适应性元认知支架与计划性元认知支架在计算思维教学中的应用：来自生成式人工智能辅助编程在小学教育中的实证研究

《COMPUTERS and EDUCATION》：Adaptive vs. planned metacognitive scaffolding for computational thinking: Evidence from generative AI-supported programming in elementary education

计算思维教育中基于生成式AI的适应性元认知脚手架（AMS）显著优于计划性脚手架（PMS）和对照组，在语境化任务表现、元认知调节（促进递归行为）和降低认知负荷方面效果更优，而PMS在增强有意义参与度上更具优势。研究验证了动态个性化支持在编程教育中的有效性，为AI驱动的教育技术设计提供实证依据。

　　在当前教育技术迅速发展的背景下，生成式人工智能（GAI）的应用正在改变传统教学模式，尤其是在培养儿童计算思维（CT）方面展现出巨大潜力。计算思维作为一种核心能力，涵盖了分解问题、识别模式、抽象化、算法设计以及评估等关键要素，被认为是解决复杂问题的基础技能之一。随着GAI技术的不断成熟，如ChatGPT等大型语言模型，它们能够为学生提供即时、个性化的反馈，从而帮助学生更好地理解和掌握抽象概念。然而，如何有效利用这些技术来促进儿童的计算思维发展，仍然是一个值得深入探讨的问题。

本研究旨在探讨在生成式人工智能支持的编程环境中，适应性元认知支架（AMS）与计划性元认知支架（PMS）对小学阶段学生计算思维发展的影响。研究采用准实验设计，将74名五年级学生随机分配至AMS、PMS和对照组。研究者通过混合方法，从多个维度对学生的计算思维表现、技能使用以及元认知调节进行了评估。这些评估包括标准化测试、编程作品、对话日志、视频编码行为以及课堂观察记录等。研究结果显示，AMS在提升情境化计算任务表现和促进复杂多样的技能使用方面显著优于PMS和对照组。此外，AMS还增强了学生的递归元认知行为，降低了心理负担，而PMS则在提升学生的有意义参与方面表现更佳。这些发现强调了在小学编程教育中，利用生成式人工智能支持的适应性支架对于计算思维发展的重要性。

研究的背景在于，生成式人工智能技术的兴起为教育提供了新的可能性。传统的教学方法往往难以满足不同学生的学习需求，尤其是在处理抽象编程概念和复杂问题解决策略时。相比之下，生成式人工智能能够通过自然语言交互，实时提供反馈，帮助学生更好地理解问题并制定解决方案。然而，过度依赖生成式人工智能生成的解决方案可能会削弱学生的主动认知参与，影响其独立思考和问题解决能力。特别是在小学阶段，学生可能缺乏评估人工智能反馈的元认知策略，因此需要有效的支架支持来引导他们进行反思和调整。

为了应对这一挑战，研究者强调了元认知支架的重要性。元认知支架通过规划、监控和调整行为，帮助学生在学习过程中更好地管理自己的思维过程。计划性元认知支架通常采用预设的提示方式，以统一的形式提供支持，而适应性元认知支架则能够根据学生的学习需求提供个性化的反馈。尽管计划性支架更容易实施，但其静态的特性可能无法充分应对学生在学习过程中不断变化的需求。相比之下，适应性支架能够动态检测学生的问题解决行为，并提供及时的提示，鼓励更深层次的认知参与。这种动态调整的能力，使适应性支架在支持学生计算思维发展方面具有独特优势。

研究的实施过程包括两个阶段：准备阶段和正式干预阶段。在准备阶段，所有学生接受了两次预备课程，以确保他们具备基本的编程知识和使用生成式人工智能工具的能力。正式干预阶段则分为三个组别进行，其中AMS组和PMS组分别使用了不同的支架支持方式，而对照组则没有使用任何支架。研究者通过多种评估工具，包括标准化测试、编程作品、对话日志和课堂观察记录，全面收集了学生在学习过程中的表现数据。数据分析结果显示，AMS组在情境化计算任务表现和技能使用方面优于其他两组，而PMS组则在提升学生的有意义参与方面表现更佳。这些结果表明，适应性元认知支架在促进计算思维发展方面具有更广泛的应用前景。

此外，研究还关注了学生的认知负荷情况。适应性元认知支架能够有效降低内在认知负荷（ICL），帮助学生在解决问题时更加专注于任务本身，而计划性元认知支架则可能增加外在认知负荷（GCL），导致学生在学习过程中感到更加负担。这一发现进一步支持了适应性支架在小学编程教育中的重要性。同时，研究者还发现，虽然适应性支架在提升计算思维表现方面具有优势，但在技能整合方面并没有显著的统计学差异。这表明，适应性支架可能更适用于提升学生的任务表现，而计划性支架则在促进学生有意义参与方面具有独特价值。

