In de initiële fasen van het leren programmeren, vaak aangeduid als CS1, vormen uitgewerkte voorbeelden een essentieel onderdeel van het curriculum. Hoewel deze voorbeelden inzicht bieden, waarschuwen experts dat het louter lezen van oplossingen een passieve activiteit is die het leerproces kan belemmeren. Om dit tegen te gaan, wordt ingezet op 'self-explanation', een methode waarbij studenten gedwongen worden de logica achter een oplossing zelf te formuleren.
De grootste hindernis bij deze methode was tot nu toe de schaalbaarheid. Het handmatig beoordelen van open tekstuitleggen en het geven van onmiddellijke feedback kost enorm veel tijd en menselijke capaciteit. Om dit probleem op te lossen, is ESSE ontwikkeld, een gespecialiseerde tutor voor zelfuitleg. Volgens een publicatie via arxiv.org maakt dit systeem gebruik van grote taalmodellen (LLM's) om de antwoorden van studenten op specifieke programmaregels te analyseren en direct feedback te geven over de volledigheid en correctheid.
Om de betrouwbaarheid van ESSE te waarborgen, is de AI-beoordeling getoetst aan menselijke standaarden, waaronder die van domeinexperts en niet-experts. Dit stelde de onderzoekers in staat om vast te stellen waar het model accuraat functioneert en waar eventuele systematische fouten optreden. De praktische effectiviteit werd vervolgens getest binnen een introductiecursus Java. De resultaten laten zien dat de AI-feedback het studiegedrag positief beïnvloedt: studenten slaan moeilijke passages minder snel over en herzien hun uitleg vaker.
Deze verschuiving van passieve consumptie naar actieve cognitieve verwerking sluit aan bij bredere pedagogische trends. De focus op hoe studenten informatie verwerken en hun motivatie behouden, is een terugkerend thema in academische programma's. Zo integreert de ugent.be in haar lerarenopleidingen specifieke modules over studentontwikkeling en motivatie om het leerproces te optimaliseren.
De ontwikkeling van intelligente tutors is bovendien onderdeel van een langere traditie in de computerondersteunde educatie. Al vroeg werd er geëxperimenteerd met systemen die leerpaden konden aanpassen aan de behoeften van de student, zoals beschreven in onderzoek van cmu.edu over de effectiviteit van verschillende tutor-interacties. Latere studies van dezelfde instelling hebben verder ingezoomd op het verschil tussen adaptieve ondersteuning en alternatieve tutor-methodieken, zoals uiteengezet in een cmu.edu.
De integratie van LLM's in tools zoals ESSE markeert een nieuwe stap in deze evolutie. Waar eerdere systemen vaak beperkt waren tot vooraf gedefinieerde antwoordpaden, kunnen moderne taalmodellen nu complexe, vrije tekstuitleg beoordelen. De conclusie van de onderzoekers is dat de kwaliteit van LLM-beoordelingen momenteel voldoende is om een effectieve self-explanation tutor aan te drijven, waardoor studenten een actievere en diepere interactie aangaan met hun studiemateriaal.