💻 computer science

Teaching Prompt-Based Programming with LLMs: A 45-Minute Lesson with Guided Practice for End-User Programmers

Dit artikel presenteert een gerandomiseerd gecontroleerde studie die aantoont dat een korte, 45 minuten durende begeleide les over prompt-gebaseerd programmeren het zelfeffectiefiteitsgevoel van ingenieurstudenten significant verbetert en een bescheiden, zij het niet statistisch significante, verbetering laat zien in hun vermogen om computationele doelen te specificeren voor grote taalmodellen vergeleken met traditionele activiteiten gericht op het traceren van code.

Oorspronkelijke auteurs: Keith Tran, Samiha Marwan, Thomas Price

Gepubliceerd 2026-06-30

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Keith Tran, Samiha Marwan, Thomas Price

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een zeer getalenteerde, maar enigszins letterlijke robotassistent hebt. Je wilt dat de robot een taart bakt, maar in plaats van een recept te geven, moet je precies in gewone mensentaal beschrijven wat je wilt. Als je zegt: "Maak een taart," geeft de robot misschien een baksteen van meel. Maar als je zegt: "Meng twee koppen meel, drie eieren en bak op 350 graden gedurende 30 minuten," krijg je een taart.

Dit is de kern van Prompt-Based Programming. In plaats van complexe computercode te schrijven (het "recept"), schrijf je instructies in natuurlijke taal (de "prompt") zodat een AI de code voor je schrijft.

Het artikel van Keith Tran, Samiha Marwan en Thomas Price stelt een eenvoudige vraag: Kunnen we mensen in slechts één lesperiode (45 minuten) leren hoe ze effectief met deze robotassistent kunnen praten?

Hier is een overzicht van hun studie met behulp van alledaagse analogieën:

Het Probleem: Het "Vage Bestelling"-probleem

Veel mensen, vooral zij die geen computerdeskundigen zijn, proberen AI te gebruiken om code te schrijven. Maar ze hebben vaak moeite om specifiek te zijn. Het is alsof je naar een restaurant gaat en zegt: "Ik wil iets lekkers," en vervolgens verbaasd bent wanneer de ober een salade brengt in plaats van een burger. De AI is niet kapot; de instructies waren gewoon te vaag.

Het Experiment: Een Race tussen Twee Lessen

De onderzoekers brachten 55 ingenieurstudenten samen (die zeer weinig programmeerervaring hadden) en verdeelden hen in twee groepen voor een sessie van 45 minuten.

Groep A (De experimentele groep): Leerden hoe ze met de AI moesten praten.
- De Les: Ze leerden een specifieke "template" voor het geven van opdrachten. In plaats van alleen "doe dit" te zeggen, leerden ze te zeggen: "Hier is de input (de ingrediënten), hier is de output (het voltooide gerecht), en hier is precies hoe je de ingrediënten verandert in het gerecht." Ze oefenden dit met drie verschillende taken.
- De Analogie: Ze leerden de kunst van het schrijven van een perfect receptenkaartje voor de robotkok.
Groep B (De controlegroep): Leerden code te lezen.
- De Les: Ze besteedden dezelfde 45 minuten aan het bekijken van bestaande code en het stap voor stap doorlopen ervan om te zien wat het doet. Dit is wat een normale computerles meestal doet.
- De Analogie: Ze leerden hoe ze een receptenkaartje moesten lezen dat iemand anders al had geschreven, maar ze leerden niet hoe ze hun eigen instructies voor de robot moesten schrijven.

De Test: De "Promptly" Uitdaging

Vóór en na de les namen beide groepen een test af. Ze kregen een puzzel (zoals "filter alle getallen eruit die groter zijn dan 10") en moesten een prompt schrijven voor een AI om dit op te lossen. Ze konden niet simpelweg de puzzelbeschrijving kopiëren; ze moesten dit vertalen naar een duidelijke instructie voor de AI.

