2024 计算机科学学习曲线调查报告
2024 年，JetBrains Academy 对全球 23,991 名受访者进行了调查，其中包括大学生、在线学习者、自学爱好者、编码训练营毕业生、专业人士和转行者。
本报告以富有启发性的洞察为基础，在从形式和工具到动机、职业目标和挑战等方面探索了计算机科学教育的当前趋势。
无论您是教育工作者、研究人员、学习者、好奇的专业人士，还是支持孩子的家长，都请继续阅读吧！使用 #JetBrainsAcademySurvey24 分享您的想法并与计算机科学学习社区建立联系。
这是一份公开报告，内容仅可用于非商业用途。在此处了解完整详细信息。
分享：
在过去 12 个月内，您是否以任何形式学习过计算机科学？
是，自学
是，在正规教育机构
略多于一半的计算机科学学习者在正规教育机构学习，其中 54% 的正规学习者通过进一步自学扩大知识面。
完成正规教育的人拥有学士或更高学位。
完成的最高程度的正规教育
目前就读的正规教育机构
目前正在攻读的学位
主要学习领域（当前或过去）
计算机科学
软件工程
其他工程
艺术/人文
经济学
数学
生物学/化学
社会科学
物理学
其他
的计算机科学学习者拥有带薪 IT 工作经验，其中 89% 以此为主要收入来源。大多数受访者从事软件工程工作 (76%)，35% 担任中层职位。
当前工作角色100 多个
这个问题仅向回复将计算机科学工作作为主要收入来源的人显示。
技术行业的大多数职位仍然以男性为主，女性和非二元性别者的代表性明显较低。核心技术职位和领导职位（团队主管和高管）的性别多样性最低，男性占 88%–94%。
不过，某些职位的女性比例与行业平均水平相比相对较高：UX/UI 设计师 (16%)、QA/测试人员、业务分析师 (14%)、讲师 (13%) 和产品/营销经理 (12%)。在所有职位中，非二元性别者代表性仍然有限，其中技术布道师的比例最高，为 6%。
就业状况
资历级别
工资（年净收入，以美元计算，不包括奖金）
您是否有计算机科学/IT 领域以外的工作经验？
是，在从事计算机科学/IT 之前，我在其他领域工作/学习过
否，这是我唯一工作过的领域
18–29 岁的年轻受访者更倾向于直接从事技术工作，其中只有 9% 的 18–20 岁受访者和 24% 的 21–29 岁受访者有过其他领域的工作经验。不过，随着年龄的增长，职业转换变得越来越普遍，50% 的 30–39 岁受访者和 59% 的 60 岁以上受访者表示此前从事过技术领域以外的职业。
职业发展轨迹也存在明显的地区差异。在印度和中国，不转行者占大多数，反映出直接进入计算机科学领域的强劲趋势。相比之下，阿根廷和巴西的职业道路更为多样化，转行人数多于或几乎等于不转行人数。在欧洲、东南亚和北美等地区，转行者约占三分之一，反映出一种更为传统的入行模式。
您是否有计算机科学/IT 领域以外的工作经验？（按地区）
印度
中国
德国
土耳其
中东、非洲、中亚
东南亚其他地区和大洋洲
韩国
欧洲其他地区
法国
加拿大
先前的职业领域
受访者以开放式文本回答了这个问题。ChatGPT 用于自动分析回复并将其分类为主题集群。
这个问题仅向表示在转到计算机科学/IT 领域之前曾在其他领域工作或学习过的受访者显示。
在转入计算机科学的人群中，工程和技术领域占据首位，其次是金融和商业管理。教育、医疗和创意艺术也排名突出，表现出进入该领域的专业背景的多样性。
选择技术职业的原因100 多个
学习新的计算机科学主题的动机100 多个
虽然对计算机科学的强烈热情推动了大多数职业转型，但近一半的受访者强调，他们对解决问题和流程自动化的热爱是主要动机。有趣的是，薪资和远程工作机会的排名略低于创造性抱负，例如制作游戏或网站，表明该领域对受抱负和实际利益驱动的人同样具有吸引力。
学习新的计算机科学主题的动机（按地区）
| 我不想学习新的计算机科学主题 | 其他 | 完成特定任务 | 迁移到其他技术 | 出于兴趣 | 寻找新工作或转换角色 | 紧跟最新趋势 | 参与个人项目 | 在目前的岗位上发展 | |
|---|---|---|---|---|---|---|---|---|---|
| <1% | 2% | 18% | 16% | 43% | 52% | 49% | 56% | 68% | 东欧、巴尔干半岛和高加索地区 |
| <1% | 1% | 13% | 11% | 49% | 49% | 40% | 49% | 67% | 韩国 |
| <1% | 2% | 26% | 21% | 47% | 47% | 51% | 56% | 67% | 东南亚其他地区和大洋洲 |
| <1% | 2% | 27% | 19% | 79% | 34% | 48% | 60% | 66% | 德国 |
| – | 3% | 21% | 17% | 67% | 44% | 47% | 55% | 64% | 比荷卢和北欧 |
| 1% | 2% | 17% | 17% | 45% | 50% | 55% | 59% | 64% | 印度 |
