Demystify, Use, Reflect: Preparing students to be informed LLM-users

📄 arXiv: 2511.11764v1 📥 PDF

作者: Nikitha Donekal Chandrashekar, Sehrish Basir Nizamani, Margaret Ellis, Naren Ramakrishnan

分类: cs.CY, cs.AI

发布日期: 2025-11-14

备注: 2 pages 1 table Submitted to SIGCSE 2026

💡 一句话要点

设计课程培养学生批判性使用LLM的能力，应对AI辅助编程的未来

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 大型语言模型 计算机科学教育 AI辅助编程 批判性思维 伦理教育

📋 核心要点

  1. 现有计算机科学课程未能充分教授学生如何批判性地使用大型语言模型（LLM），以应对AI辅助编程的快速发展。
  2. 该课程通过显式教学、工具实践、伦理讨论和反思活动，培养学生负责任地使用LLM解决问题的能力。
  3. 实验结果表明，学生对LLM的理解更加深入，使用方式更加谨慎和协作，为AI集成未来做好准备。

📝 摘要（中文）

本文介绍了一种将大型语言模型（LLM）以结构化、批判性和实践性的方式融入到CS1之后课程中的方法，该课程旨在介绍计算机科学的各个子领域。该方法旨在帮助学生培养有意义地、负责任地使用AI所需的技能。课程包括关于LLM工作原理的明确指导、对当前工具的接触、伦理问题的探讨，以及鼓励学生反思个人使用LLM以及AI辅助编程的更大发展前景的活动。在课堂上，我们演示了LLM输出的使用和验证，指导学生将LLM作为更大问题解决循环中的一个组成部分，并要求学生披露和承认LLM辅助的性质和程度。在整个课程中，我们讨论了LLM在CS子领域中的风险和收益。在课程的第一次迭代中，我们收集并分析了学生前后调查的数据。学生对LLM工作原理的理解变得更加技术化，他们对LLM的验证和使用也变得更加敏锐和协作。这些策略可以用于其他课程，为学生迎接AI集成的未来做好准备。

🔬 方法详解

问题定义：当前计算机科学教育面临的挑战是，学生需要掌握如何有效、负责任地使用大型语言模型（LLM）来辅助编程和解决问题。传统的CS1课程之后，学生往往缺乏对LLM工作原理的深入理解，以及批判性评估和验证LLM输出的能力。现有方法的痛点在于，未能系统性地将LLM融入教学，培养学生在AI辅助编程环境下的必要技能。

核心思路：本文的核心思路是将LLM以结构化、批判性和实践性的方式融入到CS1之后的课程中。通过显式教学、工具实践、伦理讨论和反思活动，帮助学生理解LLM的工作原理、掌握使用技巧、识别潜在风险，并培养负责任的使用态度。课程设计强调LLM作为问题解决循环中的一个组成部分，而非替代品，鼓励学生验证和改进LLM的输出。

技术框架：该课程的整体框架包括以下几个主要模块：1) LLM工作原理的介绍，包括模型架构、训练数据和推理过程；2) 当前LLM工具的实践，例如ChatGPT、GitHub Copilot等；3) LLM在不同CS子领域（如算法设计、软件工程、数据库等）的应用案例分析；4) LLM使用的伦理问题讨论，包括偏见、隐私和知识产权；5) 学生个人使用LLM的反思活动，鼓励学生分享经验和教训。

关键创新：该方法最重要的创新点在于，它不仅仅是将LLM作为一种工具来教授，而是将其融入到更广泛的计算机科学教育中，培养学生批判性思维、问题解决能力和伦理意识。与现有方法相比，该方法更加注重培养学生对LLM的深入理解和负责任的使用态度，而非仅仅是掌握操作技巧。

关键设计：课程的关键设计包括：1) 课堂演示LLM输出的使用和验证，例如通过测试用例检查代码的正确性；2) 指导学生将LLM作为问题解决循环中的一个组成部分，例如使用LLM生成代码草稿，然后进行人工修改和优化；3) 要求学生披露和承认LLM辅助的性质和程度，以避免学术不端行为；4) 通过前后调查收集学生数据，评估课程效果并进行改进。

📊 实验亮点

实验结果表明，学生对LLM工作原理的理解变得更加技术化，他们对LLM的验证和使用也变得更加敏锐和协作。通过前后调查对比，学生对LLM的认知和使用习惯发生了显著变化，表明该课程能够有效提升学生在AI辅助编程方面的能力。

🎯 应用场景

该研究成果可应用于各种计算机科学课程，特别是CS1之后的课程，帮助学生为AI集成的未来做好准备。该方法不仅适用于编程课程，还可以推广到其他领域，例如自然语言处理、机器学习和数据科学，培养学生在AI时代所需的关键技能。

📄 摘要（原文）

We transitioned our post-CS1 course that introduces various subfields of computer science so that it integrates Large Language Models (LLMs) in a structured, critical, and practical manner. It aims to help students develop the skills needed to engage meaningfully and responsibly with AI. The course now includes explicit instruction on how LLMs work, exposure to current tools, ethical issues, and activities that encourage student reflection on personal use of LLMs as well as the larger evolving landscape of AI-assisted programming. In class, we demonstrate the use and verification of LLM outputs, guide students in the use of LLMs as an ingredient in a larger problem-solving loop, and require students to disclose and acknowledge the nature and extent of LLM assistance. Throughout the course, we discuss risks and benefits of LLMs across CS subfields. In our first iteration of the course, we collected and analyzed data from students pre and post surveys. Student understanding of how LLMs work became more technical, and their verification and use of LLMs shifted to be more discerning and collaborative. These strategies can be used in other courses to prepare students for the AI-integrated future.