هوش مصنوعی، تفکر و یادگیری: آیا هوش مصنوعی واقعاً آموزش را متحول خواهد کرد؟
نویسنده:دکتر سعید جوی زاده
چکیده: این مقاله به بررسی این پرسش محوری می‌پردازد که آیا هوش مصنوعی (AI) همانطور که بسیاری ادعا می‌کنند، آموزش را “متحول” خواهد کرد یا خیر. با تکیه بر تحلیل تاریخچه وعده‌های مشابه تکنولوژیک (مانند فیلم، رادیو، تلویزیون و MOOCها) که هیچ‌گاه به انقلاب آموزشی منجر نشدند، و با استفاده از مدل “دو سیستم فکری” دنیل کانمن (سیستم یک برای تفکر سریع و سیستم دو برای تفکر آهسته و نیازمند تلاش)، این مقاله استدلال می‌کند که یادگیری واقعی نیازمند درگیر شدن فعال، تلاش‌برانگیز و تکراری با مطالب است تا اطلاعات در حافظه بلندمدت تثبیت شده و قابلیت‌های “تکه‌تکه کردن” (chunking) و تفکر خودکار (سیستم یک) توسعه یابند. در حالی که هوش مصنوعی پتانسیل فوق‌العاده‌ای برای ارائه بازخورد بهنگام و شخصی‌سازی‌شده و عمل به عنوان ابزاری کمک‌آموزشی (مانند داربست‌سازی) دارد، نگرانی اصلی این است که هوش مصنوعی ممکن است با انجام کار به جای دانش‌آموز، مانع از تمرینات ضروری و تلاش‌برانگیز شود، که این خود هسته اصلی یادگیری است. در نهایت، مقاله تأکید می‌کند که آموزش یک فعالیت اجتماعی و انسانی است که نیازمند تعامل، انگیزه و پاسخگویی توسط معلمان و جامعه یادگیرندگان است، چیزی که هیچ تکنولوژی نمی‌تواند آن را کاملاً جایگزین کند.
مقدمه:
در سال‌های اخیر، ظهور و پیشرفت خیره‌کننده هوش مصنوعی، به‌ویژه در قابلیت‌هایی مانند ارائه پاسخ‌های دقیق و تعاملات شبه‌انسانی، این سؤال را مطرح کرده است که آیا این فناوری قرار است سیستم‌های آموزشی ما را دگرگون کند. کلیپ‌هایی از “معلمان هوش مصنوعی” که می‌توانند به صورت تعاملی به دانش‌آموزان در حل مسائل کمک کنند، چشم‌اندازی از آینده‌ای را ترسیم می‌کنند که در آن هر فردی می‌تواند معلمی همپایه انیشتین داشته باشد. با این حال، همانطور که سخنران خاطرنشان می‌کند، این ایده “انقلاب آموزشی” توسط فناوری، جدید نیست.
این مقاله ابتدا به بررسی تاریخی وعده‌های بی‌نتیجه تکنولوژیک در آموزش می‌پردازد، سپس به سراغ درک عمیق‌تر نحوه عملکرد ذهن انسان در فرآیند یادگیری، با محوریت “دو سیستم فکری” دنیل کانمن و مفهوم “بار شناختی” و “تکه‌تکه کردن” می‌رود. در نهایت، با استفاده از این چارچوب مفهومی، پتانسیل‌ها و نگرانی‌های هوش مصنوعی در آموزش مورد بحث قرار می‌گیرد و بر اهمیت نقش معلم و جنبه‌های اجتماعی یادگیری تأکید می‌شود. هدف این است که به جای هیجان‌زدگی صرف، با دیدی واقع‌بینانه و مبتنی بر بینش‌های روان‌شناختی و آموزشی، به نقش واقعی هوش مصنوعی در بهبود یادگیری بپردازیم.
هوش مصنوعی، تفکر و یادگیری: درک پویایی‌های نوین آموزش
انتظارات انقلابی در آموزش: تاریخچه و واقعیت
تاریخ آموزش سرشار از وعده‌هایی است که تکنولوژی‌های جدید را به عنوان راه‌حلی برای “انقلاب” در سیستم آموزشی معرفی کرده‌اند. اما واقعیت نشان داده است که این انقلاب‌ها هرگز به طور کامل محقق نشده‌اند.
