制表还是不制表：利用行为信号和注意力检查衡量AI代码补全工具中的批判性参与

AI代码补全工具（如Github Copilot）为学生提供代码建议，帮助他们编写程序。然而，最近的定性研究表明，学生未能批判性地评估这些建议。我们提出了Clover，一种代码补全工具，它记录学生与代码建议的交互，并提供注意力检查以探究编程任务中的反思性参与。我们还基于文献，为AI辅助编程开发了一套行为交互指标分类法。我们分析了交互模式、注意力检查参与度和任务表现之间的关系。我们观察到，较高的制表接受率与较低的注意力检查表现相关，而较长的停留时间与较高的注意力检查表现相关。最后，我们讨论了编程过程数据和注意力检查如何支持AI辅助编程中的反思性参与。