生成式人工智能赋能创造性思维培养：基于学科实践的教学模式构建研究

一、引言

（一）研究背景与问题提出

在数字化浪潮中，人工智能技术已成为推动各领域变革的核心力量，教育领域也不例外。生成式 AI 作为人工智能的前沿技术，以其强大的内容生成、个性化交互以及跨模态生成能力，为高等教育的创新发展注入了新活力，尤其是在创造性思维培养方面展现出独特优势。它能够突破传统教学资源和方法的局限，为学生提供多元化、个性化的学习体验，激发学生的创新潜能。

计算机专业作为一门技术密集型学科，其发展与创新紧密关联。在当前新工科建设的大背景下，计算机专业教育旨在培养具备扎实理论基础、创新实践能力和国际竞争力的高素质人才。然而，传统的计算机专业教学模式在理论与实践的结合上存在明显不足。课堂教学往往侧重于理论知识的传授，实践教学则常与实际产业需求脱节，导致学生在面对真实项目时，难以将所学知识灵活运用，实践创新能力薄弱。此外，传统教学模式难以满足学生个性化的学习需求，教学资源的分配和利用也不够合理，限制了学生创造性思维的发展。

基于以上背景，本研究聚焦于生成式 AI 在计算机学科实践教学中的应用，深入探究其对学生发散思维、批判性思维和实践创新能力的促进机制。通过构建基于生成式 AI 的教学模式，旨在解决计算机专业教学中存在的创新训练低效、资源适配不足等问题，为培养适应新时代需求的计算机专业创新人才提供理论支持和实践指导。

（二）研究目标与意义

1. 理论目标：本研究致力于构建 “技术赋能 - 思维培养 - 学科实践” 三位一体的教学理论框架，深入剖析生成式 AI 在计算机学科实践教学中的作用机制，揭示其与学生创造性思维培养之间的内在联系。通过理论研究，丰富和完善人工智能教育应用的理论体系，为教育技术学、计算机教育学等相关学科的发展提供新的理论视角。

2. 实践目标：在实践层面，本研究旨在设计一套切实可行的基于生成式 AI 的教学模式，将生成式 AI 技术融入计算机专业课程的教学过程中，优化教学内容、教学方法和教学评价。通过该教学模式的实施，提高学生在计算机学科实践中的创新训练效果，增强学生解决实际问题的能力，满足产业界对计算机专业人才的创新需求。同时，本研究成果可为新工科背景下其他专业的教育改革提供有益的参考和借鉴，推动高等教育教学模式的创新与发展 。

二、生成式 AI 赋能创造性思维培养的理论基础

（一）生成式 AI 技术特性与教育价值

1. 技术核心特征

   • 内容生成能力：生成式 AI 基于大语言模型（LLM）、生成对抗网络（GANs）等前沿技术，展现出强大的内容生成能力。大语言模型如 GPT 系列，通过对海量文本数据的学习，能够理解人类语言的语义和语法结构，进而生成高质量的自然语言文本。无论是学术论文、新闻报道还是创意写作，大语言模型都能根据用户提供的提示和要求，快速生成逻辑连贯、内容丰富的文本内容。例如，在计算机专业领域，学生可以借助大语言模型生成项目需求文档、技术报告等，极大地提高了文档撰写的效率和质量。生成对抗网络则通过生成器和判别器之间的对抗博弈，生成逼真的图像、音频、视频等内容。在计算机图形学中，生成对抗网络可以用于生成虚拟场景、角色模型等，为游戏开发、影视制作等行业提供了丰富的素材来源。这种强大的内容生成能力，为计算机专业学生的学习和实践提供了丰富的资源支持，使他们能够在更短的时间内获取更多的创意灵感和参考资料。

   • 智能交互机制：智能交互机制是生成式 AI 的另一大核心特征。通过自然语言对话，生成式 AI 能够与学生进行实时交互，实现个性化反馈。这种交互方式模拟了 “认知脚手架” 的作用，能够帮助学生突破思维瓶颈。当学生在学习计算机编程时，遇到语法错误或逻辑问题，生成式 AI 可以通过自然语言对话，引导学生逐步分析问题，找到解决问题的方法。它不仅能够提供具体的代码修改建议，还能解释错误的原因和相关的编程概念，帮助学生加深对知识的理解。生成式 AI 还可以根据学生的学习进度和能力水平，提供个性化的学习建议和指导，满足不同学生的学习需求。这种智能交互机制，使学生在学习过程中不再感到孤立无援，能够及时获得有效的帮助和支持，从而提高学习的积极性和主动性。

   • 跨模态整合：生成式 AI 能够融合文本、代码、图像、视频等多模态资源，构建沉浸式创新实践环境。在计算机专业教学中，跨模态整合技术具有重要的应用价值。在讲解计算机视觉算法时，教师可以利用生成式 AI 将算法原理以文本、图像和视频的形式同时呈现给学生。通过文本讲解算法的理论基础，通过图像展示算法的处理过程和结果，通过视频演示算法在实际场景中的应用，使学生能够从多个角度全面理解算法的原理和应用。学生在进行项目实践时，也可以利用生成式 AI 将不同模态的资源进行整合，如将代码与可视化界面相结合，将文本描述与图像设计相结合等，从而提高项目的创新性和实用性。这种跨模态整合技术，打破了传统教学中单一模态资源的限制，为学生提供了更加丰富、生动的学习体验，有助于激发学生的创新思维和实践能力。

