AI时代《数据结构》课程教学改革调研与行动方案
------"学生不爱听、作业外包给AI"困境的调研报告与落地建议
信息工程学院 · 2026年8月
一、引言：课堂正在面临的真实困境
数据结构是计算机类专业公认"难教又难学"的课程：它上承程序设计语言课，下接操作系统、数据库与算法设计，在培养体系中处于枢纽位置；同时又是"概念抽象"与"实现困难"两大顽疾的重灾区。传统上这门课靠"粉笔+幻灯片+课后作业"推进，学生则容易陷入"课上听不懂→课后不会写→作业靠抄"的循环。
2023年以来，生成式AI给这个老问题加上了一个新变量：完成一份编程作业的成本几乎降为零。本人所教的软件工程（中软班）与网络工程（华为网规班）出现了三个典型症状：课堂抬头率低、课后作业直接由AI完成、实验课任务被AI一键"解决"而动手能力没有实质提升。这并非个别现象------近两年多所高校开展课堂抬头率专项调查，"作业AI代写"屡见报端，说明这是全国高校编程类课程共同面对的结构性挑战。
本报告基于对2024---2026年政策文件、高校公开报道、教改论文及国内外高校实践的检索，试图回答三个问题：别人在做什么？传统模式为什么失灵？我们的两个班应该怎么改？全文分三部分：调研篇客观梳理五个方面的证据；诊断篇分析困境背后的深层原因；落地方案篇给出贴合两个班实际、可分阶段执行的改革设计。
二、调研篇：国内外高校在做什么
2.1 政策背景：三份文件划定改革方向
2025---2026年间，三份国家级文件密集出台，为编程类课程改革定调：
- 2025年1月，中共中央、国务院印发《教育强国建设规划纲要（2024---2035年）》，部署国家教育数字化战略，把教育数字化转型上升为国家战略。
- 2025年4月，教育部等九部门印发《关于加快推进教育数字化的意见》（教办〔2025〕3号），明确提出"建设一批高校智慧课程"、开设"通用+特色"人工智能通识课程、探索智能学伴与数字导师的人机协同教学。
- 2026年4月，教育部等五部门印发《"人工智能+教育"行动计划》（教科信〔2026〕1号），推动人工智能成为高校公共基础课，推进人机共创备课、智能批改答疑，推出"新一代智慧慕课"并构建学生画像。
与此同时，第三批国家级一流本科课程于2025年12月公布（教高函〔2025〕9号），认定课程6000门，其中线上线下混合式课程2204门------混合式已成为一流课程建设的主流形态，多所高校的数据结构课程入选，例如武汉城市学院《数据结构》（线上线下混合式一流课程），该团队建设约六年，建成44个知识点视频、2000余条网络学习材料，实施"课前在线预习+课中翻转课堂+课后习题巩固+分层编程实战"。
这些文件释放的信号是清晰的：政策导向不是"禁AI"，而是"融AI"。教育部人工智能教育应用指南固然禁止学生用AI代写作业，但《"人工智能+教育"行动计划》同时要求高校把AI纳入人才培养方案。"疏堵结合、以疏为主"已经是政策基调。
2.2 国内数据结构课程教改趋势：三条主线
梳理2024---2026年的公开报道与教改论文，国内数据结构教改呈现三条清晰主线。
第一条主线是课程建设导向的改革。在"双万计划"与一流课程认定驱动下，内容模块化重组、平台化预习测试、混合式教学成为标配。代表性案例包括：武汉城市学院的混合式课程建设；哈尔滨工业大学战德臣教授以"混合式一流课程建设与课堂革命"为主题在多所高校巡讲；清华大学邓俊辉《数据结构》在学堂在线以每段约20分钟的"镜头化"方式讲授；浙江大学陈越、何钦铭《数据结构》在中国大学MOOC已开设30期，获国家精品在线开放课程认定，并专为初学者设"小白专场"。这些成熟慕课资源意味着"讲授知识"本身已不再是教师的护城河------全国最好的讲解内容免费可得，这是传统"满堂灌"课堂吸引力下降的重要背景。
