자기조절학습 관점에서 본 프로그래밍 교육의 AI 보조 도움 요청 궤적
AI-Assisted Help-Seeking Trajectories in Programming Education from an SRL-Informed Perspective
한국어 초록
생성형 AI 도구는 초보 프로그래머에게 즉각적이고 개인화된 지원을 제공하지만, AI 사용이 학생의 문제 해결 조절을 지원하는지 아니면 우회하는지에 대한 우려도 제기한다. 기존 연구는 주로 정확성, 사용성, 또는 전반적인 사용 빈도에 초점을 맞추었으며, 학생과 AI 간의 도움 요청이 어떻게 전개되는지에 대한 관심은 상대적으로 부족했다. 본 연구는 대학 수준의 프로그래밍에서 AI 보조 도움 요청 궤적을 분석함으로써 이러한 공백을 다룬다. 프롬프트 수준의 도움 요청 코드를 개념적, 구현, 디버깅, 성찰적 지원 형태와 연결하는 자기조절학습(SRL) 기반 분석 프레임워크를 활용하여, 초급 Python 프로그래밍 과정을 수강한 71명의 학생이 제출한 17,190개의 코드 제출과 연결된 1,290개의 과제별 학생 프롬프트를 분석하였다. 구체적으로, 도움 요청 상호작용이 대화 턴과 시도 횟수에 걸쳐 어떻게 구조화되었는지, 그리고 궤적 패턴이 과제 점수 및 코드 제출 횟수와 어떻게 관련되는지를 살펴보았다. 결과에 따르면, 많은 학생들이 계획적이고 자기조절적인 문제 해결보다는 반응적인 문제 해결을 위해 AI를 주로 활용하였다. 궤적 패턴은 과제 점수의 유의미한 차이와 관련이 없었지만, 필요한 코드 제출 횟수에서는 상당한 차이를 보였다. 이러한 결과는 AI 지원의 교육적 의미가 학생들이 AI를 사용하는지의 여부뿐만 아니라, 프로그래밍 문제 해결 과정에서 도움 요청 궤적이 어떻게 발전하는지에도 있음을 시사한다.
원문 초록
Generative AI tools provide novice programmers with instant, personalized support, but also raise concerns about whether AI use supports or bypasses students' regulation of problem-solving. Existing work has largely focused on correctness, usability, or overall usage frequency, with less attention to how student--AI help-seeking unfolds. This study addresses this gap by analyzing AI-assisted help-seeking trajectories in university-level programming. Using an SRL-informed analytical framework that links prompt-level help-seeking codes to conceptual, implementation, debugging, and reflective forms of support, we analyzed 1,290 task-specific student prompts linked to 17,190 code submissions from 71 students in introductory Python programming courses. Specifically, we examined how help-seeking interactions were structured across turns and attempts, and how trajectory patterns related to task scores and the number of code submissions. Results indicate that many students primarily used AI for reactive troubleshooting rather than for planned, self-regulated problem-solving. Although trajectory patterns were not associated with significant differences in task scores, they differed substantially in the number of code submissions required. These findings suggest that the educational significance of AI support lies not only in whether students use AI, but in how their help-seeking trajectories develop during programming problem-solving.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
- arXiv:2606.22809v1제출 시각 미확인
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
RegulaTutor: 장기 개인화 학습을 위한 이론 기반 프레임워크
