هوش مصنوعی مولد (GenAI) اکنون به یک واقعیت در آموزش عالی تبدیل شده است، به طوری که دانشجویان و اساتید، چتباتها را در فرآیندهای تدریس، یادگیری و ارزیابی ادغام کردهاند. اما این تنها یک تغییر فنی نیست؛ این پدیده در حال شکلدهی مجدد به نحوه یادگیری و ارزیابی دانش توسط دانشجویان و اساتید است.
یک مطالعه کیفی اخیر که با مشارکت ۲۸ نفر از اساتید دانشگاهها و کالجهای کانادا — از کتابداران گرفته تا اساتید مهندسی — انجام شده است، نشان میدهد که آموزش وارد یک نقطه عطف حیاتی شده است.
باید به این سوال مهم پرداخت که دقیقاً چه چیزی را باید ارزیابی کرد، زمانی که شناخت انسانی میتواند توسط یک الگوریتم تقویت یا شبیهسازی شود؟
پژوهشهایی درباره هوش مصنوعی و اعتبار آکادمیک
در بررسی ۱۵ سال پژوهش که به تأثیر هوش مصنوعی بر تقلب در آموزش میپردازد، مشخص شد که هوش مصنوعی شمشیری دو لبه برای مؤسسات آموزشی است.
از یک سو، ابزارهای هوش مصنوعی مانند مترجمان آنلاین و تولیدکنندگان متن به قدری پیشرفته شدهاند که میتوانند دقیقاً مانند انسانها بنویسند. این امر تشخیص تقلب را برای معلمان دشوار میسازد. علاوه بر این، این ابزارها گاهی اوقات میتوانند اخبار جعلی را به عنوان واقعیت ارائه دهند یا تعصبات اجتماعی ناعادلانه، مانند نژادپرستی و تبعیض جنسیتی، را که در دادههای مورد استفاده برای آموزش آنها یافت میشود، تکرار کنند.
از سوی دیگر، مطالعات بررسیشده نشان دادند که هوش مصنوعی میتواند یک دستیار مشروع باشد که یادگیری را فراگیرتر میکند. برای مثال، هوش مصنوعی میتواند برای دانشجویان دارای معلولیت پشتیبانی فراهم کند یا به کسانی که در حال یادگیری یک زبان دیگر هستند، کمک نماید.
از آنجایی که مسدود کردن تکتک ابزارهای هوش مصنوعی تقریباً غیرممکن است، مدارس نباید تنها بر روی شناسایی متقلبان تمرکز کنند. در عوض، مدارس و مؤسسات آموزش عالی میتوانند سیاستهای خود را بهروزرسانی کرده و آموزشهای بهتری را برای دانشجویان و معلمان فراهم آورند. این امر به همه کمک میکند تا نحوه استفاده مسئولانه از فناوری را بیاموزند و در عین حال استاندارد بالایی از اعتبار آکادمیک را حفظ کنند.
شرکتکنندگان در این مطالعه خود را نه به عنوان مجری قوانین، بلکه به عنوان نگهبانان یادگیری با صداقت و درستکاری معرفی کردند.
تمرکز آنها بر تمایز قائل شدن بین کمکی بود که از یادگیری پشتیبانی میکند و کمکی که جایگزین آن میشود. آنها سه حوزه مهارتی را شناسایی کردند که مرزهای ارزیابی در آنها قرار میگیرد: پرامپتنویسی، تفکر انتقادی و نگارش.
پرامپتنویسی: یک مهارت مشروع و قابل ارزیابی
شرکتکنندگان به طور گستردهای پرامپتنویسی — یعنی توانایی فرمولبندی دستورالعملهای واضح و هدفمند برای یک چتبات — را به عنوان مهارتی که میتوانند ارزیابی کنند، در نظر گرفتند. پرامپتنویسی مؤثر از دانشجویان میخواهد تا وظایف را تجزیه کنند، مفاهیم را درک نمایند و به طور دقیق ارتباط برقرار کنند.
برخی اشاره کردند که پرامپتهای مبهم اغلب نتایج ضعیفی تولید میکنند و دانشجویان را مجبور میسازند تا در مورد آنچه واقعاً میپرسند تأمل کنند.
