于那些可能依賴大語言模型生成的作業(yè)，應進一步追問學生的編程思路和設計依據(jù)，幫助學生總結(jié)所學知識，避免人工智能生成內(nèi)容（簡稱“AIGC”）帶來的依賴風險。

（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)聽學生的輸入信息，進行多輪啟發(fā)式輔導，引導學生逐步思考解決方法。其過程主要包括“智能審題—代碼分析—關鍵點撥—詳細指導—解決方案”五步循環(huán)，引導學生理解代碼的邏輯和語法錯誤。

在“智能審題”階段，系統(tǒng)能分析學生的提問，識別出關鍵要素和潛在問題，通過實時互動提供情境式引導，創(chuàng)造出與編程學習相關的實際應用場景。在“代碼分析”階段，系統(tǒng)實時反饋，引導學生思考代碼的邏輯和功能，詢問“在這段代碼中，哪個部分負責處理用戶輸入”，通過互動幫助學生理解代碼結(jié)構(gòu)和運行機制。在“關鍵點撥”階段，平臺根據(jù)學生的輸入，識別出關鍵錯誤和知識盲點。系統(tǒng)不僅指出錯誤，還通過情境式的引導提出問題，激勵學生主動思考。在“詳細指導”階段，系統(tǒng)會根據(jù)學生的回答和學習進度，提供個性化的學習資源推薦和解決方案。同時系統(tǒng)還給出詳細的示例，逐步展示解決方法的實現(xiàn)過程，幫助學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）學生的模仿與獨立求解

①模仿階段。學生將教師提前布置的模仿練習題和課堂習題，借助AI智能導學的即時反饋功能反復練習，以掌握所學知識的核心要點。這種人機協(xié)同的學習方式，不僅極大地提升了學生的自信心，而且促使學生進入心流狀態(tài)。

②獨立求解。平臺將通過大數(shù)據(jù)分析學生的“最近發(fā)展區(qū)”，通過智能化的分配原則為學生提供測試練習題，在學生的最近發(fā)展區(qū)內(nèi)提供適當?shù)慕虒W支架。學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，達成獨立編寫代碼。在此階段，虛擬助教的作用不再是引導，而是根據(jù)報錯，直接反饋詳細的解決方案，進一步提升學習效率。為避免學生對智能助教的過度依賴，教師在個性化作業(yè)中限制學生使用助教平臺，要求其獨立完成調(diào)試和優(yōu)化任務。這樣，學生能夠在編程實踐中充分體驗從錯誤中學習的過程，培養(yǎng)代碼優(yōu)化和項目管理能力。

3.課后：智能監(jiān)測與反饋

在教師端，平臺結(jié)合教師和學生的反饋數(shù)據(jù)，通過深度算法分析學生對特定知識點的提問頻率，為教師提供動態(tài)的教學反饋機制。當一個班級中超過一半的學生對同一知識點提出疑問時，可能表明教師在該知識點的教學方法上需要進一步改進。這種基于數(shù)據(jù)的反饋不僅有助于教師實現(xiàn)教學瓶頸定位，還支持教師制訂專業(yè)建設戰(zhàn)略規(guī)劃，及時調(diào)整教學策略，以滿足學生的學習需求。

在學生端，通過知識點思維導圖，讓學生系統(tǒng)化理解課程內(nèi)容；通過容錯機制和記錄多輪對話答疑的功能精確識別每位學生的知識薄弱點，讓學生清晰了解自己在哪些方面需要加強學習；高容錯的精準反饋機制促進了學生的元認知自我反思，同時也為教師提供了寶貴的信息，使其更好地指導學生的課后學習，進一步實現(xiàn)學習風險預警。

結(jié)論

大語言模型為編程教育帶來了前所未有的機遇，其有助于進一步發(fā)揮傳統(tǒng)教學方法的優(yōu)勢，并凸顯教師在教學過程中不可或缺的作用。經(jīng)實驗驗證，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協(xié)同教學的特征，通過構(gòu)建統(tǒng)一數(shù)據(jù)存儲與處理架構(gòu)實現(xiàn)無縫切換的一站式集成環(huán)境，開展了人機協(xié)同的教學活動，提升教學的效率。

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模型接口實現(xiàn)高容錯率的師生精準反饋機制，有助于師生共同提升，形成持續(xù)的學習與教學反思機制。

當前，本文開發(fā)的課程案例僅僅是初步的小規(guī)模應用，為了全面評估這一教學模式的效果，在未來研究中還需進一步針對編程課程的智能化教學進行深入分析，不斷評估課程的適用性、學生的核心素養(yǎng)培育情況以及教師的適應程度，進而達到學與教全程智能化。

參考文獻：

[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].計算機科學，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)同教學的實踐形態(tài)[J].遠程教育雜志，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.

基金項目：天津市教委科研計劃項目（人文社科類）“后疫情時代‘5G+XR’支撐下深度學習提升路徑的研究”（項目編號：2020SK169，負責人：張麗霞教授）。