第二条主线是教学方法导向的改革。OBE（成果导向教育）反向设计与课程思政成为教改论文的两大标配框架：前者按毕业要求反向设计课程目标，用知识图谱做知识点可视化与学情诊断；后者强调思政元素从知识点中"内生"挖掘，如九江学院以平衡二叉树关联"人与自然和谐"、包头师范学院以哈夫曼编码与王小云院士破解MD5的事迹融入科学精神、广州东软学院以"队列的原理与应用"做课程思政案例。课堂组织层面，BOPPPS模型（导入---目标---前测---参与式学习---后测---总结）是最常见的框架，在数据结构课上已有多个应用案例。
第三条主线是数智化改革，也是2025---2026年最热方向，典型形态是"知识图谱+智慧课程+AI助教"：安徽师范大学联合云南民族大学、新疆理工学院依托智慧树平台开展"教研西行"同步课堂，建设知识图谱与算法动画模拟工具，学生满意度96%以上；商丘工学院用"AI课代表"做过程性评价与学情报告。这条主线表明，AI正在被作为教学工具引入课堂，与"防学生用AI"形成有趣的镜像------真正的问题从来不是AI进不进课堂，而是谁主导、怎么用。
需要说明：国内教改论文报告的"成效"多为作者自述（成绩对比、满意度问卷），缺少严格对照实验，证据等级有限，引用时应保持审慎。
2.3 应对学生用AI完成作业：从"堵"到"疏"的风向转变
这是与当前困境最相关的调研发现。国内外高校的应对明显经历了两个阶段。
第一阶段是规范性"堵"。复旦大学2024年11月出台国内首个本科毕业论文AI使用规范，列"六个禁止"（禁止AI做研究方案设计、算法框架搭建、数据与图片生成、正文生成、语言润色、涉密内容处理），并通过学生、导师、评审、答辩多方审查，把考察重点放在"学生能否讲清自己的研究思路"。清华大学发布AI教育应用规范，划定"红线与绿道"，禁止把AI产出原样或轻微复述后当作个人作业提交，要求披露AI参与情况。中国矿业大学经管学院发布使用指南，列明允许与禁止用途，要求说明作业中的AI使用。也有高校走检测阈值路线，如淮北师范大学、浙江科技大学规定AIGC比例达40%以上的论文禁止答辩。
但第二阶段的转向更值得注意：检测路线被证明靠不住。南京大学明确表态，AIGC检测只是"算法模型的概率性分析"，不能作为原创性判定依据；Turnitin、GPTZero等工具主要面向自然语言文本，对代码检测能力弱；"降AIGC率"的改写工具已经产业化，检测永远滞后。2026年一项针对13名美国计算机教师的访谈研究发现，多数防守型政策（改纸面考试、加强监考）只是加重教师负担，迫使教师扮演"监管者"角色，损害师生信任。
于是风向转向"疏"------重新设计考核，让"考的东西"无法被AI替代。代表案例：复旦大学《数据挖掘技术》期末考"不考学生考AI"：51名学生每人设计10道计算题去考3个生成式AI，"AI答错越多得分越高"；结果50人至少让一个AI出错，但仅4人能让某个AI得零分------这个过程本身训练了问题分解、出题与校验能力。新西兰奥克兰大学把口头考核定义为围绕已提交作业的"结构化对话"，用苏格拉底式实时追问暴露真实思维，42人的研究生课每人7分钟口试。两阶段考试（先个人卷、后小组卷）被实证研究证明能提高知识留存、降低焦虑。比利时安特卫普大学教学中心则给出了可直接照搬的防AI作业设计清单：任务锚定非公开情境（个人经历、本地数据、课堂讨论）、要求使用AI不掌握的最新信息、采用难以自动化的产出形式（展示、辩论、演示）、批改过程而不只是结果（草稿、修改说明、决策记录）、口头答辩追问、基础技能放在有监督的无AI环境完成、布置作业前教师先用AI试测一遍。
