DOI: https://doi.org/10.1057/s41599-025-04471-1
تاريخ النشر: 2025-02-07
المؤلف: Yi-Miao Yan وآخرون
الموضوع الرئيسي: تعليم وتعلم البرمجة
نظرة عامة
تبحث الدراسة في دمج نماذج اللغة الكبيرة (LLMs) في تعليم البرمجة التعاونية، مع معالجة التحديات التي تطرحها مستويات المهارات البرمجية المتفاوتة بين الطلاب. أظهرت تجربة شبه تجريبية شملت 82 طالبًا من الصفين السادس والسابع أن نماذج اللغة الكبيرة قللت بشكل كبير من الحمل المعرفي وعززت مهارات التفكير الحسابي، على الرغم من عدم ملاحظة أي فرق ملحوظ في الكفاءة الذاتية. قد يكون هذا النقص في الفرق ناتجًا عن المتطلبات المعرفية المرتبطة بالانتقال من البرمجة الرسومية إلى البرمجة النصية. تشير الدراسة إلى أن نماذج اللغة الكبيرة تعمل كدعامات تعليمية فعالة، مما يسهل تجربة برمجة تعاونية أكثر تفاعلًا مقارنة بالطرق التقليدية.
تشير النتائج إلى أنه بينما يمكن أن تحسن نماذج اللغة الكبيرة التفكير الحسابي، يجب على المعلمين التركيز على تطوير مهارات طرح الأسئلة والتفكير النقدي لدى الطلاب لتقليل الاعتماد على هذه الأدوات. كما تبرز الدراسة أهمية الدعم الميتامعرفي في البرمجة التعاونية وتقترح أن النماذج المعتمدة على نماذج اللغة الكبيرة مناسبة بشكل خاص للتعلم القائم على المشاريع. ومع ذلك، فإن القيود مثل فترة التدخل القصيرة، والتحيزات المحتملة بسبب الوصول غير المتكافئ للتكنولوجيا، والتركيز على طلاب K-12 تحد من إمكانية تعميم النتائج. يجب أن تهدف الأبحاث المستقبلية إلى تضمين شريحة سكانية أوسع وإجراء دراسات طولية لفهم أفضل للتأثيرات طويلة الأمد لدمج نماذج اللغة الكبيرة في تعليم البرمجة.
مقدمة
تسلط مقدمة ورقة البحث الضوء على الأهمية المتزايدة للتفكير الحسابي في العصر الرقمي، مشددة على ضرورته للطلاب عبر مختلف التخصصات والفئات العمرية. يدعو Csizmadia وآخرون (2015) إلى دمج مهارات التفكير الحسابي في التعليم، مشيرين إلى أن هذه المهارات تعزز الإبداع وقدرات حل المشكلات. تشير الاتجاهات الحديثة إلى عودة تعليم البرمجة في المدارس الابتدائية والمتوسطة، حيث يعد وسيلة حاسمة لتعزيز التفكير الحسابي والإبداع (تيكفا وتامبوريس، 2021). ومع ذلك، غالبًا ما يواجه المبرمجون المبتدئون تحديات كبيرة، بما في ذلك صعوبات في بناء الجملة، وتنظيم المنطق، والتنقل في الموارد، مما يمكن أن يؤثر سلبًا على كفاءتهم الذاتية ونتائج تعلمهم (يلديز دوراك، 2018).
تناقش الورقة أيضًا إمكانيات البرمجة التعاونية كاستراتيجية لتعزيز كفاءة الطلاب الذاتية ومهارات التفكير الحسابي (دينر وآخرون، 2014). ومع ذلك، تواجه النماذج التعاونية التقليدية تحديات في التنفيذ، خاصة فيما يتعلق بمستويات المهارات المتفاوتة بين أعضاء المجموعة (ستروم وسترم، 2002؛ تشنغ وتشينغ، 2021). يمثل الانتقال من البرمجة الرسومية إلى البرمجة النصية عقبات إضافية لطلاب المدارس المتوسطة، مما يؤثر على كفاءتهم الذاتية (ملادينوفيتش وآخرون، 2018). يوفر ظهور المحتوى الذي يتم إنشاؤه بواسطة الذكاء الاصطناعي (AIGC)، وخاصة نماذج اللغة الكبيرة (LLMs) مثل ChatGPT، حلولًا واعدة لهذه التحديات من خلال معالجة قضايا مثل التباين وتخصيص الموارد في سياقات البرمجة التعاونية (كاو وآخرون، 2023؛ تان وآخرون، 2023). ومع ذلك، فإن الأبحاث التجريبية حول تطبيق نماذج اللغة الكبيرة في تعليم البرمجة K-12 محدودة (تشانغ وتور، 2023). تهدف هذه الدراسة إلى التحقيق في فعالية البرمجة التعاونية المدعومة بنماذج اللغة الكبيرة مقارنة بالطرق التقليدية، مع التركيز على تحسينات في التفكير الحسابي وكفاءة الطلاب الذاتية مع معالجة الأسئلة البحثية التالية: 1) هل تعزز البرمجة التعاونية المعتمدة على نماذج اللغة الكبيرة التفكير الحسابي أكثر من الطرق التقليدية؟ 2) هل تحسن الكفاءة الذاتية وتقلل الحمل المعرفي مقارنة بالبرمجة التعاونية التقليدية؟
الطرق
تحدد قسم “الطرق” في ورقة البحث المواد والإجراءات المستخدمة في الدراسة. يوضح المواد المحددة المستخدمة، بما في ذلك أي مواد كيميائية أو أدوات أو تقنيات كانت جزءًا لا يتجزأ من تصميم التجربة. يتم وصف المنهجية بطريقة منظمة، مما يضمن إمكانية تكرار التجارب.
