Using AI in engineering education: a balancing act, driven by clear purpose

📄 arXiv: 2606.16626v1 📥 PDF

作者: Olya Kudina

分类: cs.HC, cs.AI

发布日期: 2026-06-15

备注: To appear in The Routledge Handbook of the Philosophy of Engineering, 2nd ed. Edited By Diane P. Michelfelder, Neelke Doorn

💡 一句话要点

探讨AI在工程教育中的应用与挑战

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 大型语言模型 工程教育 AI素养 批判性思维 学术诚信

📋 核心要点

  1. 学生对大型语言模型（LLMs）的使用存在期待与现实之间的差距，尤其在准确性和学术诚信方面的担忧。
  2. 论文提出了一种目的驱动的AI整合方法，强调在工程教育中培养学生的批判性AI素养和反思性评估能力。
  3. 通过对学生使用LLMs的调查，发现他们在写作和编码等方面获得了支持，但也面临着验证和依赖性的问题。

📝 摘要（中文）

本章基于对100名主要来自工程相关领域的高等教育学生的问卷调查，以及对近期文献的批判性回顾，考察了学生在工程教育中如何使用和看待大型语言模型（LLMs）。学生们主要重视LLMs在写作支持、概念澄清、编码辅助和头脑风暴方面的作用，同时也表达了对不准确性、偏见、过度依赖、学术诚信和验证负担的担忧。通过分析LLMs作为“神谕”和“导师”的两种主导隐喻，本文展示了这些系统如何培养对权威、专业知识和个性化学习的期望，这些期望往往超出了它们的实际能力。总体而言，本文主张在工程教育中以目的驱动和情境敏感的方式整合AI，强调批判性AI素养、反思性评估设计、教学谨慎以及对更广泛的伦理和环境影响的考虑。

🔬 方法详解

问题定义：本章旨在解决学生在工程教育中使用大型语言模型（LLMs）时面临的挑战，包括对其准确性和学术诚信的担忧。现有方法未能充分考虑学生对这些工具的期望与实际能力之间的差距。

核心思路：论文的核心思路是倡导一种目的驱动的AI整合方式，强调在教育中培养学生的批判性思维和对AI工具的反思性使用，以应对过度依赖和验证负担的问题。

技术框架：整体架构包括对LLMs的使用情况进行问卷调查、文献回顾和隐喻分析，主要模块包括学生反馈收集、文献分析和隐喻解读。

关键创新：最重要的技术创新点在于通过隐喻分析揭示了学生对LLMs的期望与现实之间的矛盾，提出了“残酷的乐观主义”概念，强调了学生在使用这些工具时的心理状态。

关键设计：在问卷设计中，关注了学生对LLMs在写作、编码等方面的具体需求，同时考虑了对不准确性和偏见的反馈，确保数据的全面性和代表性。

📊 实验亮点

研究发现，学生对LLMs在写作和编码方面的支持表示高度认可，但同时也对其准确性和学术诚信表示担忧。调查结果显示，学生在使用LLMs时的依赖性与其对工具的期望之间存在显著差距，强调了教育中对AI工具的谨慎使用。

🎯 应用场景

该研究的潜在应用领域包括高等教育课程设计、AI工具的教学集成以及教育政策的制定。通过提升学生的AI素养和批判性思维能力，可以更好地利用AI技术，同时减少其潜在的负面影响。未来，随着AI技术的不断发展，该研究的成果将对教育实践产生深远影响。

📄 摘要（原文）

Based on a questionnaire of 100 higher-education students, predominantly from engineering-related fields, and a critical review of recent literature, this chapter examines how students use and perceive Large Language Models (LLMs) in engineering education. Students primarily value LLMs for writing support, conceptual clarification, coding assistance, and brainstorming, while simultaneously expressing concerns about inaccuracies, bias, overreliance, academic integrity, and the burden of verification. Through an analysis of two dominant metaphors, namely LLMs as an "oracle" and as a "tutor," the chapter shows how these systems cultivate expectations of authority, expertise, and personalized learning that often exceed their actual capabilities. The chapter further argues that students' attachment to the promises of efficiency and personalized support reflects a form of "cruel optimism," where the perceived benefits of LLMs often depend on the very skills, vigilance, and expertise that students are still developing. Overall, the chapter argues for a purpose-driven and context-sensitive approach to AI integration in engineering education, emphasizing critical AI literacy, reflective assessment design, pedagogical caution, and consideration of broader ethical and environmental impacts.