![Εικόνα που απεικονίζει 2 άτομα που συνεργάζονται διαδικτυακά, με το λογότυπο του DSJP δίπλα σε αυτό και κείμενο. Το κείμενο έχει ως εξής: «Κωδικοποίηση και προγραμματισμός δεξιοτήτων στην εποχή της γενικής ΤΝ»](https://www.nationalcoalition.gov.gr/wp-content/uploads/2024/01/GenerativeAI_cover_DSJP.png)
Η Παραγωγική ΤΝ (Generative AI -Gen AI), ένας υποτομέας της τεχνητής νοημοσύνης, αφορά εφαρμογές στις οποίες ένας υπολογιστής προσομοιώνει την ανθρώπινη ικανότητα δημιουργίας και παραγωγής — είτε πρόκειται για ανθρώπινη γλώσσα είτε για ανθρώπινες δημιουργικές εκφράσεις (όπως σχέδιο, σύνθεση μουσικής κ.λπ.). Το καλύτερο παράδειγμα της παραγωγικής τεχνητής νοημοσύνης που ταρακούνησε τα νερά είναι το ChatGPT, ένα μοντέλο γλώσσας (Large -Language Model — LLM), με το οποίο οι χρήστες μπορούν να αλληλεπιδρούν στη φυσική γλώσσα. Ένας τομέας στον οποίο η Παραγωγική ΤΝ είναι ιδιαίτερα ελπιδοφόρα αφορά στον τρόπο με τον οποίο γράφουμε τον κώδικα λογισμικού μας. Αυτό το άρθρο εξετάζει τις δυνατότητες που δημιουργεί η ΠαραγωγικήΤΝ για την υποστήριξη αυτής της διαδικασίας ανάπτυξης λογισμικού — και τις δυνατότητές της να ανοίξει οδούς για τη σύνταξη κώδικα λογισμικού σε περισσότερους ανθρώπους από ποτέ άλλοτε. Σε συνδυασμό με τις ευκαιρίες που ανοίγουν, το παρόν έγγραφο εξετάζει επίσης τους κινδύνους από τη χρήση εργαλείων που υποστηρίζονται από τη GenAI με τη μείωση της ανθρώπινης εποπτείας, και επισημαίνει πιθανούς τρόπους που πρέπει να διερευνήσουμε, εάν θέλουμε να επιτύχουμε μια πιο ισορροπημένη χρήση που θα λαμβάνει υπόψη τις βασικές αξίες της ΕΕ.
Εισαγωγή
Η Παραγωγική ΤΝ, υποτομέας της τεχνητής νοημοσύνης (ΤΝ), αφορά εφαρμογές στις οποίες ο υπολογιστής προσομοιώνει, ή προσπαθεί να μιμηθεί, την ανθρώπινη ικανότητα δημιουργίας και παραγωγής στην ανθρώπινη γλώσσα και την ανθρώπινη δημιουργική έκφραση — όπως το σχέδιο ή η σύνθεση μουσικής (Stokel-Walker & Van Noorden, 2023). Ένα παράδειγμα της παραγωγικής τεχνητής νοημοσύνης που ταρακούνησε τα νερά είναι το ChatGPT, ένα μοντέλο γλώσσας (Large-Language Model — LLM) με το οποίο οι χρήστες μπορούν να αλληλεπιδρούν μέσω δακτυλογράφησης. Οι επιδόσεις αυτής της LLM κατέπληξαν πολλούς ερευνητές αλλά και το ευρύ κοινό ως προς το πόσο «πραγματικές» μπορούν να είναι οι αλληλεπιδράσεις (Maslej et al, 2023).
Το ενδιαφέρον για αυτή τη μορφή τεχνητής νοημοσύνης αυξάνεται ήδη εδώ και αρκετές δεκαετίες, με την ανάπτυξη της βασικής έρευνας (Reiter & Dale, 1997, Kandhasamy & Xie, 2004). Ωστόσο, οι εφαρμογές παρέμειναν περιορισμένες, με μικρό αλγόριθμο απόδειξης εννοιών κυρίως στην έρευνα — κατά βάση λόγω της έλλειψης υπολογιστικής ισχύος ή των ανεπαρκών ποσοτήτων δεδομένων κατάρτισης, τα οποία είναι απαραίτητα για την εισαγωγή ποιοτικής τεχνολογίας στην καθημερινότητα (Maslej et al, 2023). Αυτό άλλαξε τα τελευταία χρόνια. Κατά την περίοδο από το 2015 έως το 2016 σημειώθηκαν κινήσεις για τη συγκέντρωση πόρων και τη συστηματική δημιουργία μεγάλων συνόλων δεδομένων και μοντέλων, με συντονισμένες προσπάθειες στη βιομηχανία, όπως το OpenAI (ιδρύθηκε το 2015) και η HuggingFace (ιδρύθηκε το 2016). Από το τέλος του 2022, η ωρίμανση των εν λόγω τεχνολογιών έχει λάβει σημαντική ώθηση λόγω της ευθυγράμμισης μεταξύ της υπολογιστικής ισχύος, των ώριμων αλγορίθμων και των επαρκών δεδομένων.
Ένας από τους τομείς στους οποίους η Παραγωγική ΤΝ είναι πολύ ελπιδοφόρα είναι στον τομέα της σύνταξης κώδικα λογισμικού. Η GenAI χρησιμοποιείται ήδη από πολλούς μηχανικούς για να τους βοηθήσει στην κωδικοποίηση (Sharma, 2021). Το απλό ανθρώπινο κείμενο τους επιτρέπει να γράφουν σύνθετους κώδικες σε δευτερόλεπτα, επιταχύνοντας ενδεχομένως την κωδικοποίηση και τον προγραμματισμό (Brady, 2023). Στα εργαλεία της παραγωγικής ΤΝ, μπορούν να δοθούν οδηγίες υπό μορφή κειμένου (υποδείξεις) για να δώσει οδηγίες στην ΤΝ, ώστε να συντάξει κώδικα για τη δημιουργία ορισμένων λειτουργιών. Ως εκ τούτου, ο χρήστης ενός τέτοιου εργαλείου μπορεί να επικοινωνεί σε πιο συγκεκριμένη φυσική γλώσσα, χωρίς να χρειάζεται να γνωρίζει τις λεπτομέρειες της γλώσσας κωδικοποίησης. Με περιορισμένο τρόπο και με σχετικές υποδείξεις, η Παραγωγική ΤΝ θα μπορούσε επίσης να δημιουργήσει τα βήματα στη λογική μιας εφαρμογής, καθορίζοντας τη γενική δομή ενός αλγορίθμου.