| <1% | 1% | 22% | 26% | 23% | 45% | 55% | 49% | 64% | 尼日利亚 |
| <1% | 2% | 20% | 18% | 51% | 46% | 47% | 58% | 62% | 欧洲其他地区 |
| – | <1% | 23% | 17% | 67% | 43% | 47% | 44% | 62% | 中国 |
| – | 2% | 21% | 14% | 62% | 48% | 44% | 58% | 61% | 英国 |
| 1% | 2% | 22% | 16% | 58% | 54% | 45% | 65% | 61% | 美国 |
| 1% | 2% | 19% | 21% | 38% | 44% | 48% | 54% | 60% | 中东、非洲、中亚 |
| – | 3% | 13% | 18% | 58% | 50% | 54% | 51% | 60% | 西班牙 |
| 1% | 1% | 20% | 22% | 45% | 41% | 46% | 51% | 56% | 土耳其 |
| <1% | 2% | 25% | 13% | 56% | 59% | 45% | 62% | 56% | 加拿大 |
| 2% | 1% | 15% | 19% | 42% | 41% | 28% | 39% | 55% | 俄罗斯、白俄罗斯 |
| – | 3% | 16% | 21% | 52% | 64% | 42% | 57% | 54% | 巴西 |
| 1% | 1% | 24% | 23% | 73% | 38% | 39% | 58% | 54% | 法国 |
| 9% | 1% | 10% | 18% | 49% | 63% | 46% | 56% | 54% | 墨西哥 |
| <1% | 2% | 11% | 19% | 41% | 60% | 51% | 57% | 52% | 中南美洲 |
| 4% | <1% | 14% | 19% | 43% | 40% | 31% | 38% | 50% | 乌克兰 |
| 3% | 1% | 12% | 13% | 58% | 34% | 42% | 31% | 48% | 日本 |
| 1% | 2% | 9% | 17% | 52% | 63% | 44% | 47% | 42% | 阿根廷 |
在西欧和北美，学习者注重个人兴趣和创新的个人项目。相比之下，拉丁美洲学习者的主要动机是换工作的机会，这反映出该地区的就业市场具有流动性。亚洲的学习动机多种多样：韩国强调以职业为导向的增长，而日本则报告在各个学习维度上的参与度较低。与此同时，在印度和东南亚，学习者受到跟上潮流的需求驱动，这反映了他们快速增长的技术生态系统的活力。
期望工作角色100 多个
这个问题仅向表示“寻找新工作或转换角色”是学习计算机科学主题的动机之一的受访者显示。
开发者是 IT 领域的首选职业，这很可能是因为该职位范围广泛、需求量大且适用于各行各业，是职业转型的最佳选择，尤其是对于新进入领域的个人来说。还有大量人员转向以数据为中心的职业或 DevOps，显示出专业领域日益增长的吸引力。相比之下，QA 职位虽然适合入职，但缺乏人气和长期前景，在职业转型中不那么受欢迎。
的受访者表示曾经寻找过计算机科学/IT 领域的工作。
寻找计算机科学/IT 职位时的重要因素
| 不重要 | 比较不重要 | 比较重要 | 极其重要 | |
|---|---|---|---|---|
| 1% | 6% | 35% | 58% | 工作经验 |
| 1% | 13% | 51% | 35% | 熟悉最新的技术 |
| 2% | 16% | 51% | 32% | 软技能 |
| 4% | 17% | 47% | 31% | 实习与合作计划 |
| 6% | 26% | 44% | 25% | 关系和人际网 |
| 5% | 23% | 48% | 24% | 编外项目 |
| 7% | 26% | 49% | 18% | 大学文凭 |
| 6% | 31% | 47% | 16% | 同行推荐 |
| 9% | 31% | 46% | 14% | 行业证书 |
| 11% | 35% | 42% | 12% | 结业证书 |
报告显示，工作经验和最新的技术知识是找到工作的关键，但软技能同样受到重视，83% 的学习者认为软技能很重要。人际网络是另一个关键因素 – 25% 的受访者认为它至关重要，44% 的受访者积极利用自己的人际网络寻找就业机会。这凸显了技术领域对强大人际交往能力和专业人际网络的需求。
过去三年学习的计算机科学领域100 多个
与编程语言、算法和数据结构一样，数据库也是学习者的热门选择。AI 和机器学习仍然是热门领域，分别有 33% 和 34% 的学习者正在探索这些领域。
所学计算机科学领域精通程度
| 新手/探索者 | 初学者 | 中级 | 高级 | 专家 | |
|---|---|---|---|---|---|
| 4% | 25% | 44% | 23% | 5% | 软件工程 |
| 6% | 28% | 41% | 21% | 5% | Web 开发 |
