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

वित्त के आधुनिक कक्षा में, एक शांत क्रांति हुई है। दशकों तक, बाजारों का विश्लेषण करना सीखने का अर्थ कंप्यूटर कोड की वाक्य रचना (syntax) में महारत हासिल करना था, जो एक ऐसी बाधा थी जिसने कई छात्रों को अर्थशास्त्र के गहरे तर्क तक पहुँचने से रोक रखा था। आज, एक नए प्रकार की कृत्रिम बुद्धिमत्ता (AI) उस कोड को तुरंत लिख सकती है, जिससे साधारण अंग्रेजी वाक्यों को काम करने वाले प्रोग्रामों में बदला जा सकता है। इस बदलाव ने चुनौती को निर्देश लिखने से हटाकर प्रक्रिया के प्रबंधन पर केंद्रित कर दिया है: सही प्रश्न पूछना, स्क्रिप्ट चलाना, परिणामों की जाँच करना और त्रुटियों को ठीक करना। अब शिक्षकों के लिए केंद्रीय प्रश्न यह नहीं है कि क्या छात्र कमांड टाइप कर सकते हैं, बल्कि यह है कि क्या वे इस नए डिजिटल सहायक को प्रभावी ढंग से निर्देशित कर सकते हैं। यदि मशीन लिखने का भारी काम कर सकती है, तो क्या छात्र को अभी भी शिल्प का अभ्यास करने की आवश्यकता है, और यदि हाँ, तो कैसे?

शोधकर्ताओं की एक टीम ने चीन के एक क्षेत्रीय विश्वविद्यालय में छात्रों का अवलोकन करके इसका उत्तर खोजने का प्रयास किया। उन्होंने एक सरल चर (variable) पर ध्यान केंद्रित किया: पर्यवेक्षित अभ्यास समय (supervised practice time)। यह वह समय है जो एक छात्र कंप्यूटर पर एक प्रशिक्षक की उपस्थिति में बिताता है, न कि केवल एक प्रदर्शन को देखने या घर पर अकेले काम करने में। शोधकर्ता यह जानना चाहते थे कि क्या शिक्षक के मार्गदर्शन में वह अतिरिक्त समय होने से छात्रों को AI को कमांड देने में बेहतर होने में मदद मिलेगी। उन्होंने वित्त स्नातक के चार पूर्ण समूहों (intact classes) को भर्ती किया, जिनमें कुल 138 छात्र थे, और उन्हें दो समूहों में विभाजित किया। एक समूह को प्रत्येक कक्षा सत्र में अपना लैपटॉप लाने की अनुमति दी गई, जिससे उन्हें AI को प्रॉम्प्ट देने, कोड चलाने और आउटपुट की जाँच करने के चक्र का अभ्यास करने का अवसर मिला जबकि शिक्षक देख रहे थे। दूसरे समूह ने एक मानक कार्यक्रम का पालन किया, जहाँ उन्हें केवल विशिष्ट, निर्धारित लैब सत्रों के दौरान ही कंप्यूटर तक पहुँच प्राप्त थी, और बाकी कक्षा का समय उन्होंने स्क्रीन पर प्रशिक्षक को कार्य का प्रदर्शन देखते हुए बिताया।

अध्ययन दो सेमेस्टर तक चला। पहले सत्र में, छात्रों ने MATLAB नामक एक वित्तीय मॉडलिंग प्रोग्राम के साथ काम किया। उन्हें चार व्यावहारिक परीक्षणों का सामना करना पड़ा जहाँ उन्हें बॉन्ड की कीमत की गणना करने या शेयर बाजार के रुझानों का विश्लेषण करने जैसी वास्तविक दुनिया की समस्याओं को हल करना था। नियम सख्त थे: कोड बिना किसी त्रुटि के चलना चाहिए और एक विशिष्ट संख्यात्मक उत्तर देना चाहिए। परिणाम एक स्पष्ट अंतर दिखाते हैं। शुरुआत में, दोनों समूहों का प्रदर्शन समान था, जिसमें स्कोर पैमाने के निचले स्तर के करीब था। हालाँकि, जैसे-जैसे सप्ताह बीतते गए और कार्य अधिक जटिल होते गए, अधिक पर्यवेक्षित अभ्यास समय वाले समूह ने आगे निकलना शुरू कर दिया। अंतिम परीक्षण तक, वे छात्र जिन्होंने कक्षा में अपने लैपटॉप के साथ अभ्यास किया था, वे उन छात्रों की तुलना में लगभग ग्यारह अंक अधिक स्कोर कर रहे थे जिन्होंने केवल देखा था। यह अंतर केवल एक सांख्यिकीय उतार-चढ़ाव नहीं था; यह पूरी कक्षा के वितरण में एक बदलाव का प्रतिनिधित्व था। अधिक अभ्यास करने वाले छात्र पहले चरण पर अटकने की संभावना में बहुत कम थे, और कार्यों के पूर्ण क्रम को पूरा करने की अधिक संभावना रखते थे।

