当前位置：首页>java>编程任务中生成式人工智能工具对学习者自我效能感、认知模式和行为的影响研究

编程任务中生成式人工智能工具对学习者自我效能感、认知模式和行为的影响研究

2026-09-10 09:17:40

点击上方蓝字关注我们吧

本文发表于《数字教育》2025年第6期（总第66期）理论探索栏目，页码：9-16。转载请注明出处。

摘要：生成式人工智能技术拥有强大的代码生成功能，因此被广泛应用于各类编程任务。但是，生成式人工智能对学习者编程学习的影响尚不明确。该研究以某高校“计算思维”课程的学习者为研究对象，通过准实验研究的方式，探索在编程问题解决过程中应用生成式人工智能工具对学习者的自我效能感、认知模式和编程行为的影响。实验结果显示：与生成式人工智能工具的交互并未显著增强学习者的自我效能感；学习者在问题解决过程中的认知加工模式更为单一；在行为模式上更加依赖“复制粘贴”类行为，而缺少“修改调试”类行为。基于上述结论，研究进一步提出相关建议：在应用生成式人工智能工具支持编程学习时，教师需要采用更为丰富的策略来提升学习者的编程自我效能感；尝试融合“人-人协作”与“人-机协作”来完成编程任务；引导学习者采用更为多样化的编程行为模式来进行代码编写。上述结论与建议对于运用人工智能技术支持编程学习具有重要的参考价值。

关键词：生成式人工智能；编程学习；人机协作；认知模式；编程行为

| 全文共8381字，建议阅读时长8分钟 |

引言

作为人工智能领域的前沿成果之一，生成式人工智能（GenAI）在教育创新与学习方式变革中已得到广泛应用。相关研究显示，GenAI可显著提升学习者的学业成绩、自我效能感、学习态度和学习动机等^[1]。尽管众多研究深入探讨了GenAI在教学辅助与学习支持方面的潜力，但关于GenAI工具在编程教育中对学习者影响的研究相对较少。自动生成编程代码是GenAI的重要功能之一，探索其对编程学习过程的影响，对于教师开展编程教育具有极为重要的意义。它能帮助教师更全面深入地理解学生的人机协作过程和学习状态，从而更好地组织编程教学活动，提升学习者的编程能力。基于此，本研究聚焦于GenAI工具在编程任务中的应用，通过采集编程过程数据，运用统计检验、内容分析法、滞后序列分析法探究GenAI工具对学习者的自我效能感、认知模式和编程行为的影响，以期为编程教学活动的组织提供参考。

一、文献综述

（一）生成式人工智能与编程学习

生成式人工智能的快速发展为编程学习带来了前所未有的机遇与挑战。一方面，应用生成式人工智能技术对编程学习具有一定的促进作用。如GenAI工具具有强大的代码生成能力，将其应用于编程学习时，可以通过自然语言交互为学生提供实时代码纠错、算法优化建议和编程逻辑解释，从而显著降低初学者的学习门槛^[2]。GenAI工具可以通过多模态交互（如文本生成代码、图像辅助算法理解等）增强编程学习的直观性，这些多模态交互通过思路外显策略来实现计算思维和智能思维的可视化，从而培养学习者的批判创新思维^[3]。另一方面，GenAI在编程教育中的应用依然存在一些风险和挑战。如过度依赖GenAI工具，从长期来看可能会削弱学习者的自主学习能力和问题解决能力^[4]。GenAI工具基于统计模式生成代码，而非真正的逻辑推理，其输出缺乏对现实编程环境的理解，导致学习者的调试难度增加^[5]。另外，过度依赖AI生成代码还可能限制学生的创新尝试，促使其选择“表面学习”（如完成任务，而非深入理解），而非“深度学习”^[6]。由此可见，GenAI工具的引入对于学习者的编程学习来说，引入GenAI工具可能利弊共存，因而需要进一步探索，尽可能地兴利除弊，助力编程学习活动的顺利开展。

（二）编程学习过程分析

编程学习是一个复杂的问题解决过程，涉及多种因素的相互影响和共同作用。已有研究显示，学习者的自我效能感、认知加工过程以及编程行为模式等各类内外部因素，均是编程过程中的关键影响因素，并与深度学习存在着显著的正相关关系^[7]。已有研究指出，各种内外因素，如学习者的自我效能感、学习者的认知加工过程及编程行为模式，均是编程过程中的重要影响因素。编程自我效能感是影响编程学习意愿的重要因素^[8]，且编程自我效能感对学习者的情感投入、行为投入、认知投入均有正向显著性影响^[9]。在编程过程的认知加工方面，则涉及多阶段信息处理与资源分配。认知自动化现象表明，随着练习增加，编程中的重复性操作逐渐从受控加工转变为自动化加工，从而释放注意资源，用于编程中的复杂逻辑构建。在编程行为模式方面，不同类型的学习者在编程行为模式上存在显著差异^[10]，这提示学习者的编程行为模式可能与学习绩效相关。综上所述，编程过程是自我信念、认知过程与编程行为实践动态交互的结果，在分析时需从多维度展开，以深化对编程过程的理解。

