《Heliyon》：Artificial intelligence in programming education: A systematic review of intelligent, adaptive, and generative systems, learner outcomes, and implementation challenges
本系统综述综合了面向学习者的人工智能（AI）在编程教育中的实证证据。综述考察了智能、自适应、生成式、推荐、评估与反馈系统如何支持编程技能习得；报告了哪些动机、参与度、协作与问题解决成果；以及出现了哪些伦理、技术、可访问性与访问相关挑战。遵循PRISMA指南，在Scopus中检索了2010年至2025年间发表的英文期刊论文，其中76项研究满足收窄后的纳入标准。研究结果表明，当AI支持系统将个性化学习路径、面向学习者的评估、自适应脚手架（adaptive scaffolding）以及及时的面向过程的反馈相结合时，其教育价值最为显著。报告的成果包括编程表现、概念理解、动机、参与度、自我效能感、协作与问题解决能力的提升，尽管效果因学习者经验、先验知识、任务类型与教学设计而异。动机方面的益处见于自适应、对话式、反思性、协作性、基于问题与沉浸式环境中；然而，明确基于游戏或游戏化的证据较为有限。记录最一致的实施挑战涉及不准确或误导性的AI输出、过度依赖、学术诚信不确定性、访问不平等以及学习者验证生成解决方案能力的差异。关于算法偏见、正式透明机制、隐私保护设计与机构数据治理的直接实证证据仍然稀少。总体而言，AI应被理解为对健全教学法、人类判断、同伴互动与学习者自主性的补充。未来研究应采用更强的比较性与纵向设计，评估AI支持撤除后的独立学习，并更直接地考察可靠性、公平性、隐私与亚组差异。
1 引言
数字化通过实现数字资源的大规模访问、自动化评估、数据驱动的教学支持与技术中介互动，改变了教育的组织与交付方式。在这一更广泛的转型中，人工智能在教育研究与实践中日益突出。AI支持系统能够分析学习者互动、生成或推荐教学内容、评估表现，并根据个体学习需求提供个性化或自适应支持。
编程教育特别适合AI支持的教学，因为编程活动会生成详细且持续更新的学习者行为证据。源代码提交、代码修订、编译错误、调试尝试、响应历史与任务完成序列能够提供关于学习者知识、误解、策略与进展的信息。这些数据可支持自动化错误诊断、形成性评估、自适应脚手架、任务推荐与及时反馈。此类支持具有潜在价值，因为学习编程需要持续练习、概念理解、问题解决以及解释与纠正错误的能力。大规模学习者创建程序库（如Scratch项目）也为考察新手如何构建与修订代码提供了补充来源。数据驱动的学习材料同样被探索作为支持入门编程表现的手段。
智能辅导系统（ITS）代表了AI在编程教育中最成熟的应用之一。这些系统对领域知识与学习者表现进行建模，以在问题解决过程中提供指导。面向编程的ITS可诊断错误与误解、生成提示、推荐后续活动，并根据学习者进展调整教学序列。相关研究考察了ITS中多层级自适应对编程技能发展与学习效率的作用，而关于教学代理的接受度研究表明，感知有用性与参与意愿也会影响实施效果。与主要判定提交解决方案是否正确的传统自动化评分系统相比，智能辅导与反馈系统能够提供面向过程的支持，帮助学习者理解错误发生的原因及后续如何推进。
自动化评估与反馈工具构成另一类重要的AI支持编程应用。面向系统的研究评估了基于GPT的自动纠错、代码审查与LLM支持的评分在准确性、效率与反馈质量方面的表现。这些研究界定了技术设计空间，但其结果本身不应被视为学习者层面教育有效性的证据。这些系统能够分析源代码、评估提交的解决方案、识别句法或语义错误、评估代码质量、推荐相关任务并生成快速形成性反馈。更近期的方法日益整合自然语言处理、对话代理与生成式AI。实证研究考察了大型语言模型与AI聊天机器人用于代码解释、调试辅助、代码审查、反思性学习、对话支持与编程活动中的反馈。然而，这些系统也可能产生不完整、不准确或教学上不适当的输出。因此，面向学习者研究的证据强调验证、批判性评估与教学指导的重要性，而非不加批判地接受生成的代码或解释。
