引言

生成式人工智能正在改变编程课堂的反馈方式，学习者可快速获得代码示例、错误解释和修改建议。与此同时，联合国教科文组织相关指南强调，教育应用还应保护学习者主体性，明确人机责任边界并培养审慎使用能力。

这一矛盾在中职Python课堂中尤为突出。AI代码生成器和生成式AI虽可提高入门任务完成率、编程表现与自我效能，但成效受任务结构、课堂引导和反馈方式影响，自由使用并不等于有效学习。

代码“跑通”并不等于真正理解。生成式AI可能使元认知能力较弱的初学者快速完成任务，却难以解释程序逻辑，甚至形成能力错觉；一次性索要完整方案也可能削弱后续修改表现。因此，应区分语法查询、局部提示等有效外包，与将题意分析、算法规划、错误定位和修改判断等核心加工交给工具的高风险外包。

本研究将后一类行为称为“替代性认知外包”，即学习者借助生成式AI绕过本应亲自完成的关键编程思考，表现为未分析即索要完整代码、复制后不能解释、报错即要求直接修复或缺少答案验证。该概念用于判断学生是否仍保有认知主导权。

现有研究多关注成绩、自我效能或任务完成率，对AI交互过程、无AI迁移表现和中职学生的证据关注不足，且编程顺序、反馈边界、动机支持与过程评价常被分散设计。本研究据此构建PRIMM-SDT协同支架，考察其对计算思维、编程自我效能、认知负荷、求助方式和无AI独立表现的影响。

一、PRIMM-SDT协同支架的构建

（一）理论依据

PRIMM包括预测、运行、探究、修改和创造五个阶段，强调初学者先阅读、预测和解释代码，再进入修改与独立创作。在生成式AI环境中，学生应先形成判断并留下记录，AI随后提供解释、线索或边界检查，而非直接给出完整程序。

自我决定理论指出，自主性、胜任感与关系性需要的满足有助于维持学习动机。因此，支架在限定AI边界的同时，安排选择表达、递减线索、分步反馈、教师追问和同伴交流。认知负荷理论则要求减少无关信息筛选和盲目试错，而非减少必要思考。

协同支架由PRIMM学习路径、SDT支持、AI反馈边界和过程性证据四部分构成，见图1。

（二）作用机理与角色分工

支架的作用并非源于“少用AI”，而是源于学习活动、工具反馈和教师调控的一致安排。在预测与运行阶段，学生先作判断、再以运行结果检验；在探究与修改阶段，学生解释变量、条件和循环，并根据线索自主调试；在创造阶段，AI退至复核与边界检查位置。教师负责设计任务、追问依据和评价过程，学生始终承担理解、选择和修改责任，AI则在不同阶段充当启发提示者、结果解释者、局部讲解者、线索提供者和复核支持者。类似的人智协同研究也表明，智能体角色需要随学习活动动态转换，而非固定为答案提供者。

阶段	教师任务	学生任务	AI支持	禁止边界	过程证据
预测	创设情境，提出预测要求	说明任务理解、代码功能或初步算法	追问、澄清、提供情境提示	不提供完整代码或完整算法	预测记录
运行	组织运行并引导比较	运行程序，记录输出与报错	解释运行现象，提示错误类型	不直接修复全部错误	运行记录
探究	追问变量、条件与循环关系	分析结构，定位理解难点	局部讲解、代码注释、思路比较	不生成整段补丁代码	代码解释/错误分析
修改	检查修改依据与调试过程	依据线索尝试修改并验证	递减线索、关键位置提示、边界反馈	不提供完整修复版本	修改记录与理由
创造	布置迁移任务，组织作品说明	独立编写或优化程序并反思	边界检查、可读性建议、反思性追问	不代写完整项目	作品与代码说明

注：AI支持以“解释、线索、追问、检查”为主；核心判断与代码修改由学生完成。

二、研究设计

（一）研究对象与准实验安排

研究于2025年秋季学期在浙江省某中等职业学校开展，参与者为计算机相关专业三个自然班共135名学生，每班45人，年龄16-17岁。学生已掌握变量、条件、循环和列表等基础内容。因无法随机重组班级，采用三组前后测准实验设计。

