从专业源代码中学习的过程管理：在人工智能时代培养专家

《ACM Transactions on Computing Education》：Process Management for Learning from Professional Source Code: Cultivating Experts in the Age of AI

构建基于过程管理的代码学习工具框架，通过比较与反思活动帮助中级开发者提升复杂代码（如JS/CSS/Python）的深层概念理解，实验显示工具组学习效果较对照组提升3倍。

　　

摘要

摘要

背景与情境：当今的软件行业越来越重视复杂的概念性知识（例如，具备修复人工智能生成代码所需的足够专业知识）。尽管关于程序理解和辅助工具的研究已经相当成熟，但针对程序员从中级到专家水平的转变过程及其社会经济影响的研究仍然不足。虽然存在一些以学习者为中心的检查工具（例如Ply、Isopleth、Python Tutor），但这些工具通常只解决特定问题（例如隐式的CSS依赖关系、异步JavaScript、调用栈），而没有系统性的指导来帮助开发者深入理解大型实际代码库或交互中的架构和技术。

目标：我们旨在帮助非专家全面学习专业代码，并了解他们在这一过程中的探索和学习方式。鉴于学习者的数量远多于能够教授这些概念的专家教师，我们提出了“过程管理”（Process Management, PM）框架，用于设计能够帮助开发者理解这些未被充分利用但实际存在的代码的工具。PM通过核心设计原则（直观的理解过程、比较、反思）来解决学习者面临的主要障碍（代码复杂性、表面层次的关注以及知识迁移挑战）。经过五年的原型开发和试点测试，我们开发了三种能够揭示JavaScript、CSS和Python技术的PM工具。在这项工作中，我们旨在了解PM工具的有效性，以及学习者在有无PM支持的情况下所采取的学习过程。

研究方法：我们报告了为期1.5年的思维 aloud（边思考边说话）研究，以评估我们的三种PM工具。数据包括对使用这些工具或对照组（Chrome DevTools、VS Code）的中级开发者的约300小时远程观察记录。每种工具各有5名参与者。研究包括工具培训、前测、工具使用和后测阶段，之后进行了后续访谈。我们对前/后测数据和工具使用数据进行了定性分析，并展示了学习成果和任务中的行为指标。

研究发现：我们的混合方法评估表明，PM工具使用者能够有效地进行探索（例如比较、映射），并取得了大约三倍的学习成果（例如概念清晰度、可迁移的模式）。这些成果在所研究的三个编程领域中都得到了一致性的验证。我们的定性数据表明，PM工具可以影响学习者的探索顺序和过程，通过交互式比较增强他们对复杂技术的理解，并通过类比映射和反思活动帮助他们发现设计模式使用背后的领域特定原因。

意义：最后，我们讨论了PM对认知负荷的潜在影响、专家在当今的作用，以及大型语言模型（LLM）如何扩展过程管理的设想。特别是，我们设想了一个教育者和开发者可以开发PM系统的未来，使中级工程师能够从开源专业代码中全面学习，从而获得概念性知识，进而用于改进人工智能生成的代码。我们还提供了一些LLM提示的示例，这些提示可以用于自动化我们的PM工具使用过程，为人工智能驱动的专业发展奠定基础。

总之，我们的工作通过引入一个可扩展且具有前瞻性的工具构建框架和设计范式，为帮助中级学习者从复杂的实际代码中提取专家级概念做出了贡献。

人工智能总结

要查看这个由人工智能生成的简洁语言摘要，您需要拥有高级访问权限。