AI支持的个性化超出了即时反馈的范畴。关于编程知识追踪的技术工作也使用知识图谱与个性化答案序列来建模学习者跨练习的进展。学习者模型、知识追踪方法、推荐系统与自适应学习环境可利用表现与互动数据识别优势与不足、选择合适的任务、调整难度并推荐个性化学习路径。这些系统在底层机制上存在差异。有些提供步骤级辅导，而另一些则调整教学内容、评估或编程练习的序列、格式或难度。通过将教学支持与学习者当前知识与表现对齐，自适应系统可帮助学生集中精力于需要进一步练习的领域，并以更合适的节奏推进。然而，其有效性取决于学习者模型的准确性、调整的教学适当性以及系统可用数据的质量。
AI也被整合进基于游戏、沉浸式与动机导向的编程环境中。游戏化指在非游戏学习情境中使用游戏设计元素，如目标、积分、等级、奖励、排行榜、叙事与挑战。编程教育研究将这些元素与学习者动机、参与度与投入联系起来，尽管其效果取决于教学设计与环境。较小规模的AI支持研究将自适应或智能支持与基于游戏、虚拟现实、基于问题或动机导向的设计相结合。生成式AI也被用于支持教师编写游戏化编程练习，而新兴会议工作描述了生成编程任务并融入竞争元素的系统。这些出版物提供了情境化设计示例，但不属于面向学习者的期刊语料库。在更广泛的证据基础中，研究报告了动机、参与度、自我效能感、坚持性、编程焦虑、协作与问题解决方面的变化，但学习表现效果仍对学习者特征、教学结构、任务设计与比较条件敏感。
学习分析与数据驱动的教学决策构成又一应用领域。通过分析互动日志、评估结果与学习者进展数据，AI支持系统可识别教师难以手动察觉的模式。此类系统可帮助教育者监控技能发展、识别反复出现的误解、发现需要额外支持的学习者并提供更有针对性的干预。自适应评估、推荐与学习者差异化研究进一步说明如何利用表现与互动数据将学习者与任务、反馈或学习路径匹配。然而，预测准确性或技术表现本身并不能证明教育有效性。评估还必须考虑学习者成果、教学整合、可用性、认知需求以及学习者和教育者的体验。
尽管具有潜在益处，AI支持的编程教育系统也带来重要的伦理与技术挑战。详细学习者数据的收集与处理引发关于隐私、知情同意、数据安全与适当二次使用的关切。自动化评估与反馈可能再现训练数据、评估标准或系统设计中嵌入的偏见，而有限的透明度可能使学习者和教育者难以理解或质疑自动化决策。生成式AI在编程教育中的实证研究还识别出与作者身份、学术诚信、抄袭、过度依赖、不可靠解释、认知依赖以及验证生成代码与反馈需求相关的关切。关于ChatGPT在教育中更广泛的策略导向讨论同样强调教学机会、学术诚信风险与明确机构使用策略需求之间的并存关系。
对AI支持教育技术的访问是不均衡的。国家与机构环境也影响教育AI的框架与治理方式，如关于中国AI与教育的分析所示。来自非WEIRD小学环境的数据集导向工作进一步拓宽了研究编程能力与推荐支持学习的情境基础。有效使用可能取决于可靠的互联网连接、合适的设备、计算资源、机构许可、技术支持、先前经验与工作人员专业知识。这些要求可能使资源不足环境中的学习者与机构处于不利地位，并可能加剧现有的教育不平等。来自社会弱势、撒哈拉以南非洲与非WEIRD学习环境的证据表明，基础设施、可负担性、语言、先前准备与适当支持的获取会显著影响学习者从AI支持编程工具中获得的益处。公平影响因此具有情境依赖性：同一技术可能在提供可访问与个性化支持时扩大参与，而在访问、语言、基础设施或数字能力分布不均时加深不平等。
先前研究考察了智能辅导系统、自适应学习与编程教育的更广泛趋势，但实证格局已迅速扩展。在编程教育之外，AI支持音箱的协作学习提供了关于学习者对AI中介群体活动反应的额外证据。在编程教育内部，结对编程、翻转课堂与无讲座课程设计提供了可整合AI支持的既定教学环境。该领域现涵盖生成式AI、对话代理、自动化代码审查、学习者建模、推荐、自适应评估、情感敏感支持、AI辅助协作与沉浸式自适应环境。这些技术采用异质的研究设计与成果测量进行评估，使得比较其教学功能、报告益处与实施风险变得困难。
本系统综述通过综合2010年至2025年间发表的76项符合条件的实证期刊研究来回应这一需求。综述聚焦于编程相关学习期间使用的已实施、面向学习者的AI支持干预，以及报告学习者层面教育、行为、认知、动机、表现或体验证据的研究。对直接考察实质性编程教育环境中伦理、可访问性、公平、学术诚信、可靠性或负责任使用问题的实证研究作出有限例外。综述分析了智能、自适应、生成式、推荐与反馈系统如何支持编程技能发展；报告了哪些动机、参与度、协作与问题解决成果；以及其实施中出现了哪些伦理、技术、可访问性与访问相关挑战。综述未将这些领域视为独立主题，而是将其作为AI支持编程教育相互关联的维度进行分析。
