大模型重构高职Python教学：从“教师主讲”到“智能伴学”的个性化实践路径研究

一、引言

Python 作为人工智能、数据分析、Web 开发领域的核心编程语言，是高职院校信息技术类专业重点课程。大模型技术（以开源 ChatGLM-6B 为代表）的发展，为高职 Python 教学创造新机会——可实现自然语言与代码互转提供实时指导、分析学习数据打造个性化路径、归集行业案例充实内容。在高职教学场景中，ChatGLM-6B模型部署需至少 16GB 显存的 GPU（如 NVIDIA Tesla T4）、32GB 内存及 500GB 以上存储空间，确保 30-50 名学生同时在线访问时无卡顿；开源版本无API 调用次数限制，但需学校自行维护服务器与模型更新；商业版本提供云端服务，却存在月调用量上限（通常1 万次/账号），超出需额外付费；原始模型与高职 Python 教学匹配度约60%，需导入课程大纲、教学案例（如“学生成绩管理系统”）及常见错题集进行二次微调，使输出准确率提升至85%以上。在此背景下，探索ChatGLM-6B 重塑教学的实践途径，对提升教学质量、培养产业需求人才具有重要意义。

二、高职Python 教学现存问题剖析

传统教学以教师课堂讲解为主，无法兼顾学生个体差异。学生基础参差不齐、学习风格多样，但教学进度与方法“一刀切”，导致部分学生跟不上节奏、部分学生觉得内容缺乏挑战性，学习积极性低落。Python 技术迭代快，新框架、新库不断涌现，但教材更新迟缓，部分内容未涵盖热门领域新应用，学生所学与企业实际需求脱节，就业竞争力不足。课程评价以考试成绩为主，侧重理论知识记忆，忽视编程实践能力，学生虽能应对考试，但实际编程问题频出，难以将知识转化为技能。

三、大模型（ChatGLM-6B）重构高职Python 教学的实践路（一）构建“智能伴学”教学模式，实现个性化学习

基于开源ChatGLM-6B 模型搭建平台，学生遇编程问题时，以自然语言（如“Python 读取CSV 文件报错怎么办？”）提问，模型通过预训练的代码理解与纠错能力，实时返回代码示例、错误原因及解决步骤。

基于ChatGLM-6B 的学习数据剖析与画像描绘，数据采集层通过平台接口采集学生学习数据（代码提交记录、问题提问内容等）；数据处理层中，“无效提交”判定标准为代码为空、仅含注释，或重复提交间隔 <5 分钟且内容一致，分类维度权重设置为语法错误 40% 、逻辑错误 35% 、库调用问题 25% ，确保数据处理客观；画像生成层从“基础能力、问题解决能力、学习偏好”生成可视化画像，如“基础薄弱型（语法错误占比超40%）”。

个性化学习路径搭建，ChatGLM-6B 依据学习画像推送资源，对基础薄弱学生，推荐基础语法微课（如“Python循环结构实战”）+简单案例（“学生成绩统计小程序”）；对基础好的学生，推送高级框架课程（如“FastAPI 开发实战”）+复杂项目（“基于LangChain 的智能问答系统开发”），实现因材施教[1]。

（二）整合ChatGLM-6B 资源，更新课程内容

在 ChatGLM-6B 平台中配置 Kaggle、GitHub 的开放 API 接口，设置数据筛选条件（如“近 1 年 Python 数据竞赛案例”“星标超1 万的Python 开源项目”）；模型调用接口抓取数据，通过关键词匹配（如“人工智能”“大数据分析”）筛选符合教学需求的案例，自动剔除冗余（重复案例）与难度不符（超纲或过简）内容；ChatGLM-6B将筛选后的行业案例转化为教学素材，如把Kaggle“房价预测”竞赛案例，拆解为“数据清洗→特征工程→模型训练”三个教学模块，生成配套课件（含代码注释、思路解析）；教师基于模型生成的案例素材，带领学生剖析案例思路、编写代码，使教学内容贴合行业趋势；同时，ChatGLM-6B 定期（每月1 次）调用 Python 官方文档接口，抓取技术更新动态（如Python 3.12 新特性“类型标注增强”），生成解读文档（含应用场景、代码示例），教师直接将其补充至课程大纲，确保学生学到最新知识[2]。

