دراسة الإتقان
لماذا هذا مهم إنجاز المهمة وتعلم كيفية القيام بها هما هدفان مختلفان. يمكن لمساعدة AI أن تخدم الهدف الأول بينما تكلفك الهدف الثاني بصمت.
في دراسة عشوائية، تعلم المطورون استخدام مكتبة Python كانت جديدة عليهم، بعضهم بمساعدة مساعد ذكاء اصطناعي وبعضهم بدون (Anthropic, Shen and Tamkin 2026). بعد ذلك خضع الجميع لاختبار حول ما تعلموه. حصلت المجموعة التي حصلت على مساعدة الذكاء الاصطناعي على درجات أقل بنحو 17 نقطة مئوية في ذلك الاختبار (حوالي 50% مقابل 67%)، وكانت الفجوة أكبر في أسئلة debugging. يحرص المؤلفون على تسمية الأنماط أدناه ارتباطات، من دراسة واحدة لـ 52 مطوراً.
يخفي المتوسط الجزء المثير للاهتمام. ليس كل من استخدم الذكاء الاصطناعي خسر. الأشخاص الذين استخدموه للفهم (سؤال لماذا يعمل شيء ما، طلب تفسيرات، التحقق من استيعابهم الخاص) احتفظوا بالكثير مما تعلموه أكثر من الأشخاص الذين سلموه العمل.
Delegating: طلب النتيجة. "اكتب دالة تقوم بـ X." تحصل على كود، ويحدث التفكير في مكان آخر.
Engaging: السؤال بطريقة تجعلك تفكر. "لماذا يتم استخدام lock هنا؟"، "ماذا سيحدث إذا وصل استدعاءان في وقت واحد؟"، "هكذا أظن أنها تعمل: ما الذي أخطأت فيه؟"
ماذا يفعل هذا module
ستمارس طرقا تفاعلية للسؤال، وتتوقع ما يفعله الكود المكتوب بواسطة AI قبل تشغيله، ثم تحل نسختين من مشكلات سابقة مع إيقاف المعلم. تختبر النسختان ما إذا كانت الفكرة قد ترسخت، وليس ما إذا كنت تتذكر الكود.
ملخص يساعد الذكاء الاصطناعي على إتقان التكلفة في المتوسط، ولكن ليس للأشخاص الذين استخدموه للفهم. طريقة سؤالك تهم أكثر من مجرد سؤالك.
سيفتح هذا التمرين قريبا
أنهِ الدرس السابق ليفتح هذا الدرس. الدورة كاملة مجانية، ولا تحتاج إلى حساب، ويمكنك قراءة هذا الدرس الآن.
يقوم هذا المتصفح بحظر ملفات تعريف الارتباط لـ learn.floati.life، لذا لا يمكن فتح الدروس التي أنهيتها هنا بالترتيب. اسمح بملفات تعريف الارتباط لهذا الموقع وأعد التحميل.