1.1 关键术语定义
为支持一致的资格评估、编码与综合，本综述对主要概念进行操作化定义。AI泛指使系统执行与智能行为相关功能的计算方法，如预测、分类、推理、生成、推荐、自适应、评估与决策。在本综述中，当系统采用可识别的计算机制，利用关于学习者、任务、互动、提交程序或学习表现的信息来生成、选择、调整、推荐、分类、预测、评估或提供反馈时，该系统被归类为AI支持。符合条件的方法包括基于规则与模糊推理、机器学习、深度学习、自然语言处理、生成式AI、学习者建模、知识追踪、推荐算法与自适应决策机制。该操作化定义是为研究选择与编码而制定，无意解决关于AI边界的更广泛学科争论。
编程教育指编程、编码、调试、算法开发、软件构建或通过编程进行计算问题解决构成实质性学习目标的正式或非正式教学活动。综述涵盖小学、中学、高等教育、职业及其他教学环境中的编程教育。编程仅作为技术实施工具而非教育目标或学习活动的研究不被归类为编程教育研究。
面向学习者的AI支持干预被定义为在编程相关学习活动期间由学习者直接使用的已实施系统或应用。AI组件必须执行实质性教学功能，如辅导、自适应、推荐、评估、反馈、解释、调试支持或协作辅助。仅由教师或研究人员使用的系统，以及仅报告技术基准、评分一致性、响应质量、预测准确性或计算性能的研究，除非系统也由学习者使用并报告了学习者层面成果或体验，否则不足以纳入。对在实质性编程教育环境中收集关于伦理、可访问性、公平、学术诚信、可靠性或负责任使用问题的原始学习者或教育者数据的实证RQ3研究作出有限例外。
智能辅导系统（ITS）是旨在近似个体辅导选定功能的AI支持教学系统。它们通常表征领域知识、学习者知识或表现以及教学策略，并利用这些表征在问题解决过程中提供细粒度指导。在编程情境中，该指导可包括提示、引导、误解诊断、解释、任务推荐以及对中间解决步骤的反馈。
自适应学习系统是自动修改教学内容、任务难度、排序、节奏、反馈、评估或学习路径以响应学习者数据的学习环境。在本综述中，ITS被视为自适应学习系统的专门类别，其特征是显式的领域与学习者建模以及相对细粒度的辅导。更广泛的自适应学习系统术语也包括在不实施完整辅导架构的情况下个性化任务、资源、呈现格式、评估或路径的系统。
生成式AI系统是能够产生新内容的模型，包括自然语言解释、编程代码、示例、提示、评估反馈、建议修正与反思性提示。在编程教育中，生成式AI可充当对话式导师、编程助手、自动化审查者、反馈生成器、反思性学习辅助工具或个性化支持工具。在收窄的资格规则下，仅当学习者在编程相关学习期间直接使用已实施系统且研究报告了学习者层面成果或体验，或原始学习者或教育者数据涉及符合条件的RQ3问题时，生成式AI研究才被纳入。
AI支持的自动化反馈与评估系统分析学习者作业或互动数据并生成评价性或形成性信息，无需教师即时干预。此类支持可涉及正确性、句法、语义、代码质量、问题解决策略、调试、任务选择或学习进展。仅基于固定答案键提供预定响应的系统不自动归类为AI支持，除非描述了可识别的智能、自适应、预测、生成式、推荐或数据驱动机制。纯技术评估基准在未服务于面向学习者的教学功能时被排除。
AI支持的基于游戏、游戏化或沉浸式环境将可识别的AI支持机制与游戏设计元素、游戏玩法、模拟、叙事、挑战结构或沉浸式互动相结合。游戏化特指在非游戏学习情境中使用积分、等级、奖励、排行榜、目标与挑战等元素。此类元素的静态使用不足以归类为AI支持。AI组件必须调整难度、选择或生成活动、修改反馈、个性化挑战或以其他方式响应学习者数据。在符合条件的语料库中，明确基于游戏或沉浸式的证据有限，最直接的代表是自适应虚拟现实编程环境。
学习者层面成果包括教育、行为、认知、动机、表现与体验发现，涵盖编程成就、概念理解、问题解决、计算思维、动机、参与度、自我效能感、协作、认知负荷、互动行为、满意度与感知有用性。当系统层面成果描述干预的面向学习者操作时予以保留，如成功的个性化、对学习者错误的响应性、可扩展的形成性反馈或情境敏感推荐。仅系统性能测量不被视为教育有效性的证据。
1.2 研究问题（RQs）
