💻 computer science

"CS 1.5": An Experience Report on Integrating CS1 and Discrete Structures for the AI Era

本文报告了东北大学温哥华分校将"CS1"与“离散结构”课程整合为"CS 1.5"的实验性教学实践，该课程通过采用 4 小时工作室模式、引入“分享圈”机制以及将教学重点从代码生成转向代码理解，在生成式 AI 时代重新定义了人机协作关系并强化了理论深度。

原作者： Ildar Akhmetov, Juancho Buchanan

发布于 2026-04-21

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Ildar Akhmetov, Juancho Buchanan

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

这篇论文讲述了一个非常有趣的“教育实验”，就像是在计算机科学的教室里进行了一场大胆的“魔法改造”。

想象一下，以前的计算机课（CS1）和数学课（离散结构）是两栋完全分开的房子。学生在 A 房子里学怎么砌砖（写代码语法），在 B 房子里学建筑力学原理（数学逻辑）。但现在的 AI 太厉害了，只要你说一声，它就能瞬间帮你砌好砖。如果还像以前那样只教“怎么砌砖”，学生毕业时可能发现，AI 比他们砌得更快、更好。

于是，两位老师（Ildar 和 Juancho）决定把这两栋房子打通，建成了一个4 小时的“超级工作室”，他们给这个项目起了个可爱的名字叫 "CS 1.5"（就像是在 CS1 和 CS2 之间插了一个“半级”）。

以下是这个实验的四个核心“魔法”：

1. 把 AI 从“作弊器”变成“副驾驶”

以前，老师会禁止学生用 AI，怕他们偷懒。但在这个实验里，老师直接说："欢迎使用 AI，但别让它替你做决定。"

比喻：以前学生是“司机”，自己开车（写代码）；现在 AI 是“自动驾驶仪”。老师不再教学生怎么踩油门（写基础代码），而是教学生怎么看懂仪表盘、怎么规划路线、怎么在自动驾驶出故障时接管方向盘。
做法：老师直接给学生几千行别人写好的复杂代码（就像给了一辆已经造好的汽车），让学生用 AI 去理解它、修改它，而不是从零开始造车。

2. 把“数学”和“代码”变成“双胞胎”

以前，数学证明和代码逻辑是分开的。在这个实验里，老师发现它们其实是同一枚硬币的两面。

比喻：
- 递归（代码） 就像 俄罗斯套娃（Matryoshka dolls）。老师真的把套娃带进教室，让学生一层层打开，理解“最里面的那个”就是“基础情况”。
- 排序算法 变成了跳舞。老师放匈牙利民谣，让学生排成一队，像跳民间舞一样模拟“冒泡排序”，用身体记住算法是怎么交换位置的。
- 图论（Graph） 变成了 玉米地迷宫。一个学生分享带儿子走迷宫的经历，瞬间让大家明白了“广度优先搜索”和“深度优先搜索”的区别。
效果：学生不再觉得数学是枯燥的公式，代码是冷冰冰的字符，而是发现它们都在描述同一个世界的逻辑。

3. 把“考试”变成了“讲故事”和“走秀”

传统的考试是让学生交作业，老师打分。在这个实验里，考核方式变了：

分享圈（Sharing Circle）：每节课开始前，大家围坐一圈，不谈技术，先分享这周学到的最有趣的故事或困惑。这就像是一个部落篝火晚会，建立人与人之间的信任。
代码走秀（Code Walk）：期末不交试卷，而是学生要像产品发布会一样，向老师和同学演示自己的项目。
- 老师会问：“如果我把这个按钮点一下，你的程序会怎么走？”
- 如果学生答不上来，或者代码跑不通，那就不及格（就像现实中软件上线如果坏了就是灾难，没有“部分给分”）。
- 这迫使学生在写代码时，必须真正理解每一行在做什么，而不是靠 AI 瞎蒙。

4. 老师的角色变了：从“百科全书”变成“导游”

以前，老师是站在讲台上无所不知的“圣人”。现在，因为 AI 什么知识都能查，老师变成了向导。

比喻：老师不再负责“背地图”，而是负责教学生怎么看地图、怎么在迷路时保持冷静、怎么判断 AI 指的路是不是对的。
老师会分享自己工作中遇到的真实“翻车”故事，告诉学生：即使有 AI，人类判断力、伦理思考和解决复杂问题的能力依然是不可替代的。

