مهارت‌های نوین، آموزش عالی را تغییر داده است
حمیدرضا علی‌نیا روزنامه نگار
ورود هوش مصنوعی مولد مانند ChatGPT به فضای دانشگاهی تحولی بنیادین در شیوه یادگیری و ارزیابی دانشجویان ایجاد کرده است. در حالی که بسیاری از دانشجویان با بهره‌گیری از این فناوری پیشرفت قابل توجهی داشته‌اند، نگرانی‌ها درباره کاهش یادگیری عمیق و ضعف در مهارت‌های پایه‌ای روزبه‌روز بیشتر می‌شود. این پرسش مطرح است که آیا نمرات بهتر دانشجویان هنوز نشان‌دهنده مهارت‌های واقعی آنها هستند یا صرفاً بازتاب استفاده از هوش مصنوعی است.
مطالعات نشان می‌دهد پس از معرفی ChatGPT، نمرات تحصیلی به ویژه در میان دانشجویان ضعیف‌تر، افزایش یافته است. همچنین، توزیع نمرات به گونه‌ای فشرده‌تر شده که تفاوت‌های واقعی مهارتی را کمتر نمایان می‌کند. این موضوع چالشی جدی برای دانشگاه‌ها و کارفرمایان است؛ زیرا نمره بالا دیگر لزوماً به معنای مهارت برتر نیست. از سوی دیگر، استفاده از هوش مصنوعی دانشجویان را به فراگیری مهارت‌های نوین مرتبط با فناوری‌های پیشرفته ترغیب می‌کند، اما ممکن است مهارت‌های سنتی و پایه‌ای آنها تضعیف شود. هوش مصنوعی در آموزش فرصتی بزرگ برای ارتقاء یادگیری است و همزمان تهدیدی برای حفظ مهارت‌های اصلی.
تحول نظام آموزش عالی
با گسترش استفاده از هوش مصنوعی در آموزش، دانشگاه‌ها در تقابل با پرسش‌های دشواری هستند. چگونه باید روش‌های تدریس و ارزیابی را متناسب با فناوری‌های نوین تغییر دهند؟ برخی دانشگاه‌ها استفاده از ChatGPT را ممنوع کرده‌اند، اما برخی دیگر تلاش می‌کنند این ابزار را به شکل سازنده در برنامه‌های درسی خود بگنجانند.
دنیای کار نیز شاهد پذیرش سریع هوش مصنوعی برای افزایش بهره‌وری است. مطالعات میدانی گسترده در شرکت‌ها نشان داده‌اند که به ویژه کارکنان کم‌تجربه با کمک هوش مصنوعی مولد بهره‌وری قابل توجهی کسب می‌کنند. تحقیقی در VoxEU برآورد کرده که بین یک تا ۸ درصد ساعات کاری در آمریکا اکنون با هوش مصنوعی مولد انجام می‌شود و این امر می‌تواند سالانه تا ۲ درصد بهره‌وری نیروی کار را افزایش دهد. با این حال، نتایج در حوزه آموزش متفاوت و گاهی متناقض است. آزمایش‌ها نشان می‌دهد دانشجویانی که به تمرین با هوش مصنوعی دسترسی داشتند، در تکالیف نوشتاری بعدی عملکرد بهتری داشته‌اند، اما نگرانی وجود دارد که استفاده آسان از هوش مصنوعی باعث کاهش تمرکز بر تفکر عمیق شود؛ مهارتی که نظام‌های آموزشی باید آن را تقویت کنند.
یافته‌های پژوهش جامع
تحقیق جامعی عملکرد بیش از ۳۶ هزار دانشجو در ۶ هزار درس مختلف را بین سال‌های ۲۰۱۸ تا ۲۰۲۴ بررسی کرده است. دروس به دو دسته تقسیم شدند: دروس سازگار با هوش مصنوعی که نمره‌گذاری آنها عمدتاً بر پروژه‌ها و مقاله‌های خارج از کلاس مبتنی است و استفاده از هوش مصنوعی در آنها آسان است، و دروس ناسازگار که بیشتر بر اساس امتحانات حضوری یا کارهای آزمایشگاهی سنجیده می‌شوند و بهره‌گیری از هوش مصنوعی در آنها محدود است. با توجه به اینکه دانشجویان هر دو نوع درس را می‌گذرانند، محققان عملکرد هر فرد را قبل و بعد از معرفی عمومی ChatGPT در نوامبر ۲۰۲۲ مقایسه کردند. کنترل دقیق تفاوت‌های فردی و زمانی، دقت تحلیل را افزایش داد. نتایج نشان داد که پس از ورود هوش مصنوعی، میانگین نمرات در دروس سازگار به طور میانگین حدود یک نمره در سال تحصیلی ۲۰۲۲–۲۳ افزایش یافت و در سال بعد به حدود ۱.۵ نمره رسید. همچنین نرخ مردودی تقریباً یک سوم کاهش یافته است.