科学网2026年7月的评论进一步提出"三层边界"设计框架，对一线教师最具操作性：第一层，保留无AI的基础练习与独立测评；第二层，允许有限使用AI（查背景、改语言、讨论结构）；第三层，设置可充分使用AI的任务，专门考察提问、核查、整合与判断能力。评价重心移向选题、草稿、修改痕迹与工具使用记录，并建立"披露+学生担责"制度。
2.4 抬头率之战：被验证有效的课堂参与技巧
针对抬头率低的问题，国内多所高校的专项调查得出的专家共识是：收手机、监控等强制约束作用有限，必须靠"讲授清晰、演示规范、互动充分"主动吸引学生。以下方法有相对扎实的证据支撑。
课堂组织层面，BOPPPS六段式与对分课堂（精讲+独立内化+隔堂讨论，配"亮考帮"纸条）在程序设计类课程均有应用案例。对分课堂"当堂只讲一半、留出讨论时间"的机制对抬头率天然友好，因为学生知道稍后自己要发言。同伴教学（Peer Instruction）是学习科学中证据最扎实的方法之一：讲一小段→概念测试题→独立投票→同伴讨论→再投票→教师讲解；Mazur团队的经典发现是讨论后概念题正确率显著上升，国内已有北师大张萍团队系统引入并发表研究成果。Think-pair-share（先思考、再结对、后分享）也已在大型CS1课堂得到专门检验。
互动工具层面，雨课堂、学习通的随机选人、抢答、限时测验功能成熟，已有高校报道其"激活课堂"的效果。实操要领：每15分钟插入一道1---2分钟的选择题并当场投屏正确率分布；答对率在30%---70%之间的题最适合组织同伴讨论。随机点名确实能提升参与，但要先给30秒同桌讨论时间再点名，学生有了底气，抵触会小得多。
呈现方式层面，现场编程（live coding）研究表明它能让教师放慢节奏、临场回应学生、示范编程习惯，但教师也面临调试失控与当众出错的压力。落地技巧：准备"半成品"骨架代码现场补全、故意埋一个bug让学生喊停纠错、把报错信息当成教学资源。可视化工具方面，VisuAlgo（新加坡国立大学开发，免费、支持中文）覆盖排序、链表、树、图的动画演示，用法要领是"先让学生口头预测结果，再播放动画验证"，把看演示变成做猜想。
内容引入层面，真实场景案例库已经相当成熟：栈对应撤销与浏览器后退、队列对应打印排队、哈希对应通讯录查找、堆对应热搜Top-K、图对应校园地图导航。每章开头用"为什么地图App能秒出路线？"这类问题引入，比直接进入定义更有吸引力。游戏化方面，成都大学计算机学院把PTA排位赛引入《数据结构》等核心课：限时做题、按正确性与效率实时排名、成绩按比例计入总评，报道称学生开始"先构思算法再编码"；元分析研究显示游戏化有中等程度的可靠正效应，效果依赖设计质量。
2.5 实验课改革与产教融合：让任务难以被"外包"
实验教学的改革趋势可概括为一句话："平台管基础、项目管综合、答辩管真实"。
分层实验方面，山东科技大学《数据结构》实验大纲已取消全部验证型实验，改为"综合性"与"设计研究性"两类，六个实验22学时全部必做，平时考核占比不低于50%。常见的落地做法是每个实验设三档：必做基础题（模板级）+选做设计题（需自行设计数据结构）+挑战题（开放优化，与评优挂钩）。
贯穿式项目方面，中国传媒大学"电梯调度"案例以统一项目为载体，按"基础---提高---挑战"三层推进，天然覆盖队列、优先队列、图、查找等知识点，获全国程序设计课程教学案例评选特等奖；南宁学院以"医院看病排队"真实情境驱动队列教学。用一个系统贯穿学期、依次叠加线性表→树→图→查找→排序的做法在公开报道中较少，但属于一线教师的常见实践，可参照校园导航、选课系统等课设选题自行设计。