鉴于编程教育中AI技术与教育功能的多样性，综述聚焦于三个相互关联的分析线索：面向学习者的智能、自适应、生成式、推荐、评估与反馈支持；动机、参与度、协作与问题解决成果；以及伦理、技术、可访问性与访问相关挑战。研究由以下研究问题引导：
RQ1 AI支持的智能、自适应、生成式、推荐、评估与反馈系统如何通过个性化学习路径、面向学习者的评估、教学指导以及实时或面向过程的反馈来支持编程技能习得，报告了哪些学习者层面与教育相关的系统层面成果？
RQ2 在AI支持编程教育的实证研究中报告了哪些动机、参与度、协作与问题解决成果，特别是在涉及基于游戏、游戏化、沉浸式或动机导向学习环境的研究中？
RQ3 在AI支持编程教育的实证研究中报告了哪些伦理、技术、可访问性与访问相关挑战，特别是与可靠性、过度依赖、学术诚信、隐私、透明度、偏见、基础设施与不平等访问相关的挑战？
三个研究问题作为同一实证语料库中相互关联的分析线索来处理。全部76项纳入研究均评估了与RQ1的潜在相关性。在最终共识编码下，全部76项研究均报告了至少一种可识别的AI支持教育机制、面向学习者功能或教育相关的系统层面成果，因此对RQ1综合作出贡献。分别有55项与11项研究的重叠主题子集为RQ2与RQ3提供证据。RQ2并非旨在对更广泛的游戏化或基于游戏学习文献进行详尽综述，RQ3也并非旨在对规范性AI伦理、政策、隐私工程或数字不平等进行全面综述。相反，它们综合了符合综述收窄资格标准的AI支持编程教育实证研究中报告的动机、问题解决、伦理、技术、可访问性与访问相关证据。
2 方法
2.1 文献检索
在Scopus中进行了系统性文献检索，以识别考察编程教育中人工智能应用的实证研究。选择Scopus是因为其广泛的多学科覆盖、结构化的书目元数据以及对教育、计算机科学与教育技术研究的广泛索引。本系统综述依据PRISMA 2020声明报告。检索覆盖2010年至2025年（含）发表的出版物。
检索策略在综述更新过程中通过纳入试点筛选识别的新术语进行迭代细化。完整修订后的查询于2026年6月30日在Scopus中重新运行，所得数据集被用作更新综述的最终检索集。表1总结了主要概念块，完整布尔与邻近关系在高级检索查询中提供。
最终按年份限制的Scopus检索产生2519条记录。初始导出包含一个精确重复行，未保留在筛选数据集中。应用Scopus文献类型过滤器"Article"排除了1963条记录，剩余555条唯一论文记录。随后应用来源类型过滤器"Journal"与语言过滤器"English"进一步移除29条记录，得到526条用于标题与摘要筛选的唯一记录。文献类型、来源类型、语言与重复处理步骤在实质性筛选前完成。
526条记录既构成标题与摘要筛选池，也构成描述性文献计量分析的数据集。它们不构成系统综述的最终证据基础。文献计量分析因此描述检索并正式过滤后的检索集特征，而非最终76项研究实证语料库或完整AI支持编程教育领域的特征。未仅从更广泛的526条记录数据集中得出关于合格干预有效性的实质性结论。
检索有意设计为具有足够敏感性，以适应不同技术世代与教育情境中AI支持编程教育术语的变异。因此，检索数据集也包含提及相关术语但未报告符合条件的面向学习者AI支持编程教育应用实证调查的文章。研究纳入因此通过研究层面资格评估确定，而非通过关键词频率、引用计数、期刊排名或特定AI技术的显著性确定。
在标题与摘要筛选期间，526条记录中有419条被排除，因为可用信息明确表明其不满足一项或多项实质性资格要求，剩余107篇报告进行检索。尽管搜索了出版商页面、可用的机构访问途径与可访问的存储库，仍有16篇报告无法获取。剩余91篇报告接受资格评估。在应用收窄的面向学习者资格规则后，15篇报告被排除，76项研究构成重新评估的实证语料库。
资格评估完成后，基于DOI与标题的覆盖检查确认全部76项纳入研究均存在于最终526条记录的Scopus数据集中。图1-4与表2中呈现的文献计量分析使用更广泛的526篇期刊论文数据集进行，而资格编码、语料库构建、质量评估、数据提取与证据综合仅涉及76项纳入研究（见图5）（见表3）。
图3呈现526条记录数据集的国家层面书目耦合网络。国家之间的联系表明与这些国家相关的出版物引用共同参考文献的程度，因此共享重叠的知识基础。表2呈现检索记录数量最多的十种期刊及其累计Scopus引用计数与每篇平均引用数。引用数据反映2026年6月30日进行的Scopus导出，仅用于描述性文献计量目的，不作为研究选择标准。
