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

Na sala de aula moderna das finanças, uma revolução silenciosa ocorreu. Durante décadas, aprender a analisar mercados significava dominar a sintaxe do código de computador, uma barreira que impedia muitos estudantes de alcançarem a lógica mais profunda da economia. Hoje, um novo tipo de inteligência artificial pode escrever esse código instantaneamente, transformando frases simples em inglês em programas funcionais. Essa mudança deslocou o desafio de escrever as instruções para gerenciar o processo: fazer as perguntas certas, executar o script, verificar os resultados e corrigir os erros. A questão central para os educadores não é mais se os alunos conseguem digitar comandos, mas se eles conseguem direcionar efetivamente este novo assistente digital. Se a máquina pode fazer o trabalho pesado de escrever, o estudante ainda precisa praticar o ofício e, se sim, como?

Uma equipe de pesquisadores partiu para responder a isso observando estudantes em uma universidade regional na China. Eles focaram em uma variável simples: o tempo de prática supervisionada. Este é o tempo que um aluno passa trabalhando em um computador com um instrutor presente na sala, em vez de apenas assistir a uma demonstração ou trabalhar sozinho em casa. Os pesquisadores imaginaram se ter esse tempo extra, guiado por um professor, ajudaria os alunos a se tornarem melhores em comandar a IA. Eles recrutaram quatro turmas completas de graduação em finanças, totalizando 138 alunos, e as dividiram em dois grupos. Um grupo teve permissão para trazer seus próprios laptops para todas as sessões de aula, permitindo-lhes praticar o ciclo de criar o comando para a IA, executar o código e verificar o resultado enquanto o professor observava. O outro grupo seguiu um cronograma padrão, onde só tinham acesso a computadores durante sessões de laboratório específicas e agendadas, passando o restante do tempo de aula assistindo ao instrutor demonstrar o trabalho em uma tela.

O estudo desenrolou-se ao longo de dois semestres. No primeiro período, os alunos trabalharam com um programa de modelagem financeira chamado MATLAB. Eles enfrentaram quatro testes práticos onde tiveram que resolver problemas do mundo real, como calcular o preço de um título ou analisar tendências do mercado de ações. As regras eram rígidas: o código tinha que rodar sem erros e produzir uma resposta numérica específica. Os resultados mostraram uma divergência clara. Logo no início, ambos os grupos tiveram desempenhos semelhantes, com pontuações próximas ao limite inferior da escala. No entanto, conforme as semanas passavam e as tarefas se tornavam mais complexas, o grupo com mais tempo de prática supervisionada começou a se destacar. Na última prova, os alunos que praticaram com seus laptops em sala de aula pontuaram aproximadamente onze pontos a mais do que aqueles que apenas assistiram. Essa lacuna não foi apenas um soluço estatístico; representou uma mudança em toda a distribuição da classe. Os alunos com mais prática foram muito menos propensos a travar no primeiro passo e mais propensos a completar a sequência completa de tarefas.

Os pesquisadores então acompanharam duas dessas turmas para um segundo semestre, onde abordaram um programa de software diferente chamado Stata para problemas de finanças corporativas. Uma dessas turmas recebeu uma rodada adicional do arranjo "trazer seu próprio dispositivo", enquanto a outra manteve o cronograma padrão. Mesmo sendo uma nova ferramenta de software e um novo conjunto de problemas, o padrão se repetiu. A turma com as horas extras de supervisão teve um desempenho significativamente melhor, particularmente nas tarefas mais difíceis que exigiam encadear múltiplos passos. Os alunos com mais prática foram quase duas vezes mais propensos a completar as tarefas mais difíceis em comparação com seus colegas que tiveram menos tempo para ensaiar o fluxo de trabalho sob supervisão.

Para entender por que isso aconteceu, os pesquisadores perguntaram diretamente aos alunos. As respostas apontaram para um traço humano, em vez de um técnico. Quando questionados sobre o que os impedia de aprender o fluxo de trabalho da IA, a grande maioria dos alunos, em ambos os grupos, citou a falta de automotivação. Eles admitiram que, sem a estrutura de uma aula e a presença de um professor, simplesmente não praticariam o ciclo de criar o comando e verificar por conta própria. As horas supervisionadas atuaram como um substituto para essa motivação ausente, forçando a prática a acontecer quando, de outra forma, não ocorreria. O estudo sugere que o valor dessas horas extras não estava na tecnologia em si, mas no ambiente que fazia os alunos utilizá-la.

No entanto, o estudo também revelou um novo gargalo que surgiu assim que os alunos conseguiam rodar o código. A maior dificuldade relatada não era mais escrever o comando ou corrigir um erro de sintaxe; era julgar se a resposta dada pela IA era realmente correta. Uma vez que o código produzia um resultado, os alunos tinham dificuldade em verificar se aquele resultado fazia sentido no mundo real. Este é um obstáculo crítico, pois a inteligência artificial pode produzir respostas fluentes e convincentes que são sutilmente erradas. Os pesquisadores observaram que, embora o tempo extra de prática tenha ajudado os alunos a fazer o código rodar, não resolveu totalmente o problema de saber se o resultado estava correto. Esta etapa de verificação, descobriram eles, exige uma profundidade de conhecimento de domínio que a maioria dos alunos não possuía e que dificilmente desenvolveriam por conta própria após as aulas.

As descobertas oferecem um quadro claro, embora matizado, de como a educação se adapta à inteligência artificial. O estudo não encontrou que simplesmente dar aos alunos acesso a computadores ou ferramentas de IA fosse suficiente para melhorar suas habilidades. Em vez disso, mostrou que a estrutura do ambiente de aprendizagem importa profundamente. Quando os alunos têm a chance de praticar o ciclo completo de direcionar uma IA sob o olhar atento de um instrutor, eles aprendem a navegar pelo fluxo de trabalho de forma mais eficaz. A vantagem cresce à medida que as tarefas se tornam mais difíceis, sugerindo que a habilidade de gerenciar essas ferramentas é uma competência construída através da repetição e orientação. No entanto, a pesquisa também deixa uma questão em aberto: como ensinamos os alunos a detectar os erros que mesmo um código de aparência perfeita pode esconder? O estudo conclui que, embora a prática supervisionada resolva o problema de fazer a máquina funcionar, o desafio mais difícil de saber quando a máquina está certa permanece uma tarefa para explorações futuras.