কি হয়েছে
স্টার্টআপ ফরচুন রিপোর্ট করেছে যে 100 টারশিয়ারি-স্তরের ছাত্রদের একটি পূর্ব-নিবন্ধিত ETH জুরিখ গবেষণায় দেখা গেছে যে কম্পিউটার-বিজ্ঞানের কৃতিত্ব হ্যান্ড-অন ভাইব-কোডিং টাস্কে আরও ভাল পারফরম্যান্সের সাথে যুক্ত। রিপোর্ট করা পারস্পরিক সম্পর্ক ছিল r=.39, লেখার দক্ষতার জন্য r=.29 এর তুলনায়। যে সমস্ত শিক্ষার্থীরা বৃহৎ ভাষার মডেলের সাথে প্রতিদিনের বেশি এক্সপোজারের রিপোর্ট করেছে তারা টাস্কে খারাপ পারফর্ম করেছে, যদিও অধ্যয়নটি প্রতিষ্ঠিত করে না যে AI ব্যবহার খারাপ কর্মক্ষমতা সৃষ্টি করেছে।
স্টার্টআপ ফরচুন বলছে যে অধ্যয়নটি পূর্ব-নিবন্ধিত ছিল এবং এতে 100 জন তৃতীয় স্তরের শিক্ষার্থী কম্পিউটার-বিজ্ঞানের অর্জন, সাধারণ যুক্তি, লিখিত যোগাযোগ এবং হ্যান্ড-অন ভাইব কোডিংয়ের পরীক্ষা সম্পন্ন করেছে। এটি লেখককে Sverrir Thorgeirsson, Theo B. Weidmann এবং Zhendong Su হিসাবে চিহ্নিত করে এবং বলে যে পেপারটি 2026 সালের CHI কনফারেন্স অন হিউম্যান ফ্যাক্টরস ইন কম্পিউটিং সিস্টেমস ইন বার্সেলোনায় 13 থেকে 17 এপ্রিলের মধ্যে প্রসিডিংসে উপস্থিত হয়েছিল।
স্টার্টআপ ফরচুনের মতে, কম্পিউটার-বিজ্ঞানের অর্জন r=.39-এ ভাইব-কোডিং পারফরম্যান্সের সাথে সম্পর্কযুক্ত, যখন লেখার দক্ষতা r=.29-এ সম্পর্কযুক্ত। প্রতিবেদনে বলা হয়েছে যে সাধারণ জ্ঞানীয় ক্ষমতার জন্য নিয়ন্ত্রণ করার পরে কম্পিউটার-বিজ্ঞানের অর্জন তাৎপর্যপূর্ণ ছিল এবং যৌথ মডেলে লেখার দক্ষতার তুলনায় প্রায় দ্বিগুণ অনন্য বৈচিত্র্য অবদান রাখে। এটি আরও বলে যে বৃহৎ ভাষার মডেলগুলির সাথে প্রতিদিনের এক্সপোজারের সাথে অংশগ্রহণকারীরা টাস্কে আরও খারাপ পারফর্ম করেছে। এগুলি রিপোর্ট করা সমীক্ষার ফলাফল, সরবরাহকৃত উপাদানে স্বাধীনভাবে যাচাইকৃত ফলাফল নয়।
নিবন্ধে বলা হয়েছে যে অংশগ্রহণকারীরা তাদের কোর্সওয়ার্ক থেকে একটি প্রযুক্তিগত ধারণার 300-থেকে-450-শব্দের ব্যাখ্যা লিখেছেন। স্টার্টআপ ফরচুন এটিকে প্রমাণ হিসাবে উপস্থাপন করে যে সিস্টেম, ডেটা আকার, প্রান্তের ক্ষেত্রে এবং ব্যর্থতার অবস্থা সম্পর্কে সুনির্দিষ্ট যোগাযোগ গুরুত্বপূর্ণ থাকতে পারে যখন লোকেরা কোডিং মডেলগুলিকে নির্দেশ করে। এটি একটি পৃথক 2025 METR র্যান্ডমাইজড নিয়ন্ত্রিত ট্রায়ালের উল্লেখ করে যার মধ্যে 16 জন অভিজ্ঞ ওপেন-সোর্স ডেভেলপার এবং 246টি টাস্ক রয়েছে, যেখানে ডেভেলপাররা 24% সময় কমানোর আশা করা সত্ত্বেও 19% বেশি সময় নেয়। সেই তুলনাটি রিপোর্ট করা প্রেক্ষাপট, ETH জুরিখ গবেষণা থেকে একটি নতুন ফলাফল নয়।
