CodeTailor：基于 LLM 的个性化 Parsons 谜题以支持编程学习中的参与

学习编程可能具有挑战性，而在规模化条件下提供高质量和及时的支持也很困难。生成式 AI 及其产品（如 ChatGPT）可以为大多数入门级编程问题创建解决方案。然而，学生可能仅使用这些工具来生成代码，从而导致参与度降低和学习受限。在本文中，我们提出了 CodeTailor，这是一个利用大语言模型（LLM）为学生提供个性化帮助，同时仍鼓励认知参与的系统。CodeTailor 提供个性化的 Parsons 谜题来支持遇到困难的学生。在 Parsons 谜题中，学生将打乱的代码块按正确顺序排列以解决问题。使用先前不正确的学生代码片段进行的技术评估表明，CodeTailor 能够基于其错误代码提供高质量（正确、个性化且简洁）的 Parsons 谜题。我们对 18 名新手程序员进行了一项被试内研究。参与者认为 CodeTailor 比仅接收 LLM 生成的解决方案（基线条件）更具吸引力。此外，与基线相比，参与者在使用 CodeTailor 时将更多来自支架式练习的受支持元素应用于后测。总体而言，大多数参与者更喜欢使用 CodeTailor 而不是仅接收 LLM 生成的代码来学习。定性观察和访谈也为 CodeTailor 的益处提供了证据，包括更多地思考解决方案构建、促进学习连续性、促进反思和提升信心。我们提出了未来的设计理念，以利用生成式 AI 技术促进主动学习机会。