DOI: https://doi.org/10.1186/s40594-025-00537-3
تاريخ النشر: 2025-03-04
المؤلف: Zhenyun Du وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في تفاعلات الخدمة
نظرة عامة
تدرس هذه الدراسة آثار البرمجة الزوجية المدعومة بالذكاء الاصطناعي على الدافع الداخلي لطلاب الجامعات، وقلق البرمجة، والأداء، مقارنةً بالبرمجة الزوجية بين البشر وطرق البرمجة الفردية. أُجريت الدراسة على مدى عامين أكاديميين مع 234 طالبًا مسجلاً في دورة تطوير تطبيقات الويب بلغة جافا، حيث تضمنت التصميم شبه التجريبي تخصيص أقسام الصفوف بشكل عشوائي لأحد ثلاثة شروط: البرمجة الزوجية المدعومة بالذكاء الاصطناعي (باستخدام GPT-3.5 Turbo في 2023 وClaude 3 Opus في 2024)، البرمجة الزوجية بين البشر، أو البرمجة الفردية. تم جمع البيانات في ثلاث فترات باستخدام أدوات موثوقة لتقييم الدافع الداخلي، وقلق البرمجة، والانطباعات التعاونية، وأداء البرمجة.
تشير النتائج إلى أن البرمجة الزوجية المدعومة بالذكاء الاصطناعي تعزز بشكل كبير الدافع الداخلي (p < .001، $d = 0.35$) وتقلل من قلق البرمجة (p < .001)، محققة مستويات أداء قابلة للمقارنة مع البرمجة الزوجية بين البشر (p < .001). ومع ذلك، أظهرت الأزواج البشرية انطباعات متفوقة عن التعاون والوجود الاجتماعي (p < .001). كشفت تحليل الوساطة أن الفائدة المدركة لمساعد الذكاء الاصطناعي كانت وسيطًا مهمًا في العلاقة بين نهج البرمجة ونتائج الطلاب، مما يبرز أهمية الانطباعات الإيجابية في تعظيم الفوائد التعليمية لأدوات الذكاء الاصطناعي. ومن الجدير بالذكر أنه لم يتم العثور على اختلافات كبيرة بين النموذجين من الذكاء الاصطناعي، مما يشير إلى مزايا متسقة عبر نماذج اللغة المتقدمة المختلفة. تدعو النتائج إلى دمج البرمجة الزوجية المدعومة بالذكاء الاصطناعي في تعليم علوم الكمبيوتر، مع تسليط الضوء على إمكاناتها لتحسين نتائج الطلاب مع الاعتراف بالقيمة التي لا يمكن تعويضها للتفاعل البشري في تعزيز تجارب التعاون الأعمق. يُشجع البحث المستقبلي على استكشاف انطباعات الطلاب حول البرمجة المدعومة بالذكاء الاصطناعي وتحسين دمج أدوات الذكاء الاصطناعي في السياقات التعليمية.
مقدمة
ت outlines مقدمة ورقة البحث السياق الأساسي وأهمية الدراسة. تسلط الضوء على الأهداف الرئيسية، التي تشمل معالجة فجوة معينة في الأدبيات الحالية واقتراح نهج أو منهجية جديدة. يؤكد المؤلفون على أهمية بحثهم في تعزيز الفهم داخل هذا المجال وإمكانية تطبيقاته العملية.
علاوة على ذلك، تقدم المقدمة النتائج الرئيسية من الدراسات السابقة، مما يضع إطارًا للتحقيق الحالي. توضح الفرضيات التي سيتم اختبارها والمساهمات المتوقعة من البحث، مما يمهد الطريق للأقسام اللاحقة من الورقة. بشكل عام، تعمل المقدمة على جذب القارئ من خلال التأكيد على أهمية سؤال البحث والأثر المتوقع للنتائج.
