1. Bối cảnh và Phương pháp Nghiên cứu
Nghiên cứu tập trung vào việc liệu sự hỗ trợ của AI có giúp rút ngắn con đường dẫn đến năng lực thực sự hay chỉ là một "lối tắt" gây hại cho việc học hỏi lâu dài. Các tác giả đã thực hiện các thí nghiệm ngẫu nhiên trên 52 lập trình viên để tìm hiểu cách họ nắm bắt một thư viện lập trình mới (thư viện Trio của Python) khi có và không có sự hỗ trợ của AI (sử dụng mô hình GPT-4o).
2. Kết quả Chính: Sự đánh đổi giữa Hiệu suất và Kỹ năng
Nghiên cứu chỉ ra một nghịch lý quan trọng trong việc sử dụng AI:
Suy giảm kỹ năng nghiêm trọng: Những người sử dụng AI có điểm đánh giá năng lực thấp hơn 17% so với nhóm không dùng AI. AI làm suy yếu khả năng hiểu khái niệm, đọc hiểu mã nguồn và kỹ năng khắc phục lỗi (debugging).
Hiệu suất không tăng đáng kể: Trái với kỳ vọng, nghiên cứu không tìm thấy sự gia tăng đáng kể về tốc độ hoàn thành công việc ở nhóm dùng AI. Nguyên nhân là do người dùng tốn nhiều thời gian để tương tác, viết câu lệnh (prompt) và điều chỉnh phản hồi từ AI.
Giá trị của việc gặp lỗi: Nhóm không dùng AI học tốt hơn nhờ quá trình tự mình đối mặt và giải quyết các lỗi phát sinh, từ đó hình thành tư duy phản biện và hiểu sâu về công cụ.
3. Sáu kiểu mẫu tương tác với AI
Nghiên cứu xác định 6 cách con người tương tác với AI, được chia thành hai nhóm tác động khác nhau đến việc học:
Nhóm mang lại kết quả thấp (Phụ thuộc vào AI):
- AI Delegation (Ủy thác hoàn toàn): Chỉ yêu cầu AI viết mã và sao chép kết quả. Nhóm này nhanh nhất nhưng học được ít nhất.
- Progressive AI Reliance (Phụ thuộc tăng dần): Bắt đầu bằng việc tự làm nhưng sau đó phó mặc hoàn toàn cho AI.
- Iterative AI Debugging (Sửa lỗi lặp lại bằng AI): Dùng AI để kiểm tra và sửa lỗi liên tục mà không tự tìm hiểu nguyên nhân.
Nhóm mang lại kết quả cao (Gắn kết nhận thức):
- Conceptual Inquiry (Truy vấn khái niệm): Chỉ hỏi AI về các khái niệm và tự mình giải quyết lỗi. Đây là nhóm có hiệu quả học tập tốt nhất.
- Generation-Then-Comprehension (Tạo mã rồi thấu hiểu): Để AI viết mã, sau đó hỏi thêm để hiểu rõ tại sao AI làm như vậy.
- Hybrid Code-Explanation (Kết hợp giải thích): Yêu cầu AI vừa viết mã vừa giải thích chi tiết quy trình.
4. Kết luận và Khuyến nghị
Nghiên cứu kết luận rằng năng suất do AI hỗ trợ không phải là con đường tắt dẫn đến năng lực thực sự. Việc quá phụ thuộc vào AI sẽ khiến con người mất đi những kỹ năng cơ bản cần thiết để giám sát và kiểm tra chính AI trong tương lai.
Để duy trì và phát triển chuyên môn trong kỷ nguyên AI, người lao động cần:
- Duy trì sự gắn kết nhận thức (cognitive engagement), không nên coi AI là công cụ thực hiện thay mà là một cộng sự để thảo luận.
- Cần thận trọng khi đưa AI vào quy trình làm việc, đặc biệt là trong các lĩnh vực đòi hỏi độ an toàn cao, nơi mà khả năng phát hiện lỗi của con người là không thể thay thế
Bài viết dựa theo nghiên cứu của Judy Hanwen Shen và Alex Tamkin. Bài nghiên cứu gốc tại đây.