图4比较了对过滤数据集贡献最多出版物的国家与地区。对于涉及多国作者的出版物，每个代表国家计数一次。国家总数因此不互斥，可能合计超过出版物数量。
2.2 纳入与排除标准
资格决定在研究层面使用累积的正式与实质性标准作出。要纳入，出版物必须是2010年至2025年间发表的英文期刊论文，考察实质性编程教育环境中可识别的AI支持机制，并满足下述收窄的面向学习者实证标准。
核心纳入规则要求已实施的AI、自适应、推荐、辅导、评估、反馈或其他数据驱动应用在编程相关学习活动期间由学习者直接使用。研究还必须报告关于编程表现、知识获取、问题解决、计算思维、认知负荷、动机、参与度、自我效能感、协作、行为互动或记录的学习者体验的学习者层面实证证据。
对主要贡献涉及AI支持编程教育中伦理、可访问性、公平、学术诚信、可靠性或负责任使用问题的实证研究适用有限RQ3例外。此类研究可在无对照教学干预的情况下纳入，前提是其在实质性编程教育环境中从学习者或教育者收集原始数据并报告直接与RQ3相关的证据。RQ3例外下的资格不自动意味着对RQ1的贡献。仅当此类研究还报告可识别的AI支持教育机制、面向学习者功能或教育相关的系统层面成果时，才被编码为与RQ1相关。
就资格而言，可识别的AI支持机制被定义为利用关于学习者、任务、互动、提交程序或学习表现的信息来生成、选择、调整、推荐、分类、预测、评估或提供反馈的计算组件。符合条件的机制包括生成式AI与大型语言模型、自然语言处理系统、机器学习模型、智能辅导系统、学习者模型、知识追踪方法、推荐算法、模糊推理系统、基于规则的自适应系统、自适应任务排序、情感敏感系统与自动化智能反馈。
使用常规学习管理系统、静态数字学习材料、固定电子练习或通用教育软件本身不足以纳入。此类系统仅在文章描述执行实质性教育功能的可识别智能、自适应、预测、生成式、推荐或数据驱动机制时符合条件。
编程教育标准要求编程、编码、调试、算法开发、通过编程进行计算问题解决或编程能力发展构成教育活动或评估的实质性部分。当编程仅用作技术实施工具、研究考察无教育成分的通用软件开发、或学习情境涉及不同学科领域时，文章被排除。
纯系统中心基准测试在收窄规则下不足以纳入。仅评估模型准确性、评分一致性、响应质量、基准性能、代码生成性能、预测准确性或系统效率而无直接学习者使用且无学习者层面教育或体验证据的研究被排除。面向教师的创作、评分与评估工具在学习者未将系统用作学习过程一部分时同样被排除。
未考察明确学习者面向干预且未主要涉及合格RQ3问题的通用感知、接受或采纳研究被排除。仅提出架构、框架、算法、数据集或概念模型而无与面向学习者编程教育相关的实证评估的文章也被排除。
研究不要求报告正面或统计显著效果。纳入独立于引用影响、期刊声望、样本量、来源国、方法质量评级或发现是否支持AI预期益处。方法弱点在质量评估与证据解释中处理，而非选择性地用于排除具有负面、混合或不明确发现的研究。
综述、理论文章、社论、观点文章、政策评论与纯概念性讨论被排除在正式实证语料库之外。会议论文、工作坊论文、书籍章节与其他出版物类型也被排除以保持一致的出版物格式。不合格来源可在引言或讨论中引用以提供相关理论或情境背景，但不贡献于编码的实证综合。
无法获取完整文本的报告被归类为"未检索"而非全文排除。它们未被分配实质性排除原因，也不进入资格编码或证据综合。
2.3 文章筛选与选择过程
研究选择过程遵循PRISMA 2020框架。Scopus检索识别2519条记录。初始导出中识别一个精确重复行，未保留在筛选数据集中。文献类型限制排除1963条记录，剩余555条唯一论文记录。通过期刊来源与英语语言限制的组合进一步移除29条记录，留下526条进行实质性筛选的唯一记录。
筛选分两个阶段进行。在标题与摘要筛选期间，仅当可用信息明确表明记录不涉及编程教育、未考察可识别的AI支持教育机制、未报告实证调查或代表不合格出版物类型时，记录才被排除。当无法仅从标题与摘要确定资格时，记录被保留以供检索。
两位审稿人独立筛选全部526条记录的标题与摘要，并独立评估91篇检索到的全文报告是否符合预定义资格标准。任一阶段的分歧通过讨论与共识解决。边缘案例对照操作定义与资格规则重新审查。
