超越简单输入输出评测任务：面向非平凡课程的自动编程评测实践

一篇 arXiv 论文记录作者为自动编程评测工具设计机器学习练习的经验。作者强调并未开发新的自动评分系统，而是提出将机器学习问题框定为输入输出评测任务的视角：每个练习都有唯一且确定的答案，从而让 VPL for Moodle、Codeforces、MOJ 等自动编程评测工具支持 AI 教育，推动理论与实践结合的课程设计。

此前自动编程评测多用于基础编程题，机器学习课程因开放性与非确定性难以套用。该文的价值在于提出一种不改造工具本身、仅靠题目设计即可复用现有评测平台的思路，使非平凡 AI 课程也能获得自动反馈，降低教学规模化对人工批改的依赖。

机制是把开放性机器学习任务重新表达为具有唯一且确定性答案的输入输出形式，例如固定数据、固定随机种子或固定评测指标下的确定结果。这样自动评测工具只需比较输出即可判定对错，无需引入新的评分算法或人工干预，从而把已有编程竞赛与教学平台的评测能力迁移到 AI 课程练习中。

对教育产品与课程研发而言，可直接在现有 VPL for Moodle 等平台内设计机器学习练习，减少开发专用评分模块的成本；教师能获得即时反馈与可重复的判分结果。但题目设计需要把开放问题约束为确定答案，可能限制学生探索空间，需要课程设计者权衡练习类型。

• 在现有 LMS 或编程评测平台上，按确定输入输出形式设计一组机器学习练习题模板并试点课程。
• 面向教师提供一套把机器学习任务改写为确定性评测题的指南与示例题库。
• 评估将 Codeforces、MOJ 等竞赛评测器接入 AI 课程作业流程的可行性与配置成本。

• 论文未给出具体练习样例、课程规模与学生反馈数据，实际教学效果尚不明确。
• 把机器学习问题约束为唯一确定答案，是否适用于深度学习等更开放的主题，证据不足。
• 该方法是否经过对照实验或成绩数据验证，证据中未提及。