بالإضافة إلى ذلك، قد يتضمن القسم معلومات عن إعداد التجربة، وتقنيات جمع البيانات، والتحليلات الإحصائية التي تم إجراؤها لتفسير النتائج. تتيح هذه المقاربة الشاملة فهمًا واضحًا لكيفية إجراء البحث وتدعم صحة النتائج المقدمة في الأقسام اللاحقة من الورقة.
النتائج
كشفت نتائج الدراسة حول وعي التفكير الحسابي عن نتائج مهمة بعد تحليل ANCOVA أحادي الاتجاه. أكدت الفحوصات الأولية الافتراضات اللازمة لـ ANCOVA، بما في ذلك العلاقات الخطية (معامل بيرسون r > 0.3؛ p < 0.02)، طبيعة المتبقيات (p = 0.13)، تجانس التباينات (اختبار ليفين: F = 0.05، p = 0.83)، والتوازي (F = 1.66، p = 0.20). بعد التحكم في درجات الاختبار المسبق، وُجد فرق كبير بين المجموعة التجريبية (M = 81.35، SD = 11.51) والمجموعة الضابطة (M = 73.08، SD = 11.86)، مع F(1، 58) = 4.39، p < 0.05، وحجم تأثير قدره η² = 0.04، مما يشير إلى تأثير صغير. تشير حجم التأثير المتواضع إلى أنه بينما أظهرت المجموعة التجريبية تحسنًا في التفكير الحسابي، قد يكون الانتقال من البرمجة الرسومية إلى لغة أكثر تعقيدًا مثل C++ قد حد من مدى هذا التحسن. وبالتالي، توصي الدراسة بأن يأخذ المعلمون في الاعتبار التحديات التعليمية المرتبطة بـ C++ عند تطوير استراتيجيات التدريس. يُنصح باتباع نهج متعدد الأوجه يتضمن طرق تدريس متنوعة، ودعم تقني، وتعاون بين الأقران، وإرشاد المعلمين لتعزيز نتائج تعلم الطلاب وقدرات التفكير الحسابي.
المناقشة
تؤكد قسم المناقشة في ورقة البحث على الدور الحاسم للتفكير الحسابي وتعليم البرمجة في تطوير المهارات الأساسية للطلاب. تبرز العلاقة الإيجابية بين مهارات البرمجة والتفكير الحسابي، مشيرة إلى أن تعزيز تعليم البرمجة يمكن أن يحسن بشكل كبير من قدرات حل المشكلات لدى الطلاب. يناقش القسم أيضًا أهمية البرمجة التعاونية، التي تستفيد من مبادئ البناء الاجتماعي لتعزيز بناء المعرفة بين المتعلمين. ومع ذلك، يشير إلى التحديات المحتملة، مثل الكفاءات المتفاوتة داخل الفرق التي قد تعيق الجهود التعاونية.
علاوة على ذلك، تستكشف الورقة مفهوم الكفاءة الذاتية في سياقات البرمجة التعاونية، مستندة إلى نظرية باندورا الاجتماعية المعرفية. تفترض أن الطلاب الذين يتمتعون بكفاءة ذاتية أعلى هم أكثر عرضة للمشاركة في حل المشكلات والبحث عن الحلول، خاصة في المهام البرمجية المعقدة. يتم تقديم دمج نماذج اللغة الكبيرة (LLMs) في البيئات التعليمية كنهج تحويلي لتقليل الحمل المعرفي وتعزيز نتائج التعلم. تقترح الدراسة إطارًا للبرمجة التعاونية المعتمدة على نماذج اللغة الكبيرة تهدف إلى تحسين التفكير الحسابي من خلال توفير دعم منظم وشخصي، مما يسهل في النهاية بيئة تعلم أكثر فعالية لطلاب المدارس المتوسطة.
DOI: https://doi.org/10.1057/s41599-025-04471-1
Publication Date: 2025-02-07
Author(s): Yi-Miao Yan et al.
Primary Topic: Teaching and Learning Programming
Overview
The research investigates the integration of Large Language Models (LLMs) into collaborative programming education, addressing the challenges posed by varying coding skill levels among students. A quasi-experiment involving 82 sixth- and seventh-grade students revealed that LLMs significantly reduced cognitive load and enhanced computational thinking skills, although no notable difference in self-efficacy was observed. This lack of difference may stem from the cognitive demands associated with transitioning from graphical to text-based coding. The study suggests that LLMs serve as effective learning scaffolds, facilitating a more engaging collaborative programming experience compared to traditional methods.
