Supervised Practice Time and the AI-Code Workflow: Evidence from Finance Undergraduates at a Regional Chinese University
تُظهر هذه الدراسة لطلاب التمويل في جامعة إقليمية صينية أن زيادة وقت الممارسة الخاضعة للإشراف تعزز بشكل كبير قدرة الطلاب على التحكم في سير عمل البرمجة بالذكاء الاصطناعي، وذلك أساساً من خلال تعويض ضعف المبادرة الذاتية ونقل تحدي التعلم الرئيسي من توليد الكود إلى التحقق من الإجابة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
في الفصل الدراسي الحديث للتمويل، حدثت ثورة هادئة. لعقود من الزمن، كان تعلم تحليل الأسواق يعني إتقان قواعد لغة البرمجة، وهو عائق حال دون وصول العديد من الطلاب إلى المنطق الأعمق للاقتصاد. اليوم، يمكن لنوع جديد من الذكاء الاصطناعي كتابة تلك الأكواد فوراً، محولاً الجمل الإنجليزية البسيطة إلى برامج عاملة. لقد نقل هذا التحول التحدي من كتابة التعليمات إلى إدارة العملية: طرح الأسئلة الصحيحة، تشغيل النص البرمجي، فحص النتائج، وإصلاح الأخطاء. لم يعد السؤال الجوهري الذي يواجه المعلمين هو ما إذا كان الطلاب يستطيعون كتابة الأوامر، بل ما إذا كان بإمكانهم توجيه هذا المساعد الرقمي الجديد بفعالية. إذا كانت الآلة تستطيع القيام بالعمل الشاق المتمثل في الكتابة، فهل لا يزال الطالب بحاجة إلى ممارسة الحرفة، وإذا كان الأمر كذلك، فكيف؟
عمد فريق من الباحثين إلى الإجابة على ذلك من خلال مراقبة طلاب في جامعة إقليمية في الصين. ركزوا على متغير بسيط: وقت الممارسة تحت الإشراف. هذا هو الوقت الذي يقضيه الطالب في العمل على جهاز كمبيوتر بوجود معلم في الغرفة، بدلاً من مجرد مشاهدة عرض توضيلي أو العمل بمفرده في المنزل. تساءل الباحثون عما إذا كان امتلاك ذلك الوقت الإضافي، بتوجيه من معلم، سيساعد الطلاب على أن يصبحوا أفضل في توجيه الذكاء الاصطناعي. استعانوا بأربع مجموعات كاملة من طلاب التمويل الجامعيين، بلغ عددهم 138 طالباً، وقسموهم إلى مجموعتين. سُمح للمجموعة الأولى بإحضار أجهزتهم المحمولة الخاصة إلى كل جلسة دراسية، مما أتاح لهم ممارسة دورة توجيه الذكاء الاصطناعي، وتشغيل الكود، وفحص المخرجات بينما يراقبهم المعلم. أما المجموعة الأخرى فقد اتبعت جدولاً قياسياً، حيث لم يكن لديهم وصول إلى أجهزة الكمبيوتر إلا خلال جلسات معملية محددة ومجدولة، يقضون بقية وقت الفصل في مشاهدة المعلم وهو يشرح العمل على الشاشة.
استمرت الدراسة على مدار فصلين دراسيين. في الفصل الأول، عمل الطلاب مع برنامج نمذجة مالية يسمى MATLAB. واجهوا أربعة اختبارات عملية كان عليهم فيها حل مشكلات واقعية، مثل حساب سعر السند أو تحليل اتجاهات سوق الأسهم. كانت القواعد صارمة: يجب أن يعمل الكود دون أخطاء وأن ينتج إجابة رقمية محددة. أظهرت النتائج تباعداً واضحاً. في البداية، كان أداء المجموعتين متشابهاً، حيث كانت الدرجات تحوم بالقرب من أدنى مستويات المقياس. ومع ذلك، مع مرور الأسابيع وزيادة تعقيد المهام، بدأت المجموعة التي حظيت بمزيد من الممارسة تحت الإشراف في التقدم. وبحلول الاختبار النهائي، سجل الطلاب الذين مارسوا العمل باستخدام أجهزتهم المحمولة في الفصل درجات أعلى بنحو إحدى عشرة نقطة من أولئك الذين اكتفوا بالمشاهدة فقط. لم يكن هذا الفارق مجرد طفرة إحصائية؛ بل مثل تحولاً في توزيع الفصل بأكمله. كان الطلاب الذين حصلوا على ممارسة أكثر أقل عرضة بكثير للتعثر في الخطوة الأولى، وأكثر عرضة لإكمال تسلسل المهام كاملاً.
