大模型赋能的Python 程序设计基础教学改革

作者简介：郝永静（1993.01—），女，汉族，山东济南人，博士研究生，讲师，主要研究方向为人工智能、数据挖掘。基金项目：2025年度江苏省教育科学规划课题重点课题“地方高校人工智能通识教育交叉融合教学资源建设”（202501108）。999Sep16··第42卷第期2026年月ITREPORT2,No.,20261Python基础教学现状与问题分析当前多数高校Python课程仍沿用“理论讲解+实验操作”的传统模式，这一模式在保障基础知识系统性的同时，面对多样化与复杂化的教学场景，其局限性日益凸显，具体体现在以下四个方面：1.1课程内容陈旧，脱离应用实际目前许多高校的Python课程仍聚焦于语法基础、数据结构与常规算法练习，例如判断语句、循环结构、排序算法等。这些内容虽为编程入门所必需，但大多缺乏与真实问题场景的关联，难以激发学生兴趣。1.2教学方式单一，缺乏即时互动传统课堂以教师讲授为主，教学过程呈线性推进，学生处于“被动接收”状态，缺乏对知识点的即时提问、实践与反馈的机会。这种方式不利于编程中“试错—修正—反馈—迁移”的学习循环。1.3学生差异性大，难以因材施教Python作为通识课程面向文、理、工等各类学生群体，不同专业学生的编程背景存在显著差异。有的学生具备较强的逻辑思维和编程经验，而另一些则是完全零基础。这种差异使得统一教学进度往往“顾此失彼”。以上问题的存在，引发了以下思考：在新时代背景下，如何借助人工智能技术，尤其是具备自然语言交互能力与代码理解能力的大语言模型，协助优化教学资源配置、提升教学互动性与个性化水平，从而推动Python教学体系的转型升级。2大模型赋能教学的理论基础从教学理论角度，大语言模型赋能编程教学的合理性体现在以下几个维度：2.1建构主义学习理论的支撑建构主义认为，知识不是教师传授的结果，而是学生基于已有经验、在具体问题情境中主动建构的产物。在编程教学中，这种建构过程尤为重要——学生需要通过反复实践、调试与改进，逐步掌握编程的思维方式与问题解决能力。大语言模型（如ChatGPT、DeepSeek等）通过自然语言交互，为学生创造出一种“类导师”的即时对话式学习环境。这种人机交互不仅能回答问题，还能引导学生分析问题背后的原理，从而激发其主动思考与深度学习。2.2混合学习理念的融合混合学习（BlendedLearning）［5］是一种结合线上与线下、教师指导与自主学习的教学模式，强调学习的灵活性、个性化与多元交互。大语言模型的引入，为混合学习路径的构建提供了新的支点。在Python教学中，教师可设计“任务驱动式”的课前学习活动，让学生在模型辅助下进行初步预习（如语法理解、环境配置），将课堂时间留给难点解析与实践指导；课中可结合模型辅助编程、即时答疑，实现差异化支持；课后则通过模型辅助复习、扩展练习、错题讲解等，延伸学习深度。2.3智能辅导系统理论的延伸智能辅导系统（IntelligentTutoringSystems,ITS）［6］起初多以结构化知识图谱为核心，提供较为规则化的指导。传统ITS对开放性问题和非标准输入的处理能力有限。而大语言模型作为具备强语义理解能力的“泛用型ITS”，则突破了这一限制。大模型支持“非结构化自然语言输入+结构化编程任务输出”的过程。例如，学生可以用模糊的语言描述问题：“我想让一个程序统计每个单词出现次数”，模型可以解析其意图，输出清晰、可运行的Python代码，甚至进行注释和优化建议。这种即时响应与动态反馈构成了高度智能化的个性化教学支持。综上所述，建构主义、混合式学习及智能辅导系统这三大理论维度，为大语言模型深度融入编程教学提供了坚实的理论基石。它已不再仅仅是“辅助工具的补充”，而正在成为“教学机制的重塑者”。3大模型在Python教学中的融合路径与实践方式在教学改革实践中，围绕“内容重构、方式革新、能力分层、反馈机制”四个方面开展大模型融合的具体应用。