Supervised Practice Time and the AI-Code Workflow: Evidence from Finance Undergraduates at a Regional Chinese University

In der modernen Klasse der Finanzwissenschaft hat eine stille Revolution stattgefunden. Jahrzehntelang bedeutete das Erlernen der Marktanalyse, die Syntax von Computercode zu beherrschen – eine Barriere, die viele Studenten davon abhielt, die tiefere Logik der Wirtschaftswissenschaften zu erreichen. Heute kann eine neue Art von künstlicher Intelligenz diesen Code sofort schreiben und einfache englische Sätze in funktionierende Programme verwandeln. Dieser Wandel hat die Herausforderung von der Aufgabe des Schreibens der Anweisungen hin zum Management des Prozesses verschoben: die richtigen Fragen stellen, das Skript ausführen, die Ergebnisse prüfen und die Fehler beheben. Die zentrale Frage für Pädagogen ist nicht mehr, ob Studenten Befehle eintippen können, sondern ob sie diese neue digitale Assistenz effektiv steuern können. Wenn die Maschine die schwere Arbeit des Schreibens übernehmen kann, muss der Student dann noch immer das Handwerk üben, und wenn ja, wie?

Ein Forscherteam ging mit der Absicht voran, dies zu beantworten, indem es Studenten an einer regionalen Universität in China beobachtete. Sie konzentrierten sich auf eine einfache Variable: die kontrollierte Übungszeit. Dies ist die Zeit, die ein Student an einem Computer verbringt, während ein Dozent im Raum anwesend ist, anstatt nur einer Demonstration zuzusehen oder alleine zu Hause zu arbeiten. Die Forscher fragten sich, ob diese zusätzliche Zeit, geleitet durch einen Lehrer, den Studenten helfen würde, besser darin zu werden, die KI zu steuern. Sie rekrutierten vier bestehende Klassen von Finanzstudenten, insgesamt 138 Studenten, und teilten sie in zwei Gruppen auf. Einer Gruppe war es erlaubt, zu jeder Unterrichtsstunde ihre eigenen Laptops mitzubringen, was ihnen ermöglichte, den Zyklus aus dem Prompten der KI, dem Ausführen des Codes und dem Überprüfen der Ausgabe unter den Augen des Lehrers zu üben. Die andere Gruppe folgte einem Standardplan, bei dem sie nur während spezifischer, geplanter Laborphasen Zugang zu Computern hatte und den Rest der Unterrichtszeit damit verbrachte, dem Instruktor bei der Arbeit an einem Bildschirm zuzusehen.

Die Studie entfaltete sich über zwei Semester. Im ersten Semester arbeiteten die Studenten mit einem Finanzmodellierungsprogramm namens MATLAB. Sie stellten sich vier praktischen Tests gegenüber, bei denen sie reale Probleme lösen mussten, wie etwa die Berechnung des Preises einer Anleihe oder die Analyse von Börsentrends. Die Regeln waren streng: Der Code musste ohne Fehler laufen und ein spezifisches numerisches Ergebnis liefern. Die Ergebnisse zeigten eine klare Divergenz. Zu Beginn performten beide Gruppen ähnlich, wobei die Punktzahlen nahe am unteren Ende der Skala lagen. Doch als die Wochen verstrichen und die Aufgaben komplexer wurden, begann die Gruppe mit mehr kontrollierter Übungszeit den Anschluss zu gewinnen. Beim abschließenden Test erzielten die Studenten, die in der Klasse mit ihren Laptops geübt hatten, etwa elf Punkte mehr als diejenigen, die nur zugesehen hatten. Diese Lücke war nicht nur ein statistischer Ausreißer; sie repräsentierte eine Verschiebung der gesamten Klassendistribution. Die Studenten mit mehr Praxis waren weitaus weniger wahrscheinlich beim ersten Schritt steckenzubleiben und eher in der Lage, die vollständige Sequenz der Aufgaben abzuschließen.

