当编写代码不再是挑战时的计算教育

《Communications of the ACM》：Computing Education When Writing Code Is No Longer the Challenge

　　

想象一下我们要再坚守一代人的防线，禁止在计算教育中使用生成式人工智能（GenAI），并避免重新制定目标、作业、评估、课程和课程体系的繁重工作。2040 年，学生来到我们的 CS1（计算机入门课程）讲座时，已经像当今的“数字原住民”依赖无处不在的互联网接入和通信工具一样，依赖着这些工具。继续遵循悠久传统，我们要求他们计算平均降雨量或检查字符串是否为回文。我们真的相信在这样的世界里，我们的学生能学到任何有价值的东西吗？

忽略生成式人工智能不是选项。除非我们能为大型基于项目的编程作业提供安全环境，否则禁令无法奏效，而在如此限制性的体制下接受教育的学生，相对于那些与生成式人工智能导师互动的学习者，将处于劣势。我们不能通过假装生成式人工智能不存在来为学生在行业或学术界准备职业生涯。事实上，规范已经转变为学生和专业工程师使用这些工具。今天我们没有人称自己为编译器辅助程序员，未来的软件工程师也不会称自己为人工智能辅助程序员。

作为教育者，我们有责任适应这一 rapidly changing（ rapidly changing 意为快速变化的）技术环境。事实上，我们在此建议的许多变革，在生成式人工智能出现之前就已经讨论了数年。虽然我们都不满意生成式人工智能（革）命的时机或紧迫性，但作为一个学科，我们应该明智到不让这场危机被浪费。

编写代码不再是挑战

目前的大多数课程都基于编写代码是挑战性任务这一观念。然而，随着生成式人工智能的出现，代码的生产不再是学生或专业工程师的瓶颈。相反，关键挑战在于代码生产之前和之后。在规格说明和设计领域，我们受到以足够精度表达预期成果能力的挑战。在代码生产之后，我们受到理解代码、评估代码质量以及验证整体正确性和可信度难度的挑战。拥抱这些挑战将使我们的入门课程发挥其全部潜力，让学生能够从事整合所有这些能力的复杂且有意义的项目。面对生成式人工智能，保持我们的课程成果、活动和评估不变，并不能很好地服务我们的学生。

多年来，我们已经知道并讨论了这些问题的某些方面。例如，早在 1988 年，Harlan Mills 就严厉批评了我们教授语法（同时忽略组合）的方式。生成式人工智能既促成了又迫使了这种长期推迟的关注点转移。

重新思考计算教育的核心

入门编程（CS1）课程的变更最为紧迫；应根据我们机构政策所能调动的最大速度来实施。但那些变更的范围不应止步于入门编程。当我们把重点从生成代码转向规格说明、设计和验证等更高水平的技能时，我们将发现机会在整个课程中关注更高水平的概念。我们认为，核心“计算教育”的学习成果必须聚焦于理解、规格说明、可用性、设计、质量、验证和确认。我们预计这种核心计算教育将适用于整个相关计算学科家族。规格说明和验证在数据科学、软件工程和计算生物学中与在一般计算机课程中一样有价值。

这种核心计算教育序列的许多重点可以描述为“提升”我们学生和我们学科的能力。为了有效使用生成式人工智能、在行业取得成功、与学术界同事交流或理解不断变化的技术，我们的学生需要对核心能力有更深入的理解，并更精确地使用计算词汇。让我们教学生如何在人类指导下有效、批判性和道德地使用生成式人工智能进行低级代码编写。这使人类（学生或专业人士）能够将更多精力集中在设计（规格说明和提示）、编排（问题解决和分解）和评估（验证和确认）等更高水平的能力上，如图所示。

图。能力转变（生成式人工智能出现前后对比）。在生成式人工智能之前，瓶颈是生成代码；在生成式人工智能之后，能力转变倾向于提示、编排和验证（同时生成式人工智能负责代码生成）。

计算机课程要求通常仅通过积累而演进。我们可能希望利用这次对计算程序前半部分的重新构想，作为一代人一次的机会来重新考虑其余的课程要求，包括那些在这个新时代不那么基本的要求。

