Apariția instrumentelor de inteligență artificială generativă a schimbat rapid modul în care elevii abordează programarea. Tentația de a folosi soluții gata generate este reală și, sincer, greu de combătut. Articolul pornește de la câteva situații concrete din clasă și încearcă să răspundă la o întrebare pe care mulți colegi și-o pun: mai are rost să insistăm pe algoritmică, dacă AI-ul o face oricum mai repede? Concluzia la care am ajuns, după doi ani în care am urmărit această schimbare la elevi, este că da — și poate mai mult ca înainte.
1. Problema pe care o vedem la clasă
Scena s-a repetat de destule ori ca să nu mai fie o coincidență. Elevul trimite tema: cod corect, comentarii îngrijite, structură bună. Îl întreb la ora următoare de ce a ales acea abordare sau ce se întâmplă dacă schimb o condiție. Urmează o pauză lungă.
Nu e că elevul e leneș sau că n-a vrut să învețe. E că a primit un răspuns înainte să apuce să pună întrebarea. Și asta e o problemă mai subtilă decât copiatul clasic — pentru că nici el nu-și dă seama, de multe ori, că n-a înțeles nimic.
Am observat asta mai ales la probleme care cer adaptare: dacă cerința se schimbă puțin față de ce a generat AI-ul, mulți elevi se blochează. Codul există, logica nu.
2. De ce algoritmica nu devine mai puțin importantă
Aș fi putut să mă resemnez: 201eBine, dac0103 AI-ul scrie codul, poate pred0103m altceva.201c Numai că nu funcționează așa.
Când un elev lucrează singur la un algoritm — chiar și la unul simplu, de sortare sau căutare — se întâmplă ceva care nu apare când citești o soluție gata făcută. Încearcă ceva, nu merge, înțelege de ce nu merge, încearcă altfel. Asta e, de fapt, ce înseamnă să gândești algoritmic. Nu e vorba de sintaxă, e vorba de obișnuința de a descompune o problemă și de a urmări un raționament pas cu pas (Wing, 2006).
Și mai e ceva: AI-ul nu e infailibil. Greșește, omite cazuri-limită, uneori generează cod care funcționează pe exemple simple, dar cedează pe date reale. Un studiu prezentat la ACM SIGCSE în 2023 arată că soluțiile generate automat conțin frecvent erori de logică sau de eficiență greu de detectat fără o înțelegere solidă a algoritmilor (Becker et al., 2023). Ca să evaluezi ce-ți dă AI-ul, trebuie să știi algoritmică. E un paradox, dar e real.
3. Ce se schimbă în felul în care predăm
Nu cred că soluția e să interzicem instrumentele AI sau să ne comportăm că nu există. Am încercat și nu ține — și nici nu mi se pare corect față de elevi, care vor lucra cu ele toată viața.
Exercițiile de reproducere mecanică contează mai puțin. Dacă AI-ul poate scrie în 10 secunde un BFS sau un algoritm de sortare, nu mai are sens să testez dacă elevul îl poate reproduce din memorie. Contează dacă îl înțelege, dacă poate explica de ce funcționează, dacă știe când să îl folosească și când nu.
Codul generat de AI devine material de analiză. Le dau elevilor soluții produse de ChatGPT și îi pun să le auditeze: sa găsească ineficiențe, să explice complexitatea, să identifice ce lipsește. E o activitate pe care o găsesc mai provocatoare decât să scrie ei cod de la zero — și mai apropiată de ce vor face în practică.
Prezentările orale devin un filtru bun. Când un elev trebuie să explice în fața clasei ce a rezolvat și să răspundă la întrebări, devine rapid clar dacă a înțeles sau a copiat. Nu e o metodă perfectă, dar e mult mai relevantă decât o temă scrisă.
Discuțiile despre responsabilitate nu sunt opționale. Un programator care livrează cod fără să îl înțeleagă — indiferent de sursa lui — poate introduce erori grave sau vulnerabilități reale. Le spun asta elevilor direct, nu ca morală, ci ca realitate practică a domeniului.
4. Ce rămâne neschimbat
Indiferent de cum evoluează instrumentele, câteva lucruri mi se par nenegociabile în predarea informaticii: algoritmii fundamentali trebuie înțeleși și exersați direct, nu doar citiți; evaluarea față în față, cu explicație orală, rămâne cea mai bună metodă de verificare a înțelegerii reale; și procesul de rezolvare — cu tot cu greșeli și reluări — trebuie valorizat la fel de mult ca rezultatul final.
Denning și Tedre (2019) argumentează că gândirea computațională nu se dobândește folosind instrumente, ci înțelegând principiile care stau la baza lor. Mi se pare un argument solid, mai ales acum când instrumentele devin tot mai accesibile și tot mai capabile.
5. În loc de concluzie
Nu știu cum va arăta ora de informatică peste zece ani. Dar știu că elevii care vor reuși în domeniu nu vor fi cei care știu să ceară AI-ului ce vor, ci cei care știu să evalueze ce primesc, să corecteze ce e greșit și să gândească independent când instrumentul nu ajunge.
Algoritmica e, în fond, tocmai asta: un mod de a gândi. Și ăsta nu se automatizează.
Bibliografie
Becker, B.A., Denny, P., Finnie-Ansley, J. et al. (2023). Programming Is Hard — Or at Least It Used to Be. Proceedings of the 54th ACM SIGCSE Technical Symposium.
Denning, P.J., Tedre, M. (2019). Computational Thinking. MIT Press.
Ministerul Educației (2022). Programa școlară pentru disciplina Informatică, clasele XI–XII, filieră teoretică, profil real. București.
Wing, J.M. (2006). Computational Thinking. Communications of the ACM, 49(3), 33–35.