小学信息科技课代码编写错误率-基于2024年编程平台后台数据

小学信息科技课代码编写错误率——基于2024年编程平台后台数据摘要随着信息科技课程在中小学的普及与深化，编程学习已成为培养学生计算思维和解决问题能力的关键环节。然而，学生在编程实践中产生的错误不仅是学习过程的必然现象，更是理解其思维障碍、优化教学指导的重要窗口。本研究聚焦于小学信息科技课堂情境下的代码编写错误问题，通过对二零二四年某市小学五年级春季学期编程教学平台后台数据的挖掘分析，系统地考察了学生在学习过程中出现的各类错误的频率、类型、分布及时序特征。研究选取了该市六所小学使用统一图形化编程平台开展教学的一千二百名五年级学生作为研究对象，提取其在一个学期内完成的十五个阶梯式编程任务所产生的全部代码快照、编辑历史及自动判题反馈日志，构建了总量超过八十万条操作记录的数据库。采用文本挖掘与模式识别方法，将学生的编程错误归纳为语法结构、逻辑顺序、事件响应、参数设计、资源引用等九大类，并对每一类错误的发生率、与任务复杂度的相关性、学生解决错误所需的平均尝试次数进行了量化分析。研究发现，小学高年级学生在图形化编程中最常见的错误类型为参数配置不当与逻辑顺序错乱，这两类错误占总错误数的百分之五十八。错误率随任务难度提升呈阶梯状递增，尤其在涉及双层循环和并行事件的任务中错误率显著升高。研究还发现，在采用“微课预习加课堂探究”和“实时错误提示与可视化调试支持”教学模式的班级，其学生的首次尝试错误率相较于采用“单纯演示跟练”模式班级的学生要低约百分之十五，且学生自我修正错误的平均用时也更短。本研究结论为优化小学编程教学的任务设计、开发更精准的错误诊断与教学干预策略提供了实证依据。关键词：小学信息科技，编程学习，错误分析，后台数据，计算思维培养引言在全球数字化转型浪潮和教育改革的推动下，信息科技教育在中小学阶段的战略地位日益凸显。编程，作为信息科技课程的核心内容之一，已不再是培养计算机专业人才的专属，而是被广泛视为发展学生计算思维、逻辑能力、问题解决能力以及创新精神的基础与载体。近年来，我国小学信息科技课程标准也将算法与编程模块纳入其中，强调通过适合儿童认知特点的图形化编程工具，引导学生体验编程过程，理解基本程序结构，尝试解决简单问题。这一转变旨在让学生从小接触并理解计算思维的基本范式，为其适应智能化社会奠定坚实基础。然而，将编程教学引入小学课堂，面临着一系列特有的教学挑战。编程，本质上是一个将问题解决方案形式化、算法化，并通过编程语言精确表达出来的复杂认知和实践过程。对于认知正处于从具体形象思维向抽象逻辑思维过渡阶段的小学生而言，掌握编程概念、规避编程错误并非易事。在编程实践中，学生不可避免地会犯错，这些错误可能源于对概念理解的偏差、对编程积木功能的误解、对程序执行逻辑的预判失误，甚至是粗心导致的误操作。错误本身并不可怕，学习心理学研究表明，错误是构建深层理解、促进元认知发展的宝贵机会。关键在于，如何从学生纷繁复杂的错误中，洞悉其认知过程中的典型障碍与思维模式，从而为教师提供精准的教学反馈，为学生提供及时的支架支持。传统的信息科技教学研究，常采用课堂观察、学生作品分析、问卷调查或测试等方法评估教学效果。这些方法各有价值，但往往难以捕捉学生在编程过程中的真实、动态、详细的认知足迹。学生为何在此处犯错？是什么类型的错误？他们在错误后如何尝试纠错？这些过程的细节往往被隐藏或丢失。随着教育信息化的发展，编程学习平台在学校教学中得到广泛应用。这些平台不仅提供了便捷的编程环境，更完整地记录了学生的学习过程数据，包括每一次代码编辑与运行、每一次错误提示的反馈、每一轮任务提交的时间戳等。这些细粒度的后台行为数据，构成了分析学生编程学习过程的“数字显微镜”，为深入研究编程错误的发生机制与教学干预提供了前所未有的可能。基于以上背景，本研究将视线聚焦于小学信息科技课中最能反映学生思维过程的指标之一——“代码编写错误率”。