3.1基于任务驱动的内容重构传统Python教学多以语法点为序推进，如“第1章变量与数据类型”“第2章分支结构”等，知识割裂、脱离实际，难以激发学生的学习动机。任务驱动教学（Task-basedLearn-ing）则主张以具体、完整、有意义的任务为中心，推动学生在解决问题的过程中主动建构知识。引入大语言模型后，任务设计的门槛大大降低，教师可借助模型快速生成涵盖语法点的项目实例，并提供可供修改的代码模板。例如：在讲解“条件判断”时，设计任务为“开发一个猜数字游戏”，模型可生成基础框架代码；在学习“API调用”时，任务为“编写一个天气查询程序”，模型可自动调用第三方接口并注释说明；在数据分析模块中，引导学生“使用Pandas和Matplotlib实现一个数据可视化仪表盘”，让学生体会编程在真实数据处理中的价值。这种以“真实应用”为牵引的教学设计，将碎片化知识转化为能力构建路径，激发学生的问题意识和动手热情，同时降低了教师开发任务的负担，极大提升了教学效能。3.2基于人机对话的教学方式创新传统教学中，学生常因“问题卡壳”或“思路中断”而停止学习，教师难以覆盖所有个体。而大语言模型具备语义理解与代码生成能力，能够在学生“提出问题—生成方案—验证运行—修改完善”的过程中提供对话式支持，重构教学流程。具体教学组织形式可包括：对话式编程练习：教师布置任务，学生通过与模型对话逐步完成，如“请帮我写一个能统计文本中单词频率的程序，并解释每一行代码”；小组对话挑战：学生分组与模型合作完成某一编程项目，期间记录每次交互与调整思路，最后进行展示与复盘；编程接龙游戏：每位学生向模型提出一段代码后，下一位在此基础上拓展功能，实现逻辑连贯与代码协同，提升编程思维灵活性。这类教学方式强化了“提问—探索—反馈—迁移”的学习链条，提升了学生的参与感、主动性与协作意识，突破了“教师主讲、学生聆听”的传统模式。3.3基于能力分层的个性化学习机制Python通识课程面对的是一个高异质性的学生群体：有的学生从未接触过编程，有的则已经完成了若干项目。这对999Sep17··第42卷第期2026年月ITREPORT,No.,202教学的适应性与公平性提出了挑战。在大模型支持下，可以设计“能力分层+动态支持”的个性化学习机制，具体做法如下：将学习资源与任务分为“初级—中级—进阶”三类学习包，内容覆盖基础语法、模块开发、项目集成等不同层次；学生根据自身情况选择学习包，或由模型辅助评估其当前水平后自动推荐合适的学习路径；初级学习者可以请求模型解释基本语法，如“为什么for循环中要用range？”；中级学生可请求代码优化建议，如“这段函数能不能更简洁一些？”；高阶学习者可尝试模块化编程、接口调用、性能调优等高级任务，并借助模型进行技术咨询与验证。通过这一机制，不同水平的学生都能获得适配其能力发展的学习支持，实现“同课异构、因材施教”的目标。4问题与挑战尽管大模型赋能教学展现出明显优势，但在实际操作中仍面临如下挑战：4.1学生过度依赖与思维惰化风险在引入大模型辅助后，部分学生在遇到困难时倾向于直接向模型请求答案，而非进行自主思考。这种依赖性行为可能导致编程过程中出现“跳过思维”的现象，学生直接复制代码而未进行充分理解，削弱了学生独立解决问题的能力，可能对其长远的编程思维发展产生不利影响。4.2模型输出的稳定性与准确性问题大模型在实际应用中可能由于上下文理解偏差、语境解释错误等因素产生“幻觉”（hallucination）［7］，即生成的内容表面上看似合理，但实际上存在错误。此外，还可能在概念解释中出现知识混淆或误导。这些错误不仅影响模型的输出质量，还可能误导用户的理解和决策，因此在实际应用中需要特别注意模型的可靠性和准确性。4.3现有评估体系的滞后性现有评估难以衡量学生是否能够正确引导模型生成有用信息，是否具备对模型输出进行批判性判断的能力，以及是否能够在模型辅助下形成个性化的问题解决路径。因此，传统的评估标准未能充分反映学生在利用AI工具进行学习时所展示的认知和思维能力的提升。