防AI代做机制方面，滁州学院课程群虚拟教研室对综合设计大作业实行"一人一题"或差异化参数，用评分细则+答辩核验本人完成度，并留存选题、源码、文档的全过程记录；海南热带海洋学院《数据结构与算法》过程性考核方案降低期末占比，增加预习测验、课堂现场编程测评与团队项目答辩。实测证据显示：大模型在OJ平台上能快速解出模板题，但在复杂逻辑、边界条件与性能约束上明显出错------这正是作业设计的抓手：个性化数据、真实约束、现场验收，能让AI从"代写者"变成"参考工具"。同时要正视OJ平台的局限：头歌等平台的关卡答案已在网络流传，大模型可直接生成多数OJ题解，纯OJ成绩的可信度持续下降，评测平台宜只承担"基础过关"职能。
产教融合方面，与两个班的合作办学背景直接相关：湖北理工学院网络工程专业把HCIA/HCIP课程纳入培养方案实现"课证融通"，共建华为ICT学院并推动华为ICT大赛全员参赛；枣庄学院按华为认证知识大纲组织教学，175名学生HCIA-AI方向通过率达82.7%；深圳职业技术大学与华为实践"课证共生共长"。中软国际方面，集美大学实行"3+1"培养（三年在校+一年企业实训）与5R实训体系（真实环境、真实项目经理、真实项目案例等），企业深度参与大纲与项目案例设计；本校"中软卓越工程师班"也已有企业真实项目实训、配套华为及1+X认证考前辅导的实践基础。需要说明的是，检索所见校企合作直接重构数据结构课程的公开案例较少，更常见的是把认证标准与企业案例融入程序设计类课程------这恰好说明课程层面的改革空间还在，先行者有先发优势。
2.6 证据等级说明：怎么看待这份调研
在进入建议之前，有必要说明上述证据的可信度层级，以免照搬时踩坑。证据强度从高到低大致是：学习科学领域的经典实验与元分析（同伴教学、think-pair-share、两阶段考试、游戏化元分析）结论稳健，可以直接放心采用；国外高校的口试、防AI作业设计属于有详细记录的成熟实践，迁移成本低但需适配本土课堂文化；国内高校的教学案例与经验报道（一流课程案例、PTA排位赛、电梯调度项目）方向可信，但效果数字多为自述，缺乏对照实验，宜参考其做法而非迷信其数字；政策文件代表方向而非方法，落地仍需课程层面的二次设计。据此，本报告的落地方案优先采用前两类高可信度做法，后两类作为方向参照。
三、诊断篇：传统模式为什么失灵
把调研证据合起来看，当前面临的三个症状指向同一个根源：传统教学的三根支柱------内容传输、例行练习、成品考核------在AI时代全部失去了垄断地位。
内容维度上，讲授不再是稀缺资源。浙大、清华的数据结构课免费可得，AI还能随时无限答疑，课堂讲授的信息传递价值被大幅稀释。学生在线上得不到的，恰恰是"被追问、被点名、当众试错并被纠正"的交互式学习体验------这才是线下课堂剩余且不可替代的价值。
方法维度上，单向讲授与注意力规律冲突。数据结构概念抽象，连续讲授45分钟远超持续注意的合理区间。学生不抬头，往往不是纪律问题而是课堂活动设计问题：当课堂上唯一可做的事是"听"，手机自然成为替代品。学习科学的建议很朴素------每10---15分钟切换一次活动，让学生有事可做。
考核维度上，成品外包导致评价失效，这是最关键的一环。传统考核只看"最终提交的代码与报告"，而AI生成这类成品的成本几乎为零。当考核无法区分"学生会做的"与"AI会做的"，作业就失去了诊断与训练价值，成绩也失去公信力------这正是"布置什么作业都被AI解决"的无力感的深层来源。
由此得出改革方向：不是把管理变得更严，而是把三根支柱重建------内容传输改为交互建构，例行练习改为分层任务，成品考核改为过程+答辩。考核方式不变，一切课堂技巧都只是止痛药；考核方式一变，学生的精力分配会自动跟随。
四、落地方案：为两个班定制的改革设计
