Ensuring Computer Science Learning in the AI Era: Open Generative AI Policies and Assignment-Driven Written Quizzes
本文提出并初步验证了一种针对高年级计算机科学课程的评估模型，该模型允许在课后编程作业中使用生成式人工智能，同时通过权重极高的、以作业为驱动的笔试来确保学生掌握知识，并发现在此框架下人工智能的使用与学业表现之间不存在显著相关性。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一个计算机科学课堂，学生们正在学习构建复杂的机器。传统上，老师会说：“回家去，从零开始造出这台机器，然后把它带回来。”人们担心，在使用新的 AI 工具时，学生可能会直接要求 AI 为他们造出机器，然后上交并获得“A”等成绩，却从未真正理解那些齿轮是如何运转的。这被称为“认知卸载”（cognitive offloading）——让机器人代替大脑进行思考。
这篇论文描述了一种处理这一问题的巧妙新方法，作者称之为**“开放与验证”（Open and Verify）**。
新策略：“烹饪课”类比
把这门课想象成一所烹饪学校。
- 传统方式： 老师说：“回家去烤一个蛋糕。明天带过来。”如果学生从面包店买了一个蛋糕并声称是自己烤的，老师可能永远不会知道。
- “禁止”方式： 老师说：“不准带商店买的蛋糕！”但在 AI 时代，这就像试图禁止学生使用烤箱一样；想要阻止他们使用手头的工具是不可能的。
- “开放与验证”方式（本文的解决方案）： 老师说：“你可以使用食谱书、副厨，甚至可以用机器人来帮你烤蛋糕。但是，当你来到课堂时，你必须立即参加一项测试，你必须准确解释蛋糕是如何做成的、为什么使用这些原料，并当场修复食谱中出错的部分。”
在这项研究中，“蛋糕”是编程作业，而“机器人”是生成式人工智能（GenAI）。
研究是如何运作的
劳伦斯理工大学的一位教授在 14 名高年级学生的小组中尝试了这种方法。以下是他们使用的“配方”：
- 作业（带回家的蛋糕）： 学生被允许使用 AI 来编写代码。他们甚至需要填写一份“免责声明”，说明他们在多大程度上得到了 AI 的帮助（例如：“我使用了 50% 的 AI 代码”）。
- 转折点（权重）： 作业本身的得分非常低（仅占 2%）。
- 真正的测试（课堂测验）： 在作业提交后，学生立即在课堂上进行了一场闭卷笔试。这次测验的分值要高得多（占 5% 或 10%）。
- 测验题目直接针对他们刚刚提交的作业。
- 他们必须解释代码、填补缺失的代码行，或者预测代码会如何运行。
- 目标： 如果你使用 AI 编写代码但并不理解它，你会在测验中不及格。如果你理解了它，你就能取得高分。
他们发现了什么？
研究人员想知道：使用 AI 会让学生变笨，还是会对他们有帮助？
他们分析了数据，发现了令人惊讶的结果：
- 没有关联： 学生使用 AI 的程度与他们的课堂表现之间几乎没有任何联系。无论一名学生使用了 10% 还是 90% 的 AI，他们的最终成绩都差不多。
- “中间”陷阱： 有趣的是，那些使用适量 AI（25–50%）的学生，其成绩实际上比使用极少或极多 AI 的学生略低。作者认为，这些“中间”水平的学生要么太懒而不愿亲自写代码，要么不够擅长通过“提示词工程”（prompting）来获取高质量的 AI 结果。他们卡在了中间。
- 学生反馈： 学生们非常喜欢这种方式。他们表示，测验迫使他们去实际阅读并理解 AI 编写的代码，而不是仅仅盲目地提交。他们觉得压力减轻了，因为可以使用 AI 来提供帮助，同时测验也确保了他们依然掌握了知识。
核心结论
该论文得出结论：你不必为了保持学生的学习效果而禁止使用 AI。
如果你让学生利用 AI 处理编写代码的“重体力活”，但随后立即测试他们对那段代码的自身理解，他们仍然能学到概念。这就像允许学生在数学作业中使用计算器，但随后让他们在黑板上不用计算器解题，以证明他们掌握了数学原理。
代价： 作者承认这项研究规模较小（仅 14 名学生），因此它更多是一个“概念验证”而非最终定论。此外，这也会增加教师的工作量，因为他们需要设计并评分这些额外的测验。但就目前而言，这表明通过正确的“开放与验证”规则，AI 可以成为一个有用的工具，而不是作弊的捷径。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。