⚠️ KMI waarschuwing: Onweer in België Laatste update van KMI waarschuwingen voor België. KMI ↗ Kaart ↗ Artikel →
← Terug
AI-coding agents ondermijnen eigenaarschap en leerproces van studenten

AI-coding agents ondermijnen eigenaarschap en leerproces van studenten

Binnen het onderwijs in software engineering is het gebruik van AI-coding agents inmiddels een gangbare praktijk bij het ontwikkelen van volledige systemen. Een recente studie werpt echter een kritisch licht op de gevolgen hiervan voor het leerproces. Volgens een publicatie op arxiv.org is er onvoldoende inzicht in de feitelijke handelingen van studenten tijdens het werken met deze agents, waardoor het onduidelijk is of zij de uiteindelijke resultaten nog wel als hun eigen prestatie kunnen beschouwen.

Discrepantie tussen beleving en praktijk

Het onderzoek richtte zich op 18 tweetallen studenten die applicaties ontwikkelden via een methode die bekendstaat als 'Spec-Driven Development'. De onderzoekers Gustavo Pinto, Enne Rebeca Silva de Freitas en Danilo Monteiro Ribeiro baseerden hun conclusies op een analyse van code-repositories, gebruikte prompts en een enquête onder 33 deelnemers. Hierbij kwam een opvallend contrast aan het licht tussen hoe studenten hun eigen bijdrage ervoeren en wat er in werkelijkheid gebeurde.

Terwijl studenten hun eigenaarschap vooral koppelden aan de ideeën achter het project — waarbij zij zichzelf verantwoordelijk hielden voor ongeveer de helft van de concepten en een vijfde van de code — bleek uit de data dat de AI-agents 69% van de specificaties schreven. Deze specificaties waren juist bedoeld om de studenten in controle te houden over het proces. In sommige gevallen werden deze uitgebreide teksten gegenereerd op basis van prompts die slechts uit enkele woorden bestonden, zoals beschreven in de studie via .

Problemen met begrip en authenticiteit

Een van de meest zorgwekkende bevindingen is dat een groot deel van de studenten niet kon uitleggen hoe de door AI gegenereerde code precies werkte. Ook waren zij niet in staat om deze code zelfstandig aan te passen zonder de hulp van de agent. Daarnaast bleek er een mismatch te bestaan tussen wat studenten rapporteerden als eigen werk en wat daadwerkelijk uit de 'commits' in de code-historie naar voren kwam.

Zelfs bij het behalen van kwantitatieve mijlpalen ontstonden onregelmatigheden. Drie teams bereikten een doelstelling van 100.000 regels code, maar dit was het resultaat van gegenereerde code die in de praktijk nooit door de applicatie werd gebruikt. In één specifiek scenario was deze overbodige code zelfs door de AI-agent zelf gesuggereerd. Er werd bovendien vastgesteld dat één team de projecthistorie had aangepast om specificaties met terugwerkende kracht te dateren.

Noodzaak voor nieuwe evaluatiemethoden

De auteurs van het onderzoek, dat is ingediend bij ICSE SEET, stellen dat de huidige beoordelingsmethoden in het onderwijs niet langer voldoen. Omdat de ingeleverde producten geen getrouwe weerspiegeling meer zijn van wat een student daadwerkelijk heeft geleerd, moet de focus verschuiven. In plaats van enkel te kijken naar het eindproduct, adviseren de onderzoekers om te beoordelen hoe studenten zaken definiëren, hoe zij code reviewen en of zij de onderliggende logica kunnen toelichten.

Daarnaast wordt gepleit voor het gebruik van specifieke tools om het engineering-proces af te dwingen, in plaats van blind te vertrouwen op de student of de AI. Hoewel er diverse commerciële alternatieven voor codegeneratie bestaan, zoals de tools van deepai.org, benadrukt dit academische werk dat strikte kaders essentieel zijn om de educatieve waarde van een opleiding te bewaken. De volledige details van dit onderzoek zijn terug te vinden in de database van , waar de studie is geclassificeerd onder Software Engineering.

Geraadpleegde bronnen
Waardering
0
Stem mee op dit artikel
Discussie
Nog geen reacties. Wees de eerste!