Ως φυσική συνέπεια, αυτό εγείρει πολλές ερωτήσεις σχετικά με τον τρόπο με τον οποίο θα γράψουμε το λογισμικό μας στο μέλλον, καθώς και σχετικά με τις δεξιότητες που απαιτούνται γι’ αυτό. Η επόμενη ενότητα του παρόντος άρθρου εμβαθύνει σε αυτό το ζήτημα.
Σχεδιαστές λογισμικού στην αγορά εργασίας της ΕΕ
Εδώ και πολλά χρόνια παρατηρείται έλλειψη ειδικευμένου εργατικού δυναμικού στην ψηφιακή βιομηχανία. Η Μελέτη της Ευρωπαϊκής Συμμαχίας Δεξιοτήτων Λογισμικού του 2021 προσδιορίζει τον ρόλο του «προγραμματιστή» (developer) ως τον πλέον ζητούμενο ρόλο για την ανάπτυξη λογισμικού και επισημαίνει τον συνεχώς μεταβαλλόμενο χαρακτήρα του ρόλου αυτού (software developer) ως αιτία αυτής της έλλειψης. Οι βασικές δεξιότητες των προγραμματιστών είναι η κωδικοποίηση και ο προγραμματισμός, δύο κλάδοι στους οποίους το περιεχόμενο της εργασίας συνεχώς αλλάζει, γεγονός που δημιουργεί πρόβλημα για τους οργανισμούς και δυσχεραίνει την επικαιροποίηση των δεξιοτήτων των εργαζομένων. Η αυξανόμενη ανάγκη για εμπειρογνώμονες ΤΠΕ σε όλους τους τομείς ενέχει κινδύνους για τον στόχο της Ευρωπαϊκής Ψηφιακής Δεκαετίας για την επίτευξη 20 εκατομμυρίων ειδικών ΤΠΕ στην Ευρώπη έως το 2030.
Κωδικοποίηση & προγραμματισμός: Ορολογία και βασικές έννοιες
Στο σημείο αυτό είναι χρήσιμη κάποια επεξηγηματική ορολογία. Η ανάπτυξη λογισμικού αναφέρεται σε δραστηριότητες που βασίζονται στην επιστήμη των υπολογιστών, δηλαδή στη διαδικασία δημιουργίας, σχεδιασμού, εγκατάστασης και υποστήριξης λογισμικού (IBM, 2023). Η φάση ανάπτυξης του λογισμικού πραγματοποιείται όταν ο προγραμματιστής αρχίζει να καθορίζει και να συντάσσει τις οδηγίες που πρέπει να ακολουθήσει ο υπολογιστής, στην επιθυμητή γλώσσα υπολογιστή.
Τι είναι λοιπόν ο προγραμματισμός; Ο προγραμματισμός αναφέρεται στις ενέργειες των προγραμματιστών για τον καθορισμό της λογικής του προγράμματος ηλεκτρονικού υπολογιστή, συμπεριλαμβανομένων των στοιχείων που χρειάζεται να οριοθετήσει το πρόγραμμα και των αλγορίθμων που χρειάζεται να εφαρμόσει. Ως εκ τούτου, οι δεξιότητες προγραμματισμού συνδέονται στενά με τη λογική και την αναλυτική, την εννοιολογική και αφηρημένη, καθώς και με την υπολογιστική σκέψη. Όταν οι προγραμματιστές γράφουν κώδικα, συντάσσουν οδηγίες προς τον υπολογιστή για την υλοποίηση ορισμένων ενεργειών που χρειάζεται να εκτελέσει ο υπολογιστής. Οι προγραμματιστές γράφουν σε διάφορες γλώσσες υπολογιστών, οι οποίες τους παρέχουν διαφορετικές ικανότητες ανάλογα με τη δομή ή τον σκοπό τους. Επιπλέον, οι γλώσσες πληροφορικής εξακολουθούν να εξελίσσονται, γεγονός που καθιστά πολύπλοκο το καθήκον των προγραμματιστών να ενημερώνονται σχετικά με τα πιο πρόσφατα σχήματα και τάσεις. Όταν μιλάμε για ελλείψεις δεξιοτήτων στην αγορά εργασίας, μπορούμε να αναφερθούμε τόσο στις δεξιότητες που σχετίζονται με τον προγραμματισμό όσο και στις δεξιότητες που σχετίζονται με την κωδικοποίηση.
Στήριξη της αγοράς εργασίας της ΕΕ
Δεδομένου ότι αυτές οι ελλείψεις δεξιοτήτων προκαλούν ανησυχία εδώ και αρκετά χρόνια, οι υπεύθυνοι χάραξης πολιτικής και οι ερευνητές έχουν επενδύσει μεγάλο μέρος της ενέργειας τους στην ανάπτυξη της στήριξης των παραγόντων της αγοράς εργασίας για τον εντοπισμό και την ανάπτυξη αυτών των δεξιοτήτων στους (δυνητικούς) υπαλλήλους τους. Ορισμένες βασικές πρωτοβουλίες περιλαμβάνουν τυποποιημένα πλαίσια ικανοτήτων ειδικά για το ψηφιακό πλαίσιο. Το πλαίσιο ψηφιακών ικανοτήτων για τους πολίτες, DigComp 2.2, (Vuorikari, Kluzer και Punie, 2022) είναι το βασικό και κοινώς αποδεκτό πλαίσιο στην ΕΕ, το οποίο προσδιορίζει και οριοθετεί τις ψηφιακές δεξιότητες που χρειάζονται οι πολίτες για να συμμετέχουν σε μια σύγχρονη ψηφιακή κοινωνία. Το Ευρωπαϊκό Πλαίσιο Ηλεκτρονικών Ικανοτήτων (e-CF) είναι ένα τυποποιημένο πλαίσιο αναφοράς, το οποίο περιέχει 41 ικανότητες, οι οποίες είναι σχετικές και απαιτούνται για το εργασιακό πλαίσιο των επαγγελματιών ΤΠΕ. Επίσης, το πλαίσιο προσδιορίζει 30 προφίλ επαγγελματικών ρόλων ΤΠΕ, τα οποία καλύπτουν διάφορες πτυχές του τοπίου της ψηφιακής βιομηχανίας. Στην ΕΕ, πρόκειται για ένα εμβληματικό πλαίσιο που προσφέρει μια κοινή γλώσσα μεταξύ των υπευθύνων πρόσληψης ΤΠ και των επαγγελματιών ΤΠ.
