超越回溯：利用大型語言模型提供適應性程式錯誤解釋
arXiv - Human-Computer InteractionAlexandru-Radu Moraru, Shreyan Biswas, Ujwal Gadiraju
研究發現 LLM 生成的程式錯誤解釋雖能提升使用者主觀滿意度，卻未能顯著改善實際的除錯效能。
AI 幫你先抓重點
AI 重點 1
警惕「主觀感受」與「學習成效」之間的落差
滑鼠懸停看 AI 判斷理由
在設計 EdTech 工具時，使用者感到「容易理解」或「舒適」並不代表他們真正掌握了知識或解決問題的能力。若過度依賴讓學習過程變得輕鬆的 AI 輔助，可能會掩蓋學習者真正的認知困難，導致學習成效停滯不前。
AI 重點 2
從「靜態技能匹配」轉向「動態修復軌跡」的設計思維
滑鼠懸停看 AI 判斷理由
目前的 AI 反饋多是根據使用者當前等級給予固定風格的解釋，但真正的學習發生在解決問題的過程中。未來的 AI 系統應能根據使用者即時的除錯行為與錯誤模式，動態調整引導策略，而非僅僅是重寫文字。
核心研究發現
- 1
LLM 重寫的錯誤訊息顯著提升了使用者的主觀評價，其中「務實型（行動導向）」風格被認為更清晰且認知負荷較低。
- 2
儘管主觀感受變好，但 LLM 生成的解釋在除錯成功率、嘗試次數及修復時間等客觀指標上，並未帶來統計學上的顯著提升。
- 3
研究揭示了「人機互補性差距」，即使用者覺得「好用」的解釋並不等同於能讓他們成為更有效的除錯者。
對教育工作者的啟發
教育科技設計者應避免僅追求「讓使用者覺得好用」的介面優化。在開發 AI 輔助程式學習工具時，應將重點從「提供清晰的答案或解釋」轉向「提供具備鷹架功能的引導」。建議設計者建立動態反饋機制，觀察學習者的除錯路徑，當發現學習者陷入認知僵局時，再提供適度的挑戰性引導，而非直接給予降低認知負荷的簡化解釋，以確保工具能真正促進學習者的問題解決能力，而非僅僅是降低學習的挫折感。
原始文獻資訊
- 英文標題：
- Beyond the Traceback: Using LLMs for Adaptive Explanations of Programming Errors
- 作者：
- Alexandru-Radu Moraru, Shreyan Biswas, Ujwal Gadiraju
- 來源：
- arXiv - Human-Computer Interaction
- AI 摘要模型：
- /models/gemma-4-26B-A4B-it
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。