人工智能辅助会话式编程：一种性别包容的程序设计教学法

王筱竹 Joseph Osunde　Danny Barthaud　Yijun Yu

【摘 要】 由于对计算机科学和职业的陌生和畏惧，技术落伍群体认识不到与真实世界之间存在的联系，使得将计算机程序设计教学普及到这些群体成为近年来的一项挑战。英国开放大学等机构通过使用技术手段设计开发教育类游戏等方式在STEM领域扩大学生参与度，使技术落伍群体（包括很多女性）提高对计算机编程的兴趣。本文使用以亚马逊语音技能工具包（ASK）为代表的人工智能工具，让学生通过语音会话式交互学习程序设计技术，探讨了如何把序列性会话转换为层次性决策树驱动的交互会话，提供了一种基于知识图谱的教学法，通过个人软件助理——“大声说程序”（Ask Program Aloud）引导人机对话。通过具体案例和用户参与，定性评估了使用“大声说程序”发起对话这个方法的有效性。结果表明，人工智能确实能够提升参与者对学习计算机编程技能的兴趣，既可以支持目前单向会话形式的计算机编程教学，也可以鼓励技术相对落伍的学习者群体获得计算机编程能力，进一步提高社交友好性和技能转化能力。

【关键词】 人工智能；语音技能工具包；“大声说程序”；交互编程；会话式编程；计算机辅助教学；动画；数字游戏

【中图分类号】 G40-057 【文献标识码】 A 【文章编号】 1009-458x（2018）8-0070-09

一、问题提出

一般情况下，技术可以被定义为銜接科学和工程的接口。美国医学国家图书馆（United States National Library of Medicine， 2010）把技术定义为“把包括工具、技巧、产品、过程和方法在内的科学知识应用于实践任务”。现代社会技术无处不在，普遍存在于医疗卫生、安全、通信、教育等各个领域。在教育领域，要在教与学的过程中传授技术的抽象概念需要进行高层次的思考和令人愉悦的操练（Carbonaro， Szafron， Cutumisu， & Schaeffer， 2010）。近年来，教育技术在推广STEM[科学（Science）、技术（Technology）、工程（Engineering）和数学（Mathematics）四门学科教育的总称]专业的学习者当中越来越受到重视。作为STEM专业基础的计算机科学教育领域，尤其是在程序设计教学方面存在着这样的不一致：理论上，“有教无类”的原则要求普及计算机教学跟其他科普领域一样，需要对教学对象一视同仁，不应该根据性别区别对待；在实践中，鉴于计算机科学的工程学属性和计算机程序设计对数学的要求，却又存在着性别上的差异性。这一现象使得性别包容教学法（Gender-Inclusive Approach）引起普遍关注。有研究者尝试设计普适性数字游戏让学习者练习程序设计，加深对计算机科学相关概念的理解（Overmars， 2004； Denner， Werner， & Ortiz， 2012； Robertson， 2012）；有研究者针对特定人群设计了创造性教学游戏，促进对编程概念的掌握（Kelleher & Pausch， 2007； Denner， et al.， 2012； Harteveld， Smith， Carmichael， Gee， & Stewart-Gardiner， 2014； Esper， Foster， & Griswold， 2013）。随着人工智能（Artificial Intelligence， AI）技术的发展和应用，探讨基于人工智能赋能的工具作为新的技术路线教授计算机编程基本概念，扩大教学的可能范围，使得包括视力受损或学习条件受限的学习者在内的弱势群体更容易接受编程教学（Yu & Wang， 2017），惠及更多学习者。

