1. 引言
数据结构作为计算机科学与技术的核心基础课程，传统教学模式通常遵循“课堂讲授–伪代码演示–上机实验”的线性路径。在此路径下，学生理解困难(如对抽象的指针操作、递归遍历算法感到困惑)、教师因材施教难(面对大规模班级难以进行个性化指导)、以及理论知识向工程实践转化不畅(学生能背诵算法却无法灵活应用于解决新问题)等问题普遍存在。尽管已有项目驱动、翻转课堂、可视化教学等改革尝试，但在激发深层认知、提供即时反馈及应对学生个体差异方面，效果仍有限[1]。
以ChatGPT、GitHub Copilot为代表的生成式人工智能技术的兴起，为解决上述问题提供了新的技术路径与理论视角。这类技术具备强大的自然语言理解与生成、代码合成与解析以及多模态内容生成能力，使其能够作为“个性化学习助教”或“代码协作伙伴”[2]。教育部在“高等学校人工智能创新行动计划”等相关文件中，也明确提出应推动人工智能与教育教学的深度融合。将生成式AI引入数据结构课程教学，并非仅将其作为辅助演示的工具，而是引发从教学内容重构、教学过程互动到教学评价体系的全方位、深层次教学变革。
然而生成式AI的滥用可能催生新型学术不端，其内在的“幻觉”问题可能导致知识的错误传播，过度依赖可能抑制学生创造性思维的发展，同时亦涉及教学数据安全、隐私保护及算法公平性等伦理问题[3]。因此，探索生成式AI在数据结构这类核心课程中的融合模式与伦理挑战[4]，不仅是紧迫的教育实践需求，更是关乎计算机专业人才核心素养与创新能力培养的重要理论课题[5]。本研究旨在对这一领域展开深入探析，以期为智能技术增强下的教育生态构建提供学理依据与实践参照。
2. 数据结构课程的教学特点与现有问题分析
2.1. 课程教学的特点
数据结构课程的教学特点可概括为以下三个方面：
1) 课程逻辑严密，概念高度抽象
数据结构课程核心在于如何用数学语言(逻辑结构)和编程语言(存储结构)抽象化地对数据关系进行建模。例如，树是分层次关系的抽象，图是网状关系的抽象。这些抽象概念的理解需要学生具备强大的逻辑思维和空间想象能力。算法分析中的递归思想、时间复杂度计算等，更依赖于学生的逻辑思维能力。
2) 知识点强关联，成体系化
数据结构课程知识点并非孤立的，而是构成一个紧密关联的体系。线性表是基础，栈和队列是其特殊应用；树和图是更复杂的非线性结构；而查找(如二叉排序树、哈希表)和排序(如堆排序、归并排序)算法则是这些结构的具体应用与优化。学习哈希表冲突解决，需要掌握数组和链表的知识；学习平衡二叉树旋转，需要掌握二叉树遍历相关知识点。这种环环相扣的特点要求教学必须注重知识网络的构建。
3) 注重理论与实践的结合
学习数据结构不仅要求“知”，更要求“行”。学生必须通过编程实践，将抽象算法转化为可运行的代码，并在调试中深化理解。然而，编程实践中的错误(如指针越界、递归栈溢出、内存泄漏)往往隐蔽且成因复杂，学生需获得即时、准确的反馈和诊断，而传统教学中教师难以为每个学生提供这种及时的一对一教学反馈。
2.2. 传统教学模式下的主要问题
基于上述特点，传统教学模式存在以下问题：
1) “一刀切”教学与个性化学习需求之间的矛盾
大班授课模式下，教师的教学进度与深度通常基于教师对班级水平的预估，无法有效兼顾知识基础差异、思维模式不同、学习节奏不一的个体学生[6]。理解快的学生“吃不饱”，理解慢的学生“跟不上”，个性化教学因生多师少而难以实现。
2) 静态教学资源与动态学习过程之间的脱节
