基于GAI的编程课程个性化学习路径生成与优化研究

引言

数字化时代下，编程能力成为核心素养，但编程教育面临个性化需求与资源适配的矛盾[]。学习者群体日益多元，在基础、能力、风格等方面差异显著。传统"一 刀切"教学模式难以满足需求，导致部分学习者兴趣缺失。教学资源方面，传统静态资源（教材、课件等）难以动态调整，在线资源又缺乏有效组织，学习者常陷入选择困境。

生成式人工智能技术的快速发展为解决上述问题提供新契机[2]。其具备强大的生成、学习及自适应能力，在代码生成、错误诊断、智能辅导等方面优势显著。将 GAI 应用于编程教育[2]，构建个性化学习路径生成与优化系统，可结合学习者个体特征与学习状态，提供定制化学习内容与方案，提升学习效率与质量。

2 相关理论基础

2.1 生成式人工智能（GAI）技术

生成式人工智能基于 Transformer 等深度学习模型，在大量数据上训练以学习数据中的模式和模式，并相应地生成新数据。在编程教育领域，生成式 AI 能根据需求自动生成代码片段，辅助编程；可分析代码错误并提供修正建议，提升调试效率；还能模拟师生互动，进行个性化答疑指导，优化学习体验。

2.2 个性化学习理论

个性化学习是依据学习者个体差异，提供适配其特点的学习内容、方式及环境的学习模式。该理论强调学习者主体地位，认为每个学习者有独特学习需求与节奏，需因材施教[3]。其核心思想包括：一是学习者存在差异，如认知能力、学习风格、兴趣爱好等方面；二是学习目标个性化，需结合个体差异与发展需求制定；三是学习内容个性化，根据学习目标与认知水平选择；四是学习方式个性化，依据学习风格与习惯提供多样化方式。

在编程教育中应用个性化学习理论，需充分考虑学习者个体差异，构建个性化学习路径，而 GAI 技术为该路径的生成与优化提供了技术支持。

3 研究方法

3.1 多维学习者画像模型的构建

个性化学习路径生成的核心在于精准刻画学习者的能力、兴趣及行为特征，并动态调整教学策略[4]。通过多源数据融合构建学习者画像，可为后续个性化学习路径规划提供数据支持。面向理工系各专业学生的编程课程需求，本画像体系包含5 大类32 个特征指标[5]，具体如表1 所示：

表1 学习者画像特征指标体系

在构建学习者画像模型时，采用了数据挖掘和机器学习的方法。通过收集学生的各种学习数据，包括作业成绩、学习时长、期末成绩等，对这些数据进行预处理和特征提取，然后利用分类、聚类等机器学习算法对学习者进行画像。

3.2 个性化学习路径生成方法

基于多维学习者画像模型，本研究提出个性化学习路径生成方法，步骤如下：

学习目标分解：根据学习者目标，分解为具体可实现的子目标。例如，“掌握 Python 编程语言” 可分解为 “掌握基础语法”“掌握函数定义与调用”“掌握面向对象编程” 等子目标。

学习内容推荐：结合学习者基础信息、认知能力、学习风格等特征，为每个子目标推荐适配的学习内容。推荐时利用 GAI 技术分析筛选资源，确保与需求匹配。

学习路径初始规划：按子目标先后顺序与学习内容难度梯度规划初始路径，遵循由易到难、循序渐进原则，保障学习者逐步掌握知识。

学习路径优化调整：学习过程中，结合学习者学习状态与反馈信息实时优化路径。若学习者在某子目标学习中遇困、进度缓慢，可增加学习时间或推荐更基础易懂的内容；若掌握较好，则加快进度进入下一子目标。GAI 技术在路径生成中作用关键：通过分析预测学习者学习数据，准确把握其学习需求与趋势，生成更合理高效的个性化学习路径。

4 实验与成效

4.1 实验设计

数据集选择院校360 名学生，样本无编程基础，分实验组（GAI+AI 编程助手）与对照组，采用传统教学方式。

表2 实验分组

本次实验为期 8 周（每周2 课时），课程内容涵盖Python 编程基础、数据处理（Pandas）及综合项目。实验指标包括：学习效率（以任务完成时间衡量）；知识掌握度（以期末测试成绩评估）；认知负荷（通过认知负荷量表问卷调查量化）。

实验中收集两组学生的学习时间、测试成绩及问卷数据，经整理分析后，采用统计学方法检验实验结果差异。

4.2 实验结果与分析

实验结果表明，在学习效率方面，实验组完成相同学习任务的平均时间为（ （180±25） ）分钟，而对照组为（310±30）分钟。实验组的学习效率比对照组提高了 42% ，且差异具有统计学意义（P<0.05），表明该系统能显著提高学习效率。在知识掌握方面，实验组在期末测试中的平均得分为（85±5）分，而对照组为（ （63±6） 分。实验组的知识掌握程度比对照组提高了 35% ，且差异具有统计学意义（ （P<0.05） ），表明该系统能帮助学习者更好地掌握知识。在认知负荷方面，问卷调查显示，实验组的平均得分为 （2.5±0.5） 分，而对照组为（ （4.2±0.6） ）分。实验组的认知负荷显著降低，且差异具有统计学意义（P<0.05），表明该系统能减轻学习者的认知负荷，使学习更加轻松。

5 结论与展望

针对编程教育中个性化学习需求与教学资源之间适应性不足的问题，本研究提出了一种基于 GAI 的个性化学习路径生成和优化方法。通过构建多维学习者画像模型，实现了学习内容的智能匹配和路径优化。实验数据表明，该系统可以显著提高学习效率和知识掌握率，同时有效降低认知负荷，为智能编程教育提供了一种可行的创新解决方案。

未来的研究将在四个方面深化：首先，我们将完善学习者画像模型，扩大数据收集范围，并加强对学习兴趣和动机等维度的描述。其次，我们将优化路径生成算法，并将其与强化学习等技术相结合，以提高路径适应性。第三，我们将推动GAI 与 VR、AR 等技术的融合，创造一个沉浸式的学习环境。第四，我们将进行大规模的实际应用，在更多的教育场景中收集数据，不断优化系统，促进智能编程教育的普及。

参 考 文 献

[1]谢晓，彭望胜，何雨昕.生成式人工智能对中学生编程学习动机和编程学习效果的影响研究[J].教育信息技术，2025，（04）：42-46.

[2] 尹良泽， 徐建军， 李姗姗， 等. 人工智能时代下的计算机程序设计课程教学探索[J]. 计算机教育，2025，（02）：123-127.

[3]白玉帅.个性化学习路径构建研究[D].湖北汽车工业学院，2023.

[4]李双.基于知识图谱的个性化学习路径推荐关键技术研究[D].东南

[5]张艳，王梦涵，张默，等.“新农科”建设驱动下农科类人才需求转变与培养趋向研究[J].现代教育管理，2020，（11）：8-13.

作者简介：孙麒惠（1998.07），女 汉族 沧州人，硕士，助教，研究方向：车联网，人工智能课题项目：省教育科学“十四五”规划2024 年度一般课题：地方农业院校计算机类课程的改革与实践研究（2404006）。