2. 创造性思维培养的核心维度

   • 发散思维：发散思维是创造性思维的重要组成部分，它强调思维的开放性和多样性，能够从不同的角度思考问题，提出多种解决方案。生成式 AI 通过生成多样化的解决方案，能够有效地激发学生的联想，培养学生的发散思维。在计算机编程教学中，当学生需要实现一个特定的功能时，生成式 AI 可以根据学生提供的功能描述，推荐多种不同的代码重构路径和算法优化策略。这些不同的方案可能来自于不同的编程思路和技术框架，能够启发学生从多个角度思考问题，拓宽学生的思维视野。学生在对比和分析这些不同方案的过程中，能够发现不同方法的优缺点，从而培养自己的创新思维和解决问题的能力。生成式 AI 还可以通过提供相关的案例和参考资料，引导学生进行类比和联想，进一步激发学生的发散思维。

   • 批判性思维：批判性思维是指对事物进行理性分析和判断的能力，它要求学生能够质疑现有观点和方案，发现其中的问题和不足，并提出改进意见。生成式 AI 借助对方案的逻辑校验，能够有效地培养学生的批判性思维。在计算机专业实践中，代码漏洞检测和设计合理性评估是非常重要的环节。生成式 AI 可以利用其强大的算法和数据分析能力，对学生提交的代码和设计方案进行自动检测和评估。它能够发现代码中的语法错误、逻辑漏洞以及设计方案中的不合理之处，并给出相应的改进建议。学生在面对生成式 AI 的反馈时，需要对其进行深入分析和思考，判断其合理性和准确性。在这个过程中，学生不仅能够学会如何发现问题和解决问题，还能够培养自己的批判性思维和独立思考能力。通过与生成式 AI 的交互，学生逐渐学会从不同的角度审视自己的作品，不断提高自己的专业水平和创新能力。

   • 实践创新：实践创新是创造性思维的最终体现，它要求学生能够将理论知识应用于实际问题的解决中，通过实践不断探索和创新。生成式 AI 依托其辅助的快速原型开发能力，能够有效地降低学生的试错成本，加速创意落地。在计算机软件开发过程中，生成式 AI 可以根据学生的需求描述，快速生成软件 Demo 和系统架构设计。这些原型虽然可能并不完善，但能够为学生提供一个初步的框架和思路，学生可以在此基础上进行进一步的开发和优化。通过使用生成式 AI，学生可以快速验证自己的创意和想法，避免在前期花费大量时间和精力进行繁琐的编码工作。如果发现原型存在问题，学生可以及时调整思路，重新进行设计和开发，大大提高了开发效率和创新能力。生成式 AI 还可以提供一些行业内的最新技术和解决方案，启发学生在实践中不断探索和创新，推动计算机技术的发展和应用。

（二）国内外研究现状与挑战

1. 研究进展
   生成式 AI 在教育领域的应用研究近年来取得了一定的进展，在个性化学习和创作辅助等方面展现出了巨大的潜力。Knewton 智能平台利用生成式 AI 技术，根据学生的学习历史、能力水平和兴趣偏好，为学生提供个性化的学习路径和内容推荐。该平台能够实时分析学生的学习数据，动态调整教学策略，满足每个学生的独特学习需求，从而提高学习效果和效率。DeepArt 艺术生成工具则借助生成式 AI 的图像生成能力，帮助用户将普通照片转化为具有艺术风格的作品。用户只需上传照片，并选择喜欢的艺术风格，DeepArt 就能通过算法生成相应的艺术图像，激发了用户的艺术创作兴趣和创造力。

然而，目前针对计算机学科实践的深度融合研究仍显不足。虽然生成式 AI 在代码补全、智能编程辅助等方面有一些应用，但这些应用往往局限于单一功能的实现，缺乏对计算机学科实践教学全流程的系统性支持。在计算机专业的项目实践中，学生需要经历从创意萌发、需求分析、方案设计、编码实现到测试优化等多个环节，每个环节都需要不同类型的知识和技能支持。现有的生成式 AI 工具难以在这些环节之间实现无缝衔接，无法为学生提供连贯、全面的实践指导。

在创造性思维培养理论与技术赋能路径的结合方面，也缺乏针对计算机学科的特异性设计。Torrance 创造性思维模型等经典理论虽然为创造性思维的培养提供了理论基础，但在将这些理论应用于计算机学科实践教学时，需要根据学科特点进行针对性的调整和优化。目前的研究尚未充分考虑计算机学科的逻辑严谨性、工程实践性等特点，导致技术赋能路径与学科教学实际需求之间存在一定的脱节，无法充分发挥生成式 AI 在培养计算机专业学生创造性思维方面的优势。

2. 关键挑战

• 技术应用碎片化：当前生成式 AI 在计算机学科实践教学中的应用存在明显的碎片化问题。现有的工具大多只能提供单一功能的辅助，如代码补全工具只能帮助学生快速完成代码的编写，而无法在项目的需求分析、设计规划等阶段提供有效的支持。这种碎片化的应用方式使得学生在使用过程中需要频繁切换不同的工具，增加了学习和使用的难度，也难以形成一个完整的实践能力培养体系。在实际项目开发中，学生需要从项目的整体目标出发，进行全面的思考和规划，而碎片化的技术应用无法满足这一需求，导致学生难以将所学知识和技能有机地整合起来，影响了实践创新能力的提升。此外，由于不同工具之间缺乏有效的数据共享和协同机制，学生在使用过程中可能会遇到数据不一致、格式不兼容等问题，进一步降低了学习和实践的效率。