PPT、教材、固定动画等预备静态资源无法即时动态响应学生在课堂产生的疑问。比如当学生对“快速排序的递归树为何如此划分”产生疑问时，教师难以即时生成一个对于该问题进行详细解释的定制化可视化案例或分步解释流程。
3) 结果性评价对过程性考察的无力
传统的作业和考试通常仅收集最终答案或代码成品，难以有效评估学生在问题分解、算法设计、调试纠错等过程中展现的能力。学生可能通过死记硬背或代码尝试得到题目或程序的正确答案，但学生对于知识点是否真正掌握，思维能力是否得到有效锻炼，教师无从知晓。
4) 技术快速发展与课程内容更新滞后之间的异步
数据结构的基本原理虽相对稳定，但其应用场景和实现方式却在不断演进。例如，在讲解图时，如何引入图神经网络(GNN)这一前沿应用？在讲解哈希时，如何关联到局部敏感哈希(LSH)在大数据检索中的作用？教师个人知识更新的速度常难以跟上技术发展的步伐，导致课程内容与产业前沿出现脱节。
3. 生成式AI与数据结构教学的“三维四阶”融合模式构建
针对上述问题与特点，本文提出一个生成式AI赋能数据结构教学的“三维四阶”融合模式框架(如图1所示)。该框架旨在系统化地引导AI从浅层工具辅助，逐步深化为教学系统的核心智能组件[7]。
Figure 1. “Three-Dimensions, Four-Stages” integration model framework of generative AI empowering “Data Structure” teaching
图1. 生成式AI赋能《数据结构》教学的“三维四阶”融合模式框架
3.1. 教学内容——从静态预设到动态生成与演进
教师可利用生成式AI (如ChatGPT-4、Claude)辅助课程设计，进行知识体系的重构与前沿技术融合。例如，输入提示词：“基于数据结构经典教材(如严蔚敏版)和现代计算机科学前沿，为计算机科学与技术专业大二学生构建一个包含传统核心知识与前沿应用延伸(如数据结构在机器学习、大数据中的应用)的知识图谱，并解释衔接逻辑”。AI可生成一个结构化大纲，建议在树章节延伸讲解决策树、XGBoost中的弱分类器集成；在图章节引入社交网络分析与GNN的基本思想。这为课程内容注入前沿性驱动力与实践关联性。
使用AI的案例与图片资源即时按需生成能力，在讲解“二叉树平衡旋转(AVL)”时，教师可现场提示AI：“生成一个初始高度不平衡的二叉搜索树，并逐步演示插入新节点后触发LL、LR、RL、RR型旋转调整的全过程，每一步都用Mermaid代码描述树结构变化。”AI即时生成的可视化资源经渲染后，能生动展示抽象过程。对于复杂算法如Dijkstra最短路径，可要求AI“生成一个包含6个节点的带权有向图，并以动态高亮和表格记录形式，分步展示Dijkstra算法执行过程”，从而将抽象逻辑具象化。
3.2. 教学过程——从单向灌输到个性化、探究式对话
AI作为课程助教不仅仅是答案提供者，还可以成为提问者和引导者。例如，在学生完成一个基础的链式栈实现后，AI可被预设发起追问：“你如何用数组实现栈？两种实现的边界条件处理有何不同？在并发环境下，你的实现可能存在什么问题？如果栈需要支持在常数时间内获取最小值，如何扩展你的设计？”这种层层递进的提问，驱动学生深化理解和进行批判性思考。这一系列问题从实现迁移、机制对比、场景拓展到设计优化逐步深入，有效模拟了教师的引导路径，促使学生从“实现功能”迈向理解本质、评估局限与寻找优化的高阶认知阶段。