উত্স বিবরণ: startupfortune.com ↗
কেন এটা গুরুত্বপূর্ণ
অনুসন্ধানগুলি এই ধারণাটিকে চ্যালেঞ্জ করে যে একা এআই সরঞ্জামগুলির সাথে পরিচিতি সফ্টওয়্যার মৌলিক বিষয়গুলির জন্য একটি নির্ভরযোগ্য বিকল্প। যদি রিপোর্ট করা সম্পর্কগুলি বৃহত্তর পরীক্ষায় ধারণ করে, কোডিং এজেন্ট ব্যবহার করে এমন ব্যক্তিদের এখনও ডেটা স্ট্রাকচার, সিস্টেমের আচরণ, প্রান্তের কেস এবং জেনারেটেড কোড নির্দেশ, মূল্যায়ন এবং মেরামত করতে ব্যর্থতার মোড সম্পর্কে জ্ঞানের প্রয়োজন হতে পারে। ব্যবহারিক অর্থ হল যে সংস্থাগুলি কর্মীদের প্রশিক্ষণ দেয় বা এআই-সহায়তা বিকাশের জন্য নিয়োগ দেয় তাদের প্রম্পট ফ্রিকোয়েন্সি না করে প্রযুক্তিগত বোঝার মূল্যায়ন করতে হতে পারে।
রিপোর্টের কেন্দ্রীয় পার্থক্য হল একটি AI কোডিং টুল ব্যবহার করা এবং সফ্টওয়্যার সমস্যা অর্পণ করা হচ্ছে বোঝার মধ্যে। যে ব্যক্তি প্রাসঙ্গিক ইনপুট, প্রত্যাশিত আচরণ এবং ব্যর্থতার মোডগুলি সনাক্ত করতে পারে সে সুনির্দিষ্ট নির্দেশাবলী লিখতে এবং ভুল আউটপুট সনাক্ত করতে আরও ভাল অবস্থানে থাকতে পারে। রিপোর্ট করা অ্যাসোসিয়েশন প্রমাণ করে না যে কম্পিউটার-বিজ্ঞান জ্ঞান শক্তিশালী ভাইব-কোডিং কর্মক্ষমতা সৃষ্টি করে, তবে এটি দাবিকে দুর্বল করে যে অভ্যাসগত AI ব্যবহার নিজেই সমতুল্য ক্ষমতা তৈরি করে।
প্রতিষ্ঠাতা, শিক্ষাবিদ এবং নিয়োগকর্তাদের জন্য, ব্যবহারিক প্রশ্ন হল এআই-সহায়তা উন্নয়ন কোন দক্ষতাগুলি গুরুত্বপূর্ণ তা পরিবর্তন করে কিনা। রিপোর্টের উপর ভিত্তি করে, এটি কিছু কাজকে টাইপিং কোড থেকে প্রয়োজনীয়তা নির্দিষ্টকরণ, জেনারেট করা বাস্তবায়ন পর্যালোচনা এবং ডিবাগিং ব্যর্থতায় পরিবর্তন করতে পারে। এটি কার্যপ্রবাহের মূল পয়েন্টগুলিতে ভিত্তিগত জ্ঞানকে আরও গুরুত্বপূর্ণ করে তুলতে পারে, এমনকি যখন একটি মডেল প্রাথমিক কোডের বেশিরভাগ উত্পাদন করে। 100 জন পরীক্ষার্থীর বাইরে ফলাফল কতটা ব্যাপকভাবে সাধারণীকরণ করে তা উৎসটি প্রতিষ্ঠিত করে না।
ইন্টারেক্টিভ মেকানিজম: এটা আসলে কিভাবে কাজ করে
এই বিকাশের পিছনে অন্তর্নিহিত প্রযুক্তিটি ইন্টারেক্টিভভাবে অন্বেষণ করুন।
Which component of an AI application is the machine-learning model itself?
