Google schimbă testele de programare: interviurile despre deciziile luate cu AI pot conta mai mult decât codul scris
Programarea asistată de AI obligă universitățile să regândească o întrebare simplă: ce mai măsoară, de fapt, un test de coding atunci când un chatbot poate genera rapid o mare parte din soluție? Prof. Ts. Dr. Nurfadhlina Mohd Sharef, lector și Chief Digital Officer la Universiti Putra Malaysia, spune că a înlocuit evaluările tradiționale cu discuții în care studenții își apără alegerile făcute folosind Gemini în Google Colab. Ideea nu este ca AI-ul să rezolve tema în locul studentului, ci ca studentul să demonstreze că înțelege problema, poate verifica recomandările primite și știe când să le respingă. Pentru universitățile din România, unde folosirea AI în teme este deja greu de separat de munca individuală, modelul merită urmărit atent.
Ghid ServerSpan relevant: Nu mai rata nicio factură: cum am construit o extensie Thunderbird bazată pe AI.
De la „scrie codul” la „explică de ce ai ales această soluție”
Modelul descris de Google mută centrul evaluării de pe sintaxa codului pe procesul de gândire. Studenții folosesc Gemini în Google Colab ca pe un tutor personal: pot cere exemple, explicații, variante de implementare sau ajutor pentru depanare. Apoi, într-un interviu verbal, trebuie să explice ce au păstrat din recomandările AI, ce au modificat și de ce.
Este o diferență importantă. Un test clasic poate verifica dacă un student știe să scrie de la zero un algoritm sau să folosească o anumită bibliotecă. În practică însă, dezvoltatorii folosesc deja documentație, forumuri, IDE-uri cu autocompletare și, tot mai des, asistenți AI. Întrebarea utilă pentru piața muncii nu mai este doar „poți produce cod?”, ci și „poți evalua dacă acel cod este corect, sigur și potrivit pentru problemă?”.
În exemplul din Malaysia, accentul cade pe modelare de date și decizii tehnice. Un student ar trebui să poată argumenta de ce a ales un anumit model, ce date a folosit, ce limitări există și în ce situații sugestia AI poate fi greșită. Codul care rulează nu este automat și cod bun. Poate ascunde presupuneri greșite, date prost pregătite, rezultate imposibil de explicat sau vulnerabilități care nu apar într-un demo rapid.
Pentru mai multe detalii despre această parte a subiectului, vezi Performanța site-ului tău: De ce să câștigi online e ca și cum ai câștiga Open Championship.
Pentru specializările de informatică din România, această abordare ar putea reduce relevanța unor examene centrate exclusiv pe memorarea sintaxei. Nu înseamnă că bazele programării devin inutile. Dimpotrivă: fără ele, studentul nu poate verifica răspunsul primit de la AI.
De ce AI-ul face testele tradiționale mai puțin concludente
Problema nu este că studenții folosesc AI, ci că multe sisteme de evaluare presupun încă faptul că lucrarea predată reflectă direct nivelul individual al celui care a trimis-o. Această presupunere devine fragilă atunci când un instrument poate genera, rescrie, comenta și corecta cod în câteva secunde.
Interzicerea completă a AI-ului pare simplă pe hârtie, dar este dificil de aplicat consecvent și poate deveni artificială. În viața profesională, un junior developer nu va lucra într-o cameră izolată, fără internet, documentație sau instrumente de asistență. Va trebui, în schimb, să verifice codul generat automat, să identifice erori și să își asume consecințele tehnice ale deciziilor sale.
Aici devine relevant interviul. Profesorul poate cere studentului să modifice o parte din soluție pe loc, să explice de ce un rezultat pare suspect sau să compare două variante propuse de AI. Un răspuns memorat sau un proiect generat integral de un chatbot devin mult mai ușor de depistat când autorul trebuie să își apere alegerile.
Totuși, modelul nu este o soluție magică. Interviurile consumă timp, mai ales în facultăți cu serii de câteva sute de studenți. Google menționează că Gemini Canvas și Gemini Notebook pot ajuta la evaluarea activității la scară mai mare, însă materialul publicat nu oferă detalii tehnice despre metodologia exactă, costuri, criterii de notare, protecția datelor sau precizia acestor instrumente în evaluare. Universitățile nu ar trebui să confunde automatizarea administrativă cu validarea pedagogică.