二、文献综述

（一）计算机辅助教学智能辅导系统

为学习者提供个性化的关注以满足其对教学的需要，最初促成了计算机辅助教学（CAI）领域的研究工作。传统的智能辅导系统（ITS）主要是为了满足学习者的个性化需求，在呈现材料方面提供了相当的灵活性和更快的反应（Van Lehn， 2006），能够通过明确教学法中如何教和如何学智能性地决定内容的呈现（Beck， Stern， & Haugsjaa， 1996； Van Lehn， 2011）。这种创造智能的能力允许更大的通用性，改变着系统与学习者之间的交互方式。 此外，从相关研究中可以看出，ITS在提高学习者的表现、参与、态度和动机方面都非常有效（Bayraktar， 2001； Kulik & Fletcher， 2016）。表现改进方面的研究表明，与仅使用传统的课程方法相比，学习者使用CAI补充传统的教学会取得更好的成绩，使用更少的时间就能掌握课程内容（Christmann & Badgett， 2003）。然而，传统ITS的一个主要局限是需要耗费大量的时间和成本才能逐步提高学习者的智力和培养学习者的深度学习（Jonassen & Reeves， 1996； Aleven， Roll， McLaren， & Koedinger， 2016）。

（二）教育类数字游戏和性别包容性

如前所述，在计算机编程教学方面存在着理论上“有教无类”的原则与实践中计算机学科的工程性质和程序设计对数学的要求导致的性别上的差异性。相关的文献回顾表明，关于数字教育游戏和性别的动机吸引力有三种主要论点：第一种论点认为，数字教育游戏的动机吸引力没有性别差异（Ke & Grabowski， 2007； Papastergiou， 2009； Koivisto & Hamari， 2014； Mekler， Brühlmann， Tuch， & Opwis， 2017）。相反，因果因素（如个人和情境因素等）可以解释不同的游戏效果（Wang， Schneider， & Valacich， 2012； Hamari， Koivisto， & Sarsa， 2014）。第二种论点认为，数字教育游戏的动机吸引力存在性别差异（De Jean， Upitis， Koch， & Young， 1999； Young & Upitis， 1999； Przybylski， Weinstein， Murayama， Lynch， & Ryan， 2012； Wu， Yen， & Marek， 2011； Boyle， Connolly， & Hainey， 2012； Powell， Dainty， & Bagilhole， 2012； Possler， Klimmt， Schlütz， & Walkenbach， 2017）。有研究者进一步论证了在数字化教育游戏的动机吸引中性别差异的存在，但是，这些差异取决于对游戏特征的感知，而这些特征既可以支持也可以阻碍动机（Huang， Hood， & Yoo， 2013； Ferguson & Olson， 2013）。第三种论点认为数字游戏提供的动机吸引力的性别差异是与体验相关的复杂变量，而不是差异产生的真正原因（Ratan， Taylor， Hogan， Kennedy， & Williams， 2015； Shen， Ratan， Cai， & Leavitt， 2016）。虽然第一种论点认为数字游戏的动机吸引力没有性别差异存在，但第二种和第三种论点都论证了数字游戏的动机诉求存在着性别差异，这些差异是否基于性别诱因尚不确定。相关研究还表明，数字化教育游戏的内容倾向于呈现受限制的性别角色，具有性别身份问题以及不支持女孩的动机吸引力的特征（Hartmann & Klimmt， 2006； Shen， et al.， 2016）。一些创造性的教学游戏，如Talking Alice（Kelleher & Pausch， 2007； Denner， et al.， 2012）、Gram House（Harteveld， et al.， 2014）和CodeSpells（Esper， et al.， 2013），都是针对年轻女性学习者讲授基本编程概念而设计的。这些已有的智能指导系统普遍基于女性学习者群体更易接受的一系列经验事实（Kulik & Fletcher， 2016； Kelleher & Pausch， 2007； Denner， et al.， 2012）。我们在之前的研究中也对性别包容性做出了定性和定量的实验分析（Osunde， Windall， Bacon， & Mackinnon， 2015），结果表明，动机诉求中的性别差异在很大程度上是可以控制或改变的。

