GAI在职业院校编程教学中的应用模式与理论思考

　　文/章理登1） 林婷婷2） 陈锡锻1） 邱儒1） 1）浙江工贸职业技术学院人工智能学院 2）浙江工贸职业技术学院创新创业学院

　　摘要：近年来，生成式人工智能（generative artificial intelligence，GAI）在代码生成和自然语言交互等方面取得显著突破。新工科背景下，职业院校亟须培养具备扎实理论基础和实践创新能力的复合型技术人才，但传统编程教学模式面临大班授课、内容更新滞后和实践环节不足等挑战，难以满足学生个性化学习和培养实践能力的需求。为应对上述问题，本文基于建构主义、掌握学习和维果茨基社会文化理论，提出了“分层干预—人机协同”教学模式，在提升学生编程效率的同时，实现实践能力与思维能力的强化。在两门课程中的准实验研究结果表明，该模式不仅使学生的终结性考核分数提高7.9%，还有效缓解了GAI依赖而导致的能力退化风险。最后，本文进一步讨论了该模式在产教融合中的应用前景以及后续研究。

　　关键词：生成式人工智能；编程教学；职业院校；职业教育

　　引言

　　随着人工智能技术的迅速发展，生成式人工智能（generative artificial intelligence，GAI）[1]已在自然语言处理、代码生成、逻辑推理和调试优化等多个领域展现出强大能力。GAI正逐步应用于软件开发全流程，为提升代码编写效率、工程文档规范以及项目管理提供了全新工具。然而，传统的职业院校编程教学模式主要依赖课堂讲授和教师手把手指导，往往存在授课内容陈旧、个性化指导不足、实践操作环节薄弱等问题，难以适应新工科[2]对复合型技术人才培养的需求。与此同时，部分实践中引入GAI辅助教学虽然在一定程度上提高了编程效率，但也出现了学生对GAI工具过度依赖、编程能力下降等风险。

　　因此，如何在教学中充分发挥GAI的优势，同时防范技术依赖带来的负面效应，成为当前职业院校编程教学改革亟待解决的重要课题。基于此，本文提出了以下研究问题：一是GAI在职业院校编程教学中可能带来的优势与潜在风险是什么？二是如何构建一种兼顾高效与认知深度的“分层干预—人机协同”教学模式？三是该模式在实际教学环境中的效果如何，能否有效缓解认知退化风险并提升学生实践能力？

　　为回答上述问题，本文首先对GAI在职业教育中的应用现状与挑战进行文献综述，结合建构主义[3]、掌握学习[4]及维果茨基社会文化理论构建理论[5]框架；然后，在软件专业的两门Java课程中开展准实验研究，通过对比实验组与对照组的过程性评价和终结性考核表现，验证该模式的有效性；最后，针对研究发现提出进一步优化策略并展望未来研究方向。

　　1. 文献综述与理论基础

　　近年来，GAI的快速发展正在深刻改变职业教育的生态格局，通过其强大的自然语言处理和深度学习能力，能够显著提升教学效率。例如，GAI可以生成高质量教学内容、自动化评估学生作业，并通过情境模拟为学生提供沉浸式学习体验[6]。这为学生提供了更多自主学习的机会，尤其是在编程和职业技能培训等领域[7-8]。

　　然而，GAI在职业教育中的应用也带来了新的挑战。技术的快速迭代使得教育资源的更新速度难以跟上技术发展的步伐，可能导致教学内容的滞后性[9]，并且GAI的使用可能引发伦理和隐私问题，如数据泄露和生成内容的版权争议[10]。

　　为解决技术辅助与学生自主认知构建之间的矛盾，本文借鉴了三大经典教育理论，构建了“分层干预—人机协同”教学模式。

　　一是建构主义理论。建构主义主张学生应在真实情境中主动构建知识，而不是被动接受教师灌输。GAI作为外部辅助资源，其主要价值在于激发学生思考、辅助解决问题。

　　二是掌握学习理论。掌握学习理论强调“因材施教”和“分层教学”，主张根据学生的认知水平和学习进度进行个性化教学。职业院校学生在编程学习中存在能力参差不齐的现象，通过分层干预，可以确保不同层次的学生都能在适宜难度下获得有效提升。