4.1 总体框架：平台管基础、项目管综合、答辩管真实
改革的总体结构分三层：OJ平台（PTA等）承担基础编程与数据结构基本操作的过关训练，低分值、高频次、容忍AI存在；贯穿式分层项目承担综合能力训练，一人一题、分阶段提交；随堂测验、现场上机与口头答辩承担可信度保障，验证"学生自己到底会什么"。三层分别对应"练、做、证"，建议权重为20%、40%、40%。
4.2 课堂重构：一节45分钟课的节奏表
课堂重构的核心原则只有一条：连续讲授不超过15分钟，每节课让学生"做事"不少于三次。建议节奏如下：
表1 45分钟课堂节奏建议
|-----------|-----------|---------------------------|
| 时间 | 活动 | 说明 |
| 0---2分钟 | 导入问题 | 用真实场景开场，如"地图App怎么秒出路线？" |
| 2---15分钟 | 核心概念讲解 | 配VisuAlgo动画，先让学生预测结果再播放 |
| 15---18分钟 | 互动题 | 雨课堂/学习通选择题，投屏正确率分布 |
| 18---30分钟 | 现场编程 | 半成品代码补全，故意埋bug让学生纠错 |
| 30---33分钟 | 同伴讨论+随机点名 | 先think-pair-share再点名，降低抵触 |
| 33---42分钟 | 当堂练习 | 一道PTA基础题，投屏实时进度 |
| 42---45分钟 | 一句话后测 | "今天学的结构解决什么问题？" |
这份节奏表不需要任何技术投入，明天就能用，唯一的备课增量是每节课设计一个导入问题和一道当堂练习题。头几次可能生涩，迭代三四次即可顺手。
4.3 作业与考核重构：三层作业结构
参照"三层边界"框架，把课程作业划分为三个区域，开学第一周即向学生公布规则，形成"披露+担责"的约定：
表2 三层作业结构
|--------|-------------|------------------|--------------------|------------------------|
| 区域 | 任务类型 | AI政策 | 考察重点 | 示例 |
| AI禁区 | 随堂纸笔测验、上机测验 | 禁用AI | 指针操作、手工执行追踪、核心函数默写 | 每章10分钟随堂测、单元末限时上机 |
| AI限区 | 课后编程作业 | 可参考但须提交对话记录与修改说明 | 独立完成度与解释能力 | 学号生成参数的个性化题目+随机抽答辩 |
| AI自由区 | 综合设计题、挑战题 | 可充分使用AI | 提问、验证、优化AI的能力 | 找AI代码的bug、给AI出题、优化低效实现 |
AI限区的关键设计是"一人一题+过程留痕"：作业数据与场景按学号生成个性化参数（滁州学院已验证有效），要求通过Git或平台保留版本记录；每次作业每班随机抽3---5人做5分钟答辩，问题如"这个函数里哪一行最关键？""输入改成什么会崩？"，答不上来者重做。答辩不追求人人过关，它的存在本身就是威慑。
AI自由区是改革的亮点，可直接借鉴复旦"考AI"的做法：排序章让学生用AI生成三种快排实现并编写测试用例"打爆"它们；图章让学生设计问题考AI的最短路径；查找章让学生找AI生成的哈希实现中的逻辑漏洞并写分析报告。这类作业无法被AI代做------因为"代做"本身正是被考察的能力；学生觉得新颖，同时训练的恰是就业市场最需要的与AI协作的能力。
考核构成建议：过程性成绩占50%---60%（随堂测验15%、课后作业20%、实验项目20%），期末占40%---50%。期末可保留笔试，但增加代码手工执行、改错、复杂度分析类题型，减少背诵类题目。构成在开学第一周公布，学生的精力分配会自动向过程端转移。
