在大型语言模型辅助学习中的求助行为：其行为路径及其与后续编程效率的有限关联

《Electronics》：Help-Seeking in LLM-Assisted Learning: Behavioral Pathways and Their Limited Association with Subsequent Coding Process Efficiency

　　

摘要

大语言模型在编程教育中越来越被用于提供即时的概念解释，但学生在实际的学习过程中如何运用这一功能来提升自己的能力——尤其是在那些要求学习者在继续学习前必须证明自己已掌握相关概念的学习系统中——以及这类解释是否真的能有助于后续学习，目前还有很少的实证研究。本文分析了732次学生的补习情况（涉及366名学生和43项作业），旨在探讨学生在基于大语言模型的编程课程中的补习路径，他们的行为选择是否与后续编码任务的效率有关，以及解释功能在其中扮演的理论角色。研究结果显示，78.0%的补习情况采用的是单纯的重新测试策略，只有22.0%涉及任何形式的解释。这些解释大多集中在概念性问题上（占比84.7%），且多发生在第一次补习时（占比86.3%）。效应大小分析表明，即时解释与延迟解释在补习效果上存在显著差异（Cliff’s ），这说明解释的时间节点比解释本身更能影响补习效率。混合效应线性模型显示，解释功能对编码任务效率（包括操作时间和代码截图数量；所有指标均满足）并无显著影响，这一无显著结果通过代码变异性子群分析得到了进一步验证。我们认为，解释功能实际上是一种有选择性的学习支持机制：它的价值体现在缩短补习时间上，而非提升后续任务效率，而且当解释在早期进行时，这种关联最为明显。这些研究结果对于设计人工智能辅助学习系统中的解释功能以及制定教学干预策略具有实际意义。