建设一流本科

　　【编者按】随着生成式人工智能的到来，适应人工智能时代的教育教学改革，是当前教育界共同关注的热点议题。2024年，电子科技大学召开了“人工智能+教育”专题交流研讨与推进会，发布了《电子科技大学加强人工智能教育和大力推进探索实践人工智能技术赋能教育教学工作方案》，全面实施“人工智能+教育”行动计划，首批建设超100门人工智能赋能课程，推动构建以智助学、以智助教、以智助管、以智助研的教育新生态。新闻中心将持续报道学校深入实施“人工智能+教育”行动计划的案例和经验，希望为师生带来更多的借鉴和启迪，共同推动人工智能技术赋能学校各项事业发展。本期介绍的是信息与通信工程学院潘晔副教授的“教师-学生-AI协同飞轮”创新教学模式探索。 

　　当今AI迅猛发展的现实趋势，令编程学习领域面临着诸多新挑战。随着GPT、deepseek等大模型的广泛应用，编程学习门槛大幅降低，这不禁让人思考：传统的编程学习方式是否还有必要？电子科技大学信息与通信工程学院潘晔副教授给出了肯定的答案：学习编程不仅仍有必要，而且在AI时代，更应探索创新的教学模式，以培养学生的主动思考能力和核心素养。

　　潘晔以“软件设计思维与方法”课程为试验田，探索出一种独具特色的“教师-学生-AI协同飞轮”创新教学模式。该模式犹如一个精密运转的飞轮，由 AI 助教、学生画像和个性化学习路径这三大核心模块相互协作、共同驱动，为学生的个性化学习提供了强大动力。目前，这一模式仍在持续迭代升级，潘晔团队也在为实现让学生通过 AI进行个性化学习的目标而不懈努力。

信息与通信工程学院潘晔副教授

AI 助教：从“答案生成”迈向“思维引导”

　　“软件设计思维与方法”作为一门编程课程，对于大一学生而言具有一定难度。鉴于其与AI紧密结合的特性，潘晔在2024年9月开启了搭建AI助教的精心筹备工作。

　　当前市面上种类众多的生成式大模型虽能解答代码问题，但大多直接给出代码答案，这极易导致初学者丧失思考空间。潘晔搭建的AI助教则别具一格，它专门为“软件设计思维与方法”课程量身定制。AI 助教上传了丰富的专业书籍与课件，在学生提问时，并不直接呈现代码，而是通过巧妙的提示，引导学生逐步完善代码。同时，它还会贴心地提示学生哪些知识板块需要进一步巩固和深化理解，真正做到让学生“知其然，亦知其所以然”。

　　为了让学生深刻认识到自主思考的重要性，潘晔在课堂上别出心裁地邀请研究生学长学姐分享自身经历。例如，在开发看似简单的前端项目时，直接依赖大模型却遭遇失败的案例，以此现身说法，影响学生主动思考，合理利用AI工具。

　　“利用大模型平台搭建AI助手存在一个关键问题，即无法获取后台数据。”潘晔深知，若AI助教仅停留在提供课业帮助的层面，在已有大模型基础上搭建助手并非难事，然而，这远远无法满足她对AI助教的期望。缺乏数据反馈，就难以实现技术的协同迭代。因此，在2025年初，潘晔毅然决定进行本地化部署，并投入大量时间亲自开发代码，稳步推进技术迭代，力求让AI助教为学生提供更优质、更具针对性的服务。

学生画像：从“单次错误”到“精准分析”

　　在学生的学习过程中，“学生画像”犹如老师了解学生的一扇明亮窗口。学校已有的码图系统是学生提交编程作业的常用平台，该系统虽能在线自动批改作业，但仅能输出单次错误信息，无法对学生的薄弱环节进行全面总结。

　　潘晔及其团队巧妙地借助大模型的强大能力，对这一问题发起挑战。他们先对大模型设置精心设计的提示词，然后将学生代码和码图输出数据一同输入大模型。大模型依据提示词，对学生的学习情况进行精准画像分析。

　　“码图系统支持作业反复提交，有的学生一次提交作业就正确，表明其已完全掌握相关知识，无需在此板块继续深入学习；而有的学生多次提交仍未做对，若老师逐一查看，工作量巨大。但将这些数据输入大模型后，便能迅速针对学生的错误生成精准画像。”潘晔说。