在526条筛选记录中，419条在标题与摘要筛选期间被排除。对剩余107篇报告进行全文检索。16篇报告无法获取并单独记录为未检索报告。剩余91篇报告对照完整正式与实质性资格标准进行评估。
收窄的面向学习者资格规则一致应用于全部91篇可评估报告，包括先前选择的研究与新检索的报告。全文资格评估后排除15篇报告。排除的主要原因包括缺乏可识别的AI支持机制（n=1）、缺乏明确的学习者面向干预或使用无合格RQ3焦点的非干预设计（n=4）、仅面向教师的创作或评分（n=4）、无学习者层面证据的技术、预测或系统基准测试（n=5）以及不合格出版物类型（n=1）。被排除报告的完整列表及主要与研究特定排除原因见补充表S3。76项研究满足修订后标准并构成重新评估的实证语料库。
76项研究并非因其高被引、发表于特定期刊、使用偏好AI技术或报告有利成果而被选择。它们代表同时满足出版要求、考察编程教育中合格AI支持机制、满足面向学习者实证规则或RQ3例外并提供与至少一个研究问题相关证据的可评估记录子集。
未使用补充后向或前向引用搜索作为正式识别途径。筛选后执行基于DOI与标题的覆盖检查，确认全部76项纳入研究均包含在最终526条记录的Scopus数据集中。
2.4 研究质量评估
为满足资格标准的76项研究开发了结构化质量评估框架。评估目的是描述可用实证证据的方法优势与局限，而非生成单一数值质量分数或额外排除阈值。
综述特定框架适应以学习者为中心研究的方法多样性，涵盖五个领域：研究目标与教育情境的清晰度；参与者、环境、编程情境与AI支持干预描述的充分性；研究设计与比较条件的适当性；成果测量与数据分析的透明度与完整性；以及报告发现与结论之间的一致性。
每个领域使用由低关注、部分关注与高关注组成的三级量表进行评级。评级附有简要支持说明，使每项判断的基础保持可审计。当判断不确定时，重新检查相关全文部分并在质量评估表中记录理由。
没有研究仅因在一个或多个领域获得高关注评级而被排除。资格与方法质量被视为独立考虑因素。所有合格研究仍可用于叙事综合，而评估用于限定对个别发现的置信度，避免将方法受限研究的证据视为与更强比较或对照设计的证据等同。
完整的研究层面质量评估见补充表S2。该表报告全部76项纳入研究五个评估领域中每个领域的评级与支持理由。评估结果用于限定证据解释，而非作为额外资格阈值。
2.5 数据提取与编码
数据提取使用与三个研究问题及表4所示分析框架一致的结构化编码模板组织。提取字段包括书目细节、参与者特征、教育水平与环境、编程主题或语言、AI支持技术类型、教学功能、研究设计、比较条件、干预持续时间、成果测量、主要发现、方法局限以及报告的伦理、技术、可访问性或公平相关挑战。
完整的研究层面提取矩阵，包括参与者与干预特征、AI支持功能、研究设计、成果测量、主要发现与主题编码，见补充表S1。
每项纳入研究由两位审稿人独立评估与全部三个研究问题的潜在相关性，而非仅分配给单一主题线索。当研究设计与报告发现支持此类编码时，研究可为一个以上研究问题贡献证据。RQ1相关性要求关于可识别AI支持教育机制、面向学习者功能或教育相关系统层面成果的证据；仅RQ3例外下的纳入不充分。在比较独立评估并通过共识解决分歧后，全部76项研究满足RQ1编码要求，55项贡献于RQ2主题语料库，11项贡献于RQ3主题语料库。RQ2与RQ3语料库在适当情况下与RQ1及彼此重叠。研究层面至RQ1、RQ2与RQ3的映射见补充表S1。
编码决定记录在结构化语料库表中，基于第1.1节确立的操作定义与第2.2节的资格标准。优先考虑作者对AI机制、教育功能、研究设计、参与者群体与主要成果的明确描述。模糊案例对照完整可用报告重新审查，并记录支持最终代码的推理。
对于RQ1，编码聚焦于AI支持编程教育应用的技术与教学功能，包括智能辅导、学习者建模、个性化学习路径、自适应任务排序、自动化评估、代码审查、错误诊断、提示、调试辅助、推荐、对话支持与实时或面向过程的反馈。学习者层面教育、行为、认知、表现与体验成果与已实施机制一同编码。
对于RQ2，编码捕获显式游戏设计与游戏化元素、自适应挑战、沉浸式与基于问题的设计、奖励、动机、参与度、坚持性、自我效能感、编程焦虑、认知负荷、计算思维、问题解决、协作、编程成就与其他学习表现成果。来自明确游戏化或基于游戏AI系统的发现与无显式游戏设计AI支持环境中报告的动机或问题解决成果相区分。