二、研究设计

（一）研究问题

针对当前GenAI和编程教育融合的已有研究成果的不足之处，本研究拟深入探索在编程教育中引入GenAI工具对学习者编程过程的影响。具体的研究问题如下：

与“人—人协作”相比，基于GenAI工具的“人—机协作”是否对学习者的编程自我效能感产生影响？

与“人—人协作”相比，基于GenAI工具的“人—机协作”是否对学习者解决协作问题的认知加工过程产生影响？

与“人—人协作”相比，基于GenAI工具的“人—机协作”是否对学习者的编程行为模式产生影响？

（二）研究对象

本研究的研究对象为某师范大学开设的“计算思维”课程中某班级的全体学习者。该课程在大学一年级上学期作为专业必修课开设，旨在培养学习者的逻辑推理和问题解决能力。一共有33名学习者注册参与该课程的学习。

（三）实验流程

在研究中，33名学习者被随机分配为“人—人协作”组和“人—机协作”组。其中，22名学习者为“人—人协作”组，每2人为1个小组，共包含11个小组；另11名学习者为“人—机协作”组，由学习者与GenAI支持工具进行交流，人机协作完成编程任务。在实验开始前，对所有学习者进行前测，前测的内容包括学习者的计算思维水平和自我效能感。然后，通过随机分组的方式对学习者进行分组，其中，22人为“人—人协作”组，11人为“人—机协作”组。在“人—人协作”组中，每2位同学为1个小组，通过面对面讨论和协同编程来完成2个编程任务。在“人—机协同”组中，每位学习者在GenAI工具的帮助下，通过与GenAI工具进行对话来完成编程任务。在完成编程任务后，“人—人协作”组需要提交小组面对面讨论的录音数据，“人—机协作”组则需要提交在使用GenAI工具过程中的人机协同聊天记录。此外，所有学习者均需要提交其最终的编程作品和编程过程录屏数据。完成数据采集后，对所有学习者均进行后测，后测内容包括计算思维水平和自我效能感。完成后测后，实验结束。

（四）数据采集与分析

1.问卷测量工具

在本研究的前测和后测中，通过问卷调查的方式对学习者的自我效能感进行测量。对自我效能感的测量量表改编自CPSES量表^[11]，共10道测试题。所有测试题均采用5级李克特量表进行评分，最终收集到有效问卷共计33份。自我效能感量表的Cronbach’s α系数为0.950，表示量表具有良好的内部一致性。

2.内容分析编码表

本研究还采集了“人—人协作”组的学习者产生的讨论过程录音数据和“人—机协作”组的学习者产生的人机协作聊天记录数据，这些数据能够很好地反映学习者的认知加工过程，因此拟采用内容分析法对其进行分析。针对录音数据，首先进行转录，得到所有讨论的文本数据，并与“人—机协作”组产生的聊天数据一起进行预处理，去除无关数据后，共获取2 872条聊天记录。本研究采用朱莎等^[12]提出的协作问题解决能力评估框架编码方案对上述聊天记录进行编码分析，该框架从认知和社会两个维度对学习者的协作问题解决过程进行分析，具体编码情况如表1所示。

依据上述编码表，两名经过专业培训的编码员随机选取20%的数据样本进行编码，一致性分析的结果显示两名编码员的编码结果的一致性系数（kappa）为0.83，说明编码具有良好的一致性。

3.行为分析编码表

针对学习者的编程过程录屏数据，本研究参考并改编了刘美露（Meilu Liu）等^[13]提出的行为编码方案，对学习者的编程行为进行编码。该编码表包括6个一级维度和18个二级维度，如表2所示。与内容编码的一致性验证相似，两名经过培训的编码员随机选取20%的数据进行编码，编码结果的一致性系数为0.89，说明该行为编码具有良好的一致性。

