基于LLM的协作编程：对学生计算思维和自我效能感的影响

目前，协作编程是编程教育中一种流行的方法，但由于团队成员之间的编码技能水平不同，其有效性往往不足。为了应对这些挑战，可以引入大型语言模型 （LLM） 作为支持工具，以提高协作编程的效率和结果。在这种转变中，协作团队的结构从人与人演变为由人、人和 AI 组成的新范式。为了研究将 LLM 集成到协作编程中的有效性，本研究设计了一个准实验。为了探索将 LLM 整合到协作编程中的有效性，我们进行了一项涉及 82 名六年级和七年级学生的准实验，他们被随机分配到实验组或对照组。结果表明，将 LLM 纳入协作编程显着降低了学生的认知负荷并提高了他们的计算思维技能。然而，两组之间没有观察到自我效能感的显著差异，这可能是由于学生在从图形编程过渡到基于文本的编码时面临的认知需求。尽管如此，该研究仍然对 LLM 增强协作编程的潜力持乐观态度，因为以这种方式学习的学生表现出比传统环境中的学生更低的认知负荷。

其他人正在查看类似内容

ACcoding：用于在线裁判编程的基于图的数据集

文章 开放获取 29 五月 2024

通过 ChatGPT 中基于提示的学习来研究学生的编程行为、交互质量和感知

文章 开放获取 31 10月 2024

哪些因素会影响使用 ChatGPT 解决编程问题的效果？准实验研究

文章 开放获取 26 二月 2024

介绍

在数字社会的快速发展中，计算思维已成为人类思维的重要组成部分（Tikva & Tambouris，2021）。Csizmadia 提出所有学生都应该学习计算思维 （Csizmadia et al. 2015），无论学科和年龄如何，如果学生具备计算思维能力，他们将能够利用自己的创造力来解决问题，并积极面对社会带来的挑战。计算编程教育作为提高计算思维的主流方式，受到了国内外学者的广泛关注。学者们普遍认为，培养和发展学生计算思维过程技能的最有效方法之一是通过计算编程教育（Belmar 2022）。学者指出，近年来程序设计教育已回归中小学，计算思维已成为课程建设的重要指导原则，程序设计教育日益成为培养学生解决问题能力、创造力和计算思维的重要途径（Tikva 和 Tambouris 2021).然而，对于新手编程，尤其是那些第一次接触基于文本的编程语言的人来说，他们面临着许多挑战（Louca 和 Zacharia 2008），例如不熟悉语法和结构，难以组织逻辑和算法，以及难以找到相关资源和文档。所有这些问题都会影响学生的编程自我效能感和认知负荷，进而影响学生的学习效能（Yildiz Durak 2018）。

协作编程是编程教育中的一种有效策略，可以提高学生的自我效能感和计算思维能力（Denner 等人，2014 年）。然而，传统的协作编程教学模式在课堂实施中经常面临一些困难（Strom 和 Strom 2002;Zheng 和 Zheng 2021），例如小组成员编程能力的共同不足和困难，阻碍了协作编程过程，难以取得好的结果（Xinogalos et al. 2017）。此外，中学生需要面对从图形编程到基于文本编程的转换，从图形编程过渡到抽象编程的过程对学生的自我效能感提出了巨大的挑战（Mladenović et al. 2018）。

近年来，人工智能生成内容 （AIGC） 引起了计算机科学界以外的许多领域的关注，OpenAI 开发的 ChatGPT 等大型语言模型 （LLM） 是当今 AIGC 的代表性成果之一（Cao et al. 2023）。ChatGPT 等 LLM 有可能改善中小学编程教学中传统协作模式的几个限制和挑战（Tan 等人，2023 年），例如异质性问题、时间和位置限制、反馈延迟和资源分配问题。然而，虽然 LLM 的潜力是显而易见的，但关于将 LLM 整合到 K-12 编程教育的实证研究仍然很少（Zhang 和 Tur 2023）。

因此，本研究旨在探索 LLM 在中学协作编程环境中的整合。通过进行 LLM 支持的协作编程教学和传统的协作编程教育，本研究旨在比较它们在提高学生自我效能感和计算思维技能方面的有效性是否存在显着差异，并为教育工作者和研究人员提供一些使用 AIGC 支持的编程课程的建议和见解。基于此，提出了以下研究问题：

1.

1.基于 LLM 的协作编程是否比传统的协作编程更能提高学生的计算思维？

2.

