ProPACT: A Proactive AI-Driven Adaptive Collaborative Tutor for Pair Programming

📄 arXiv: 2605.02703v1 📥 PDF

作者: Anahita Golrang, Kshitij Sharma, olga viberg

分类: cs.HC, cs.AI, cs.LG

发布日期: 2026-05-04

💡 一句话要点

ProPACT：用于结对编程的主动式AI驱动自适应协作辅导系统

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 结对编程 自适应学习 协作辅导 人工智能 多模态学习 联合视觉注意力 XGBoost

📋 核心要点

  1. 现有自适应学习系统在结对编程中缺乏对协作过程的关注，多为个体中心和被动响应。
  2. ProPACT通过预测协作状态，主动提供个性化支持，将协作本身作为学习目标。
  3. 实验表明，ProPACT显著提升了调试效率、任务成功率以及协作过程中的注意力与努力程度。

📝 摘要（中文）

有效的结对编程依赖于注意力协调、认知努力以及随时间的联合调节，但大多数自适应学习系统仍然以个体为中心且是被动的。本文介绍了一种主动式AI驱动的自适应协作辅导系统ProPACT，它将协作本身视为教学对象。ProPACT构建了一个基于联合视觉注意力(JVA)、联合心理努力(JME)和个体心理努力的多模态二元学习者模型，并采用基于XGBoost的预测模型来提前30秒预测新兴的次优协作状态。这些预测驱动着一个分层自适应策略，该策略在高效协作期间提供最小程度的介入式支架并逐渐减少支持。一项包含26个结对编程二元组的受试者内研究表明，主动反馈显著提高了调试成功率、任务效率、反馈吸收以及干预后JVA和JME的提升，证明了预测驱动的二元自适应在实时协作学习调节中的潜力。

🔬 方法详解

问题定义：现有的自适应学习系统在结对编程场景中，主要关注个体学习者的表现，忽略了结对编程中协作过程的重要性。这些系统通常是被动响应式的，即只有在学习者遇到困难时才提供帮助，缺乏对未来协作状态的预测和主动干预。因此，如何设计一个能够主动预测并优化结对编程协作过程的自适应系统是一个挑战。

核心思路：ProPACT的核心思路是将协作本身作为学习目标，通过构建多模态二元学习者模型来理解和预测协作状态。该模型融合了联合视觉注意力(JVA)、联合心理努力(JME)和个体心理努力等多种信息，从而更全面地刻画协作过程。基于预测结果，ProPACT采用分层自适应策略，在协作出现问题之前主动提供支持，并在协作顺利进行时逐渐减少干预，以实现最佳的学习效果。

技术框架：ProPACT的整体框架包含以下几个主要模块：1) 多模态数据采集模块：收集结对编程过程中的视觉注意力、生理信号等数据。2) 二元学习者模型构建模块：基于收集到的数据，构建JVA、JME和个体心理努力等特征，形成多模态二元学习者模型。3) 协作状态预测模块：使用XGBoost模型，基于历史数据预测未来30秒内的协作状态，例如是否会出现沟通障碍、注意力分散等问题。4) 分层自适应策略模块：根据预测结果，采用分层策略选择合适的干预措施，例如提供提示、鼓励沟通等。5) 反馈模块：将干预措施传递给学习者，并监测学习者的反应，用于后续模型的优化。

关键创新：ProPACT的关键创新在于其主动性和协作性。与传统的被动式自适应系统不同，ProPACT能够提前预测协作状态，并主动提供支持，从而避免问题发生。此外，ProPACT将协作本身作为学习目标，关注学习者之间的互动和协作过程，而不仅仅是个体的表现。这种以协作为中心的自适应方法更符合结对编程的本质。

关键设计：ProPACT的关键设计包括：1) JVA和JME的计算方法：论文可能详细描述了如何从原始数据中提取JVA和JME特征，例如使用眼动追踪数据计算注意力共享程度，使用生理信号数据估计心理负荷。2) XGBoost模型的训练和优化：论文可能介绍了XGBoost模型的具体参数设置、特征选择方法以及如何使用历史数据训练模型，以提高预测准确率。3) 分层自适应策略的设计：论文可能详细描述了如何根据预测结果选择合适的干预措施，以及如何根据学习者的反应调整干预策略。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，ProPACT显著提高了结对编程的调试成功率和任务效率。与没有主动反馈的对照组相比，使用ProPACT的二元组在调试成功率上提高了显著水平（具体数值未知），任务完成时间缩短了显著水平（具体数值未知）。此外，ProPACT还提高了学习者对反馈的吸收程度，并在干预后显著提升了JVA和JME。

🎯 应用场景

ProPACT可应用于各种需要协作学习的场景，例如在线编程教育、团队项目协作等。通过实时监测和干预协作过程，ProPACT可以提高学习效率、改善团队合作氛围，并培养学生的协作能力。未来，该技术还可以扩展到其他领域，例如远程医疗、协同设计等，以支持更高效的远程协作。

📄 摘要（原文）

Effective pair programming depends on coordination of attention, cognitive effort, and joint regulation over time, yet most adaptive learning systems remain individual-centric and reactive. This paper introduces ProPACT, a proactive AI-driven adaptive collaborative tutor that treats collaboration itself as the object of instruction. ProPACT constructs a multimodal dyadic learner model based on Joint Visual Attention (JVA), Joint Mental Effort (JME), and individual mental effort, and employs an XGBoost-based forecasting model to predict emerging suboptimal collaboration states up to 30 seconds in advance. These predictions drive a hierarchical adaptive policy that delivers minimally intrusive scaffolds while fading support during productive collaboration. A within-subject study with 26 pair-programming dyads shows that proactive feedback significantly improves debugging success, task efficiency, feedback uptake, and post-intervention gains in JVA and JME, demonstrating the potential of forecast-driven dyadic adaptivity for real-time collaborative learning regulation.