Untersuchung des Informationssuchverhaltens von Studierenden bei Programmieraufgaben mittels eines logging-fähigen Browsers

Beim Erlernen von Programmierkonzepten greifen Studierende häufig auf Online-Ressourcen zurück. Dabei entstehen individuelle Suchstrategien, die Rückschlüsse auf den Lernprozess, den Umgang mit Problemen und das Vorwissen zulassen. Bisher gibt es kaum systematische und automatisierte Erhebungen, die das reale Informationssuchverhalten beim Programmieren in einem natürlichen Kontext erfassen. Mit Hilfe eines speziell entwickelten Browsers soll dieses Verhalten im Rahmen einer Studie automatisch aufgezeichnet und analysiert werden. Ziel ist es, mögliche Unterschiede im Suchverhalten (z. B. zwischen Erfahrungsstufen, Altersgruppen oder Aufgabentypen) sichtbar zu machen

Ziel ist die Entwicklung und der Einsatz eines Electron-basierten Browsers mit integrierter Logging-Funktion. Der Browser wird von Studierenden in einer realitätsnahen Programmieraufgabe verwendet, wobei ihr Suchverhalten (besuchte Webseiten, Suchbegriffe, Interaktionen) automatisch erfasst und analysiert wird. Die gewonnenen Daten sollen Aufschluss über typische Suchmuster, Probleme und Unterschiede zwischen Nutzergruppen geben.

• Entwicklung eines benutzerfreundlichen Electron-Browsers mit:
  • Login-Funktion (Nutzeridentifikation über vordefinierte Accounts)
  • Logging von URLs, Suchanfragen, Maus- und Tastatureingaben
  • Anonymisierung durch zufällige User-IDs
• Aufbau eines Logging-Servers (Node.js + Express)
• Anbindung an eine PostgreSQL-Datenbank (Docker-basiert)
• Technische Dokumentation und README für die Nutzung durch Studierende
• Durchführung einer Erhebungsphase mit Studierenden
• Analyse des Informationssuchverhaltens anhand der geloggten Daten
• Auswertung und Interpretation der Unterschiede im Verhalten

• Grundkenntnisse in Webentwicklung (HTML, JavaScript)
• Interesse an UX-Forschung und empirischer Datenauswertung

• Ouh, E. L., Gan, B. K. S., Shim, K. J., & Wlodkowski, S. (2023). ChatGPT, Can You Generate Solutions for my Coding Exercises? arXiv. https://arxiv.org/abs/2305.13680
• Kiesler, N., & Schiffner, D. (2023). Large Language Models in Introductory Programming Education: ChatGPT's Performance and Implications for Assessments. arXiv. https://arxiv.org/abs/2308.08572
• Zhang, Z., Dong, Z., Shi, Y., Matsuda, N., Price, T., & Xu, D. (2023). Students' Perceptions and Preferences of Generative Artificial Intelligence Feedback for Programming. arXiv. https://arxiv.org/abs/2312.11567
• Garrel, J., Mayer, J., & Mühlfeld, M. (2023). Künstliche Intelligenz im Studium – Eine quantitative Befragung von Studierenden zur Nutzung von ChatGPT & Co. Pädagogische Hochschule Karlsruhe. (Link)