三、研究结果

（一）与“人—人协作”相比，基于GenAI工具的“人—机协作”是否对学习者的编程自我效能感产生影响

为了检验与GenAI工具协作进行编程是否对学习者的编程自我效能感产生影响，本研究运用t检验对“人—人协作”组和“人—机协作”组的编程自我效能感水平进行了统计分析。独立样本t检验的结果显示，“人—人协作组”与“人—机协作组”的学习者，无论是前测（t=1.407，p=0.170）还是后测（t=1.033，p=0.310），其自我效能感均不存在显著性差异。但同时，两组学习者在后测中的自我效能感水平均高于前测。其中，“人—人协作”组在前测中的自动效能感平均值为3.30，标准差为0.89；在后测中的自我效能感平均值为3.71，标准差为1.24；“人—机协作”组在前测中的自动效能感平均值为3.84，标准差为1.28；后测中的平均值为4.18，标准差为1.21。这一结果表明，所有学习者在经过编程训练后，其自我效能感水平均得到一定程度的提升，且“人—机协作”与“人—人协作”并不存在显著性差异。

（二）与“人—人协作”相比，基于GenAI工具的“人—机协作”是否对学习者解决协作问题的认知加工过程产生影响

为了进一步了解“人—机协作”对学习者在协作问题时的认知加工过程的影响，本研究运用认知网络分析的方法，对“人—人协作”组和“人—机协作”组在协作过程中所产生的聊天会话数据进行了内容分析，分析结果如图1所示。

图1中的子图（a）展示了“人—机协作”组的学习者在与GenAI工具进行协作时产生的聊天数据的认知网络结构，子图（b）展示的是“人—人协作”组的学习者在进行面对面会话时所产生的聊天数据的认知网络结构，子图（c）展示的是上述两组的认知网络结构叠减图。从上述结果中可以发现：首先，两组学习者均在“解答同伴疑问”—“寻求团队成员帮助”（S3—S5）的连接上具有最高的权重。这一现象说明，对于两类学习者来说，向同伴进行求助以获得解答是会话过程中占比最高的认知加工模式。其次，“人—人协作”组拥有比“人—机协作”组更为丰富的认知加工模式。从子图（a）和子图（b）的对比中可以看出，“人—机协作”组的认知模式相对单一，认知元素之间的连接主要是“解答同伴疑问”—“寻求团队成员帮助”（S3—S5）。此外，还有少量的其他元素与“主题无关内容”（S7）之间的连接。“人—人协作”组的认知模式则要丰富得多，包含了大量的各种不同认知元素之间的连接。最后，“人—人协作”组的认知过程更加侧重于认知维度，而“人—机协作”组更侧重于社会维度，尤其是“寻求帮助”和“解答疑问”。从两组的认知网络叠减图［子图（c）］中可以看出，“人—机协作”组的认知网络质心位于坐标系的左侧，而“人—人协作”组的认知网络质心位于坐标系的右侧。从图1中的认知网络元素的分布可以看出，坐标系左侧的认知元素主要是社会维度的认知元素，坐标系右侧则主要是认知维度的认知元素。此外，元素之间连接的叠减结果也表明，“人—机协作”组拥有更强的“解答同伴疑问”—“寻求团队成员帮助”（S3—S5）之间的连接；“人—人协作”组则拥有更强的“寻求团队成员帮助”—“质疑他人观点”（S5—C5）、“寻求团队成员帮助”—“支持同伴观点”（S5—S4）、“解答同伴疑问”—“支持同伴观点”（S3—S4）、“解答同伴疑问”—“质疑他人观点”（S3—C5）等连接。这些不同的连接体现了两组学习者在认知加工模式上的差异性。

（三）与“人—人协作”相比，基于GenAI工具的“人—机协作”是否对学习者的编程行为模式产生影响？

为了探究GenAI工具是否会对学习者的编程行为模式产生影响，本研究对学习者编程过程中的编程行为数据进行了统计分析和滞后序列分析（见图2）。

通过分析数据发现，两组学习者在“通过浏览器搜索关键词获取信息”（SK）、“查看编程任务详情”（RT）、“编写代码”（WC）、“粘贴代码”（PC）、“通读自己的代码”（RC）、“突出显示部分代码”（HC）、“在代码周围移动光标”（ML）、“其他平台操作”（NF）等行为的频数上基本保持一致。这一现象说明，在编程任务中，学习者均通过浏览器搜索获取信息、查看编码任务以理解任务目标，并通过编写、粘贴、删除、通读或突出显示代码等方式来完成相应编程任务。但是，两组学习者在部分行为上存在差异。“人—人协作”组的学习者在“同伴讨论”（CA）、修改类行为［包括“修改代码”（AC）和“调试代码”（BC）］上的频数远大于“人—机协作”组。这一现象说明，“人—人协作”组的学习者更频繁地通过同伴讨论的方式来解决遇到的问题，并通过对代码的修改和调试来检验作品的正确性；而“人—机协作”组在阅读信息类行为［包括“查看编程任务详情”（RT）、“查看控制台输出的信息”（RF）、“查阅搜索结果”（RS））］，以及粘贴与拷贝类行为［“复制代码”（CC）、“粘贴代码”（PC）］和其他行为［“其他平台操作”（NF）和“无操作状态”（NB）］上的频数超过“人—人协作”组。这一现象说明，当学习者与GenAI工具进行协作时，学习者会花费更多时间阅读控制台输出的错误信息，通过反复的复制和粘贴GenAI所提供的代码以期获得相应的正确答案。

