Nowe badania naukowe rzucają światło na fenomen „vibe coding” — sposób, w jaki studenci współpracują z AI podczas nauki programowania, komunikując się w naturalnym języku zamiast pisać kod linia po linii. Analiza 19 418 interakcji między 110 studentami a sztuczną inteligencją ujawnia znaczące różnice w strategiach uczenia się między najlepszymi a najsłabszymi uczniami. Badanie zostało opublikowane na arXiv i zostanie przedstawione na 27. Międzynarodowej Konferencji Sztucznej Inteligencji w Edukacji (AIED'26).
Kluczowe wnioski
- Najlepsi studenci stosują instrumentalne poszukiwanie pomocy — zadają pytania eksploracyjne, które skłaniają AI do przyjęcia roli tutora i dostarczania objaśnień.
- Słabsi uczniowie polegają na wykonawczym poszukiwaniu pomocy — często delegują zadania na AI, oczekując gotowych rozwiązań zamiast nauki.
- Generatywna AI obecnie odzwierciedla intencje studenta (produktywne lub pasywne) zamiast optymalizować proces uczenia się.
- Badacze analizowali sekwencje interakcji używając kodowania indukcyjnego i Heterogeneous Transition Network Analysis.
- Autorzy wzywają do projektowania pedagogicznie zorientowanych systemów AI, które wykrywałyby nieproduktywne delegowanie i kierowały interakcje w stronę aktywnego uczenia się.
Różnice w strategiach uczenia się
Badanie wykazało wyraźne wzorce w sposobie, w jaki różni studenci wykorzystują AI podczas programowania. Najlepsi uczniowie angażowali się w instrumentalne poszukiwanie pomocy, charakteryzujące się dociekliwością i eksploracją. Ich podejście skutkowało odpowiedziami AI podobnymi do tych, jakie dałby doświadczony tutor — szczegółowymi wyjaśnieniami, wskazówkami metodologicznymi i pomocą w zrozumieniu podstawowych koncepcji.
Z kolei słabi studenci częściej uciekali się do wykonawczego poszukiwania pomocy, regularnie przekazując AI odpowiedzialność za wykonanie zadań. W takich przypadkach sztuczna inteligencja przyjmowała rolę wykonawcy, dostarczając gotowe rozwiązania bez głębszego kontekstu edukacyjnego. Ten wzorzec może prowadzić do powierzchownego uczenia się i uzależnienia od zewnętrznej pomocy.
Wyzwania dla projektowania AI w edukacji
Wyniki badania pokazują, że obecne systemy generatywnej AI działają jako pasywne narzędzia, które dostosowują się do intencji użytkownika bez względu na to, czy są one korzystne dla procesu uczenia się. Autorzy argumentują, że aby AI ewoluowało z narzędzia w prawdziwego partnera edukacyjnego, systemy muszą wykraczać poza zwykłe wypełnianie poleceń.
Badacze postulują stworzenie pedagogicznie zorientowanego designu, który byłby w stanie rozpoznać nieproduktywne delegowanie zadań i adaptacyjnie kierować interakcje edukacyjne w stronę dociekliwości. Taki system powinien zapewniać, że partnerstwa student-AI wzmacniają, a nie zastępują wysiłek poznawczy uczącego się.
Badanie oparte na analizie 19 418 sekwencji interakcji dostarcza cennych wskazówek dla projektantów systemów edukacyjnych wykorzystujących AI. Kluczowe jest stworzenie rozwiązań, które będą aktywnie wspierać rozwój umiejętności myślenia krytycznego i rozwiązywania problemów, zamiast umożliwiać studentom unikanie tych procesów poprzez delegowanie zadań na sztuczną inteligencję.
