AI 辅助编程:是工具、导师还是拐杖?

如今，ChatGPT、GitHub Copilot 等生成式 AI 早已走进高校编程课堂。它能一键补全代码、解答语法问题、降低编程焦虑，让学生写代码又快又准。

     但一个关键问题随之而来：AI 带来的亮眼作业成绩，真的等同于扎实的学习效果吗？AI 究竟是助力深度学习的 “脚手架”，还是让人产生依赖的 “绊脚石”？

     近期，太原科技大学联合马来亚大学的研究团队，在《International Journal of STEM Education》发表了一项为期一整个学期的实证研究，以 Java 编程课程为载体，深度拆解了 AI 辅助编程教学的真实样貌、学生使用 AI 的行为模式，以及背后的学习困境。今天这篇推文，带你完整读懂这篇硬核研究。

     过往研究大多只关注 “AI 好不好用”“分数涨没涨”，却很少追踪学生和 AI 互动的全过程：大家到底怎么用 AI？如何判断 AI 给出的代码对错？长期使用 AI 会如何影响自身认知与学习心态？

     针对这些空白，本研究聚焦三大核心问题：

1.学生使用 AI 辅助编程时会形成哪些交互策略？如何结合学习目标对这些策略分类？

2.学生如何批判性评判、核验、整合 AI 生成的代码与解释？哪些因素会影响其批判性思考的深度？

3.长期持续使用 AI 编程助手，会如何影响学生的元认知校准、自我效能、自身知识缺口认知，以及独立解决编程问题的主观能力判断？

该研究采用建构型扎根理论，选取国内一所高校大二 Java 编程必修课开展为期 16 周（完整学期）的追踪调研，课程核心为面向对象编程与数据结构。

本次研究采用建构型扎根理论，选取国内一所高校大二 Java 编程必修课开展为期 16 周（完整学期）的追踪调研，课程核心为面向对象编程与数据结构。

1. 研究分组（天然班级对照，非随机分配）

两组学生课程大纲、作业、考核完全一致，仅协作模式不同：

AI 使用组（24 人）：允许并鼓励使用校内授权的 GitHub Copilot，全程单人 + AI 协作；

结对编程对照组（17 人）：采用传统双人搭档编程，依靠同学交流协作，作为参照样本。

全维度数据采集（三重数据交叉验证）

为保证结论真实可靠，研究收集了三类核心数据，贯穿课前、课中、课后全周期：

AI 交互行为日志借助自研插件，全程记录 AI 组学生在IntelliJ IDEA中的所有操作：提问内容、AI 生成代码、学生接受 / 拒绝 / 修改代码的行为、操作时间。最终累计分析 857 条有效提问记录。

知识概念图开学第一周、结课最后一周，让全体学生绘制编程知识点概念图（如继承、多态、封装等）。通过知识点关联度、层级结构，直观判断学生知识体系的构建效果。

半结构化访谈期末考试结束后，将学生两两分组开展 60 分钟访谈。结合学生本学期的代码、AI 交互记录，采用刺激回忆法，引导学生复盘当时的想法与使用动机，访谈内容全程录音、翻译并核验。

AI 存在两种角色：

✅ 良性脚手架：用来答疑、改代码、做对比，帮学生减负并聚焦思考；

❌ 惰性拐杖：一味照搬代码，造成认知依赖，阻碍深度学习。

这项为期一学期的实证研究，打破了 “AI 万能” 或 “AI 有害” 的片面看法，给出了非常务实的答案：

在编程教育中，生成式 AI 是一把典型的双刃剑。它能降低入门门槛、提升效率、激发学习兴趣，是数字化教学的优质工具；但如果放任学生无底线依赖、直接照搬成果，就会一步步消解深度学习的过程，造就 “高分低能” 的学习者。

对于老师：不必一味禁止 AI，也不能完全放任，核心是设计规则、引导用法，把 AI 约束在 “辅助学习” 的定位上。对于学生：可以借助 AI 提速、解惑，但永远不要把思考、试错、复盘这些核心学习环节，完全交给工具。

技术永远是手段，真正的能力，永远藏在独立思考与亲手实践之中。

END