研究的结论强调了适应性元认知支架在小学编程教育中的重要性。通过生成式人工智能支持的适应性支架，学生能够在学习过程中获得更全面的支持，从而更好地发展计算思维能力。同时，研究还指出，虽然适应性支架在提升计算思维表现方面具有优势，但在技能整合方面并没有显著的统计学差异，这可能意味着需要进一步优化支架设计，以更好地促进学生的综合能力发展。此外，研究还建议，未来的教育技术开发应更加关注如何结合生成式人工智能和元认知支架，以支持不同年龄段学生的学习需求，特别是在小学阶段，学生缺乏足够的元认知策略，因此需要更多的引导和支持。

研究的意义不仅在于其学术贡献，还在于其对教育实践的指导价值。通过本研究，可以为教育工作者提供关于如何有效利用生成式人工智能支持学生学习的参考。同时，研究还强调了个性化学习的重要性，即根据学生的学习需求、优势和兴趣来调整教学策略和支持方式。在这一背景下，《计算思维在生成式人工智能支持的编程环境中的发展》这一主题具有重要的现实意义。未来的研究可以进一步探索适应性元认知支架在不同教育场景中的应用，以及如何通过技术手段优化支架设计，以更好地促进学生的计算思维发展。

研究的实施过程中，研究团队还特别关注了学生的认知负荷和学习动机。通过分析学生的对话日志和课堂观察记录，研究者发现，适应性元认知支架能够有效降低学生的内在认知负荷，使他们在解决问题时更加专注，而计划性元认知支架则可能增加外在认知负荷，导致学生在学习过程中感到更加压力。这一发现表明，适应性支架在降低学生的心理负担方面具有明显优势，有助于学生更积极地参与学习活动。同时，研究还发现，虽然适应性支架在提升学生的计算思维表现方面具有优势，但在技能整合方面并没有显著的统计学差异，这可能意味着需要进一步研究如何通过支架设计促进学生的综合能力发展。

研究的另一个重要发现是，适应性元认知支架能够促进学生的递归元认知行为，即学生在学习过程中能够不断反思和调整自己的学习策略。这种递归行为对于培养学生的自主学习能力至关重要。相比之下，计划性元认知支架虽然能够提供结构化的支持，但其静态的特性可能无法充分满足学生在学习过程中的动态需求。因此，适应性元认知支架在促进学生的主动学习和深度思考方面具有更大的潜力。

在研究的伦理和版权方面，本研究获得了中央民族大学伦理委员会的批准，并且所有作者均同意发表研究成果。此外，所有参与者也同意参与本研究，并且他们的数据被严格保密，以确保研究的伦理合规性。这些措施确保了研究的透明性和可靠性，同时也保护了参与者的隐私权。

研究的实施过程中，研究团队还特别关注了技术工具的选择和使用。在本研究中，两个生成式人工智能代理被开发和部署：Conbot和Xiaotongbao。Conbot是一个面向所有学习者的知识型助手，而Xiaotongbao则是专门为适应性支架组设计的代理。这两个代理均基于Coze平台，使用了Dou Bao大型语言模型，并通过三层架构进行设计。这种架构设计确保了代理能够灵活地适应不同学生的学习需求，同时提供高效的支持和反馈。

研究的实施过程中，研究团队还特别关注了学生的学习背景。大多数参与者在学习之前几乎没有使用Scratch和生成式人工智能交互的经验，因此需要额外的准备课程来确保他们能够顺利参与研究。准备课程的内容包括基础编程知识的介绍、生成式人工智能工具的使用方法以及元认知策略的培养。这些准备课程不仅帮助学生建立了必要的知识基础，还提高了他们对研究内容的理解和参与度。

研究的另一个重要发现是，适应性元认知支架能够促进学生的复杂技能使用，而计划性元认知支架则在提升学生的有意义参与方面表现更佳。这一发现表明，适应性支架和计划性支架各有其独特的优势，可以在不同的教学目标下发挥作用。例如，适应性支架更适合于提升学生的任务表现和技能使用，而计划性支架则更适合于提升学生的主动参与和深度思考。

研究的实施过程中，研究团队还特别关注了数据收集和分析方法。通过混合方法，研究者能够从多个角度全面评估学生的计算思维发展情况。标准化测试用于评估学生的计算思维表现，编程作品用于评估学生的技能使用情况，对话日志和视频编码行为用于评估学生的元认知调节过程，而课堂观察记录和认知负荷评分则用于评估学生在学习过程中的认知负担。这些多维度的评估方法确保了研究结果的全面性和可靠性。