ثم تابع الباحثون اثنتين من هذه الفصول في فصل دراسي ثانٍ، حيث تعاملوا مع برنامج مختلف يسمى Stata لمشكلات تمويل الشركات. تلقت إحدى هاتين الفصول جولة إضافية من ترتيب "إحضار الجهاز الخاص"، بينما التزمت الأخرى بالجدول القياسي. وعلى الرغم من أن هذا كان أداة برمجية جديدة ومجموعة جديدة من المشكلات، فقد تكرر النمط نفسه. حقق الفصل الذي حصل على ساعات إضافية من الممارسة تحت الإشراف أداءً أفضل بشكل ملحوظ، خاصة في المهام الأصعب التي تتطلب ربط خطوات متعددة معاً. كان الطلاب الذين حصلوا على ممارسة أكثر أكثر عرضة بمرتين تقريباً لإكمال المهام الأكثر صعوبة مقارنة بأقرانهم الذين قضوا وقتاً أقل في تجربة سير العمل تحت الإشراف.
ولفهم سبب حدوث ذلك، سأل الباحثون الطلاب مباشرة. أشارت الإجابات إلى سمة بشرية بدلاً من تقنية. فعندما سُئلوا عما منعهم من تعلم سير عمل الذكاء الاصطناعي، ذكر الغالبية العظمى من الطلاب، في كلتا المجموعتين، نقص الدافع الذاتي. واعترفوا بأنهم بدون هيكلية الفصل الدراسي ووجود المعلم، لم يكونوا ببساطة ليمارسوا دورة التوجيه والتحقق من تلقاء أنفسهم. لقد عملت الساعات الخاضعة للإشراف كبديل لهذا الدافع المفقود، مما أجبر الممارسة على الحدوث في الوقت الذي لم تكن ستحدث فيه لولا ذلك. تشير الدراسة إلى أن قيمة هذه الساعات الإضافية لم تكن في التكنولوجيا نفسها، بل في البيئة التي جعلت الطلاب يستخدمونها.
ومع ذلك، كشفت الدراسة أيضاً عن عقبة جديدة ظهرت بمجرد أن يتمكن الطلاب من تشغيل الكود. كانت الصعوبة الأكبر التي أبلغوا عنها لم تعد تتعلق بكتابة الأمر أو إصلاح خطأ في القواعد البرمجية، بل كانت في الحكم على ما إذا كانت الإجابة التي قدمها الذكاء الاصطناعي صحيحة بالفعل. بمجرد أن ينتج الكود نتيجة ما، واجه الطلاب صعوبة في التحقق مما إذا كانت تلك النتيجة منطقية في العالم الحقيقي. هذه عقبة حرجة، حيث يمكن للذكاء الاصطناعي إنتاج إجابات سلسة ومقنعة لكنها خاطئة بشكل دقيق. لاحظ الباحثون أنه بينما ساعدت ساعات الممارسة الإضافية الطلاب على تشغيل الكود، إلا أنها لم تحل تماماً مشكلة معرفة ما إذا كانت المخرجات صحيحة. ووجدوا أن خطوة التحقق هذه تتطلب عمقاً في المعرفة المتخصصة لم يمتلكه معظم الطلاب ولم يكن من المرجح أن يطوروه بمفردهم بعد الفصل الدراسي.
تقدم النتائج صورة واضحة، وإن كانت دقيقة، لكيفية تكيف التعليم مع الذكاء الاصطناعي. لم تجد الدراسة أن مجرد منح الطلاب إمكانية الوصول إلى أجهزة الكمبيوتر أو أدوات الذكاء الاصطناعي كافٍ لتحسين مهاراتهم. بدلاً من ذلك، أظهرت أن هيكل بيئة التعلم أمر بالغ الأهمية. فعندما يُمنح الطلاب الفرصة لممارسة الدورة الكاملة لتوجيه الذكاء الاصطناعي تحت العين الساهرة للمعلم، فإنهم يتعلمون كيفية إدارة سير العمل بفعالية أكبر. وتزداد هذه الميزة مع زيادة صعوبة المهام، مما يشير إلى أن القدرة على إدارة هذه الأدوات هي مهارة تُبنى من خلال التكرار والتوجيه. ومع ذلك، تترك الأبحاث سؤالاً مفتوحاً: كيف نعلم الطلاب كيفية رصد الأخطاء التي قد يخفيها حتى الكود الذي يبدو مثالياً؟ تخلص الدراسة إلى أنه بينما تحل الممارسة تحت الإشراف مشكلة جعل الآلة تعمل، فإن التحدي الأصعب المتمثل في معرفة متى تكون الآلة على صواب يظل مهمة تتطلب مزيداً من الاستكشاف في المستقبل.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.