AI作为代码调试与分析的助手，学生将包含错误的代码发送给如Cursor、Copilot等AI编程助手。AI不仅能指出语法错误，更能进行逻辑分析。例如，对于递归实现的二叉树后序遍历代码出现的栈溢出，AI能够得出分析结论：“你的递归终止条件可能未覆盖空子树情况，或是在处理左右子树递归调用后，对当前节点的访问逻辑导致了无限循环。请检查if (root == NULL)的条件是否在递归调用前正确判断。”同时，AI可以应要求对代码进行时间复杂度分析，或生成等价的非递归迭代版本进行对比教学。
生成式AI通过主动提问与深度代码分析，实现了从“结果评估”到“过程介入”的转变。它不仅能精准识别知识薄弱点，更能模拟专家思维路径，提供即时、个性化且具有启发性的教学干预，从而在实践中有效促进学生计算思维与问题解决能力的系统性发展。
3.3. 教学评价——从结果导向评价到基于过程、能力的评估
基于学习过程记录进行学生的思维能力评估，要求学生在一个配备了AI对话记录功能的编程环境中完成任务。系统自动记录学生与AI助手的全部交互：提出了什么问题？是否在直接索要代码？还是请求解释错误？是否对AI给出的建议进行了修改和验证？教师通过分析这些日志，可以评估学生的问题定位能力、调试策略、以及对AI建议的采纳程度，从而更全面地评价其计算思维与实践能力。
设计开放性、设计性任务，避免直接利用AI求解，评价方式需因AI而变。应减少可直接被AI生成答案的简答题和编程题，增加开放性设计题目。例如：“设计一个支持海量用户实时在线状态的查找与更新的数据结构，并论证你的选择”、“为城市共享单车调度设计一个基于图论的数据模型和核心算法，并分析其性能”。这类问题没有标准答案，需要学生综合运用知识、进行创新设计，AI只能提供思路辅助，无法替代思考。
3.4. 融合的四阶段演进路径
(1) 智能工具辅助：AI主要用于教师备课(生成案例、习题)和课堂演示(动态可视化)，学生被动学习或有限制地使用AI工具。
(2) 个性化助手介入：AI成为学生的学习助手，提供答疑、调试、个性化练习推荐。教师角色开始向课程设计者和引导者转变。
(3) 自适应环境构建：AI与在线学习平台深度整合，形成智能学习环境。它能根据学生前置知识、学习行为实时动态调整学习路径、内容难度和反馈方式，实现规模化因材施教。
(4) 生态协同与重构：AI不仅是工具，更是教学共同体中的“智能体”。教师、学生、多个AI智能体(如算法智能体、代码智能体等)围绕复杂项目进行协同开发，共同构建知识，教学范式发生根本性重构。
4. 融合生成式AI的数据结构教学设计与实践案例
4.1. 启发式、探究式的“图论算法”单元教学设计
学生对Dijkstra、Floyd、Prim等算法原理记忆困难，对其差异和应用场景混淆不清，可融合AI进行单元教学设计。课前，教师布置任务，让学生利用AI工具，分别就“校园导航”、“城市间光纤铺设成本优化”、“项目任务关键路径分析”三个场景，调研并选择至少两种图算法，并简述理由。课中，学生分组汇报。教师利用AI在课堂上即时生成两个不同特点的加权图(稀疏图、稠密图、带负权边图)，并引导学生提问AI：“请分别用Dijkstra和Floyd算法计算图A中任意两点最短路径，并对比在不同图规模下的效率差异和适用性。”通过AI即时计算与对比，学生直观理解算法特性。课堂深化，教师进一步提问AI：“请给出一个Dijkstra算法会失效的例子(带负权边图)，并提出解决方案(如Bellman-Ford算法)。”接着，展示AI生成的解决方案，并引导学生共同评价其正确性，培养学生对AI输出的鉴别力。
4.2. 基于RAG技术的课程专属虚拟助教系统构建
