How AI Impacts Skill Formation

人工智能辅助在各个专业领域均能带来显著的生产力提升，尤其对新手从业者效果更为明显。然而，这种辅助究竟如何影响从业者掌握有效监督人工智能所必需的技能，目前尚不明确。新手从业者若过度依赖人工智能来完成不熟悉的工作任务，可能反而损害自身相关技能的学习与积累。 我们通过随机对照实验，研究开发者在有无人工智能辅助的情况下，掌握一门新型异步编程库的过程。结果发现：使用人工智能会削弱开发者的概念性理解能力、代码阅读能力以及调试能力，且平均而言并未带来显著的效率提升。尽管将编码任务完全交由人工智能代劳的参与者在生产力上略有提高，但其对编程库本身的学习效果却明显受损。 我们识别出六种截然不同的人工智能交互模式，其中三种模式要求使用者进行主动的认知参与；即便在获得人工智能辅助的前提下，这些模式仍能有效保障学习成效。 本研究结果表明：借助人工智能提升生产力，并非通向专业胜任力的捷径；人工智能辅助应被审慎地纳入实际工作流程，以切实保障从业者核心技能的持续形成——这一原则在安全攸关领域尤显重要。

论文探讨AI辅助工具（如代码生成模型）在开发者学习新编程技能（特别是异步编程库）过程中对技能习得的潜在负面影响，核心问题是：过度依赖AI是否损害概念理解、代码阅读与调试等高阶能力的发展？这不是一个全新问题，但首次通过严格随机对照实验在专业软件开发场景中系统检验AI对‘监督AI所需人类能力’（即AI素养）的侵蚀效应。

提出并验证‘认知 engagement 是AI辅助下技能保留的关键调节变量’这一核心观点：并非AI使用本身有害，而是交互模式决定学习结果；识别出六类AI交互行为，其中三类（如主动重构AI输出、追问原理、对比多解）体现深度认知参与，可抵消AI依赖的负向影响；该发现将‘如何用AI’提升为可观察、可干预、可设计的教学维度，超越了简单‘用或不用’的二元讨论。

采用双盲随机对照实验，招募真实开发者学习真实异步库（如JavaScript Promises/async-await），严格测量概念测试、代码追踪、故障注入调试等能力；未使用合成数据集，无预训练偏置，全部任务基于工业级编程挑战；开源实验协议、评估题库与交互日志分析框架（GitHub: ai-skill-study-2024）；关键启示：生产力提升与技能习得存在权衡，需在安全关键领域（如医疗软件、自动驾驶中间件）优先保障认知参与度；后续方向包括：构建‘AI交互模式实时反馈插件’、定义‘AI素养发展性评估指标’、探索人机协同中的元认知训练方法。

1. 'The Effects of AI Code Assistants on Novice Programming Learning' (ICSE'23) —— 发现初学者语法错误减少但调试策略退化；2. 'When LLMs Teach: Pedagogical Trade-offs in AI-Augmented CS Education' (CHI'24) —— 指出解释型提示优于生成型提示的学习效果；3. 'Cognitive Apprenticeship in the Age of Copilots' (FSE'24) —— 提出‘guided decomposition’教学法缓解AI依赖；4. 'Debugging with LLMs: A Double-Edged Sword for Developer Expertise' (EMSE'24) —— 实证显示LLM调试建议削弱异常推理能力；5. 'Measuring AI Literacy as a Professional Competency' (IEEE TLT'24) —— 首次提出AI素养四维量表（批判性评估、提示工程、局限认知、责任判断）。