摘要

本文探讨了大型语言模型（LLMs）和提示工程在计算机编程教育中的应用潜力，特别是通过个性化教学来提升学习效果。研究主要关注三个关键问题：如何系统地分类提示工程策略以满足不同的教育需求，如何增强LLMs解决超出其固有能力范围的复杂问题的能力，以及如何建立一个强大的框架来评估和实施这些策略。通过在LeetCode和USACO等数据集上对GPT-4、GPT-4o、Llama3-8b和Mixtral-8x7b等模型进行实验，研究发现GPT-4o在“多步骤”提示策略下表现最佳，强调了定制提示策略对提升LLM性能的重要性。研究结果表明，通过系统分类和测试这些策略，可以为教育者和学生提供一个全面的框架，以优化基于LLM的学习体验，进一步推动AI技术在教育实践中的应用。

原理

本文通过系统地分类和应用不同的提示工程策略，探索了LLMs在生成Python代码中的性能提升。提示工程策略包括基础提示、一般提示工程和特定提示工程，这些策略通过提供不同的指导和示例，帮助LLMs更好地理解和解决编程问题。特别是“多步骤”提示策略，通过逐步引导LLMs生成伪代码、验证逻辑、转换为实际代码等步骤，显著提高了LLMs在复杂问题解决中的表现。这种策略的先进性在于其能够通过结构化的步骤和迭代反馈，增强LLMs的上下文理解和问题解决能力。

流程

研究的工作流程包括三个主要步骤：首先，根据教育需求对编程问题进行分类；其次，应用不同的提示工程策略；最后，评估LLM生成的响应。例如，在处理LeetCode问题时，研究使用了“多步骤”提示策略，包括生成伪代码、验证逻辑、转换为实际代码等步骤。这种工作流程通过结构化的方法，确保了LLMs能够有效地理解和解决编程问题，从而提高了教育效果。

应用

本文的研究成果为计算机编程教育提供了新的教学工具和方法，特别是在个性化和适应性学习环境的创建方面。通过优化提示工程策略，LLMs可以更好地辅助学生解决复杂编程问题，提高学习效率。未来，这些策略可以进一步应用于更广泛的编程教育领域，如在线编程课程、编程竞赛辅导等，为学生提供更加动态和个性化的学习体验。