Integrating AI into Requirements Quality Learning in Software Engineering Education: A TPACK-Guided Empirical Study
一项针对硕士级需求工程作业的实证研究（N=100，分析72份提交）考察了TPACK引导的多智能体AI工具集成。结果显示学生主要将AI用于分析与评估而非自动化，在价值表达和可测试性等结构性需求质量维度上改进最明显，而可协商性效果不一。学生报告了条件性信任、主动优化和对质量标准的认知提升，同时存在中等可用性挑战。
发展脉络
- 首次出现Integrating AI into Requirements Quality Learning in Software Engineering Education: A TPACK-Guided Empirical StudyarXiv cs.AI
- 当前判断该研究为AI在软件工程教育中的整合提供了实证案例，表明TPACK框架可有效引导AI工具的使用，使其辅助而非替代学习。对行业而言，这意味着AI工具在需求工程等复杂任务中的采用需要结构化设计，以最大化其价值。企业可借鉴此方法，在内部培训中引入AI工具时，设计明确的任务边界和评估标准，以提升工程师的接受度和使用效果。Agent Pulse · 分析
该研究在硕士级需求工程课程中，基于TPACK框架将多智能体AI工具集成到需求质量分析作业中。通过混合方法设计（N=100，分析72份提交），研究发现学生选择性使用AI，主要作为分析与评估的辅助，而非自动化工具。在价值表达和可测试性等结构性需求质量维度上，对齐改进最为明显，而可协商性维度效果不一。学生表现出条件性信任、主动优化行为，并增强了对质量标准的认知，同时报告了中等程度的可用性挑战。研究表明，TPACK引导的脚手架设计能够将AI的辅助能力与学生的学习目标对齐，为AI在软件工程教育中的整合提供了实证依据。
研究显示，多智能体AI工具在需求质量分析中的有效性因质量维度而异：结构性强的维度（如价值表达、可测试性）改进显著，而依赖协商的维度（如可协商性）效果不稳定。这提示AI辅助工具在结构化任务上更可靠，而在需要人类判断的模糊任务上需谨慎。未来可关注AI工具在需求工程中不同任务类型的适用边界，以及如何通过提示工程或工具设计增强其在非结构化任务上的表现。
该研究为AI在软件工程教育中的整合提供了实证案例，表明TPACK框架可有效引导AI工具的使用，使其辅助而非替代学习。对行业而言，这意味着AI工具在需求工程等复杂任务中的采用需要结构化设计，以最大化其价值。企业可借鉴此方法，在内部培训中引入AI工具时，设计明确的任务边界和评估标准，以提升工程师的接受度和使用效果。
该研究为教育机构和培训提供商提供了将AI集成到课程中的实证依据，有助于设计更有效的AI辅助学习环境。对软件工程团队而言，理解AI在需求分析中的优势与局限，可指导工具选型和工作流设计，提升需求质量分析的效率与准确性。企业可据此优化AI工具的部署策略，平衡自动化与人工判断，从而降低成本并提高交付质量。
未来可预期更多研究将探索AI工具在不同软件工程教育场景中的整合效果，特别是针对非结构化任务。同时，AI工具的设计可能更注重可解释性和用户控制，以增强信任。行业方面，AI辅助需求工程工具可能逐步融入开发流程，但需解决可用性和信任问题。可验证的下一信号包括：更多关于AI在需求工程中应用的实证研究，以及商业工具对可协商性等维度的改进。