实验结果如何？

学生反应：虽然课程强度很大（4 小时连上），但学生们非常投入。他们不仅学会了编程，还建立了一个像家人一样的学习社区。
意外惊喜：有些学生甚至不用 AI，完全手写代码，因为他们已经建立了强大的逻辑思维。而用 AI 的学生，也学会了如何驾驭工具。
核心结论：在 AI 时代，“理解原理”比“死记硬背”更重要，“人与人连接”比“冷冰冰的工具”更珍贵。

一句话总结：
这篇论文告诉我们，面对 AI 的冲击，我们不需要把学生关在笼子里禁止使用工具，而是要带他们走出教室，在真实的“游乐场”里，学会如何与 AI 共舞，如何像建筑师一样思考，而不仅仅是像砖瓦工一样砌墙。

"CS 1.5"：面向 AI 时代的 CS1 与离散结构整合课程体验报告技术总结

1. 研究背景与问题 (Problem)

随着生成式人工智能（尤其是大型语言模型 LLM）的飞速发展，传统计算机入门教育（CS1）面临严峻挑战：

传统教学模式的失效：传统的 CS1 课程侧重于语法记忆和从零编写代码。在 AI 能瞬间生成代码的背景下，这种考核方式失去了区分度，且容易让学生绕过构建心理模型所需的“挣扎”过程。
学科割裂：CS1（编程基础）与离散结构（数学理论）通常作为独立课程在不同学期或由不同教师教授，导致学生难以建立两者之间的内在联系（如递归与数学归纳法、布尔代数与条件语句）。
评估困境：现有的作业设计正逐渐演变为“提示词工程”测试，而非逻辑思维的测试。

核心问题：在 AI 能够生成代码的时代，如何重新设计 CS1 课程，使其不仅教授编程技能，更能培养超越工具的深层问题解决能力、理论直觉以及人机协作素养？

2. 方法论 (Methodology)

作者在北卡罗来纳大学温哥华分校（Northeastern University Vancouver）的 Align Bridge 项目中，针对 11 名非计算机背景转专业的学生，设计并实施了一门名为 "CS 1.5" 的实验性整合课程。该课程将"CS 5001：计算机科学基础”与"CS 5002：离散结构”合并为一个连续的 4 小时工作室（Studio）模块。

2.1 核心原则

拥抱 AI (AI Embraced)：不禁止 LLM，而是将其作为核心协作工具。教学重点从“代码生成”转向“代码理解”和“系统设计”。
基础优先 (Foundations First)：在将实现委托给机器之前，通过纸质练习和物理道具确保学生掌握底层逻辑。

2.2 具体教学干预措施

课程整合与时间表重构：
- 将两门课合并为每周二下午 4 小时的工作室 + 周四 2 小时的辅导课。
- 主题对齐：将 CS1 的编程概念与离散数学理论在时间上严格对应。例如：
  - 递归 (Recursion) $\leftrightarrow$ 数学归纳法 (Mathematical Induction)
  - 列表/集合 (Lists/Sets) $\leftrightarrow$ 集合论 (Set Theory)
  - 类/对象 (Classes/Objects) $\leftrightarrow$ 组合数学/计数 (Combinatorics)
翻转课堂与资源利用：
- 学生课前观看精选的现有高质量视频（非新录），课堂时间完全用于同步互动和整合项目。
人类连接：分享圈 (Sharing Circles)：
- 每节课开始前进行 20-30 分钟的“分享圈”，学生、助教和教师分享与学习相关的个人故事。
- 利用成人学生的多元背景（哲学、生物、音乐等），通过叙事将抽象概念（如 BFS/DFS 与迷宫导航）具象化。
具身学习 (Embodied Learning)：
- 使用物理道具（如俄罗斯套娃演示递归、编织胶带构建网络、舞蹈演示冒泡排序）来建立直觉，减少屏幕干扰，强调“通过游戏学习”。
代码理解优先 (Code Comprehension)：
- 大规模代码库：提供 2000-3000 行的现有复杂代码库（含 Bug），要求学生阅读、理解架构并实现特定功能，而非从零写 50 行代码。
- AI 辅助导航：强制使用 GitHub Copilot 和高级 LLM 来解释代码结构、调试和验证逻辑。