为克服通用大模型的“幻觉”和与课程大纲脱节问题，可构建一个基于检索增强生成(RAG)的数据结构虚拟课程助教。构建知识库，将指定教材、课程PPT、实验指导书、历年经典试题及官方解答、教师整理的常见问题库等非结构化文本，进行切片、向量化，存入向量数据库。设计系统指令：“你是一名数据结构课程助教。请严格依据提供的课程资料内容回答问题。如果问题超出资料范围或涉及代码实现，请优先使用资料中的思想进行解释，并可以补充安全、通用的示例。对于不确定的内容，应明确告知‘此问题可能超出当前课程要求，建议查阅教材第X章或向任课老师确认’”。学生可通过自然语言提问：“如何理解快速排序的稳定性？教材里说它不稳定，但在什么具体交换操作下会导致不稳定？”系统首先从向量库中检索关于排序稳定性、快速排序分区过程的相关文本片段，再结合这些片段生成精准、符合课程内容的回答。
4.3. 人机协同的“复杂数据结构设计与实现”大作业
让学生设计并实现一个简化版的内存数据库索引结构(如B+树)，支持插入、删除、查找和范围查询。学生首先独立完成核心结构的设计草图、API定义和复杂度预期。然后学生使用Copilot等AI工具辅助编写代码，结合AI辅助进行代码实现与审核。同时要求学生将写好的模块(如节点分裂函数)提交给AI进行“代码审核”，提示词为：“请从代码风格、边界条件处理、内存管理、与B+树理论的一致性等方面评审这段代码，指出潜在问题和改进建议”。最后融合AI进行反思与迭代，学生需要结合AI反馈和自己的思考，撰写“设计–实现–评审–修改”的迭代日志，说明接受了AI哪些建议、拒绝了哪些以及原因。
作业评价时不仅看索引功能实现的正确性和性能，更看重设计文档的质量、与AI的协作日志所体现的思维能力，以及最终代码相较于AI初始建议的优化与改进之处。
4.4. 融合模式有效性初步实证——以“树与图”单元为例
为初步验证“三维四阶”融合模式的有效性，本研究在《数据结构》课程的“树与图”章节进行了为期六周的教学试点。试点对象为计算机专业本科二年级的两个平行班(A班为实验班，B班为对照班)，每班45人。A班采用融合生成式AI (主要为基于RAG的课程助教系统和Copilot代码助手)的教学模式，B班采用传统多媒体讲授与上机实验模式。
(1) 学习成绩对比：在单元教学结束后，对两个班级进行了统一的后测。测试题目包含概念理解、算法手动模拟、复杂度分析及一道中等难度的综合设计题。独立样本t检验结果显示，实验班(A班)的平均成绩(M = 82.4, SD = 9.1)显著高于对照班(B班) (M = 76.8, SD = 10.5)，t (88) = 2.71，p < 0.01。尤其在综合设计题上，实验班学生在算法选择的合理性和边界条件考虑的全面性上表现更优。
(2) 学习过程数据分析：通过分析实验班学生在RAG助教系统上的交互日志发现，在试点初期，学生关于“指针操作”、“递归过程”等基础概念的提问频率较高；随着单元推进，提问逐渐转向“如何为这个场景选择合适的数据结构”、“两种算法在此处的性能权衡”等更具综合性和设计性的问题。同时，针对“平衡二叉树旋转”这一难点，系统记录了学生在观看AI生成的分步可视化演示后，相关概念题的错误率从首次练习的35%下降至巩固练习时的12%。
(3) 学生认知负荷与满意度调查：试点结束后对实验班进行的问卷调查(采用李克特五级量表)显示，85%的学生认为AI工具“有效帮助我理解了抽象概念”，78%的学生同意“AI的即时反馈让我调试代码的效率更高”。同时，也有部分学生(约30%)表示在初期“过度依赖AI给出的代码片段”，需要教师引导才能转向思考“为什么这样做”。