النتائج
تشير النتائج إلى أن البرمجة المدعومة بالذكاء الاصطناعي تعزز بشكل كبير الدافع الداخلي للطلاب، وتقلل من قلق البرمجة، وتحسن أداء البرمجة. على وجه التحديد، يتماشى الزيادة في الدافع الداخلي مع النتائج من عبد الغني وآخرون (2022)، مما يشير إلى أن الذكاء الاصطناعي يمكن أن يقدم دعمًا تحفيزيًا مشابهًا لذلك الذي يقدمه المعلمون أو الأقران، وهو أمر حاسم في معالجة التحديات التحفيزية السائدة في تعليم البرمجة (Chittum وآخرون، 2017).
بالإضافة إلى ذلك، فإن تقليل قلق البرمجة بين الطلاب الذين يستخدمون المساعدة من الذكاء الاصطناعي ملحوظ، على الأرجح بسبب الطبيعة غير الحكمية للذكاء الاصطناعي، مما يسمح بالتجريب دون الخوف من التقييم الاجتماعي. تدعم هذه الملاحظة دراسات حديثة تسلط الضوء على دور الذكاء الاصطناعي في تخفيف القلق في السياقات التعليمية (Lin & Hou، 2024). علاوة على ذلك، أظهرت المجموعات المدعومة بالذكاء الاصطناعي أداءً برمجيًا أفضل قليلاً مقارنةً بكل من الأزواج البشرية والمبرمجين الفرديين، مما يؤكد النتائج من Barke وآخرون (2023) وPeng وآخرون (2023). قد تنشأ هذه الزيادة في الأداء من التعليقات الفورية والمتسقة التي يقدمها الذكاء الاصطناعي، بالإضافة إلى قاعدة معرفته الواسعة، مما يعكس مبادئ “الذكاء المعزز” في السياقات التعليمية (Persico & Pozzi، 2015).
المناقشة
لقد اكتسب دمج الذكاء الاصطناعي (AI) في التعليم زخمًا، خاصة في التعليم العالي، حيث يتم استخدام تقنيات الذكاء الاصطناعي لتعزيز التعلم الشخصي ومشاركة الطلاب. على الرغم من التطبيقات الواعدة للذكاء الاصطناعي، مثل أنظمة التعلم التكيفية ومنصات التدريس الذكية، لا يزال هناك فجوة كبيرة في الأبحاث الكمية التي تقيم تأثيرها على العوامل العاطفية مثل دافع الطلاب وقلقهم. وهذا مهم بشكل خاص في تعليم البرمجة، حيث يمكن أن تعيق التحديات مثل الحفاظ على الدافع الداخلي وإدارة قلق البرمجة نجاح الطلاب. لقد أظهرت الأساليب البيداغوجية المبتكرة، مثل البرمجة الزوجية، إمكانات في معالجة هذه القضايا من خلال تعزيز التعاون وتحسين نتائج التعلم. ومع ذلك، تواجه البرمجة الزوجية التقليدية قيودًا، بما في ذلك عدم توافق مستويات المهارة وصعوبات الجدولة.
تقدم البرمجة الزوجية المدعومة بالذكاء الاصطناعي حلاً جديدًا لهذه التحديات من خلال استخدام نماذج الذكاء الاصطناعي كشركاء افتراضيين، مما يوفر دعمًا شخصيًا وتعليقات فورية. يمكن أن يخفف هذا النهج من القضايا المتعلقة بفوارق المهارات والجدولة، بينما يعزز أيضًا تجربة التعلم من خلال الاقتراحات والتفسيرات في الوقت الفعلي. ومع ذلك، لا تزال المخاوف قائمة بشأن قدرة الذكاء الاصطناعي على تكرار الفوائد الاجتماعية والتعاونية المتأصلة في التفاعلات البشرية. تهدف الدراسة الحالية إلى التحقيق في آثار البرمجة الزوجية المدعومة بالذكاء الاصطناعي على الدافع الداخلي لطلاب الجامعات، وقلق البرمجة، والانطباعات عن التعاون، مقارنةً بالطرق التقليدية. من خلال استخدام تصميم شبه تجريبي، يسعى البحث إلى سد الفجوات الموجودة في الأدبيات واستكشاف الآليات الأساسية التي تؤثر على نتائج الطلاب، خاصة من خلال عدسة نموذج قبول التكنولوجيا (TAM). ستوفر هذه الدراسة رؤى قيمة حول فعالية الذكاء الاصطناعي في تعليم البرمجة وإمكاناته لتحويل تجارب التعلم.