پرامپتنویسی تنها زمانی اخلاقی تلقی شد که به طور شفاف و با تکیه بر دانش بنیادی فرد استفاده شود. بدون این شرایط، اساتید نگران بودند که پرامپتنویسی ممکن است به وابستگی بیش از حد یا استفاده غیر انتقادی از هوش مصنوعی منجر شود.
تفکر انتقادی
اساتید پتانسیل بالایی را برای هوش مصنوعی در حمایت از ارزیابی تفکر انتقادی مشاهده کردند. از آنجایی که چتباتها میتوانند متونی تولید کنند که به نظر معقول میآیند اما ممکن است حاوی خطا، نقص یا اطلاعات ساختگی باشند، دانشجویان باید دقت، انسجام و اعتبار آنها را ارزیابی کنند. شرکتکنندگان گزارش دادند که از خلاصهها یا استدلالهای تولیدشده توسط هوش مصنوعی به عنوان پرامپتهایی برای نقد استفاده کردهاند و از دانشجویان خواستهاند تا نقاط ضعف یا ادعاهای گمراهکننده را شناسایی کنند.
این فعالیتها با نیاز گستردهتری برای آمادهسازی دانشجویان برای کار در آیندهای همسو هستند که در آن ارزیابی اطلاعات الگوریتمی یک وظیفه معمول خواهد بود. برخی از اساتید استدلال کردند که آموزش ندادن نحوه بازجویی از محتوای تولیدشده توسط هوش مصنوعی به دانشجویان، غیراخلاقی خواهد بود.
نگارش: جایی که مرزها تنگتر میشوند
نگارش بحثبرانگیزترین حوزه بود. اساتید به وضوح بین ایدهپردازی، ویرایش و ترکیبنویسی تمایز قائل شدند:
• ایدهپردازی با هوش مصنوعی زمانی قابل قبول بود که به عنوان نقطه شروع استفاده میشد، به شرطی که دانشجویان ایدههای خود را بیان میکردند و پیشنهادات هوش مصنوعی را جایگزین تفکر خود نمیکردند.
• ویرایش با هوش مصنوعی (برای مثال، تصحیح گرامری) تنها پس از آن قابل قبول در نظر گرفته شد که دانشجویان متن اصلی را تولید کرده بودند و میتوانستند ارزیابی کنند که آیا بازبینیهای تولیدشده توسط هوش مصنوعی مناسب هستند یا خیر. اگرچه برخی هوش مصنوعی را حمایتی مشروع برای تنوع زبانی و همچنین کمک به هموارسازی مسیر برای افراد دارای معلولیت یا کسانی که انگلیسی را به عنوان زبان دوم صحبت میکنند میدانند، برخی دیگر از آیندهای از استانداردسازی زبان هراس دارند که در آن صدای منحصر به فرد و اصیل دانشجو توسط یک الگوریتم یکدست میشود.
• پیشنویس کردن استدلالها یا نثر توسط چتباتها به طور ضمنی رد شد. شرکتکنندگان مرحله تولیدی نگارش را یک فرآیند شناختی منحصراً انسانی میدانستند که باید توسط دانشجویان انجام شود، نه ماشینها.
اساتید همچنین هشدار دادند که اتکای شدید به هوش مصنوعی میتواند دانشجویان را وسوسه کند تا از “تلاش مولد” ذاتی در نگارش، تلاشی که برای توسعه تفکر اصیل محوری است، بگریزند.
شرکتکنندگان در پژوهش انجام شده اذعان کردند که در آیندهای با شناخت ترکیبی، مهارتهای مربوط به تفکر انتقادی و استفاده از هوش مصنوعی بسیار حیاتی خواهند بود.
زندگی در دوران پسا-سرقت ادبی
ایده همتألیفی با هوش مصنوعی مولد (GenAI) ما را به دوران پسا-سرقت ادبی سوق میدهد؛ دورانی که هوش مصنوعی به گونهای در آموزش، یادگیری و ارتباطات ادغام شده است که ما را به بازنگری فرضیاتمان درباره مؤلفبودن و اصالت به چالش میکشد.
