RUITA / DAILY BRIEF ·
AI 把代码写好了,学生真的会了吗?悉尼大学课程用六路证据来检查
悉尼大学一门编程课把 AI 工具带入教学,用课程表现、代码过程、访谈与学习记录等六类证据,观察学生是否学会解决问题,而不只看最终代码能否运行。
KEY FACTS
核心信息
- 01
研究对象是一门 13 周的软件密集型研究生工程课,允许较多 AI 辅助,但学生仍须负责规划、核验、整合和解释。
- 02
课程收集六类证据:成品、过程或来源、验证、解释、反思、个人保障;评估逻辑是收集、交叉核对、必要时追问。
- 03
作者报告第 11 周有 87 名学生、17 个团队;957 个个人周仓库和 34 个小组项目仓库支撑课程记录。
- 04
论文明确没有对照组或个人学习成效分析,且全课程统一的交叉核对触发规则尚未正式实施。
从最终代码看到学习过程
悉尼大学一门 13 周的软件工程课程允许学生大量使用 AI。研究团队跟踪 87 名学生、17 个小组、957 份个人每周代码仓库和 34 份小组仓库,提出六类评估证据:最终作品、过程与来源、测试验证、学生解释、学习反思和个人保障。

教师把六路记录连起来看
一组代码功能完整,但提交记录和代码审查很少,教师就可以追问学生如何作出关键设计、AI 在哪一步参与、测试怎样验证结果。课程可收集提交、测试和 AI 使用记录,再通过演示、口试或个人说明核对学生的理解。把“写出来”“跑起来”和“解释得清”分开观察,评价会更贴近真实能力。
作者把工作流概括为 Frame、Delegate、Inspect、Verify、Review、Integrate:先确定问题,再分派 AI 任务,检查结果、验证证据,最后由人整合。教师可以把这六步改造成作业反思表,让学生交代码时同时说明 AI 做了什么、自己核对了什么。