💻 computer science

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

Este estudo de métodos mistos com 76 desenvolvedores introduz o modelo S-IASE para caracterizar a natureza multidimensional da programação assistida por IA, integrando intenções, ações, ferramentas e emoções, revelando que o uso de IA promove um fluxo emocional mais estável e uma geração de código mais focada, ao mesmo tempo que elicita respostas psicológicas complexas como a síndrome do impostor.

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

Publicado 2026-05-01

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

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

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine o desenvolvimento de software como um processo culinário complexo. Há décadas, chefs (desenvolvedores) seguem receitas, picam ingredientes e gerenciam fogões inteiramente por conta própria. Mas, recentemente, um novo tipo de "sous-chef inteligente" (assistentes de IA como GitHub Copilot ou ChatGPT) entrou na cozinha. Esses sous-chefs podem sugerir receitas instantaneamente, picar vegetais ou até mesmo ementar pratos.

O artigo que você forneceu é como uma observação detalhada do que acontece quando chefs reais começam a usar esses sous-chefs inteligentes. Os pesquisadores queriam saber: O chef apenas recosta-se e observa, ou ele muda a forma como cozinha? O que eles estão pensando e sentindo enquanto o sous-chef trabalha?

Aqui está uma análise de suas descobertas em termos simples:

1. A Nova "Receita" para Cozinhar: O Modelo S-IASE

Antes deste estudo, os pesquisadores observavam os chefs de fora e contavam quantas vezes eles picavam ou mexiam. Eles perdiam o que estava acontecendo dentro da cabeça do chef.

Os pesquisadores criaram uma nova maneira de observar a culinária, chamada Modelo S-IASE. Em vez de apenas observar as mãos, eles observaram quatro coisas acontecendo simultaneamente:

Estado: Onde estamos na receita agora? (por exemplo, "O molho está queimando" ou "Precisamos encontrar uma especiaria.")
Intenção: O que o chef está tentando fazer? (por exemplo, "Preciso corrigir este erro" ou "Quero tornar isso mais rápido.")
Ação + Ferramenta: O que eles estão fazendo e qual ferramenta estão usando? (por exemplo, "Pedir uma sugestão ao sous-chef" versus "Procurar uma especiaria em um livro.")
Emoção: Como o chef se sente? (por exemplo, "Feliz", "Frustrado" ou "Culpado.")

Eles descobriram que, quando os chefs usam o sous-chef inteligente, todas essas quatro coisas mudam e dançam juntas de maneira complexa.

2. A Dança "Confie, mas Verifique"

Os pesquisadores notaram um ritmo específico na forma como os chefs usavam a IA. Não era apenas "perguntar e aceitar". Era mais como um jogo de pingue-pongue:

O chef pede uma solução à IA.
A IA devolve uma sugestão (um "ping").
O chef verifica imediatamente, ajusta ou executa um teste (o "pong").
Se funcionar, eles prosseguem. Se não, perguntam novamente.

A Analogia: Imagine um chef que não lê mais o livro inteiro de receitas. Em vez disso, ele pergunta ao sous-chef: "Como faço este molho?" O sous-chef diz: "Adicione sal." O chef prova, diz: "Muito salgado", e pergunta: "Certo, e menos sal?" Eles continuam indo e voltando até ficar certo. Eles estão criando e verificando muito mais rápido, mas estão gastando menos tempo lendo profundamente as instruções antes de começar.

3. A Montanha-Russa Emocional (ou a Falta Dela)

O estudo comparou dois grupos de chefs:

Grupo A: Usou o sous-chef inteligente.
Grupo B: Tinha que cozinhar tudo do zero sem ajuda.

A Descoberta: O grupo que usava a IA teve uma viagem emocional muito mais suave. Eles se sentiram menos estressados e menos frustrados. Eram mais felizes e mais confiantes.

Por quê? Porque a IA ajudou-os a se desatolar rapidamente.
O Problema: Mesmo sendo mais felizes, alguns chefs sentiam uma culpa secreta. Sentiam-se como "impostores" (fraudes). Um chef disse: "Terminei o prato com a ajuda da IA, mas me sinto culpado porque não aprendi a fazê-lo sozinho." Eles temiam que, se não fizessem o trabalho, não estivessem realmente aprendendo.

4. O Problema "Mostre-me, não me diga"

Às vezes, o sous-chef inteligente dá instruções que são tecnicamente corretas, mas difíceis de seguir porque são apenas texto.

O Cenário: O sous-chef diz: "Clique no botão no canto superior direito."
O Problema: O chef não consegue encontrar o botão. O texto é vago.
A Reação: O chef desiste da IA, vai a um fórum humano (como o Stack Overflow) ou procura uma imagem/diagrama para ver exatamente onde está o botão.
A Lição: Os chefs precisam de elementos visuais. Eles querem ver os passos, não apenas lê-los. Quando a IA fornece apenas texto, o chef fica preso e precisa procurar uma imagem em outro lugar.

