Nel 2006 Dehnadi e Bornat pubblicarono un paper con un titolo memorabile: The Camel Has Two Humps. Sostenevano di aver trovato un test capace di predire, prima di qualunque lezione, chi sarebbe riuscito a imparare a programmare e chi no. L’idea si diffuse rapidamente sotto il nome di “geek gene”: o ce l’hai, o lasci perdere.
Nel 2014 Richard Bornat ha pubblicato una ritrattazione, spiegando che il risultato non era stato replicato e che l’articolo originale non avrebbe dovuto essere interpretato come lo era stato. La ritrattazione ha avuto una frazione della diffusione dell’originale, e il mito è sopravvissuto all’evidenza che lo sosteneva.
Questa è la premessa che serve per parlare di come si impara a programmare da adulti, perché quasi tutto il resto della ricerca punta nella stessa direzione.
Il dato sulle distribuzioni dei voti
Se esistesse una predisposizione binaria, i voti nei corsi introduttivi di informatica dovrebbero distribuirsi su due picchi: chi capisce e chi no. È un’affermazione verificabile, e qualcuno l’ha verificata.
Patitsas, Berlin, Craig ed Easterbrook (ICER, 2016) hanno analizzato 778 distribuzioni di voti di corsi universitari di informatica in un’università di ricerca. Il risultato: solo il 5,8% era multimodale. La stragrande maggioranza aveva la distribuzione normale che si trova in qualunque altra materia.
Lo studio contiene anche una seconda parte, più imbarazzante: quando agli stessi docenti di informatica veniva mostrata una distribuzione ambigua, la classificavano come bimodale più spesso se era etichettata come un corso di informatica. La credenza produceva la percezione.
Non esiste la “curva a due gobbe” dei programmatori. Esiste una materia con un tasso di abbandono alto per ragioni didattiche, letta attraverso una credenza che si autoconferma.
Come si impara davvero: tre risultati robusti
La buona notizia è che l’apprendimento della programmazione non richiede una teoria propria. Vale quello che vale per l’apprendimento di abilità complesse in generale, e su questo la letteratura è solida.
1. Il recupero batte la rilettura. Roediger e Karpicke (Psychological Science, 2006) hanno mostrato che testare la memoria produce una ritenzione a lungo termine sensibilmente superiore rispetto a rileggere lo stesso materiale, anche quando gli studenti sono convinti del contrario. Applicato al codice: chiudere il tutorial e riscrivere la funzione a memoria vale più di rileggerla tre volte.
2. La distribuzione batte la concentrazione. Cepeda e colleghi (Psychological Bulletin, 2006) hanno meta-analizzato oltre 250 studi sullo spacing effect: intervalli distribuiti nel tempo producono ritenzione superiore a sessioni concentrate, a parità di tempo totale. Un’ora al giorno per sei giorni batte sei ore di sabato.
3. Gli esempi svolti battono la scoperta libera, all’inizio. Sweller e Cooper (Cognition and Instruction, 1985) hanno documentato il worked example effect: per chi parte da zero, studiare soluzioni già svolte e poi risolvere problemi analoghi è più efficiente che affrontare i problemi direttamente. Kirschner, Sweller e Clark (Educational Psychologist, 2006) hanno esteso l’argomento: l’istruzione a guida minima è particolarmente inefficace per i principianti, perché il carico cognitivo consuma le risorse che servirebbero all’apprendimento.
Il terzo punto contraddice il consiglio più diffuso online, “impara costruendo progetti”, e va precisato: il consiglio è corretto, ma non nella prima fase. L’effetto si inverte con l’esperienza.
Leggere il codice prima di scriverlo
C’è un filone specifico dell’educazione informatica che merita di essere citato perché produce un consiglio operativo raro.
Lister e colleghi (ITiCSE Working Group Report, 2004), in uno studio multinazionale su studenti principianti, hanno documentato che molti non riuscivano a prevedere l’output di frammenti di codice brevi. Venables, Tan e Lister (ICER, 2009) hanno approfondito la relazione tra tracciare, spiegare e scrivere codice, trovando che la capacità di seguire l’esecuzione di un programma è un prerequisito pratico della capacità di scriverne uno.
La conseguenza operativa: se non riesci a dire cosa stampa un ciclo prima di eseguirlo, scrivere più codice non risolve il problema. Serve tracciare.
| Fase | Cosa funziona secondo la ricerca |
|---|---|
| Primissimi passi | Esempi svolti, tracciamento manuale del codice |
| Consolidamento | Recupero attivo, pratica distribuita |
| Autonomia | Progetti reali, guida minima |
| Sempre | Feedback rapido su errori specifici |
L’AI cambia l’equazione, ma non come pensi
Peng, Kalliamvakou, Cihon e Demirer (2023) hanno condotto un esperimento controllato con 95 sviluppatori divisi tra chi usava GitHub Copilot e chi no, su un compito di implementazione di un server HTTP in JavaScript. Il gruppo con l’assistente ha completato il compito circa il 56% più velocemente.
Il numero è impressionante, ma va letto per quello che è: sviluppatori già competenti, su un compito ben definito. Non è un dato sull’apprendimento.
Per chi impara vale l’avvertenza che emerge da tutta la letteratura sul carico cognitivo: se l’assistente produce la soluzione, il recupero attivo non avviene, e il recupero è proprio il meccanismo che genera la ritenzione. Lo strumento accelera la produzione e può rallentare l’apprendimento, che sono due obiettivi diversi.
Un percorso per i primi mesi
1. Scegli un linguaggio e smetti di sceglierlo. Python o JavaScript vanno entrambi bene per iniziare. Il tempo speso a confrontarli è tempo che non stai spendendo sul primo, e i costrutti di base si trasferiscono comunque.
