💻 computer science

How Do Developers Interact with AI? An Exploratory Study on Modeling Developer Programming Behavior

Este estudio de métodos mixtos con 76 desarrolladores introduce el modelo S-IASE para caracterizar la naturaleza multidimensional de la programación asistida por IA al integrar intenciones, acciones, herramientas y emociones, revelando que el uso de la IA fomenta un flujo emocional más estable y una generación de código más enfocada, al tiempo que elicita respuestas psicológicas complejas como el síndrome del impostor.

Autores originales: Yinan Wu, Ze Shi Li, Kathryn Thomasset Stolee, Bowen Xu

Publicado 2026-05-01

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Yinan Wu, Ze Shi Li, Kathryn Thomasset Stolee, Bowen Xu

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina el desarrollo de software como un proceso de cocina complejo. Durante décadas, los chefs (desarrolladores) han seguido recetas, picado ingredientes y gestionado las estufas completamente por su cuenta. Pero recientemente, un nuevo tipo de "ayudante de cocina inteligente" (asistentes de IA como GitHub Copilot o ChatGPT) ha entrado en la cocina. Estos ayudantes pueden sugerir recetas al instante, picar verduras o incluso presentar los platos.

El documento que proporcionaste es como una observación detallada de lo que sucede cuando los chefs reales comienzan a usar estos ayudantes inteligentes. Los investigadores querían saber: ¿El chef simplemente se sienta a mirar, o cambia la forma en que cocina? ¿Qué están pensando y sintiendo mientras trabaja el ayudante?

Aquí tienes un desglose de sus hallazgos en términos sencillos:

1. La nueva "receta" para cocinar: El modelo S-IASE

Antes de este estudio, los investigadores observaban a los chefs desde fuera y contaban cuántas veces picaban o removían. Se perdían lo que sucedía dentro de la mente del chef.

Los investigadores crearon una nueva forma de observar la cocina, llamada el Modelo S-IASE. En lugar de solo observar las manos, observaron cuatro cosas que ocurrían simultáneamente:

Estado: ¿En qué parte de la receta estamos ahora? (por ejemplo, "La salsa se está quemando" o "Necesitamos encontrar una especia").
Intención: ¿Qué está intentando hacer el chef? (por ejemplo, "Necesito corregir este error" o "Quiero hacer esto más rápido").
Acción + Herramienta: ¿Qué están haciendo y qué herramienta están usando? (por ejemplo, "Pidiendo una sugerencia al ayudante" frente a "Buscando una especia en un libro").
Emoción: ¿Cómo se siente el chef? (por ejemplo, "Feliz", "Frustrado" o "Culpable").

Descubrieron que cuando los chefs usan al ayudante inteligente, estas cuatro cosas cambian y bailan juntas de una manera compleja.

2. El baile de "Confía pero verifica"

Los investigadores notaron un ritmo específico en cómo los chefs usaban la IA. No era simplemente "preguntar y aceptar". Era más como un juego de ping-pong:

El chef le pide una solución a la IA.
La IA devuelve una sugerencia (un "ping").
El chef la verifica inmediatamente, la ajusta o ejecuta una prueba (el "pong").
Si funciona, continúan. Si no, preguntan de nuevo.

La analogía: Imagina un chef que ya no lee todo el libro de recetas. En su lugar, le pregunta al ayudante: "¿Cómo hago esta salsa?". El ayudante dice: "Añade sal". El chef la prueba, dice: "Demasiado salada", y pregunta: "¿Qué tal si pongo menos sal?". Siguen yendo y viniendo hasta que queda bien. Están creando y verificando mucho más rápido, pero están pasando menos tiempo leyendo profundamente las instrucciones antes de comenzar.

3. La montaña rusa emocional (o la falta de ella)

El estudio comparó dos grupos de chefs:

Grupo A: Usó al ayudante inteligente.
Grupo B: Tuvo que cocinar todo desde cero sin ayuda.

El hallazgo: El grupo que usó la IA tuvo un viaje emocional mucho más suave. Se sintieron menos estresados y menos frustrados. Estaban más felices y más seguros.

¿Por qué? Porque la IA les ayudó a desatascarse rápidamente.
El problema: Aunque estaban más felices, algunos chefs sintieron una culpa secreta. Se sintieron como "impostores" (fraudes). Un chef dijo: "Terminé el plato con la ayuda de la IA, pero me siento culpable porque no aprendí a hacerlo yo mismo". Se preocupaban de que si no hacían el trabajo, realmente no estaban aprendiendo.

4. El problema de "Muéstrame, no me digas"

A veces, el ayudante inteligente da instrucciones que son técnicamente correctas pero difíciles de seguir porque son solo texto.

El escenario: El ayudante dice: "Haz clic en el botón de la esquina superior derecha".
El problema: El chef no puede encontrar el botón. El texto es vago.
La reacción: El chef abandona a la IA, va a un foro humano (como Stack Overflow) o busca una imagen/diagrama para ver exactamente dónde está el botón.
La lección: Los chefs necesitan elementos visuales. Quieren ver los pasos, no solo leerlos. Cuando la IA solo da texto, el chef se atasca y tiene que ir a buscar una imagen en otro lugar.

