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

Nella moderna aula di finanza, si è verificata una rivoluzione silenziosa. Per decenni, imparare ad analizzare i mercati significava padroneggiare la sintassi del codice informatico, una barriera che impediva a molti studenti di raggiungere la logia più profonda dell'economia. Oggi, un nuovo tipo di intelligenza artificiale può scrivere quel codice istantaneamente, trasformando semplici frasi in inglese in programmi funzionanti. Questo cambiamento ha spostato la sfida dalla scrittura delle istruzioni alla gestione del processo: porre le domande giuste, eseguire lo script, controllare i risultati e correggere gli errori. La domanda centrale per gli educatori non è più se gli studenti sappiano digitare comandi, ma se sappiano dirigere efficacemente questo nuovo assistente digitale. Se la macchina può svolgere il lavoro pesante della scrittura, lo studente deve ancora praticare l'arte, e se sì, come?

Un team di ricercatori si è posto l'obiettivo di rispondere a questa domanda osservando gli studenti in un'università regionale in Cina. Si sono concentrati su una variabile semplice: il tempo di pratica supervisionata. Questo è il tempo che uno studente trascorre lavorando al computer con un istruttore presente nella stanza, piuttosto che limitarsi a guardare una dimostrazione o lavorare da solo a casa. I ricercatori si chiedevano se avere quel tempo extra, guidati da un insegnante, aiutasse gli studenti a diventare più bravi nel comandare l'IA. Hanno reclutato quattro classi intere di studenti universitari di finanza, per un totale di 138 studenti, e le hanno divise in due gruppi. Un gruppo era autorizzato a portare i propri laptop a ogni sessione di classe, permettendo loro di praticare il ciclo di formulazione del prompt, esecuzione del codice e controllo dell'output mentre l'insegnante osservava. L'altro gruppo seguiva un programma standard, in cui aveva accesso ai computer solo durante specifiche sessioni di laboratorio programmate, trascorrendo il resto del tempo di classe guardando l'istruttore dimostrare il lavoro su uno schermo.

Lo studio si è svolto nell'arco di due semestri. Nel primo trimestre, gli studenti hanno lavorato con un programma di modellazione finanziaria chiamato MATLAB. Hanno affrontato quattro test pratici in cui dovevano risolvere problemi del mondo reale, come calcolare il prezzo di un'obbligazione o analizzare le tendenze del mercato azionario. Le regole erano rigide: il codice doveva essere eseguito senza errori e produrre una specifica risposta numerica. I risultati hanno mostrato una chiara divergenza. All'inizio, entrambi i gruppi si sono comportati in modo simile, con punteggi vicini al limite inferiore della scala. Tuttavia, con il passare delle settimane e l'aumentare della complessità dei compiti, il gruppo con più tempo di pratica supervisionata ha iniziato a staccare. Al test finale, gli studenti che avevano praticato con i propri laptop in classe hanno ottenuto punteggi circa undici punti più alti rispetto a quelli che avevano solo osservato. Questo divario non era solo un'anomalia statistica; rappresentava uno spostamento dell'intera distribuzione della classe. Gli studenti con più pratica erano molto meno propensi a bloccarsi al primo passaggio e più propensi a completare l'intera sequenza di compiti.

I ricercatori hanno poi seguito due delle classi in un secondo semestre, dove hanno affrontato un diverso programma software chiamato Stata per problemi di finanza aziendale. Una di queste classi ha ricevuto un ulteriore round della disposizione "porta il tuo dispositivo", mentre l'altra ha seguito il programma standard. Anche se si trattava di un nuovo strumento software e di un nuovo set di problemi, il modello si è ripetuto. La classe con le ore extra di supervisione ha ottenuto prestazioni significativamente migliori, in particolare nei compiti più difficili che richiedevano di concatenare più passaggi. Gli studenti con più pratica avevano una probabilità quasi doppia di completare i compiti più difficili rispetto ai loro colleghi che avevano avuto meno tempo per esercitare il flusso di lavoro sotto supervisione.

Per capire perché ciò fosse accaduto, i ricercatori hanno chiesto direttamente agli studenti. Le risposte hanno indicato un tratto umano piuttosto che tecnico. Quando interrogati su cosa avesse impedito loro di apprendere il flusso di lavoro dell'IA, la stragrande maggioranza degli studenti, in entrambi i gruppi, ha citato una mancanza di autogestione e motivazione. Hanno ammesso che, senza la struttura di una classe e la presenza di un insegnante, semplicemente non avrebbero praticato il ciclo di formulazione del prompt e controllo autonomamente. Le ore di supervisione hanno agito come un sostituto di quella spinta mancante, costringendo la pratica ad avvenire quando altrimenti non sarebbe accaduta. Lo studio suggerisce che il valore di queste ore extra non risiedesse nella tecnologia stessa, ma nell'ambiente che spingeva gli studenti a usarla.

Tuttavia, lo studio ha anche rivelato un nuovo collo di bottiglia emerso una volta che gli studenti riuscivano a far girare il codice. La difficoltà maggiore riportata non era più scrivere il prompt o correggere un errore di sintassi; era giudicare se la risposta fornita dall'IA fosse effettivamente corretta. Una volta che il codice produceva un risultato, gli studenti faticavano a verificare se quel risultato avesse senso nel mondo reale. Questo è un ostacolo critico, poiché l'intelligenza artificiale può produrre risposte fluide e convincenti, ma sottilmente errate. I ricercatori hanno notato che, sebbene il tempo extra di pratica aiutasse gli studenti a far girare il codice, non risolveva completamente il problema di sapere se l'output fosse corretto. Questa fase di verifica, hanno scoperto, richiede una profondità di conoscenza del settore che la maggior parte degli studenti non possedeva e che difficilmente avrebbero sviluppato da soli dopo le lezioni.

Le conclusioni offrono un quadro chiaro, seppur sfumato, di come l'istruzione si adatti all'intelligenza artificiale. Lo studio non ha rilevato che fornire semplicemente agli studenti l'accesso ai computer o agli strumenti di IA fosse sufficiente per migliorare le loro competenze. Al contrario, ha dimostrato che la struttura dell'ambiente di apprendimento conta profondamente. Quando agli studenti viene data la possibilità di praticare l'intero ciclo di direzione di un'IA sotto l'occhio attento di un istruttore, imparano a navigare il flusso di lavoro in modo più efficace. Il vantaggio cresce man mano che i compiti diventano più difficili, suggerendo che la capacità di gestire questi strumenti sia una competenza che si costruisce attraverso la ripetizione e la guida. Eppure, la ricerca lascia una domanda aperta: come insegniamo agli studenti a individuare gli errori che anche un codice dall'aspetto perfetto potrebbe nascondere? Lo studio conclude che, sebbene la pratica supervisionata risolva il problema di far funzionare la macchina, la sfida più difficile di sapere quando la macchina ha ragione rimane un compito per esplorazioni future.