• 学科适配性不足：计算机专业对逻辑严谨性和工程实践性有着极高的要求，而生成式 AI 输出的不确定性与这些要求之间存在较大的矛盾。生成式 AI 在生成代码、设计方案等内容时，虽然能够提供多种可能性，但这些结果往往需要经过人工的仔细审查和验证，才能确保其符合计算机专业的规范和要求。在代码生成过程中，生成式 AI 可能会生成语法正确但逻辑错误的代码，或者生成的代码在实际运行中存在性能问题。这就需要学生具备较强的代码审查和调试能力，能够对生成式 AI 的输出进行准确的判断和修正。然而，对于初学者来说，这无疑是一个巨大的挑战，容易导致学生对生成式 AI 产生不信任感，影响其在教学中的应用效果。为了解决这一问题，需要建立针对性的质量控制机制，对生成式 AI 的输出进行严格的评估和筛选，确保其符合计算机学科的要求。同时，还需要加强对学生的培训，提高学生对生成式 AI 输出结果的分析和处理能力，使其能够更好地利用生成式 AI 进行学习和实践。

三、基于学科实践的生成式 AI 教学模式构建

（一）模式设计原则

1. 学科导向性：紧密结合计算机专业核心能力培养，是本教学模式的重要基础。在编程能力培养方面，利用生成式 AI 设计代码生成应用场景，学生可以输入自然语言描述的功能需求，生成式 AI 则根据这些需求生成相应的代码框架或具体代码片段。在开发一个简单的 Web 应用程序时，学生只需描述 “创建一个用户登录页面，包含用户名和密码输入框，以及登录按钮，点击按钮后验证用户输入并跳转到欢迎页面”，生成式 AI 就能快速生成 HTML、CSS 和 JavaScript 代码的基本框架，学生在此基础上进行完善和优化，从而提高编程效率和代码质量。

在系统设计能力培养方面，生成式 AI 可用于系统架构优化。学生在设计复杂的软件系统时，生成式 AI 能够根据系统的功能需求、性能要求以及用户规模等因素，提供多种系统架构设计方案，并对每种方案的优缺点进行分析。在设计一个大型电商系统时，生成式 AI 可以给出基于微服务架构、单体架构或分布式架构的设计建议，以及每种架构在扩展性、可维护性、性能等方面的特点，帮助学生选择最适合的架构方案，并进一步优化系统设计。

在算法创新能力培养方面，生成式 AI 能够为学生提供算法创新的思路和方向。当学生在研究某个特定的算法问题时，生成式 AI 可以搜索相关的学术文献和研究成果，为学生提供最新的算法研究动态和创新点。生成式 AI 还可以根据学生提出的算法改进方向，生成一些可能的算法改进方案或新的算法思路，激发学生的创新思维，推动算法创新能力的提升。

2. 思维训练显性化：将生成式 AI 的交互过程转化为思维可视化工具，是促进学生元认知发展的关键。在算法学习中，学生常常难以理解复杂算法的执行过程和内在逻辑。利用生成式 AI 生成算法思路图谱，学生可以输入算法的名称或描述，生成式 AI 则以图形化的方式展示算法的步骤、数据流向以及关键节点的处理逻辑。在学习深度神经网络算法时，生成式 AI 可以生成一个详细的算法思路图谱，展示神经网络的结构、神经元之间的连接方式、前向传播和反向传播的过程，以及参数更新的机制。通过这种可视化的方式，学生能够更直观地理解算法的工作原理，发现自己在理解算法过程中存在的问题，从而调整学习策略，提高学习效果。

在设计方案对比分析方面，生成式 AI 同样发挥着重要作用。当学生提出多个设计方案时，生成式 AI 可以对这些方案进行对比分析，从不同的维度（如性能、成本、可扩展性等）评估每个方案的优缺点，并以图表或报告的形式呈现出来。在设计一个数据库管理系统时，学生可能提出基于关系型数据库和非关系型数据库的两种设计方案，生成式 AI 可以对这两种方案在数据存储效率、查询性能、数据一致性维护成本以及对不同类型数据的支持等方面进行详细的对比分析，帮助学生全面了解每个方案的特点，从而做出更明智的选择。同时，学生在参与对比分析的过程中，能够学会从多个角度思考问题，提高自己的批判性思维和决策能力。

3. 实践闭环化：构建 “创意提出→AI 辅助方案生成→学生迭代优化→实践验证→反思改进” 的螺旋上升模型，是确保学生在实践中不断提升创新能力的有效途径。在创意提出阶段，教师可以引导学生关注实际问题和行业需求，鼓励学生提出创新性的解决方案。在当前人工智能领域，大模型的训练成本较高，学生可以提出如何优化大模型训练算法，降低训练成本的创意。