（三）自然语言处理和机器学习在计算机辅助教学中的应用

最近，传统的ITS也在不断改进，并在自然语言处理（NLP）和机器学习（ML）中得以应用。自然语言处理（NLP）作为计算机科学和人工智能的一个领域，涉及计算机和人类（自然）语言之间的交互，通过编程使得计算机能够成功地处理大量自然语言的数据（Hindl， Barr， Su， Gabel， & Devanbu， 2012）。自然语言处理（NLP）与机器学习（ML）的结合使得计算机系统拥有在没有明确编程的情况下也能够逐步提高智能的能力（Samuel， 1959； Koza， Bennett， Andre， & Keane， 1996； Mikolov， Joulin， & Baroni， 2016）。由此产生的代理程序拥有模拟人类认知（如学习和解决问题）的能力，被称为“人工智能”的能力（Russell & Norvig， 2016）。相关研究表明人工智能技术在CAI中的广泛应用，包括建立一个对話程序以支持增量的方式对素材编码，以规避诸如文法解析、强大计算能力以及创建用于编码的框架所需的时间（Carbonell， 1970； Koffman， 1972； Michalski， Carbonell， & Mitchell， 2013）。实现人工智能技术的早期CAI系统是从具备相关专业知识的人工设计出发生成的，因此自然而然地可以导出相应的问题和解决方案，提供广泛的训练和辅导，诊断学习者的问题，并提供反馈（Koffman， 1972； Lowyck， 2014）。实现人工智能技术的最新CAI系统进一步将其专业领域知识扩展到基于互联网的资源，以及数据和计算处理设施的物联网（IoT）（Wenger， 2014）。

通过对相关文献的回顾，我们认为，探索一种借助语音产生人机交互的新型程序设计辅助教学法，尝试取代以传统的程序文本显示的方式进行教学，通过语音对学习者进行教学，有助于控制或改变当前计算机编程教学中实际存在的性别差异；通过对新教学法的案例结果进行定性评价，探讨实验得失，总结经验，展望未来的研究方向。

三、研究设计

（一）研究问题

借助Web和物联网（IoT）扩展的专业知识，结合有效的计算处理能力，可以进一步在计算机编程教学方面进行模式上的变革，从单向和孤立的学习环境转变为以学习者为中心且更注重叙事的友善环境（van Deemter， Krenn， Piwek， Klesen， Schr?der， & Baumann， 2008）。为此，我们在亚马逊提供的Alexa Skill Kit（ASK）音效库的基础上构建了人工智能（AI）工具，让参与者使用语音交互技术生成叙事的方式达成学习计算机编程的目的。我们提出了“大声说程序”（Ask Programs Aloud， APA）教学法，这是借助语音人机交互的新型程序设计辅助教学法，假设教学可以通过语音同学习者交互，而不是通过传统的程序文本的显示进行。

研究假设1：“大声说程序”这种新型的交互手段能否在计算机编程教学中进行模式上的变革，从单向和孤立的学习环境转变到以学习者为中心、更为注重叙事的友好环境？

研究假设2：“大声说程序”方法应用于编程教学能否比传统的数字化教育游戏带来更好的性别包容性？

针对假设1，我们设计了一个对话性叙事的Skill实验，用以展示研究方案的可行性。

针对假设2，通过实验我们对传统的采用图形用户界面（GUI）的教育游戏和采用语音交互界面（Voice User Interface）的“大声说程序”游戏进行比较，研究两者在不同学习者之间的性别包容性。

（二）研究方法

1.“大声说程序”的技术可行性实验

我们提出使用对话性叙事作为一个包容性的形式，以开发交互式和叙事性的计算机编程技术。通过使用语音交互AI功能（如Alexa Skill Kit），将顺序性的单一叙述转换成由学习者需求驱动的分层叙事（Lapouchnian， Yu， Liaskos， & Mylopoulos， 2006）。在实验中使用了若干台Alexa Echo Dot设备，让多个实验对象可以同时参与。这项设计的目的是既能够聚焦于学习者编程练习的任何细节，又能够同时概括学习相关的抽象概念。在实践方面，我们引入了一个基于知识地图的教学方法——“大声说程序”，一类个人软件助理，可以响应语音命令触发对编程概念的解释，并对编程上下文进行概括等。这种语音驱动是响应学习者的新型交互模式，可以与学习者产生智能对话，中肯地回答关于编程概念的问题（Yu & Wang， 2017； Yu， Thein， & Bashar， 2011）。为了在编程概念的上下文中展示我们的方案，以下面的一个简单Java程序为例来说明问题。

