理解人機協作動態：大型語言模型於程式編寫任務之文獻綜述
arXiv - Human-Computer InteractionDeborah Etsenake, Meiyappan Nagappan
本文透過文獻回顧，分析使用者與 LLM 在程式開發中的互動行為、優劣勢及影響表現的關鍵因素。
AI 幫你先抓重點
AI 重點 1
關注人機互動中的「非確定性」特質
滑鼠懸停看 AI 判斷理由
理解 LLM 與人類皆具備不可預測性，對於設計穩定的教學工具或開發流程至關重要，這能提醒設計者不應僅追求技術精準，更需考量互動過程中的變異。
AI 重點 2
從單純的「工具使用」轉向「動態協作」的視角
滑鼠懸停看 AI 判斷理由
這篇文章強調了任務成效不只取決於 AI 的強弱，更取決於人機如何互動。這對於教育者設計 AI 輔助學習環境時，提供了從「功能導向」轉向「過程導向」的思考框架。
核心研究發現
- 1
研究觀察到使用者與 LLM 的互動行為具有高度多樣性，涵蓋了從請求類型到任務完成策略的各種模式。
- 2
LLM 對人類與任務表現的影響呈現混合效應，既展現出顯著的輔助優勢，也存在潛在的負面影響與弱點。
- 3
人類與 LLM 的互動表現受限於雙方的非確定性（non-deterministic nature），這導致了互動模式的高度變異性。
- 4
影響任務表現與人類增強效果的因素，來自於人類特質、LLM 能力以及兩者之間互動模式的綜合作用。
對教育工作者的啟發
對於教育工作者而言，在引入 AI 輔助程式編寫教學時，不應僅將其視為自動化工具，而應將其視為一個「動態協作夥伴」。建議在課程設計中加入「批判性評估 AI 生成程式碼」的環節，以應對 LLM 的非確定性與潛在錯誤。同時，教學應著重於培養學生的「提示工程（Prompt Engineering）」與「互動策略」，幫助學生在面對 AI 的混合效應時，能有效利用其優勢並規避其弱點，從而實現真正的學習增強而非單純的任務代勞。
原始文獻資訊
- 英文標題：
- Understanding the Human-LLM Dynamic: A Literature Survey of LLM Use in Programming Tasks
- 作者：
- Deborah Etsenake, Meiyappan Nagappan
- 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。