4.4 实验课重设计：分层+分阶段验收
每个实验设三档：必做基础题（模板级，平台自测通过即可）、选做设计题（需自行设计数据结构，一人一题）、挑战题（开放性优化，与评优和竞赛挂钩）。取消验证型实验"交报告即完成"的做法，验收改为"三件套"：现场演示运行+口头解释一个核心函数+提交版本记录。参照山东科技大学做法，实验环节平时考核占比不低于50%。
学期贯穿项目建议选"校园服务系统"类选题：学生名册管理用线性表，操作日志与排队取号用栈和队列，选课系统用树，校园导航用图，成绩查询用查找，绩点排名用排序。一人一题或一组一题、数据差异化，项目按四大知识点的教学进度分四阶段提交，每阶段验收一次------这正是中国传媒大学电梯调度获奖案例的"分层推进"结构。
4.5 两个班的特色衔接：把合作资源变成课程资源
两个班各自拥有别的院校羡慕不来的校企合作资源，应当主动接入课程：
软件工程（中软班）可借力中软国际5R实训理念：邀请企业工程师做一两次客座分享，用真实业务系统中的数据结构应用作为综合设计题素材；课程设计选题尽量取自企业真实需求的简化版本；把企业代码规范与code review流程提前引入，实验验收加入同伴互评环节，互评意见计入平时分。本校"中软卓越工程师班"已有企业真实项目实训与认证考前辅导的基础，本课程可顺势对接。
网络工程（华为网规班）可借力华为ICT学院体系：把课程内容与HCIA考纲中的算法和程序设计模块对接，明确告诉学生"今天学的最短路径，就是你们后续路由协议的底层原理"；动员参加华为ICT大赛，把大赛题目设为挑战题并给予加分；参照湖北理工学院"课证融通"做法，在课程大纲中显式标注与认证的对应关系。
两个班的共通动作：用认证题库与企业案例库翻新作业题库，让题目形态接近"真实任务"，从根本上降低AI"模板答案"的可用性。
4.6 行动路线图：分三阶段推进
表3 学期落地路线图
|--------|-----------|-------------------------------------------------|
| 阶段 | 时间 | 动作清单 |
| 冷启动 | 第1---2周 | 公布三层作业规则与考核构成；启用45分钟节奏表；接入雨课堂/学习通互动题；做一次诊断性随堂测验 |
| 深化 | 第3---10周 | 上线个性化参数作业；启动首次随机答辩；推行分层实验；贯穿项目分阶段推进；尝试一次AI自由区作业 |
| 收官 | 第11---16周 | 项目答辩终验；上机测验复盘；汇总数据（答辩通过率、随堂测与期末成绩相关性），形成下学期调整方案 |
最小成本启动原则：不追求平台建设，不追求第一学期的材料完备，先把互动题、个性化参数、随机答辩这三件"明天就能做"的事跑起来，再谈更深的改革。改革是迭代过程，不是一次性工程。
4.7 风险与应对
学生负担与抵触：过程性考核会让学生感觉"事情变多了"。应对：开学第一周充分沟通规则与理由，答辩氛围从宽，设置"重做一次"的补救机制。
教师时间压力：答辩与现场验收耗时。应对：每次作业每班随机抽样3---5人而非全员；引入同伴互评分担部分批改；把部分验收放进课堂时间完成。
技术依赖风险：本方案刻意不依赖任何AI检测工具，因为调研已证明检测不可靠。
效果不确定性：国内教改证据多为经验总结。应对：第一学期注意留痕（抬头率观感、作业质量、答辩表现、期末成绩），用自己班级的数据评估效果，小步快跑地迭代。
4.8 教师侧支持：把改革变成教研成果
