MARC

 008260126s2025        us                              c    eng  d
■001000017360738
■00520260202105612
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798265429490
■035    ▼a(MiAaPQ)AAI32316414
■035    ▼a(MiAaPQ)Stanfordrk286dr6072
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a153
■1001  ▼aBigman,  Maxwell.
■24510▼aPear  Program:  Leveraging  AI  and  the  Learning  Sciences  to  Create  More  Fruitful  Collaboration
■260    ▼a[Sl]▼bStanford  University▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a219  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  A.
■500    ▼aAdvisor:  Garcia,  Antero;Pea,  Roy.
■5021  ▼aThesis  (Ph.D.)--Stanford  University,  2025.
■520    ▼aThis  dissertation  examines  how  AI-facilitated  pair  programming  can  enhance  collaborative  problem-solving  in  online  computer  science  education,  addressing  persistent  barriers  to  equitable  CS  access.  Through  the  development  and  evaluation  of  PearProgram  -  an  AI-supported  collaborative  coding  platform  utilizing  an  AI  facilitator  -  this  mixed-methods  study  investigates  how  technology  can  support  both  content  mastery  and  relational  dynamics  in  peer  learning  environments  among  students  from  Stanford's  Code  in  Place  online  course.  The  research  reveals  several  novel  phenomena:  a  "Gestalt  mindset  flip"  where  students  with  fixed  mindsets  experience  sudden  perceptual  shifts  toward  growth  mindsets  during  collaboration;  a  "shared  struggle"  mechanism  in  similarly-skilled  pairs  that  normalizes  difficulty  and  enhances  persistence;  and  evidence  that  confirmation-response  interaction  patterns  strongly  predict  collaborative  success  while  "off-topic"  conversations  strengthen  collaboration  by  building  psychological  safety.  Key  contributions  include  extending  Barron's  dual-problem  space  framework  to  AI-facilitated  contexts,  documenting  psychological  transformation  mechanisms  in  collaborative  learning,  challenging  assumptions  about  optimal  skill  pairing,  reconceptualizing  collaborative  problem-solving  assessment  to  include  relational  outcomes,  and  providing  design  principles  for  AI  that  enhances  rather  than  replaces  human  collaboration.  These  findings  offer  a  model  for  "multiplayer"  educational  AI  that  contrasts  with  dominant  single-player  approaches,  with  implications  for  creating  more  inclusive  and  effective  online  learning  environments.
■590    ▼aSchool  code:  0212.
■650  4▼aProblem  solving
■650  4▼aHigher  education
■650  4▼aComputer  science
■650  4▼aSuccess
■650  4▼aInstructional  design
■650  4▼aCore  curriculum
■650  4▼aDistance  learning
■650  4▼aSkills
■650  4▼aCOVID-19
■650  4▼aComputer  programming
■650  4▼aEducational  objectives
■650  4▼aScience  education
■650  4▼aAcademic  achievement
■650  4▼aPandemics
■650  4▼aOnline  instruction
■650  4▼aCollaborative  learning
■650  4▼aAttitudes
■650  4▼aSecondary  schools
■650  4▼aCurriculum  development
■650  4▼aEducational  technology
■650  4▼aEpidemiology
■690    ▼a0984
■690    ▼a0745
■690    ▼a0447
■690    ▼a0714
■690    ▼a0727
■690    ▼a0710
■690    ▼a0766
■71020▼aStanford  University.
■7730  ▼tDissertations  Abstracts  International▼g87-05A.
■790    ▼a0212
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360738▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서