常规教学组不使用生成式AI；无支架AI组可自由使用Kimi网页端；支架化AI组使用同一工具，并执行PRIMM阶段任务、统一提示框架、过程性学习单和SDT支持策略。三组教学内容、任务材料和授课进度一致，干预持续6周，每周3-4课时。

（二）教学实施

课程围绕《Python程序设计》单元展开，涵盖任务理解、代码预测、运行探究、修改调试和迁移创作。支架化AI组遵循“先独立、后求助；先分析、后修改”的规则；每次调用AI前需说明所处阶段、已有判断和帮助类型，教师通过学习单、代码版本与口头说明检查学习过程。教学流程见图3。

（三）变量与数据来源

结果变量为计算思维、编程自我效能和认知负荷，均在干预前后测量。过程变量来自两个AI组的对话日志与代码记录，包括完整代码索要频次、解释性提示词占比和AI反馈后的自主调试时长。后测后另设无AI独立编程任务，以检验脱离工具后的迁移表现。

完整代码索要指要求AI完成主体程序或给出可提交答案；解释性提示词包括概念解释、原因分析、运行机制、错误类型和思路检查；自主调试时长记录自获得AI反馈后的首次修改至再次提交或结束。量表来源、信度与编码一致性需在投稿前补齐。

（四）数据分析与伦理

研究先检验基线差异；组内前后测采用Wilcoxon符号秩检验。组间比较以后测对前测回归残差作为净变化指标，采用Kruskal-Wallis检验及事后比较并报告ε²。两个AI组的日志指标与无AI任务成绩采用独立样本t检验，认知负荷间接效应以Bootstrap置信区间判断，显著性水平为0.05。

所有记录在分析前匿名化，不用于学生排名或惩罚性评价；伦理审批与未成年参与者知情同意信息应在投稿前据实补充。

三、研究结果

（一）基线检验

变量	常规教学组	无支架AI组	支架化AI组	统计量	p
年龄	16-17岁	16-17岁	16-17岁	-	-
男/女（人）	40/5	40/5	40/5	χ²=0.00	1.000
Python前置成绩	65.00±11.80	61.78±16.36	72.60±19.88	H(2)=13.60	0.001
计算思维前测	81.14±8.20	84.22±10.07	86.15±9.64	F(2,132)=3.30	0.040
编程自我效能前测	46.91±4.69	46.49±5.05	48.21±5.07	F(2,132)=1.48	0.231
认知负荷前测	30.31±2.70	31.76±2.28	30.85±2.06	F(2,132)=4.33	0.015

注：计量资料为M±SD。三组Python前置成绩、计算思维前测和认知负荷前测存在差异，后续组间分析采用控制前测后的残差指标。

三组年龄与性别构成一致，编程自我效能前测差异不显著；Python前置成绩、计算思维和认知负荷前测存在差异，因此后续组间分析控制前测。

（二）学习成效与认知负荷

组别	计算思维（前/后）	编程自我效能（前/后）	认知负荷（前/后）
常规教学组	81.14±8.20 / 94.17±8.31	46.91±4.69 / 54.66±5.30	30.31±2.70 / 25.29±4.48
无支架AI组	84.22±10.07 / 113.56±10.58	46.49±5.05 / 62.02±5.19	31.76±2.28 / 35.56±5.04
支架化AI组	86.15±9.64 / 124.83±10.96	48.21±5.07 / 70.49±4.02	30.85±2.06 / 17.13±4.98

注：三组计算思维与编程自我效能组内前后测差异均达到p<0.001。

三组计算思维和编程自我效能均显著提高，支架化AI组增幅最大。控制前测后，计算思维残差（H(2)=90.53，p<0.001，ε²=0.67）和编程自我效能残差（H(2)=83.31，p<0.001，ε²=0.62）组间差异显著，事后比较均为“支架化AI组>无支架AI组>常规教学组”。