　　为了使画像更加精准，团队在提示词中人为设置了代码大类的错误类型。AI 大模型依据提示词和具体数据，进一步细化学生代码的错误类型，实现了更具针对性的精准画像分析。

　　在批量化处理码图作业时，潘晔团队对市面上众多开源大模型进行了广泛测试，包括通义千问、腾讯云、deepseek 等。经过严格筛选和对比，阿里的 Qwen2.5 - Coder 大模型凭借其出色的表现脱颖而出，且该模型规模适中，仅为32B。潘晔团队成功将Coder实现本地部署，极大地提升了运行效率，为学生画像的精准生成提供了有力保障。

个性化学习路径：知识图谱引领新方向

　　实现个性化学习的关键一步，是构建精准的知识图谱。知识图谱一旦成功构建，将为学生的个性化学习提供强大支持，其应用潜力不仅局限于编程课程，更可拓展至任何领域、任何学科，为自学者带来前所未有的便利和个性化服务。

潘晔老师在课堂上

　　潘晔对知识图谱有着独特的见解：“其他慕课平台的课程知识图谱大多是树形目录形式，而我们期望构建的知识图谱既有宏观框架，又有丰富细节。过于细化的图谱会让初学者望而却步，不知从何入手；而过于粗略的图谱又无法满足主题个性化学习的需求。我们希望学生先看到一个清晰的骨架，点击进入后又能深入了解详细分支。”

　　然而，构建知识图谱面临着两大严峻挑战。其一为逻辑关系难题。其工作原理看似简单，即将几本课程相关书籍上传至大模型，由大模型提取知识点，并梳理知识点之间的前后逻辑关系，从而生成图谱。但以当前大模型的能力，在处理书籍内容时，往往只能进行切片操作。

　　“一本书有几百页，若以三四页为一个切片，众多切片之间的逻辑关系极有可能出现错误。”为解决这一难题，潘晔耗费大量心力，亲自编写代码梳理上下文逻辑关系，确保知识图谱的逻辑准确性。

　　其二是成本问题。由于构建知识图谱使用的规模参数规模很大，无法在一张卡上进行本地化部署；通过调用API方式构建会导致成本高昂，而且无法支持再训练，这对大规模推广应用带来困难。

　　在潘晔的教学设想中，AI 助手、学生画像和知识图谱将紧密联合，协同工作。“我们期望 AI 助手对话以及作业中找出的错误知识点，能自动在知识图谱中高亮显示，将这些知识点相关的知识全面呈现给学生，这才是我们追求的理想效果。”

　　通过对学生日常学习和作业的深入分析，团队能够收集到每位学生专属的“用户画像”。“用户画像”详细存储了学生的学习特征，并且在学生学习过程中，借助课程作业以及与AI交互的记录，不断更新完善。获得“用户画像”后，进一步调整大模型，为每位学生量身定制课程学习方案，从而形成一个“AI—同学—AI”的良性循环，真正实现“个性化学习”。

未来展望：持续探索，赋能教育

　　谈及未来规划，潘晔满怀信心地表示，团队计划将 AI 助教、学生画像与知识图谱深度联动，实现学习路径的自动化推荐。例如，通过高亮显示薄弱知识点相关的图谱内容，让学生清晰明确学习方向，做到“学有方向，练有重点”。

潘晔老师接受学校新闻中心学生记者采访

　　目前，团队计划先在课程组内开展试用，积极收集反馈，进行迭代优化。同时，团队也在积极申请基金，一方面持续完善模式的影响力，另一方面逐步扩大版本规模。待模式成熟后，将与各大学习平台展开合作，将这一创新成果推广至更广泛的学生群体。

　　在AI与教育深度融合的时代浪潮中，潘晔团队的“飞轮模式”开启了对个性化学习之路的深度探索，也为本科教学注入了新的活力与思考。“它不仅是对先进技术工具的巧妙运用，更是对教育本质的深刻回归 —— 激发学生思考，赋能学生成长。我们期待早日取得更大突破，让这一创新教学模式惠及更多学习者。”潘晔说。