Die Forscher folgten zwei dieser Klassen in ein zweites Semester, in dem sie ein anderes Softwareprogramm namens Stata für Unternehmensfinanzprobleme bearbeiteten. Eine dieser Klassen erhielt eine zusätzliche Runde der „Bring Your Own Device“-Regelung, während die andere am Standardplan festhielt. Obwohl dies ein neues Softwaretool und ein neuer Satz von Problemen war, wiederholte sich das Muster. Die Klasse mit den zusätzlichen kontrollierten Stunden schnitt signifikant besser ab, insbesondere bei den schwierigeren Aufgaben, die das Verknüpfen mehrerer Schritte erforderten. Die Studenten mit mehr Praxis waren fast doppelt so wahrscheinlich in der Lage, die schwierigsten Aufgaben zu bewältigen, im Vergleich zu ihren Kollegen, die weniger Zeit hatten, den Arbeitsablauf unter Aufsicht zu proben.

Um zu verstehen, warum dies geschah, fragten die Forscher die Studenten direkt. Die Antworten deuteten auf ein menschliches Merkmal hin und nicht auf ein technisches. Als gefragt wurde, was sie am Erlernen des KI-Workflows hinderte, nannten die überwiegende Mehrheit der Studenten, in beiden Gruppen, einen Mangel an Selbstmotivation. Sie gaben zu, dass sie ohne die Struktur eines Kurses und die Anwesenheit eines Lehrers den Zyklus aus Prompting und Überprüfung niemals von sich aus praktiziert hätten. Die kontrollierten Stunden fungierten als Ersatz für diesen fehlenden Antrieb und zwangen die Praxis dazu, stattzufinden, wo sie es sonst nicht getan hätte. Die Studie legt nahe, dass der Wert dieser zusätzlichen Stunden nicht in der Technologie selbst lag, sondern in der Umgebung, die die Studenten zur Nutzung dersanregte.

Die Studie offenbarte jedoch auch einen neuen Engpass, der auftrat, sobald die Studenten den Code zum Laufen brachten. Die größte Schwierigkeit, die sie berichteten, war nicht länger das Schreiben des Prompts oder das Beheben eines Syntaxfehlers; es war das Urteilen darüber, ob die Antwort, die die KI gab, tatsächlich korrekt war. Sobald der Code ein Ergebnis lieferte, hatten die Studenten Schwierigkeiten zu verifizieren, ob dieses Ergebnis in der realen Welt Sinn ergab. Dies ist eine kritische Hürde, da künstliche Intelligenz flüssige, überzeugende Antworten produzieren kann, die subtil falsch sind. Die Forscher stellten fest, dass die zusätzliche Übungszeit den Studenten zwar half, den Code zum Laufen zu bringen, aber nicht vollständig das Problem löste, zu wissen, ob die Ausgabe richtig war. Dieser Verifizierungsschritt, so stellten sie fest, erfordert eine Tiefe des Fachwissens, die die meisten Studenten nicht besaßen und die sie auch kaum nach dem Unterricht aus eigener Kraft entwickeln würden.

Die Ergebnisse zeichnen ein klares, wenn auch nuanciertes Bild davon, wie sich die Bildung an die künstliche Intelligenz anpasst. Die Studie fand nicht, dass es ausreichte, den Studenten einfach nur Zugang zu Computern oder KI-Tools zu geben, um ihre Fähigkeiten zu verbessern. Stattdessen zeigte sie, dass die Struktur des Lernumfelds eine tiefe Bedeutung hat. Wenn Studenten die Chance erhalten, den vollständigen Zyklus der Steuerung einer KI unter den wachsamen Augen eines Instruktors zu üben, lernen sie, den Arbeitsablauf effektiver zu navigieren. Der Vorteil wächst, wenn die Aufgaben schwieriger werden, was darauf hindeutet, dass die Fähigkeit, diese Werkzeuge zu managen, eine Fertigkeit ist, die durch Wiederholung und Anleitung aufgebaut wird. Dennoch lässt die Forschung eine Frage offen: Wie bringen wir Studenten bei, die Fehler zu erkennen, die selbst ein perfekt aussehender Code verbergen könnte? Die Studie kommt zu dem Schluss, dass die kontrollierte Praxis zwar das Problem löst, die Maschine zum Arbeiten zu bringen, die schwierigere Aufgabe, zu wissen, wann die Maschine recht hat, jedoch eine Aufgabe für zukünftige Untersuchungen bleibt.