5. Quem Usa Mais a IA?

O estudo descobriu que os chefs eram mais propensos a confiar na IA em duas situações:

Quando estavam super familiarizados com o prato (conheciam o básico, então queriam apenas velocidade).
Quando estavam completamente perdidos (não faziam ideia do que fazer, então precisavam de um ponto de partida).

O Meio-Termo: Se um chef sabia um pouco sobre o prato, mas não era um especialista, ele era na verdade cético em relação à IA. Ele pediria ajuda à IA, mas depois verificaria tudo novamente porque ainda não confiava totalmente na resposta da IA.

Resumo

O artigo conclui que a IA não é apenas uma ferramenta que torna a codificação mais rápida; ela muda a personalidade inteira do desenvolvedor.

Eles tornam-se mais focados em construir e testar do que em ler e planejar.
Sentem-se menos estressados, mas às vezes mais culpados por depender de ajuda.
Precisam de auxílios visuais, porque instruções apenas em texto frequentemente falham com eles.

Os pesquisadores construíram este modelo "S-IASE" para ajudar futuros designers de IA a entender que não estão apenas construindo um gerador de código; estão construindo um parceiro que afeta como os desenvolvedores pensam, sentem e trabalham.

1. Declaração do Problema

A integração rápida de assistentes de IA (por exemplo, GitHub Copilot, ChatGPT) na engenharia de software transformou as práticas de desenvolvimento. No entanto, a pesquisa existente foca amplamente em resultados observáveis (por exemplo, velocidade de geração de código, redução de bugs) ou modos de interação restritos (por exemplo, "aceleração" vs. "exploração").

Lacuna: Há uma falta de compreensão profunda sobre a natureza multidimensional da interação entre desenvolvedor e IA. Modelos anteriores frequentemente tratam a interação como uma única atividade ou baseiam-se exclusivamente na observação externa, falhando em capturar a inter-relação entre intenções ocultas, ações concretas, uso de ferramentas e estados emocionais.
Objetivo: Desenvolver um modelo abrangente que caracterize o comportamento de programação de desenvolvedores no contexto de assistência por IA, capturando o ciclo de feedback dinâmico entre estado, intenção, ação, ferramentas e emoção.

2. Metodologia

Os autores conduziram um estudo de usuário com métodos mistos envolvendo 76 desenvolvedores (estudantes de graduação/pós-graduação e profissionais com experiência na indústria).

Design do Estudo:
- Grupos: Os participantes foram divididos em grupos Assistidos por IA (permitido usar qualquer ferramenta de IA preferida) e Sem IA (sem ferramentas de IA).
- Tarefas: Duas tarefas realistas de engenharia de software, limitadas no tempo (25 minutos), foram atribuídas com base no conhecimento prévio:
  1. PyT: Tarefa em Python envolvendo gerenciamento da API REST do GitHub (criação de organização, geração de token, criação de repositório).
  2. JavaT: Tarefa em Java envolvendo operações de banco de dados MySQL (configuração, operações CRUD, consultas de negócio).
- Procedimento:
  1. Pré-levantamento: Coleta de dados demográficos, experiência em programação e familiaridade com IA.
  2. Atividade: Os participantes realizaram a tarefa enquanto gravavam a tela.
  3. Anotação: Os participantes assistiram retrospectivamente às suas gravações e utilizaram uma ferramenta de anotação personalizada para segmentar o vídeo em intervalos de tempo. Para cada intervalo, eles classificaram:
    - Intenção: O objetivo por trás da ação.
    - Ação: A atividade específica realizada.
    - Ferramenta de Suporte: A ferramenta utilizada (por exemplo, IA, IDE, Motor de Busca).
    - Emoção: Avaliada em uma escala de valência de 7 pontos.
  4. Pós-levantamento e Entrevistas: Medição da carga cognitiva (NASA-TLX), autoeficácia e realização de entrevistas semiestruturadas (14 participantes) usando a Teoria Fundamentada Sócio-Técnica (STGT).
Análise de Dados:
- Quantitativa: Análise estatística (regressão OLS, correção de Benjamini–Hochberg) para identificar padrões comportamentais agregados. Mineração de padrões sequenciais (algoritmo CloSpan) para identificar transições de estado recorrentes.
- Qualitativa: Análise temática das entrevistas para interpretar os achados quantitativos e descobrir experiências emocionais nuances.

3. Principais Contribuições

O artigo introduz o Modelo S-IASE, um novo framework para modelar o comportamento de programação de desenvolvedores.

