開發者各異：問題解決風格與經驗如何影響 Copilot 對話互動需求
arXiv - Human-Computer InteractionJonan Richards, Bruno Alves de Oliveira, Iury Oliveira, Igor Wiese, Mairieli Wessel
本研究揭示開發者的認知多樣性如何形塑其與 GitHub Copilot 的互動模式、需求及問題解決風格。
AI 幫你先抓重點
AI 重點 1
從「通用型工具」轉向「個性化適應型工具」的必要性。
滑鼠懸停看 AI 判斷理由
過去開發者傾向將 AI 視為單一功能的助手，但研究顯示認知差異會導致需求分歧。這提醒設計者，未來的 AI 輔助工具必須具備高度適應性，才能滿足不同思維模式使用者的需求。
AI 重點 2
認知多樣性是評估 AI 工具成效的核心維度。
滑鼠懸停看 AI 判斷理由
單純看平均使用數據會掩蓋特定群體的困難。理解開發者的問題解決風格，能幫助研究者更精準地找出哪些群體在 AI 輔助下受益，哪些群體反而遭遇挑戰，從而優化教學與工具設計。
核心研究發現
- 1
研究識別出五種不同的「互動模式」與十種底層需求，並以此建構出開發者與 Copilot 互動的概念模型。
- 2
開發者的問題解決風格與經驗背景，會顯著影響其在使用 GitHub Copilot Chat 時的互動方式與需求。
- 3
研究證實了認知多樣性在程式開發過程中扮演關鍵角色，開發者並非使用 AI 的方式完全相同。
對教育工作者的啟發
對於教育者與課程設計者，此研究建議在教授程式設計時，不應假設所有學生使用 AI 的方式一致。教學設計應考慮學生的認知風格與經驗水平，提供多樣化的 AI 互動引導策略。例如，針對初學者可能需要更具解釋性的對話模式，而針對資深開發者則應強調效率與精準度。在設計程式設計課程時，應引導學生反思自己與 AI 的互動模式，促進元認知（Metacognition）能力的發展。
原始文獻資訊
- 英文標題：
- No Two Developers Think Alike: How Problem-Solving Styles and Experience Shape Needs in Conversational Interaction with Copilot
- 作者：
- Jonan Richards, Bruno Alves de Oliveira, Iury Oliveira, Igor Wiese, Mairieli Wessel
- 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。