这个简单的Java程序要实现在控制台输出“Hello，World！”。将由学习者的个人助理软件（即“大声说程序”）表达出来，从而构成了人机对话的基础。

“大声说程序”，请告诉我程序的类名是什么？系统可能回应：程序的类名是“Hello”。下一个问题：“调用了方法吗？”可能的反应是：程序调研了“print”方法。下一个问题：“要print什么呢？”可能的反应是：程序将在控制台打印“Hello，World！”消息。下一个问题：“有没有其他显示消息的方法可以调用？”可能的反应是：也可以在对话框中显示消息。下一个问题：“如何在对话框中显示消息呢？”可能的反应是：需要通过“import javax.swing.Joptionpane”语句导入类库，才能在对话框中显示消息“Hello，World！”。从上述对话可以看出使用“大声说程序”的优点：不必提供程序的每一个细节，只需要提供部分答案，并通过后续问题的回答对答案进一步扩展。换言之，这是一种对话，而不是一言堂式的独角戏，是与学习者沟通的全新方式。图1给出了ASK大声说程序（APA）框架的概述。

图1 一个APA框架的说明

该框架的第一阶段把Java程序解析为一个抽象语法树（AST），将代码的嵌套结构表示为一棵树，其根节点通常是一个对话的起点。APA系统将初始问题Q0翻译成初始参数（通常被置为AST的根节点）。结合问题Qi和参数Ti，APA将答案Ai（Ti）作为结果返回给学习者。学习者可以使用返回参数Ti作为新的上下文询问后续问题Qi+1（Ti）。为了便于AST的逐级导航和Alexa的语音合成，需要在ASK的服务器端将程序解析成AST，并根据学习者在交互中提出的附加问题移动参数Ti。所使用的基础设施遵循亚马逊AWS云服务，使用Alexa Skill Kit工具包基于云的开发环境，并使用开源项目Flask简化开发和部署Python接口的服务器端实现。在客户端使用Alexa强大的合成模型，ASK必须被配置为可以回答多种类型的问题，而我们则必须通过识别在先前问题的答案中使用的参数来定义上下文变量。由于Alexa可以问开放式的问题，我们预定义了一些参数，便于学习者在遇到困难时能够使用AST导航设置的初始着陆点（根节点），跳出上下文的局限。

2.“大声说程序”的对照实验

（1）采用传统图形交互的游戏

要成功地调查这些游戏结构是否可以用作创建为11-14岁女孩学习基本的计算机编程概念的具有吸引力的数字教育游戏，必须确定和应用合适的方法。在现有的学习基本的计算机编程概念的数字教育游戏基础上，定制两个实验数字教育游戏：第一个包括游戏结构，包含支持女孩的动机吸引力；第二个游戏与第一个游戏相反，所包含的结构不支持吸引女孩的动机。

（2）研究样本规模及素材

由于这项研究的超前性，我们采用了探索式的定性研究方法。152名女生和152名男生共304名参加者都参加了这两项实验游戏，以获得研究中参与两个游戏的女孩和男孩两组看法的数据。

（3）样本分布和实验结构

采集的样本数据包括在线问卷和两个探索类游戏。参与的男女同学年龄在11-14岁之间，都来自英国东南区的5所初中，包括3所单一性别学校和2所混合性别学校。这样选择的目的是进一步分析不同类型的学校是否会对结果造成影响。学生选取的过程由学校老师根据研究者提供的指导原则完成，这些原则对学习成绩、计算机科学的兴趣或者领域的背景知识并不预设要求。另外，指导原则只要求参与者的年龄在11-14岁之间，并不要求学生的家境和阶层。表1列出了参与调查的学校人员结构分布情况。

表1 参与调查的学校人员结构分布情况

[ 学校1 学校2 学校 3 学校4 学校5 参与者总数 149 50 50 27 28 女性参与者数量 76 26 50 0 0 男性参与者数量 73 24 0 27 28 参与者性别 男女 男女 女 男 男 ]

在实验过程中，允许参与者自主选择游戏的次序。这样设计的理由是消除或最大程度上减少次序可能带来的偏好，从而避免影响实验结果的有效性。每个实验过程持续60分钟，而不同批次的学生可以在不同日期完成。但是，每个实验进程都必须在同一天完成，避免影响实验的有效性。

