Исследование ACM анализирует, как использование генеративного ИИ влияет на процесс обучения программированию. Авторы выявили двойственный эффект: инструменты помогают новичкам быстрее преодолевать синтаксические барьеры и ускоряют написание кода, однако чрезмерная зависимость от подсказок снижает глубину понимания алгоритмических концепций и препятствует развитию навыков самостоятельного решения задач, создавая разрыв в компетенциях.
В ходе эксперимента было установлено, что студенты, активно использующие LLM, демонстрируют более высокую скорость выполнения заданий, но показывают худшие результаты при последующем тестировании без доступа к ИИ. Это указывает на риск «когнитивной разгрузки», когда модель берет на себя не только рутинные операции, но и процесс проектирования логики программы. В результате обучающиеся теряют возможность проработать сложные концепции через ошибки и отладку, что критически важно на начальных этапах подготовки.
Авторы подчеркивают, что текущие методы оценки навыков программирования требуют пересмотра. Традиционные домашние задания и проекты, которые легко генерируются нейросетями, перестают быть индикатором реальных знаний. Исследователи предлагают внедрять в образовательные программы практики, поощряющие критический анализ сгенерированного кода, а не просто его использование в готовом виде.
Ключевые факты
- Исследование опубликовано в библиотеке ACM (Association for Computing Machinery) и сфокусировано на влиянии LLM на образовательный процесс.
- Установлено, что ИИ-инструменты значительно повышают скорость написания кода, но снижают долгосрочное удержание знаний у новичков.
- Выявлена проблема «когнитивной разгрузки», при которой студенты делегируют модели проектирование логики, избегая самостоятельного поиска решений.
- Авторы призывают к изменению методик обучения, чтобы сбалансировать использование ИИ-ассистентов с развитием фундаментальных навыков отладки и анализа.