Hannah Hackney sabia o suficiente sobre codificar a inteligência artificial para ser um professor útil.Crédito: Mtstock Studio/Getty
No laboratório da Universidade McGill, em Montreal, Canadá, onde sou um estudante de doutorado, meus colegas e eu estudo as propriedades ópticas e eletrônicas das moléculas orgânicas. A maior parte deste trabalho é baseada na síntese química, mas o complementamos com o uso ocasional de software para prever e racionalizar as propriedades das moléculas.
Recentemente, eu queria entender como um mecanismo de reação específico poderia explicar por que algumas moléculas são muito mais estáveis do que outras que parecem muito semelhantes. Ao participar deste projeto, percebi que minhas habilidades computacionais não estavam à altura da tarefa: eu precisaria aprender a codificar para poder gerenciar e processar os grandes volumes de dados que estava produzindo rapidamente.
Felizmente, os recursos educacionais de alta qualidade nunca foram tão abundantes ou acessíveis. Eu já havia tentado codificar casualmente no meu tempo livre, confiando principalmente em aplicativos gratuitos, vídeos e livros do YouTube. Um colega sugeriu que eu tentasse usar a inteligência artificial (AI). Fiquei impressionado com o quão útil achei as ferramentas gratuitas com base em grandes modelos de idiomas (LLMS), como ChatGPT e Claude, para auto-ensino e quão dramaticamente eles aceleraram meu aprendizado.
Eu já havia experimentado ChatGPT antes, mas foi a primeira vez que achei valioso o suficiente para usar no meu trabalho e na vida cotidiana. Os resultados de várias outras tarefas não foram sofisticados o suficiente para serem úteis. Por exemplo, quando pedi idéias para reações que eu poderia tentar sintetizar moléculas -alvo, ela forneceu métodos que achei óbvios ou confundidos. Quando alimentei as notas ponto a ponto para se traduzir no primeiro rascunho de um documento, tive que editar a prosa demais para sentir que ele realmente me salvou esforço.
As margens do conhecimento existente
Eu acho que a razão pela qual acho os LLMs úteis para codificar, mas inútil para muitas outras tarefas, é que há um ponto ideal em que as informações que eles produzem provavelmente serão úteis para aprender. Passei anos fazendo síntese química em sistemas complexos, por isso sou um especialista no campo e entendo as sutilezas melhor do que a IA pode (pelo menos por enquanto). Como resultado, fiquei desapontado ao consultar a IA para obter informações sobre reações difíceis.
Para codificar, o auto-ensino com a IA funciona bem para mim, porque está muito mais próximo das margens do meu conhecimento e experiência existentes. A idéia de que aprendemos melhor quando nos encaixamos em novos conceitos no que já sabemos que está bem estabelecido nas teorias da educação. O psicólogo russo do início do século XX, Lev Vygotsky, escreveu sobre a “zona de desenvolvimento proximal”, um ponto ideal onde o aluno pode aproveitar a orientação de um “outro mais experiente”.
Eu já estava ciente dos conceitos básicos e da sintaxe da codificação, tendo concluído alguns pequenos cursos introdutórios. Esse conhecimento básico forneceu fundações valiosas, que teriam sido difíceis de estabelecer sem direção. Eu poderia aproveitar a orientação do meu ‘mais experiente’.
Democratização da aprendizagem
Um dos maiores benefícios da IA é que ela permite um estilo de educação que geralmente é muito intensivo em recursos-perguntas e respostas rápidas. Na maioria dos ambientes educacionais, é impraticável ter um professor disponível para responder a todas as perguntas ou produzir grandes volumes de conteúdo personalizado. Mas o modo inerentemente conversacional de uma ferramenta baseada em um LLM significa que ele replica a velocidade e a facilidade de um tutor pessoal.
Também otimiza o processo de busca de informações. Mesmo se você estiver aprendendo através de um curso, como um conjunto de vídeos ou um livro, pode levar muito tempo e esforço para encontrar as respostas para perguntas específicas. Por exemplo, sua pergunta pode ser respondida em um artigo, mas com uma explicação não adequada ao seu nível de habilidade, então você precisa gastar mais tempo procurando contexto ou definições. Ou você pode postar em um fórum pedindo ajuda e passar horas ou dias esperando uma resposta.
Com um LLM, você pode ajustar o tom ou o nível de habilidade de uma explicação ou fazer perguntas de acompanhamento sobre termos ou conceitos específicos. O curto tempo de feedback me ajudou a entrar em um estado de fluxo, que criou um senso de controle e me manteve motivado.
Ai fornece o ‘andaimes’
Fiquei inicialmente surpreso ao saber que a maioria das populares ferramentas gratuitas baseadas em LLM, como ChatGPT, Claude e Deepseek, pode produzir código adequado para tarefas simples a partir de uma entrada escrita. Isso criou uma oportunidade valiosa para trabalhar em habilidades de codificação de nível superior, incluindo estrutura, design e depuração, que geralmente não são explorados quando você está aprendendo o básico.
A maioria dos programadores lhe dirá que não é um conhecimento específico de sintaxe e funções que produz um bom codificador. É maior as habilidades de pensamento crítico de ordem superior. Felizmente, a maioria dos cientistas e pesquisadores já desenvolveu muitas habilidades relevantes: pensamento lógico e algorítmico, um senso de organização e ordem de longo alcance, atenção aos detalhes e antecipação de possíveis falhas.
