发表机构
University of Houston; Aalto University（休斯顿大学; 阿尔托大学）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
本文介绍 Parsons 问题工具 Pulla，通过捕获细粒度交互数据来揭示学生解题过程中的困难模式，并在两所大学课程中部署验证，为教师提供干预决策依据。
AI 中文摘要
现有的 Parsons 问题工具主要关注正确性，即表明学生是否解决了问题，但对潜在的问题求解过程的可见性有限。我们通过引入 Pulla 来解决这一差距，Pulla 是一种 Parsons 问题工具，它通过插桩编程作业来捕获细粒度的交互数据。这些行为轨迹使系统能够浮现出反复出现的困难模式，为教师提供可操作的见解，以指导有针对性的干预决策。本文描述了我们在开发和部署 Pulla 过程中的经验。我们在两所大学的课程中部署了该工具：休斯顿大学（美国）的一门高年级软件设计课程和阿尔托大学（芬兰）的一门入门编程课程。通过分析收集到的数据，我们识别出了常见的困难模式，包括错误识别异常类型、混淆 return 与 throw/raise 机制，以及控制流排序错误。
英文摘要
Existing Parsons problem tools primarily focus on correctness, indicating whether a student solved a problem, but providing limited visibility into the underlying problem-solving process. We address this gap by introducing Pulla, a Parsons problem tool that instruments programming assignments to capture fine-grained interaction data. These behavioral traces allow the system to surface recurring difficulty patterns, giving instructors actionable insights to inform targeted intervention decisions. This paper describes our experience in developing and deploying Pulla. We deployed the tool in two university courses: an upper-division software design course at the University of Houston (United States) and an introductory programming course at Aalto University (Finland). By analyzing the data collected, we identified common difficulty patterns, including misidentifying exception types, confusing return with the throw/raise mechanism, and incorrect control-flow ordering.