القيود
تقدم الدراسة حول البرمجة الزوجية المدعومة بالذكاء الاصطناعي عدة قيود تستدعي الاعتبار. أولاً، قد يقدم التصميم شبه التجريبي متغيرات مشوشة، على الرغم من المحاولات للسيطرة على الخبرة السابقة في برمجة جافا. تشير هذه القيود إلى أن الأبحاث المستقبلية يمكن أن تستفيد من التجارب العشوائية المحكومة لتأسيس علاقات سببية بشكل أفضل. بالإضافة إلى ذلك، فإن تعميم النتائج مقيد بالسياق المحدد للدراسة، الذي شمل طلاب الجامعات في مؤسسة واحدة، مما قد يحد من تطبيقها على مستويات تعليمية أخرى أو سياقات ثقافية.
تقدم طرق جمع البيانات أيضًا تحديات، حيث قد تكون مقاييس التقرير الذاتي للمتغيرات مثل الدافع والقلق عرضة للتحيز. بينما كانت تقييمات أداء البرمجة شاملة، قد لا تشمل جميع أبعاد تطوير مهارات البرمجة. يجب أن تأخذ الدراسات المستقبلية في الاعتبار دمج طرق تقييم متنوعة، بما في ذلك التحليلات النوعية لرموز الطلاب ومقاييس الاحتفاظ على المدى الطويل. أخيرًا، يعني التقدم السريع في تكنولوجيا الذكاء الاصطناعي أن النماذج المستخدمة في هذه الدراسة (GPT-3.5 Turbo وClaude 3 Opus) قد تم تجاوزها منذ ذلك الحين بواسطة إصدارات أحدث (GPT-4.0 وGPT-O1). على الرغم من عدم ملاحظة اختلافات كبيرة بين النماذج في هذا البحث، لا يزال التقييم المستمر للتقنيات الناشئة في سياقات التعليم أمرًا ضروريًا.
DOI: https://doi.org/10.1186/s40594-025-00537-3
Publication Date: 2025-03-04
Author(s): Zhenyun Du et al.
Primary Topic: AI in Service Interactions
Overview
This study examines the effects of AI-assisted pair programming on undergraduate students’ intrinsic motivation, programming anxiety, and performance, comparing it to human-human pair programming and individual programming methods. Conducted over two academic years with 234 students enrolled in a Java web application development course, the quasi-experimental design involved randomly assigning intact class sections to one of three conditions: AI-assisted pair programming (utilizing GPT-3.5 Turbo in 2023 and Claude 3 Opus in 2024), human-human pair programming, or individual programming. Data were collected at three intervals using validated instruments to assess intrinsic motivation, programming anxiety, collaborative perceptions, and programming performance.
The results indicate that AI-assisted pair programming significantly enhances intrinsic motivation (p < .001, $d = 0.35$) and reduces programming anxiety (p < .001), achieving performance levels comparable to human-human pair programming (p < .001). However, human-human pairs exhibited superior perceptions of collaboration and social presence (p < .001). Mediation analysis revealed that the perceived usefulness of the AI assistant was a significant mediator in the relationship between programming approach and student outcomes, underscoring the importance of positive perceptions in maximizing the educational benefits of AI tools. Notably, no significant differences were found between the two AI models, suggesting consistent advantages across different advanced language models. The findings advocate for the integration of AI-assisted pair programming in computer science education, highlighting its potential to improve student outcomes while acknowledging the irreplaceable value of human interaction in fostering deeper collaborative experiences. Future research is encouraged to further explore student perceptions of AI-assisted programming and optimize the integration of AI tools in educational contexts.