对于RQ3，编码捕获隐私与数据治理关切、算法偏见与公平性、透明度与可解释性、可靠性与准确性、学术诚信、过度依赖、可访问性、基础设施与连接要求、财务与人力资源约束、语言障碍与不平等访问。这些主题仅在构成实质性实证发现或记录的参与者或教育者体验时编码，而非仅作为一般背景提及。
RQ3被操作化为AI支持编程教育实证研究中报告的伦理、技术、可访问性与访问相关挑战的综合。它并非旨在构成对更广泛规范性AI伦理、教育政策或数字不平等文献的详尽综述。纯概念性伦理文章、政策评论与非实证讨论因此不在正式实证语料库之内。
2.6 综合方法
选择定性主题综合是因为纳入研究在学习者群体、教育水平、编程情境、AI技术、教学功能、研究设计、比较条件、干预持续时间与成果测量方面存在显著差异。这种异质性不支持有意义的统计元分析。
提取的证据按AI实施类型、教学功能、编程情境、参与者群体、评估设计、测量成果与报告的实施挑战进行组织。跨研究比较代码以识别重复模式、技术方法之间的差异、可用证据中的不一致、方法局限以及实证证据仍然稀少的领域。
质量评估发现用于限定证据的叙事解释；不应用正式数值加权方案。对具有清晰描述干预、适当比较条件、透明成果测量与与研究问题一致分析的研究发现以更高置信度解释。对小型、非对照、短期或主要自我报告研究的结果予以保留但更谨慎地解释。
产生的跨研究模式在表4-7与第3节的主题综合中呈现。三个研究问题之间的关系与对比随后在第4.4节的交叉比较中考察。
3 结果
本节综合应用收窄的面向学习者资格规则后纳入的76项研究的发现。由于分析线索重叠，主题语料库计数不互斥：全部76项研究为RQ1提供信息，55项贡献与RQ2相关的证据，11项贡献与RQ3相关的实质性实证证据。本节首先呈现用于组织编程教育中AI支持应用的修订分析框架，然后强调语料库中识别的跨领域实施与成果模式。所有纳入研究的描述性特征、干预类型、研究设计、成果领域与研究问题分配见补充表S1。
质量评估表明研究目标与教育情境的报告总体清晰，但研究设计与比较条件方面存在更频繁的局限。全部76项研究在目标与情境清晰度方面被评为低关注。参与者、环境与干预报告在57项研究（75.0%）中被评为低关注，19项研究（25.0%）存在部分关注。研究设计与比较条件代表最频繁的方法关注来源：22项研究（28.9%）被评为低关注，52项（68.4%）存在部分关注，2项（2.6%）为高关注。成果测量与分析在49项研究（64.5%）中被评为低关注，25项（32.9%）存在部分关注，2项（2.6%）为高关注。报告发现与结论之间的一致性在52项研究（68.4%）中被评为低关注，24项（31.6%）存在部分关注。总体而言，13项研究（17.1%）被评为低关注，61项（80.3%）存在部分关注，2项（2.6%）为高关注。最常见的局限涉及非随机或缺失比较条件、参与者分配或干预暴露报告不完整或内部不一致、干预期短、依赖自我报告成果以及结论超出样本或研究持续时间。完整的研究层面评级与支持理由见补充表S2。
重新评估的证据基础中可见三个广泛模式。首先，反馈是最普遍的功能元素。智能辅导系统、自适应环境、推荐系统、对话代理、代码审查工具与生成式AI平台经常将某种形式的个性化与编程活动期间的即时、形成性或面向过程支持相结合。技术在是否调整内容、选择后续任务、生成解释、诊断错误、推荐相似问题或支持反思方面存在差异，但其共同教学逻辑是减少学习者行动与教学响应之间的延迟。
该支持的报告效果是异质的。研究描述了编程表现、计算思维、自我效能感、动机、参与度、协作或学习者体验的改善，但益处并非在学习者群体或教学条件中均匀分布。先验知识、编程经验、提示质量、反思机会与教学结构程度反复出现为塑造AI支持成为生产性脚手架或仅提供学习者难以评估答案的因素。
其次，动机与参与度相关成果在比常规游戏化更广泛的设计范围内报告。自适应虚拟现实环境、基于问题的学习、AI辅助结对编程、自我调节学习结构、反思性反馈与对话支持均在语料库的至少一部分中与动机或参与度成果相关。然而，证据不能证明AI支持环境一贯优于传统教学的一般性主张。比较研究报告了正面、混合与学习者依赖的效果，表明围绕AI系统的教学设计至少与底层模型同等重要。
