Следует ли программировать студенты учиться с ИИ?
23 июня 2025 г.Таблица ссылок
Аннотация и 1. Введение
2. Контексты, методы и задачи
3. Смешанные результаты
3.1. Качество и 3,2 производительности
3.3. Обучение и 3,4 стоимости
4. Модераторы
4.1. Типы задач и сложность
4.2. Совместимость
4.3. Коммуникация
4.4. Сотрудничество
4.5. Логистика
5. Обсуждение и будущая работа
5.1. LLM, ваш парный программист?
5.2. LLM, лучший программист?
5.3. LLM, студенческий программист?
6. Заключение, подтверждение и ссылки
5.3 LLM, студенческий программист?
Как было рассмотрено в разделе 2, в большинстве современных исследований, которые оценивают эффективность филота, проводятся с опытными разработчиками программного обеспечения. Если мы оценим способности Copilot по решению проблем как среднего студента в начальных классах программирования, оценка его производительности при сочетании с профессиональным разработчиком программного обеспечения с гораздо большим опытом может не принести достаточной выгоды для профессионала. Поэтому, работая с текущими возможностями LLM, кажется, что настройка программирования для студентов-AI была бы наиболее перспективной для изучения, поэтому следующий вопрос: как мы должны лучше всего поддерживать программирование парных парных парней?
Повторно приоритет навыки программированияПолем Сотрудничество с ИИ требует особого набора навыков, и будущая работа может изучить, как поддержать студентов для лучшего развития этих важных навыков. Bird et al. [12] утверждали, что популярность помощников по программированию на основе LLM приведет к растущей важности рассмотрения кода как навыка для разработчиков. Тем не менее, в Persheid et al. Интервью [64], ни один из профессиональных разработчиков не помнил обучения по отладке в школе. Уже существует богатая литература по инструкциям по отладке и тестированию [2, 50, 77], но логистические проблемы, такие как отсутствие учебного времени, все еще существуют [23, 50], и преподаватели должны лучше подготовить студентов к навыкам отладки и тестирования, необходимых для работы с ненасытным ИИ.
Интегрировать Aie -Frameworks.На теоретической стороне Holstein et al. [33] разработали основу для сопоставления способов взаимного увеличения людей и ИИ в образовании, например, путем увеличения интерпретации, действия, масштабируемости и способности. Будущие работы могут использовать существующие теории в области образования искусственного интеллекта для улучшения дизайна партнера по программированию AI и дальнейшего изучения, привлечет ли LLMS новый фокус и возможности в предыдущие рамки образования человека.
Поддержка объяснения и общения со студентами.Предыдущие попытки использования агента искусственного интеллекта в качестве партнера парного программирования показали некоторый предварительный успех в передаче и удержании знаний [28, 69], и обсуждаемым ограничением было отсутствие обсуждения и объяснения [41]. В настоящее время, поскольку агент, основанный на LLM, может поддерживать более естественное взаимодействие и предоставить хорошие объяснения качества во вводном контексте программирования [42], было бы интересно изучить, может ли ИИ на основе LLM разрешить некоторые ограничения, упомянутые в работах педагогических и разговорных агентов. Методы саморефлексии и объяснения также могут быть приняты, чтобы восполнить аспект коммуникации, как в программировании пар человека.
Матч эксперта со студентами.Как обсуждалось в разделе 4, соответствующий опыт - сложная проблема. Луи и Чан [45] обнаружили, что пара-экспертная пара может не получить столько преимуществ по сравнению с опытным сольным программистом по сравнению с парой новичков и соло-новичка. Между тем, сочетание двух новичков вместе вызывает озабоченность «Слепой, ведя слепых», но сочетание новичка с экспертом может привести к более низкой самооценке новичка [4]. Учитывая все эти сложности, когда дело доходит до студенческой пары, и когда мы заботимся только об обучении студента, есть много вопросов исследования. Если у нас есть полный контроль над воспринимаемым уровнем квалификации партнера по искусственному искусству, мы должны настроить его, чтобы быть похожим на студента, немного более высокого уровня или намного лучше? Было бы полезно иметь как агента по ИИ, так и агент по ИИ -репетиторам, который поможет, если студенты застряли?
Избегайте чрезмерных студентов.Для учащихся программирования было бы важно настроить помощника по программированию на основе LLM, чтобы избежать переоборудования. В немногих исследованиях, в которых изучалось взаимодействие новичка с Copilot [66] или индивидуальную среду программирования, основанную на кодексе модели генерации кода на основе LLM [39]. Prather et al. [66] обнаружили, что у новичков есть уникальные модели взаимодействия с помощью копила и тенденция полагаться и слишком много доверять сгенерированному коду. Kazemitabaar et al. [39] обсуждали последствия для проектирования, включая контрольное использование и поддержку полных новичков. Также возникали опасения по поводу академической целостности и изменяемого восприятия обучения, когда инструменты программирования на основе LLM становятся легко доступными для студентов [10, 66, 68], которые требуют дальнейших исследований для программирования парных парных студентов.
Повысить уверенность студентов.И последнее, но не менее важное, было показано, что парное программирование приносит пользу учащимся с более низким уровнем самоэффективности и уверенности в себе [81] и женщинами [47], что может сделать его педагогическим инструментом для привлечения более уязвимых или недопредставленных групп населения в CS. Когда ИИ вводится в парном программировании, сохранится ли такая же выгода? Как мы должны по -разному представить ИИ, чтобы сделать его совместимым с студентами с различным уровнем доверия? Как мы смягчаем риски ненадежного, но, казалось бы, авторитетного ИИ? LLMS может быть возможностью решить некоторые существующие проблемы в парных программировании студентов-студентов (как обобщено в таблице 2), но есть еще много открытых вопросов.
Авторы:
(1) Qianou Ma (автор -корреспондент), Университет Карнеги -Меллона, Питтсбург, США (Qianouma@cmu.edu);
(2) Тонгшуанг Ву, Университет Карнеги -Меллона, Питтсбург, США (sherryw@cs.cmu.edu);
(3) Кеннет Кодингер, Университет Карнеги -Меллона, Питтсбург, США (koedinger@cmu.edu).
Эта статья есть
Оригинал