我们旨在通过对二零二四年小学五年级学生使用主流图形化编程平台的后台数据进行系统性挖掘与分析，实现以下几个研究目标：第一，建立一套适用于分析小学生图形化编程错误的分类编码框架，并对海量后台数据中的错误进行自动化和半自动化识别、归类与计数。第二，量化描述小学五年级学生在完成一个学期的阶梯式编程任务过程中，各类错误类型的总体分布、频率、以及在不同难度任务中的变化规律。第三，分析学生在出现错误后的常见纠错策略、纠错成功率及所用时间，探寻不同学习行为模式与错误解决效率之间的关系。第四，尝试将学生的编程错误数据与其所在班级的教学方法、任务设计特点等进行关联分析，初步探索哪些教学因素可能与更低的首发错误率或更高的纠错成功率相关。通过这些基于大规模真实学习过程数据的分析，我们期望能够超越“学生是否会编程”的表面判断，深入到“学生是如何思考并解决编程问题”的微观层面，从而为一线信息科技教师提供关于学生常见思维障碍的“雷达图”和教学策略调整的数据依据，也为编程学习平台设计更智能、更具教学意义的学习支持和辅导反馈系统，提供基于学习科学的实证基础。文献综述编程学习是一个复杂的高阶认知技能习得过程，涉及概念化、算法设计、语法规则掌握、调试与问题解决等多个层面。在教育领域，对学生在编程学习中遇到的困难和错误进行系统研究，构成了计算机教育研究的重要分支，通常被称为“编程错误分析”。早期研究主要关注大学生在文本式编程语言（如C语言、Java）学习中的错误模式，归纳出诸如语法错误、语义错误、逻辑错误、运行时错误等大类，并探讨其与学生先验知识、学习方法之间的关系。例如，研究发现，初学者的错误常集中在语法细节和操作符的误解上；而随着学习的深入，逻辑错误和概念模型错误逐渐成为阻碍进步的主要因素。随着图形化编程环境（如Scratch、Blockly、Kodu等）的兴起和在中小学的广泛应用，针对儿童编程学习错误的研究逐渐增多。图形化编程通过拖拽积木、拼接组合的方式进行，消除了文本语法的障碍，使得学习者的注意力能够更聚焦于程序逻辑和算法本身。然而，研究者们发现，学习者仍然会犯下各种错误。关于图形化编程错误的研究，大体可以分为几个方向：一是对错误进行类型学分析。例如，有研究者将Scratch程序中的错误分为“语法型”（积木无法拼接）、“静态语义型”（拼接可以完成但参数不合理，如将角色设置为不存在的背景）和“行为型”（程序能运行但产生非预期结果，如运动方向错误、循环次数错误）。这些错误反映了学生在理解积木属性、把握程序执行流程、预判状态变化等方面的认知偏差。二是探究错误的发生频率与学习阶段、任务特性的关系。研究表明，在初次接触循环或条件判断等控制结构时，学生的错误率会显著上升；任务复杂度（涉及的概念数量、交互要求）与错误率呈正相关。三是研究学生纠正错误的过程与策略。例如，有研究通过分析学生的编辑历史记录，识别出他们常用的调试策略，如“试误法”、“从输出回溯法”、“模块隔离法”等，并探讨了不同策略的有效性。四是探索如何利用错误数据进行学习分析，为个性化教学和自适应学习系统提供支持。例如，通过实时分析学生错误模式，系统可以动态推荐提示、提供针对性解释或相似案例，这一领域被称为“教育数据挖掘”与“学习分析”在编程教育中的应用。近年来，随着学习分析技术的进步，越来越多研究开始利用编程学习平台的后台数据（也称为“过程数据”或“数字痕迹”）进行大规模的分析。这些数据能够提供传统研究难以获得的实时、客观、连续的行为信息。例如，可以分析学生在特定任务上的第一次成功尝试之前所做的修改次数（作为认知努力的指标），或者比较不同学生对同一类型错误尝试纠错的路径差异。这些研究有助于揭示学生问题解决过程的“黑箱”，更精确地诊断学习困难，评估教学干预效果。然而，目前大多数基于后台数据的研究对象仍以中学生或大学生为主，专门针对小学阶段、大规模、常态课堂情境下的编程错误过程分析研究仍相对较少。