AI 輔助程式設計與數據分析學習中的人機互動行為分析

內容摘述

隨著人工智慧技術的迅速進展,資料科學與程式設計已日益被視為高等教 育中不可或缺的核心素養。對非資訊相關背景的大學生而言,程式設計所要求 的邏輯推理與抽象概念理解,常成為其學習歷程中的顯著挑戰。近年來,生成 式人工智慧(Generative AI, GenAI )特別是大型語言模型( Large Language Models, LLMs)在程式教學中的應用日益普及,惟學生與 AI 互動歷程中所展現 的認知策略與學習行為,尚缺乏系統性的分析與理解。 本研究以修習某大學「資料科學與問題解決」通識課程之 103 位學生為對 象,蒐集其與 AI 虛擬學習夥伴互動歷程中所產生的 710 則對話紀錄,並運用滯 後序列分析法,探討學生在學習過程中展現的七類行為模式與轉移結構。分析 結果顯示,「任務提交(TS)」為最常見的互動行為,顯示學生多將 AI 虛擬學 習夥伴作為作業成果回報管道,該行為類型呈現高度的自我連續性,學生完成 學習任務會修正並重複的提交,反映其學習過程具明確的任務導向特性。此外, 「資訊尋求(IS)」與「認知/後設認知互動(CM)」之間呈現雙向顯著轉移, 構成一種持續反覆的「學習探索循環」,表示學生會在思考與反省後主動向 AI 尋求補充資訊,進而再進行整合與評估,深化學習歷程。而在獲得知識理解之 後,學生亦傾向接續提出具體的任務請求(IS→TO),如請求 AI 提供程式範例 或應用於生活情境中的解題建議,進行實務操作練習顯示知識運用能力的展現。 此外,學生常以「請問」、「你好」作為互動開場,並以「謝謝」作為結束語, 社交互動(SE)與任務請求(TO)間的雙向轉移反映出學生在與 AI 互動時, 展現出社會性對話習慣,將 AI 視為具人際特質的學習夥伴。 綜合上述,本研究呈現 AI 輔助學習環境中學生的多樣行為轉移模式與潛在 學習策略,並提供教師與系統開發者於教學設計與互動優化上的具體依據。未 來可結合學習成效資料與質性訪談,探索 AI 介入下之學習動態與個別差異。