在 AI 辅助方案生成阶段，学生将创意转化为具体的需求描述，输入生成式 AI，生成式 AI 根据需求生成相应的解决方案。对于降低大模型训练成本的创意，生成式 AI 可以提供一些可能的算法优化方向，如改进梯度下降算法、采用更高效的数据预处理方法等，以及这些方法在其他项目中的应用案例和效果评估。

学生迭代优化阶段，学生根据生成式 AI 提供的方案，结合自己的专业知识和实践经验，对方案进行深入分析和改进。学生可能会对生成式 AI 提出的算法优化方向进行进一步的研究和实验，尝试不同的参数设置和实现方式，以找到最适合的优化方案。

在实践验证阶段，学生将优化后的方案应用到实际项目中，通过实验、模拟或实际运行，验证方案的可行性和有效性。学生可以在一个小型的数据集上对优化后的大模型训练算法进行测试，观察训练时间、模型准确率等指标的变化，评估方案的实际效果。

在反思改进阶段，学生对实践结果进行反思，分析方案中存在的问题和不足之处，提出进一步的改进措施。如果在实践验证中发现优化后的算法虽然降低了训练成本，但模型的准确率有所下降，学生就需要分析原因，可能是算法的某些参数设置不合理，或者是数据预处理过程中丢失了一些重要信息，然后针对这些问题提出改进措施，重新回到 AI 辅助方案生成阶段，进行新一轮的迭代优化。通过这种螺旋上升的实践闭环，学生能够不断提升自己的创新能力和实践能力。

（二）教学模式框架与实施路径

1. 理论层：双链驱动的创造性思维培养模型

1. 技术链：生成式 AI 工具矩阵为学生的学习和实践提供了强大的技术支撑。代码生成器能够根据学生输入的自然语言描述，快速生成相应的代码框架或具体代码片段，大大提高了编程效率。在开发一个简单的数据分析程序时，学生只需描述 “读取 CSV 文件中的数据，计算数据的平均值、标准差，并绘制数据的直方图”，代码生成器就能生成 Python 代码的基本框架，包括导入必要的库、读取文件、数据计算和绘图的代码片段，学生在此基础上进行完善和优化，能够快速实现数据分析功能。

架构设计助手则根据系统的功能需求、性能要求以及用户规模等因素，提供多种系统架构设计方案，并对每种方案的优缺点进行分析。在设计一个大型企业级应用系统时，架构设计助手可以给出基于微服务架构、单体架构或分布式架构的设计建议，以及每种架构在扩展性、可维护性、性能等方面的特点，帮助学生选择最适合的架构方案，并进一步优化系统设计。

虚拟调试环境通过模拟真实的运行环境，帮助学生进行代码调试和系统测试。在虚拟调试环境中，学生可以设置各种测试用例，模拟不同的运行场景，快速定位代码中的错误和问题。在开发一个移动应用程序时，学生可以在虚拟调试环境中模拟不同的手机型号、操作系统版本以及网络环境，对应用程序进行全面的测试，确保应用程序在各种情况下都能稳定运行。

这些生成式 AI 工具相互配合，形成了一个完整的技术链，为学生的计算机专业学习和实践提供了全方位的支持。

2. 思维链：通过 “问题拆解 - 方案生成 - 批判修正 - 创新整合” 四阶段任务，引导学生在人机协作中强化创造性思维。在问题拆解阶段，学生在面对复杂的计算机专业问题时，首先需要将其分解为多个子问题，明确每个子问题的目标和要求。在开发一个智能推荐系统时，学生需要将问题拆解为用户数据收集与预处理、推荐算法选择与优化、推荐结果展示等子问题。生成式 AI 可以通过自然语言对话，帮助学生梳理问题的结构和逻辑，提供问题拆解的思路和方法。

在方案生成阶段，针对每个子问题，学生利用生成式 AI 生成多种解决方案。对于用户数据收集与预处理子问题，生成式 AI 可以提供数据收集的渠道和方法，以及数据清洗、转换和特征工程的具体步骤和代码示例；对于推荐算法选择与优化子问题，生成式 AI 可以推荐多种推荐算法，并对每种算法的优缺点、适用场景进行分析，还可以提供算法实现的代码框架和优化建议。

在批判修正阶段，学生对生成式 AI 生成的方案进行批判性思考，分析方案的合理性、可行性和有效性，找出其中存在的问题和不足，并进行修正和完善。学生可能会发现生成式 AI 推荐的某种推荐算法在处理大规模数据时效率较低，或者在准确性方面存在一定的偏差，这时学生就需要查阅相关文献，参考其他成功案例，对算法进行优化和改进。

在创新整合阶段，学生将经过批判修正后的方案进行整合，形成一个完整的创新解决方案。在整合过程中，学生需要充分发挥自己的创造性思维，将不同的方案进行有机结合，形成具有创新性和独特性的解决方案。学生可能会将多种推荐算法进行融合，或者结合用户的社交关系和兴趣偏好，提出一种全新的推荐策略，从而提高推荐系统的性能和用户体验。通过这四个阶段的任务，学生在与生成式 AI 的协作过程中，不断强化自己的创造性思维，提高解决实际问题的能力。

