利用基於模式的知識組件從學生程式碼中生成個人化範例
arXiv - Computers and SocietyGriffin Pitts, Muntasir Hoq, Peter Brusilovsky, Narges Norouzi, Arto Hellas, Juho Leinonen, Bita Akram
本研究提出一種利用學生程式碼中的結構化知識組件（KC）來引導生成式 AI，以產出更具針對性的程式學習範例。
AI 幫你先抓重點
AI 重點 1
從「靜態題庫」轉向「動態生成」的個人化學習路徑。
滑鼠懸停看 AI 判斷理由
傳統教學依賴預設的範例庫，難以應對學生千變萬化的邏輯錯誤；此研究展示了如何利用生成式 AI 結合結構化知識，實現大規模且精準的即時教學支援。
AI 重點 2
結構化知識組件（KC）是連結學生錯誤與 AI 生成內容的關鍵橋樑。
滑鼠懸停看 AI 判斷理由
單純依賴大型語言模型的生成往往缺乏教學精準度，透過 AST 提取的 KC 能為 AI 提供明確的教學導向，確保生成的內容具備教育學上的有效性。
核心研究發現
- 1
透過抽象語法樹（AST）分析，能從學生提交的程式碼中提取出重複出現的結構化知識組件模式。
- 2
實驗結果顯示，以知識組件為條件引導生成的範例，在主題聚焦度上優於基準模型。
- 3
生成的內容與學生潛在的邏輯錯誤具有更高的相關性，能更精準地對應學生的學習需求。
對教育工作者的啟發
課程設計者與 EdTech 開發者應考慮將「結構化知識提取」整合進 AI 教學系統中。不應僅將生成式 AI 當作內容產出工具，而應利用程式碼分析技術（如 AST）識別學生的錯誤模式，並將這些模式轉化為知識組件（KC），作為引導 AI 生成精準範例的指令（Prompting/Conditioning）。這種做法能有效解決傳統數位教材缺乏個人化、難以即時回應學生邏輯錯誤的問題，實現真正意義上的規模化個人化學習。
原始文獻資訊
- 英文標題：
- Personalized Worked Example Generation from Student Code Submissions using Pattern-based Knowledge Components
- 作者：
- Griffin Pitts, Muntasir Hoq, Peter Brusilovsky, Narges Norouzi, Arto Hellas, Juho Leinonen, Bita Akram
- 來源：
- arXiv - Computers and Society
- 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。