认知负荷在常规教学组由30.31降至25.29，无支架AI组由31.76升至35.56，支架化AI组由30.85降至17.13，组间残差差异显著（H(2)=94.62，p<0.001，ε²=0.70）。两项Bootstrap间接效应的95%CI均不含0。

（三）AI交互行为与无AI迁移表现

指标	无支架AI组	支架化AI组	t	p
直接索要完整代码频次（次）	14.8±3.6	4.1±1.5	18.34	<0.001
解释性提示词占比（%）	19.2±5.8	61.5±8.4	-27.81	<0.001
平均自主调试时长（s）	135.4±42.1	358.2±76.5	-17.25	<0.001
无AI独立编程任务成绩（分）	66.8±7.5	83.4±6.2	-11.46	<0.001

支架化AI组完整代码索要频次低于无支架AI组（4.1次 vs 14.8次），解释性提示词占比更高（61.5% vs 19.2%），自主调试更久（358.2 s vs 135.4 s），无AI独立任务成绩也更高（83.4分 vs 66.8分），差异均为p<0.001。

结果表明，支架并非减少AI使用，而是将其由答案提供者转为理解与调试支持者，使学生在反馈后继续分析、修改和验证。

四、讨论

（一）教学效果来自交互结构，而非工具开放

无支架AI组优于常规教学组，说明即时解释和反馈具有一定价值；支架化AI组净增益更高，则表明教学成效取决于交互结构，而非开放工具本身。本研究据此设置分阶段边界：预测不代写、运行不包修、探究不整段替换、修改只给递减线索、创造仅作复核。

PRIMM使学生在接触AI输出前形成可检验的判断，并通过预测、运行、解释和修改记录呈现学习过程。评价因此由“代码是否运行”转向“能否说明为什么这样改”。

（二）负荷下降不等于思考减少

无支架AI组认知负荷上升，说明过长解释、超出已有知识的代码或多种方案会增加筛选与整合负担。支架化AI组的负荷下降，主要源于任务边界清晰、信息规模受控和盲目试错减少，而非外包核心加工。

SDT支持在这一过程中发挥了重要的设计作用。自主性支持允许学生用自己的语言表达预测和求助目标；胜任感支持通过递减线索维持“可完成但需要努力”的难度；关系性支持通过教师追问和同伴交流，使代码说明成为共同学习活动。不过，本研究尚未充分验证三类心理需要的独立中介机制，因此对SDT的解释应保持在教学设计层面。

（三）替代性认知外包需要用过程证据识别

认知外包并非天然有害，关键在于工具是否接管核心加工。本研究以完整代码索要、解释性提问、自主调试时长和无AI迁移任务组成证据链，避免仅凭AI使用次数判断依赖程度。真正需要关注的是AI承担了何种认知责任，以及学生在反馈后是否继续加工。

支架化AI组解释性提问显著增加，说明求助方式可被教学设计塑造。相比直接索要完整代码，询问错误类型、运行机制或修改遗漏，会促使学生先呈现已有理解；一次性生成完整答案虽可能提高当前正确率，却不利于后续修改与迁移。

（四）对中职编程教学的启示

第一，AI使用规则应从“是否允许”转向“何时允许、允许做什么”。教师可按PRIMM阶段设置求助入口与禁止边界。第二，课堂评价应同时收集预测、运行、解释、修改和作品说明，避免只看可运行代码。第三，应训练解释性提示词，把学生自己的判断作为提问前提。第四，AI日志宜用于诊断而非惩罚，重点识别完整答案依赖、反馈后停止调试和缺少验证等行为。第五，创造阶段应安排低AI或无AI迁移任务，以检验课堂成效是否转化为独立能力。

五、结论与局限

本研究提出“替代性认知外包”这一分析性概念，并构建PRIMM-SDT协同支架。三组准实验结果表明：与常规教学和自由使用AI相比，阶段化、边界化的AI支持能够带来更高的计算思维与编程自我效能净增益，并显著改善认知负荷；与无支架AI相比，它减少了完整代码索要，提高了解释性提问和自主调试水平，也提升了无AI独立任务成绩。生成式AI进入中职编程课堂后，关键并非追求更快生成答案，而是设计一条让学生持续承担理解、判断和调试责任的学习路径。

