本研究由C. Estelle Smith（科罗拉多矿业学院计算机科学系）领衔，联合Kylee Shiekh（物理系）、Hayden Cooreman（计算机科学系）等10位来自不同学科的学者共同完成。论文发表于2023年7月8-10日在意大利米兰举行的ITiCSE 2024会议（《Innovation and Technology in Computer Science Education》第一卷），并获得ACM ISBN 979-8-4007-0600-4/24/07的出版编号，采用知识共享许可协议（CC BY 4.0）。
研究领域：本研究属于计算机教育(Computing Education)与人工智能交叉领域，重点关注生成式人工智能(Generative AI, GenAI)对高等教育的影响。随着ChatGPT等工具在2022年11月的公开推出，GenAI技术以自然语言交互、多模态内容生成等特性迅速渗透教育领域，其通用性显著区别于传统针对性教学工具（如智能辅导系统ITS）。
问题提出：现有研究存在三个关键缺口：(1)缺乏计算专业学生对GenAI使用认知的实证数据；(2)大学政策滞后于技术发展，形成监管真空期；(3)需要建立分类学框架(Taxonomy)来系统记录快速演变的学生使用行为。研究团队抓住2023春季学期这一关键时间窗口，旨在捕获ChatGPT发布初期学生自发使用模式的”历史快照”。
研究目标：通过调查R1研究型大学计算机专业学生，实现三个层次目标：(1)建立GenAI采用率的基线评估；(2)识别学生教育/职业发展中的GenAI需求与担忧；(3)探讨GenAI对计算机科学(CS)教学法、课程体系及政策的影响机制。研究提出两个核心问题： - RQ1：在缺乏明确指导的情况下，计算专业学生如何采用GenAI工具？ - RQ2：学生如何看待GenAI在其教育及未来职业中的角色？
研究采用混合方法设计，包含量化问卷与质性开放问题。经过3轮预测试（含教育创新中心专家评审）优化问卷信效度。最终工具包含： 1. 使用频率评估：对三类GenAI工具（LLM聊天机器人、代码生成器、图像生成器）的五级使用频率量表（从”每日使用”到”仅出于好奇”） 2. 政策认知测量：课程AI政策存在性的四选项量表（从”大纲明示”到”完全未提及”） 3. 效益评估：GenAI对计算机科学领域影响的1-10级Likert量表 4. 开放问题：聚焦使用场景、教育角色认知、职业准备需求三大维度
目标人群：科罗拉多矿业学院所有计算机科学专业学生（本科生+研究生），通过部门邮件列表招募。选择该样本基于三点考量：(1)CS专业学生具有工具评估的专业能力；(2)学科跨度从大一本科生到博士生的完整学习阶段；(3)小规模工程院校的集中样本便于快速响应技术变革。
最终样本：133名有效应答者（占部门总人数9.2%），其中本科生116人（87.2%）、研究生17人（12.8%），涵盖各年级段（本科生28.4%为新生，研究生29.4%在读4年以上）。为控制偏差，采用匿名调查与礼品卡抽奖机制激励真实作答。
量化分析：使用Python的pandas/scikit-learn库进行描述统计、卡方检验、Pearson相关分析，重点检验使用频率与效益认知的关联性。
质性分析：采用定向内容分析法(Directed Content Analysis)处理开放问题，通过六轮迭代建立编码手册(Codebook)： 1. RQ1编码体系：包含3个一级代码（学习支持、编程辅助、写作辅助）、9个二级代码（如概念探索、代码调试、提纲生成） 2. RQ2编码体系：包含3个维度（实施方法、使用程度、论证逻辑）、12个子代码（如课程整合、职业准备、学习损伤担忧） 6名编码员通过Krippendorff’s α>0.6的可靠性检验后完成全样本编码。所有编码手册与原始数据通过bit.ly/genaicodebook公开。
工具采用差异：LLM聊天机器人使用率最高（18%每日使用，27.1%每周使用），代码生成器次之（8.3%每日使用），图像生成器尝试率仅36.1%。政策真空明显——33.8%课程完全未讨论AI使用，仅12.8%课程大纲包含正式政策。
