"Why Put in This Much Effort?": How AI Availability Shapes Students' Motivation in Introductory Programming
Durch semistrukturierte Interviews mit Ingenieurstudierenden in einem Einführungskurs für MATLAB wendet diese Studie die Situated Expectancy-Value Theory an, um aufzuzeigen, dass die Verfügbarkeit von KI zwar ein Spannungsfeld zwischen dem Wunsch nach anstrengendem Lernen und der Versuchung von Abkürzungen schafft, Studierende, die diesen Konflikt erfolgreich bewältigen, jedoch die Motivation im Lernprozess selbst finden, was die Notwendigkeit von Kursdesigns nahelegt, die darauf abzielen, den Fokus auf die Unterstützung der Art und Weise des Lernens zu legen, anstatt lediglich das zu bewerten, was die Studierenden produzieren.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie lernen, einen komplexen Kuchen zu backen. Sie verbringen Stunden damit, Zutaten abzuwiegen, den Teig zu mischen und den Ofen zu beobachten, nur um dann festzustellen, dass ein Freund eine „Magische Kuchenmaschine“ hat, die in 30 Sekunden einen perfekten, identischen Kuchen produzieren kann.
Dies ist die Situation, der heute Studierende der Ingenieurwissenschaften in Einführungskursen für Programmierung gegenüberstehen. Die „magische Maschine“ ist generative KI (wie ChatGPT), die Code fast augenblicklich schreiben kann. Diese Arbeit stellt eine einfache, aber tiefgründige Frage: Wenn die Studierenden wissen, dass diese Maschine existiert, ändert das ihr Motivationsgefüge, den Kuchen selbst backen zu wollen?
Die Forscher interviewten 13 Ingenieurstudierende (die das Programmieren als Werkzeug für ihre Aufgaben im Ingenieurwesen lernen, nicht um professionelle Programmierer zu werden), um herauszufinden, wie es darum steht. Hier sind die Ergebnisse, unterteilt in einfache Konzepte.
1. Die „Kosten“ des Aufwands sind gestiegen
Die größte Veränderung war nicht, dass die Studierenden plötzlich das Programmieren hassten. Es war vielmehr, dass die Kosten des Selbermachens sich viel höher anfühlten.
- Die Analogie: Stellen Sie sich vor, Sie wandern einen Berg hinauf. Es ist harte Arbeit, aber Sie fühlen sich stolz, wenn Sie den Gipfel erreichen. Stellen Sie sich nun vor, ein Hubschrauber schwebt in der Nähe, der Sie in Sekundenschnelle direkt zum Gipfel bringen kann.
- Das Ergebnis: Selbst wenn der Wanderlustige eigentlich wandern möchte, lässt das Sehen des Hubschraubers die Wanderung wie Zeitverschwendung erscheinen. Sie beginnen zu denken: „Warum drei Stunden lang mit einem Bug kämpfen, wenn die KI ihn in drei Sekunden beheben kann?“ Der Aufwand fühelt sich weniger „lohnenswert“ an, weil eine schnellere, einfachere Alternative immer sichtbar ist.
2. Die „Magische Maschine“ stiehlt die Genugtuung
Für viele Studierende kommt die Freude am Programmieren aus dem Kampf – dem „Aha!“-Moment, wenn ein kaputtes Teil endlich einrastet.
- Die Analogie: Denken Sie an das Lösen eines Puzzles. Der Spaß liegt darin, herauszufinden, wohin die Teile gehören. Wenn jemand anderes Ihnen einfach das fertige Puzzle überreicht, haben Sie zwar das Bild, aber Sie haben den Spaß am Lösen verloren.
- Das Ergebnis: Studierende, die KI nutzten, um ihre Arbeit zu beenden, fühlten sich weniger kompetent. Sie beschrieben das Ergebnis als „künstlich“. Ein Student sagte: „Ich habe es nicht selbst gemacht, also fühlt es sich nicht wie mein eigener Sieg an.“ Je mehr sie sich auf die KI verließen, desto weniger erfüllend fühlte sich der „Sieg“ an.
3. Die Identitätskrise (Wer bin ich?)
Einige Studierende hatten einen starken inneren Kompass. Sie sahen sich selbst als „Menschen, die Dinge herausfinden“.
- Die Analogie: Stellen Sie sich einen Läufer vor, der sich über seine Ausdauer definiert. Selbst wenn ein Auto verfügbar ist, läuft er trotzdem, weil das Laufen ein Teil dessen ist, wer er ist.