Υπάρχουν επίσης πιο γενικά πλαίσια με σχετικά προφίλ. Τα τομεακά πλαίσια δεξιοτήτων μέσω του Συμφώνου για τις Δεξιότητες φέρνουν σε επαφή διάφορους παράγοντες του κλάδου σε διάφορες τομεακές συμμαχίες για να προσδιορίσουν και να οριοθετήσουν τις δεξιότητες, οι οποίες απαιτούνται για την περαιτέρω ανάπτυξη στον τομέα τους. Σε μεγάλο βαθμό, σε αυτές περιλαμβάνονται επίσης σύνθετες ψηφιακές δεξιότητες, καθώς η ψηφιακή βιομηχανία επηρεάζει όλους τους τομείς. Όσον αφορά την επιχειρηματικότητα, το πλαίσιο EntreComp (McCallum, Weicht, McMullan and Price, 2018) περιλαμβάνει ικανότητες που εξετάζουν την αποτελεσματική χρήση των πόρων, οι οποίες περιλαμβάνουν επίσης αξιολόγηση και κατανόηση των αναγκών των ψηφιακών πόρων και ανάπτυξη ψηφιακών αποτελεσμάτων. Το μεταβαλλόμενο τεχνολογικό πλαίσιο ενσωματώνεται συνεχώς σε αυτά τα πλαίσια, ώστε στις τελευταίες εκδόσεις του να συμπεριλαμβάνει και τις δεξιότητες εργασίας που απαιτούνται για την τεχνολογία ΤΝ. Για παράδειγμα, το DigComp στην τελευταία του έκδοση, 2.2., πλέον περιλαμβάνει επίσης γνώσεις σχετικά με τα συστήματα που σχετίζονται με την ΤΝ.
Δράσεις της ΕΕ για την προώθηση δεξιοτήτων προγραμματισμού & κωδικοποίησης
Εκτός από την παροχή στήριξης για την ονομασία, τον εντοπισμό και την ανάπτυξη δεξιοτήτων που σχετίζονται με την ανάπτυξη λογισμικού, οι πρωτοβουλίες πολιτικής επικεντρώνονται επίσης στο να γίνουν πιο δημοφιλείς και γνωστές οι σχετικές σταδιοδρομίες στον ψηφιακό τομέα. Με σκοπό την αύξηση του ενδιαφέροντος για τον προγραμματισμό και την κωδικοποίηση, η ΕΕ έχει αναπτύξει αρκετές επαναλαμβανόμενες δράσεις. Η Ευρωπαϊκή Εβδομάδα Προγραμματισμού προωθεί πρωτοβουλίες για το βασικό επίπεδο για να ενθαρρύνει περισσότερους πολίτες να χρησιμοποιούν και να αναπτύσσουν τις δεξιότητες προγραμματισμού τους. Οι δραστηριότητες συνεργασίας με εθελοντές περιλαμβάνουν εκστρατείες ευαισθητοποίησης, εργαστήρια, συνέδρια κ.λπ. που πραγματοποιούνται σε ολόκληρη την Ευρώπη, σε τοπικές γλώσσες και ανταποκρίνονται στις περιφερειακές ανάγκες και πλαίσια. Το 2021, περισσότερα από 4 εκατομμύρια άτομα σε 80 + χώρες από όλο τον κόσμο συμμετείχαν στην πρωτοβουλία, ενώ οι περισσότερες από τις δραστηριότητες πραγματοποιήθηκαν σε σχολεία (Ευρωπαϊκή Επιτροπή, 2023).
Το Ευρωπαϊκό Ινστιτούτο Τεχνολογίας και Καινοτομίας (ΕΙΤ) προσφέρει μια πλατφόρμα στην οποία οι παράγοντες της βιομηχανίας μπορούν να έρθουν σε επαφή για να καινοτομήσουν στους σχετικούς κλάδους σε ένα ασφαλές και ανοικτό περιβάλλον. Η EIT Digital επικεντρώνεται ειδικά στη στήριξη της καινοτομίας και της επιχειρηματικότητας στην ψηφιακή βιομηχανία (EIT Digital, 2020). Επιπλέον, πολλά προγράμματα που χρηματοδοτούνται από την ΕΕ επικεντρώνονται στη βελτίωση των ψηφιακών δεξιοτήτων του ευρωπαϊκού εργατικού δυναμικού για την ψηφιακή βιομηχανία: ρίξτε μια ματιά στις μαζικές επενδύσεις στο Πρόγραμμα «Ψηφιακή Ευρώπη» (7.5 δισ. ευρώ προορίζονται για τον ψηφιακό μετασχηματισμό της ευρωπαϊκής οικονομίας και κοινωνίας). Ένα άλλο βοηθητικό εργαλείο είναι το όριο του 20 % στις ψηφιακές επενδύσεις στα Σχέδια Ανάκαμψης και Ανθεκτικότητας των κρατών μελών της ΕΕ, το οποίο όριο ήδη το έχουν υπερβεί.
Η GenAI θα βελτιώσει την έλλειψη δεξιοτήτων στην αγορά εργασίας;
Η εμφάνιση της GenAI ανοίγει έναν κόσμο ευκαιριών προγραμματισμού και κωδικοποίησης στην αγορά εργασίας. Αφενός, η GenAI θα μπορούσε να συμβάλει, ώστε να είναι περισσότερο προσβάσιμες στους ανθρώπους, οι πιο προηγμένες δεξιότητες (όπως η κωδικοποίηση). Στο πλαίσιο αυτό το 2023 θα μπορούσε να αποδειχθεί καμπή — μια στιγμή που η τεχνητή νοημοσύνη ενισχύει γρήγορα τις δεξιότητες προγραμματισμού των πολιτών, επιτρέποντάς μας να δημιουργήσουμε ψηφιακά εργαλεία με πιο αποδοτικό και αποτελεσματικό τρόπο. Αφετέρου η GenAI θα μπορούσε επίσης να μειώσει την ανάγκη επάρκειας των δεξιοτήτων προγραμματισμού, καθώς μειώνει αντίστοιχα την απαιτούμενη εμβάθυνση γνώσεων και εμπειρογνωμοσύνης στον τομέα αυτό. Στις ενότητες που ακολουθούν διερευνάται το πλαίσιο εντός του οποίου η GenAI θα μπορούσε να έχει αντίκτυπο στην ανάπτυξη λογισμικού, καθώς και οι επιπτώσεις της στην ανάπτυξη δεξιοτήτων.
Eρευνητικό πλαίσιο
Προτού διερευνηθεί ποιες δεξιότητες θα είναι σημαντικές σε αυτόν τον νέο χώρο, είναι καλό να εξεταστεί το πλαίσιο στο οποίο οι πτυχές της κωδικοποίησης μπορούν να επηρεαστούν από τη GenAI.