学生行为

生成式人工智能的普及已经改变了学生行为，但这种行为将继续演变。我们必须调整我们的教育机制，以应对在生成式人工智能世界中所需的新元认知技能；好奇心、独立思考、批判性阅读和评估质量至关重要。那些将生成式人工智能作为无处不在且无限耐心的导师的学生，可能会以一种甚至几年前我们最好的学生都无法做到的方式被赋能。增强学生的元认知意识和控制需要使学习成果与适当的评估任务（提供学习激励）和支架式教学/学习活动（提供学习支持）保持一致；否则，学生将屈从于无思考地将所有努力“外包”给生成式人工智能并提交生成式人工智能垃圾内容的诱惑。

同样，重新考虑我们为学生提供教育体系和课程的必要性并不是新奇的。计算教育研究社区多年来一直在讨论入门计算机教育中元认知的价值。课程设计者和认证机构通过“学生特质”的视角寻找这种行为提升，认为这些行为特质是在定义计算机学位成功时的必要因素。生成式人工智能迫使我们紧急面对这些需求，并修订我们对教育成功的理解。

项目成果

我们并没有呼吁采取完全的“推倒重来”方法。从足够高的视角来看，许多事物保持不变。好的教学仍然是好的教学，尽管预期的学习成果、评估任务的机制以及教学/学习活动已经改变。好的工程仍然是好的工程，尽管工具已经改变。好的学习仍然是好的学习，尽管支持学习的工具已经改变。

例如，ABET 计算委员会对认证计算机科学和软件工程项目成果的要求仍然同样适用。在描述该领域的熟练程度时，成果使用了“在项目学科背景下”这一短语。这些项目成果已经考虑了计算学科的一些演变。因此，优秀毕业生的高层能力和特质仍然大体相同，尽管工具和背景已经改变。

催化变革以实现优质学习

领导变革对机构和个人来说可能具有挑战性，但除非我们行动，否则我们的学科将窒息。一种新的计算教育方法有望更好地为学生在计算职业中的成功未来做准备。我们设想在学习成果、评估任务和教学/学习活动方面的变革。以下提供围绕三个雄心层面组织的初步指南：快速修复、翻新和愿景。

快速修复

预期的学习成果。课程学习目标必须更新，以明确解决生成式人工智能的负责任使用及其影响。这将影响主题的相关重要性，在早期课程中将弱化代码编写。

评估任务。在每个课程中制定关于生成式人工智能使用的明确政策。基于学生未使用人工智能这一无效假设构建的不安全评估会削弱此类评估及其价值。评估应明确区分学生期望在没有生成式人工智能和拥有生成式人工智能的情况下展示的能力。总结性评估通常应在安全环境中进行（口头或监考笔试），形成性评估在不安全环境中进行（带回家作业或项目）。不安全评估应旨在更全面地评估软件设计过程，包括学生为此目的产生的所有范围的工件；包括例如设计和规格说明文档、提示日志、代码质量和测试用例。

教学/学习活动：应给予学生学习如何以发展其对涉及生成式人工智能的学习过程中自身角色意识的机会。应强调元认知技能和有效的学习技巧。

翻新

预期的学习成果。重新审视个别课程的学习目标，以确保它们与生成式人工智能时代的软件设计实践保持一致。一个例子是修改入门编程课程以纳入生成式人工智能。还考虑是否应从必修课程中删除任何现有课程或添加新课程。

评估任务。确保课程组内的政策一致性。为学生创建开放性和/或真实的项目，允许他们练习使用生成式人工智能工具。

教学/学习活动：纳入旨在帮助学生获得预期能力的 AI 导师（CodeHelp, CodeAid, UIUC Chat）。为学生指导如何使用该工具，并修改教学人员实践以提供更多支持；例如，1-1 辅导会议、社区讨论。为了鼓励学生的参与和沟通技能的发展，应考虑主动学习和翻转课堂。