2. 实施层：三维度教学策略设计

1. 项目式学习：真实问题驱动的创新实践

   • AI 辅助课题设计：基于学科前沿，利用生成式 AI 生成多难度梯度的项目需求，是激发学生创新实践的重要起点。在大模型应用开发领域，生成式 AI 可以根据当前的研究热点和实际应用需求，生成不同难度级别的项目需求。初级项目可以是基于现有大模型进行简单的应用开发，如利用 GPT-4 开发一个智能问答系统，要求学生能够理解大模型的接口和使用方法，实现基本的问答功能；中级项目可以是对大模型进行微调，以适应特定领域的应用需求，如在医疗领域，利用医疗领域的专业数据对大模型进行微调，开发一个能够回答医学问题的智能助手，这需要学生掌握大模型的微调技术和相关的医学知识；高级项目则可以是参与大模型的研发，提出创新性的算法改进方案，提高大模型的性能和效果，这对学生的专业知识和创新能力提出了更高的要求。通过提供多难度梯度的项目需求，学生可以根据自己的能力和兴趣选择适合自己的项目，从而激发学生的学习积极性和创新实践的热情。

   • 过程性思维赋能：在项目实施过程中，生成式 AI 在代码编写和系统调试阶段发挥着重要的思维赋能作用。在代码编写阶段，当学生遇到具体的编程问题时，生成式 AI 可以实时提供多版本实现方案。学生在实现一个复杂的算法时，可能会遇到算法实现的效率问题，生成式 AI 可以提供不同算法复杂度的代码片段，让学生对比分析不同实现方案的优缺点，从而选择最适合的实现方式。这不仅帮助学生解决了具体的编程问题，还培养了学生的算法分析和选择能力，让学生学会从多个角度思考问题，提高了学生的编程思维和创新能力。

在系统调试阶段，生成式 AI 通过错误日志生成与归因建议，帮助学生快速定位问题，培养问题定位的批判性思维。当学生的系统出现错误时，生成式 AI 可以根据错误日志，分析错误产生的原因，并提供相应的解决方案。生成式 AI 可以指出错误是由于语法错误、逻辑错误还是数据错误导致的，并提供具体的错误位置和修正建议。学生在参考生成式 AI 的建议时，需要对其进行批判性思考，分析建议的合理性和可行性，从而培养自己的问题定位和解决能力。通过这种过程性思维赋能，学生在项目实施过程中不断提升自己的思维能力和实践能力。

• 案例：在 “智能推荐系统开发” 课程中，生成式 AI 为学生提供了丰富的支持，助力学生实现创新性推荐策略。在项目开始阶段，生成式 AI 生成用户行为模拟数据，这些数据包含了用户的浏览历史、购买记录、评价信息等，为学生提供了真实的数据集，让学生能够基于这些数据进行推荐算法的研究和开发。生成式 AI 还提供多架构设计模板，如基于协同过滤的推荐架构、基于内容的推荐架构以及混合推荐架构等，并对每种架构的原理、优缺点和适用场景进行详细的介绍。

学生在这些基础上，结合自己的专业知识和创新思维，对推荐算法进行优化。学生可能会发现传统的协同过滤算法在处理冷启动问题时存在一定的局限性，于是通过查阅相关文献和研究成果，提出一种基于深度学习的冷启动推荐算法，将用户的属性信息和物品的特征信息进行融合，利用神经网络模型进行训练，从而提高冷启动阶段的推荐准确性。经过不断的优化和实验，学生最终产出创新性推荐策略，提高了推荐系统的性能和用户体验。这个案例充分展示了生成式 AI 在项目式学习中的重要作用，以及学生在生成式 AI 的支持下，如何通过创新实践提升自己的专业能力和创新思维。

2. 协作式创作：人机 - 人人协同的思维碰撞

• 跨组方案生成竞赛：各组提交创意方案后，AI 整合共性需求生成 “融合方案”，为学生提供了更广阔的思维视野。在 “区块链应用设计” 中，不同小组可能从不同的角度提出关于共识机制设计的创意方案。有的小组侧重于提高共识效率，提出一种基于改进的实用拜占庭容错算法（PBFT）的共识机制，通过优化节点之间的通信流程和消息处理方式，减少共识达成的时间；有的小组则更关注安全性，提出一种基于权益证明（PoS）和零知识证明相结合的共识机制，在保证安全性的前提下，降低能源消耗。

生成式 AI 在分析这些方案后，发现各方案在提高效率和保障安全方面都有一定的优势，但也存在一些局限性。于是，生成式 AI 综合各组共识机制设计，提出混合式架构建议，将 PBFT 算法的高效性和 PoS 与零知识证明结合机制的安全性进行融合，形成一种新的共识机制。这种融合方案激发了学生突破组内思维局限，促使学生对自己的方案进行反思和改进，进一步推动了学生的创新思维发展。

• 动态反馈机制：通过自然语言处理分析学生讨论内容，AI 自动识别思维阻塞点，并推送相关理论知识与案例参考，为学生的协作式创作提供了及时的支持。在小组讨论区块链应用的智能合约设计时，学生可能会遇到关于智能合约安全性论证不完整的问题，讨论陷入僵局。此时，生成式 AI 通过自然语言处理技术，分析学生的讨论内容，识别出这一思维阻塞点，并推送相关的理论知识，如智能合约安全漏洞的类型、常见的攻击方式以及相应的防范措施等。生成式 AI 还会提供一些成功的智能合约设计案例，以及这些案例在安全性论证方面的经验和方法。学生在接收到这些推送信息后，能够从中学到新的知识和思路，打破思维阻塞，继续深入讨论和完善自己的智能合约设计方案。这种动态反馈机制，促进了学生之间的思维碰撞和知识共享，提高了协作式创作的效率和质量。