5教学改革建议与未来展望为深入推进以大模型为核心的教学改革，应从以下几方面持续发力：5.1构建“人—机—师”协同的教学生态该生态旨在通过教师、学生和智能模型的协同作用，提升教学效果。在这一框架中，教师负责提供系统的知识框架和教学方法引导，引导学生理解和掌握核心概念。学生则通过与模型的交互，进行实际问题的探索与实践，培养创新思维和解决问题的能力。智能模型在这一过程中充当辅助角色，提供实时反馈、自动化答疑以及资源拓展，帮助学生快速掌握并应用知识。三方的紧密合作形成一个闭环，不仅提升了教学的互动性，也增强了学习的针对性和个性化。5.2推进本地化AI教学工具的建设为了确保教学过程中数据的可控性和隐私保护，推进本地化AI教学工具的建设显得尤为重要。通过开发本地部署版的大模型教学助手，可以实现API调用的完全可控，避免依赖外部云端服务可能带来的技术中断或数据安全问题。此外，本地化工具可以更好地适配教育场景，针对不同学科和教学需求进行定制化设计，确保工具的功能性和灵活性。同时，学生的数据和学习过程能够在本地存储与管理，避免个人信息泄露，确保符合教育隐私和数据保护相关法律法规。5.3完善面向AI时代的教学评价体系传统的教学评价体系往往侧重于学生的知识掌握情况，如考试成绩和作业完成度。然而，在AI辅助教学环境下，评价体系需要更加注重学生的“AI辅助能力”和“解决问题能力”。“AI辅助能力”评估学生如何有效利用智能工具进行学习与思考，“解决问题能力”则侧重学生如何在问题的探索过程中表现出创新性与自主性。新的评价体系可以结合自评、互评，以及智能模型对学生表现的分析，从多维度对学生进行全面评估。这不仅能够反映学生在实际应用中取得的进步，还能帮助教师针对每个学生的特点和学习需求提供更有针对性的支持。6结语在Python程序设计的教学中，教师可以借助大模型提供的智能辅助，实现个性化教学、实时反馈与数据驱动的教学决策，从而更好地满足新时代学生的多样化学习需求。通过科学的设计与合理的引导，学生能够根据自身的学习进度和兴趣，选择适合的学习路径，提升其编程思维和解决问题的能力。然而，单一的学科应用已无法满足大模型全面赋能教育的潜力。未来，应进一步拓展大模型在其他计算机基础课程中的应用边界，尤其是数据结构、算法分析、操作系统等领域。通过跨学科的AI应用，能够实现教学内容的动态更新和知识的深度挖掘，进而推动智能教育的发展，达到从辅助教学到深度融合的转变。参考文献：［1］马卓,夏玲玲,朱涛,等.基于人机智能协同的Python程序设计课程教学设计与实践［J］.计算机教育,2025(11):257-261.［2］胡晓女,李涛,李姗姗.人工智能大语言模型数据集现状和充实对策研究［J］.大数据,2025,11(06):57-71.［3］张新新.“人工智能+”出版：AIGC研究进展述评-基于《国务院关于深入实施“人工智能+”行动的意见》视角［J/OL］.上海理工大学学报(社会科学版),1-11.(2025-11-27)［2026-01-02］.https://doi.org/10.13256/j.cnki.jusst.sse.251022605.［4］刘备,谭文斌.AI时代背景下C++面向对象程序设计课程教学改革探索［J］.大学教育,2025,(22):15-19+29.［5］张臣文.混合学习效果及影响因素研究——以H校现代教育技术课程混合学习为例［J］.长春教育学院学报,2024,40(01):66-74.［6］高利鹏,蔡文静,郑炜,等.基于大模型和知识图谱的智能辅导系统在软件测试课程混合教学中的应用与实践［J/OL］.软件导刊,1-8.(2025-08-14)［2026-01-02］.https://link.cnki.net/urlid/42.1671.TP.20250814.1517.020.［7］李自拓,孙建彬,陈广州,等.大语言模型幻觉检测方法综述［J］.计算机研究与发展,2026,63(01):123-146.999Sep18