توزیع نمرات به شکل قابل توجهی فشرده‌تر شده؛ یعنی اختلاف میان بالاترین و پایین‌ترین نمرات کمتر شده است. مردودی‌ها و نمرات لب مرز کاهش یافته و سهم نمرات بسیار بالا کمی افزایش یافته است. این فشردگی سبب شده نمرات توانایی واقعی دانشجویان را کمتر نشان دهند و ارزش تشخیصی آنها برای کارفرمایان تضعیف شود. به عبارتی، کارفرماها دیگر نمی‌توانند به راحتی از روی نمره تشخیص دهند چه کسی مهارت بیشتری دارد.
دانشجویانی که از ابتدای تحصیل با هوش مصنوعی کار کرده‌اند، در درس‌های سازگار با این فناوری عملکرد بهتری دارند و مهارت‌های مرتبط با هوش مصنوعی را بهتر فرا گرفته‌اند. اما همین افراد در درس‌های پیشرفته‌تر و بر اساس آزمون‌های حضوری عملکرد بهتری ندارند و گاهی ضعیف‌تر هستند. این نکته نشان می‌دهد استفاده گسترده از هوش مصنوعی ممکن است جایگزین یادگیری سنتی شده و به تضعیف آن منجر شود. از سوی دیگر، پیش‌بینی رتبه دانشجویان در داخل کلاس نیز کاهش یافته است. پیش از ChatGPT، رتبه خوب در امتحانات حضوری معمولاً نشان‌دهنده رتبه خوب در تکالیف خارج از کلاس بود، اما اکنون این هماهنگی ضعیف‌تر شده و دیگر نمی‌توان به آسانی عملکرد کلی دانشجو را پیش‌بینی کرد.
چالش‌ها و چشم‌انداز آینده
نتایج این مطالعه بازتابی از تغییرات مشابه در بازار کار است؛ جایی که هوش مصنوعی مولد به خصوص به افراد کمتر توانمند کمک می‌کند تا عملکرد بهتری داشته باشند و شکاف‌ها را کاهش دهند. اما بخشی از این پیشرفت ظاهری به دلیل سپردن بخش عمده کار فکری به هوش مصنوعی است. از این رو، دانشگاه‌ها، کارفرمایان و سیاست‌گذاران با چالشی دوگانه مواجهند: از یک سو باید به دانشجویان آموزش دهند که چگونه هوش مصنوعی را به شکلی درست و مفید به کار گیرند و از سوی دیگر، باید مطمئن شوند که مهارت‌های پایه‌ای و تفکر انتقادی بدون اتکا به هوش مصنوعی آموخته و تقویت می‌شوند. هوش مصنوعی فرصتی بزرگ برای ارتقاء آموزش فراهم کرده است، اما در عین حال می‌تواند به کاهش مهارت‌های سنتی و یادگیری عمیق منجر شود. نسل آینده موفق، کسانی خواهند بود که دانش تخصصی عمیق را با توانایی بهره‌برداری هوشمندانه از فناوری‌های نوین ترکیب کنند.
مطالعات نشان می‌دهد پس از معرفی ChatGPT، نمرات تحصیلی به ویژه در میان دانشجویان ضعیف‌تر، افزایش یافته است. همچنین، توزیع نمرات به گونه‌ای فشرده‌تر شده که تفاوت‌های واقعی مهارتی را کمتر نمایان می‌کند. این موضوع چالشی جدی برای دانشگاه‌ها و کارفرمایان است؛ زیرا نمره بالا دیگر لزوماً به معنای مهارت برتر نیست. از سوی دیگر، استفاده از هوش مصنوعی دانشجویان را به فراگیری مهارت‌های نوین مرتبط با فناوری‌های پیشرفته ترغیب می‌کند، اما ممکن است مهارت‌های سنتی و پایه‌ای آنها تضعیف شود. هوش مصنوعی در آموزش فرصتی بزرگ برای ارتقاء یادگیری است و همزمان تهدیدی برای حفظ مهارت‌های اصلی.
تحول نظام آموزش عالی
با گسترش استفاده از هوش مصنوعی در آموزش، دانشگاه‌ها در تقابل با پرسش‌های دشواری هستند. چگونه باید روش‌های تدریس و ارزیابی را متناسب با فناوری‌های نوین تغییر دهند؟ برخی دانشگاه‌ها استفاده از ChatGPT را ممنوع کرده‌اند، اما برخی دیگر تلاش می‌کنند این ابزار را به شکل سازنده در برنامه‌های درسی خود بگنجانند.
دنیای کار نیز شاهد پذیرش سریع هوش مصنوعی برای افزایش بهره‌وری است. مطالعات میدانی گسترده در شرکت‌ها نشان داده‌اند که به ویژه کارکنان کم‌تجربه با کمک هوش مصنوعی مولد بهره‌وری قابل توجهی کسب می‌کنند. تحقیقی در VoxEU برآورد کرده که بین یک تا ۸ درصد ساعات کاری در آمریکا اکنون با هوش مصنوعی مولد انجام می‌شود و این امر می‌تواند سالانه تا ۲ درصد بهره‌وری نیروی کار را افزایش دهد. با این حال، نتایج در حوزه آموزش متفاوت و گاهی متناقض است. آزمایش‌ها نشان می‌دهد دانشجویانی که به تمرین با هوش مصنوعی دسترسی داشتند، در تکالیف نوشتاری بعدی عملکرد بهتری داشته‌اند، اما نگرانی وجود دارد که استفاده آسان از هوش مصنوعی باعث کاهش تمرکز بر تفکر عمیق شود؛ مهارتی که نظام‌های آموزشی باید آن را تقویت کنند.
