AI 时代怎么教编程 过程可见比抓作弊管用
ai 时代怎么教编程：UT Austin AET 三法，工作室公开做工、AI 反转评估、algorave 现场编码，并说明为何别靠 AI detector。
成品代码曾经能反映学生怎么想，现在一份 polished 的提交更可能说明 prompt 写得好。ai 时代怎么教编程，Eric Freeman 在 UT Austin AET（创意编码方向）试的三条路都指向同一件事：让过程可见，而不是和 AI detector 斗法。
成品作业为什么失去证据力
O'Reilly Radar 原文（Eric Freeman，2026-07-28）开宗明义：生成式 AI 之后，完整程序更多暴露「问了什么」，而不是「理解了什么」。代码越漂亮，教师越难判断真实掌握度。Freeman 认为问题不在「要不要教编程」，而在评估设计是否还假设「 artifact = 理解」。
艺术院系早有先例：最终画作看不出草稿与讨论，创意编码课本来就把程序叫 sketch，强调临时、可改、可展示。AI 只是把「成品与过程脱钩」推到了传统 CS 作业上，AET 的做法是把 studio 习惯加强，而不是退回纯笔试。
这对工程团队内部培训同样成立：一次通过的 PR 不再等于审查者真的看过 diff 逻辑。若 onboarding 只验「能不能交付」，就要补过程证据，否则 agent 自主循环 放大的返工会直接进主分支。
工作室公开做工
AET 把课当成 studio：重要作业在教室公开演进，学生展示代码、弯路、修改理由；AI、Google、Stack Overflow 都允许，但提交或演示时必须能口头解释「做什么、为何这样写、怎么跑」。Freeman 的底线是：若教师要问你用的 AI 才能懂你的代码，说明责任没扛住。
副作用是练实时沟通。Faculty 普遍反映 2020 年后课堂更安静；公开 critique 逼学生当场辩护选择，这和只交在线作业不同。团队 code review 可借鉴：关键设计决策要求作者在 PR 描述里写「否决了哪条 AI 建议、为什么」，而不是只贴最终 patch。
AI 反转成评估者
第二条路 invert 角色：学生与 AI 的对话由 rubric 驱动，AI 按主题追问、要求澄清，最后评估理解度。UT 做了 Vera Molnár（1924–2023，算法艺术先驱）avatar chatbot，用系统 prompt 锁定随机性、生成艺术等主题，学生必须辩论、修正说法；完整 transcript 成为比成品 sketch 更厚的证据。
思路来自 teachable-agent 研究（Betty's Brain 等）：向 agent 解释会逼学生组织知识、暴露漏洞。这里的 bot 扮演「考官式」对话而非被学生教。Freeman 写 small experiment 里 AI rubric 与 TA 人工评分接近，但 TA 仍做最终决定；作者自承尚无对照实验，不能外推为普适方案。
表演性理解与 algorave
第三条是 performative understanding：AET 每学期办 AudioPixel Collider algorave，学生 live coding，投影实时编辑器，随音乐改 p5.js 视觉链。TOPLAP 2004 manifesto 那句「Show us your screens」被 Freeman 借来当评估策略：台上三分钟不能靠粘贴糊弄，public debugging 暴露真实 fluency。
AI 可用于备场；一旦开演，问题是能否在读代码、有意修改、出错时 recover。Freeman 写「很难抄袭 panic」，指的是临场恢复比静态 artifact 更难伪造。工程语境的类比是 incident 演练或 pairing session 里现场改 prod 配置，比事后贴完美 runbook 更能看出谁真会。
2025 年 11 月 AudioPixel Collider 在 UT Austin B. Iden Payne Theatre 举办，学生用 p5.js 链式调用 osc().modulate(noise()).rotate() 等实时改视觉，FFT 与音乐同步。投影即编辑器，观众能看见光标与报错；这和 closed-book 交 zip 文件的评估完全不同。
为什么别押 AI detector
学校常用 detector、锁浏览器、加 honor code，Freeman 认为 detection 是弱回应。Stanford HAI 报道 popular detector 对非母语写作者假阳率高（一项研究里 61.22% TOEFL 作文被标为 AI）；OpenAI 2023 年因准确率低下线自家 AI Text Classifier。即便 detector 完美，也在回答错误问题：「如何禁止 AI」而非「如何看见学习」。
编程课同理：抓 prompt 复制拦不住会口述的学生，也误伤合法使用翻译辅助的人。资源应投向 rubric、studio 流程、live 评估，而不是 surveillance arms race。
Freeman 在文末引 Jensen Huang 2026 年关于「别找 AI-proof 专业」的公开说法，强调 storytelling、设计、判断力仍值得学；与 coding 课逻辑一致：目标从「证明没用 AI」转为「展示如何思考、修订、负责」。NVIDIA CEO 的观点是媒体二手引用，教学决策仍应以课堂证据为主。
原文 Acknowledgements 感谢 Mike Loukides 等编辑反馈；References 列 OpenAI classifier 下线、Stanford detector 偏见、TOPLAP manifesto 等出处。若你要在系里立项改评估，可直接把这些文献当作 committee 附件，比泛泛的「AI 学术诚信 PPT」更可审计。
常见问题
这三法适合传统 CS 算法课吗？
Freeman 明确写是实验，在创意编码（可视化、游戏、生成艺术）里天然带公开展示基因。纯理论课可借「过程证据」原则（草稿、讲解、 oral exam），但 algorave 式表演并非通用模板。团队培训可只取 studio + transcript 两条，不必搬舞台。
用 AI 辅助批改算不算偷懒？
原文描述 TA 用 AI 按详细 rubric 预分析 OOP 游戏作业，帮助经验不足的 TA 看懂结构，最终分数仍由人定，Freeman 作 OOP 后备专家。关键是 rubric 透明、人类终审，而不是把 transcript 直接当唯一依据。