TPACK引导下将AI整合进软件工程教育中的需求质量学习

一项实证研究（N=100，分析72份提交）在硕士级软件工程需求工程作业中，依据TPACK框架整合多代理AI工具用于需求质量分析。结果显示学生选择性使用AI，主要支持分析与评估而非自动化；结构化任务设计提升了价值表述和可测试性等质量维度的对齐，可协商性则效果不一。学生报告有条件信任、主动改进和质量标准意识增强，但也遇到中等可用性挑战。

此前缺乏在教学法指导下将生成式AI整合进需求工程教育的系统性实证。该研究首次提供基于TPACK框架的整合设计证据，表明结构化脚手架能引导AI使用指向学习目标，而非简单自动化，为教育者和工具设计者提供了可借鉴的负责任整合路径。

TPACK框架将技术知识、教学知识与内容知识融合。通过结构化作业设计，将AI工具的交互锚定在具体质量维度（如价值表述、可测试性）上，促使学生将AI作为分析辅助而非自动取代，从而提升对质量标准的概念理解，同时暴露AI的局限，形成条件性信任与主动修正行为。

对教育产品与AI工具设计有直接影响：需支持可配置的任务脚手架与质量维度映射，以匹配教学法；工具应突出分析与评估辅助功能，而非纯自动化；需优化可用性以减少中等挑战；可扩展至企业培训场景，用于需求质量审查流程的人机协作设计。

• 开发面向教育场景的AI需求分析工具，内置质量维度筛选与反馈机制，支持TPACK式作业编排。
• 提供可配置的任务模板，将AI交互限定在分析与评估环节，避免自动化替代，并记录学生使用模式。
• 集成质量维度可解释性报告，帮助学生理解AI建议的原理，并支持可协商性等模糊维度的多人讨论。

• TPACK整合在不同教育层级（本科、在职培训）的效果是否一致？
• AI工具对学习结果（如长期技能保持）的量化影响尚未被检验。
• 可协商性维度效果不一的原因及改进策略未被探讨。