RegulaTutor: A Theory-Informed Framework for Long-Term Personalized Learning
장기적인 개인화 튜터링은 언어 모델이 학습자의 점진적으로 변화하는 이력을 적절한 교수 지원으로 전환할 것을 요구합니다. 기존 대규모 언어 모델(LLM) 기반 튜터링 시스템은 기억(memory)과 검색을 활용하여 응답을 개인화하지만, 과거 이력의 근거와 교수 전략을 연결하는 교육학적 이론적 근거가 항상 명확한 것은 아닙니다. 본 논문에서는 과거 이력 근거, 학습자 해석, 학습자 대면 교수법을 연결하는 장기 개인화 튜터링을 위한 이론 기반 프레임워크인 RegulaTutor를 소개합니다. 자기조절학습(SRL) 연구에 기반한 이 튜터링 하네스는 근거 기반 학습자 해석 및 교수 정책을 도출하기 위해 인지적, 정서적, 상위인지적, 동기적(CAMM) 프레임워크를 작동시킵니다. 이를 통해 도출된 정책은 이를 뒷받침하는 근거와의 연결을 유지하며 새로운 관찰 데이터가 유입됨에 따라 업데이트됩니다. 이러한 단계별 워크플로는 중간 실행 기록을 사용하여 하네스 실패, 모델(model) 실패, 복합 실패를 구분하는 오프라인 절차인 PairRoute를 통한 체계적인 개선도 지원합니다. PairRoute는 목표 지향적인 하네스 수정을 제안하고 평가한 뒤, 선택된 하네스 하에서 여전히 남아 있는 확인된 모델 실패에 대해 검토된 단계별 지도(supervision) 데이터를 구축합니다. 본 연구는 개인화 교수를 뒷받침하고 출력을 학습 기록 및 참조 답변과 대조해 확인할 수 있도록 하는 과거 이력 근거 획득에 이러한 개선의 초점을 맞춥니다. RegulaTutor는 평가된 모델 구성 전반에서 평균적으로 과거 이력 근거 정확도, 학습자 진단, 평가된 교수 품질을 향상시킵니다. PairRoute 결과는 개선 궤적 전반에 걸쳐 단독 모델의 과거 이력 근거 정확도에서 최종 지점 개선을 보여줍니다. 종합적으로 이러한 결과는 학습자 이력에 맞춰 진화하는 교수 정책과 튜터링 시스템에 대한 표적 개선을 통해 평생 개인화 교육을 지원할 수 있는 RegulaTutor의 잠재력을 강조합니다.
관점을 넘어: LLM 지원 프로그래밍 교육에서 해석 진화에 대한 트리오 민족지
Beyond Perspectives: A Trio-Ethnography of Interpretation Evolution in LLM-Supported Programming Education
생성형 AI가 프로그래밍 교육을 재편하고 있지만, 교육자들은 종종 교실 관찰만으로 학생들의 AI 지원 학습을 추론한다. 본 경험 보고서는 서로 다른 교수 철학을 가진 두 명의 컴퓨팅 교육자와 한 명의 컴퓨터과학 학부생이 참여하는 트리오 민족지(trio-ethnography)를 통해, 이러한 해석이 대화를 거치며 어떻게 진화하는지를 살펴본다. 세 번의 대화에 걸쳐 교육자들은 학생들의 AI 사용을 성찰하고, 프로그래밍 교수법의 변화를 논의했으며, 학생의 실제 경험과 교류한 후 자신들의 가정을 재검토했다. 학생의 서사는 교육자들의 관점을 단순히 확인하거나 반박하는 것을 넘어, 교실에서 대체로 보이지 않았던 학습 과정을 드러내었고, 이는 두 교육자 모두 AI 사용, 평가, 투명성, 프로그래밍 교육에 대한 가정을 재고하도록 이끌었다. 우리는 트리오 민족지가 컴퓨팅 교육자들이 관찰 가능한 학생 행동을 넘어 AI 지원 학습에 대한 더 풍부한 이해로 나아가도록 돕고, 생성형 AI 시대의 교수법 적응에 정보를 제공하는 데 유용한 성찰적 접근법을 제공한다고 주장한다.
패턴 기반 지식 컴포넌트를 활용한 프로그래밍 학습 콘텐츠 자동 추천
Automated Recommendation of Programming Learning Content Using Pattern-based Knowledge Components
프로그래밍 입문 교육은 기초 개념의 숙달을 지원하기 위해 실습과 단기 학습 활동에 의존한다. 이러한 학습 자료는 다수 존재하지만, 시간 집약적인 전문가 큐레이션 없이 교육적으로 의미 있는 방식으로 이를 구성하고 연결하는 것은 어려운 과제이다. 본 연구는 패턴 기반 지식 컴포넌트(Knowledge Components, KCs)를 활용하여 유사한 개념을 다루는 코드 기반 학습 자료를 자동으로 식별하는 방법을 탐구한다. 제안하는 접근법에서는 각 코드 샘플로부터 패턴 기반 KC를 추출하고, 각 활동에 연결된 KC 집합 간의 유사도를 측정하여 관련 활동을 식별한다. 의미적으로 중요한 프로그래밍 패턴 수준에서의 정렬을 활용함으로써, 이 방법은 문맥에 적합하고 교육적으로 유용한 추천을 지원한다. 본 접근법은 강사가 개념적 유사성에 기반하여 항목을 묶음으로 분류한 입문 Python 자료의 전문가 구성 코퍼스를 대상으로 평가하였다. 실험 결과, 패턴 기반 KC 접근법이 전문가 구성과 일치하는 자료를 검색하였으며, 표준 랭킹 평가에서 대표적인 KC 기반 및 임베딩(embedding) 기반 베이스라인을 모두 능가하였다. 전반적으로, 본 프레임워크는 프로그래밍 학습자에게 목표 지향적이고 개념 중심적인 안내를 지원하며, 강사가 교육 콘텐츠를 대규모로 구성·묶음화·추천하는 데 기여할 수 있다.