首先预调查问卷记录下每个参与者对实验的理解，然后在两个游戏结束时分别回答一个事后调查问卷，最后再回答一个比较两个游戏的评估问卷。设计预调查问卷是为了在游戏之前了解参与者对数字游戏的认识；两个事后调查问卷是为了了解参与者对游戏中的知识的理解；设计评估问卷是为了获得参与者对两个游戏差异的认识。在线问卷采集到的数据首先用定性分析的方法处理，然后使用SPSS统计分析软件分析并统计数据的显著差异。

具体来说，从每个参与者那里获取的数据包括每一个游戏对参与者的吸引度、游戏中使用的特定游戏特征的吸引力以及每个游戏对数字教育游戏参与者的感知的影响。通过对现有的数字教育游戏进行定制，创建出包括探索性研究中需要识别的游戏特征变量的两个实验游戏。谷歌Blockly Maze迷宫游戏满足了技术和教育上的定制化学习需求，用来创建两个实验游戏以供研究。该游戏环境中包含10个层次，每个层次都集中在使用不同的编程结构，如排序、决策和循环指令。难度较小的游戏允许参与者使用无限数量的指令块，而更高级别的游戏则只允许使用指定数量的指令块，从而迫使玩家提出更有效的解决方案。图2为定制的实验游戏（a）“迷失的宇航员”和（b）“迷失的河马”。

（4）采用“大声说程序”语音交互的游戏

在最初的APA助手的实现中，我们采用了一个简单的非编程语言分层对话来说明这个教学法的关键。这个例子是一个游戏，通过与参与者进行有意义的对话帮助他们在五分钟内解除定时炸弹。该示例采用Python语言实现，其核心知识点在数据结构中呈现为嵌套几何图形，而不是前面程序语言教学中提到的抽象语法树。尽管存在差异，从游戏概念产生的对话也遵循一种基于规则的通用教学方法。参与者需要通过确认游戏程序陈述所生成的句子来表达他们对游戏概念的理解，这个陈述是通过对比显示的内容和游戏概念自动生成的。诸如“左边有箭头吗？”的“是非题”和诸如“方块的颜色是什么”的“枚举题”，都是游戏启发参与者的提示性问题。当学习者能够正确地理解这些概念时，他们的答案被组合起来满足预先配置的定时炸弹解除条件。

最初实施的目的是确定如何应用APA框架来启动APA助理和学习者之间的有意义对话。样本组涉及女性（n=7）和男性（n=5），参与者与APA助理互动，使用问卷调查他们的反应。对性别反应差异的定性评价可以用来检验这种方法的性别包容性。实际任务是在五分钟内将基本的陈述句子翻译成层次化几何表示。在五分钟内圆满完成对话才能确保定时炸弹被解除，否则定时炸弹将会爆炸。图3说明了模拟APA助手和实际任务。任务完成后，参与者完成问卷以提供对活动的评价性反应。

游戏开始于隨机生成定时炸弹，它的几何元素必须被正确地描述给APA助理才能提供正确的化解代码。图3显示了三个炸弹生成的例子，其中要传达的元素是形状、颜色、箭头方向以及字母和数字。应用程序实际上并不是在任何时候都知道向参与者显示哪个炸弹，而是有一个“参考手册”，帮助理解如何用所描述的拓扑几何生成解除炸弹的正确代码。这样，如果参与者错误地描述了炸弹或者错误地解析了他们的描述，APA助手实际上可以提供不正确的撤消代码（导致炸弹爆炸）。参与者还可以看到倒计时计时器，并鼓励他们以“说出你所看到的”开始。

图3 游戏可能产生的一些炸弹

当APA框架解析语音时，它响应参与者以便能够检查指令是否被正确理解。参与者可以通过重复一个元素来轻松地在任何时候纠正APA的辅助理解。参与者也可以在任何时候通过问“你知道了什么？”和其他类似的问题让助手进行回顾。参与者参看了Alexa平台配置（翻译并解释过的语音命令）和处理文本化命令的Python代码以及驱动前端应用程序的Web技术。接下来，参与者被给予再次尝试的机会，他们对游戏的功能有了更高的技术理解。