愿景

预期的学习成果。从头重构课程体系，既解决长期的课程问题，又拥抱如何有效、批判性和道德地使用生成式人工智能作为编程的基本方式。例如，系统设计、需求规格说明和测试可以在多门软件课程中以不断增加的复杂程度进行教学。

评估任务。为学生被允许或期望对生成式人工智能做什么创建部门或学校级别的政策。例如，悉尼大学有一项政策，允许在所有带回家作业中使用生成式人工智能，其方法的变体正被考虑被几所澳大拉西亚大学采用。

教学/学习活动：创建一个部门策略，为学生提供一致的学习体验。例如，所有编程课程都可能使用针对特定课程校准的相同 AI 导师。

你不孤单：有可用资源提供帮助

各地的计算机系都在同时应对同样的挑战。跨机构合作可能比每个机构各自探索路径更有效且更省时。例如，对认证标准和课程指南的修订可以为所有人服务蓝图。成功将生成式人工智能整合到课程（或整个课程体系）中的学校应互相分享他们的经验教训。事实上，已经有一些示例课程可以作为课程中许多早期课程的起点。教育机构和教育者应共同努力，确保学生毕业时在智力上更受赋能、在社会上更连接，并能比以往更成功地学习并取得职业成功，只是现在有了生成式人工智能的力量。

新兴的智能体 AI 系统。自我们的达格斯堡研讨会以来，生成式人工智能工具已从反应式代码生成器迅速演变为日益主动的，所谓智能体系统（即表现出有限操作能力的系统），能够规划多步解决方案，自主调用外部工具，在会话间保持状态，并逐步完善输出。这种向更大自主性的转变进一步强调了我们的核心主张：瓶颈不再是代码生产，而是人在环路的问题构建、编排和评估中的判断。随着 AI 系统承担更大比例的分解和实现，学生和专业人士必须学会有效地监督、约束以及批判性和道德地审计半自主计算代理。短期内，这加强了明确的生成式人工智能政策和安全评估的需求。长期来看，这表明课程体系应明确解决人机协作，包括在 AI 以部分自主性行动的环境中的监督、问责和系统设计。

伊布拉欣·阿尔布维是约旦安曼萨迈亚公主科技大学的计算机科学副教授。

丹尼斯·布维耶是美国科罗拉多州美国空军学院计算机与网络科学系的副教授。

克劳斯·布拉班德是丹麦哥本哈根信息技术大学计算教育研究中心的教授和主任。

米歇尔·克雷格是加拿大多伦多大学的副教授。

罗德里戈·杜兰是巴西利亚联邦学院的教授。

克里斯·洪德豪森是美国俄勒冈州俄勒冈州立大学电气与计算机工程学校的计算机科学教授兼在线项目副主任。

科琳·M.

Lewis 是美国伊利诺伊州厄巴纳-香槟分校伊利诺伊大学计算机科学系的副教授。Kevin Lin 是美国华盛顿州华盛顿大学的助理教授。Andrew Luxton-Reilly 是新西兰奥克兰大学计算机科学系的教授。Leo Porter ([e-mail]) 是美国加利福尼亚州加州大学圣地亚哥分校计算机科学系的教授，也是本观点专栏的通讯作者。Karen Reid 是加拿大多伦多大学计算机科学系的教授。David H. Smith IV 是美国弗吉尼亚州弗吉尼亚理工大学计算机科学系的助理教授。Claudia Szabo 是澳大利亚阿德莱德大学计算机科学系的教授。Michel Wermelinger 是英国开放大学的副教授。Titus Winters 是美国纽约州 Adobe Inc. 的高级首席科学家。Daniel Zingaro 是加拿大多伦多大学密西沙加分校教授。这项工作源自 Dagstuhl 研讨会 25311：编程教育中的生成式人工智能。我们感谢我们的合作者和施洛斯·达古斯特研究所（Schloss Dagstuhl）。这项工作还部分获得了 NSF 资助（编号 2417374）、谷歌包容性研究计划奖以及计算机科学教育生成式人工智能联盟的资助。Michel Wermelinger 参加 Dagstuhl 研讨会部分得到了 EPSRC 资助（编号 EP/T017465/1，软件开发中的社会技术韧性）的支持。