5. ¿Quién usa más la IA?

El estudio encontró que los chefs tenían más probabilidades de confiar en la IA en dos situaciones:

Cuando estaban super familiarizados con el plato (conocían lo básico, así que solo querían velocidad).
Cuando estaban completamente perdidos (no tenían idea de qué hacer, así que necesitaban un punto de partida).

El punto medio: Si un chef sabía un poco sobre el plato pero no era un experto, en realidad era escéptico de la IA. Pediría ayuda a la IA, pero luego verificaría todo porque aún no confiaba plenamente en la respuesta de la IA.

Resumen

El documento concluye que la IA no es solo una herramienta que hace que la codificación sea más rápida; cambia la personalidad completa del desarrollador.

Se vuelven más enfocados en construir y probar en lugar de leer y planificar.
Se sienten menos estresados pero a veces más culpables por depender de la ayuda.
Necesitan ayudas visuales porque las instrucciones solo en texto a menudo los fallan.

Los investigadores construyeron este modelo "S-IASE" para ayudar a los futuros diseñadores de IA a entender que no están construyendo solo un generador de código; están construyendo un socio que afecta cómo los desarrolladores piensan, sienten y trabajan.

A continuación se presenta un resumen técnico detallado del artículo "¿Cómo interactúan los desarrolladores con la IA? Un estudio exploratorio sobre el modelado del comportamiento de programación de los desarrolladores":

1. Planteamiento del Problema

La integración rápida de asistentes de IA (por ejemplo, GitHub Copilot, ChatGPT) en la ingeniería de software ha transformado las prácticas de desarrollo. Sin embargo, la investigación existente se centra en gran medida en resultados observables (por ejemplo, velocidad de generación de código, reducción de errores) o en modos de interacción estrechos (por ejemplo, "aceleración" frente a "exploración").

Brecha: Existe una falta de comprensión profunda sobre la naturaleza multidimensional de la interacción desarrollador-IA. Los modelos anteriores a menudo tratan la interacción como una única actividad o se basan únicamente en la observación externa, sin capturar la interacción entre las intenciones ocultas, las acciones concretas, el uso de herramientas y los estados emocionales.
Objetivo: Desarrollar un modelo integral que caracterice el comportamiento de programación de los desarrolladores en el contexto de la asistencia de IA, capturando el ciclo de retroalimentación dinámica entre estado, intención, acción, herramientas y emoción.

2. Metodología

Los autores realizaron un estudio de usuarios de métodos mixtos que involucró a 76 desarrolladores (estudiantes de pregrado/posgrado y profesionales con experiencia en la industria).

Diseño del Estudio:
- Grupos: Los participantes se dividieron en grupos asistidos por IA (se les permitió usar cualquier herramienta de IA preferida) y Sin IA (sin herramientas de IA).
- Tareas: Se asignaron dos tareas realistas de ingeniería de software con límite de tiempo (25 minutos) basadas en conocimientos previos:
  1. PyT: Tarea en Python que involucra la gestión de la API REST de GitHub (creación de organización, generación de tokens, creación de repositorio).
  2. JavaT: Tarea en Java que involucra operaciones de base de datos MySQL (configuración, operaciones CRUD, consultas de negocio).
- Procedimiento:
  1. Encuesta previa: Se recopilaron datos demográficos, experiencia en programación y familiaridad con la IA.
  2. Actividad: Los participantes realizaron la tarea mientras se grababa su pantalla.
  3. Anotación: Los participantes vieron retrospectivamente sus grabaciones y utilizaron una herramienta de anotación personalizada para segmentar el video en intervalos de tiempo. Para cada intervalo, etiquetaron:
    - Intención: El objetivo detrás de la acción.
    - Acción: La actividad específica realizada.
    - Herramienta de soporte: La herramienta utilizada (por ejemplo, IA, IDE, Motor de búsqueda).
    - Emoción: Calificada en una escala de valencia de 7 puntos.
  4. Encuesta posterior y entrevistas: Se midió la carga cognitiva (NASA-TLX), la autoeficacia y se realizaron entrevistas semiestructuradas (14 participantes) utilizando la Teoría Fundamentada Socio-Técnica (STGT).
Análisis de Datos:
- Cuantitativo: Análisis estadístico (regresión OLS, corrección de Benjamini–Hochberg) para identificar patrones de comportamiento agregados. Minería de patrones secuenciales (algoritmo CloSpan) para identificar transiciones de estado recurrentes.
- Cualitativo: Análisis temático de las entrevistas para interpretar los hallazgos cuantitativos y descubrir experiencias emocionales matizadas.

3. Contribuciones Clave

El artículo introduce el Modelo S-IASE, un marco novedoso para modelar el comportamiento de programación de los desarrolladores.

