案例类别：人工智能+辅助学习
课程名称：Python程序设计 适用专业：理工科所有专业
开课学院：计算机工程学院 主讲教师：陈灿灿
技术类型：深度学习、自然语言处理
应用场景：算法竞赛（如蓝桥杯、数学建模等）中的备赛训练，项目开发（如大学生创新创业）中的编码辅助
案例简介
本教学案例《大模型赋能大学生工程实战：代码生成、智能诊断与优化》属于“人工智能+辅助学习”范畴。案例聚焦于在课堂环境中指导学生运用以大语言模型为代表的人工智能技术，提升Python编程与创新能力。教学内容涵盖：如何利用AI工具自适应搭建Python开发环境，基于自然语言描述生成相关问题的基础代码框架，对生成代码或自有代码进行智能错误诊断与逻辑优化。通过实践性教学，培养学生运用大模型工具高效解决在蓝桥杯等算法竞赛及大创项目开发中遇到的相关问题与编程实现难题，增强其代码实践能力与人机协同思维，体现人工智能技术在赋能自主学习与创新探索方面的教育价值。
一、背景
在当今信息技术飞速发展的背景下，Python已成为人工智能、数据分析与科学计算等领域的核心工具，基本上是莘莘学子实操和应聘必备的专业技能。然而，现有课程多侧重基础语法与简单任务，对工程能力、系统思维和复杂问题解决能力的培养稍显欠缺。针对此现状，本教学案例引入大模型技术，旨在通过智能辅助工具提升学生的实战水平与创新效率。具体而言，其必要性体现于以下三方面：
1.传统教学与方法在实战支持中的局限性
传统Python课程内容通常以语法讲解和片段式代码练习为主，缺乏对虚拟环境、依赖管理、性能调优与持续集成的系统训练。学生往往能够完成课程内实验，但面对真实世界的工程问题（如创新竞赛任务、大创项目开发）时，表现出开发环境搭建困难、代码调试效率低下、架构设计能力不足等问题。传统教学手段难以提供实时、个性化、深度的支持，导致学生在课外实践过程中容易陷入孤立无援、摸索前行的困境。
2.人工智能技术引入的必要性与针对性
随着大语言模型在代码理解、生成与优化方面的能力迅速提升，将其引入编程教学实践已成为突破传统训练瓶颈的有效路径。人工智能方法不仅能够对学生提供即时反馈，还可根据上下文和代码语义提供精准指导，这是传统教学资源（如教材、固定实验指导）无法实现的。本案例强调以大模型为技术核心，重点针对程序设计中的环境部署、代码生成、错误定位与性能优化等环节展开教学，使学生能够掌握先进的AI辅助开发方法，弥补从传统教学与实战需求之间的鸿沟。
3.人工智能解决的核心痛点与预期目标
本案例聚焦于大模型在真实编程环境中的三类核心应用：代码自动生成、智能错误诊断和算法优化建议，针对性应对学生开发效率低、调试难度大、代码质量不足等问题。通过引导学生借助AI工具完成开发环境快速搭建、代码生成与逻辑优化，有效降低项目实践门槛，培养其人机协同解决复杂工程问题的现代化开发思维。
预期实现以下目标：显著缩短项目开发周期，提升代码的正确率与可维护性；增强学生在高水平竞赛和项目实践的竞争力；助力学生成长为具备系统思维与实战能力的佼佼者，为其未来在人工智能赋能的跨学科研究奠定坚实基础。
二、案例实施情况
1.案例背景与问题引入
2023年全国大学生数学建模竞赛中，E题要求参赛队基于黄河历史水沙通量数据，预测未来水沙通量及相关影响。该问题涉及时间序列分析、影响因素挖掘和预测模型构建，传统方法需要学生持续深入学习算法知识，手动进行特征工程和模型选择，过程复杂且效果难以保证。
2.人工智能技术的融合应用过程
（1）开发环境搭建
引导学生针对硬件环境进行自适应的开发环境配置。例如，在DeepSeek中输入“Windows10如何配置适用版本的Anaconda+VScode”，输出如下：
在线下载或离线配置第三方软件包的过程中，通常会出现网络中断的问题，示例如下：
此问题交给大模型解决，例如，在DeepSeek中输入“如何快速下载适配的Anaconda和使用pip快速安装第三方包”，输出如下：
（2）文献调研等前期准备工作
引导学生使用大模型对参赛问题进行初步解读和文献调研，进行针对性的知识学习和准备。例如，在DeepSeek输入“基于黄河某水文站的水沙通量等相关数据，预测未来水沙通量的动态变化及可能导致的河底高程，所可能采用的技术方案和算法模型有哪些？当前可使用的Python库是什么”，输出如下：
通过对上述输出进行解读可知，针对此建模问题常用模型为Prophet、XGBoost、LSTM及Transformer等深度学习或自然语言处理模型，且均有对应的开源第三方包。学生可集中精力学习模型原理及其框架实现方法，快速进行建模实现。
（3）人工智能技术的融合建模过程
首先，指导学生应用大模型采用Prophet库和LSTM网络对原始数据进行分析（见下图），自动识别数据中的季节性、趋势项和异常值，相比手动分析效率提升50%以上。并利用生成代码使得工具自动生成可视化图表，帮助学生直观理解数据规律。示例如下：
然后，引导学生采用集成学习方法融合以下算法：a）Prophet库得到的趋势项、周季节性和年季节性；b）Transformer学习到的非线性特征；c）XGBoost整合外部因素（如节假日、天气数据）。智能编程助手帮助学生快速实现模型代码，自动进行智能诊断和调参优化，减少了70%的编码时间。
最后，SHAP值分析模型特征重要性，生成直观的特征重要性图谱，使学生清晰理解各因素对物流需求的影响程度，增强了模型的可解释性。示例如下：
3.实施效果评估
使用大模型生成代码对模型进行评估，一般情况下，使用融合模型的MAPE（平均绝对百分比误差）较单一模型可降低10~30%左右，代码示例如下。总预估，使用大模型辅助学生参加数学建模，其代码实现时间可减少约70%左右，模型调试效率可提高60%左右。
三、案例创新突破
1.主要创新内容
本案例将大模型智能编程助手深度融入数学建模全流程，实现从自然语言理解到工程框架搭建、代码自动生成、模型优化与结果解释的无缝衔接。通过人机协同建模新模式，显著降低了学生的算法实现门槛，为跨学科创新能力培养提供了可复制的新范式。
2.应用实践突破内容
本案例实现了从传统编程训练向人机协同开发的实践突破，通过将大模型技术深度融入问题分析、代码生成与智能调优全流程，使学生能够更高效地完成复杂任务开发与创新实现。本案可显著提升学生解决复杂工程问题的效率与深度，为培养适应智能时代的新型工程技术人才提供了关键路径。
四、推广价值
本案例所构建的“AI辅助编程”教学模式具备高度的可复用性与推广价值。其核心框架能灵活适配不同能力水平学生的程序设计及创新实践课程，有效降低教学成本与对师资的依赖，对推动人工智能与Python编程教学的深度融合具有显著的示范和引领作用。
五、其他相关情况
附件中给出了案例相关数字资料：数学建模竞赛试题和代码实现。
