Supervised Practice Time and the AI-Code Workflow: Evidence from Finance Undergraduates at a Regional Chinese University
这项针对中国某地区高校金融专业本科生的研究表明，增加监督实践时间能显著提升学生驾驭AI代码工作流的能力，这主要是通过弥补自我主动性的不足，并将主要的学习挑战从代码生成转向答案验证来实现的。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在现代金融课堂中，一场静悄悄的革命已经发生。几十年来，学习分析市场意味着要掌握计算机代码的语法，而这成为了阻碍许多学生接触经济学深层逻辑的障碍。如今，一种新型的人工智能可以瞬间编写这些代码，将普通的英文句子转化为可运行的程序。这种转变将挑战从编写指令转向了管理过程：提出正确的问题、运行脚本、检查结果并修复错误。对于教育工作者而言，核心问题不再是学生是否能输入命令，而是他们能否有效地指挥这个新的数字助手。如果机器可以承担编写代码的重体力活，那么学生是否仍需练习这项手艺？如果是，该如何练习？
一个研究小组通过观察中国某地区大学的学生来试图回答这个问题。他们关注了一个简单的变量：监督实践时间。这是指学生在教师在场的情况下，在电脑前进行工作的时长，而不是仅仅观看演示或独自在家学习。研究人员想知道，拥有这种由教师引导的额外时间，是否能帮助学生更好地指挥人工智能。他们招募了四个完整的金融本科班级，共计138名学生，并将他们分为两组。一组被允许在每堂课都携带自己的笔记本电脑，从而让他们能够在老师的注视下，练习“向AI提问、运行代码、检查输出”这一循环过程。另一组则遵循标准进度，即只有在特定的、预定的实验课期间才能使用电脑，而在其余的课堂时间里，他们只是观看教师在屏幕上演示操作。
这项研究跨越了两个学期。在第一学期，学生们使用一种名为MATLAB的金融建模程序。他们面临四次动手测试，需要解决现实世界中的问题，例如计算债券价格或分析股市趋势。规则非常严格：代码必须能够无误运行，并产生特定的数值答案。结果显示出明显的差异。在最开始时，两组的表现相似，得分都处于低水平。然而，随着周而复止，任务变得越来越复杂，拥有更多监督实践时间的组别开始领跑。到最后一次测试时，那些在课堂上使用笔记本电脑进行练习的学生，得分比仅进行观察的学生高出约11分。这种差距不仅仅是一个统计上的波动；它代表了整个班级分布的位移。那些练习较多的学生不太可能在第一步就卡住，并且更有可能完成整个任务序列。
研究人员随后跟随其中两个班级进入了第二个学期，当时他们处理的是用于公司金融问题的另一种软件——Stata。其中一个班级接受了额外的“自带设备”安排，而另一个班级则维持标准进度。尽管这是一个新的软件工具和一套新的问题，但模式再次重复。拥有额外监督小时数的班级表现显著更好，尤其是在需要将多个步骤串联起来的困难任务上。与那些在监督下练习工作流时间较少的同学相比，拥有更多练习时间的学生完成最难任务的可能性几乎是后者的两倍。
为了理解为什么会发生这种情况，研究人员直接询问了学生。答案指向了一种人类特质而非技术特质。当被问及是什么阻碍了他们学习AI工作流时，两组中的绝大多数学生都提到了缺乏自我驱动力。他们承认，如果没有课堂的结构和教师的存在，他们根本不会自发地进行“提问并检查”的循环练习。监督时间充当了这种缺失驱动力的替代品，迫使练习在原本不会发生的情况下得以进行。研究表明，这些额外小时数的价值不在于技术本身，而在于让学生使用技术的环境。
然而，研究也揭示了一个一旦学生让代码运行起来后所显现的新瓶颈。他们报告的最大困难不再是编写提示词或修复语法错误，而是判断AI给出的答案是否真的正确。一旦代码产生了结果，学生们就会在验证该结果是否符合现实世界逻辑方面感到困难。这是一个关键的障碍，因为人工智能可以产生流畅且具有说服力的答案，但其中可能包含微妙的错误。研究人员指出，虽然额外的练习时间有助于学生让代码成功运行，但它并未完全解决“判断输出是否正确”的问题。研究发现，这种验证步骤需要大多数学生并不具备、且不太可能在课后自学获得的领域知识。
这些发现为教育如何适应人工智能提供了一个清晰且细致的图景。研究发现，仅仅给学生提供使用电脑或人工智能工具的机会，并不足以提高他们的技能。相反，它表明学习环境的结构至关重要。当学生有机会在教师的注视下练习指挥人工智能的完整循环时，他们能更有效地驾驭这一工作流。这种优势随着任务难度的增加而增长，表明管理这些工具的能力是通过重复和指导建立起来的。然而，研究也留下了一个悬而未决的问题：我们该如何教学生去识别那些即使看起来完美的程序代码中所隐藏的错误？研究结论认为，虽然监督实践解决了“让机器运转起来”的问题，但“知晓机器何时正确”这一更难的挑战，仍是一个有待未来探索的任务。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。