این بدان معنا نیست که اساتید دیگر به سرقت ادبی یا اعتبار آکادمیک اهمیت نمیدهند. صداقت همیشه مهم خواهد بود. بلکه، در یک بستر پسا-سرقت ادبی، ما در نظر میگیریم که همتألیفی و همآفرینی انسانها و هوش مصنوعی به طور خودکار به معنای سرقت ادبی نیست.
امروزه، هوش مصنوعی آموزش را دچار اختلال کرده است و اگرچه هنوز همه پاسخها را در اختیار نداریم، اما مسلم است که هوش مصنوعی ماندگار خواهد بود. آموزش دانشجویان برای همآفرینی با هوش مصنوعی بخشی از یادگیری در دنیای پسا-سرقت ادبی است.
طراحی برای آیندهای از لحاظ اجتماعی عادلانه
ارزیابی معتبر در عصر هوش مصنوعی مستلزم تعیین دقیق این است که کدام فرآیندهای شناختی باید انسانی باقی بمانند و کدامها را میتوان به طور مشروع از نظر شناختی به سیستمهای هوش مصنوعی واگذار کرد. برای اطمینان از اینکه آموزش عالی فضایی برای تصمیمگیری اخلاقی، به ویژه در زمینه تدریس، یادگیری و ارزیابی باقی میماند، ما پنج اصل طراحی را بر اساس پژوهشهای خود پیشنهاد میکنیم:
۱. انتظارات صریح: استاد مسئول است که به وضوح مشخص کند که آیا و چگونه میتوان از هوش مصنوعی مولد در یک تکلیف خاص استفاده کرد. دانشجویان باید دقیقاً بدانند چه زمانی و چگونه هوش مصنوعی میتواند شریک کار آنها باشد. ابهام میتواند به سوءرفتار ناخواسته و همچنین به تضعیف رابطه دانشجو-استاد منجر شود.
۲. فرآیند بر محصول: با ارزیابی پیشنویسها، حاشیهنویسیها و تأملات، اساتید میتوانند فرآیند یادگیری را ارزیابی کنند، نه صرفاً خروجی یا محصول نهایی را.
۳. طراحی تکالیف ارزیابی که نیازمند قضاوت انسانی هستند: تکالیفی که نیازمند ارزیابی، ترکیب و نقد سطح بالا در زمینههای بومی هستند، از حوزههایی به شمار میروند که عاملیت انسانی هنوز در آنها مهم است.
۴. توسعه قضاوت ارزیابی: اساتید باید به دانشجویان آموزش دهند تا مصرفکنندگان انتقادی هوش مصنوعی مولد باشند و بتوانند محدودیتها و سوگیریهای آن را شناسایی کنند.
۵. حفظ صدای دانشجو: ارزیابیها باید بر *چگونگی* دانستههای دانشجویان تأکید کنند، نه بر *چه* دانستههایشان.
آمادهسازی دانشجویان برای آیندهای با شناخت ترکیبی
اساتید در این مطالعه به دنبال راههای اخلاقی و عملی برای ادغام هوش مصنوعی مولد در ارزیابی بودند. آنها استدلال کردند که دانشجویان باید هم قابلیتها و هم محدودیتهای هوش مصنوعی مولد را درک کنند، به ویژه تمایل آن به تولید خطاها، سادهسازیهای بیش از حد یا خلاصههای گمراهکننده.
در این مفهوم، پسا-سرقت ادبی نه بحرانی است، بلکه بازاندیشی در مورد معنای یادگیری و نمایش دانش در جهانی است که شناخت انسانی به طور روتین با سیستمهای دیجیتال در تعامل است.
دانشگاهها و کالجها اکنون با یک انتخاب روبرو هستند. آنها میتوانند هوش مصنوعی را تهدیدی برای مدیریت تلقی کنند، یا آن را به عنوان کاتالیزوری برای تقویت ارزیابی، درستکاری و یادگیری ببینند. اساتید در مطالعه انجام شده، گزینه دوم را ترجیح میدهند.