Introduction
The introduction of the research paper outlines the foundational context and significance of the study. It highlights the primary objectives, which include addressing a specific gap in the existing literature and proposing a novel approach or methodology. The authors emphasize the relevance of their research in advancing understanding within the field and its potential implications for practical applications.
Furthermore, the introduction presents key findings from prior studies, establishing a framework for the current investigation. It articulates the hypotheses to be tested and the expected contributions of the research, setting the stage for the subsequent sections of the paper. Overall, the introduction serves to engage the reader by underscoring the importance of the research question and the anticipated impact of the findings.
Results
The results indicate that AI-assisted programming significantly enhances students’ intrinsic motivation, reduces programming anxiety, and improves programming performance. Specifically, the increase in intrinsic motivation aligns with findings from Abdelghani et al. (2022), suggesting that AI can offer motivational support akin to that of human instructors or peers, which is crucial in addressing the motivational challenges prevalent in programming education (Chittum et al., 2017).
Additionally, the reduction in programming anxiety among students utilizing AI assistance is noteworthy, likely due to the nonjudgmental nature of AI, which allows for experimentation without the fear of social evaluation. This observation is supported by recent studies highlighting AI’s role in alleviating anxiety in educational contexts (Lin & Hou, 2024). Furthermore, AI-assisted groups exhibited slightly better programming performance compared to both human pairs and individual programmers, corroborating findings from Barke et al. (2023) and Peng et al. (2023). This performance enhancement may stem from the immediate and consistent feedback provided by AI, as well as its extensive knowledge base, reflecting the principles of “augmented intelligence” in educational settings (Persico & Pozzi, 2015).
Discussion
The integration of Artificial Intelligence (AI) in education has gained momentum, particularly in higher education, where AI technologies are being utilized to enhance personalized learning and student engagement. Despite the promising applications of AI, such as adaptive learning systems and intelligent tutoring platforms, there remains a significant gap in quantitative research assessing their impact on affective factors like student motivation and anxiety. This is particularly relevant in programming education, where challenges such as maintaining intrinsic motivation and managing programming anxiety can hinder student success. Innovative pedagogical approaches, such as pair programming, have shown potential in addressing these issues by fostering collaboration and enhancing learning outcomes. However, traditional pair programming faces limitations, including mismatched skill levels and scheduling difficulties.
AI-assisted pair programming presents a novel solution to these challenges by utilizing AI models as virtual partners, providing personalized support and immediate feedback. This approach could alleviate issues related to skill disparities and scheduling, while also enhancing the learning experience through real-time suggestions and explanations. Nonetheless, concerns persist regarding the ability of AI to replicate the social and collaborative benefits inherent in human interactions. The current study aims to investigate the effects of AI-assisted pair programming on undergraduate students’ intrinsic motivation, programming anxiety, and perceptions of collaboration, comparing it to traditional methods. By employing a quasi-experimental design, the research seeks to fill existing gaps in the literature and explore the underlying mechanisms influencing student outcomes, particularly through the lens of the Technology Acceptance Model (TAM). This study will provide valuable insights into the effectiveness of AI in programming education and its potential to transform learning experiences.
Limitations
The study on AI-assisted pair programming presents several limitations that warrant consideration. Firstly, the quasi-experimental design may introduce confounding variables, despite attempts to control for prior Java programming experience. This limitation suggests that future research could benefit from randomized controlled trials to better establish causal relationships. Additionally, the generalizability of the findings is constrained by the specific context of the study, which involved undergraduate students at a single institution, potentially limiting applicability to other educational levels or cultural settings.
Data collection methods also present challenges, as self-report measures for constructs like motivation and anxiety may be subject to bias. While the assessment of programming performance was thorough, it may not encompass all dimensions of programming skill development. Future studies should consider incorporating diverse assessment methods, including qualitative analyses of student code and long-term retention metrics. Lastly, the rapid advancement of AI technology means that the models utilized in this study (GPT-3.5 Turbo and Claude 3 Opus) have since been surpassed by newer versions (GPT-4.0 and GPT-O1). Although no significant differences were observed between the models in this research, ongoing evaluation of emerging AI technologies in educational contexts remains essential.