　　三是维果茨基社会文化理论。维果茨基提出的“最近发展区”理论强调，通过师生互动、同伴合作以及利用工具进行外部辅助，可以促进学生从当前认知水平向更高水平迈进。GAI在此过程中既是信息获取的媒介，也是认知激发的重要载体，通过人机协同教学，能够在教师的引导下实现知识内化与认知提升的双重目标。

　　本文提出的“分层干预—人机协同”教学模式，旨在通过整合GAI与系统化教学干预，构建一个“技术—认知—反馈”闭环的动态平衡模型，从而确保在技术激活学生学习热情的同时，通过分层指导与动态反馈有效防控认知退化风险。

　　2. “分层干预—人机协同”教学模式构建

　　“分层干预—人机协同”教学模式以提升编程效率为目标，同时注重保障学生对底层逻辑的深入理解和自主调试能力的培养。模式实施可分为以下三个环节。

　　在技术激活环节，学生在接到编程任务后，须先独立对问题进行分析，形成初步解决方案，然后借助GAI获取代码生成、调试建议或相关文档辅助。此环节的核心在于要求学生先行独立思考，避免因直接调用GAI而形成依赖，从而保证学生对问题本质的初步把握和自主探索意识的激发。

　　在认知加工环节，教师通过分层干预策略对学生使用GAI后的思考过程进行有针对性的指导。具体来说，对于基础层次的学生，教师要求其在使用GAI前必须书面提交解题思路和方案，重点引导学生关注语法规则、代码逻辑以及底层原理；对于中级层次的学生，教师则通过分步任务、小组讨论和案例分析等方式，促使学生对GAI输出的结果进行逻辑推演和批判性思考；而对于具备较高认知水平的学生，则通过项目式实践和跨模块综合应用，鼓励他们探索多种解决方案，并对GAI生成结果进行深入分析和优化（如表1所示）。此环节的核心在于通过教师及时、分层次的干预和反馈，强化学生对GAI输出内容的理解和内化，防止知识仅停留在“表层复制”。

　　在最后的反馈调整环节，完成整个教学模式的闭环。在这一环节，教师根据课堂讨论、作业批改、学生学习日志和代码注释等多元数据，及时捕捉学生在使用GAI过程中可能出现的认知偏差和依赖倾向，并通过个别辅导、课堂点评和阶段性测评等方式进行针对性调整。通过这种动态反馈机制，教师不仅能够确保每位学生在技术辅助下保持自主思考，还能不断优化教学方案，逐步提升整体教学效能。

　　整体来看，“分层干预—人机协同”教学模式以“工具辅助—分层干预—动态反馈”为流程主线，通过不同层次的教学干预，充分调动了学生的主动性和创造性，使得GAI不仅仅停留在简单的代码生成层面，而成为激发学生认知、提升实践能力的重要工具。该模式既强调了技术工具的优势，又注重防控因工具依赖而导致的技能退化风险，有效实现了技术先进性与教学有效性之间的动态平衡。

　　3. 实证研究

　　3.1 实验设计与实施

　　为验证“分层干预—人机协同”教学模式的有效性，本文在浙江工贸职业技术学院2023级软件专业开展实验研究。选取数据结构相同、师资配置均衡的两个平行班（各34人）作为实验组（A班）和对照组（B班），在Java系列课程中实施差异化教学干预。

　　本文采取“非等组前后测”准实验研究设计，实验周期为一学期，分别涵盖“Java程序设计基础”和“Java Web应用开发”两门衔接课程，形成自然对照场景。在前置课程中，实验组仅进行GAI的基础使用，未采用系统化教学干预；在后续课程中，实验组则全面实施了“分层干预—人机协同”教学模式，对照组全程采用传统教学方法。通过对比两组学生的过程性评价和终结性考核表现，验证分层干预机制的有效性。