El Modelo S-IASE: Define un estado de desarrollo como una tupla:
$Estado_n \rightarrow Estado_{n+1} [Intención, \langle Acción, Herramienta de Soporte \rangle, Emoción]$
- Estado: El contexto de desarrollo actual.
- Intención: El objetivo del desarrollador (por ejemplo, "Resolver Errores", "Implementar Código").
- Acción y Herramienta de Soporte: Emparejadas para distinguir entre acciones realizadas con/sin IA u otras herramientas (por ejemplo, "Escribir Código" + "Herramienta de IA" vs. "Escribir Código" + "IDE").
- Emoción: Estado afectivo (escala de valencia de 7 puntos).
Herramienta de Anotación: Una herramienta de código abierto desarrollada para facilitar la anotación retrospectiva de estas cuatro dimensiones.
Patrones de Comportamiento: Reveló tanto patrones agregados (estadísticos) como secuenciales (temporales) de interacción.

4. Resultados Clave

A. Patrones de Comportamiento Agregados (RQ2)

Cambio de Enfoque: Los desarrolladores asistidos por IA se centraron significativamente más en crear, evaluar y verificar código. Pasaron menos tiempo en la lectura profunda y la comprensión en comparación con los desarrolladores sin IA.
Uso de Herramientas: Los grupos de IA dependieron significativamente menos de los Motores de Búsqueda (por ejemplo, Stack Overflow) y más de las Herramientas de IA y los IDE. Esto sugiere que la IA se ha convertido en la interfaz de conocimiento principal.
Estabilidad Emocional: Los participantes asistidos por IA reportaron emociones más positivas y neutrales y menos fluctuaciones negativas. Los participantes sin IA experimentaron mayor frustración y volatilidad emocional.
Rendimiento de la Tarea: Los grupos de IA lograron tasas de finalización y corrección funcional más altas, aunque la corrección general se mantuvo baja (13%) debido a la complejidad de la tarea.

B. Patrones de Comportamiento Secuencial (RQ3)

"Confía pero Verifica": Una secuencia dominante observada fue: Entender el Contexto $\rightarrow$ Implementar Código (vía IA) $\rightarrow$ Diseñar/Planear Nuevo Código. Esto invierte el paradigma tradicional de "Diseñar- luego-Implementar"; los desarrolladores usan la IA para obtener un "punto de apoyo" en la base de código primero, y luego refinan la arquitectura.
Ciclo de Retroalimentación Iterativo: Lectura $\rightarrow$ Prompting $\rightarrow$ Escritura $\rightarrow$ Lectura. Los desarrolladores tratan la salida de la IA como borradores, participando en ciclos rápidos de prueba y error en lugar de una comprensión inicial profunda.
Desajuste de Modalidad: Cuando las tareas requerían orientación visual (por ejemplo, configuración de API), las sugerencias de IA basadas solo en texto fallaron, haciendo que los desarrolladores recurrieran a los motores de búsqueda para documentación visual.

C. Perspectivas Cualitativas (Entrevistas)

El Fenómeno del "Impostor": A pesar de la estabilidad emocional estadística, muchos desarrolladores asistidos por IA reportaron culpa, duda de sí mismos y síndrome del impostor. Sentían que estaban "haciendo trampa" o no aprendiendo, lo que generaba un conflicto interno entre la productividad (velocidad) y el desarrollo de habilidades (comprensión).
Autoculpa: Cuando el código generado por la IA fallaba, los desarrolladores a menudo culpaban a sus propias habilidades de prompting o al entorno en lugar de a la herramienta de IA en sí misma.

5. Significado e Implicaciones

Para Investigadores: El modelo S-IASE proporciona una lente estructurada y multidimensional para estudiar la interacción desarrollador-IA, yendo más allá del simple registro de actividades para incluir estados afectivos e intencionales. Destaca la necesidad de estudiar las capas cognitivas y emocionales "ocultas" de la colaboración con IA.
Para Practicantes (Diseñadores de IA):
- Orientación Visual: Los asistentes de IA necesitan soportar modalidades visuales (capturas de pantalla, diagramas) para tareas de configuración y ajuste, no solo texto.
- Calibración de la Confianza: Los sistemas deberían ayudar a los desarrolladores a verificar las salidas de la IA sin inducir culpa, quizás destacando explícitamente lo que la IA está haciendo para fomentar el aprendizaje.
- Integración del Flujo de Trabajo: Las herramientas deberían soportar el flujo de trabajo "Confía pero Verifica", facilitando la iteración rápida y el cambio fácil entre la generación por IA y el refinamiento manual.
Para la Educación: Los planes de estudio deberían abordar la tensión entre el uso de la IA para la eficiencia y el mantenimiento de una comprensión conceptual profunda, preparando a los desarrolladores para gestionar los sentimientos de "impostor" asociados con la dependencia de la IA.

Conclusión

Este estudio cierra una brecha crítica en la comprensión de las complejidades socio-técnicas de la interacción desarrollador-IA. Al modelar el comportamiento a través del marco S-IASE, los autores revelan que la asistencia de IA altera fundamentalmente la secuencia y la textura emocional de la programación, creando un nuevo paradigma de "codificación por vibración" que prioriza la iteración y verificación rápidas sobre la comprensión inicial profunda, mientras introduce nuevos desafíos psicológicos para los desarrolladores.