Designing learning-oriented AI-powered coding assistants: Challenges and Opportunities
Author
Gran, Sofia
Term
4. term
Education
Publication year
2026
Pages
20
Abstract
Large language models are increasingly used as programming assistants, giving students quick access to code generation, debugging help, and explanations. This convenience can lead to overreliance, passive engagement, and fewer chances to build real programming understanding. This thesis examines how students use AI coding assistants to solve tasks and how interaction design can encourage more learning-oriented use. I present PlugNLearn, an AI assistant built into the code editor (IDE) that supports active engagement through learning-oriented “soft friction” — small, intentional steps and prompts that invite students to think, explain, and check code before accepting answers. PlugNLearn was evaluated in an exploratory mixed-method, within-subject lab study with 11 students, who solved programming exercises using both PlugNLearn and a baseline assistant. Findings show that students often used AI to make fast progress and to seek complete solutions, including direct solution requests, copy-paste behavior, and copy–test–repair cycles. PlugNLearn was often seen as more focused on understanding and preferred in educational situations. However, its learning-oriented prompts were sometimes bypassed, rushed, or repurposed when participants wanted quick answers. The study also found that students inclined toward learning-oriented behaviors did so regardless of the tool, and that awareness and encouragement do not necessarily translate into behavior change. This thesis contributes an exploratory study of students’ problem-solving with AI coding assistants, the design and evaluation of PlugNLearn, and design implications for learning-oriented AI coding assistants.
Store sprogmodeller bruges i stigende grad som programmeringsassistenter, så studerende hurtigt kan få hjælp til at generere kode, finde fejl og få forklaringer. Denne bekvemmelighed kan dog føre til afhængighed, passiv deltagelse og færre muligheder for at opbygge egentlig forståelse af programmering. Afhandlingen undersøger, hvordan studerende bruger AI-kodeassistenter til at løse opgaver, og hvordan interaktionsdesign kan fremme mere læringsorienteret brug. Jeg præsenterer PlugNLearn, en AI-assistent integreret i et udviklingsmiljø (IDE), som støtter aktivt engagement gennem læringsorienteret “blid friktion” – små bevidst indlagte trin og spørgsmål, der opmuntrer studerende til at tænke, forklare og vurdere kode, før de accepterer løsninger. PlugNLearn blev evalueret i et eksplorativt laboratoriestudie med blandede metoder (mixed-method) og inden-for-person design, hvor 11 studerende løste programmeringsopgaver med både PlugNLearn og en baseline-assistent. Resultaterne viser, at studerende ofte brugte AI for at komme hurtigt frem og for at finde færdige løsninger, herunder direkte løsningsforespørgsler, copy-paste-adfærd og “kopiér-test-reparér”-cyklusser. PlugNLearn blev ofte oplevet som mere forståelsesorienteret og foretrukket i undervisningssammenhænge. Samtidig blev den læringsorienterede opmuntring nogle gange omgået, hastet igennem eller brugt på en anden måde, når deltagerne ønskede hurtige svar. Fundene viser, at studerende med læringsorienteret adfærd gjorde det uanset hvilket værktøj de brugte, og at bevidsthed og opmuntring ikke nødvendigvis fører til ændringer i adfærd. Afhandlingen bidrager med en eksplorativ undersøgelse af studerendes problemløsning med AI-kodeassistenter, design og evaluering af PlugNLearn samt designimplikationer for læringsorienterede AI-kodeassistenter.
[This apstract has been rewritten with the help of AI based on the project's original abstract]