পরবর্তী কি দেখতে
সরবরাহ করা প্রতিবেদন স্বাধীনভাবে অধ্যয়নের পদ্ধতি, ফলাফল বা সম্মেলনের প্রকাশনা নিশ্চিত করে না। আরও যাচাই-বাছাইয়ের জন্য সম্পূর্ণ কাগজ, টাস্ক ডিজাইন, অংশগ্রহণকারী নির্বাচন, প্রভাবের আকার এবং পেশাদার বিকাশকারী এবং ননটেকনিক্যাল ব্যবহারকারীদের সাথে ফলাফলটি প্রতিলিপি করা হয়েছে কিনা তা পরীক্ষা করা উচিত। প্রতিবেদনে কোনো কোডিং-টুল অ্যাক্সেস বা মূল্যের তথ্য সরবরাহ করা হয় না কারণ অনুসন্ধানটি ব্যবহারকারীর সক্ষমতা নিয়ে উদ্বিগ্ন, একটি নতুন পণ্য নয়।
রিপোর্ট করা দাবিগুলি মূল্যায়নের জন্য সম্পূর্ণ অধ্যয়ন হল মূল অনুপস্থিত উৎস। গুরুত্বপূর্ণ অজানাগুলির মধ্যে রয়েছে সঠিক ভাইব-কোডিং টাস্ক, ব্যবহৃত মডেল এবং সরঞ্জামগুলি, কীভাবে পারফরম্যান্স স্কোর করা হয়েছিল, শিক্ষার্থীদের পূর্বের প্রোগ্রামিং অভিজ্ঞতা এবং দৈনিক AI এক্সপোজার ধারাবাহিকভাবে পরিমাপ করা হয়েছিল কিনা।
প্রতিলিপিটি গুরুত্বপূর্ণ হবে কারণ নমুনাটি পেশাদার বিকাশকারী, প্রতিষ্ঠাতা বা ননটেকনিক্যাল ব্যবহারকারীদের একটি প্রদর্শিত ক্রস-সেকশনের পরিবর্তে তৃতীয় স্তরের শিক্ষার্থীদের নিয়ে গঠিত হয়েছিল। ভবিষ্যত অধ্যয়নগুলি পরীক্ষা করতে পারে যে একই সম্পর্কগুলি বিভিন্ন সরঞ্জাম, প্রোগ্রামিং কাজ এবং ডোমেন দক্ষতার স্তরগুলিতে উপস্থিত হয় কিনা।
স্টার্টআপ ফরচুনের উদ্ধৃত METR ফলাফলটি উত্পাদনশীলতার প্রত্যাশা সম্পর্কে সতর্কতা হিসাবে প্রাসঙ্গিক, তবে এটি পরিচিত সংগ্রহস্থলে কাজ করা অভিজ্ঞ বিকাশকারীদের উদ্বেগজনক এবং ETH জুরিখ ফলাফলের সরাসরি নিশ্চিতকরণ হিসাবে বিবেচনা করা উচিত নয়। কোনও অ্যাক্সেসের শর্ত বা মূল্য রিপোর্ট করা হয় না কারণ কোনও গবেষণাই কোনও পণ্যের পরিচয় দেয় না।