第三，教育有效性与实施条件和负责任使用关切不可分割。面向学习者的生成式AI系统可扩展对解释、反馈与示例的访问，但同一系统也产生对验证、错误纠正、学术诚信指导与生成代码批判性评估的额外需求。访问相关证据进一步表明，基础设施、可负担性、语言、数字能力与机构支持可用性可能影响谁从AI支持编程教育中受益。这些发现表明技术能力本身不是教育价值的充分衡量标准；实施还必须结合学习者准备度、教学法、可靠性、可访问性与环境进行评估。
3.1 AI编程教育系统综述框架
分析框架通过四个记录在案的演绎-归纳阶段构建。首先，完整演绎种子集包括智能辅导系统；自适应学习与学习者建模；推荐系统；对话代理与生成式AI；自动化评估、形成性反馈、代码审查与错误诊断；AI支持协作；基于游戏、游戏化、沉浸式与基于问题的支持；以及学习者行为与表现分析。这些类别提供初始组织结构，但不被视为固定或互斥。
其次，每项纳入研究在四个完整维度上编码。已实施的AI机制选项包括基于规则与模糊推理系统；学习者建模与知识追踪；推荐算法；机器学习与深度学习模型；自然语言处理系统；对话代理；大型语言模型与生成式AI；情感敏感系统；自适应决策机制；以及学习分析或预测系统。教学功能选项包括个性化排序、节奏或学习路径；任务、资源、测试用例或问题推荐；提示与脚手架；解释与对话指导；错误诊断与调试支持；形成性反馈与代码审查；面向学习者的评估；协作或结对编程支持；自适应挑战与基于游戏或沉浸式支持；反思与自我调节学习支持；以及学习者行为或表现监控。面向学习者的互动模式包括辅导对话、代码提交分析、自适应内容或任务交付、推荐、协作中介、基于游戏或沉浸式互动以及基于分析的反馈。编码的成果领域包括编程表现、概念理解、计算思维、问题解决、动机、参与度、坚持性、自我效能感、编程焦虑、协作、认知负荷、互动行为、满意度、可用性以及伦理、技术、可访问性与访问相关挑战。
第三，类别按其主导教育功能进行比较与整合。知识追踪与学习者建模根据其服务功能纳入自适应学习、推荐、辅导或评估类别。翻转、混合与无讲座形式被视为教学环境而非AI应用类别。当自动化反馈、代码审查、错误诊断与面向学习者评估的主要目的是评估学习者作业并提供形成性信息时，它们被合并。当AI组件主要结构化互动、挑战、参与或任务投入时，协作、基于游戏、沉浸式与基于问题的系统被分组。当监控、预测或数据驱动的教学决策构成主要功能时，学习者行为与表现分析保持为单独类别。
第四，此过程产生六个重叠的功能应用领域：自适应学习、学习者建模与推荐；智能辅导系统；对话与生成式AI支持；形成性反馈、代码审查与评估；协作、基于游戏、沉浸式与基于问题的支持；以及学习者行为与表现分析。当研究实施多个实质性学习者面向功能时，可分配给一个以上领域。完整的研究层面分配见补充表S1。
自适应学习、学习者建模与推荐系统根据学习者数据修改教学内容、任务难度、排序、节奏、反馈或资源选择。早期系统包括情境感知移动学习、学生建模、模糊自适应与自适应编程活动。更近期研究通过个性化评估、基于Elo的难度估计、机器学习支持的自适应、测试用例推荐、相似问题推荐与动态个性化编程路径扩展此逻辑。这些系统在不同粒度水平上运行：有些调整整个学习路径，而另一些推荐下一个任务、生成个性化测试或调整与单个编程活动相关的反馈。
几项研究说明此多样性。D-MALCOF使用学习者知识与档案信息自适应Java学习内容、排序与呈现格式。PeRSIVA评估编程电子学习环境中的混合学生模型，而模糊与基于规则的方法将教学或辅导决策自适应到个体学习者状态。Yang等人将计算机化自适应测试与学习记忆周期模型相结合，而更新的推荐导向系统个性化评估项目、测试用例、相似编程问题或Scratch活动。来自社会弱势与非WEIRD环境的证据进一步表明，当学习者准备度与访问条件差异显著时，个性化可能特别有价值。
智能辅导系统构成相关但更细粒度的类别。ITS通常整合领域知识、学习者信息与教学策略以在问题解决过程中提供指导。合格研究描述了诊断误解、生成提示、解释错误、搭建中间步骤或根据编程经验调整支持的系统。其定义特征不仅是自动化标记，而是提供旨在影响学习者下一步推理或编程行动的教学支持。
语料库包括Java与计算机数控编程的领域特定辅导、编程问题解决的基于解决方案辅导、编译器错误与编码任务的深度学习支持辅助、响应驱动形成性指导、聊天机器人数字导师、模糊辅导系统以及PyTutor与PythonPal等生成式AI导师。比较不同先前经验水平学习者的研究表明，ITS的有用性可能取决于系统