四、研究发现

对304名参与者的调查结果为支持数字教育游戏特征WHI动机和吸引力的性别差异提供了实证证据。他们有的支持动机有的反对动机。也就是说，一个标准并不适合所有方面。这项调查的结果支持教育学家、研究人员以及数字教育游戏设计者，以一种包容（inclusive approach）的方法创设数字教育游戏的学习。对于第一个假设，实验结论十分明确：采用“大声说程序”方法是完全可以教授复杂程序结构和概念的。对于第二个假设，实验结果是经验式的，借助参与者问卷得出结论。对于对照组（传统GUI游戏），需要对从评估问卷收集来的数据进行定性和定量分析，以分别比较两个游戏对于参与的女孩和男孩的吸引力。

（一）游戏对参与的男孩和女孩的吸引力的比较

对使用问卷收集的数据进行分析，用以确认在游戏的吸引力方面是否存在显著差异，同时需要考虑到它们包含从探索性研究所获得的有选择的显著游戏特征的变量，结果如图4所示。分析表明，女孩们发现“迷失的宇航员”比“迷失的河马”更吸引人；男孩们则发现“迷失的河马”比“迷失的宇航员”更吸引人。

图4 “迷失的宇航员”和“迷失的河马”对参与

游戏的男孩和女孩的吸引力比较

为了在抽样总体的情境下定量地检验该结果，我们进行了统计分析以确定数据分布的正态性，测定结果是否具有一般性。通过正态检验，确认数据在抽样总体内的分布。

使用Kurtotic检验（Doane & Seward， 2011）、方框图和夏皮罗-威尔克检验（Razali & Wah， 2011）等方法进行测试。有迹象表明，数据并非一致地近似正态分布。对所有试验数据进行重复试验，最后确定它们不满足正态分布。因此，假定分析所获得的数据不是正态分布的，不使用参数分析工具进行定量分析，而是采纳非参数测试方法测量两个独立样本（“迷失的宇航员”和“迷失的河马”）之间的差异。使用Mann-Whitney测试检验游戏对于年龄在11-14岁女孩和男孩参加者的吸引力差异之重要性，测试的结果如表2所示。游戏对女孩的吸引力的平均等级值为64.10，对男孩的吸引力的平均等级值为76.95，差异显著。

表2 游戏吸引力测试结果的性别等级

Ranks

[ 性别 数量 平均等级 总和 迷失的

宇航员 女 80 64.10 5，128.00 男 58 76.95 4，463.00 总计 138 ]

此外，表3所示的测试统计表明，女孩和男孩之间吸引力值的分布存在统计学意义上的显著差异（z=-2.154， p=.031）。测试统计的无效假设是：如果p>0.05，那么参与的女孩和男孩对游戏的吸引力没有显著差异。因为p=0.031<0.05，无效假设不成立，那么就意味着游戏对参加的女孩和男孩在吸引力方面存在显著差异。也就是说，有证据表明，在这项试验中“迷失的宇航员”对女孩的吸引力和“迷失的河马”对男孩的吸引力之间具有统计学意义上的显著差异。

表3 游戏吸引力差异的统计测试

测试统计a

[ 游戏 曼-惠特尼U 1，888.000 威尔克森W 5，128.000 Z -2.154 阿西普西格（双侧检验） 0.031 ]

（二）采用“大声说程序”方法设计教育游戏的实验结果

我们对从调查问卷中获取的数据集进行了分析，采用描述喜欢程度的Likert五级量表，如“这项活动对你的编程认知有多大的积极影响？”等。图5显示了来自参与者初始响应的定性评价，表明它是一个能够影响计算机编程学习意愿的性别包容性工具。

图5 调查结果中的定性评价

五、研究结论和建议

计算机辅助教学广泛应用于个性化学习，并且可以通过人工智能来增强这一应用。AI工具（如ASK）中语音交互技术的出现提供了利用人工智能将序列性叙事转化成交互式编程的机会。综上所述，为了实现层次化教学目标，围绕“大声说程序”，我们设计了可以回应音频命令的私人助理，为学习者提供了一个以知识地图为基础的教学法以触发对话。