De Resultaten: Zelfvertrouwen versus Vaardigheid

Dit is wat er gebeurde:

Zelfvertrouwen (Self-Efficacy): Groep A (de prompt-leraren) voelde zich veel zelfverzekerder in hun vermogen om met de AI te praten na de les. Hun zelfvertrouwen-score steeg aanzienlijk hoger dan die van Groep B. Het is alsof Groep A dacht: "Ik weet nu hoe ik in dit restaurant moet bestellen!"
Werkelijke Vaardigheid (Taakprestatie): Groep A werd inderdaad beter in het oplossen van de puzzels, maar de verbetering was klein en niet statistisch "bewezen" als een grote overwinning. Ze losten gemiddeld ongeveer 1 probleem meer op van de 8 vergeleken met Groep B.
- De Les: De les maakte hen het gevoel dat ze het konden, en ze werden iets beter, maar ze werden geen meesters in slechts 45 minuten. Het is alsof je de basis van het autorijden leert in één dag: je voelt je klaar om de auto te starten, maar je bent nog niet klaar voor een autorit door het hele land.

Waarom dit ertoe doet

De onderzoekers ontdekten dat een korte, gerichte les mensen kan helpen om beter te communiceren met AI (zogenaamde "end-user programmers": mensen die code nodig hebben om een specifiek probleem in hun werk op te lossen, maar geen professionele programmeurs willen worden).

Het Goede Nieuws: Je hebt geen heel semester nodig om de basis te leren over het praten met AI. Een enkele lesperiode kan het zelfvertrouwen een boost geven en een lichte voorsprong in prestaties bieden.
De Addenda: 45 minuten is niet genoeg om een expert te worden. Net zoals je niet in één uur een meesterkok kunt worden, kun je prompt engineering niet beheersen in één lesperiode. De studenten hadden meer oefening nodig om echt vloeiend te worden.

De Kernboodschap

Het artikel suggereert dat het onderwijzen van mensen hoe ze de AI om hulp kunnen vragen een waardevolle vaardigheid is die in een druk schema kan worden geperst. Het fungeert als een brug, die niet-programmeerders helpt om met AI-tools aan de slag te gaan. Echter, om echt goed te worden, heb je meer nodig dan alleen een snelle les; je hebt tijd nodig om te oefenen en fouten te maken.

Kortom: Het onderwijzen van mensen hoe ze duidelijke instructies voor AI moeten schrijven werkt goed genoeg om hen bekwaam te laten voelen en een klein beetje effectiever te maken, maar echte beheersing kost meer tijd dan een enkele lesperiode.

Technische Samenvatting: Het onderwijzen van Prompt-gebaseerd Programmeren met LLM's

Probleemstelling
De opkomst van Large Language Models (LLM's) heeft "prompt-gebaseerd programmeren" geïntroduceerd, een modaliteit waarbij gebruikers computationele doelen uitdrukken in natuurlijke taal in plaats van traditionele code te schrijven. Hoewel dit de drempel voor end-user programmeurs verlaagt (niet-CS-majoors of mensen die code gebruiken als middel tot een doel), elimineert het niet de noodzaak voor fundamentele computationele denkvaardigheden. Onderzoek wijst uit dat leerlingen, met name beginners, moeite hebben om hun intentie duidelijk aan LLM's te communiceren, waarbij ze vaak vage of ondergespecificeerde prompts produceren, een gebrek aan debugging-strategieën vertonen en technische vocabulaire verwarren met colloquiale termen. Er bestaat een kritieke kloof in het begrip van hoe expliciete instructie over prompting kan worden geïntegreerd in bestaande, tijdgebonden curricula. Specifiek is het onduidelijk hoeveel instructietijd vereist is om betekenende winst in prompting-vaardigheid en zelfeffectiviteit te boeken.

Methodologie
De auteurs voerden een gerandomiseerd gecontroleerd onderzoek (RCT) uit met 55 eerstejaars ingenieursstudenten aan een universiteit. De studie vergeleek een experimentele interventie van 45 minuten met een "business-as-usual" controlegroep van gelijke lengte.