初步结论：试点数据表明，生成式AI的融合应用在提升学生成绩、促进知识深化迁移方面具有积极效果。过程数据揭示了学生认知焦点从语法细节向设计思维过渡的可能路径。然而，数据也警示了依赖风险，突显了教师引导与教学设计的核心作用。后续研究需扩大样本、延长周期，并开发更精细的过程性评估工具。
5. 融合过程中的伦理挑战
生成式AI与教学融合过程中伴随着一系列复杂且相互关联的伦理挑战，这些挑战可以概括为以下几个方面。
5.1. 学术诚信的边界模糊与评估体系失效
学术诚信的边界模糊与评估体系失效是最直接且普遍的挑战。当AI可以轻易生成逻辑正确、注释清晰的数据结构代码时，传统的编程作业在很大程度上失去了考核意义。简单地禁止使用AI不仅难以执行，更因噎废食。核心问题转变为：如何重新定义这个时代的“学术诚信”？是禁止使用，还是规范使用？如何设计新的评估机制，使学生的真实能力在AI辅助下仍能被有效评估？
5.2. 模型“幻觉”与错误知识的隐性传播
生成式AI并非真理之源，其“一本正经地胡说八道”的特性在技术领域尤为危险。例如，AI可能生成一个看似精巧但时间复杂度分析完全错误的“优化”算法，或对一个数据结构特性做出错误解释。对于知识根基尚浅的学生，他们缺乏辨别的“金标准”，极易将这些错误内化，形成顽固的错误认知，这对基础课程的长期学习危害极大。
5.3. 数据隐私、知识产权与算法偏见
学生在与AI工具交互时，输入的可能是未公开的作业题目、个人的独特解题思路、甚至是包含错误的代码。这些数据如何被平台方使用、存储乃至用于模型训练？教师上传的教案、习题集等是否构成了知识产权侵害？此外，AI训练数据中存在的偏见(如某些算法实现更偏向某种编程风格或语言)可能在其生成内容中复现，影响教育的公平性与多样性。
5.4. 认知外包与高阶思维能力的潜在退化
最深刻的挑战在于认知层面。过度依赖AI进行问题分解、调试甚至算法选择，可能导致学生的元认知能力(对自己思维过程的监控与调节)和挫折商(在调试困境中的坚持与探索能力)退化。当AI成为思维的“拐杖”，学生可能丧失在“挣扎–突破”过程中培养起来的、对计算机系统最深刻的直觉和创造力。长此以往，我们培养的可能是熟练的“AI指令员”，而非能进行原始创新的“算法设计师”。
5.5. “人机协作”的认知模型探讨
面对认知外包的风险，教学的核心目标之一应是引导学生构建一种“元算法”(Meta-Algorithm)心理表征。在传统编程教学中，学生的心理表征常聚焦于“语法规则–算法流程–数据结构实现”这一具体层面。而在人机协作时代，这一表征需要向上抽象和向外扩展，形成一种包含以下层次的思维框架：
问题定义与分解层：能够精准地将模糊的实际需求转化为可由计算机(或AI)处理的形式化问题描述。这要求超越代码实现，关注需求边界、约束条件和成功标准。
架构选择与评估层：面对一个具体问题(如“设计一个高速缓存”)，学生大脑中应能快速激活多个备选数据结构(如队列、哈希表、树)及其变体，并能基于非功能性需求(如时间复杂度、空间复杂度、并发要求、数据规模)进行权衡评估，而非直接陷入某种具体实现的细节。
人机分工与接口层：明确知道“哪部分思考应由我完成，哪部分可以委托给AI”。例如，学生应主导算法核心逻辑的设计、关键数据流的确立和API边界的定义；而将语法转换、样板代码生成、常见错误模式检查等任务委托给AI。这需要清晰的“指令”(Prompt)能力，即能与AI高效沟通设计意图。