Η θέση της κωδικοποίησης στη διαδικασία μηχανικής λογισμικού
Η μηχανική λογισμικού (software engineering) — όπως και άλλες μορφές μηχανικής- είναι μια επιστήμη σχεδιασμού και, σε γενικές γραμμές, ακολουθεί μια διαδικασία με φάσεις έρευνας, ιδεολογίας, σχεδιασμού, ανάπτυξης και δοκιμής για τη μετάβαση από εννοιολογική ιδέα σε απτό προϊόν (Davis, Bersoff & Comer, 1988). Με την ολοκλήρωση αυτής της διαδικασίας, η γνώση και η τεχνογνωσία αποκτώνται και μέσω της επανάληψης — που διέρχεται πολλές φορές — ο ορισμός του προβλήματος και οι απαιτήσεις μπορούν να βελτιωθούν, μπορεί να πραγματοποιηθεί περαιτέρω έρευνα ιστορικού κ.λπ. Ωστόσο, όπως περιγράφεται από Despa 2014, ενδέχεται να υπάρχουν διαφορετικές προσεγγίσεις (βαθμιαία, καταρράκτης, σπειροειδής, πρωτοτυπία κ.λπ.) ως προς τον τρόπο διαμόρφωσης αυτών των φάσεων (π.χ. διαφορές στη διάρκεια των φάσεων ή αναμενόμενα ενδιάμεσα αποτελέσματα κ.λπ.). Κάθε διαδικασία σχεδιασμού έχει βασικά συστατικά στοιχεία.
Στη διαδικασία αυτή, η κωδικοποίηση — η διαδικασία σύνταξης του πραγματικού κώδικα λογισμικού- πραγματοποιείται κυρίως κατά τη φάση ανάπτυξης και δοκιμής. Σε αυτό το στάδιο της διαδικασίας σχεδιασμού, το πρόβλημα και η πιθανή λύση έχουν ήδη καθοριστεί και έχουν ληφθεί υψηλού επιπέδου αποφάσεις σχεδιασμού. Στη συνέχεια, το λογισμικό παράγεται κατά τη φάση ανάπτυξης και δοκιμάζεται κατά το στάδιο της δοκιμής. Σε σύγκριση με άλλους κλάδους της μηχανικής, το κόστος παραγωγής του λογισμικού είναι σχετικά χαμηλό. Στο σημείο αυτό, έχουμε την «εκβιομηχάνιση» της παραγωγής λογισμικού, στο πλαίσιο της οποίας καταβάλλονται συνεχώς προσπάθειες για να είναι ακόμη πιο γρήγορες και λιγότερο χρονοβόρες όσον αφορά στην ανάπτυξη, διασφαλίζοντας παράλληλα την ποιότητα του παραγόμενου υλικού (Humphrey, 1988). Ορισμένοι τρόποι για να επιτευχθεί αυτό είναι, για παράδειγμα, η αποτελεσματική κοινοχρησία τμημάτων κωδικών (π.χ. πλατφόρμες αποθετηρίου τύπου GitHub) και, πιο πρόσφατα, οι πλατφόρμες χαμηλού κώδικα/χωρίς κωδικό, όπου χρησιμοποιούνται επαναχρησιμοποιήσιμα δομικά στοιχεία ως σημείο εκκίνησης για την προσέγγιση του σχεδιασμού με πιο αφηρημένο τρόπο, η επιτάχυνση ολόκληρης της διαδικασίας (No-Code.tech, 2023 · Adalo, 2023). Αυτό ουσιαστικά ανοίγει τον προγραμματισμό σε άτομα, τα οποία δεν είναι ειδικευμένα (ούτε έχουν ενδεχομένως συμφέρον να αποκτήσουν δεξιότητες) στους μηχανικούς σύνταξης του κώδικα.
Από την αντίθετη πλευρά της διάστασης αυτής είναι η «βιοτεχνία λογισμικού», όπου η τεχνική ικανότητα ή η τεχνική δημιουργίας κώδικα αποκτά και πάλι σημασία. Προσεγγίζοντας τη δημιουργία λογισμικού από τα μάτια ενός μαθητευόμενου, το κίνημα αυτό τονώνει το αίσθημα της ικανοποίησης δημιουργίας λογισμικού, τις αξίες της παράδοσης στη δημιουργία λογισμικού και δίνει έμφαση στον ανθρώπινο παράγοντα (Software Craftmanship Manifesto, 2009). Θα μπορούσατε ακόμη και να το συγκρίνετε με τον τρόπο με τον οποίο προσεγγίζουμε το μαγείρεμα στο σπίτι και το μαγείρεμα σε μια επαγγελματική κουζίνα. Στα σπίτια μας, εξετάζουμε κυρίως το μαγείρεμα ως τη διαδικασία παραγωγής καλών τροφίμων. Όταν το μαγείρεμα γίνεται «τέχνη», περιλαμβάνει πειθαρχία, ποιότητα, αποδοτικότητα χρόνου και εστιασμένη προσπάθεια για την επίτευξη υψηλής ποιότητας στα παραγόμενα προϊόντα. Η «τέχνη» στο μαγείρεμα περιλαμβάνει την τήρηση των ικανοτήτων παραγωγής και των διαθέσιμων πόρων για την επίτευξη αυτού του επιπέδου αριστείας (όπως θα τιμούσαμε τις μαγειρικές τους δεξιότητες — με τη χρήση ποιοτικών συστατικών, την τελειοποίηση των δεξιοτήτων μαχαιριού, τη δημιουργία νέων τεχνικών για την επίτευξη διαφορετικών γεύσεων και εμπειριών κ.λπ.)
Μπορούμε να υιοθετήσουμε αυτές τις ίδιες ιδέες και να τις επεκτείνουμε στη βιοτεχνία που εμπλέκεται στη σύνταξη και την παραγωγή κώδικα ποιότητας.
Επέκταση της κωδικοποίησης σε θέσεις εργασίας έντασης γνώσης
Παρότι δεν φαίνεται εκ πρώτης όψεως, η κωδικοποίηση δεν περιορίζεται μόνο στους χώρους του επαγγελματικού λογισμικού ή του κλάδου των ΤΠΕ. Έχει υποβαθμισθεί το γεγονός ότι κάποιου είδους κωδικοποίηση απαιτείται και σε πολλές άλλες εξειδικευμένες επαγγελματικές τεχνολογίες που αφορούν σε γνωστικές εργασίες. Για παράδειγμα, εάν πραγματοποιείτε κάποια στατιστική ανάλυση ή ακόμη και βασικές λειτουργίες Excel, πρέπει ήδη να κατανοήσετε τον τρόπο σύνταξης κώδικα σε κάποια ελάχιστη μορφή. Στο πλαίσιο αυτό, η κωδικοποίηση έχει γίνει αναγκαία όπως άλλες ικανότητες και εγγραμματισμούς (σκεφτείτε: ανθρώπινη γλώσσα και μαθηματικά), όπου όλοι πρέπει να έχουν βασικές γνώσεις κατανόησης και αναπαραγωγής για να συμμετάσχουν στην κοινωνία (Burke, O’Byrne και Kafai, 2016). Η διαφορά έγκειται στο γεγονός ότι ο τρόπος με τον οποίο αντιλαμβανόμαστε τον προγραμματισμό ως αλφαβητισμό δεν είναι ακόμη τόσο προχωρημένος ούτε ενσωματωμένος στο σχολικό μας σύστημα, όπως οι άλλοι εγγραμματισμοί (Rea, 2022). Το σύστημα πρωτοβάθμιας εκπαίδευσης οικοδομείται γύρω από αυτούς τους εγγραμματισμούς και είναι απαραίτητη η περαιτέρω ανάπτυξή τους τα επόμενα χρόνια. Ωστόσο, η ψηφιακή μετάβαση αλλάζει με ταχείς ρυθμούς, καθιστώντας την κωδικοποίηση και την υπολογιστική σκέψη να απαιτείται ήδη από νεαρή ηλικία, όπως και οι άλλοι εγγραμματισμοί.
