基于 LLM 的编程教育应用调查: 自动化与人类监督之间的平衡

初学者编程受益于及时、个性化的支持, 以弥补个人学习差距, 但教师和教学助理的可用性是天然有限的。大型语言模型(LLMs)为扩大此类支持提供了机会, 尽管其有效性取决于技术能力如何与教学目标相匹配。本调查综合了最近在编程教育中 LLM 应用的最新工作, 涵盖三个焦点领域: 形成性代码反馈、评估和知识建模。我们识别出这些工具应用中的重复设计模式, 并发现当教育专家的专业知识与模型输出相结合时, 通过人类在环式监督、脚手架和评估, 干预措施最为有效。完全自动化的方法往往受限于捕捉编程教育中教学细微差别, 尽管人类在环式设计和课程特定适应性为未来改进提供了有前景的方向。未来的研究应关注提高透明度、加强与教学的一致性, 并开发灵活适应不同学习情境需求的系统。