Stöd av lärande inom objektorienterad programmering med hjälp av generativ AI : Chain-of-Thought prompting

Generativ AI och chattbotar har på senare tid blivit centrala verktyg inom utvecklingen av framtidens samhälle. Inom ingenjörsutbildningar har användningen av chattbotar som ChatGPT därigenom blivit ett stort område av diskussioner gällande dess användning inom olika kurser som läses av ingenjörsstudenter. Generativ AI har uppvisat potential till att fungera som ett stöd inom ingenjörsstudenters lärande i samband med utmanande koncept och teorier inom områden som objektorienterad programmering. Däremot finns utmaningar kopplade till felaktigt eller fabricerade svar genererad av chattbotar som ingenjörsstudenter kan tillämpa. Därtill uppstår frågor gällande akademisk integritet när ingenjörsstudenter inom objektorienterad programmering använder kod som genererats av AI, utan att förstå riskerna av dess tillämpning. För att motverka dessa problem har populariteten av prompt engineering ökat för att konstruera prompter utifrån framställda regler genom olika tekniker. Chain-of-Thought utgör en av dessa tekniker som innehåller flera variationer, vilket bygger på att be chattboten gå igenom prompten ”steg-för-steg” för att uppnå ett strukturerat och samhörigt svar. Denna studie syftar till att undersöka hur prompttekniker inom Chain-of-Thought kan användas för att generera korrekta och kursenliga svar inom objektorienterad programmering. Studien genomfördes med en kvalitativ analys där tre olika prompttekniker undersöktes och jämfördes, Standard Prompt, Zero-shot Chain-of-Thought och Least-to-Most Chain-of-Thought. Urvalet av teknikerna grundades på deras variering av komplexitet och av relevansen för att stödja inom programmeringsrelaterade problem. Resultaten visade att Least-to-Most Chain-of-Thought erbjöd flest fördelar av promptteknikerna genom att producera sammanhängande samt metodiska resonemang som leder till mer relevanta och korrekta svar. I jämförelse med de övriga teknikerna uppvisade Least-to-Most både en hög kvalitet samt bättre anpassning efter kursens krav, då den inte genererade inte färdig kod, utan motiverade tankesättet bakom hur koden ska struktureras. Studien drar slutsatsen att tekniker inom Chain-of-Thought som Least-to-Most, med korrekt avgränsning kan möjliggöra chattbotar att underlätta undervisning och lärande för studenter inom objektorienterad programmering.