Experimentele Conditie: Een les van 45 minuten over prompt-gebaseerd programmeren gekoppeld aan begeleide oefening. De les maakte gebruik van een "backward design"-aanpak, gericht op vijf leerdoelen afgeleid van het "Gulf of Envisioning"-framework: het specificeren van de functiestructuur, het beschrijven van datatransformatie (mapping, filtering, reducing), het uitdrukken van conditionele logica, het afhandelen van edge cases en het debuggen van mislukte prompts. Studenten werden onderwezen in een herbruikbare prompt-template en oefenden op drie Promptly-problemen (taken waarbij leerlingen het gedrag van functies moeten afleiden uit input/output-paren en een LLM moeten instrueren om deze op te lossen).
Controlegroep: Een les van 45 minuten over code-tracing (een standaard introductie CS-labactiviteit). Deze groep kreeg instructie over Python-syntax, control flow en code-tracing met behulp van Python Tutor, waarbij zij oefenden op drie equivalente problemen die gericht waren op het lezen en begrijpen van code in plaats van het schrijven van prompts.
Design: Beide groepen voltooiden pre- en post-tests bestaande uit 8 Promptly-problemen en enquêtes die de eerdere programmeerervaring en prompting-zelfeffectiviteit maten. De studie gebruikte lineaire mixed-effects modellen voor de analyse van de gegevens, waarbij rekening werd gehouden met herhaalde metingen en sessie-niveau clustering.

Belangrijkste Bijdragen

Een Lichtgewicht Interventie: De auteurs presenteren een publiek toegankelijk lesplan van 45 minuten met begeleide oefening, ontworpen om CS-specifieke prompting-strategieën te onderwijzen (bijv. gestructureerde templates, datatransformatiepatronen) zonder dat hiervoor een voorafgaande CS-achtergrond vereist is.
Empirisch Bewijs voor Korte Interventies: De studie levert gecontroleerde experimentele gegevens over de effectiviteit van een korte interventie. Het toont aan dat een enkele sessie van 45 minuten de zelfeffectiviteit bij prompting aanzienlijk kan verhogen en betekenende, zij het statistisch bescheiden, verbeteringen in taakprestaties kan bewerkstelligen vergeleken met standaard code-tracing activiteiten.

Resultaten

Taakprestaties (RQ1): De experimentele groep vertoonde grotere gemiddelde winsten in het oplossen van Promptly-problemen van pre- naar post-test vergeleken met de controlegroep (+10,8 procentpunt vs. +1,1 procentpunt). Dit verschil was echter niet statistisch significant op het niveau van $\alpha=0,05$ ( $p=0,056$ ). De effectgrootte was vergelijkbaar met de impact van één volledige standaarddeviatie van de eerdere programmeerervaring.
Prompting Zelfeffectiviteit (RQ2): De experimentele groep vertoonde een statistisch significante grotere toename in prompting-zelfeffectiviteit vergeleken met de controlegroep (+35,4 procentpunt vs. +21,9 procentpunt; $p=0,029$ ).
Voorspellers: Eerdere programmeerervaring was een significante voorspeller van de taakprestaties in beide condities.

Betekenis en Claims
Het artikel claimt dat een korte, gerichte interventie waarschijnlijk voldoende is om het vermogen van leerlingen te verbeteren om computationele doelen aan LLM's te specificeren en hun vertrouwen daarin aanzienlijk te vergroten. De auteurs positioneren prompt-gebaseerd programmeren niet als een vervanging voor traditionele instructie in coderen, maar als een complementair pad dat een meer toegankelijke instap kan bieden voor end-user programmeurs die geïntimideerd worden door syntax.

De auteurs behouden echter een bescheiden toon met betrekking tot de omvang van deze winsten. Zij erkennen dat hoewel de interventie betekenende verbeteringen teweegbracht, het effect op de taakprestaties klein was (minder dan één extra opgelost probleem gemiddeld), wat suggereert dat 45 minuten waarschijnlijk onvoldoende is voor leerlingen om vloeiendheid of meesterschap te bereiken. De resultaten wijzen erop dat prompting-vaardigheden meer tijd en oefening vereisen om volledig te worden ontwikkeld. De studie concludeert dat hoewel korte interventies zonder substantiële verstoring in bestaande cursussen kunnen worden geïntegreerd, verder onderzoek nodig is om te bepalen hoe deze winsten kunnen worden uitgebreid naar complexe, open eind, meerstaps programmeertaken.