CSTutorBench: 블록 기반 프로그래밍 튜터로서의 소형 언어 모델 벤치마킹
CSTutorBench: Benchmarking Small Language Models as Tutors for Block-Based Programming
대규모 언어 모델(LLM)이 AI 튜터로서 점점 더 많이 탐구되고 있으나, K-12 환경에 배포할 때는 개인정보 보호, 비용, 독점 모델 의존성에 대한 우려가 제기된다. 소형 언어 모델(SLM)은 유망한 대안을 제공하지만, 특정 교육 맥락에 적합한 모델을 선택하는 것은 여전히 어렵다—특히 블록 기반 프로그래밍과 같이 목표 도메인이 모델 학습 데이터에 거의 포함되지 않은 경우에는 더욱 그렇다. 우리는 블록 기반 로봇 환경인 VEX VR에서 언어 모델을 컴퓨터 과학(CS) 튜터로 평가하기 위한 벤치마크인 CSTutorBench를 소개한다. 이 벤치마크는 확립된 튜터링 및 피드백 연구에 기반한 교육학적 루브릭에 따라 채점되는 17개의 시나리오 기반 질문으로 구성되며, 평가를 위해 인간이 개입하는 LLM-as-judge 파이프라인을 활용한다. 11개 모델(4B~120B 매개변수)에 걸친 예비 연구 결과, 모델들은 어휘와 어조와 같은 표면적 기준에서는 우수한 성능을 보이지만 더 깊은 교육학적 행동—특히 답 유출 방지 및 학생 디버깅 이력과의 상호작용—에서는 어려움을 겪는 것으로 나타났다. 우리의 표본에서 모델 계열과 인스트럭션 튜닝 방식은 매개변수 수 단독보다 튜터링 품질의 더 나은 예측 변수인 것으로 보이나, 모델 수가 적어 이 결론의 강도는 제한적이다. 최근 교육적 프롬프트 엔지니어링 연구에 기반한 목표 지향적 프롬프트 수정은 11개 모델 중 10개의 점수를 향상시켰다. 이러한 결과는 교육 배포 환경에서 SLM 선택을 위한 맥락 특화적이고 교육학적으로 기반된 벤치마크의 가치를 강조한다.
초급 프로그래밍 교육을 위한 설명 가능한 AI 어시스턴트: 교수자-AI 협업을 통한 피드백 신뢰성 향상
An Explainable AI Assistant for Introductory Programming Education: Improving Feedback Reliability with Instructor-AI Collaboration
능동 학습(active learning)은 초급 프로그래밍 수업에서 학습 성과를 향상시키는 효과적인 접근법으로 널리 인정받고 있다. 그러나 불충분한 교수 지원은 학생들이 기초 프로그래밍 개념을 습득하는 데 필수적인 시의적절하고 개인화된 피드백에 접근하는 것을 종종 제한한다. 대규모 언어 모델(LLM)을 중심으로 한 최근 AI의 발전은 피드백을 확장 가능한 방식으로 제공할 기회를 열어주지만, 설명 가능성(explainability)과 신뢰성에 대한 우려는 여전히 남아 있다. 본 논문에서는 설명 가능한 AI 모델을 활용하여 학생 코드를 분석하고, 논리적 오류를 교수자가 식별한 오개념(misconception)에 매핑하며, 교수자가 작성한 피드백을 전달함으로써 교수자가 정의한 교육학적 지식에 신뢰성을 근거하는 AI 기반 교실 어시스턴트를 제안한다. 본 프레임워크의 효과를 평가하기 위해, 교수자가 검증한 피드백과의 정합성을 검토하는 전문가 평가를 실시하고, 학생들의 사용성 인식을 측정하기 위해 실제 수업 환경에 시스템을 배포하였다. 결과에 따르면, 해당 어시스턴트는 학생들에게 정확한 교수자 검증 피드백을 제공하는 동시에 긍정적인 사용 경험을 촉진할 수 있음을 보여주었다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.