The findings indicate that while LLMs can improve computational thinking, educators should focus on developing students’ questioning skills and critical thinking to mitigate dependency on these tools. The study also highlights the importance of metacognitive scaffolding in collaborative programming and suggests that LLM-based models are particularly suited for project-based learning. However, limitations such as the short intervention period, potential biases due to unequal access to technology, and a focus on K-12 students restrict the generalizability of the results. Future research should aim to include a broader demographic and conduct longitudinal studies to better understand the long-term effects of LLM integration in programming education.
Introduction
The introduction of the research paper highlights the growing importance of computational thinking in the digital age, emphasizing its necessity for students across various disciplines and age groups. Csizmadia et al. (2015) advocate for the integration of computational thinking skills into education, positing that such skills enhance creativity and problem-solving capabilities. Recent trends indicate a resurgence of programming education in primary and middle schools, where it serves as a crucial method for fostering computational thinking and creativity (Tikva & Tambouris, 2021). However, novice programmers often encounter significant challenges, including difficulties with syntax, logic organization, and resource navigation, which can negatively impact their self-efficacy and learning outcomes (Yildiz Durak, 2018).
The paper also discusses the potential of Collaborative Programming as a strategy to bolster students’ self-efficacy and computational thinking skills (Denner et al., 2014). Nonetheless, traditional collaborative models face implementation challenges, particularly regarding the varying skill levels of group members (Strom & Strom, 2002; Zheng & Zheng, 2021). The transition from graphical to text-based programming presents additional hurdles for middle school students, affecting their self-efficacy (Mladenović et al., 2018). The emergence of Artificial Intelligence Generated Content (AIGC), particularly large language models (LLMs) like ChatGPT, offers promising solutions to these challenges by addressing issues such as heterogeneity and resource allocation in collaborative programming contexts (Cao et al., 2023; Tan et al., 2023). However, empirical research on the application of LLMs in K-12 programming education is limited (Zhang & Tur, 2023). This study aims to investigate the effectiveness of LLM-supported collaborative programming compared to traditional methods, focusing on improvements in students’ computational thinking and self-efficacy while addressing the following research questions: 1) Does LLM-based collaborative programming enhance computational thinking more than conventional methods? 2) Does it improve self-efficacy and reduce cognitive load compared to traditional collaborative programming?
Methods
The “Methods” section of the research paper outlines the materials and procedures employed in the study. It details the specific materials used, including any reagents, instruments, or technologies that were integral to the experimental design. The methodology is described in a systematic manner, ensuring reproducibility of the experiments.
Additionally, the section may include information on the experimental setup, data collection techniques, and statistical analyses performed to interpret the results. This comprehensive approach allows for a clear understanding of how the research was conducted and supports the validity of the findings presented in subsequent sections of the paper.
Results
The results of the study on computational thinking awareness revealed significant findings following a one-way ANCOVA analysis. Preliminary checks confirmed the assumptions necessary for ANCOVA, including linear relationships (Pearson’s r > 0.3; p < 0.02), normality of residuals (p = 0.13), homogeneity of variances (Levene's test: F = 0.05, p = 0.83), and parallelism (F = 1.66, p = 0.20). After controlling for pre-test scores, a significant difference was found between the experimental group (M = 81.35, SD = 11.51) and the control group (M = 73.08, SD = 11.86), with F(1, 58) = 4.39, p < 0.05, and an effect size of η² = 0.04, indicating a small effect. The modest effect size suggests that while the experimental group demonstrated improved computational thinking, the transition from graphical programming to a more complex language like C++ may have limited the extent of this improvement. Consequently, the study recommends that educators consider the learning challenges associated with C++ when developing instructional strategies. A multifaceted approach that incorporates diverse teaching methods, technical support, peer collaboration, and teacher guidance is advised to enhance students' learning outcomes and computational thinking abilities.
Discussion
The discussion section of the research paper emphasizes the critical role of computational thinking and programming education in developing essential skills for students. It highlights the positive correlation between programming skills and computational thinking, suggesting that enhancing programming education can significantly improve students’ problem-solving abilities. The section also discusses the importance of collaborative programming, which leverages social constructivist principles to foster knowledge co-construction among learners. However, it notes potential challenges, such as the varying competencies within teams that may hinder collaborative efforts.
Furthermore, the paper explores the concept of self-efficacy in collaborative programming contexts, drawing on Bandura’s social-cognitive theory. It posits that students with higher self-efficacy are more likely to engage in problem-solving and seek solutions, particularly in complex programming tasks. The integration of Large Language Models (LLMs) in educational settings is presented as a transformative approach to reduce cognitive load and enhance learning outcomes. The study proposes a framework for LLM-based collaborative programming that aims to improve computational thinking by providing structured scaffolding and personalized support, ultimately facilitating a more effective learning environment for middle school students.