| 8% | 29% | 40% | 17% | 5% | 产品管理 |
| 4% | 23% | 47% | 22% | 4% | 编程语言 |
| 10% | 33% | 37% | 16% | 4% | 人机交互 (HCI) |
| 9% | 33% | 38% | 16% | 4% | 项目管理 |
| 9% | 37% | 37% | 14% | 3% | 测试 |
| 10% | 37% | 35% | 15% | 3% | 数据分析 |
| 15% | 42% | 30% | 10% | 3% | 自然语言处理 (NLP) |
| 16% | 40% | 29% | 11% | 3% | 计算机视觉 |
| 7% | 32% | 41% | 16% | 3% | 数据库 |
| 9% | 36% | 39% | 13% | 3% | 计算机网络 |
| 7% | 35% | 38% | 16% | 3% | 操作系统 |
| 11% | 40% | 34% | 12% | 3% | 网络安全 |
| 6% | 31% | 46% | 15% | 2% | 算法和数据结构 |
| 17% | 43% | 27% | 10% | 2% | 人工智能 |
| 18% | 43% | 27% | 10% | 2% | 机器学习 |
| 16% | 39% | 30% | 13% | 2% | 计算机图形 |
女性对自己技术技能的评价往往较低，但她们表现出强劲的发展动力，与男性相比，从其他领域转入计算机科学的女性学习者多出 8%。
学习者希望在下一门课程中探索的主题
受访者以开放式文本回答了这个问题。ChatGPT 用于自动分析回复并将其分类为主题集群。
教育形式体验100 多个
数据显示，对大学教育、研讨会和指导计划等传统、面对面、动手学习环境的需求仍然存在。不过，不同年龄段和地区对这些形式的满意度存在很大差异，反映出效果不一致。
教育形式体验评级
| 糟糕 | 需要改进 | 令人满意 | 非常好 | 极好 | |
|---|---|---|---|---|---|
| 2% | 5% | 18% | 32% | 43% | 实习 |
| 1% | 7% | 22% | 36% | 34% | 指导计划和辅导 |
| 2% | 4% | 22% | 42% | 30% | 付费在线课程 (MOOC) 或编码学校 |
| 2% | 9% | 23% | 38% | 29% | 雇主提供的专业培训 |
| 1% | 5% | 25% | 40% | 29% | 自学在线教程 |
| 1% | 7% | 28% | 36% | 28% | 代码营、用户小组、聚会 |
| 3% | 9% | 29% | 33% | 26% | 职业教育计划 |
| 4% | 8% | 26% | 37% | 25% | 雇主付费的外包专业培训 |
| 2% | 7% | 26% | 40% | 25% | 编程训练营 |
| 2% | 9% | 31% | 34% | 24% | 交换计划 |
| 1% | 8% | 31% | 38% | 21% | 免费在线课程 (MOOC) 或编码学校 |
| 3% | 11% | 31% | 36% | 20% | 在线大学课程 |
| 6% | 14% | 31% | 30% | 19% | 大学、学院、学校教育 |
| 2% | 11% | 32% | 36% | 19% | 线下课程、编码学校 |
| 2% | 10% | 33% | 36% | 19% | 研讨会和讲习班 |
大学、学院和学校教育以及自学在线教程是所有受访者的首选答案。其余则取决于具体年龄段和职业需求。研讨会和讲习班在 50–59 岁年龄段中最受欢迎，17% 的此类学习者有过参加这些活动的经历，约四分之一将体验评为“极佳”。21–29 岁的受访者对指导计划评价很高，其中 36% 将其评为“极佳”，但随着年龄增长，对这种体验的满意度也在下降。18–20 岁的受访者对雇主提供的培训的满意度最高，41% 的学习者将其评为“极佳”。付费在线课程和编码训练营对年轻人和中期职业人士最有吸引力。
对 MOOC 和代码学校的熟悉度
| 从未听说过 | 听说过，但从未尝试过 | 尝试过，但已不再使用 | 目前正在使用 | |
|---|---|---|---|---|
| 18% | 23% | 29% | 29% | Udemy |
| 18% | 27% | 35% | 20% | Coursera |
| 29% | 41% | 15% | 16% | JetBrains Academy |
| 38% | 26% | 25% | 10% | edX |
| 26% | 35% | 29% | 10% | Codecademy |
| 35% | 36% | 20% | 10% | LinkedIn Learning |
| 28% | 33% | 30% | 9% | Khan Academy |
| 52% | 28% | 10% | 9% | Canvas |