评估参与者的评价意见分析表明，APA框架可以被用作一个包容性的工具，提高女性和男性学习计算机编程技能的意愿。我们在评测中引入的游戏是使用Python构建的，ASK最近升级了自动机以使用故事板创建任何文本冒险游戏，无须直接编写代码。接下来我们准备探索使用开源故事线工具TWIN构造教和学的状态自动机，通过使用通用技能本身开发一种ASK技能来加强学习。我们准备更进一步将英国开放大学的交互式计算机批改作业教学系统（iCMA）设计为一个通用的ASK技能。我们也希望在未来将APA框架应用于使用Java语言学习编程的会话式学习过程中。由于学习和教学的概念是独立于语言选择的，我们可以部署试验到其他的环境，如在中国国家开放大学的动画教学中进一步扩大参与度。

從远程教育的目标来看，“大声说程序”教学法是一个新颖的探索和尝试。同传统的面授教学方法相比，远程教育的局限性是缺乏教学的亲和度。虽然通过电子邮件、远程网站设计、虚拟对话应用等，能够把教育者和学习者的距离缩短，接近传统面授教学的效果。但是，这种网络教学并不能扩大受众范围，学习者数量的增加必然导致教育者在每个学习者身上关注时间的减少，从而容易影响到教学质量。MOOC教学法不及传统远程教育的教学质量，其根源很大程度上是由于教育者的时间没有保证。因此，自动化教学过程是一个理想的程序设计授课方式。从远程教育的社会意义来说，增加学习者的参与度，“有教无类”是一个极为重要的宗旨。对计算机科学领域而言，程序设计是对性别差异敏感的科目。如果在教学法中注意到这一点，就可以有目的地选取教学材料，调整问卷内容。这也是我们在未来计划实现的目标。从已有的实践看来，我们的设计方法能够在一定程度上缓解学习者的性别焦虑。

致谢

感谢英国开放大学eSTEeM基金对Ask Program Aloud和Learner Gender Diversity项目的资助，也感谢ERC Advanced Grant on Adaptive Security and Privacy的财政支持。特别感谢英国皇家计算机博物馆对群体实验的场地支持。

[参考文献]

Aleven， V.， Roll， I.， McLaren， B. M.， & Koedinger， K. R. （2016）. Help helps， but only so much： Research on help seeking with intelligent tutoring systems. International Journal of Artificial Intelligence in Education， 26， （1）， 205-223.

Amazon： Alexa Skills Kit. Retrieved from https：//developer.amazon.com/alexa-skills-kit

Bayraktar， S. （2001）. A meta-analysis of the effectiveness of computer-assisted instruction in science education. Journal of Research on Technology in Education， 34， （2）， 173-188.

Beck， J.， Stern，M.， & Haugsjaa， E. （1996）. Applications of AI in Education. Crossroads， 3， （1）， 11-15.

Boyle， E.， Connolly， T. M.， & Hainey， T. （2011）. The role of psychology in understanding the impact of computer games. Entertainment Computing， 2， （2）， 69-74.

Carbonaro， M.， Szafron， D.， Cutumisu， M.， & Schaeffer， J. （2010）. Computer-game construction： A gender-neutral attractor to Computing Science. Computers & Education， 55， （3）， 1098-1111.

Carbonell， J. （1970）. AI in CAI： An artificial-intelligence approach to computer-assisted instruction. IEEE transactions on man-machine systems， 11， （4）， 190-202.

Christmann， P. E.， & Badgett， L. J. （2003）. A meta-analytic comparison of the effects of computer-assisted instruction on elementary students academic achievement. Information Technology in Childhood Education Annual， 1， 91-104.

De Jean， J.， Upitis， R.， Koch， C.， & Young， J. （1999）. The story of ‘Phoenix Quest： How girls respond to a prototype language and mathematics computer game. Gender and Education， 11， （2）， 207-223.

Denner， J.， Werner， L.， & Ortiz， E. （2012）. Computer games created by middle school girls： Can they be used to measure understanding of computer science concepts？. Computers & Education， 58， （1）， 240-249.

Doane， D. P.， & Seward， L. E. （2011）. Measuring skewness： a forgotten statistic. Journal of Statistics Education， 19， （2）， 1-18.