- Das Ergebnis: Studierende, die ihre Identität an das „Ringen und Lernen“ knüpften, konnten der KI besser widerstehen. Sie setzten sich eigene Regeln, wie zum Beispiel: „Ich kann KI nutzen, um meine Arbeit zu überprüfen, aber ich muss den Code zuerst selbst schreiben.“ Sie definierten den Aufwand um: „Es geht nicht nur um den Kuchen; es geht um die Übung des Backens.“
4. Der „Gruppenzwang-Hubschrauber“
Es ging nicht nur um die eigenen Entscheidungen der Studierenden, sondern auch darum, was sie über ihre Kommilitonen dachten.
- Die Analogie: Wenn Sie der Einzige sind, der den Berg hochläuft, während alle anderen den Hubschrauber nehmen, fühlen Sie sich plötzlich albern. Sie fragen sich: „Warum verschwende ich meine Zeit?“
- Das Ergebnis: Studierende hatten das Gefühl, dass ihre harte Arbeit „entwertet“ wurde, wenn sie wussten, dass ihre Kommilitonen KI nutzten, um mit weniger Aufwand bessere Noten zu erzielen. Dies erzeugte den Anreiz, einfach in den Hubschrauber zu steigen, nur um Schritt zu halten, selbst wenn sie es eigentlich nicht wollten.
5. Die zwei Arten von Studierenden
Die Forscher fanden zwei Hauptgruppen von Studierenden, die sich in dieser neuen Welt bewegten:
- Die „Bewaffneten Wanderer“ (7 Studierende): Diese Studierenden schätzten den Kampf. Sie nutzten die KI wie eine Karte oder einen Kompass (um die Syntax zu prüfen oder ein Konzept zu verstehen), weigerten sich aber, sich von ihr den Berg hinauftragen zu lassen. Sie setzten strikte Grenzen, um ihr eigenes Lernen zu schützen.
- Die „Hubschrauber-Ritter“ (5 Studierende): Diese Studierenden sagten zwar auch, dass sie das Lernen schätzten, aber wenn die Arbeit schwer wurde oder sie müde waren, nahmen sie den Hubschrauber. Sie fühlten sich später schuldig, sagten aber: „Ich weiß, dass ich nicht so viel lerne, aber es war einfach so verlockend, es hinter sich zu bringen.“ Sie fühlten sich oft weniger sicher in ihren eigenen Fähigkeiten, weil sie sich zu sehr auf die Maschine verließen.
Das große Fazit
Die Arbeit kommt zu dem Schluss, dass das Problem nicht darin besteht, dass die Studierenden faul sind oder sich nicht interessieren. Die meisten von ihnen interessieren sich tatsächlich.
Das Problem ist, dass die Verfügbarkeit einer „Magischen Maschine“ die Kalkulation in ihrem Kopf verändert. Sie lässt die harte Arbeit wie ein schlechtes Geschäft erscheinen.
- Für die „Bewaffneten Wanderer“: Sie fanden die Motivation im Prozess selbst. Sie lernten, den Hubschrauber zu ignorieren und sich auf die Wanderung zu konzentrieren.
- Für die „Hubschrauber-Ritter“: Sie gerieten in eine Endlosschleife. Sie nutzten die Maschine, um Zeit zu sparen, was sie weniger geschickt machte, was wiederum dazu führte, dass sie die Maschine noch dringender benötigten.
Was bedeutet das für Lehrkräfte?
Die Arbeit legt nahe, dass ein einfaches Verbot von KI nicht funktionieren wird, da die Versuchung intern ist. Stattdessen müssen Lehrkräfte vielleicht die Gestaltung der Kurse ändern. Anstatt nur den fertigen „Kuchen“ (den Code) zu bewerten, sollten sie den „Backprozess“ bewerten (wie der Studierende gerungen und gelernt hat). Sie müssen den Studierenden helfen zu erkennen, dass der Kampf selbst der wertvolle Teil ist, nicht nur das Endergebnis.
Kurz gesagt: KI macht das Programmieren nicht nur einfacher; sie lässt den Aufwand beim Programmieren schwieriger erscheinen zu rechtfertigen. Studierende, die Freude am Kampf finden, sind diejenigen, die weiterlernen werden, während andere sich im Abkürzungsweg verlieren könnten.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.