शोधकर्ताओं ने फिर दो सेमेस्टर तक दो कक्षाओं का अनुसरण किया, जहाँ उन्होंने कॉर्पोरेट फाइनेंस की समस्याओं के लिए Stata नामक एक अलग सॉफ्टवेयर प्रोग्राम का उपयोग किया। इनमें से एक कक्षा को "अपना डिवाइस लाओ" व्यवस्था का एक अतिरिक्त दौर मिला, जबकि दूसरी कक्षा ने मानक कार्यक्रम का पालन किया। भले ही यह एक नया सॉफ्टवेयर टूल और समस्याओं का एक नया सेट था, लेकिन पैटर्न दोहराया गया। अधिक पर्यवेक्षित घंटों वाली कक्षा ने काफी बेहतर प्रदर्शन किया, विशेष रूप से कठिन कार्यों पर जिनमें कई चरणों को एक साथ जोड़ने की आवश्यकता थी। अधिक अभ्यास करने वाले छात्र अपने उन साथियों की तुलना में सबसे कठिन कार्यों को पूरा करने में लगभग दोगुने अधिक सक्षम थे, जिनके पास पर्यवेक्षण के तहत वर्कफ़्लो का अभ्यास करने के लिए कम समय था।

यह समझने के लिए कि ऐसा क्यों हुआ, शोधकर्ताओं ने सीधे छात्रों से पूछा। उत्तर तकनीकी के बजाय मानवीय गुण की ओर इशारा करते थे। जब उनसे पूछा गया कि AI वर्कफ़्लो सीखने में उन्हें क्या रोकता है, तो दोनों समूहों के अधिकांश छात्रों ने आत्म-प्रेरणा की कमी का हवाला दिया। उन्होंने स्वीकार किया कि कक्षा की संरचना और शिक्षक की उपस्थिति के बिना, वे अपने आप प्रॉम्प्टिंग और जाँच करने के चक्र का अभ्यास नहीं करते। पर्यवेक्षित घंटे उस गायब प्रेरणा के विकल्प के रूप में कार्य करते थे, जिससे अभ्यास तब होता था जब वह अन्यथा नहीं होता। अध्ययन बताता है कि इन अतिरिक्त घंटों का मूल्य तकनीक में नहीं, बल्कि उस वातावरण में था जिसने छात्रों को इसका उपयोग करने के लिए प्रेरित किया।

हालाँकि, अध्ययन ने एक नए अवरोध (bottleneck) का भी खुलासा किया जो छात्रों के कोड चलाने के बाद उभरा। उनके द्वारा बताई गई सबसे बड़ी कठिनाई अब प्रॉम्प्ट लिखना या सिंटैक्स त्रुटि को ठीक करना नहीं थी; बल्कि यह निर्णय लेना था कि AI द्वारा दिया गया उत्तर वास्तव में सही है या नहीं। एक बार जब कोड ने परिणाम उत्पन्न कर दिया, तो छात्र यह सत्यापित करने में संघर्ष कर रहे थे कि क्या वह परिणाम वास्तविक दुनिया में तर्कसंगत है। यह एक महत्वपूर्ण बाधा है, क्योंकि कृत्रिम बुद्धिमत्ता सहज और विश्वसनीय उत्तर दे सकती है जो सूक्ष्म रूप से गलत हो सकते हैं। शोधकर्ताओं ने नोट किया कि जबकि अतिरिक्त अभ्यास समय ने छात्रों को कोड चलाने में मदद की, लेकिन इसने यह जानने की समस्या को पूरी तरह से हल नहीं किया कि आउटपुट सही है या नहीं। उन्होंने पाया कि सत्यापन का यह चरण, उस डोमेन ज्ञान की गहराई की मांग करता है जो अधिकांश छात्रों के पास नहीं था और जिसके विकसित होने की संभावना भी कम थी।

निष्कर्ष एक स्पष्ट, यदि सूक्ष्म चित्र प्रस्तुत करते हैं कि शिक्षा कृत्रिम बुद्धिमत्ता के प्रति कैसे अनुकूलित होती है। अध्ययन में यह नहीं पाया गया कि छात्रों को केवल कंप्यूटर या AI टूल तक पहुँच देना उनके कौशल में सुधार के लिए पर्याप्त था। इसके बजाय, इसने दिखाया कि सीखने के वातावरण की संरचना बहुत मायने रखती है। जब छात्रों को प्रशिक्षक की देखरेख में AI को निर्देशित करने के पूर्ण चक्र का अभ्यास करने का अवसर दिया जाता है, तो वे वर्कफ़्लो को अधिक प्रभावी ढंग से नेविगेट करना सीखते हैं। यह लाभ तब बढ़ता है जब कार्य कठिन होते जाते हैं, जो यह सुझाव देता है कि इन उपकरणों को प्रबंधित करने की क्षमता पुनरावृत्ति और मार्गदर्शन के माध्यम से निर्मित होने वाला कौशल है। फिर भी, अनुसंधान एक प्रश्न खुला छोड़ देता है: हम छात्रों को उन गलतियों को पहचानने के लिए कैसे सिखाएं जो एक आदर्श दिखने वाले कोड में भी छिपी हो सकती हैं? अध्ययन निष्कर्ष निकालता है कि जबकि पर्यवेक्षित अभ्यास मशीन को काम करने के लिए मजबूर करने की समस्या को हल करता है, मशीन कब सही है, यह जानने की कठिन चुनौती भविष्य के अन्वेषण के लिए एक कार्य बना हुआ है।