Τεχνολογική υποστήριξη έναντι Γενικής αντίληψης
Ως εκ τούτου, αυτό δημιουργεί μια αναντιστοιχία: αφενός, δεν έχουμε ακόμη κατανοήσει τις εγγενείς πτυχές της αντιμετώπισης του προγραμματισμού ως αλφαβητισμού, ούτε τον έχουμε ενσωματώσει πλήρως στα εκπαιδευτικά μας συστήματα (Vee, 2017). Από την άλλη πλευρά, έχουμε στη διάθεσή μας πολύ εξελιγμένα εργαλεία που μας επιτρέπουν να δημιουργήσουμε, να σχεδιάσουμε και να γράψουμε κώδικα. Επιπλέον, η φύση του ψηφιακού χώρου είναι τέτοια ώστε όλα αυτά τα εργαλεία είναι ως επί το πλείστον προσβάσιμα (έναντι αμοιβής) σε ευρύ κοινό.
Για να καταδείξετε αυτή την αναντιστοιχία, εξετάστε τις εφαρμογές της ChatGPT και τον τρόπο με τον οποίο γίνονται αντιληπτές από τους ανθρώπους:
Όταν ζητάτε από το ChatGPT να συντάξει ένα κείμενο, σχεδόν όλοι θα είναι σε θέση να δηλώσουν αν πρόκειται για καλογραμμένο γραπτό κείμενο (δεν λαμβάνει υπόψη το περιεχόμενό του προς το παρόν, αλλά απλώς τη μορφή του κειμένου στη φυσική ανθρώπινη γλώσσα).
Όταν ζητάτε από το ChatGPT να ολοκληρώσει έναν μαθηματικό υπολογισμό, πολλοί από τους πολίτες θα είναι σε θέση να δηλώσουν αν έγινε σωστά ή τουλάχιστον εάν επιλέχθηκε η ορθή προσέγγιση για την επίλυση του ζητήματος.
Αλλά… όταν ζητάτε από το ChatGPT να συντάξει έναν κώδικα, δεν θα είναι (ακόμη) σε θέση να δηλώσουν αν αυτός είναι σωστός.
Πώς η GenAI μπορεί να αμβλύνει την έλλειψη δεξιοτήτων στην αγορά εργασίας
Η ανωτέρω ενότητα αναφέρεται σε έναν από τους τομείς στους οποίους η παραγωγική ΤΝ θα μπορούσε να αποδειχθεί ότι αλλάζει τα δεδομένα. Τώρα θα εμβαθύνουμε στα τρέχοντα ζητήματα της έλλειψης δεξιοτήτων και θα εξετάσουμε τις δυνατότητες της GenAI για να τις αμβλύνει.
Ένα πρώτο ζήτημα αφορά στις μεγάλες διαφορές μεταξύ των ατόμων όσον αφορά στο επίπεδο επάρκειας των δεξιοτήτων προγραμματισμού. Υπάρχουν πολλά διαφορετικά επίπεδα επάρκειας στη σύνταξη κώδικα και δεν υπάρχει ένα γενικά αποδεκτό βασικό επίπεδο επάρκειας προγραμματισμού. Αυτό οφείλεται σε πολλούς λόγους ταυτόχρονα:
- Δεδομένου ότι δεν απαιτείται εγγραμματισμός για την κωδικοποίηση και τον προγραμματισμό, για το λόγο αυτό δεν ενσωματώνονται στην τυπική εκπαίδευση καθόλη τη διάρκεια του προγράμματος σπουδών. Αυτό σημαίνει ότι δεν υπάρχει γενική πρόσβαση σε ευκαιρίες κωδικοποίησης και προγραμματισμού, ούτε γενική προσδοκία προς κάθε άτομο να αναπτύξει ένα βασικό επίπεδο επάρκειας.
- Η ανάπτυξη των δεξιοτήτων εναπόκειται σε μεγάλο βαθμό στο προσωπικό ενδιαφέρον και στην προσωπική πειθαρχία. Εάν θέλετε να αναπτύξετε τις δεξιότητές σας σε αυτόν τον τομέα, πρέπει να αναζητήσετε επίσημες και ανεπίσημες ευκαιρίες εντός και εκτός διαδικτύου μέσω εργαστηρίων, bootcamps κ.λπ. Δεδομένου ότι αυτό είναι σε μεγάλο βαθμό εκτός της επίσημης εκπαίδευσης, απαιτείται επιπλέον προσπάθεια και χρόνος για να επενδύσετε σε αυτή τη μορφή ανάπτυξης δεξιοτήτων.
- Σε τελευταία ανάλυση στο σημείο αυτό: η ανάπτυξη δεξιοτήτων στον τομέα του προγραμματισμού εξαρτάται από την επένδυση χρόνου και χρημάτων σε σχετικές ευκαιρίες για την ανάπτυξη δεξιοτήτων προγραμματισμού. Η επένδυση αυτή μπορεί να μην είναι εφικτή για όλους στην κοινωνία, καθώς υπάρχει ανάγκη για υποδομές (hardware και πρόσβαση στο διαδίκτυο), χρόνο (εκτός του χρόνου τυπικής εκπαίδευσης) και πιθανές πρόσθετες δαπάνες για σχετικό λογισμικό ή άδειες.
Όπως και σε πολλά ζητήματα σχετικά με την ψηφιακή ένταξη, υπάρχει μεγάλο χάσμα στην κοινωνία μεταξύ των εχόντων και των μη εχόντων στον τομέα αυτό, με αποτέλεσμα να επηρεάζονται περισσότερο τα ευάλωτα άτομα, οι γυναίκες, οι ηλικιωμένοι και τα άτομα με χαμηλότερο κοινωνικοοικονομικό υπόβαθρο (Ηνωμένα Έθνη, 2023).
