DEV Community: Kaike

Is AI Really Making Us Dumber?

Kaike — Mon, 04 Aug 2025 23:35:44 +0000

How to Use ChatGPT to Boost Your Learning Efficiency through UltraLearning

Over the past two months, I’ve been deeply immersed in the book UltraLearning by Scott Young, following a recommendation from one of my university professors. I had asked him for guidance on how to improve my learning approach to enhance both my academic and professional performance.

The insights I gained from this reading inspired me to write this post, where I share how I’m applying the book’s principles in my own journey as a Computer Science student. My goal is to help anyone looking to learn a new skill or deepen their knowledge by using the modern tools available to achieve their desired outcomes more efficiently.

This post isn't about prompt engineering techniques. Instead, it’s about how to frame your interaction with Large Language Models (LLMs) according to the principles of UltraLearning, in order to achieve a specific learning goal. This kind of contextual “fine-tuning” before engaging with the tool can significantly improve your results.

Based on the nine principles explored in the book, I’ll focus on three where I see strong synergy with Generative AI: Meta-Learning, Direct Practice, and Feedback.

AI and Meta-Learning

Chapter 4 introduces the principle of Meta-Learning — the process of breaking down the subject matter in order to focus on the foundational concepts that guide your learning efforts.

In this context, I’ve found that AI can help identify what to focus on to build a specific skill or understand a particular topic more effectively.

By providing the right context, we can prompt the LLM to outline the core elements of the subject we want to study. This creates a more focused and goal-oriented learning experience.

Personally, I always strive to identify the crucial 20% of concepts that will help me understand 80% of the material, following the Pareto Principle.

AI and Direct Practice

Chapter 6 discusses the principle of Direct Practice — actively practicing the skill or knowledge you want to acquire in a way that closely mirrors how you’ll use it in the real world.

Once I’ve mapped the key concepts of a topic, I use AI to generate practice questions related to each one. To align with the Direct Practice principle, I ask for questions that resemble those I expect to see on my actual university exams. This helps me overcome what Scott Young calls the “Transfer Problem” — making sure that practice matches performance.

Although my examples focus on theoretical academic content, this process works for any skill. When I’m learning a programming technology, for instance, I prompt the AI to give me challenges that involve building an algorithm or a mini-app using that tool — again, making the practice as close as possible to the intended application.

AI and Feedback

Chapter 9 introduces the principle of Feedback — the process of getting input on your performance in order to adjust and improve over time.

The book outlines three levels of feedback, with Corrective Feedback being the most valuable. This type not only tells you what you got right or wrong, but also how to fix it so you improve. The problem? Corrective feedback typically requires an expert — a teacher or mentor — who can accurately assess your work and guide you.

Generative AI helps bridge this gap. LLMs can now provide feedback on your answers to study questions, or review your code and explain how to fix your errors — essentially mimicking corrective feedback in real time.

Down below there's an example of a prompt structure I use that incorporates the principles discussed in this post.
Context: You are my professor for {Subject}.
Goal: You are responsible for answering any questions I have. I will provide the question along with the reference material I’m using.

Instructions:
- Structure your answer into clear sections (e.g., "Opportunities", "Challenges", "Practical Cases").
- Use the Pareto Principle (80/20) to highlight the most critical information for understanding the topic.

Reference materials to be used: {List of materials}

Problem to be solved:
My study must cover the key topics of the specified subject.

Action to be taken: Use the references to map out the crucial content for each topic. At the end of each one, create review questions.
Throughout my study, you must answer any doubts I have and provide review questions at the end of each explanation.

Upon my request, you should correct my answers and provide feedback, including observations and corrections.

The Thin Line Between Feedback and Dependency

As Generative AI becomes a regular part of our workflows, we’re seeing a growing trend of outsourcing more and more tasks to these tools. The real risk lies in delegating critical thinking, which raises the question:
Is AI making us dumber?

