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

Dans la salle de classe moderne de la finance, une révolution silencieuse a eu lieu. Pendant des décennies, apprendre à analyser les marchés signifiait maîtriser la syntaxe du code informatique, une barrière qui empêchait de nombreux étudiants d'atteindre la logique profonde de l'économie. Aujourd'hui, un nouveau type d'intelligence artificielle peut écrire ce code instantanément, transformant de simples phrases en anglais en programmes fonctionnels. Ce changement a déplacé le défi de l'écriture des instructions vers la gestion du processus : poser les bonnes questions, exécuter le script, vérifier les résultats et corriger les erreurs. La question centrale pour les éducateurs n'est plus de savoir si les étudiants peuvent taper des commandes, mais s'ils peuvent diriger efficacement ce nouvel assistant numérique. Si la machine effectue le gros du travail d'écriture, l'étudiant doit-il encore pratiquer l'art du métier, et si oui, comment ?

Une équipe de chercheurs s'est donné pour mission de répondre à cela en observant des étudiants dans une université régionale en Chine. Ils se sont concentrés sur une variable simple : le temps de pratique supervisée. Il s'agit du temps qu'un étudiant passe sur un ordinateur en présence d'un instructeur dans la pièce, plutôt que de simplement regarder une démonstration ou de travailler seul à la maison. Les chercheurs se demandaient si ce temps supplémentaire, guidé par un enseignant, aiderait les étudiants à devenir meilleurs pour commander l'IA. Ils ont recruté quatre classes entières d'étudiants de premier cycle en finance, totalisant 138 étudiants, et les ont divisées en deux groupes. Un groupe était autorisé à apporter son propre ordinateur portable à chaque séance de cours, ce qui lui permettait de pratiquer le cycle consistant à formuler l'invite (prompt), exécuter le code et vérifier le résultat pendant que l'enseignant surveillait. L'autre groupe suivait un emploi du temps standard, où l'accès aux ordinateurs n'était possible que lors de sessions de laboratoire spécifiques et programmées, passant le reste du temps de classe à regarder l'instructeur effectuer le travail sur un écran.

L'étude s'est déroulée sur deux semestres. Au premier trimestre, les étudiants ont travaillé avec un programme de modélisation financière appelé MATLAB. Ils ont été confrontés à quatre tests pratiques où ils devaient résoudre des problèmes du monde réel, tels que le calcul du prix d'une obligation ou l'analyse des tendances du marché boursier. Les règles étaient strictes : le code devait s'exécuter sans erreur et produire une réponse numérique spécifique. Les résultats ont montré une divergence claire. Au tout début, les deux groupes performaient de manière similaire, avec des scores proches du bas de l'échelle. Cependant, au fil des semaines et à mesure que les tâches devenaient plus complexes, le groupe bénéficiant de plus de temps de pratique supervisée a commencé à prendre l'avance. Lors du dernier test, les étudiants qui avaient pratiqué avec leurs ordinateurs portables en classe ont obtenu des scores environ onze points plus élevés que ceux qui s'étaient contentés de regarder. Cet écart n'était pas seulement une anomalie statistique ; il représentait un déplacement de l'ensemble de la distribution de la classe. Les étudiants ayant plus de pratique étaient beaucoup moins susceptibles de rester bloqués à la première étape et plus enclins à accomplir la séquence complète des tâches.

Les chercheurs ont ensuite suivi deux de ces classes lors d'un second semestre, où elles ont abordé un autre logiciel appelé Stata pour des problèmes de finance d'entreprise. L'une de ces classes a bénéficié d'un tour supplémentaire de l'arrangement « apportez votre propre appareil », tandis que l'autre est restée sur l'emploi du temps standard. Même s'il s'agissait d'un nouvel outil logiciel et d'un nouvel ensemble de problèmes, le schéma s'est répété. La classe ayant bénéficié des heures de pratique supervisées supplémentaires a réalisé de bien meilleures performances, particulièrement sur les tâches les plus difficiles nécessitant d'enchaîner plusieurs étapes. Les étudiants disposant de plus de pratique étaient presque deux fois plus susceptibles de terminer les tâches les plus complexes par rapport à leurs pairs ayant eu moins de temps pour répéter le flux de travail sous supervision.

Pour comprendre pourquoi cela s'était produit, les chercheurs ont interrogé directement les étudiants. Les réponses ont pointé vers un trait humain plutôt que technique. Lorsqu'on leur a demandé ce qui les empêchait d'apprendre le flux de travail de l'IA, la grande majorité des étudiants, dans les deux groupes, a cité un manque d'auto-motivation. Ils ont admis que sans la structure d'un cours et la présence d'un enseignant, ils ne pratiqueraient simplement pas le cycle de l'invite et de la vérification de leur propre chef. Les heures de supervision ont agi comme un substitut à ce manque de motivation, forçant la pratique à avoir lieu alors qu'elle ne se serait pas produite autrement. L'étude suggère que la valeur de ces heures supplémentaires ne résidait pas dans la technologie elle-même, mais dans l'environnement qui poussait les étudiants à l'utiliser.

Cependant, l'étude a également révélé un nouveau goulot d'étranglement qui est apparu une fois que les étudiants ont réussi à faire fonctionner le code. La plus grande difficulté rapportée n'était plus d'écrire l'invite ou de corriger une erreur de syntaxe, mais de juger si la réponse donnée par l'IA était réellement correcte. Une fois le code ayant produit un résultat, les étudiants peinaient à vérifier si ce résultat avait du sens dans le monde réel. C'est un obstacle critique, car l'intelligence artificielle peut produire des réponses fluides et convaincantes qui sont subtilement erronées. Les chercheurs ont noté que si le temps de pratique supplémentaire aidait les étudiants à faire fonctionner le code, cela ne résolvait pas totalement le problème de savoir si le résultat était juste. Cette étape de vérification, ont-ils constaté, nécessite une profondeur de connaissances disciplinaires que la plupart des étudiants ne possédaient pas et qu'ils ne développeraient probablement pas de leur propre initiative après les cours.

Les conclusions offrent un tableau clair, bien que nuancé, de la manière dont l'éducation s'adapte à l'intelligence artificielle. L'étude n'a pas trouvé que le simple fait de donner aux étudiants accès à des ordinateurs ou à des outils d'IA suffisait à améliorer leurs compétences. Au contraire, elle a montré que la structure de l'environnement d'apprentissage compte énormément. Lorsque les étudiants ont la possibilité de pratiquer le cycle complet de direction d'une IA sous l'œil attentif d'un instructeur, ils apprennent à naviguer plus efficacement dans le flux de travail. L'avantage croît à mesure que les tâches deviennent difficiles, suggérant que la capacité à gérer ces outils est une compétence qui se construit par la répétition et l'encadrement. Pourtant, la recherche laisse une question ouverte : comment enseigner aux étudiants à repérer les erreurs que même un code aux apparences parfaites pourrait cacher ? L'étude conclut que si la pratique supervisée résout le problème de faire fonctionner la machine, le défi plus difficile de savoir quand la machine a raison reste une tâche pour l'exploration future.