三大使用范式（见图1编码分布）： 1. 学习支持（32例）： - 概念探索(Conceptual Exploration, 19例)：通过AI获取课程概念的替代解释（如”当教授讲解简略时，ChatGPT能提供’降维’解释”） - 文档摘要(Summarization, 7例)：处理冗长教学资料 - 非正式辅导(Informal Tutoring, 6例)：在教师无法及时响应时获得帮助 2. 编程辅助（23例）： - 代码起草(Code Drafting, 14例)：生成基础代码框架后人工优化（”将GPT视为编程计算器”） - 代码解释(Code Explanation, 10例)：理解现有代码逻辑（”用ChatGPT解析Copilot生成的代码”） - 调试支持(Debugging, 10例)：比Stack Overflow更高效的错误诊断 3. 写作支持（21例）： - 创意激发(Idea Generation, 4例)：克服写作障碍 - 结构优化(Outlining/Revision, 11例)：从提纲到语言风格的改进
关键发现：零应答者承认完全依赖AI完成作业，所有使用均强调”辅助性”。研究生更倾向概念探索（+12%），本科生更多代码起草（+8%）。
效益评估：学生总体持积极态度（本科生均值6.78/10，研究生7.41），使用频率与效益评分显著正相关(p<0.0008)。
政策期待（见图2编码）： - 实施方法：53人主张”职业应用教学”，30人建议”课程整合” - 使用程度：68人支持”条件性使用”(Conditional Use)，41人倾向”鼓励使用”，仅16人主张”禁止”
核心争议点（见表2对比案例）： 1. 学习效果张力： - 损伤论(43例)：担心AI导致”认知惰性”（”有学生盲目跟随AI输出，连基本纠错能力都丧失”） - 促进论(39例)：肯定其”平行同事”价值（”AI能像人类导师一样分解复杂问题”） 2. 职业准备焦虑： - 技能危机(41例)：86%研究生认为”避免AI等同职业自杀” - 就业替代(20例)：担忧”三十年内人类程序员被AI取代” 3. 伦理风险： - 错误信息(15例)：LLM的”幻觉”(Hallucination)问题 - 社会公平(14例)：获取机会不平等引发的数字鸿沟
教育框架建议： 1. 教学法革新：倡导基于探究的学习(Inquiry-Based Learning)，培养学生对AI输出的批判性验证能力。例如在入门课程限制代码生成但允许调试辅助，高阶课程则开放提示工程(Prompt Engineering)探索。 2. 课程阶梯设计：按学习阶段差异化整合GenAI，低年级聚焦概念探索，高年级训练职业场景应用。 3. 政策三元平衡：建议构建”文化-政策-工具”协同机制，通过技术护栏(Technical Guardrail)限制特定使用场景（如禁止作业代写但允许代码解释）。
学术贡献： 1. 方法论创新：建立首个针对CS学生GenAI使用的标准化编码体系，为纵向比较提供基准。 2. 实证发现：揭示”辅助而非替代”的主流使用模式，挑战”普遍作弊”的公众认知。 3. 政策时钟理论：捕获技术扩散与制度响应间的关键滞后期(Policy Lag)学生行为。
应用价值： 1. 教育决策：为AI政策制定提供学生视角证据，反对”一刀切”禁令。 2. 产业衔接：指出CS教育需加强”人机协作”能力培养，应对职场AI普及。 3. 技术开发：反映学生对可解释性(Explainability)与错误控制的迫切需求。
创新性： - 时间敏感性：首个在ChatGPT发布6个月内完成的系统性研究 - 分类学贡献：建立可复用的使用场景分类框架 - 多学科视角：融合CS、教育学、心理学分析方法
局限性： - 样本代表性：小规模工程院校样本可能限制结论外推 - 自我报告偏差：敏感问题可能低报不当使用 - 技术迭代影响：研究后GPT-4等升级可能改变使用模式
未来方向： 1. 跨院校比较研究（不同规模/类型高校） 2. 学习效果纵向追踪（GenAI使用与成绩关联） 3. 课程模块开发（如”负责任的AI使用”工作坊）
该研究为理解AI时代计算教育转型提供了关键基线数据，其方法论框架已被后续多个研究团队采用。随着AI技术持续演进，这项工作将成为衡量教育适应性变化的重要参照点。