　　3.2 数据采集与分析

　　本文构建了一个多维度评价体系，其中包括过程性评价和终结性考核。两阶段教学实验数据统计结果如表2所示。

　　3.3 实验结果解读

　　实验数据显示，在未进行分层干预时，实验组的过程性评价明显优于对照组，但终结性考核成绩则呈现较大负差异。这说明GAI的初步应用虽然有助于短期内完成任务，但也可能导致学生产生一定的技术依赖，从而削弱了其独立解决问题的能力，验证了文献中关于认知退化风险的观点。随着“分层干预—人机协同”教学模式的实施，实验组在过程性评价和终结性考核两个方面均表现出明显优势。相较于对照组，实验组在过程性评价中提高了6.8%，在终结性考核中提高了7.9%。总体来看，实验结果较好地支持了“分层干预—人机协同”教学模式，证明该模式可以有效地将GAI从单纯的效率工具转变为促进认知发展的媒介。

　　结语

　　本文基于建构主义、掌握学习和社会文化理论构建的“分层干预—人机协同”教学模式，不仅发挥了GAI在提高教学效率方面的优势，更在理论上确保了学生自主认知构建和独立调试能力的培养。在这一模式下，教师不仅是知识的传递者，更是学生认知过程的引导者和监督者。

　　在实践层面，通过对两门Java课程的准实验研究验证了系统化干预在平衡技术效率与学生自主认知发展中的有效性。同时，本研究存在样本规模较小、周期较短以及未深入探讨学生个体差异等局限性，这些都为后续研究提供了进一步探索的方向。

　　未来，随着GAI的不断完善和职业教育信息化的加速推进，“分层干预—人机协同”教学模式在产教融合以及大数据驱动的个性化学习指导等领域具有广阔的拓展空间，为职业教育的持续创新提供有力支持。

　　参考文献：

　　[1]DeepSeek-AI,Guo DY,Yang DJ,et al.Deepseek-r1: Incentivizing reasoning capability in llms via reinforcement learning[EB/OL].(2025-01-22)[2025-04-20].https://arxiv.org/abs/2501.12948v1.

　　[2]杨凡,汤书昆.“新工科”的哲学阐释——中国传统哲学的视角[J].高等工程教育研究,2018,66(6):4-10.

　　[3]琼·皮亚杰,傅统先.发生认识论[J].教育研究,1979(2):86-91,96.

　　[4]Block JH,Burns RB.Mastery learning[J].Review of research in education,1976,4:3-49.

　　[5]Vygotsky L S.The collected works of L.S.Vygotsky: Problems of the theory and history of psychology[M].Springer Science & Business Media,2012.

　　[6]顾小清,王成梁,王培均,等.生成式人工智能赋能教学的机制、需求与路径[J].中国教育学刊,2025(4):15-22.

　　[7]宋永磊,罗江华.AIGC赋能职业教育数字资源服务的愿景,挑战与路径[J].中国职业技术教育,2024,(17):27-33.

　　[8]陆军.人工智能技术在高职院校课程教学中的应用研究——以Python程序设计课程为例[J].大学教育,2024(18):89-92.

　　[9]林峰.人工智能技术对高职计算机类专业教学的影响[J].武汉工程职业技术学院学报,2024,36(1):92-95.

　　[10]王悦晓,郝天聪.生成式人工智能赋能职业教育变革：挑战与现实路径[J].教育与职业,2025(4):14-20.

　　作者简介：章理登，硕士研究生，助教，zld0330@zjitc.edu.cn，研究方向：计算机教育和计算机视觉；陈锡锻，硕士研究生，讲师，研究方向：信号与信息处理，人体目标姿态估计；林婷婷，硕士研究生，讲师，研究方向：创新创业教育、区域发展；邱儒，硕士研究生，讲师，研究方向：计算机视觉与深度学习。

　　基金项目：2022年浙江工贸职业技术学院校级课题——基于企业工匠坊的双创能力培养模式探索“索思工匠坊”实践（编号：纵20220041）；2023年度浙江工贸职业技术学院校级课题——基于Transformer框架的图像增强算法研究（编号：纵20230007）。