Ce trebuie să demonstreze studentul într-o evaluare cu AI
Într-un sistem bine construit, studentul nu ar primi puncte pentru simplul fapt că a folosit prompturi „bune”. Valoarea reală este capacitatea de a transforma un răspuns probabil al AI-ului într-o soluție justificată.
De exemplu, la un proiect de machine learning, întrebările relevante ar putea fi: De ce ai ales acest set de date? Cum ai tratat valorile lipsă? De ce această metrică și nu alta? Ce se întâmplă dacă datele sunt dezechilibrate? Ce parte din cod ai verificat manual? Care este riscul ca modelul să învețe corelații inutile?
La dezvoltare web, discuția poate fi la fel de concretă: Cum validezi datele primite de la utilizator? De ce ai ales această structură de baze de date? Ce se întâmplă dacă API-ul extern nu răspunde? Cum protejezi cheile de acces? AI-ul poate propune o implementare funcțională, dar responsabilitatea pentru securitate și mentenanță rămâne umană.
Acesta este și punctul unde educația trebuie să evite două extreme. Prima este dependența: studentul acceptă orice răspuns generat pentru că „pare corect”. A doua este respingerea reflexă a AI-ului, ca și cum instrumentul nu ar exista. O competență modernă înseamnă folosire controlată: formulezi întrebări bune, verifici răspunsurile, identifici lacunele și documentezi ce ai decis.
Într-un articol asociat publicat de Google, un profesor de educație specială descrie folosirea Gemini pentru ghiduri vizuale și interacțiuni vocale cu elevi care nu pot scrie. Este un alt caz de utilizare, dar transmite aceeași idee: AI-ul poate extinde accesul și capacitatea de lucru, fără să înlocuiască rolul profesorului sau nevoia de judecată umană.
Ce înseamnă această schimbare pentru facultățile și angajatorii din România
Pentru universitățile românești, miza nu este să înlocuiască toate examenele cu conversații individuale de mâine. Mai realist ar fi un model mixt: exerciții scurte fără AI pentru verificarea fundamentelor, proiecte cu utilizare declarată de AI și interviuri de susținere pentru validarea contribuției individuale.
Această formulă ar avea câteva avantaje. Studenții ar învăța să utilizeze instrumentele pe care le vor întâlni în companii. Profesorii ar evalua mai bine înțelegerea reală, nu doar rezultatul final. Iar lucrările generate aproape integral automat ar deveni mai greu de prezentat drept muncă proprie.
Angajatorii au, de asemenea, un rol indirect. Dacă recrutarea continuă să se bazeze pe teste de algoritmică rezolvate izolat, în timp limitat și fără instrumente moderne, apare o diferență între ce se cere la interviu și ce se întâmplă la job. Pe de altă parte, nici companiile nu trebuie să cadă în capcana opusă: un candidat care știe să folosească AI nu este automat un inginer bun.
Cel mai valoros semnal rămâne capacitatea de a explica decizii, de a pune întrebări corecte și de a recunoaște incertitudinea. În special pentru rolurile entry-level, aceasta poate conta mai mult decât viteza cu care cineva produce o funcție aparent perfectă.
Lucruri practice de urmărit:
- Verifică dacă universitatea sau cursul are o politică explicită privind folosirea AI.
- Păstrează un jurnal simplu al prompturilor și al modificărilor făcute manual.
- Nu preda cod generat de AI fără să îl poți explica linie cu linie.
- Exersează susținerea orală a proiectului, inclusiv limitele soluției.
- Pentru profesori, separă clar evaluarea rezultatului de evaluarea procesului de lucru.
Concluzie. Cazul prezentat de Google nu demonstrează încă faptul că interviurile cu AI sunt soluția universală pentru educația tehnică. Este, totuși, un semnal corect despre direcția în care se îndreaptă evaluarea. Pe măsură ce generarea de cod devine banală, diferența reală nu va fi făcută de cei care obțin cel mai repede un răspuns de la AI, ci de cei care îl pot analiza, corecta și transforma într-o decizie tehnică responsabilă.