1. 实验教学创新：虚拟仿真与真实实践结合

   • AI 驱动虚拟实验室：构建可交互的算法可视化平台，为学生提供了一个直观、便捷的学习环境。在神经网络训练过程模拟中，学生可以通过自然语言指令调整参数，如调整神经网络的层数、神经元个数、学习率、激活函数等，观察不同配置下的输出差异。当学生将学习率设置得过大时，会发现神经网络的训练过程不稳定，损失函数波动较大，难以收敛；而当学习率设置得过小时，训练速度会变得非常缓慢。通过这种直观的观察，学生能够深入理解学习率对神经网络训练的影响，掌握如何合理调整学习率以优化训练效果。

在数据结构动态演示方面，学生可以通过自然语言指令展示不同数据结构的操作过程，如链表的插入、删除、查找操作，栈和队列的入栈、出栈、入队、出队操作等。学生可以清晰地看到数据结构在操作过程中的变化，理解数据结构的原理和应用场景。这种可交互的算法可视化平台，培养了学生的发散思维，让学生能够从不同的角度探索算法和数据结构的奥秘，提高了学生的学习兴趣和学习效果。

• 虚实结合验证：虚拟实验中生成的优化方案，可直接迁移至真实硬件环境测试，形成了一个完整的创新链条。在虚拟实验中，学生通过不断调整参数和算法，生成了一种高效排序算法，如改进的快速排序算法。这种算法在虚拟环境中经过多次测试，表现出了较高的排序效率。学生将这种优化方案迁移至真实硬件环境进行测试，使用真实的数据集合进行排序操作，观察算法在实际运行中的性能表现。如果在真实硬件环境中发现算法存在一些问题，如内存占用过高、在特定数据分布下效率降低等，学生可以返回虚拟实验环境，对算法进行进一步的优化和调整，然后再次在真实硬件环境中进行测试。通过这种虚实结合的验证方式，学生能够不断改进自己的方案，提高方案的可行性和实用性，培养了学生的实践创新能力。

3. 支持层：立体化教学资源与保障体系

1. 教师能力建设：开发 “生成式 AI 教育应用” 专项培训，是提升教师教学能力的关键。在工具使用培训方面，教师需要掌握 ChatGPT 等大语言模型的代码生成技巧。教师可以通过实际操作，学习如何使用 ChatGPT 生成高质量的代码片段，如何通过优化提示词来提高代码生成的准确性和效率。教师可以向 ChatGPT 输入 “生成一个用 Python 实现的冒泡排序算法，并添加注释说明每一步的操作”，通过不断调整提示词的内容和格式，观察代码生成的结果，从而掌握代码生成的技巧。

教师还需要学习 MidJourney 等图像生成工具在设计辅助方面的应用。在计算机图形学课程中，教师可以利用 MidJourney 生成各种图形和图像，如二维图形、三维模型、纹理图像等，用于教学演示和学生实践。教师可以输入 “生成一个具有科幻风格的城市景观三维模型”，MidJourney 会根据输入生成相应的图像，教师可以将这些图像展示给学生，帮助学生理解计算机图形学的原理和应用。

在思维培养策略培训方面，教师需要学习如何通过 AI 提问引导学生深度思考。在讲解算法设计时，教师可以利用生成式 AI 设计一系列问题，如 “这个算法的时间复杂度和空间复杂度是如何计算的？”“如果输入数据的规模增大，算法的性能会受到怎样的影响？”“如何对这个算法进行优化，以提高其效率？” 等，引导学生深入分析算法的原理和性能，培养学生的

四、实证研究：以计算机专业核心课程为例

（一）案例选取与实施过程

1. 课程对象：本研究选取了 “人工智能系统设计” 这门本科高年级课程作为研究对象，该课程是计算机专业的核心课程之一，旨在培养学生设计和开发人工智能系统的能力。参与课程的学生共 80 名，他们在前期已经学习了计算机编程、数据结构、算法分析等基础课程，具备了一定的专业知识和编程技能。为了探究生成式 AI 教学模式的效果，我们将这 80 名学生随机分为实验组和对照组，每组各 40 人。实验组采用基于生成式 AI 的教学模式，对照组则采用传统的项目式教学模式。

2. 干预措施：在实验组的教学过程中，我们引入了多种生成式 AI 工具，以辅助学生的学习和实践。代码生成助手被用于辅助算法设计，学生在面对复杂的算法问题时，可以向代码生成助手输入问题描述，它能够根据问题生成相应的算法框架和代码片段，帮助学生快速理清思路，降低编程难度。在设计一个图像识别算法时，学生可以输入 “设计一个基于卷积神经网络的图像识别算法，用于识别手写数字”，代码生成助手就能生成 Python 代码的基本框架，包括导入必要的库、构建卷积神经网络模型、加载数据集、训练模型等代码片段，学生在此基础上进行完善和优化，能够快速实现图像识别算法。