小学阶段的学习认知特点、图形化编程工具的特性以及课堂组织形式，共同塑造了独特的学习过程与错误模式，需要专门的深入研究。从教学法角度看，如何处理编程错误是有效教学的关键之一。一种观点认为，应尽可能预防错误发生，通过细致的讲解和范例演示，让学生一开始就写出“正确”的代码。另一种由建构主义和基于问题学习驱动的观点则认为，错误是学习过程的必要组成部分，教学的角色不是消除错误，而是营造一个“安全失败”的环境，引导学生在尝试、犯错、调试的过程中，逐步建构正确的概念模型和问题解决方法。在实践中，不同的教师可能会倾向于不同的教学模式，例如“直接教学演示”、“探究式任务驱动”、“项目式学习”等。这些不同的教学模式可能会影响学生面对和处理错误的方式，例如，在鼓励探究的环境中，学生可能更勇于尝试，初期错误率或许更高，但自我纠错能力和深度理解可能更强。然而，关于不同教学方法与学生编程错误模式及解决过程之间关联的实证研究，尚不多见，尤其是在小学阶段的对照研究。利用后台数据，可以尝试比较不同教学模式下，班级学生群体在错误类型分布、尝试次数、纠错效率等方面的差异，为教学法的选择和改进提供数据化的视角。综合现有文献可见，编程错误分析领域已有扎实的理论基础和初步的技术方法。但在面向小学信息科技课堂这一具体情境时，还存在以下研究机遇：第一，需要开发更贴合小学图形化编程特点、结合儿童认知特征的错误分类框架。第二，亟需利用大规模常态课堂的后台数据，系统地描绘小学生编程错误的宏观图景与微观过程，填补该年龄段的实证空白。第三，将错误分析从“状态描述”延伸到“过程审视”，不仅要看学生犯了什么错，更要探究犯错后他们如何应对，以及教学环境如何影响这一过程。本研究旨在围绕这些方向，通过对一学期编程平台后台数据的深入分析，为理解和促进小学生的编程学习贡献新的实证证据和洞察。研究方法为系统探究小学信息科技课中学生的代码编写错误情况及其学习过程特征，本研究采用基于后台数据分析的量化研究设计，通过对大量学生在编程平台上的操作数据进行挖掘与分析来回答研究问题。一、研究对象与数据来源研究对象为二零二四年春季学期某市使用指定图形化编程平台开展信息科技课的六所全日制小学的五年级学生。该编程平台是区教育主管部门统一采购并推荐的，用于支撑全区小学编程教学的标准工具。选定的六所学校在区域分布、办学水平和信息技术硬件条件上具有一定的代表性。研究共涉及一千二百七十名学生，所有学生均使用同一平台账号在课堂和部分课后时间完成编程任务。本研究的核心数据来源是该编程平台提供的后台数据访问权限。平台记录的详细日志包含每一个学生的每一个项目在不同时间点的代码快照、每一次尝试运行程序的操作、每次运行后系统给出的自动分析反馈（如错误提示、变量未定义警告、运动范围超出等）、每次提交任务的时间以及教师在平台上提供的个别评语（如果有时）。本研究获取了该学期（约四个月）内，这些学生围绕十五个循序渐进、官方设计的编程任务（涵盖顺序、循环、条件、变量、事件、消息广播等核心编程概念）所产生的全部后台日志数据。经过数据清洗（如剔除无效登录、测试账号数据），共得到有效代码快照约八万份，运行日志条目超过六十万条，构建了一个大规模、细粒度的编程学习过程数据集。二、错误识别与分类编码框架为了从海量后台数据中识别和分类学生的编程错误，研究团队根据图形化编程的特点和常见学生错误模式，结合平台提供的自动反馈类型，开发了一套错误分类与编码方案。主要步骤如下：第一步，数据转换与匹配。将每个学生在每个任务上的多次提交代码快照按时间排序，关联其后的运行反馈日志。第二步，错误事件识别。基于平台反馈日志中的“结果”字段，标记每次尝试运行所产生的错误或警告信息，并将其解析为一个独立“错误事件”。第三步，错误类型编码。根据反馈信息的关键词和错误性质，结合人工抽取样本进行内容分析，将错误归纳为九个主要类别：第一类，语法结构错误：指积木块未能正确连接，例如循环积木缺少循环体、条件积木缺少分支等导致程序无法启动。