| 55% | 28% | 12% | 5% | DataCamp |
| 48% | 32% | 16% | 4% | Udacity |
| 67% | 18% | 11% | 4% | Pluralsight |
| 79% | 13% | 5% | 3% | Stepik |
| 85% | 8% | 4% | 3% | SWAYAM |
| 84% | 11% | 4% | 2% | JavaRush |
| 70% | 22% | 6% | 2% | The Open University |
| 78% | 16% | 5% | 1% | FutureLearn |
| 84% | 12% | 3% | 1% | Egghead |
| 90% | 7% | 2% | 1% | XuetangX |
| 92% | 6% | 2% | 1% | MiríadaX |
| 89% | 8% | 2% | 1% | Cognitive Class |
| 87% | 9% | 3% | 1% | Platzi |
您知道吗？
JetBrains Academy 用户将付费在线课程 (MOOC) 或代码学校体验评为“极佳”的可能性要高出 24%。通过 JetBrains Academy 探索您的学习选择。
掌握计算机科学主题的实践100 多个
探索计算机科学的学习者优先考虑动手和视觉学习，其中编码平台、视频教程和文档占据主导地位。不过，有关 AI 聊天机器人的使用和编码竞赛参与情况的最新统计数据表明，人们正在转向采用交互式和动态的方式来解决问题和培养技能。
这种传统与现代资源的融合表明学习者既重视结构化指导，也重视创造性实验的机会。
竞技编码经验
丰富的经验：我经常参加比赛或曾参加过很多比赛
有些经验：我参加过一些竞赛
没有兴趣：我没有任何经验，也不想参加比赛
没有经验：我对竞技编码不熟悉，但很感兴趣
大多数受访者是第一次接触竞技编码，但对此很感兴趣，30% 的受访者有一定经验，参加过一些比赛或过去经常参加比赛。
学习计算机科学的首选资源和社区100 多个
同行互动是计算机科学学习的关键组成部分。约三分之一的受访者重视编程马拉松和开源贡献，四分之一更喜欢参与编码社区学习。虽然平台和教程占主导地位，但协作和竞技活动能激发更深入的参与。
100 多个
各个年龄段的学习者依赖各种资源获得帮助。Google 是所有年龄段用户的首选，ChatGPT 等 AI 助手在年轻用户中尤其受欢迎，29 岁以下的用户中有三分之二在使用它们。年轻学习者也倾向于向朋友和教育者寻求帮助，而 30 多岁和 40 多岁的学习者则是向同事寻求帮助。YouTube 在各个年龄段都被广泛使用，年龄较大的学习者则更喜欢教科书和 Medium 等平台。总体而言，年轻一代在 AI、同行支持和教育媒体之间取得平衡，而年长一代更喜欢专业网络、结构化文章和教科书。
100 多个
| 18-20 岁 | 21-29 岁 | 30-39 岁 | 40-49 岁 | 50-59 岁 | 60 岁或以上 | |
|---|---|---|---|---|---|---|
| 70% | 76% | 77% | 75% | 68% | 68% | |
| 66% | 67% | 55% | 46% | 38% | 35% | AI 助手（ChatGPT 等） |
| 58% | 48% | 31% | 22% | 13% | 9% | 朋友和同学 |
| 56% | 65% | 64% | 52% | 37% | 33% | Stack Overflow |
| 53% | 53% | 50% | 50% | 43% | 36% | YouTube |
| 47% | 32% | 21% | 20% | 16% | 8% | 导师/教师/讲师 |
| 23% | 23% | 27% | 32% | 31% | 34% | 课本 |
| 20% | 25% | 26% | 27% | 18% | 25% | 在线科技媒体（例如，Medium） |
| 19% | 19% | 18% | 16% | 24% | 14% | 社交媒体上的人 |
| 17% | 31% | 36% | 33% | 29% | 19% | 同事 |
| 3% | 3% | 3% | 4% | 2% | 9% | 其他 |
的受访者表示在日常生活中使用 AI 助手。
最流行的 AI 助手100 多个
所有占比低于 1% 的答案都已合并到“其他”。
最受欢迎的计算机科学学习 AI 助手功能100 多个
AI 帮助学习者克服语言障碍。鉴于英语是大多数计算机科学资源的主要语言，因此语言多样化或主要是非英语人口的地区更加依赖翻译和发音功能。
对这些功能依赖程度最高的是北欧亚大陆 (44%) 和土耳其 (45%)，紧随其后的是南亚与东亚、拉丁美洲、东南亚和大洋洲（在这些地区，此类功能的使用占比为 40% 到 44% 不等）。
相比之下，英国、加拿大和美国等以英语为主的国家使用率要低得多 (13%–19%)，反映出学习者面临的语言相关挑战较少。