Η παραγωγική ΤΝ για τον προγραμματισμό μπορεί να μειώσει σε μεγάλο βαθμό το κατώτατο όριο για την επένδυση των ατόμων στην εκμάθηση κώδικα. Δεδομένου ότι επιτρέπει την αλληλεπίδραση με τον υπολογιστή σε φυσική γλώσσα, όποιος μπορεί να διατυπώσει τις ιδέες του για λογισμικό σε ανθρώπινη γλώσσα, θα μπορούσε θεωρητικά να γράψει τον κώδικα για να το κάνει. Ωστόσο, τα ζητήματα της προσβασιμότητας (σε βάθος χρόνου και προσπαθειών) παραμένουν: και σε αυτή την περίπτωση, η GenAI ενδέχεται να διευρύνει το χάσμα μεταξύ εκείνων που μπορούν και εκείνων που δεν μπορούν να κωδικοποιήσουν.
Ένα δεύτερο ζήτημα αφορά στην αμεσότητα των αναγκών των εργαζομένων σε δεξιότητες. Η αγορά εργασίας χρειάζεται αυτές τις ψηφιακές δεξιότητες σήμερα και στο εγγύς μέλλον. Το Cedefop προβλέπει την ανάγκη για σχεδόν 979.600 τεχνικούς ΤΠΕ και άλλους 2.977.600 επαγγελματίες ΤΠΕ κατά την περίοδο 2022-2035 (Cedefop, 2023). Ωστόσο, η απόκτηση εμπεριστατωμένων γνώσεων και η ανάπτυξη αυτών των δεξιοτήτων σε υψηλότερα επίπεδα επάρκειας απαιτούν χρόνο, γεγονός που αποτελεί ενδεχομένως εμπόδιο να καταλάβει την πρώτη θέση ο προγραμματισμός. Τα bootcamps και άλλα βραχυπρόθεσμα αλλά εντατικά είδη μάθησης είναι αποτελεσματικά, αλλά απαιτούν χρόνο και πόρους που δεν διαθέτουν απαραιτήτως όλοι (Thayer & Ko, 2017). Επιπλέον, οι εργαζόμενοι δεν χρειάζεται μόνο να επιτύχουν ένα βασικό επίπεδο επάρκειας, αλλά πρέπει επίσης να εξαρτώνται από τον εαυτό τους για τη συνεχή βελτίωση της ανάπτυξης αυτών των δεξιοτήτων.
Η GenAI έχει τη δυνατότητα να αμβλύνει το ζήτημα αυτό σε κάποιο βαθμό. Η προσβασιμότητα της τεχνολογίας στη φυσική γλώσσα μπορεί να μειώσει το κατώτατο όριο για πολλούς και να παράσχει εγκαίρως υποστήριξη για την εξεύρεση όσων χρειάζονται, καθιστώντας έτσι αποδοτικότερη την κωδικοποίηση και τη δημιουργία κωδίκων και, ενδεχομένως, παρακινώντας τους ανθρώπους να την χρησιμοποιήσουν. Η τεχνολογία θα μπορούσε να στηρίξει την αυτο-αποτελεσματικότητα, καθιστώντας ευκολότερη και ταχύτερη την εξεύρεση απαντήσεων όταν κάποιος είναι εγκλωβισμένος και δημιουργώντας ένα περιβάλλον στο οποίο οι εκπαιδευόμενοι επιθυμούν να αναπτύσσουν συνεχώς τις δεξιότητές τους στην κωδικοποίηση και τον προγραμματισμό. Ωστόσο, και εδώ υπάρχει το ενδεχόμενο οι τεχνολογίες αυτές να διευρύνουν το χάσμα μεταξύ εκείνων που ήδη μπορούν και εκείνων που δεν μπορούν. Επιπλέον, στο πλαίσιο αυτό, ένα εργαλείο υποστήριξης με βάση τη GenAI μπορεί να θέσει με αποτελεσματικότητα σε λειτουργία ένα εξειδικευμένο σύστημα (δηλαδή ο άνθρωπος ρωτάει, η GenAI δημιουργεί). Είναι σημαντικό να εξεταστεί εδώ ποιο επίπεδο ανθρώπινης εποπτείας είναι απαραίτητο.
Ένα τρίτο ζήτημα αφορά τον τρόπο με τον οποίο οργανώνεται επί του παρόντος η ανάπτυξη δεξιοτήτων στην κωδικοποίηση και στον προγραμματισμό. Σε επίσημα πλαίσια, οι δεξιότητες προγραμματισμού ταιριάζουν σε εργαστήρια ή bootcamps — ενδεχομένως γύρω από συγκεκριμένες γλώσσες προγραμματισμού ή γενικότερες δραστηριότητες που βασίζονται σε προβλήματα. Τα ανεπίσημα πλαίσια επικεντρώνονται στη δημιουργία ατομικών μαθησιακών διαδρομών εκπαίδευσης μέσω διαφόρων διαδικτυακών πόρων, που συνδυάζονται με εναλλακτικές εμπειρίες εκτός διαδικτύου.
Τα εργαλεία GenAI μπορούν να ενισχύσουν τις δραστηριότητες αυτές με έγκαιρη και χαμηλού ορίου στήριξη για να βρεθεί ό,τι είναι αναγκαίο, καθιστώντας έτσι αποδοτικότερη και αποτελεσματικότερη τη δημιουργία κώδικα. Ωστόσο, η χρήση αυτών των εργαλείων εξακολουθεί να βασίζεται στην καθοριστική ορθότητα των απαντήσεων από τον άνθρωπο και στην αποδοχή του αποτελέσματος του λογισμικού. Ο κίνδυνος εδώ είναι ότι τα εργαλεία GenAI θα μπορούσαν να καταστούν ένα σύστημα πρώτης επιλογής, στο πλαίσιο του οποίου ο εκπαιδευόμενος το χρησιμοποιεί για την επίτευξη ενός άμεσου στόχου, χωρίς τελικά να αναπτύσσει την εις βάθος γνώση της κωδικοποίησης.
Επιπτώσεις στην ανάπτυξη δεξιοτήτων προγραμματισμού στην εποχή της GenAI
Είναι σαφές ότι η GenAI προσφέρει πολλές ευκαιρίες για τη μείωση του κατώτατου ορίου, ώστε το ευρύ κοινό να ξεκινήσει όχι μόνο τον σχεδιασμό λογισμικού, αλλά και να κάνει αποτελεσματική τη χρήση του λογισμικού σε διάφορα πλαίσια της καθημερινότητας. Στην πραγματικότητα, για πολλούς εκπαιδευόμενους, το χαμηλό κατώτατο όριο μπορεί επίσης να αποτελέσει κίνητρο για την ενασχόληση με τον προγραμματισμό. Ωστόσο, για να διασφαλιστεί ότι οι άνθρωποι εξακολουθούν να εμβαθύνουν στην κωδικοποίηση — και να μην βλέπουν μόνο το GenAI ως εργαλείο που μπορεί να αναλάβει το έργο του μηνύματος της κωδικοποίησης — πρέπει να ληφθούν ορισμένες προφυλάξεις.
