在计算机教育中让学生担任大语言模型的教师

大语言模型进入计算机基础课，最常见的用法是把它当成随叫随到的助教：解释概念、调试代码、回答问题。这条路线的隐患在材料里写得很直白——学生可能把本该自己完成的推理交给模型，形成被动学习与过度依赖，学术诚信问题也随之而来。这份资料提出的办法是把角色对调：让 LLM 扮演需要被教会的一方，学生则必须写出足够好的指令，把解题过程讲清楚。换句话说，模型不再替学生省掉思考，而是把「讲明白」变成学生的任务。在 LLM 已经能直接做出不少课程作业的当下，这个视角值得一看。

研究的落点是两个问题：这种「教中学」的做法，相比传统教学在学生成绩上能拉开多大差距；以及学生究竟能把 LLM 引导到什么程度，代价和实际部署门槛如何。方法上分三层：一是设计带有「工程化知识缺口」（engineered knowledge gaps）的题目，缺口只有学生能补上；二是用既有的提示工程原则训练学生组织答案，主要靠 Chain-of-Thought 把问题拆成一步步的推理，再配合 Few-Shot Prompting 给出完整、带推理的范例模板；三是系统侧用 Socrates 把学生的提示反复送进模型，借 Self-Consistency 判断这套解法是否稳定有效。实证部分是在 CUNY Queens College 的一门本科课程里做部署，把学生表现与历史队列对照。

最值得注意的是题目难度的定位。作者明确指出，许多现成课程题 LLM 已经能以人类水平解出，所以「让学生教模型」的前提是先造出模型直接解不动、但配上恰当提示就能解的题——这一步被作者自己称作 non-trivial。这也解释了为什么「工程化知识缺口」是整套方法的核心而非附属：缺口定义了学生必须贡献的那部分理解。就解读而言，这实际上把出题从「考知识点」改成了「考能否把知识点组织成模型可执行的指令」，评价的对象随之改变。

支撑落地的是 Socrates：一端是给学生用的 playground，让他们在专门设计的题目上反复试验；另一端是借 LLM 做验证的 grader，用于判定学生给出的指令是否真的奏效。材料强调系统面向教师设计，所需编程知识很少，这是它能进普通课程的前提。评估结论是：与传统方式相比，这种主动学习带来统计显著的学生表现提升，同时运营成本很低，作者用 cost-effective 来形容整套框架。

这些结论意味着，LLM 在教育里不必只有「禁用」和「当答疑工具」两个选项，还可以被当成教学对象，而学生要付出的努力恰好落在原本容易被模型替代的那一段。作者把机制归到已被充分记录的 protégé effect——教的行为本身会加深教者对材料的掌握。对课堂实践的影响是双重的：一方面，任务形态本身让「把题丢给模型」失去捷径；另一方面，教师端的部署门槛被压到不需要写多少代码。需要说明的是，这一层因果解释来自作者引用的既有研究，材料并未给出独立的机制验证。

对计算机基础课的老师、课程设计者，以及关心 LLM 如何进课堂而不是绕开课堂的人，这份资料的可用之处在于三样东西：一套造题思路、一套教学生写提示的教学法、以及一个可直接参照的系统结构。读之前要知道边界：实证来自一门本科课程，对照的是历史队列而非随机分组；材料给出的定量信息停留在「统计显著」和「低成本」这类判断上，提升幅度、样本规模与具体计算开销都没有出现在可见文本里；此外它发表不久，被引次数还很少，外部复现尚未形成。把它当作一个可借鉴的设计范式而非已经验证的通用结论，是更稳妥的读法。

Published as a conference paper at COLM 2025 Learning by Teaching: Engaging Students as Instructors of Large Language Models in Computer Science Education Xinming Yang The Graduate Center, CUNY New York, NY, USA [email protected] Haasil Pujara Hunter College, CUNY New York, NY, USA [email protected] Jun Li Queens College & The Graduate Center, CUNY New York, NY, USA [email protected] Abstract While Large Language Models (LLMs) are often used as virtual tutors in computer science (CS) education, this approach can foster passive learning and over-reliance. This paper presents a novel pedagogical paradigm that inverts this model: students act as instructors who must teach an LLM to solve problems. To facilitate this, we developed strategies for designing questions with engineered knowledge gaps that only a student can bridge,