从试点到实践：面向计算机科学教育的生成式 AI 自主化范围综述

生成式 AI 实现了大规模的计算机科学教育个性化，但关于这种个性化是否支持或削弱学习的疑问仍然存在。本综述综合了 32 项研究（2023-2025 年），从 259 条记录中有针对性抽样，描绘了更高教育计算机科学情境下个性化机制及其有效性信号。我们识别出五个应用领域：智能辅导、个性化教材、形成性反馈、AI 增强评估和代码审查，并分析设计选择如何塑造学习结果。包含解释导向、解答保留、渐进提示梯度和以工件为基础（学生代码、测试和评分标准）的设计，比不受约束的聊天界面更能显示积极的学习过程。成功的实现方式包括四个模式：以学生工件为基础的情境感知辅导、需要反思的多层次提示结构、与传统 CS 基础设施（自动评分器和评分标准）集成以及人类在环质量保证。我们提出一种以探针式采用为导向的框架，强调试点、工具化、学习保护默认设置以及基于证据的扩展。我们指出了包括学术诚信、隐私、偏见和公平性以及过度依赖在内的 recurrent 风险，并配以操作性缓解措施。证据支持生成式 AI 作为一种实现精准支架的机制，当其嵌入保留生产性挣扎的审计就绪工作流程时，可实现规模化的个性化支持。