本研究运用滞后序列分析进一步探索学习者在编程过程中的行为模式。图2展示了两组学习者在编程过程中z值大于1.96、频数超过12的显著性行为序列。其中，子图（a）为“人—机协作”组，子图（b）为“人—人协作”组。

从图2的结果中可以看出，“人—机协作”组和“人—人协作”组的学习者在编程行为模式上既有相似之处，也存在显著性差异。首先，两组学习者都具有两组频率最高的行为转换序列：“复制代码—粘贴代码”（CC—PC）、“修改代码—调试代码”（AC—BC）。这两组行为序列也体现了学习者在编程过程中最主要的行为模式。其次，两组学习者在处理控制台的反馈信息时存在差异。“人—机协作”组拥有“修改代码—查看控制台信息—通读代码”（AC—RF—RC）的行为序列；“人—人协作”组与“查看控制台信息”相关的行为序列是“调试代码—查看控制台信息—修改代码”（BC—RF—AC）。这一现象意味着与GenAI的交互在一定程度上减少了学习者对代码的调试与修改行为，增加了学习者对代码的查看行为。最后，两组学习者在“编写代码”的行为模式上存在差异。“人—机协作”组拥有“编写代码”—“无操作状态”（WC—NB）的显著行为序列，而“人—人协作”组拥有“编写代码—同伴讨论”（WC—CA）、“编写代码—删除代码”（WC—DC）的行为序列。这一差异意味着，与“人—人协作”组相比，与GenAI进行交互的学习者在编写代码时，其行为模式更为单一，有效学习策略更少。

四、研究结论与建议

（一）研究结论

第一，在编程任务中与GenAI进行交互并未显著提升学习者的编程自我效能感。对学习者的编程自我效能感的独立样本t检验的结果显示，“人—机协作”组的学习者的编程自我效能感均值略高于“人—人协作”组的学习者，但二者并不存在显著性差异。这一结果意味着，虽然GenAI能够向学习者提供编程问题的直接解决方案，但并不能显著提升学习者的自我效能感。

第二，与“人—人协作”相比，与GenAI进行协作的学习者在问题解决过程中的认知加工模式更为单一。ENA的分析结果显示，“人—机协作”组的学习者拥有大量的社会维度中“解答同伴疑问”—“寻求团队成员帮助”的连接，其他认知元素则出现较少；“人—人协作”组的学习者则拥有更为复杂的认知网络结构，尤其是认知维度的连接显著多于“人—机协作”组。

第三，与“人—人协作”相比，与GenAI进行协作的学习者在编程行为模式上会减少修改调试类行为，而更加依赖复制粘贴类行为，其行为模式更为单一，有效学习策略也更少。编程行为的频数统计结果显示，“人—人协作”组的学习者更多地出现“同伴讨论”“修改”等行为，而“人—机协作”组的学习者更多地出现阅读信息、复制粘贴类行为。这说明学习者将GenAI工具作为一个可以依赖的信息来源，期待通过直接复制粘贴的方式来完成编程任务，而较少通过自己修改、调试来完善代码。滞后序列分析的结果也显示，“人—人协作”组的学习者在编写代码时拥有更多样的学习策略，而“人—机协作”组的学习者的行为模式较为单一。

（二）教学建议

基于上述结论，本研究提出如下的教学建议：

第一，教师需要采用更为丰富的策略来提升学习者的编程自我效能感，而非仅仅依赖GenAI支持工具。在编程任务中，尽管GenAI工具能够直接给出非常接近的答案，但是这种答案方式未能为学生构建清晰的迁移应用认知，也难以显著增强学习者的编程自我效能感^[14]。这可能是因为学习者能够意识到答案并非由他们自己编写完成，虽然完成了任务，但无法显著提升自我效能感。因而，教师需要通过其他策略来帮助学习者增强其自我效能感。