架构评审 AI 则用于自动分析系统设计的合理性，学生在完成系统设计后，将设计文档输入架构评审 AI，它能够从多个角度对系统设计进行评估，如系统的可扩展性、可维护性、性能等，并给出具体的改进建议。在设计一个分布式文件系统时，架构评审 AI 可以分析系统的架构设计是否合理，是否存在单点故障、数据一致性问题等，并提供相应的改进方案，帮助学生优化系统设计。

虚拟部署环境为学生提供了快速验证方案可行性的平台，学生可以在虚拟部署环境中部署自己开发的人工智能系统，模拟真实的运行环境，测试系统的性能和稳定性。在开发一个智能推荐系统时，学生可以在虚拟部署环境中部署系统，并使用模拟的用户数据进行测试，观察系统的推荐效果和性能指标，及时发现问题并进行优化。

对照组采用传统的项目式教学模式，学生在项目实践过程中，主要依靠教师的指导和参考开源框架来完成任务。教师在学生遇到问题时，给予针对性的指导和建议；学生在设计系统架构和实现功能时，参考开源框架的设计思路和代码实现，以提高开发效率。在开发一个人工智能系统时，学生可能会参考 TensorFlow、PyTorch 等开源深度学习框架，借鉴其模型构建、训练和部署的方法，完成自己的项目任务。

（二）数据收集与分析

1. 思维能力测评：在实验开始前，我们使用托兰斯创造性思维测验（TTCT）对两组学生的创造性思维基线水平进行了评估。TTCT 是一种广泛应用的创造性思维测评工具，它通过图形、词汇等多种形式的任务，考察学生的思维流畅性、灵活性、独创性和精细性等方面的能力。在图形任务中，要求学生根据给定的图形进行联想和创作，尽可能多地画出不同的图形；在词汇任务中，要求学生根据给定的词汇，在规定时间内尽可能多地想出与之相关的词汇或概念。通过对学生在这些任务中的表现进行评分，我们可以了解学生的创造性思维基线水平。

在实验结束后，我们通过多种方式对两组学生的思维能力进行了后测。我们组织了由行业专家与教师组成的评审团，对学生的项目成果进行创新性评分。评审团从项目的创新性、实用性、技术难度等多个维度对项目成果进行评估，给出综合评分。在评估一个智能医疗诊断系统的项目成果时，评审团会考虑系统是否提出了新的诊断算法或方法，是否能够有效地解决实际医疗问题，以及系统所采用的技术是否具有一定的难度和创新性等因素，给出相应的评分。

我们还对学生代码的复杂度与优化次数进行了统计。代码复杂度可以反映学生在编程过程中的思维深度和广度，优化次数则可以体现学生对代码进行改进和创新的能力。通过对学生代码的分析，我们发现实验组学生的代码复杂度更高，说明他们在编程过程中能够运用更复杂的算法和数据结构，展现出更强的思维能力；同时，实验组学生的代码优化次数也更多，表明他们更善于对代码进行反思和改进，具有更强的创新意识和能力。

2. 学习效果对比：通过对实验数据的分析，我们发现实验组在方案新颖性、技术实现复杂度上显著优于对照组（p<0.05）。在方案新颖性方面，实验组学生在生成式 AI 的辅助下，能够提出更多创新性的解决方案，如在设计人工智能系统时，实验组学生提出了基于强化学习和迁移学习相结合的新算法，而对照组学生大多采用传统的算法；在技术实现复杂度方面，实验组学生能够运用更复杂的技术架构和算法，实现更高难度的功能，如在开发智能机器人控制系统时，实验组学生采用了分布式计算和深度学习技术，实现了机器人的自主导航和智能决策功能，而对照组学生的技术实现相对简单。

实验组学生的代码迭代效率提升了 30%。这是因为生成式 AI 工具能够快速生成代码框架和片段，为学生提供了更多的思路和参考，使学生能够更快地完成代码的编写和调试。在开发一个图像分类系统时，代码生成助手可以快速生成数据预处理、模型训练和评估的代码框架，学生可以在此基础上进行修改和优化，大大缩短了代码开发的时间。同时，架构评审 AI 和虚拟部署环境也能够帮助学生及时发现代码中的问题，提高代码的质量和稳定性，减少代码迭代的次数和时间。

我们通过问卷调查了解学生对生成式 AI 辅助学习的看法。调查结果显示，85% 的实验组学生认为 AI 辅助有效拓展了思维视角，使他们能够从不同的角度思考问题，提出更多创新性的想法。在项目实践过程中，学生可以通过与生成式 AI 的交互，获取不同的解决方案和思路，从而拓宽自己的思维视野。78% 的实验组学生表示能主动利用 AI 进行方案批判与重构，他们在面对生成式 AI 生成的方案时，能够进行批判性思考，分析方案的优缺点，并根据自己的理解和需求对方案进行重构和优化。这表明生成式 AI 不仅能够提供技术支持，还能够培养学生的批判性思维和创新能力，使学生在学习和实践中更加主动和积极。

五、挑战与展望

（一）关键挑战

1. 技术伦理风险：随着生成式 AI 在教学中的广泛应用，学生过度依赖 AI 生成内容导致自主思维退化的风险日益凸显。在编程学习中，学生可能过度依赖代码生成工具，不再深入思考算法的原理和逻辑，只是简单地修改生成的代码以满足需求。这将导致学生在面对复杂的编程问题时，缺乏独立解决问题的能力。为了防范这一风险，建立 “人机分工” 准则至关重要。明确规定在核心算法设计等关键环节，学生必须自主完成，生成式 AI 仅可提供辅助建议和参考资料。在计算机网络课程的实践项目中，学生在设计网络拓扑结构和实现路由算法时，应独立思考和编写代码，而生成式 AI 可以在代码规范检查、性能优化建议等方面提供帮助。通过这种方式，引导学生正确使用生成式 AI，避免过度依赖，确保学生在学习过程中能够不断锻炼和提升自己的自主思维能力。

