Integrating AI into Requirements Quality Learning in Software Engineering Education: A TPACK-Guided Empirical Study
作者: Hansika Ekanayake Mudiyanselage, Rohan Jai Dharmaraj, Malik Abdul Sami, Zheying Zhang
分类: cs.SE, cs.AI
发布日期: 2026-07-30
备注: 11 pages, 6 figures, 3 tables, presented in the 38th CSEE&T in Florence, Italy, from July 20-22, 2026
💡 一句话要点
提出TPACK指导的多代理AI工具以提升软件工程教育中的需求质量学习
🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 软件工程教育 人工智能整合 需求工程 TPACK框架 多代理AI工具 需求质量分析 教育学指导
📋 核心要点
- 现有软件工程教育中，AI整合缺乏系统的教育学指导，尤其是在需求工程领域。
- 本研究提出了TPACK框架，结合多代理AI工具，旨在提升学生对需求质量分析的理解与应用。
- 实验结果显示，学生对AI工具的使用主要集中在分析与评估上，结构性需求质量维度的对齐显著改善。
📝 摘要（中文）
随着生成性人工智能在软件工程实践中的快速应用，迫切需要在软件工程教育中采用基于教育学的AI整合方法，尤其是在需求工程等概念密集的学科中。本研究考察了TPACK指导下将多代理AI工具整合到硕士级需求质量分析作业中的效果。通过混合方法设计（N=100；分析72份提交），我们研究了结构化作业设计如何塑造学生对AI的使用，影响他们对用户故事质量标准的理解，并影响他们对AI优缺点的看法。结果显示，学生主要将AI工具作为分析和评估的支持，而非自动化工具。对结构性具体的需求质量维度（如价值表述和可测试性）的对齐改善最为明显，而可协商性则表现出混合效果。学生报告了有条件的信任、积极的改进和对质量标准的增强意识，同时也面临适度的可用性挑战。研究结果表明，TPACK指导的支架可以将AI的优势与教育目标和需求工程内容对齐，为需求工程教育中负责任的AI整合提供设计指导。
🔬 方法详解
问题定义：本研究旨在解决软件工程教育中AI整合缺乏教育学支持的问题，尤其是在需求工程课程中，学生对需求质量标准的理解不足。
核心思路：通过TPACK框架指导，将多代理AI工具整合到需求质量分析作业中，帮助学生更好地理解和应用需求质量标准。
技术框架：研究采用混合方法设计，首先设计结构化作业，然后分析学生提交的作业，评估AI工具的使用情况及其对学生理解的影响。
关键创新：本研究的创新在于将TPACK框架与多代理AI工具结合，提供了一种新的教育方法，能够有效对齐AI的优势与教育目标。
关键设计：在作业设计中，重点关注需求质量的具体维度，如价值表述和可测试性，同时考虑学生对AI工具的使用方式和反馈。实验中使用了定量与定性分析相结合的方法，确保结果的全面性。
🖼️ 关键图片
📊 实验亮点
实验结果显示，学生对AI工具的使用主要集中在分析和评估上，而非完全自动化。对结构性具体的需求质量维度（如价值表述和可测试性）的对齐改善显著，学生的质量标准意识和信任度也有所提升，尽管面临一定的可用性挑战。
🎯 应用场景
该研究的潜在应用领域包括软件工程教育、在线学习平台以及AI工具的开发与应用。通过提供有效的AI整合策略，能够提升学生的学习体验和需求分析能力，促进教育质量的提升。未来，该方法可能影响其他技术密集型学科的教学设计。
📄 摘要（原文）
The rapid adoption of generative Artificial Intelligence (AI) in software engineering (SE) practice creates a need for pedagogically grounded approaches to AI integration in SE education, especially in conceptually intensive subjects such as requirements engineering (RE). This study examines a TPACK-guided integration of a multi-agent AI tool into a master-level RE assignment on requirements quality analysis. Using a mixed-methods design (N=100; 72 submissions analysed), we examine how structured assignment design shaped students' AI use, affected their understanding of user story quality criteria, and influenced their perceptions of AI's benefits and limitations. Results show that students used the AI tool selectively, mainly as support for analysis and evaluation rather than automation. Alignment improvements were most evident for structurally concrete requirements quality dimensions, such as value articulation and testability, while negotiability showed mixed effects. Students reported conditional trust, active refinement, and increased awareness of quality criteria, alongside moderate usability challenges. The findings show that TPACK-guided scaffolding can align AI affordances with pedagogical goals and RE content, offering design guidance for responsible AI integration in RE education.