第二，教师可以尝试融合“人—人协作”与“人—机协作”的方式来完成编程任务。在“人—机协作”中，GenAI工具仅仅扮演着“解答疑问”的角色，缺乏其他角色；而“人—人协作”过程中拥有更多认知维度的交互模型，具有更为丰富的加工活动。因此，教师在组织协作学习活动时，可以有机融合两者的长处，将“人—人”与“人—机”融合，实现人机优势互补、融合共生，帮助学习者建立更为丰富、多样化的认知加工模式^[15]。

第三，在编程任务中，如果引入GenAI工具，教师应更加注意引导学习者采用更为多样化的编程行为模式来进行代码编写，尤其是“修改—调试”。与GenAI工具的交互会导致学习者在编程过程中过于依赖GenAI所提供的结果，而减少自己进行“修改—调试”的行为。“修改—调试”是学习者编程技能习得的重要方式，因此，在引入GenAI工具后，教师需要更加注意引导学习者自主进行代码的修改和调试，而非反复尝试“复制—粘贴”的编程模式。

五、结语

GenAI工具拥有很强的程序编写能力，因此，很多教师在编程活动中引入GenAI工具为学习者提供支持。本研究通过准实验研究的方式探索了与“人—人协作”相比，基于GenAI的“人—机协作”对学习者的自我效能感、认知模式和编程行为的影响。实验结果显示：GenAI工具并不能显著提升学习者的自我效能感，且与“人—人协作”相比，GenAI工具使得学习者的认知加工模式和编程行为模式更为单一。由此可见，教师和研究者需要采用更有针对性的策略来帮助使用GenAI工具的学习者掌握更为丰富的认知加工模式和编程学习策略。

参考文献：

[1]LEE Y F, HWANG G J, CHEN P Y. Impacts of an AI-based cha bot on college students’after-class review, academic performance, self-efficacy, learning attitude, and motivation[J]. Educational Technology Research and Development, 2022, 70(5): 1843-1865.

[2]石琬若,韩锡斌. 生成式人工智能对学习分析研究的影响:现状与前瞻:2024年学习分析与知识国际会议（LAK24）述评 [J]. 电化教育研究,2024,45(12):113-120.

[3]杨江英,李锋. 生成式人工智能支持下的编程教育问题、策略与案例[J]. 中国信息技术教育,2024(19):96-98.

[4]CHAN C K Y, HU W G. Students’voices on generative AI:perceptions, benefits, and challenges in higher education[J].International Journal of Educational Technology in Higher Education, 2023,20(1):1-18.

[5]上海市经济和信息化委员会.生成式人工智能何以能，何以不能[EB/OL].(2024-03-15)[2025-04-19].https://www.sheitc.sh.gov.cn/yjbg/20240315/141cb4ac964e4005a6f70b3af4001b93.html.

[6]张绒. 生成式人工智能技术对教育领域的影响:关于ChatGPT的专访[J]. 电化教育研究,2023,44(2):5-14.

[7]王洪江,廖晓玲,马桂秋,等.教育领域深度学习研究进展与前瞻:基于系统性文献综述[J].数字教育,2025,11(1):17-22.

[8]梁云真,高思圆,刘瑞星,等. 小学生编程学习意愿影响因素的链式中介作用机制研究[J]. 现代远距离教育,2021(6):29-37.

[9]王彪. 高中Python课程学生学习投入度影响因素研究[D]. 贵阳:贵州师范大学,2023.

[10]吴林静,刘清堂,边佳琪,等. 学习分析视域下学习者编程过程分析研究[J]. 现代远距离教育,2020(2):68-75.

[11]RAMALINGAM V, WIEDENBECK S. Development and validation of scores on a computer programming self-efficacy scale and group analyses of novice programmer self-efficacy[J]. Journal of Educational Computing Research, 1998, 19(4): 367-381.

[12]朱莎,李嘉源,郭庆,等.在线环境下协作问题解决能力评估框架构建及应用:基于数字素养视角的研究[J].现代远距离教育,2023(5):42-52.

[13]LIU M L, ZHANG L J, BIEBRICHER C. Investigating students’ cognitive processes in generative AI-assisted digital multimodal composing and traditional writing[J]. Computers & Education, 2024, 211: 104977.

[14]郑巽,王志军,苏李妹,等.AIGC支持的项目化学习研究[J].数字教育,2025,11(1):54-59.

[15]韩小利,陈凯泉,吕伟刚,等.人机协同教学对学习效果和学习投入的影响研究[J].数字教育,2024,10(6):8-14.