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

En el aula moderna de las finanzas, se ha producido una revolución silenciosa. Durante décadas, aprender a analizar los mercados significaba dominar la sintaxis del código informático, una barrera que impedía a muchos estudiantes alcanzar la lógica más profunda de la economía. Hoy en día, un nuevo tipo de inteligencia artificial puede escribir ese código instantáneamente, convirtiendo oraciones en lenguaje natural en programas funcionales. Este cambio ha trasladado el desafío de escribir las instrucciones a la gestión del proceso: hacer las preguntas adecuadas, ejecutar el script, verificar los resultados y corregir los errores. La pregunta central para los educadores ya no es si los estudiantes pueden teclear comandos, sino si pueden dirigir eficazmente a este nuevo asistente digital. Si la máquina puede realizar el trabajo pesado de la escritura, ¿necesita el estudiante seguir practicando el oficio y, de ser así, cómo?

Un equipo de investigadores se propuso responder a esto observando a estudiantes en una universidad regional de China. Se centraron en una variable sencilla: el tiempo de práctica supervisada. Este es el tiempo que un estudiante pasa trabajando en una computadora con un instructor presente en la sala, en lugar de simplemente observar una demostración o trabajar solo en casa. Los investigadores se preguntaron si tener ese tiempo adicional, guiado por un profesor, ayudaría a los estudiantes a mejorar en el mando de la IA. Reclutaron a cuatro clases completas de estudiantes de grado en finanzas, con un total de 138 alumnos, y los dividieron en dos grupos. A un grupo se le permitió traer sus propias computadoras portátiles a cada sesión de clase, permitiéndoles practicar el ciclo de proponer instrucciones a la IA, ejecutar el código y verificar el resultado mientras el profesor observaba. El otro grupo siguió un horario estándar, donde solo tenían acceso a las computadoras durante sesiones de laboratorio específicas y programadas, pasando el resto del tiempo de clase observando al instructor realizar el trabajo en una pantalla.

El estudio se desarrolló a lo largo de dos semestres. En el primer trimestre, los estudiantes trabajaron con un programa de modelado financiero llamado MATLAB. Se enfrentaron a cuatro pruebas prácticas en las que debían resolver problemas del mundo real, como calcular el precio de un bono o analizar tendencias del mercado de valores. Las reglas eran estrictas: el código debía ejecutarse sin errores y producir una respuesta numérica específica. Los resultados mostraron una clara divergencia. Al principio, ambos grupos se desempeñaron de manera similar, con puntuaciones que rondaban la parte baja de la escala. Sin embargo, a medida que pasaban las semanas y las tareas se volvían más complejas, el grupo con más tiempo de práctica supervisada comenzó a tomar la delantera. Para la prueba final, los estudiantes que habían practicado con sus computadoras portátiles en clase obtuvieron aproximadamente once puntos más que aquellos que solo habían observado. Esta brecha no fue solo un bache estadístico; representó un cambio en toda la distribución de la clase. Los estudiantes con más práctica tenían muchas menos probabilidades de quedarse estancados en el primer paso y eran más propensos a completar la secuencia completa de tareas.

Los investigadores siguieron luego a dos de las clases hacia un segundo semestre, donde abordaron un programa de software diferente llamado Stata para problemas de finanzas corporativas. Una de estas clases recibió una ronda adicional de la disposición de "traer su propio dispositivo", mientras que la otra se mantuvo en el horario estándar. Aunque se trataba de una nueva herramienta de software y un nuevo conjunto de problemas, el patrón se repitió. La clase con las horas de práctica supervisada adicionales tuvo un desempeño significativamente mejor, particularmente en las tareas más difíciles que requerían encadenar múltiples pasos. Los estudiantes con más práctica tenían casi el doble de probabilidades de completar las tareas más difíciles en comparación con sus compañeros que tenían menos tiempo para ensayar el flujo de trabajo bajo supervisión.

Para entender por qué sucedió esto, los investigadores preguntaron directamente a los estudiantes. Las respuestas apuntaron a un rasgo humano más que a uno técnico. Cuando se les preguntó qué les impedía aprender el flujo de trabajo de la IA, la gran mayoría de los estudiantes, en ambos grupos, citaron una falta de automotivación. Admitieron que, sin la estructura de una clase y la presencia de un profesor, simplemente no habrían practicado el ciclo de proponer instrucciones y verificar por su cuenta. Las horas supervisadas actuaron como un sustituto de ese impulso faltante, forzando a que la práctica ocurriera cuando de otro modo no lo habría hecho. El estudio sugiere que el valor de estas horas adicionales no residía en la tecnología en sí, sino en el entorno que obligaba a los estudiantes a utilizarla.

Sin embargo, el estudio también reveló un nuevo cuello de botella que surgió una vez que los estudiantes lograron ejecutar el código. La mayor dificultad que reportaron ya no era escribir la instrucción o corregir un error de sintaxis; era juzgar si la respuesta que la IA entregaba era realmente correcta. Una vez que el código producía un resultado, los estudiantes tenían dificultades para verificar si ese resultado tenía sentido en el mundo real. Este es un obstáculo crítico, ya que la inteligencia artificial puede producir respuestas fluidas y convincentes que son sutilmente erróneas. Los investigadores señalaron que, si bien el tiempo de práctica adicional ayudó a los estudiantes a lograr que el código funcionara, no resolvió completamente el problema de saber si el resultado era correcto. Este paso de verificación, descubrieron, requiere una profundidad de conocimiento del dominio que la mayoría de los estudiantes no poseía y que difícilmente desarrollarían por su cuenta después de clase.

Los hallazgos ofrecen una imagen clara, aunque matizada, de cómo la educación se adapta a la inteligencia artificial. El estudio no encontró que el simple hecho de dar a los estudiantes acceso a computadoras o herramientas de IA fuera suficiente para mejorar sus habilidades. En cambio, demostró que la estructura del entorno de aprendizaje importa profundamente. Cuando se les da a los estudiantes la oportunidad de practicar el ciclo completo de dirigir una IA bajo la mirada atenta de un instructor, aprenden a navegar el flujo de trabajo de manera más efectiva. La ventaja crece a medida que las tareas se vuelven más difíciles, lo que sugiere que la capacidad de gestionar estas herramientas es una habilidad que se construye mediante la repetición y la guía. No obstante, la investigación también deja una pregunta abierta: ¿cómo enseñamos a los estudiantes a detectar los errores que incluso un código de apariencia perfecta podría ocultar? El estudio concluye que, si bien la práctica supervisada resuelve el problema de hacer que la máquina funcione, el desafío más difícil de saber cuándo la máquina tiene razón sigue siendo una tarea para la exploración futura.