یافته‌های پژوهش جامع
تحقیق جامعی عملکرد بیش از ۳۶ هزار دانشجو در ۶ هزار درس مختلف را بین سال‌های ۲۰۱۸ تا ۲۰۲۴ بررسی کرده است. دروس به دو دسته تقسیم شدند: دروس سازگار با هوش مصنوعی که نمره‌گذاری آنها عمدتاً بر پروژه‌ها و مقاله‌های خارج از کلاس مبتنی است و استفاده از هوش مصنوعی در آنها آسان است، و دروس ناسازگار که بیشتر بر اساس امتحانات حضوری یا کارهای آزمایشگاهی سنجیده می‌شوند و بهره‌گیری از هوش مصنوعی در آنها محدود است. با توجه به اینکه دانشجویان هر دو نوع درس را می‌گذرانند، محققان عملکرد هر فرد را قبل و بعد از معرفی عمومی ChatGPT در نوامبر ۲۰۲۲ مقایسه کردند. کنترل دقیق تفاوت‌های فردی و زمانی، دقت تحلیل را افزایش داد. نتایج نشان داد که پس از ورود هوش مصنوعی، میانگین نمرات در دروس سازگار به طور میانگین حدود یک نمره در سال تحصیلی ۲۰۲۲–۲۳ افزایش یافت و در سال بعد به حدود ۱.۵ نمره رسید. همچنین نرخ مردودی تقریباً یک سوم کاهش یافته است.
توزیع نمرات به شکل قابل توجهی فشرده‌تر شده؛ یعنی اختلاف میان بالاترین و پایین‌ترین نمرات کمتر شده است. مردودی‌ها و نمرات لب مرز کاهش یافته و سهم نمرات بسیار بالا کمی افزایش یافته است. این فشردگی سبب شده نمرات توانایی واقعی دانشجویان را کمتر نشان دهند و ارزش تشخیصی آنها برای کارفرمایان تضعیف شود. به عبارتی، کارفرماها دیگر نمی‌توانند به راحتی از روی نمره تشخیص دهند چه کسی مهارت بیشتری دارد.
دانشجویانی که از ابتدای تحصیل با هوش مصنوعی کار کرده‌اند، در درس‌های سازگار با این فناوری عملکرد بهتری دارند و مهارت‌های مرتبط با هوش مصنوعی را بهتر فرا گرفته‌اند. اما همین افراد در درس‌های پیشرفته‌تر و بر اساس آزمون‌های حضوری عملکرد بهتری ندارند و گاهی ضعیف‌تر هستند. این نکته نشان می‌دهد استفاده گسترده از هوش مصنوعی ممکن است جایگزین یادگیری سنتی شده و به تضعیف آن منجر شود. از سوی دیگر، پیش‌بینی رتبه دانشجویان در داخل کلاس نیز کاهش یافته است. پیش از ChatGPT، رتبه خوب در امتحانات حضوری معمولاً نشان‌دهنده رتبه خوب در تکالیف خارج از کلاس بود، اما اکنون این هماهنگی ضعیف‌تر شده و دیگر نمی‌توان به آسانی عملکرد کلی دانشجو را پیش‌بینی کرد.
چالش‌ها و چشم‌انداز آینده
نتایج این مطالعه بازتابی از تغییرات مشابه در بازار کار است؛ جایی که هوش مصنوعی مولد به خصوص به افراد کمتر توانمند کمک می‌کند تا عملکرد بهتری داشته باشند و شکاف‌ها را کاهش دهند. اما بخشی از این پیشرفت ظاهری به دلیل سپردن بخش عمده کار فکری به هوش مصنوعی است. از این رو، دانشگاه‌ها، کارفرمایان و سیاست‌گذاران با چالشی دوگانه مواجهند: از یک سو باید به دانشجویان آموزش دهند که چگونه هوش مصنوعی را به شکلی درست و مفید به کار گیرند و از سوی دیگر، باید مطمئن شوند که مهارت‌های پایه‌ای و تفکر انتقادی بدون اتکا به هوش مصنوعی آموخته و تقویت می‌شوند. هوش مصنوعی فرصتی بزرگ برای ارتقاء آموزش فراهم کرده است، اما در عین حال می‌تواند به کاهش مهارت‌های سنتی و یادگیری عمیق منجر شود. نسل آینده موفق، کسانی خواهند بود که دانش تخصصی عمیق را با توانایی بهره‌برداری هوشمندانه از فناوری‌های نوین ترکیب کنند.
ارسال دیدگاه