第二类，参数设计不当：积木连接正确，但其参数（如数字、方向、颜色代码、文本内容等）设置不合理，导致无法运行或运行结果不符合任务要求。例如，将移动步数设为负数导致角色反向移动，或坐标值超出舞台范围。第三类，逻辑顺序错乱：程序可以运行，但由于积木块的执行顺序错误，导致结果不符合预期。例如，先播放声音再移动到指定位置，而任务要求同时或按相反顺序执行。第四类，条件判断逻辑错误：在条件分支或循环条件中，使用的判断条件（如大于、等于）或组合方式（与、或）错误，导致程序进入错误分支或循环次数错误。第五类，事件响应错误：使用了错误的事件触发器（例如，用了“当角色被点击”而不是“当绿旗被点击”）或多个事件间配合不当，导致程序无法按预期触发。第六类，资源引用错误：引用了不存在的角色、背景、造型或声音资源，或引用名称拼写错误。第七类，变量未初始化或未赋值：使用变量前没有进行初始化，或在逻辑中漏掉了给变量赋值的关键步骤。第八类，消息广播错误：发送和接收消息的名称不一致，或广播/接收的时机不对，导致协调失败。第九类，其他或未知错误：无法归入以上几类的错误，包括一些平台内部执行异常或罕见案例。对于每个识别出的错误事件，自动标注其类型、所在的代码快照，并根据学生随后的操作日志（如是否立即尝试修改并再次运行），判断学生是否以及何时解决了该错误，并计算出“解决该错误所用的尝试次数”（即在出现该错误后的后续尝试中，直到同一错误不再出现时的运行次数）。三、数据分析策略数据分析采用多层次、多角度的量化分析方法。首先，进行宏观水平分析。统计所有学生、所有任务中，九类错误各自发生的总次数和相对频率，生成错误类型的宏观分布图。计算整个实验周期内的“总体错误率”（总错误事件数除以学生总运行尝试数）。其次，进行任务水平分析。针对十五个教学任务，分别计算其“任务单位错误率”（该任务上所有学生总错误数除以该任务总运行尝试数），并分析错误率与任务设计复杂度（以任务涉及的编程概念数量与交互类型复杂度作为参考指标）的相关性。分析不同任务中学生主要出现的错误类型是否发生变化。再次，进行学生个人与群体分析。计算每个学生的“个体平均纠错尝试次数”（解决每个错误所花费的平均尝试次数），作为其调试效率的衡量指标。对不同班级、不同学校学生群体的平均错误率、错误类型分布、平均纠错尝试次数等指标进行对比分析，检验是否存在显著差异。最后，进行教学关联探索。研究团队通过问卷调查和访谈，获取了这六所学校相关班级信息科技教师在本学期所使用的教学模式信息。主要归纳出三种在数据中可观察其潜在影响的模式：教师主导的“演示跟练模式”、任务驱动的“探究实践模式”、以及结合了微课预习和实时支持的“混合引导模式”。将班级按照教师的主要教学模式归类后，比较这三类班级学生的关键宏观指标（如首次尝试错误率、解决错误的平均尝试次数等）是否存在显著差异，以初步探索教学模式与学生学习过程之间的关系。所有统计分析和数据可视化均采用专业数据分析软件完成，通过描述性统计、方差分析、相关分析等方法，揭示数据中隐藏的模式与关系。研究结果与讨论通过对一学期编程平台后台数据的深度挖掘与分析，本研究获得了关于小学生图形化编程错误模式与特征的丰富发现，以下将从错误分布、错误与任务及学习行为的关系、以及教学实践关联三个方面展开详细论述。一、编程错误的宏观分布与高频类型在所有七十四万一千余次的程序运行尝试中，平台记录到的错误提示超过十二万次，总体错误发生率为约百分之十六点二。这意味着，学生平均每运行六到七次程序，就有一次会遇到某种错误提示。这个数字本身揭示了编程学习中试误和调整的常态性。错误类型的分布呈现出高度集中的特点。按发生频率排序，前三位的错误类型分别是：“参数设计不当”（占总错误数的百分之三十四点五）、“逻辑顺序错乱”（占总错误数的百分之二十三点五）、“条件判断逻辑错误”（占总错误数的百分之十五点八）。