利用大型語言模型個別化電腦科學工作表：超越一刀切練習
arXiv - Human-Computer InteractionFranco Ortiz, Runlong Ye, Michael Liut
研究證明，根據學習者特徵調整 LLM 生成的 CS1 練習能顯著提升低知識/低動機學生的完成率與正確率，並維持挑戰度。
AI 幫你先抓重點
AI 重點 1
個別化 LLM 主要作為保留支架，防止高風險學生放棄任務。
滑鼠懸停看 AI 判斷理由
即使不改變挑戰度，個別化仍能提升參與度，為設計自適應教材的實務者提供可行策略，說明 AI 可在不降低難度的前提下提升學習動機與完成率。
AI 重點 2
學習者特徵驅動的個別化可在 CS1 這類基礎課程中縮小參與差距。
滑鼠懸停看 AI 判斷理由
此發現顯示在大規模入門課程中，AI 系統能有效調整教學明確度，改變傳統單一教材模式，對課程設計者與教師提供直接可落實的改進方向。
核心研究發現
- 1
標準練習導致低知識學習者 25-30% 任務未完成，而個別化練習使所有學習者完成率 >99%。
- 2
低知識/低動機學生在個別化支援下正確率提升 18.2%，高成績學生則出現天花板效應。
- 3
調查顯示學生更重視結構性支架（邏輯序列、難度節奏）而非動機語氣，且認為自適應任務與標準練習難度相同。
對教育工作者的啟發
對課程設計者而言，可先將學生分為低知識/低動機、低知識/高動機、高知識/低動機、高知識/高動機四類，並針對低知識/低動機群體提供更強的結構性支架與明確指引。實務上可利用 LLM 生成多層次練習，從簡單到複雜逐步引導，確保所有學生完成率高於 99%。同時保持挑戰度不降低，避免因過度簡化而失去學習動機。教師可透過 LLM 產生的提示與解題步驟，減少個別化教學的時間成本，並在課堂上聚焦於高層次思考與協作。最後，持續收集學生完成率與正確率數據，調整個別化策略，形成循環改進的教學迴路。
原始文獻資訊
- 英文標題：
- Beyond One-Size-Fits-All Exercises: Personalizing Computer Science Worksheets with Large Language Models
- 作者：
- Franco Ortiz, Runlong Ye, Michael Liut
- 來源：
- arXiv - Human-Computer Interaction
- AI 摘要模型：
- openai/gpt-oss-20b
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。