AlgoSolve：利用学习者来源的微任务支持算法问题解决中的子目标学习

文献标题

AlgoSolve: Supporting Subgoal Learning in Algorithmic Problem-Solving with Learnersourced Microtasks

文献信息

• 主题领域: 计算机科学教育与算法教学
• 关键词: 算法问题求解, 学习众包 (learnersourcing), 子目标学习, 在线教育, 编程学习, 解决方案计划, 学习辅助系统, 认知负荷, 学生贡献, 教学设计

研究背景与问题

• 发现的问题或挑战:

  1. 初学者在解决算法问题时，常常在编码的同时计划解决方案，缺乏对问题全面且结构化的理解，导致解决失败或低效。
  2. 子目标学习（Subgoal Learning）被证明有助于开发全面的解决方案计划，但这依赖于专家创建的子目标标签（subgoal labels），而这是一种稀缺、高成本的资源。
  3. 在自学环境中，专家创建的材料的缺乏显著限制了子目标学习的应用。

• 重要性:

  1. 算法问题求解在编程教学和程序设计中占有重要位置，通常在编程竞赛和在线学习平台上有广泛应用。
  2. 子目标学习可以支持有效的知识转移，帮助学习者在解决类似问题时更高效。

• 研究动机与相关工作:

  1. 现有的研究表明子目标学习能够提升学习者对解决问题结构的理解，特别是在算法中。
  2. 学习众包 (learnersourcing) 方法可以通过让学习者参与到创造材料中，同时提升学习者自身能力，从而降低对专家支持的依赖。
  3. 需要设计一种能够提升学习众包任务质量的工作流程，以确保生成的材料既能用于教学又能提高学习者技能。

解决方案

• 主要方法或解决方案:

  1. 提出一个基于学习众包的两阶段工作流程，支持学习者生成高质量的子目标标签：
     • 第一阶段: 子目标投票任务（Subgoal Voting），通过对多个子目标标签质量的比较，引导学习者发现高质量标签。
     • 第二阶段: 子目标标注任务（Subgoal Labeling），学习者在创建初始标签后，系统展示高质量的标签示例，学习者可比较并改进自己的标签。
  2. 设计并实现了一个支持子目标学习的原型系统 AlgoSolve。

• 创新之处:

  1. 使用“学习众包”方法替代专家资源，降低了创建高质量子目标标签的成本。
  2. 在子目标学习中引入了带有指导的微任务（microtasks），提高了学习者的参与度与材料质量。
  3. 使用多臂赌博机算法（Multi-armed Bandits）动态选择最优子目标标签示例，实现探索与利用的平衡。

• 实施步骤与核心技术:

  1. 初始示例收集：设计子目标标注任务，让参与者生成基础标签池。
  2. 微任务实施：
     • 子目标投票任务：展示子目标代码片段与多个标签示例，要求学习者选择最佳描述。
     • 子目标标注任务：学习者创建并改进自己的标签，与系统推荐的同伴示例对比。
  3. 动态调整：采用多臂赌博机算法，根据学习者的选择动态调整推荐的高质量示例。

研究成果

• 具体成果:

  1. AlgoSolve系统显著提升了学习者生成的子目标标签质量，与基线相比，它能更好地反映代码的目标和深层次意义。
  2. 31% 使用 AlgoSolve 的参与者成功提供了完整的解决方案计划，而基线组仅为6%。

• 与现有解决方案的比较:

  1. AlgoSolve 生成的学习者标签与专家标签质量相当，但在解释细节和初学者需求方面表现更佳。
  2. 微任务方法对比无辅助任务的基线条件，学习者的子目标标签质量得到了显著提升。

• 实验与评估:

  1. 通过对比实验，使用了 63 名参与者（算法问题求解初学者），分为微任务组和基线组。
  2. 采用 SOLO 分类法评估参与者的解决方案计划，显示微任务显著改进了学习者将技术应用在新问题中的能力。
  3. 统计结果显示，微任务流程能有效提升学习者的子目标标签质量（p < 0.004，效果量 d=0.13）。

• 局限性与未来方向:

  1. 局限性:
     • 样本规模相对较小（63 名参与者），主要是韩国参与者，语言可能对结果有一定影响。
     • 没有在其他算法主题下深入验证系统的适用性。
     • 部分学习者未能完整应用学习的技术，未能生成有效的完整解决方案。
  2. 未来方向:
     • 扩展系统规模，验证其在更复杂算法主题中的适用性。
     • 探索自动化生成子目标范围与层级的任务。
     • 引入个性化任务，提高不同水平学习者的学习体验与参与成效。