对于学习者来说，选择课程最重要的方面是能否通过动手项目和练习获得实践经验、资源与材料的获取、实惠的价格以及讲师的行业背景。
课程设计和内容
| 不重要 | 比较重要 | 非常重要 | |
|---|---|---|---|
| 2% | 22% | 76% | 可以积累实践经验的动手项目和练习 |
| 3% | 31% | 66% | 包含渐进式主题的结构化课程 |
| 3% | 32% | 65% | 明确的学生学习目标 |
| 7% | 32% | 60% | 现实世界相关性 |
| 6% | 38% | 55% | 对不断变化的行业标准的回应 |
| 7% | 41% | 52% | 简化各个级别的复杂概念 |
| 9% | 44% | 47% | 对学生反馈的回应 |
| 17% | 40% | 42% | 职业发展指导 |
| 20% | 43% | 38% | 关于负责任使用技术的道德考量 |
| 31% | 46% | 24% | 同伴协作 |
| 38% | 41% | 21% | 游戏化（测验、徽章等） |
学生支持和灵活性
| 不重要 | 比较重要 | 非常重要 | |
|---|---|---|---|
| 2% | 25% | 74% | 易于获得资源和材料 |
| 6% | 38% | 56% | 时间灵活性 |
| 10% | 35% | 54% | 远程学习选项 |
| 6% | 45% | 49% | 定期反馈和评估 |
| 12% | 44% | 44% | 支持性社区和网络 |
| 14% | 48% | 38% | 技术支持服务 |
| 21% | 41% | 38% | 无障碍学习场所 |
| 24% | 40% | 36% | 线下学习选项 |
| 23% | 42% | 35% | 包容性环境 |
| 19% | 45% | 35% | 环境便利性 |
| 53% | 33% | 14% | 提供日托 |
女性学习者比男性学习者更重视教育的灵活性和支持。差异包括更重视时间灵活性（女性 64% 对男性 54%）、远程学习选项（63% 对 53%）和技术支持（50% 对 36%）。此外，49% 的女性学习者重视无障碍的学习空间，男性的比例为 36%。
负担能力
| 不重要 | 比较重要 | 非常重要 | |
|---|---|---|---|
| 3% | 32% | 66% | 实惠的价格 |
| 17% | 48% | 35% | 可定制的资费结构，允许为单个部分付款 |
| 18% | 49% | 32% | 对公 (B2B) 选项，使我的雇主方便地支付费用 |
证书和凭证
| 不重要 | 比较重要 | 非常重要 | |
|---|---|---|---|
| 19% | 37% | 44% | 大学高等教育文凭 |
| 16% | 41% | 43% | 行业认证 |
| 21% | 40% | 39% | 结业证书或凭证 |
虽然大学文凭是首选，但所有列出的认证选项对于普通大众来说都有价值，可以验证获得的技能和知识。
讲师的资历和个性
| 不重要 | 比较重要 | 非常重要 | |
|---|---|---|---|
| 8% | 37% | 56% | 行业背景 |
| 15% | 46% | 39% | 共情 |
| 20% | 46% | 34% | 个人魅力 |
| 29% | 41% | 30% | 学术或大学背景 |
在线教育月支出
不到 25 美元
25-50 美元
51–100 美元
101-200 美元
超过 200 美元
我在线上教育上不花钱
不愿回答
约四分之三的受访者为在线教育支付费用。就目前的课程而言，高质量且结构良好的内容、动手实践和灵活的形式是他们选择付费课程的三个主要原因。当被问及什么会促使他们将来支付课程（或其他类型的学习材料）的费用时，受访者强调了与工作/学习、个人兴趣、专业内容和认证的相关性。
支付当前课程费用的原因100 多个
注：受访者以开放式文本回答了这个问题。ChatGPT 用于自动分析回复并将其分类为主题集群。
支付未来课程费用的原因
注：受访者以开放式文本回答了这个问题。ChatGPT 用于自动分析回复并将其分类为主题集群。
的计算机科学学习者退出过课程，最常见的原因是内容缺乏吸引力、时间限制和缺乏实践练习。自学在线教程和免费的 MOOC 最容易被放弃，表明在结构较弱的学习形式中，保持学习动力存在困难。
退出课程或学习计划的原因100 多个
最近退出的课程类型
所有占比低于 1% 的答案都已合并到“其他”。
学习计算机科学最具挑战性的方面100 多个
学习者经常要面对调试和选择正确资源等实际障碍，以及冒名顶替综合征和孤立感等情感障碍。这些洞察强调了明确指导和支持性学习环境帮助学生成长的双重需求。
克服挫折感的方法
注：受访者以开放式文本回答了这个问题。ChatGPT 用于自动分析回复并将其分类为主题集群。
我们的受访者认为，克服挫折感的最有效策略包括休息和参加体育活动，以及设定目标和提醒自己最初的动机。自我反省和调整心态也是关键方法，有助于个人以适应性更强且更积极的心态应对挑战。这些方法可以帮助学习者重新调整、重新集中注意力和补充能量。不过，18% 的受访者仍在寻找有效的解决方案，这表明缺乏管理挫折感的通用解决方案。