That’s why it’s our responsibility to strike a balance — to use AI for feedback, but not to let it do the thinking for us. After all, how can we assess the correctness of AI feedback if we don’t understand the topic ourselves?

That’s why I believe, above all else, we must remain curious and problem-oriented. This mindset keeps us actively engaged with our learning process. It drives us not just to find answers, but to understand the reasoning behind them. With this posture, we don’t become dependent on AI outputs — instead, we become independent thinkers who build our own answers.

Será que a IA realmente nos deixa mais burros?

Kaike — Mon, 04 Aug 2025 23:28:07 +0000

Como utilizar o ChatGPT a favor do UltraLearning para melhorar a eficiência do aprendizado

Nos últimos dois meses tenho me dedicado à ler o livro Ultra-Learning de Scott Young, através de uma indicação de um professor da faculdade. Eu o havia pedido para que me orientasse sobre maneiras de melhorar minha abordagem de aprendizagem, para que eu pudesse ter um melhor desempenho tanto acadêmico como profissional.

Os insights que tive por meio dessa leitura me fizeram escrever esse post, e venho compartilhar sobre como estou utilizando os ensinamentos na minha própria jornada enquanto estudante de computação, para que qualquer pessoa que busque uma melhor forma de aprender uma habilidade ou conhecimento possa utilizar das atuais ferramentas disponíveis para obter o objetivo desejado.

O intuito do post não é explicar sobre técnicas de prompt engineering, apenas mostrar a modelagem do contexto da LLM de acordo com os princípios do Ultra-Aprendizado pra alcançar um determinado fim, nesse caso o aprendizado de um determinado conteúdo. A aplicação dessa técnica permite obter melhores resultados de uso da ferramenta por meio desse “finetuning” inicial.

Seguindo os nove princípios abordados no livro, destaco a aplicação da Gen AI na Meta-Aprendizagem, Prática Direta e Retorno.

IA relacionada à Meta-Aprendizagem

O capítulo 4 aborda o princípio da Meta-Aprendizagem, relacionado ao procedimento de destrinchar o conhecimento buscado em via de orientar nosso estudo nos conceitos fundamentais para o aprendizado.

Nesse âmbito, observei que a Inteligência Artificial é capaz de nos mostrar o que devemos focar em busca de desenvolver a habilidade almejada, ou estudar o assunto desejado.

Dessa forma, podemos contextualizar o conteúdo que desejamos aprender e requisitar para que o LLM mapeie e nos entregue os tópicos principais dentro do conteúdo como um todo. Assim, teremos um estudo com um escopo muito mais fechado e orientado no objetivo.

Eu pessoalmente opto sempre por buscar os 20% cruciais para que eu possa entender 80% de todo o conteúdo, seguindo o Princípio de Pareto.

IA relacionada à Prática Direta

O capítulo 6 aborda o princípio da Prática Direta: a ação de praticar a habilidade ou conhecimento que queremos adquirir, da forma mais fiel possível à realidade em que iremos aplicar tal aprendizado.

Feito o mapeamento dos tópicos principais a serem estudados, utilizo a IA para me fornecer questões de fixação de cada um dos assuntos retratados. Seguindo o princípio da Prática Direta, busco por questões que abordem o conteúdo da mesma forma que eles serão abordados na prova da disciplina na qual estou estudando. Assim, o LLM me serve como um facilitador para evitar o Problema da Transferência (leia o livro para entender), tornando a prática o mais próximo possível da utilização da habilidade praticada.

Estou abordando esse assunto para o estudo de um conteúdo teórico da faculdade, porém esse processo serve para o aprendizado de qualquer habilidade. Quando estou aprendendo uma tecnologia de programação, aplico essa técnica para que a IA me forneça questões para construir um algoritmo ou aplicação que utilize da ferramenta que estou estudando, de forma que minha prática ocorra no cenário mais próximo possível do contexto em que pretendo usar do conhecimento adquirido.