研究的结论表明，适应性元认知支架在支持小学阶段学生计算思维发展方面具有显著优势。通过生成式人工智能的支持，学生能够获得更个性化的反馈，从而更好地理解和掌握编程概念。同时，研究还指出，虽然适应性支架在提升学生的任务表现和技能使用方面具有优势，但在技能整合方面并没有显著的统计学差异，这可能意味着需要进一步研究如何优化支架设计，以更好地促进学生的综合能力发展。

此外，研究还强调了个性化学习的重要性。在生成式人工智能支持的编程环境中，适应性元认知支架能够根据学生的学习需求提供个性化的支持，从而帮助学生更好地发展计算思维能力。相比之下，计划性元认知支架虽然能够提供结构化的支持，但其静态的特性可能无法充分满足学生在学习过程中的动态需求。因此，适应性元认知支架在支持个性化学习方面具有更大的潜力。

研究的意义不仅在于其学术贡献，还在于其对教育实践的指导价值。通过本研究，可以为教育工作者提供关于如何有效利用生成式人工智能支持学生学习的参考。同时，研究还强调了元认知策略在促进学生计算思维发展中的重要性，即通过规划、监控和调整行为，帮助学生更好地管理自己的学习过程。这些发现对于未来的教育技术开发和教学实践具有重要的启示意义。

研究的另一个重要发现是，适应性元认知支架能够促进学生的递归元认知行为，即学生在学习过程中能够不断反思和调整自己的学习策略。这种递归行为对于培养学生的自主学习能力至关重要。相比之下，计划性元认知支架虽然能够提供结构化的支持，但其静态的特性可能无法充分满足学生在学习过程中的动态需求。因此，适应性元认知支架在促进学生的主动学习和深度思考方面具有更大的潜力。

研究的实施过程中，研究团队还特别关注了技术工具的选择和使用。在本研究中，两个生成式人工智能代理被开发和部署：Conbot和Xiaotongbao。Conbot是一个面向所有学习者的知识型助手，而Xiaotongbao则是专门为适应性支架组设计的代理。这两个代理均基于Coze平台，使用了Dou Bao大型语言模型，并通过三层架构进行设计。这种架构设计确保了代理能够灵活地适应不同学生的学习需求，同时提供高效的支持和反馈。

研究的实施过程中，研究团队还特别关注了学生的学习背景。大多数参与者在学习之前几乎没有使用Scratch和生成式人工智能交互的经验，因此需要额外的准备课程来确保他们能够顺利参与研究。准备课程的内容包括基础编程知识的介绍、生成式人工智能工具的使用方法以及元认知策略的培养。这些准备课程不仅帮助学生建立了必要的知识基础，还提高了他们对研究内容的理解和参与度。

研究的另一个重要发现是，适应性元认知支架能够促进学生的复杂技能使用，而计划性元认知支架则在提升学生的有意义参与方面表现更佳。这一发现表明，适应性支架和计划性支架各有其独特的优势，在不同的教学目标下可以发挥不同的作用。例如，适应性支架更适合于提升学生的任务表现和技能使用，而计划性支架则更适合于提升学生的主动参与和深度思考。

研究的结论表明，适应性元认知支架在支持小学阶段学生计算思维发展方面具有显著优势。通过生成式人工智能的支持，学生能够获得更个性化的反馈，从而更好地理解和掌握编程概念。同时，研究还指出，虽然适应性支架在提升学生的任务表现和技能使用方面具有优势，但在技能整合方面并没有显著的统计学差异，这可能意味着需要进一步研究如何优化支架设计，以更好地促进学生的综合能力发展。

研究的另一个重要发现是，适应性元认知支架能够有效降低学生的内在认知负荷，使他们在解决问题时更加专注，而计划性元认知支架则可能增加外在认知负荷，导致学生在学习过程中感到更加压力。这一发现表明，适应性支架在降低学生的心理负担方面具有明显优势，有助于学生更积极地参与学习活动。

综上所述，本研究为生成式人工智能支持的编程教育提供了新的视角和实证支持。通过对比适应性元认知支架和计划性元认知支架对小学阶段学生计算思维发展的影响，研究揭示了适应性支架在提升学生任务表现、技能使用和元认知调节方面的优势。同时，研究也指出，计划性支架在提升学生有意义参与方面具有独特价值。这些发现对于未来的教育技术开发和教学实践具有重要的启示意义，特别是在如何有效利用生成式人工智能支持学生学习方面。