3. 关键贡献与项目设计 (Key Contributions & Projects)

课程设计了 5 个常规项目和 1 个期末项目，所有项目均跨越编程与数学两个领域：

集合论与现代工具 (Set Theory & Modern Tooling)：
- 任务：在 1800 行代码的 Streamlit 应用中实现集合运算。
- AI 整合：集成多模态 AI（Gemini），让学生绘制韦恩图，由 AI 识别集合元素，连接物理直觉与数字逻辑。
- 验证：学生需在纸上进行数学计算，与代码逻辑进行交叉验证。
作为游戏机制的递归 (Recursion as a Game Mechanic)：
- 任务：开发策略游戏"Recursive Flood Fill"。
- 整合：炸弹覆盖区域的“成本”必须通过数学归纳法推导公式（Base Case, Inductive Step），证明后才能编写递归代码。
- 验证：后端服务器验证学生推导的公式与代码实现的一致性。
蒙特卡洛模拟与概率 (Probability via Monte Carlo Simulation)：
- 任务：构建《龙与地下城》战斗模拟器，从 API 获取真实怪物数据。
- 整合：学生需先手动计算理论概率（期望值、条件概率），然后运行 100-5000 次模拟。
- 发现：通过对比理论值与模拟结果，学生不仅验证了大数定律，还意外发现了教师提供的代码库中的概率计算 Bug。
评估变革：代码漫步 (Code Walks)：
- 废除传统评分标准，实行“通过/不通过”制。
- 流程：学生需向同伴和教授进行 30 分钟的代码逐行解释（Peer Walk & Instructor Walk）。
- 动态测试：教授提出"What-if"场景（如“如果修改第 N 行会发生什么？”），现场调试并验证学生的理解深度。

4. 结果与成效 (Results)

学习社区的形成：通过“分享圈”和午餐讨论，学生建立了深厚的同伴关系。后续课程教师反馈，该批学生从第一天起就表现出极高的参与度和凝聚力。
概念掌握加速：递归与归纳法、对象与数学结构的镜像关系得到了验证，学生能更快地掌握复杂概念。
工程能力提升：
- 学生能够熟练导航和架构大型、混乱的代码库。
- 尽管鼓励使用 AI，近半数学生选择完全手写期末项目，且两组学生在严格的代码漫步中表现相当，证明了该模式支持多样化的学习路径。
角色转变：教师从“知识传授者”转变为“导师”和“模糊性导航者”，重点在于培养判断力、伦理意识和验证 AI 输出能力。

5. 挑战与局限性 (Challenges & Limitations)

可扩展性：目前的模式依赖小班教学（11 人）和教师/助教的高强度投入（每人 1 小时的代码漫步）。扩展到数百人需要完善的助教培训体系。
强度与耐力：4 小时连续的工作室模式对师生双方的精力消耗巨大。
管理严谨性：为了保持教学灵活性，牺牲了部分行政流程的严谨性（如代码漫步的排期曾造成摩擦），未来需要更结构化的管理后台。
样本量：小样本（n=11）限制了研究结论在更广泛人群中的普适性。

6. 意义与启示 (Significance)

"CS 1.5"实验证明了在 AI 时代，计算机教育必须从语法传输转向直觉、逻辑与专业判断的培养。

重新定义基础：CS1 不应仅仅是编程入门，而应是计算思维与数学理论的深度融合。
人机协作新范式：通过强制“代码理解”和“验证”，将 AI 从作弊工具转化为认知脚手架，培养学生驾驭复杂系统的能力。
教育人文主义：在技术被自动化的背景下，强调“人类连接”（分享圈、具身学习）成为区分人类学习者与机器生成内容的关键，培养了更具韧性和适应性的计算机科学家。

该课程的所有代码库和作业材料已开源，旨在为其他机构提供可复用的模板，推动全球计算机基础教育在 AI 时代的范式转型。