Πρώτον, είναι αναγκαίο να αντιμετωπίζεται ο προγραμματισμός ως εγγραμματισμός που μπορεί να ενσωματωθεί σε ολόκληρο το επίσημο εκπαιδευτικό σύστημα. Μολονότι έχουν ήδη καταβληθεί προσπάθειες για την ενσωμάτωση του προγραμματισμού στο σχεδιασμό μαθημάτων και στα προγράμματα σπουδών, απαιτείται μια πιο συστημική αλλαγή (Rea, 2022· Vee, 2017). Τα βασικά πλαίσια για τις ψηφιακές δεξιότητες που παρατίθενται ανωτέρω παρέχουν περισσότερες πληροφορίες σχετικά με την πολυπλοκότητα των εν λόγω δεξιοτήτων και προσφέρουν τρόπους για μια πιο διαφοροποιημένη προσέγγιση όσον αφορά στην ανάπτυξή τους.
Δεύτερον, οι πολίτες πρέπει επίσης να γνωρίζουν τα όρια της ΤΝ — τι μπορεί και τι δεν μπορεί να κάνει, και ακόμη περισσότερο, τι θα πρέπει και τι δεν θα πρέπει να κάνει. Από τη φύση της, η τεχνολογία ΤΝ αναλαμβάνει ορισμένες δραστηριότητες λήψης αποφάσεων από ανθρώπους. Αν και αυτές οι δημιουργικές πολλές θετικές ευκαιρίες (για παράδειγμα, είναι σε θέση να χειρίζονται πολύ περισσότερα δεδομένα απ’ ό, τι ένας άνθρωπος), ενέχουν επίσης σοβαρούς κινδύνους, τους οποίους οι άνθρωποι πρέπει να γνωρίζουν όταν χρησιμοποιούν αυτά τα συστήματα. Σε επίπεδο πολιτικής, αυτή είναι η διαδρομή που τονίζεται. Η τελευταία έκδοση του DigComp περιλαμβάνει γνώσεις σχετικά με τα συστήματα ΤΝ, ως ικανότητα για κάθε πολίτη. Ο Κανονισμός της ΕΕ για την ΤΝ (ΑΙ Αct) εισάγει δικλείδες ασφαλείας σε αυτό το περιβάλλον και κατηγοριοποιεί τους κινδύνους σε χαμηλούς, υψηλούς και μη αποδεκτούς, κατά τη χρήση των εργαλείων ΤΝ.
Τρίτον, ειδικά για την κωδικοποίηση, είναι χρήσιμο να διερευνηθούν ορισμένες βέλτιστες πρακτικές και κατευθυντήριες γραμμές. Η GenAI θα έχει αναμφίβολα τεράστιο αντίκτυπο στην πρακτική της κωδικοποίησης. Θεωρητικά, αυτό μειώνει το κατώτατο όριο και δίνει την ευκαιρία σε περισσότερους ανθρώπους να μάθουν τον προγραμματισμό — και ιδίως σε εκείνους που ενδέχεται να έχουν χάσει το κίνητρο, λόγω των τεχνικών λεπτομερειών και των μηχανικών απαιτήσεων για τη σύνταξη κώδικα. Στη συνέχεια, για να χρησιμοποιήσουμε αποτελεσματικά αυτά τα εργαλεία GenAI, πρέπει πρώτα να καταρτίσουμε κατάλληλους οδηγούς και συμφωνίες σχετικά με τον τρόπο και τον χρόνο χρήσης αυτών των εργαλείων.
Σε κάθε χρήση του GenAI για την κωδικοποίηση, είναι σαφές ότι ένας υπολογιστής θα γράφει τον κωδικό που θα χρησιμοποιούν οι άνθρωποι. Αλλά πώς μπορούμε να διασφαλίσουμε ότι μπορούμε να εμπιστευτούμε αυτόν τον κώδικα; Στο σενάριο αυτό, δεν υπάρχει πλέον απόλυτη ανθρώπινη εποπτεία. Επιπλέον, ποιες είναι οι διαδικασίες ποιοτικού ελέγχου που εφαρμόζονται για να διασφαλιστεί ότι ο κώδικας GenAI παραμένει αξιόπιστος; Απαιτούνται νέες διαδικασίες δοκιμών σε αυτό το νέο πλαίσιο και ποια θα ήταν η μορφή τους; Είναι εξίσου χρήσιμο να ανοίξει η συζήτηση σχετικά με το τι συνεπάγεται η εμπιστοσύνη και τι είναι οι δείκτες που υποδεικνύουν αυτή την αξιοπιστία της ΤΝ. Μια δυνατότητα είναι η χρήση νέων σημάτων ποιότητας ή ο προσδιορισμός της χρήσης της ΤΝ σε κώδικες δεοντολογίας, όπως στον τομέα της δημοσιογραφίας, όπου αυξάνεται η χρήση GenAI εργαλείων γραφής (Raad van Journalistiek, 2023).
Τέλος, είναι σημαντικό να συνεχιστεί η αναγνώριση και η αποτίμηση της “βιοτεχνίας λογισμικού” στην κωδικοποίηση και τον προγραμματισμό λογισμικού. Για πολλούς δημιουργούς, ο προγραμματισμός είναι η γλώσσα της “βιοτεχνίας” τους, η οποία τους δίνει διανοητικές προκλήσεις και γνωστική ικανοποίηση όταν επιτυγχάνουν τα σχέδιά τους, αλλά τα επιτεύγματά τους είναι σε μεγάλο βαθμό κρυμμένα. Πώς τα κάνετε πιο ορατά και αναγνωρίζετε τα επιτεύγματά τους; Σε αυτές τις περιπτώσεις, δεν θα πρέπει να περιορίσουμε το όραμά μας στην χρηστική αξία της κωδικοποίησης, αλλά να εκτιμήσουμε και τη δεξιότητα και τη “χειροτεχνία” σε αυτόν. Επιπλέον, μέσω της συνεργασίας με την πρακτική της σύνταξης κώδικα, οι πολίτες εμβαθύνουν στην κωδικοποίηση, η οποία τους παρέχει τα θεμέλια για τη βελτίωση της γλώσσας του προγραμματισμού και τη δημιουργία νέων και βελτιωμένων γλωσσών για τον προγραμματισμό. Με άλλα λόγια, εάν θέλουμε να συνεχίσουμε να βελτιώνουμε την κωδικοποίηση λογισμικού, χρειαζόμαστε έναν επαρκή αριθμό ατόμων, που θα γράφουν οι ίδιοι τον κώδικα. Είναι σημαντικό να επανεκτιμηθεί η ανθρώπινη δεξιότητα.