学习者如何保持高效100 多个
在全球范围内，将任务分解为更小的步骤是最受欢迎的方式，但其吸引力因地区而异。在英国，超过三分之二的受访者青睐这种方式，而在日本，只有不到三分之一的受访者采用这种方式。睡眠是有效学习的基石，在全球排名第二。它在北欧和东欧（包括巴尔干半岛和高加索地区）尤其受到重视 (51%)，但在中美洲和南美洲受到重视的程度较低 (29%–36%)。德国的情况尤为突出，听音乐超过充足睡眠，成为提高工作效率的首要辅助手段（50% 对 47%）。在英国、美国、巴西和德国，46%–51% 的学习者表示会定期休息，但在日本、韩国和中国，定期休息的比例较低 (26%–34%)。
文化偏好甚至会影响咖啡消耗。它在土耳其和整个北欧和东欧（包括巴尔干半岛和高加索地区）是人们最喜爱的提神饮料，有 37%–41% 的受访者用它来提神，但在尼日利亚和中国的受访者中，它的受欢迎程度要低得多（分别为 11% 和 17%）。
同时，在美洲，与宠物玩耍是一种常用策略（北美洲为 10%，中南美洲为 14%），但在尼日利亚、中国、韩国和中东 (1%–4%)，人们几乎不会考虑这种选择。
学习者的业余爱好100 多个
的 21–29 岁受访者表示拥有 3–10 年的一般编码经验。这可能表明人们开始编写代码的时间比过去更早。
总计编码经验（包括学习编程和将编程当作兴趣爱好）
不足 1 年
1–2 年
3–5 年
6–10 年
11-16 年
16 年以上
没有编码经验
专业编码经验
不足 1 年
1–2 年
3–5 年
6–10 年
11-16 年
16 年以上
没有任何专业编码经验
学习者编写第一行代码的地方
集成开发环境 (IDE)
文本编辑器
浏览器内代码编辑器
命令行界面
我不确定
其他
虽然受访者认为自学在线教程和编码平台是掌握计算机科学的首选，但 IDE 仍然是初学者开始编码之旅最受欢迎的选择。
学习的第一门编程语言
所有占比低于 1% 的答案都已合并到“其他”。
去年工作和学习中使用的编程语言100 多个
Python 在过去一年的使用率和持续学习率均占主导地位，这反映了其广泛的适用性和持续增长的人气。虽然许多学习者后续学习 Java、JavaScript 和 SQL 等广泛使用的语言，但人们对 Rust 和 Kotlin 等新语言也产生了浓厚的兴趣。
数据显示，学习者扩展语言技能的趋势非常明显，尤其注重 Python、Java 和 C++ 等基础语言，同时对新兴技术的好奇也在日益增强。
过去 12 个月开始或继续学习的编程语言100 多个
Python 在美国需求量很大，超过一半受访者在过去一年内开始或继续学习。Java 学习在韩国和印度最为流行 (38%–39%)，但在日本则不那么流行 (15%)。JavaScript 在南美洲和印度被广泛学习（分别为 40% 和 44%），而 TypeScript 在德国和法国采用率很高 (22%–23%)。PHP 在法国的受欢迎程度 (16%) 远高于其他地区。
Kotlin 在德国、西班牙、韩国、俄罗斯和白俄罗斯很受欢迎（各占 15%–18%）。
Rust 是一种函数式和系统编程语言，在法国、德国、比荷卢三国和北欧等欧洲地区获得了广泛关注 (15%–16%)。
C++ 学习在印度、中国和乌克兰最受欢迎 (28%–29%)，但在中美洲与南美洲、西班牙和日本则不那么流行 (10%–12%)。同时，包括阿根廷在内的中美洲和南美洲只有 6% 的受访者正在学习 C 语言，而在印度和韩国，这一数字有四倍多 (26%)。
开发环境的首选操作系统100 多个
Windows
Linux
macOS
其他
大多数学习者更喜欢在本地环境中运行代码，其中集成开发环境 (IDE) 是最主要的工具。其次是命令行界面和文本编辑器。Windows 是开发环境中使用最广泛的操作系统。
运行代码的首选工具100 多个
运行代码的首选环境100 多个
安装和设置开发环境的经验
我是经验丰富的用户
我之前设置过环境，但我可能会遇到挑战
我没什么经验，但从未有过问题
我可能需要指导或额外的资源
我觉得这很有挑战性，需要大量的帮助
其他
的学习者表示使用 IDE 进行学习，但使用程度可能有所不同。
工作和学习中常用的 IDE100 多个
所有占比低于 1% 的答案都已合并到“其他”。
您知道吗？
与不使用 JetBrains IDE 的学习者相比，经常使用 JetBrains IDE 的学习者专门为学习目的使用 IDE 的可能性要高出 21%。此外，经常使用 JetBrains IDE 的学习者对其编码熟练程度的评价也高于不经常使用的学习者。
您是有兴趣掌握编码的学生吗？获取所有 JetBrains IDE 的免费访问权限，在学校或家中用于个人目的！
使用 IDE 的目的100 多个
个人或编外项目
工作
爱好
协作编程
其他
使用的第一款 IDE
所有占比低于 1% 的答案都已合并到“其他”。