IA relacionada ao Retorno

O capítulo 9 aborda o princípio do Retorno, que descreve o processo de obter feedbacks sobre o nosso desempenho ao longo da jornada de construção do conhecimento, apontando nossos erros e acertos afim de corrigir para uma melhoria futura.

O capítulo sobre retorno no livro aborda sobre os três níveis de feedback, onde o nível com maior riqueza de informações acerca do nosso desempenho é o Feedback Corretivo. Esse tipo de feedback é capaz de nos mostrar não somente nossos erros e acertos, como também nos mostrar como corrigir nossos erros para que tenhamos um melhor resultado futuro. O único empecilho é a dificuldade em obter essa forma de retorno, que só pode ser dado por uma pessoa que já possui o conhecimento ou habilidade na qual estamos buscando, tendo capacidade de observar nosso desempenho e discernir acerca dos nossos pontos fortes e fracos. Essa pessoa tende a ser uma autoridade na área em que estamos aprendendo, seja um professor na disciplina ou um profissional que já tem a skill que estamos buscando.

Entretanto, a vinda da IA facilitou esse processo. As LLMs são capazes de nos fornecer esse feedback corretivo. Ao apontar nossa resposta perante uma questão realizada sobre um tópico de estudo, ou até mostrar nosso código, ela é capaz de nos orientar sobre consertar nosso erro e nos corrigir.

Desse modo, deixo abaixo um exemplo de base um trecho de prompt que aplica os princípios citados aqui nesse post.
Contexto: Você é meu professor de {Disciplina de estudo}.

Objetivo: Você é responsável por sanar qualquer dúvida minha. Vou te passar a dúvida juntamente com o material bibliográfico que estou usando de referência.-

Instruções:
- Estruture a resposta em tópicos claros (ex: "Oportunidades", "Desafios", "Casos Práticos").
- Utilize do Princípio de Pareto (80/20) para me informar sobre as principais informações cruciais para o entendimento da matéria.

Referências bibliográficas a serem utilizadas: {Especificar materiais de apoio}

Problema a ser resolvido:
Meu estudo deve cobrir principais tópicos do conteúdo especificado.

Ação a ser realizada: considere as referências bibliográficas para mapear sobre os conteúdos cruciais dentro de cada tópico para a construção do meu conhecimento. No fim de cada tópico, desenvolva questões de fixação sobre o tema.
Ao longo do meu estudo, você deve ser capaz de esclarecer qualquer dúvida minha, fornecendo questões de fixação no fim da explicação sobre a minha dúvida para fortalecer o aprendizado.

Ao meu comando, você deverá corrigir minhas questões e apontar meus erros. Me retorne o feedback com as observações e correções necessárias acerca da minha resposta.

A Linha Tênue entre o Feedback e a Dependência

Com a incorporação da Inteligência Artificial Generativa em nossas rotinas, observamos a tendência de uma delegação cada vez maior de nossas atividades para essas ferramentas. O problema está em delegar atividades relacionadas ao pensamento crítico, e é daí que surge o debate: a IA está nos deixando burras?

Tendo isso em mente, é nosso trabalho buscar o equilíbrio entre buscar o feedback pela IA e evitar que ela faça tudo por nós. Afinal, para que possamos saber se esse retorno recebido está correto ou não, devemos ter previamente consciência da correção que está sendo realizada.

Dessa forma, acredito que devemos - acima de tudo - manter uma postura de curiosidade e sede por resolver problemas. É essa postura que nos mantém inquietos na busca pelo aprendizado, e que nos motiva a ir sempre além do que nos é exposto. Com essa mentalidade, não nos contentamos apenas com o resultado, mas sempre buscamos entender qual a construção lógica necessária para chegar na solução. Assim, não seremos reféns do que qualquer Inteligência Artificial nos retorne, mas nos tornamos independentes para construir nossa própria resposta.