改革不应只靠教师个人的热情硬扛，还应有意识地把它转化为可持续的支持系统与职业成果。第一，数据留痕即研究素材：从第一学期起系统记录随堂测正确率、答辩通过率、作业原创度估计与期末成绩的变化曲线，一个学期后即可形成教改论文或一流课程申报材料的实证基础------近两年"AI赋能数据结构教改"正是论文与项目申报的热门选题，窗口期难得。第二，借力虚拟教研室与教研共同体：滁州学院等地的课程群虚拟教研室已经在做AI赋能考核改革的协同探索，加入此类共同体可以共享题库、答辩问题库与评分细则，显著降低单兵作战的成本。第三，用好学院的合作企业资源：中软与华为的工程师、认证讲师都可以成为客座资源，一学期邀请一两次企业进课堂，既是教学亮点，也是产教融合的佐证材料。第四，争取制度配套：把三层作业规则与过程性考核占比写入课程大纲并报备学院，让"披露+担责"的约定获得制度背书，处理争议时才有依据。
五、结语
当前的困境不是某位教师的失败，而是整个高校计算机教学体系在AI时代的必然阵痛。好消息是路径已经清晰：政策在鼓励"融"而不是"禁"，一流课程在示范"混合"而不是"满堂灌"，一线同行在探索"疏"而不是"堵"。课堂改革不需要推倒重来，只需要把教学的重心从"我讲了什么"逐步移到"学生做了什么"。
从下一节课开始，可以先做三件事：设计一个真实场景的导入问题，课中插入一道互动题，然后向学生公布新的考核规则。其余的，按路线图迭代推进。
附录：主要参考资料
以下为本报告调研所依据的公开文件与报道（2024---2026年）：
- 中共中央、国务院《教育强国建设规划纲要（2024---2035年）》，2025年1月，中国政府网。
- 教育部等九部门《关于加快推进教育数字化的意见》（教办〔2025〕3号），教育部官网。
- 教育部等五部门《"人工智能+教育"行动计划》（教科信〔2026〕1号），中国政府网。
- 教育部办公厅《关于公布第三批国家级一流本科课程认定结果的通知》（教高函〔2025〕9号）。
- 武汉城市学院《数据结构》线上线下混合式一流课程建设案例，中国教育在线。
- 复旦大学本科毕业论文AI使用规范（"六个禁止"），复旦新闻网，2024年12月。
- 清华大学AI教育应用规范相关报道；中国矿业大学经管学院生成式AI使用指南。
- 复旦大学《数据挖掘技术》期末考"不考学生考AI"案例报道。
- 科学网评论《禁止AI进入课堂，才是教育真正的风险》，2026年7月。
- University of Auckland: The Case for Oral Exams in the Age of AI, 2025.
- University of Antwerp: AI-proofing Assignments; Harvard Bok Center: Designing Courses & Assignments in the Age of AI.
- arXiv: Two-Stage Final Exams (2025); To Police or to Guide: CS教师GenAI政策访谈研究 (2026).
- 成都大学计算机学院核心课程引入PTA排位赛机制报道。
- 山东科技大学《数据结构》课程实验教学大纲。
- 中国传媒大学数据结构课程教学案例（电梯调度）获全国特等奖报道。
- 滁州学院课程群虚拟教研室AI赋能课程考核改革；海南热带海洋学院《数据结构与算法》过程性考核方案。
- 湖北理工学院网络工程专业"四轮驱动"改革（课证融通）；枣庄学院华为HCIA认证培养案例；深圳职业技术大学与华为"课证共生"案例。
- 集美大学中软国际互联网学院"3+1"与5R实训体系；本校中软卓越工程师班培养方案。
- Mazur团队同伴教学（Peer Instruction）系列研究；哈佛大学Instructional Moves教学策略库。
- VisuAlgo算法可视化平台（新加坡国立大学）；浙江大学《数据结构》中国大学MOOC课程。