生成式渐进提示辅助编程学习中大学生计算思维与人机交互模式的探索研究

本研究针对编程教育中思维导向教学的困境，创新性地采用生成式人工智能（GAI）的渐进提示策略（Generative Progressive Prompt），通过微遗传分析、滞后序列分析等方法，揭示了44名大学生在编程学习中计算思维（CT）的发展特征及其与人机交互（HCI）模式的关联。研究发现，渐进提示显著提升了学生的创造力、问题解决、算法思维等CT子维度，并识别出算法思维是CT发展的核心技能。此外，低CT水平学生倾向于引导式交互模式，而高CT水平学生则表现出深度辩论与总结的交互特征。该研究为编程教育中GAI的精准化教学提供了实证依据。

　　

在人工智能时代，编程教育已成为培养未来人才的核心领域，但传统的教学方法面临严峻挑战：学生常陷入算法建模困难、代码调试低效的困境，而教师难以提供个性化指导。更关键的是，编程教育的目标不仅是传授语法知识，更要培养计算思维（Computational Thinking, CT）——一种融合创造力、问题解决和算法设计的高阶认知能力。尽管生成式人工智能（Generative Artificial Intelligence, GAI）如ChatGPT的出现为编程学习带来了即时反馈的可能，但过度依赖可能导致学生思维惰性。如何通过人机交互（Human-Computer Interaction, HCI）设计激发CT的全面发展，成为教育技术领域亟待破解的“黑箱”问题。

针对这一挑战，首都师范大学的Xin Gong与浙江大学Weiqi Xu等学者在《International Journal of Educational Technology in Higher Education》发表研究，创新性地提出“生成式渐进提示表”（Generative Progressive Prompt Sheet）。该工具整合通用提示（如CRO框架）与进阶提示（如链式思考Chain-of-Thought），将编程问题解决分为情境探索、程序生成等四个阶段，每个阶段对应特定CT子技能的培养。研究团队采用学习分析（Learning Analytics, LA）技术，通过微遗传分析法追踪44名教育技术专业学生在Python游戏开发任务中的1726次CT行为表现，并结合滞后序列分析解码HCI模式特征。

关键技术方法包括：（1）基于Kimi智能助手的编程环境搭建；（2）CTS量表（Computational Thinking Scale）前后测设计；（3）视频编码与行为标记系统（如创造力TCR行为定义为“重组GAI反馈生成新颖方案”）；（4）K-means聚类分析不同CT水平学生的对话序列。

研究结果揭示三大发现：

1. 1.

   CT发展特征：渐进提示使CTS总分提升0.5分（p<0.001），其中创造力增幅最大（d=1.40）。微遗传分析显示，算法思维（TAT）在模型优化阶段爆发式增长（M_T3-M_T2=3.23），成为CT发展的“关键转折点”。

2. 2.

   HCI对话规律：73%的提问属于低认知需求问题（如QCL类封闭问题），GAI反馈以编程概念知识（KPC）为主（占46%），但学生较少进行批判性总结（FCS仅占4%）。

3. 3.

   CT水平分层模式：

   • •

     低CT组（Cluster 1-2）表现为“引导-探索”模式，依赖QCL→KTC→FBC序列获取基础代码；

   • •

     高CT组（Cluster 3-4）形成“辩论-总结”模式，通过QOH→KHP→FRO序列迭代优化方案，并运用元认知提示（如“请用[方法]修改**部分”）实现知识内化。

这项研究的意义在于首次揭示了GAI提示工程与CT发展的剂量效应关系。通过将CoT原理融入编程任务链，研究者证实渐进提示能有效协调“即时反馈”与“思维培养”的矛盾。教育实践中，建议为低CT学生设计追问式提示（如“比较哪种方案更符合需求”），而对高CT学生强化反思支架。研究同时警示需防范算法偏见（Algorithmic Bias）对弱势学习者的影响，这为后续研究指明了伦理优化方向。

（注：全文严格依据原文数据，专业术语如QCL=封闭式低认知需求问题，KTC=任务约束知识等均在首次出现时标注，统计符号如p/d值、行为代码TCR等均保留原文格式）