Investigadores de la Universidad de Toronto y la Universidad Carnegie Mellon han llevado a cabo un estudio innovador que se centra en mejorar la enseñanza de la programación a través de técnicas de compromiso cognitivo con códigos generados por inteligencia artificial. Se identificó un problema creciente: los programadores novatos tienden a depender demasiado de los modelos de lenguaje como LLMs para generar código, lo que lleva a un compromiso superficial con el material de trabajo. Estas prácticas no solo ofrecen una ilusión de aprendizaje, sino que también facilitan la degradación de habilidades fundamentales como el pensamiento algorítmico y los principios de diseño de software.

El estudio introdujo siete técnicas de compromiso cognitivo, cada una diseñada para fomentar un aprendizaje más profundo e interactivo. Una de las técnicas más efectivas fue guiar a los aprendices a través de un proceso de resolución de problemas paso a paso, acompañándolos en un diálogo interactivo con la IA, redactando lo que necesitan en cada etapa antes de que se revele el código correspondiente. Esta actividad no solo ayuda a los aprendices a comprender mejor sus habilidades reales en programación, sino que también alinea su percepción con sus capacidades reales sin aumentar la carga cognitiva.

Durante el estudio, se evaluaron estas técnicas a través de dos métodos: entre sujetos y dentro de sujetos, para identificar la fricción que cada técnica introducía y su efectividad para ayudar a los aprendices a aplicar conceptos a tareas similares sin la ayuda de IA. Los resultados resaltaron la importancia de comprometerse más allá del uso superficial del código generado por IA.

Específicamente, la técnica Lead-and-Reveal demostró ser la más equilibrada en términos de ganancias de aprendizaje y el impacto cognitivo percibido, mientras que aquellas que implicaban reordenar o identificar errores en el código llevaran a niveles más altos de frustración y demanda física entre los participantes.