本研究样本来自单一学校，自然班基线不完全同质，干预仅持续6周且缺少延迟后测；日志指标也难以揭示即时认知与情感变化。后续可开展多校随机或匹配研究，结合访谈、屏幕录制、代码版本追踪与序列分析，检验支架撤除后的保持效果及SDT动机机制。

参考文献：

1. [1] UNESCO. Guidance for generative AI in education and research[R/OL]. Paris: UNESCO, 2023.
2. [2] MIAO F, CUKUROVA M. AI competency framework for teachers[R/OL]. Paris: UNESCO, 2024.
3. [3] MIAO F, SHIOHIRA K, LAO N. AI competency framework for students[R/OL]. Paris: UNESCO, 2024.
4. [4] KAZEMITABAAR M, CHOW J, MA C K T, et al. Studying the effect of AI code generators on supporting novice learners in introductory programming[C]//Proceedings of the 2023 CHI Conference on Human Factors in Computing Systems. New York: ACM, 2023.
5. [5] LI S, LIU J, DONG Q. Generative artificial intelligence-supported programming education: Effects on learning performance, self-efficacy and processes[J]. Australasian Journal of Educational Technology, 2025, 41(03): 1-25.
6. [6] YANG T C, HSU Y C, WU J Y. The effectiveness of ChatGPT in assisting high school students in programming learning: Evidence from a quasi-experimental research[J]. Interactive Learning Environments, 2025, 33(06): 3726-3743.
7. [7] TANG Q, ZHANG H. Integrating generative artificial intelligence into secondary school programming education: Model design and empirical evidence[J/OL]. Interactive Learning Environments, 2026: 1-18.
8. [8] PRATHER J, REEVES B, LEINONEN J, et al. The widening gap: The benefits and harms of generative AI for novice programmers[C]//Proceedings of the 2024 ACM Conference on International Computing Education Research. New York: ACM, 2024.
9. [9] KAZEMITABAAR M, HOU X, HENLEY A, et al. How novices use LLM-based code generators to solve CS1 coding tasks in a self-paced learning environment[C]//Proceedings of the 23rd Koli Calling International Conference on Computing Education Research. New York: ACM, 2023.
10. [10] RISKO E F, GILBERT S J. Cognitive offloading[J]. Trends in Cognitive Sciences, 2016, 20(09): 676-688.
11. [11] 汪凡淙, 汤筱玙, 余胜泉. 基于生成式人工智能的认知外包：交互行为模式与认知结构特征分析[J]. 心理学报, 2025, 57(06): 967-986.
12. [12] 余胜泉, 汪凡淙. 人工智能教育应用的认知外包陷阱及其跨越[J]. 电化教育研究, 2023, 44(12): 5-13.
13. [13] SENTANCE S, WAITE J, KALLIA M. Teaching computer programming with PRIMM: A sociocultural perspective[J]. Computer Science Education, 2019, 29(2-3): 136-176.
14. [14] RYAN R M, DECI E L. Intrinsic and extrinsic motivation from a self-determination theory perspective: Definitions, theory, practices, and future directions[J]. Contemporary Educational Psychology, 2020, 61: 101860.
15. [15] GUAY F. Applying self-determination theory to education: Regulations types, psychological needs, and autonomy supporting behaviors[J]. Canadian Journal of School Psychology, 2022, 37(01): 75-92.
16. [16] SWELLER J, AYRES P, KALYUGA S. Cognitive load theory[M]. New York: Springer, 2011.
17. [17] 张琪, 罗霞, 陈玉杰, 等. 促进批判性思维发展的人智协同学习模式构建研究[J]. 远程教育杂志, 2026, 44(01): 61-72.
18. [18] 李姗姗, 吴筱萌. 生成式人工智能与基础教育：研究方法、热点与实践转向[J]. 数字教育, 2025, 11(05): 86-92.