Nova študija Univerze v Tartuju (Estonija), objavljena v Computers in Human Behavior Reports (2025) – ki jo je citiral tudi slovenski slo-tech.com portal (vir), je med 231 študenti predmeta objektno usmerjenega programiranja (Java) ugotovila: generativni AI (ChatGPT ipd.) večina uporablja za razlago in debugiranje, a le redki tedensko; pogostejša raba je negativno korelirana z uspehom na testih in izpitu. To ne pomeni, da “AI poslabša znanje”, temveč da brez strukturiranih vodil pogostejša raba pogosto spremlja težave pri učenju. (sciencedirect.com)

Kaj je bil predmet raziskave

Raziskovalci so v sredini semestra zbrali odgovore 231 študentov OOP (obvezen 1. letnik računalništva; AI je bil dovoljen za domače naloge, ne pa na testih/izpitu). Merili so pogostost in načine uporabe AI ter jih primerjali s točkami na dveh programerskih testih, izpitu in skupnem rezultatu.

Kakšne so ugotovitve

Več kot 80 % študentov je vsaj enkrat uporabilo AI, a le okoli 4 % tedensko. Najpogostejša uporaba je bila za razlago kode in odpravljanje napak, manj pa za generiranje celotnih rešitev. Pogostejša uporaba je bila v zmerni negativni korelaciji z rezultati, kar pomeni, da tisti, ki so AI največ uporabljali, niso dosegli najboljših ocen.

• AI uporablja večina, a ne redno: ~80 % študentov je AI uporabilo vsaj enkrat, tedenska raba pa je ostala nizka (≈4–5 %). Najpogosteje za debugiranje, razlago primerov kode, včasih tudi za prevode (npr. Python → Java) in generiranje testnih podatkov.
• Več AI, slabši rezultati (korelacija): pogostejša uporaba je bila zmerno do šibko negativno povezana s točkami na testih, izpitu in skupno oceno. Avtorji poudarijo korelacijsko naravo: verjetno pogosteje posegajo po AI tisti, ki se z vsebino bolj mučijo. (researchinestonia.eu)
• Percepcija koristnosti je visoka, skrb za plagiat nizka: študenti cenijo hitrost in razlage, a opozarjajo na netočnosti in “prekompleksne” predloge rešitev. (springer.com)

Kako to umestiti med obstoječe raziskave

Rezultati so deloma v nasprotju z drugimi študijami, ki so včasih pokazale nevtralne ali celo pozitivne učinke AI. Razlika se skriva predvsem v načinu uporabe: če AI deluje kot tutor in razlagalec, lahko pomaga, če pa študenti z njim rešujejo naloge “namesto samostojno”, pa lahko to ovira dolgoročno učenje.

Slika v literaturi je mešana: nekatere študije ne najdejo razlik ali celo vidijo koristi (zlasti, ko je AI uporabljen kot tutor/razlagalec), druge opažajo slabši izplen pri začetnikih, ki AI uporabljajo za generiranje končnih rešitev. Ključ je torej način uporabe (tutorstvo vs. avtomatska rešitev).

Pomembne omejitve

Gre za en predmet, na eni univerzi in v enem letniku, zato rezultatov ni mogoče enostavno posploševati. Poleg tega so podatki samo-poročani, kar pomeni, da obstaja tveganje pristranskosti ali napačne ocene lastne uporabe AI.

• Korelacija ≠ vzročnost: študija ne more dokazati, da AI “poslabša” znanje; verjetno se AI pogosteje uporablja, ko je predmet težji. ScienceDirect
• En predmet, en zavod, eno leto: posploševanje na druge predmete ali kontekste je omejeno.
• Samo-poročanje: brez dnevnikov/telemetrije uporabe; možna pristranskost odgovorov.

kaj to pomeni za pedagoško prakso (policy na kratko)

AI je lahko močan pripomoček, a potrebuje jasna pravila uporabe. Priporočljivo je, da se ga uporablja za razlago in debugiranje, ne pa za samodejno generiranje rešitev. Naloge, ki od študentov zahtevajo refleksijo o tem, kaj je AI predlagal in kaj so sami popravili, pomagajo ohraniti kritično razmišljanje.

• Dovolite AI za razlago in diagnostiko, ne pa na preverjanjih znanja. To je skladno tudi s smernicami Univerze v Tartuju: AI kot orodje, ne kot nadomestek učenja; preverjanje znanja naj bo neodvisno od AI.
• Uvajajte “AI kot tutor, ne kot avtopilot”: študent naj najprej poskusi sam, nato AI prosi za razlago, primerjavo pristopov in namige – ne za celotno rešitev. Naloge naj zahtevajo refleksijo: “kaj je AI predlagal, kaj sem popravil in zakaj”. Takšna struktura se v literaturi kaže kot učinkovitejša.
• Vaje “popravi AI”: podajte namenoma hroščaste AI-izhode in zahtevajte utemeljene popravke. To razvija branje kode in kritično presojo.
• Zaznavanje tveganih vzorcev: če nekdo zelo pogosto uporablja AI in hkrati caplja pri osnovah, sprožite dodatno razlago brez AI ter kratke ročne kvize (papir/tabla) za utrjevanje konceptov.

priporočila za študente (hitri “do/don’t”)

Do:

• vprašaj AI, naj razloži tvoj lastni poskus rešitve (“kaj manjka?”, “kakšna je kompleksnost?”, “razloži vrstico po vrstico”).
• uporabi AI za debugiranje in razumevanje napak (stack trace, meje vhodov), ne za končne rešitve.
• preveri odgovore v dokumentaciji/učnih virih; AI naj bo prvi osnutek, ne zadnja resnica.

Don’t:

• ne začenjaj z “napiši mi kodo”. To vodi v “črno skrinjico” in slabšo dolgoročno uspešnost.
• ne kopiraj brez razumevanja; prihrani AI za specifična vprašanja in mikronaloge (npr. oblikovanje regexa, ideje za testne primere).

Zaključek

Nova estonska študija nas prizemlji: generativni AI je koristen pomočnik, ni pa bližnjica do višjih ocen. Brez usmerjene rabe (“AI kot tutor”) se lahko zgodi, da pogostejša uporaba spremlja slabši izplen. Rešitev ni prepoved, temveč pametna integracija: jasna pravila, naloge s primerjavo in popravljanjem AI-izhodov ter vzgoja kritične presoje. Tako izkoristimo hitrost in dosegljivost AI – brez da bi izgubili temeljno razumevanje.