这三者合计占比超过百分之七十三，构成了小学生编程错误的主体。具体分析来看，参数设计不当涵盖了大量情况，例如将重复循环的次数误设为零或过大，导致程序无响应或无法结束；为角色移动设置的距离值不合理，使其瞬间飞出可视区；为“说话”积木设置的展示时间为负值等。逻辑顺序错乱则广泛存在于需要一系列动作严格按序执行的任务中，学生常因对任务描述中的时间先后关系理解不深或将积木拖拽顺序错配，而导致动作效果颠倒。条件判断逻辑错误则主要出现在需要使用“如果-那么”或“如果-那么-否则”以及循环中的条件判断环节，学生常混淆“碰到颜色”与“碰到角色”，或者误用逻辑运算符。语法结构错误（积木拼接不合法）占比仅为百分之八点七，远低于参数和逻辑错误。这有力地证明了图形化编程环境在降低语法门槛方面的成功，使得学生的认知负荷能够更多地分配到算法设计和逻辑构建上，而错误也自然集中在了这些更体现计算思维的“深层”领域。事件响应错误、资源引用错误、变量错误等占比相对较低，但也各自揭示了一些特定学习难点，如对事件驱动机制的理解、对资源统一命名管理的重要性认识、对变量作为数据存储单元的理解等。二、错误率与任务复杂度的关系及学习过程特征对十五个教学任务的错误率（平均每运行一次出现错误的概率）进行分析，发现错误率与任务设计复杂度呈现显著的正相关关系。最简单的“直线运动”任务，错误率仅为百分之五点三；当任务引入重复循环时，错误率跃升至百分之十九点五；当任务涉及条件判断（如“碰到边缘反弹”）时，错误率升至百分之二十六点一；当任务要求结合循环、条件和变量进行交互设计（如一个可以通过按键控制角色跳跃躲避障碍的游戏关卡）时，错误率达到本学期峰值，为百分之四十七点八。这种阶梯式的错误率提升，直观地反映了引入新概念、增加复杂性对学生程序设计和调试能力带来的挑战。进一步分析“双层循环嵌套”的任务发现，此处的“参数设计不当”和“逻辑顺序错乱”错误尤为突出。例如，控制内外循环变量的初始值和增长步长设置错误，导致内循环执行次数远超预期；或者将应该在内外循环中分别执行的指令放错了位置。这类任务不仅是本学期错误率的最高点，也是学生个体间差异的放大镜，部分学生在此类任务上反复调试数十次才最终成功。在纠错过程方面，数据分析发现，学生在面对不同错误类型时的纠错能力和效率存在差异。对于“语法结构错误”和“资源引用错误”，系统通常有明确提示，学生平均只需要一到二次尝试即可自行纠正。然而，对于占主体的“参数设计不当”、“逻辑顺序错乱”和“条件判断逻辑错误”，系统往往仅标示运行结果与预期不符，并不提供具体修改方向。学生面对这些错误时，平均需要四到七次尝试才能找到正确的解决方案，且过程中常伴随试误性修改，例如反复调整数字、变换积木顺序、尝试不同条件组合等。对编辑历史的序列分析显示，一部分学生表现出“系统性调试”的倾向，他们会有计划地修改某个变量或某段积木，并观察效果的变化；而另一部分学生则表现出更随机的“试误”行为。前者在解决复杂错误时所需的平均尝试次数显著少于后者，这提示了在教学中有意识培养学生的系统性调试策略（如隔离问题、打印中间状态、假设验证）的价值。三、不同教学方法模式下学生学习表现的初步比较通过问卷分析，本研究将六个学校的二十一个教学班级主要归类为三种教学模式：模式一为“演示跟练模式”，教师先详细演示完整代码，学生基本照搬练习，共涉及八个班级；模式二为“探究实践模式”，教师仅讲解核心概念与任务要求，提供必要资源，学生大部分时间自主尝试完成，教师巡回辅导，共涉及七个班级；模式三为“混合引导模式”，结合了课前微课预习核心概念、课中提供阶段性挑战任务、平台提供实时可视化调试工具（如角色移动轨迹高亮、变量值动态显示），教师主要作为引导者和答疑者，共涉及六个班级。对比这三类班级学生的汇总数据发现，在“首次尝试错误率”（即学生完成新任务首次运行程序时就遇到错误的概率）指标上，模式一班级最低，模式三次之，模式二最高。