验证与批判层：对AI生成的任何代码或方案，保持本能的验证倾向。这包括：审查其是否严格符合既定架构、测试边界条件、进行复杂度复算、并思考是否存在更优或更简洁的替代方案。此层表征是抵御模型“幻觉”和培养批判性思维的关键。
相应的教学干预手段需从“教代码”转向“教思考”。例如：在讲解链表后，不急于实现，而是设计“对比链表与数组在实现LRU缓存淘汰策略时的优劣，并请AI生成两种实现，由你评估”的任务。在讲解排序算法时，作业可以是“给定一个包含海量重复项且几乎有序的数据集，为AI编写提示词，引导它为你选择和论证最合适的排序算法”。此类任务强迫学生停留在“元算法”层面进行决策和评估，而将具体编码作为验证其决策的后续步骤，从而重塑其认知重心。
6. 构建“人机协同、智能增强”的教育新生态
面对挑战，应积极构建引导性和建设性并存的综合治理框架。
6.1. 教学范式重塑：从知识传授到“教练式”引导
教师应从知识的首要传授者，转型为学习体验的首席设计师、人机协同的教练、以及学术伦理的守门人。核心工作是设计能激发思考的学习任务、组织有效的协作活动、并在学生与AI的互动中提供高阶的指导和价值判断。
评估体系改革，推行“过程化、透明化、能力本位”的评估。采用教学日志、AI交互记录分析、口头答辩、团队协作评价、以及“无AI环境”下的核心能力基线测试等多种方式相结合，综合评价学生的理解深度、思维过程和协作能力。
6.2. 数字素养提升：培养师生正确使用AI的能力
开设“AI学术应用与伦理”课程，教育学生如何有效提示(Prompt Engineering)、如何交叉验证AI输出、如何正确引用AI贡献、以及认识AI的局限与风险。将“批判性评估AI生成内容”作为一项必备技能进行考核。
系统培训教师利用AI进行课程设计、资源开发、个性化学情分析等高级技能，提升其“人工智能时代的教育教学知识”(AI-TPACK)。
6.3. 制度与技术保障：营造负责任的AI使用环境
制定课程AI政策，明确规定AI在课程中允许和禁止使用的场景(如：允许用于解释概念、调试错误；禁止直接生成完整作业代码并要求提交)，并配套相应的学术诚信条款。发展可控的教育专用AI工具，鼓励开发和使用基于RAG的、知识源可控的课程专用助手，或部署本地化、可审计的开源模型，从技术源头降低“幻觉”和隐私风险。建立人机回环，在任何关键的学习评估环节，确保最终有“人”的介入和判断。AI提供参考、分析和建议，但教师和学生保留最终的决策权、解释权。
7. 结论与展望
生成式AI对数据结构乃至整个计算机专业教育的冲击是根本性的。它迫使我们去重新思考：在AI时代，什么才是计算机专业学生必须掌握的、不可被替代的核心能力？答案或许正在从“熟练记忆和实现经典算法”转向“定义复杂问题、设计评估算法、整合人工智能、并正确地运用AI技术解决现实挑战”。
本研究提出的“三维四阶”融合模式，提供了一个从工具应用到生态重构的系统演进视角。而对其伦理挑战的剖析，则强调了教育改革不能仅关注技术效率的提升，更需守护教育的育人本质。未来的道路必然是“人机协同，智能增强”——人类教师以其情感关怀、价值判断、创造力和对复杂情境的深刻理解为核心；AI则以其强大的信息处理、模式识别和不知疲倦的辅助能力为扩展。两者优势互补，共同致力于培养出既精通人机协作，又保有独立批判精神与创新灵魂的下一代计算机人才。
这并非一条坦途，需要教育研究者、一线教师、技术开发者和政策制定者的持续努力。本研究仅是这一漫长旅程中的一个初步路标，期待更多同行者加入，共同塑造一个更加智慧、也更加人性的教育环境。
基金项目
广西民族师范学院2024年度校级教改项目(JGYB202454)。