（三）依托ChatGLM-6B 完善课程评价体系

基于 ChatGLM-6B 的学习进程实时监控，ChatGLM-6B 通过平台实时追踪学生在线学习行为（视频观看完成率、课件下载次数）、课堂互动参与度（提问次数、小组讨论贡献度，通过线上互动面板采集）；模型将监控数据转化为可视化分析报告，包括“学习活跃度走向图（按日/周统计在线时长变化）”“知识点掌握情况热力图（红色为薄弱知识点，如“Python 异常处理”）”；教师依据报告动态调整教学，如针对热力图中“异常处理”薄弱点，增加 1 节专项实训课，为学习活跃度下降的学生开展1 对1 辅导；采用“项目作品+代码审查+答辩”模式，其中代码审查环节由ChatGLM-6B 辅助完成——模型调用代码审查模块，从“语法规范性、逻辑完整性、性能优化度、安全性”四个维度检查代码，生成审查报告（如“存在未捕获的 FileNotFoundError”“循环逻辑可简化为列表推导式”）；答辩环节，ChatGLM-6B 依据学生回答内容，从“精准度（是否贴合问题核心）、逻辑性（步骤是否清晰）、创新性（是否有独特解决方案）”维度提供评分建议，使评价更全面客观。

四、当前应用存在的问题与优化策略

（一）存在问题

大模型（ChatGLM-6B）平台存储学生学习数据，存在数据泄露风险；面对复杂编程问题（如多模块协同开发），模型解答可能存在理解偏差，给出不完整方案；部分学生过度依赖模型，缺乏独立思考与调试能力；教师向“学习引导者”角色转型困难，对ChatGLM-6B 的接口配置、数据处理等功能不熟练，难以高效整合资源。

数据泄露风险源于平台权限管理设计缺陷，未设置分级访问权限，且缺乏操作日志审计功能，易导致非授权人员获取数据；模型解答偏差因模型对复杂问题（如多模块协同开发）的上下文理解能力不足，无法识别模块间逻辑关联，导致方案不完整；学生过度依赖源于学生学习自主性薄弱，且平台未设置“模型依赖度预警”机制（如单日调用超10 次未提示），难以干预消极学习行为；教师角色转型困难主要因为学校缺乏系统性技术培训（仅1 次基础操作培训），且无教师交流平台，导致教师无法熟练掌握接口配置、数据处理等功能。

（二）优化策略

学校与ChatGLM-6B 平台签订数据安全协议，采用端到端加密（传输过程）与本地加密存储（数据不上传第三方服务器）技术；每月开展数据使用审计 （检查访问日志， 排查异常操作），构建分级访问权限体系（教师仅能查看所带班级学生数据，管理员需双人验 -6B 的解答进行验证（如“运行模型提供的代码，检查是否符合预期结果 限时独立完成项目开发），锻炼独立思考与解决问题能力；安排教师参加 Ch -6B 应用培 内容涵盖“接口配置”“数据剖析模块使用”“教学资源整合方法”；每月开展教研交流活动，分享ChatGLM-6B 教学应用心得，共同探索深度融合路径[3]。

五、结论

大模型（ChatGLM-6B）通过搭建“智能伴学”模式、更新课程内容、完善评价体系，有效解决高职Python教学现存问题，提升教学质量与学生编程能力，推动从“教师主讲”到“智能伴学”的转变。虽存在数据安全、模型误导、教师角色转型等挑战，但通过优化策略可逐步化解，为高职编程教育智能化发展提供可行路径。

[1] 何国强. 人工智能背景下高职物流管理专业 Python 程序设计教学研究[J]. 中国物流与采购,2024,(22):110-111.DOI:10.16079/j.cnki.issn1671-6663.2024.22.035.

[2]马晓娜,伍翀. AI 教学助手在高职 Python 课程中的应用与实践[J].信息与电脑(理论版),2024,36(18):179-181.[3] 彭 赟 , 王 鹏 , 陆 孟 雄 . 高 职 Python 与 人 工 智 能 教 学 设 计 [J]. 农 机 使 用 与 维修,2024,(04):142-146+150.DOI:10.14031/j.cnki.njwx.2024.04.041.