这与直觉相符：直接跟练降低了学生自己犯错的初始机会。然而，在更具教学意义的指标上，情况则不同。在“平均纠错尝试次数”（反映学生独立解决问题的韧性或困难程度）和“同一错误类型的复现率”（即学生在一个任务中多次犯下同类错误的倾向）上，模式一的班级表现最差，其学生平均需要更多尝试来纠正错误，并且在任务中后期更容易反复陷入同类错误。而模式三的班级在这两个指标上表现最优，其学生平均纠错效率最高，且较少反复跌倒在同一类错误上。模式二班级则介于两者之间，但在“探究实践模式”班级中，学生最终完成任务的原创性和多样性表现最好。这一比较结果提示，单纯降低初始错误的演示跟练，可能并未有效训练学生的独立调试和深度理解能力，学生在遇到新问题时仍然容易犯错且难以自我纠正。而综合了预习概念、结构化探索支持和可视化调试工具的“混合引导模式”，可能更有助于学生在适当的挑战下，发展起更扎实的编程概念理解和有效的自主问题解决能力。值得注意的是，本研究观察到的方法模式差异是基于班级层面的分组比较，未控制其他变量，其解释应谨慎，但这一发现为后续开展更严谨的教学实验提供了有价值的假设基础和方向。综合讨论，本研究的发现为我们理解小学生的编程学习“痛点”提供了精细化的数据图景。错误主要集中在参数和逻辑层面，这明确指向了教学应加强的环节。仅仅讲解积木功能是不够的，更重要的是引导学生理解参数如何影响行为，程序执行的顺序逻辑如何决定最终结果。任务难度显著影响错误率，提醒我们任务设计需要精心考虑脚手架和支持，特别是在引入复杂概念（如嵌套循环）时，可以尝试将其分解为更小的步骤，并提供中间的检验点。后台数据揭示的复杂错误调试过程的困难，论证了教授系统性调试策略的重要性，这应成为信息科技课核心技能培养的一部分。不同教学方法下学习过程数据的初步比较，印证了教学法需要从“知识传递”向“思维发展和能力培养”转变的趋势，强调了为学生提供适度挑战、优质支架和及时反馈的学习环境设计的重要性。结论与展望本研究通过系统分析二零二四年小学五年级学生在一个学期内图形化编程平台的后台数据，对小学生代码编写错误的发生情况、类型分布、与任务难度的关联、以及学生纠错行为特征等进行了量化实证研究，主要得出以下结论：第一，小学高年级学生在图形化编程学习中，最频发的错误类型并非语法问题，而是集中在反映计算思维核心的“参数设计不当”与“逻辑顺序错乱”上，两者合计占比超过百分之五十八。这表明图形化编程环境有效屏蔽了低级语法障碍，但学生认知的挑战更多在于对程序执行流程的精确控制和合理配置。对于“条件判断逻辑错误”等较深层的思维错误，其占比随着学习深入而增加，成为高年级学习的进阶挑战。第二，编程错误的发生率与任务复杂度显著正相关，呈现清晰的阶梯状上升趋势。尤其当学习内容涉及多层控制结构嵌套（如双重循环）和多概念综合运用时，错误率急剧升高。这一方面揭示了教学中的“难点”所在，另一方面也提示任务设计应具有科学合理的梯度，并给予学生充分的探索、试误和概念整合的时间。第三，学生在不同类型错误上的纠错效率存在差异。对于系统能提供清晰反馈的错误（如语法、资源引用），学生能较快自我修正；但对于占主体的逻辑和参数类错误，由于缺乏明确指导，学生常需进行多次试误性尝试，纠错过程更具挑战性。后台过程数据显示，具备系统性调试策略的学生表现更优，突显了在教学中有意识培养元认知和问题解决策略的重要性。第四，对不同教学方法模式班级的初步比较分析显示，单纯的教师演示跟练模式可能在降低学生初次尝试错误率上有短期效果，但在培养学生自主调试能力和深层理解方面的效果可能有限。而结合了结构化探索支架、可视化调试工具和概念预习的“混合引导模式”，可能与更高效的纠错过程和更深层的学习投入相关。这一发现虽然需要更严格的实验设计来验证，但为优化编程教学实践提供了有价值的思考方向。基于以上结