Μελλοντικές προοπτικές
Η παραγωγική ΤΝ προσφέρει πολλές ευκαιρίες στους τομείς της κωδικοποίησης και του προγραμματισμού λογισμικού, καθιστώντας δυνητικά ευκολότερη για περισσότερους ανθρώπους τη συμμετοχή τους στον προγραμματισμό και τη δημιουργία των δικών τους εφαρμογών. Πρόκειται για τεράστιο δυναμικό εκδημοκρατισμού της δημιουργίας λογισμικού, δηλαδή να το ανοίξουν σε όσους ενδέχεται να μην έχουν κίνητρο να μάθουν ή να το θεωρήσουν ως δυνατότητα για τον εαυτό τους. Η GenAI μπορεί επίσης να καταστήσει τη διαδικασία σύνταξης κώδικα πιο αποδοτική από άποψη χρόνου και προσπάθειας. Ωστόσο, ένα αρνητικό στοιχείο είναι ότι η υπερβολική εξάρτηση από την αυτοματοποιημένη ανάπτυξη κώδικα, χωρίς επαρκή ανθρώπινη εποπτεία, μπορεί να οδηγήσει σε απώλεια ποιότητας και ευκαιριών για τη βελτίωση της πρακτικής κωδικοποίησης.
Κοιτάζοντας προς το μέλλον, υπάρχουν ορισμένες γενικές δυνατότητες και προοπτικές.
Το κατάλληλο και ενδεδειγμένο για χρήση λογισμικό προέρχεται μέσα από ανθρώπινη εποπτεία, το οποίο ευθυγραμμίζει τις ανάγκες και τις τεχνικές απαιτήσεις με τον τεχνολογικό σχεδιασμό, την εφαρμογή και την ενδεχόμενη χρήση. Το λογισμικό πρέπει ακόμη να είναι λειτουργικό σε ένα σύνθετο ανθρώπινο περιβάλλον και οι άνθρωποι είναι οι πλέον ικανοί να ανταποκριθούν σε αυτή την πολυπλοκότητα. Ωστόσο, είναι σημαντικό να βρούμε μια ισορροπία αφενός μεταξύ των δυνατοτήτων της αυτοματοποιημένης κωδικοποίησης με χρήση GenAI και αφετέρου της σύνταξης κώδικα από ανθρώπινο παράγοντα ή άλλων μορφών εποπτείας, η οποία θα εξασφαλίσει επαρκή ανθρώπινη εποπτεία της διαδικασίας αυτής και θα επιτρέψει την αποτελεσματική βελτίωσή της στο μέλλον. Οι διαδικασίες διασφάλισης της ποιότητας επεκτείνονται πλέον στην ανάπτυξη λογισμικού, με τη μετάβαση στο «Shift Left», δηλαδή συμμετοχή στη διασφάλιση της ποιότητας αφενός νωρίτερα κατά τη διαδικασία ανάπτυξης λογισμικού και αφετέρου συνέχιση καθ’ όλη τη διάρκεια της διαδικασίας. Με άλλα λόγια, θα μπορούσαν να προβλεφθούν πολλές διασφαλίσεις ποιότητας πριν από το στάδιο της σύνταξης ενός κώδικα με αποτελεσματικό τρόπο. Η υποστήριξη της GenAI για τη σύνταξη κώδικα ενσωματώνεται στη συνέχεια σε μια ευρύτερη διαδικασία ποιοτικής ανάπτυξης, όπου τα καίρια του σημεία χρησιμοποιούνται με τον βέλτιστο τρόπο.
Λέξεις κλειδιά
Παραγωγική ΤΝ, ChatGPT, έλλειψη δεξιοτήτων, κωδικοποίηση, προγραμματισμός, ανάπτυξη λογισμικού
Περισσότερες πληροφορίες
Διαβάστε το πλήρες έγγραφο «Coding_ProgrammingSkillsGenAI_DigitalBrief.pdf (europa.eu)» (Δεξιότητες προγραμματισμού και κωδικοποίησης στην εποχή της GenerativeAI) και μια βιβλιογραφία των παραπομπών.
Η συγγραφέας
Η Δρ. Kamakshi Rajagopal είναι διεπιστημονικός ερευνητής και εξωτερικός σύμβουλος στον εκπαιδευτικό σχεδιασμό και την τεχνολογία, με εκτεταμένη εμπειρία σε δικτυωμένες μορφές μάθησης και κοινωνικής μάθησης, υποστηριζόμενη από καινοτόμες τεχνολογίες. Κατέχει μεταπτυχιακό δίπλωμα στη Γλωσσολογία (Masters in Linguistics) (2003) και την Τεχνητή Νοημοσύνη (2004) του KU Leuven (BE). Ολοκλήρωσε τη διδακτορική της έρευνα στο Open Universiteit (NL) το 2013, διερευνώντας προσωπικά δίκτυα μάθησης και την αξία τους για τη συνεχή επαγγελματική εξέλιξη. Η τρέχουσα έρευνά της αφορά στη μελέτη της πολυπλοκότητας των μαθησιακών περιβαλλόντων και, πιο συγκεκριμένα, του τρόπου με τον οποίο οι εκπαιδευτικοί και οι εκπαιδευόμενοι μπορούν να υποστηριχθούν για την αντιμετώπιση αυτής της πολυπλοκότητας. Η Δρ. Rajagopal έχει αναπτύξει πολλά (χρηματοδοτούμενα σε εθνικό και ευρωπαϊκό επίπεδο) συνεργατικά ερευνητικά έργα στην πρωτοβάθμια, δευτεροβάθμια και τριτοβάθμια εκπαίδευση με εταίρους από τον δημόσιο τομέα, τη βιομηχανία και την κοινωνία των πολιτών. Ορισμένα παραδείγματα των έργων της είναι ο ρόλος των δικτύων εκπαιδευτικών στην εκπαιδευτική καινοτομία, οι κύκλοι διατριβών στην τριτοβάθμια εκπαίδευση, η πολυτροπική μέτρηση σε συνεργατικούς υβριδικούς χώρους μάθησης και η ενσωμάτωση της Εικονικής Κινητικότητας (Virtual Mobility) στα ιδρύματα τριτοβάθμιας εκπαίδευσης. Από το 2023 εργάζεται για τη Μάθηση και την Ανάπτυξη στον τομέα της Πληροφορικής και της παροχής Επιχειρηματικών Συμβουλών.
Αναδημοσίευση κειμένου: Coding and Programming Skills in the Age of GenerativeAI: a deep-dive, Digital Skills & Jobs Platform, created by Kamakshi RAJAGOPAL
Επιμέλεια μετάφρασης: Εθνική Συμμαχία για τις Ψηφιακές Δεξιότητες & την Απασχόληση