在大语言模型（LLMs）快速渗透软件工程实践的背景下，软件测试人才培养正面临新的结构性挑战。一方面，学生已广泛将大语言模型用于需求分析、测试设计与脚本生成等任务，但其使用方式往往缺乏系统指导，呈现出明显的“工具依赖”倾向；另一方面，现有研究多聚焦于大语言模型是否提升结果质量，却忽视了其对学习行为与认知过程的深层影响。我们的研究发现，学生在实际测试任务中普遍存在提示设计不充分、上下文缺失、交互迭代不足等问题，尤其在自动化测试脚本生成这一高复杂度任务中，这些问题进一步演化为高交互成本与高调试负担，导致“效率幻觉”与学习风险并存。
针对上述困境，华南师范大学数据智能开放实验室汤庸教授团队、广州职业技术大学与慕测平台展开紧密合作，通过课堂实验与大规模问卷调查相结合的混合方法研究，系统揭示了LLM辅助软件测试中的“任务依赖性使用模式”。研究表明，文本类任务（如需求分析、测试用例设计）呈现出相对稳定且一致的交互模式，而脚本生成任务则表现出显著的不确定性与结构性困难。这种差异本质上源于学生在执行过程中难以显式表达测试上下文、执行约束与验证逻辑。进一步地，我们提出并验证了一种“阶段感知（Stage-aware）提示支架”，引导学生在与LLM交互前外化关键测试信息。实验观察显示，该方法能够促使学生在不同测试阶段更清晰地表达假设与约束，从而改变问题暴露的形式，并改善人机协作的结构。
本研究的重要意义在于，它将研究视角从“模型性能优化”转向“学习过程重构”，指出LLM在软件测试人才培养中的核心价值不在于替代人类完成任务，而在于作为认知支架促进学生的推理与表达能力。研究进一步表明，真正的挑战不在于是否引入LLMs，而在于如何通过教学设计引导学生进行阶段化、反思性的人机协作。由此，本论文为LLM在软件测试教育中的规范化、学习导向集成提供了实证基础与方法启示，对于未来智能化软件工程教育体系的构建具有重要参考价值。相关成果的研究论文“Large Language Models for Software Testing Education: an Experience Report”已经被软件工程顶级学术（CCF-A）会议FSE 2026的教育Track录用。
论文预印版参阅：https://arxiv.org/abs/2603.26329。
评论 0