大多数学习者使用个人笔记本电脑学习计算机科学和编码。台式电脑也很常用（37% 用于学习，36% 用于编码），但智能手机和平板电脑不太受欢迎，只有四分之一的受访者使用智能手机学习，只有 3% 用其编码。大多数学习者拥有自己的主要学习设备，一小部分学习者依赖雇主 (7%) 或教育机构 (3%) 提供的设备。
首选学习设备100 多个
笔记本电脑
台式电脑
智能手机
平板电脑
其他
首选编码设备100 多个
笔记本电脑
台式电脑
智能手机
平板电脑
我不写代码
主要学习设备所有权
我拥有自己的学习设备
我的雇主为我提供学习设备
我与家人或室友共用学习设备
我的教育机构为我提供学习设备
首选学习地点
学习地点的便利性
| 一点也不方便 | 比较不方便 | 比较方便 | 非常方便 | |
|---|---|---|---|---|
| 1% | 4% | 27% | 68% | 家 |
| 2% | 11% | 43% | 44% | 宿舍或学生宿舍 |
| 2% | 9% | 48% | 41% | 库 |
| 1% | 8% | 51% | 40% | 学校或大学校园 |
| 1% | 11% | 53% | 35% | 共享工作空间 |
| 1% | 13% | 63% | 22% | 咖啡馆 |
| 4% | 25% | 50% | 22% | 公园或户外空间 |
| 8% | 39% | 38% | 16% | 公共交通工具（如公共汽车或火车） |
大多数学习者在晚上学习，其中 58% 每周花 3–16 小时学习计算机科学。数据显示，学习者希望减少晚上和夜间学习的时间。
首选学习时间
通常学习时间100 多个
每周学习计算机科学的首选小时数
每周学习计算机科学的小时数
首选学习方式
独立学习
根据主题和内容结合不同的学习方式
在小组中或与学习伙伴一起
与教师、导师或讲师一起
未定
不到三分之一的受访者系统地学习，略超过一半的受访者没有遵循具体的学习计划。影响学习进度的关键因素包括工作量、截止日期、个人兴趣和其他个人承诺，这些都对学习者如何持续进步和保持动力方面起到作用。
学习进度
我不时地学习；每周会抽出不同的时间量来学习
我系统地学习，学习不同的主题，并尝试在每个主题上投入相同的时间
我在特定的期限内努力学习，然后恢复到更轻松的方式
其他
影响学习进度的因素
受访者以开放式文本回答了这个问题。ChatGPT 用于自动分析回复并将其分类为主题集群。
性别
年龄段
性别（按地区）
| 不愿回答 | 非二元性别、性别酷儿或非常规性别 | 男性 | 女性 | |
|---|---|---|---|---|
| <1% | <1% | 65% | 35% | 俄罗斯、白俄罗斯 |
| 1% | 1% | 69% | 28% | 阿根廷 |
| 1% | 1% | 71% | 27% | 乌克兰 |
| 2% | – | 77% | 21% | 韩国 |
| <1% | 1% | 80% | 19% | 中南美洲 |
| <1% | <1% | 81% | 18% | 尼日利亚 |
| 4% | 3% | 75% | 18% | 美国 |
| 1% | 1% | 81% | 16% | 巴西 |
| 4% | 4% | 76% | 16% | 加拿大 |
| 3% | 2% | 79% | 16% | 英国 |
| 1% | 1% | 83% | 16% | 中东、非洲、中亚 |
| 2% | 2% | 82% | 15% | 西班牙 |
| 1% | 1% | 83% | 15% | 东欧、巴尔干半岛和高加索地区 |
| 1% | 1% | 84% | 14% | 墨西哥 |
| 1% | 1% | 86% | 13% | 比荷卢和北欧 |
| 2% | 2% | 83% | 12% | 日本 |
| 3% | 1% | 83% | 12% | 法国 |
| 3% | 1% | 84% | 12% | 欧洲其他地区 |
| 2% | 1% | 86% | 11% | 德国 |
| 1% | 2% | 86% | 11% | 土耳其 |
| 2% | 1% | 87% | 9% | 东南亚其他地区和大洋洲 |
| 2% | 1% | 91% | 7% | 印度 |
| 4% | 2% | 90% | 4% | 中国 |
在大多数地区，计算机科学学习者大多数为男性 (80%–90%)，其中印度和中国位居榜首。另一方面，俄罗斯、白俄罗斯、阿根廷和乌克兰的女性比例高于平均水平。
法国、德国和英国的这一数字为 11%–16%，凸显了欧洲持续存在的性别差距。除美国和加拿大外，大多数地区非二元性别学习者的比例约为 1%–2%。
婚姻状况
子女数量
的受访者表示，在家里和与朋友相处时使用的语言与在工作中使用的语言不同。英语、印地语和中文是受访者与朋友和家人交谈时使用最多的三种语言。
工作中使用的语言100 多个
所有占比低于 1% 的答案都已合并到“其他”。
数据显示，英语是工作场所的主要语言，超过三分之二的受访者使用英语。接下来是中文和日语，代表亚洲市场。印地语、西班牙语和俄语等语言凸显了全球技术领域的多样性。此外，8% 的受访者使用我们调查未跟踪的不太常见的语言，表明行业的语言多样性更为丰富。
