Yan 等人（2025）探討將大型語言模型（large language models, LLMs）融入協作式編程，是否能促進學生的計算思維、自我效能感及學習體驗。鑑於傳統協作式編程常受到學生能力差異的限制，影響合作成效，本研究提出一個由 LLM 支援的協作學習框架，將人工智能視為學習夥伴，將原本的人與人互動模式，轉變為「人—人—人工智能」的協作模式。研究採用準實驗設計，對中國 82 名六至七年級學生進行研究，並隨機分配至 LLM 支援的協作式編程組（實驗組）或傳統協作式編程組（對照組）。
本研究歷時五週，共進行 12 次編程課程（每次 90 分鐘），以 C++ 作為教學語言。兩組學生均以小組形式進行學習，但實驗組使用基於 LLM 的學習平台，在編程過程中被給予結構性、問題導向及知識導向的支架支持，涵蓋問題分析、程式撰寫、除錯及評估等階段。研究通過前後測評估學生的計算思維與自我效能感，並以問卷測量其認知負荷，同時輔以半結構式訪談以深入了解學習體驗。
研究結果顯示，LLM 支援的協作式編程組在計算思維的提升上顯著優於傳統教學組，但效應量相對較小。此外，實驗組學生的整體認知負荷顯著較低，尤其在心理負荷（mental load）方面的差異更為明顯，顯示 LLM 有助於降低學生在面對複雜編程任務時的認知負擔。然而，兩組在自我效能感上並未出現顯著差異，且隨時間推移均呈現下降趨勢。此結果可能與學生由圖像化編程過渡至較抽象的文字式編程所帶來的學習挑戰有關，但在 LLM 支援情境下，實驗組學生自我效能感的下降幅度相對較小。
質性分析進一步指出，LLM 的融入有助於提升學生的學習體驗，包括提高學習興趣、增強問題解決效率及促進合作互動。學生普遍反映，LLM 能提供即時回饋、多樣的解題策略及個性化指導，從而提升自己在編程任務中的參與程度。整體而言，本研究顯示，LLM 可作為協作學習中的有效支架工具，在降低認知負荷的同時促進高階思維發展。儘管其對自我效能感的影響仍有待進一步驗證，但研究結果仍凸顯了人工智能支援的協作學習環境在 K–12 編程教育中的應用潛力。
文獻來源（開放取用）：Yan, Y. M., Chen, C. Q., Hu, Y. B., & Ye, X. D. (2025). LLM-based collaborative programming: Impact on students’ computational thinking and self-efficacy. Humanities and Social Sciences Communications, 12(1), 149.