2.与传统的协作编程相比，基于 LLM 的协作编程是否更能提高学生的自我效能感并减轻认知负荷？

文献

教育和计算思维

计算思维是指通过使用计算机科学中的基本概念来解决问题、设计系统和理解人类行为，是每个人都必须具备的基本技能（Nouri 等人，2020 年）。自从 Wing （Wing 2006） 引入计算思维的概念以来，她的论点为人类与计算机之间的关系提供了新的视角，引发了计算思维的研究浪潮。几项研究强调了学生的编程技能与他们改进的计算思维之间的正相关（Nouri 等人，2020 年;Rich 等人，2017 年）解释说，学生编程技能的发展和计算思维技能是正相关的（Belmar 2022），学生编程技能的提高会相应地提高他们的计算思维（Oluk 和 Korkmaz 2016）。计算思维的发展与编程教育之间的相关性强调了编程教育对提高学生计算思维技能的重要性（Belmar 2022;Nouri 等人，2020 年;Tikva 和 Tambouris 2021）。

为了培养能够适应快速发展的社会时代的新青年，政府和领先的教育机构正在重视编码教育和计算思维（Hsu 等人，2019 年;Williamson 2016 年）。早在 2014 年，欧洲学校网络就发布了一份调查报告，指出在参与调查的 51 个国家中，有 13 个国家已经或即将在 K-9 教育中引入编码（Mannila 等人，2014 年）。

协作编程是基于协作学习开发的，根据认知主义和建构主义，协作学习是指学习小组中每个人通过个人学习经验和与团队中其他学习者的社交互动，基于先前学到的概念知识，积极和协作地构建知识（Kalaian 和 Kasim 2015).长期以来，协作编程一直被认为是提高编程教学效果的有效方法（Johnson and Johnson 1987），它可以帮助团队成员一起工作以克服他们的编程缺点（Edmondson 1999），特别是对于新手程序员来说，协作编程可以成为帮助学习者认识计算机编程知识并帮助他们建立计算思维和计算机编程技能的好方法（Zheng 等人，2022 年）。

然而，在传统的协作学习过程中，学习者倾向于相信他们在与其他小组成员合作时可以实现共同的学习目标（Kalaian 和 Kasim 2015）。值得进一步探索这个观点，因为研究表明，团队的组成及其成员的能力与团队的整体表现有关（Cohen 和 Bailey 1997）。团队成员技能、经验和知识的多样性可能会影响团队合作的有效性，并且协作编程过程可能会受到团队成员编程技能中常见的缺点和困难的阻碍（Strom 和 Strom 2002;Xinogalos 等人，2017 年）。

协作编程中的自我效能感

自我效能感的概念化是班杜拉人格发展的社会认知/学习理论 （Bandura 1978） 最突出的方面之一，该理论表明，效能感增强的学生对自己的期望更高，并且在寻找解决方案时表现出更大的战略灵活性比具有相同认知能力的学生。学生能够在编程任务中独立思考和解决问题至关重要，而自我效能感高的人更有可能寻求有效的困难解决方案而不是逃避问题（Bandura 1978）。根据班杜拉的社会认知理论，可以通过观察、模仿和反馈来提高自我效能感（Bandura 1978）。在协作编程过程中，学生们相互观察并分享解决问题的策略，这有助于提高他们的自我效能感（Yilmaz 和 Yilmaz 2023b;Zheng 和 Zheng 2021）。Yuliyanto 在他的研究中指出，学习者的认知负荷与自我效能感直接相关（Yuliyanto et al. 2019）。学生的认知负荷越低，自我效能感就越高，对学生学习的帮助就越大（Vasile 等人，2011 年）。在复杂的编程任务中，任务和问题的复杂性可以在团队成员之间共享，而团队成员可以共享知识和资源，这些做法减少了复杂任务的认知负荷（Zhang et al. 2016）。在协作编程中，其他成员的存在提供了一种双重检查机制，有助于确认个人解决方案，而这样的反馈循环减少了学生在最初接触编程语法时的认知负担（Chang 和 Wongwatkit 2023）。

小学到初中的学生需要面对从图形编程到编码编程的转变，从具体到抽象的转变导致学生的认知负荷急剧增加，学习者的自我效能感感受到了巨大的冲击（Louca 和 Zacharia 2008）。Kalaian 和 Kasim 在他的研究中探讨了具体和抽象教学风格对学习者自我效能感的影响（Kalaian 和 Kasim 2015），这项研究的结果表明，具象教学风格更有可能提高学习者的自我效能感（Yuliyanto et al. 2019），但根据 Bloom 的认知目标分类系统（Bloom et al. 1956），抽象的教学风格更能支持学生高阶思维技能的发展，因此如何在这个过渡期保持学生的自我效能感是一个非常重要的问题。

