致第二、第三作者：这一页只讲三件事——你要做什么、怎么做、做完给谁。读完大约 5 分钟。任何一段有问题，直接点该段右上角的「+」批注，我会回复（绿色标记的就是我）。
在编码平台上，对 30 份学生与 AI 的对话记录（共 958 轮）和 23 份学习反思逐轮/逐篇打标签，编完导出 CSV 发给我。我负责合并两人的编码、算一致性（Cohen's kappa）、组织分歧协商。
研究问题：Vibe Coding（AI 辅助编程）单次教学中，学生的自我效能感与元认知意识是否出现「分离」——表面上有信心完成任务，深层理解和独立能力却没有同步发展。
核心指标：分离指数 = ΔSE − ΔMeta（自我效能变化减去元认知变化）。指数越高，「虚高」风险越大。按此把学生分为虚高型 / 潜力型 / 协同型等路径。
理论框架：自我调节学习（Zimmerman）+ 元认知理论（Flavell）+ 自我效能来源（Bandura）。方法上参照 Smith 等人（2025，Computers and Composition）的多模态编码流程：开放编码 → 轴心编码 → 选择性编码。
你在其中的位置：你做的逐轮标签就是「开放编码」的产出。两轮标签汇总后，我们一起做轴心编码（聚类）和选择性编码（提炼主题）。
| 数据源 | N | 状态 |
|---|---|---|
| 课前问卷 | 27 人 | 量化分析已完成 |
| 课后问卷 | 31 人 | 量化分析已完成 |
| 前后测配对样本 | 28 人 | 量化分析已完成（见下表） |
| AI 对话记录 | 30 份 · 958 轮 · 348 张截图 | 已脱敏（S 编号），待编码 ← 在编码平台 |
| 学习反思记录 | 23 份 | 已脱敏，待编码 ← 在编码平台 |
对话平台分布：豆包 19 份、Kimi 6 份、DeepSeek 4 份、通义千问 1 份。对话中 AI 的长回复已做概述压缩（保留要点），学生的发言和截图描述是完整原文——编码时以学生原文为主。
| 数据点 | 数值 | 含义 |
|---|---|---|
| 配对样本量 | N = 28 | 前后测可匹配学生 |
| 前后测 SE 变化 | +0.06 (p = .477) | 自我效能感微升，不显著 |
| 前后测 Meta 变化 | −0.09 (p = .475) | 元认知意识微降，不显著 |
| 分离指数均值 | +0.157 | SE 提升超过元认知的净效应 |
| 虚高风险比例 | 42.9%（12/28） | SE 提升 > 元认知提升 |
| 潜力型比例 | 32.1%（9/28） | 元认知提升 > SE 提升 |
| 协同型比例 | 25.0%（7/28） | 两者同步 |
| 「成功归功于 AI」≥ 同意 | 61.3%（19/31） | 归因于 AI 而非自身 |
| 无 AI 独立信心 ≤ 一般 | 82.1%（23/28） | 独立信心不足 |
| 反思中「还需 AI 辅助」 | 82.6%（19/23） | 质性数据印证 |
| 主动截图求助 | 95.7%（22/23） | 截图是核心求助方式 |
读法：三个维度前后测变化都不显著，但方向性信息很关键——信心涨、元认知不涨、归因给 AI、离开 AI 没信心。你的编码工作就是为这组数字找过程证据：分离到底发生在对话的哪些环节。
| 阶段 | 内容 | 目的 |
|---|---|---|
| 第 1 周 | 两人各独立编码相同 5 份对话，然后开一次短会 | 统一对标签定义的理解，改编码手册 |
| 第 2–3 周 | 对话记录两人全部独立编码（用于信度检验）；23 份反思两人平分 | 保证 kappa 可算，工作量可控 |
| 第 4 周 | 导出 CSV 给我 → 我算 Cohen's kappa（目标 ≥ 0.70）→ 分歧条目三人逐条协商 | 形成最终编码数据集 |
如果 958 轮全量双编压力太大，备选方案：对话至少重叠编码 10 份（约 1/3）算信度，其余平分。开工前我们定一版。
本页最后更新：2026-07-27。数据规模以编码平台实际载入为准。
你的姓名将随每条批注展示给作者与其他批注人。