2. 质量控制难题：生成式 AI 输出的非确定性是其在教学应用中面临的另一大挑战。由于生成式 AI 是基于数据和算法进行内容生成的，其输出结果可能存在一定的随机性和不确定性，这就可能导致输出内容出现错误导向。在代码生成过程中，生成式 AI 可能会生成存在逻辑错误或安全漏洞的代码；在系统设计建议中，可能会忽略一些关键的业务需求或技术约束。为了解决这一问题，开发学科专用校验工具势在必行。针对计算机专业，可以开发代码逻辑验证模块，对生成式 AI 生成的代码进行逻辑分析和验证，确保代码的正确性和可靠性；开发系统安全性检测插件，对系统设计方案进行安全性评估，及时发现潜在的安全风险。通过这些校验工具的应用，能够有效提高生成式 AI 输出内容的质量，降低错误导向的风险，为学生提供更准确、可靠的学习支持。

（二）未来研究方向

1. 跨学科融合：探索生成式 AI 在计算机与艺术、管理等学科交叉领域的创新思维培养模式，具有广阔的研究前景。在计算机与艺术的交叉领域，生成式 AI 可以为数字媒体技术创新提供强大的支持。利用生成式 AI 的图像生成和视频合成能力，艺术家和设计师可以快速生成创意草图、概念设计和虚拟场景，激发创作灵感，拓展创作边界。生成式 AI 还可以与艺术创作过程相结合，实现人机协作的创作模式，为艺术创作带来新的可能性。在计算机与管理的交叉领域，生成式 AI 可以应用于智能系统商业应用设计。通过对市场数据的分析和预测，生成式 AI 可以为企业提供商业策略建议、产品设计优化方案等，帮助企业更好地适应市场变化，提高竞争力。研究生成式 AI 在这些跨学科领域的应用，不仅能够丰富生成式 AI 的应用场景，还能够促进不同学科之间的融合与创新，培养具有跨学科思维和创新能力的复合型人才。

2. 长效影响评估：目前，关于生成式 AI 教学模式对学生创造性思维培养的研究主要集中在短期效果评估上，而对其长期影响的研究相对较少。为了全面了解生成式 AI 教学模式的有效性和可持续性，需要跟踪毕业生在实际工作中的创新表现，验证生成式 AI 教学模式对创造性思维的长期塑造效果。通过对毕业生的长期跟踪调查，可以了解他们在工作中是否能够运用所学的知识和技能，解决实际问题，提出创新性的解决方案；是否能够适应快速变化的工作环境，不断学习和创新。根据跟踪调查的结果，进一步完善生成式 AI 教学模式，优化教学内容和方法，为学生提供更有效的创造性思维培养，推动教育技术赋能的可持续发展路径。

六、结论

生成式 AI 为计算机专业创造性思维培养提供了技术赋能新范式，通过构建 “理论框架 - 实施策略 - 支持体系” 三位一体的教学模式，可有效提升学生在真实学科实践中的创新能力。在理论层面，双链驱动的创造性思维培养模型为教学实践提供了坚实的理论支撑，明确了生成式 AI 技术与创造性思维培养之间的内在联系和作用机制。在实施层面，项目式学习、协作式创作和实验教学创新等三维度教学策略，从不同角度激发了学生的创新潜能，提高了学生的实践能力和创新思维水平。在支持层面，立体化教学资源与保障体系为教学模式的顺利实施提供了有力保障，确保了生成式 AI 技术在教学中的有效应用和教师能力的提升。

通过实证研究，我们验证了基于生成式 AI 的教学模式在提升学生创造性思维和学习效果方面的显著优势。实验组学生在方案新颖性、技术实现复杂度等方面表现出色，代码迭代效率得到显著提升，同时学生对生成式 AI 辅助学习的积极反馈也表明该教学模式具有良好的应用前景。然而，我们也必须清醒地认识到，生成式 AI 在教育应用中仍面临着技术伦理风险和质量控制难题等挑战。为了充分发挥生成式 AI 的优势，规避潜在风险，未来需要进一步深化技术与教育的深度融合。在技术伦理方面，建立健全相关准则和规范，引导学生正确使用生成式 AI，避免过度依赖，确保学生的自主思维能力得到有效锻炼。在质量控制方面，加大研发力度，开发更加完善的校验工具，提高生成式 AI 输出内容的准确性和可靠性。

未来，还需深入探索跨学科融合背景下生成式 AI 对创新思维培养的长效影响。通过跟踪毕业生在实际工作中的创新表现，不断完善生成式 AI 教学模式，为培养适应智能时代的创新型人才提供坚实支撑。生成式 AI 在计算机专业教育中的应用是一个充满机遇和挑战的领域，需要教育工作者、技术开发者和政策制定者共同努力，不断探索和创新，以实现教育的高质量发展和人才培养的目标。