大型语言模型 （LLM） 及其在教育中的潜力

为了有效应对社会经济变化带来的挑战和数字经济中对 AI 不断增长的需求，AIGC 应运而生。AIGC 是指使用先进的生成式 AI （GAI） 技术创建的内容，而不是手动创建（Wu 等人，2023 年）。LLM 的进步显着提高了 AIGC 的性能，赋予了它新的潜力和机会，并为我们的日常生活注入了很多便利（Wu 等人，2023 年）。LLM 是一种基于多层递归神经网络的人工智能 （AI） 工具，这些工具在大量数据上进行训练以生成类似人类的文本（Alberts 等人，2023 年）。一些具有代表性的 LLM 包括 Pathways 语言模型、通才语言模型、生成式预训练转换器 （GPT）（Valmeekam 等人，2022 年）。LLM 在不知不觉中影响了人们生活的方方面面，尤其是在教育领域（Alberts 等人，2023 年）。现有和新兴技术将帮助教师更好、更有效地进行教育教学（Bryant 等人，2020 年）。人工智能技术被用于设计教育机器人，在课堂上使用人工智能技术，并使用教育机器人帮助学生教授机器人编程（O'Hara 等人，2015 年）。在编程教育中，LLM 可以通过编写结构化查询语言查询并执行来扮演程序员的角色，甚至可以根据需要简要编写 Python、Verilog 和 C++ 代码，模拟训练网络，模拟 Linux 系统等作（Yilmaz 和 Yilmaz 2023a）。此外，LLM 还可以为学生提供个性化的辅导，根据学生的个人学习需求和进度为学生提供个性化的指导和反馈（Kasneci 等人，2023 年），减少学生对自动化和重复性任务的参与，从而减轻学生的认知负荷，使学生能够专注于解决问题和算法设计（Hutson 和 Plate 2023），并在很大程度上解决了协同编程带来的困难，将原来的协同编程学习结构从人加人模型转变为人加人相结合的人工智能模型。在 Arora 的研究中，法学硕士在高等教育课程中的使用被低估了。共有 411 名学生参与了这项研究，结果表明，学生使用 LLM 完成了各种编程任务，包括代码生成和调试、概念查询和示例创建。学生普遍认为法学硕士学位可以帮助提高他们的编程和学习能力（Arora 等人，2024 年）。Yilmaz 和 Karaoglan Yilmaz 对 41 名高等教育学生进行了一项为期 8 周的实验，他们被要求使用 LLM 来解决问题，在研究结束时，学生们报告说，在他们的编程学习中使用 LLM 可以让他们快速获得问题的大部分正确答案（Yilmaz 和 Yilmaz 2023a），可以提高他们的思维能力，促进他们的调试，减轻他们的认知负荷，增强他们的自我效能感。在 Ouaazki 的研究中，LLM 被用来简化代码生成和调试，增强学生的交互式学习方法。研究结果表明，使用 ChatGPT 作为学习助手可以提高学生的学习成果（Ouaazki 等人，20此外，Wang 在他的研究中测试了 LLM 解决复杂问题的能力，结果表明，定制的提示策略可以显着提高 LLM 的问题解决能力。本研究系统地对不同的策略进行了分类和测试，为教育工作者和学生提供了一个全面的框架，并提醒我们在使用 LLM 作为解决问题的工具时制定某些策略，以更有效地改善计算机编程教学的教育成果（Wang et al. 2024）。Kulangara 和 Kiran 将多个 LLM 集成到一个特定平台中，以加强编程教育。他们研究并定制了一个入门级编程学习平台，学生可以在 LLM 的反馈和帮助下获得个性化的学习体验。尽管 GPT-4 对教育产生了深远影响，但仍然缺乏对该领域进行的实证研究的现有研究，尤其是在小学教育阶段的学生中，而许多人认为编程很困难（Becker 等人，2023 年），尤其是在 k-12 教育阶段的学生中。

因此，重要的是要考虑到将 LLM 技术集成到教学环境中为改变学习和教育过程提供了令人兴奋的机会。本研究调查了 LLM 支持的协作编程学习方法对中学生编程教育课堂中学习者计算思维技能发展的作用。