2. Traccia prima di scrivere. Prendi dieci frammenti di codice di cinque righe, scrivi su carta cosa stamperanno, poi eseguili. È l’esercizio che Lister ha usato per misurare il problema, e funziona anche come rimedio.
3. Chiudi il tutorial e riscrivi. Dopo ogni lezione, riproduci a memoria quello che hai appena visto, senza guardare. Sbaglierai: è esattamente lì che si forma la ritenzione.
4. Un’ora al giorno, non un weekend al mese. È il risultato più replicato dell’intera psicologia dell’apprendimento e il più ignorato. Abbiamo raccolto il metodo in imparare una competenza in 30 giorni.
5. Passa ai progetti quando i costrutti sono automatici, non prima. Il worked example effect si inverte con l’esperienza: la guida minima è ottima per chi ha già le basi, controproducente per chi non le ha.
6. Usa l’assistente per spiegare, non per produrre. “Perché questo codice dà errore” è una domanda che insegna. “Scrivimi la funzione” è una domanda che consegna. Come impostare le richieste è in come usare ChatGPT sul lavoro.
7. Verifica prima cosa chiede il mercato. Se l’obiettivo è lavorativo, il linguaggio conta meno del ruolo: i dati sui lavori più richiesti e la logica delle certificazioni sono il filtro da applicare prima di investire mesi.
Cosa ne penso: il “gene del programmatore” fa comodo a tutti
Credo che il “geek gene” sia sopravvissuto alla propria smentita perché è comodo per tutti: giustifica l’abbandono per chi molla e spiega il successo come talento per chi resta.
Credo che a fare la differenza, più dell’intelligenza, sia la tolleranza a stare bloccati venti minuti senza chiudere l’editor. Sospetto che sia semplicemente il carico cognitivo di Sweller visto dall’esterno: chi ha già automatizzato la sintassi ha risorse libere per il problema, chi non l’ha automatizzata le esaurisce. Non è misurato, quindi lo etichetto per quello che è: un’ipotesi, non un risultato.
Domande frequenti
Sono troppo grande per iniziare? Nulla nella ricerca citata qui identifica un’età limite. Lo studio che sosteneva l’esistenza di una predisposizione fissa è stato ritirato dal suo autore, e le distribuzioni dei voti nei corsi introduttivi non sono bimodali.
Meglio un bootcamp o l’autodidattica? Non esistono studi sperimentali indipendenti robusti sui bootcamp, e vale la pena dirlo invece di fingere il contrario. Quello che la ricerca supporta è la struttura: scadenze esterne e feedback rapido migliorano il completamento, indipendentemente dal formato.
Quanto tempo serve davvero? Dipende dall’obiettivo, e le stime circolanti non hanno base sperimentale. Il dato utilizzabile riguarda la distribuzione: a parità di ore totali, spalmarle nel tempo produce più ritenzione che concentrarle.
Devo imparare la matematica prima? Per la programmazione applicativa, no. Per aree specifiche come grafica, crittografia e machine learning sì, ed è un prerequisito reale, non un filtro culturale.
L’AI renderà inutile saper programmare? I dati disponibili misurano un’accelerazione della produzione da parte di sviluppatori competenti, non una sostituzione. La parte che resta umana, in tutti gli studi sull’argomento, è riconoscere quando l’output è sbagliato. E per farlo bisogna saper leggere il codice.
Fonti
- S. Dehnadi, R. Bornat, The Camel Has Two Humps, working paper, 2006. Proposta di un test predittivo dell’attitudine alla programmazione.
- R. Bornat, Camels and Humps: A Retraction, 2014. Ritrattazione dell’autore: il risultato non è stato replicato e non supporta l’esistenza di una predisposizione innata.
- E. Patitsas, J. Berlin, M. Craig, S. Easterbrook, Evidence That Computer Science Grades Are Not Bimodal, ICER, 2016. Analisi di 778 distribuzioni di voti; solo il 5,8% risulta multimodale.
- H. L. Roediger, J. D. Karpicke, Test-Enhanced Learning: Taking Memory Tests Improves Long-Term Retention, Psychological Science, 2006. Superiorità del recupero attivo sulla rilettura.
- N. J. Cepeda, H. Pashler, E. Vul, J. T. Wixted, D. Rohrer, Distributed Practice in Verbal Recall Tasks: A Review and Quantitative Synthesis, Psychological Bulletin, 2006. Meta-analisi dello spacing effect su oltre 250 studi.
- J. Sweller, G. A. Cooper, The Use of Worked Examples as a Substitute for Problem Solving in Learning Algebra, Cognition and Instruction, 1985. Worked example effect.
- P. A. Kirschner, J. Sweller, R. E. Clark, Why Minimal Guidance During Instruction Does Not Work, Educational Psychologist, 2006. Inefficacia dell’istruzione a guida minima per i principianti.
- R. Lister et al., A Multi-National Study of Reading and Tracing Skills in Novice Programmers, ITiCSE Working Group Report, 2004. Difficoltà dei principianti nel prevedere l’output di codice semplice.
- A. Venables, G. Tan, R. Lister, A Closer Look at Tracing, Explaining and Code Writing Skills in the Novice Programmer, ICER, 2009. Relazione tra capacità di tracciare, spiegare e scrivere codice.
- S. Peng, E. Kalliamvakou, P. Cihon, M. Demirer, The Impact of AI on Developer Productivity: Evidence from GitHub Copilot, 2023. Esperimento su 95 sviluppatori; completamento circa il 56% più rapido con assistente.