与家人和朋友交谈时使用的语言100 多个
这个问题仅向表示与朋友和家人相处时使用的语言与在工作中使用的语言不同的受访者显示。
所有占比低于 1% 的答案都已合并到“其他”。
国家/地区
所有占比低于 1% 的国家/地区都已合并到“其他”。
中国大陆、美国、印度和日本的计算机科学学习者总计占全球学习者总数的一半以上，凸显了这些全球主要技术中心的实力。
的受访者出生在与目前居住地不同的国家或地区，其中俄罗斯人、印度人和中国人占移居人口的三分之一。近年来，移民趋势稳步上升，62% 的移民在过去十年内移居到其他国家或地区。
出生国家/地区
这个问题仅向目前居住地与其出生国家或地区不同的受访者显示。
所有占比低于 1% 的国家/地区都已合并到“其他”。
调查方法
超过 28,500 人参加了 2024 年计算机科学学习曲线调查。
为确保样本代表性，我们采用以下方法清理了数据。最终报告基于全球 23,991 名学习者的回复。
数据根据若干标准进行加权，详见本节末尾。
本地化
为了最大限度地提高参与度并适应不同的参与者，本调查以 10 种语言提供：英语、中文、法语、德语、日语、韩语、巴西葡萄牙语、俄语、西班牙语和土耳其语。
减少抽样偏倚
为了减少偏倚，我们根据回复来源对数据进行了加权。我们优先考虑不太可能偏向 JetBrains 受众的外部来源的回复，如付费广告和同行推荐。在加权过程中，每个受访者的来源都会被单独考虑。
我们进行了三个加权阶段，确保更准确地代表全球计算机科学学习者群体。
根据每个地区的开发者数量进行调整
在进行调查之前，我们开展了研究，发现不同地区 STEM 学生数量与该地区的专业开发者数量高度相关。基于这一发现，我们决定使用每个地区专业开发者的数量来估算计算机科学学习者的比例。
第一阶段，我们汇总了来自不同国家/地区的回复，然后应用我们估计的每个国家/地区专业开发者的分布情况对数据进行相应加权。
首先，我们收集了来自 23 个地区社交网络广告的调查回复以及来自同行推荐的回复。然后，我们根据各地区专业开发者数量的估计对这些回复进行加权。
这确保回复分布与每个国家/地区的计算机科学学习者数量相符。
根据编码经验和 JetBrains IDE 的使用情况进行调整
第二阶段涉及更复杂的过程，包括基于方程组求解的计算。
我们使用初步加权的回复，按编码经验水平和 JetBrains IDE 的使用情况确定各地区学习者的分布。这些分布在我们的方程中充当常数。
接下来，我们添加了通过 JetBrains 内部渠道（例如我们的社交媒体帐户和研究小组）访问调查的学习者的回复。
求解一个包括线性方程和不等式的系统
我们设计了一个包括多个线性方程和不等式的系统，这些方程和不等式描述了以下信息：
- 受访者的加权系数（例如，样本中的 Fiona 代表了法国 180 位软件开发者的平均情况）。
- 受访者回复的特定值（例如，Pierre 有两年的编码经验，但不使用任何 JetBrains IDE）。
- 在受访者中的必要比率（例如，22% 的学习者拥有 1–2 年的编码经验等）。
为了使用加权系数的最小方差求解此方程组，我们使用了 Goldfarb 和 Idnani (1982, 1983) 的对偶方法。通过这种方式，我们为 23,991 名受访者中的每一名校核了最优个别加权系数。
挥之不去的偏倚
尽管采取了这些措施，可能仍存在一些偏倚，因为平均而言，JetBrains 的忠实受众可能更愿意完成调查。
尽管我们试图控制调查分布并应用智能加权，但社区和学习者生态系统仍在不断发展，一些意外数据波动的可能性并不能完全消除。
开放式文本答案分析
在本报告中，我们对收到数千份回复的几个开放式文本问题进行了频率分析。由于数据量巨大，我们采用了自动化处理技术。为了自动执行回复集群，我们使用了大型语言模型 (LLM)，特别是 GPT-4o。
数据清理
- 翻译：为了标准化分析，不同语言的回复被翻译成英语。
- 完成度检查：根据相关性和内容对回复进行筛选，排除不相关或离题的回复。
- 删除不当内容：删除包含不当语言或攻击性内容的回复，确保数据完整性。
经过数据清理程序后，每个问题的有效回复数量为 4,000 到 9,000，受某些问题的可选性和某些主题的敏感性影响。
回复集群
- GPT-4o 用于分析回复并将其分类为主题集群。分析重复多次（通常每个问题重复五次或更多次）以验证集群的一致性。
- 在每次迭代中，集群都被审查，以确保反映受访者的核心主题。
- 测试表明，每个问题 5–8 个集群在粒度和泛化之间达到最佳平衡，既能捕捉细微的洞察，又能保留独特的视角。
加入 JetBrains Tech Insights Lab
参与调查和 UX 研究，让 JetBrains 产品更易用、更强大。参与我们的研究，您还将有机会获得奖励。
我们希望您觉得我们的报告很有用。与您的朋友和同事分享这份报告！
使用 #JBAcademySurveyResults24 加入对话，分享您的想法并在 Discord、LinkedIn、X 和 Facebook 上与我们专门的 CS 学习社区建立联系。