O Modelo S-IASE: Define um estado de desenvolvimento como uma tupla:
$Estado_n \rightarrow Estado_{n+1} [Intenção, \langle Ação, Ferramenta de Suporte \rangle, Emoção]$
- Estado: O contexto atual de desenvolvimento.
- Intenção: O objetivo do desenvolvedor (por exemplo, "Resolver Erros", "Implementar Código").
- Ação e Ferramenta de Suporte: Emparelhadas para distinguir entre ações realizadas com/sem IA ou outras ferramentas (por exemplo, "Escrever Código" + "Ferramenta de IA" vs. "Escrever Código" + "IDE").
- Emoção: Estado afetivo (escala de valência de 7 pontos).
Ferramenta de Anotação: Uma ferramenta de código aberto desenvolvida para facilitar a anotação retrospectiva dessas quatro dimensões.
Padrões Comportamentais: Revelou tanto padrões agregados (estatísticos) quanto sequenciais (temporais) de interação.

4. Principais Resultados

A. Padrões Comportamentais Agregados (PQ2)

Mudança de Foco: Desenvolvedores assistidos por IA focaram significativamente mais em criar, avaliar e verificar código. Eles gastaram menos tempo em leitura profunda e compreensão em comparação com desenvolvedores sem IA.
Uso de Ferramentas: Os grupos com IA confiaram significativamente menos em Motores de Busca (por exemplo, Stack Overflow) e mais em Ferramentas de IA e IDEs. Isso sugere que a IA tornou-se a principal interface de conhecimento.
Estabilidade Emocional: Participantes assistidos por IA relataram emoções mais positivas e neutras e menos flutuações negativas. Participantes sem IA experimentaram maior frustração e volatilidade emocional.
Desempenho da Tarefa: Grupos com IA alcançaram taxas de conclusão mais altas e correção funcional, embora a correção geral permanecesse baixa (13%) devido à complexidade da tarefa.

B. Padrões Comportamentais Sequenciais (PQ3)

"Confie, mas Verifique": Uma sequência dominante observada foi: Entender o Contexto $\rightarrow$ Implementar Código (via IA) $\rightarrow$ Projetar/Planejar Novo Código. Isso inverte o paradigma tradicional "Projetar-então-Implementar"; desenvolvedores usam a IA para obter um "ponto de apoio" na base de código primeiro e, em seguida, refinam a arquitetura.
Ciclo de Feedback Iterativo: Leitura $\rightarrow$ Solicitação (Prompting) $\rightarrow$ Escrita $\rightarrow$ Leitura. Desenvolvedores tratam a saída da IA como rascunhos, engajando-se em ciclos rápidos de tentativa e erro em vez de compreensão inicial profunda.
Incompatibilidade de Modalidade: Quando as tarefas exigiam orientação visual (por exemplo, configuração de API), sugestões de IA baseadas apenas em texto falharam, fazendo com que os desenvolvedores recorressem a motores de busca para documentação visual.

C. Insights Qualitativos (Entrevistas)

O Fenômeno do "Impostor": Apesar da estabilidade emocional estatística, muitos desenvolvedores assistidos por IA relataram culpa, dúvida de si mesmos e síndrome do impostor. Eles sentiam que estavam "trapaceando" ou não aprendendo, levando a um conflito interno entre produtividade (velocidade) e desenvolvimento de habilidades (compreensão).
Autoacusação: Quando o código gerado por IA falhava, os desenvolvedores frequentemente culpavam suas próprias habilidades de solicitação (prompting) ou o ambiente, em vez da própria ferramenta de IA.

5. Significado e Implicações

Para Pesquisadores: O modelo S-IASE fornece uma lente estruturada e multidimensional para estudar a interação desenvolvedor-IA, indo além do registro simples de atividades para incluir estados afetivos e intencionais. Destaca a necessidade de estudar as camadas cognitivas e emocionais "ocultas" da colaboração com IA.
Para Profissionais (Designers de IA):
- Orientação Visual: Assistentes de IA precisam suportar modalidades visuais (capturas de tela, diagramas) para tarefas de configuração e instalação, não apenas texto.
- Calibração de Confiança: Sistemas devem ajudar desenvolvedores a verificar saídas de IA sem induzir culpa, talvez destacando explicitamente o que a IA está fazendo para fomentar a aprendizagem.
- Integração de Fluxo de Trabalho: Ferramentas devem suportar o fluxo de trabalho "Confie, mas Verifique", facilitando iteração rápida e troca fácil entre geração por IA e refinamento manual.
Para Educação: Currículos devem abordar a tensão entre usar IA para eficiência e manter uma compreensão conceitual profunda, preparando desenvolvedores para gerenciar os sentimentos de "impostor" associados à dependência de IA.

Conclusão

Este estudo preenche uma lacuna crítica na compreensão das complexidades sócio-técnicas da interação desenvolvedor-IA. Ao modelar o comportamento através do framework S-IASE, os autores revelam que a assistência por IA altera fundamentalmente a sequência e a textura emocional da programação, criando um novo paradigma de "vibe coding" que prioriza iteração rápida e verificação em vez de compreensão inicial profunda, enquanto introduz novos desafios psicológicos para desenvolvedores.