H3: وعده‌های تکنولوژی‌های گذشته
در طول صد سال گذشته، هر بار که تکنولوژی جدیدی ظهور کرده، ادعاهایی مشابه درباره توانایی آن در متحول کردن آموزش مطرح شده است.
- فیلم‌های متحرک (دهه ۱۹۲۰): در سال ۱۹۲۲، توماس ادیسون پیش‌بینی کرد که فیلم‌های متحرک سیستم آموزشی را متحول خواهند کرد و استفاده از کتاب‌های درسی را تا حد زیادی، اگر نه به طور کامل، منسوخ خواهند نمود. او حتی ارقامی غیرمستند ارائه داد که آموزش از طریق فیلم را ۹۸٪ کارآمد و آموزش از طریق کتاب درسی را ۲٪ کارآمد می‌دانست.
- رادیو (دهه ۱۹۳۰): در دهه ۱۹۳۰، مردم معتقد بودند که رادیو با حذف نیاز به معلمان و امکان پخش درس‌ها برای هزاران کلاس، آموزش را متحول خواهد کرد.
- تلویزیون (دهه ۱۹۵۰): در دهه ۱۹۵۰، مطالعات آکادمیک حتی نشان دادند که سخنرانی‌های پخش شده از تلویزیون، تفاوت معناداری در یادگیری دانش‌آموزان نسبت به سخنرانی‌های حضوری ایجاد نمی‌کنند، چرا که تجربه اساساً یکسان بود.
- کامپیوترهای تعاملی (دهه ۱۹۸۰): در دهه ۱۹۸۰، با ظهور کامپیوترهای تعاملی، به ویژه برنامه‌هایی مانند “لاک‌پشت برنامه‌ریزی” در MIT، این ایده مطرح شد که تعامل با کامپیوتر، مهارت‌های استدلالی عمومی کودکان را بهبود می‌بخشد. با این حال، دانش‌آموزان فقط در برنامه‌ریزی لاک‌پشت ماهر شدند و این مهارت‌ها به انواع دیگر استدلال منتقل نشد.
- ویدئو دیسک‌ها (دهه ۱۹۹۰): در دهه ۱۹۹۰، ویدئو دیسک‌ها نیز وعده “انقلاب” در کلاس درس را می‌دادند، اما این اتفاق هرگز رخ نداد.
- دوره‌های آنلاین باز گسترده (MOOCs) (حدود ۱۳ سال پیش): در حدود ۱۳ سال پیش، MOOCs به عنوان “ایده بزرگ” برای متحول کردن آموزش عالی مطرح شدند، اما با گذشت زمان مشخص شد که این انقلاب نیز “از مسیر خود منحرف شده” یا “آن‌طور که برخی تصور می‌کردند، مخرب نبوده است”.
H3: چرا انقلاب‌ها محقق نشدند؟
دلایل متعددی برای عدم تحقق این انقلاب‌های آموزشی مطرح شده است:
- اینرسی نهادهای آموزشی: ممکن است نهادهای آموزشی به دلیل اینرسی زیاد یا عدم تمایل به تغییر، مانع از پذیرش کامل این فناوری‌ها شده باشند.
- تبلیغات بیش از حد تکنولوژیک: بسیاری از این وعده‌ها صرفاً تبلیغات بیش از حد و هایپ تکنولوژیک بوده‌اند.
- ناقص بودن قابلیت‌ها: ممکن است قابلیت‌های فناوری‌های گذشته به اندازه کافی برای ایجاد یک تحول واقعی قوی نبوده باشند.
اما سخنران ویدئو، دلیل عمیق‌تری را مطرح می‌کند که به نحوه کارکرد ذهن انسان در فرآیند یادگیری باز می‌گردد. درک این مکانیسم‌های بنیادین تفکر و یادگیری، کلید فهم نقش واقعی هوش مصنوعی در آموزش است.
H2: مکانیسم‌های بنیادین تفکر و یادگیری انسان
برای درک اینکه چرا انقلاب‌های آموزشی مبتنی بر تکنولوژی محقق نشده‌اند و هوش مصنوعی چه نقشی می‌تواند ایفا کند، باید نحوه کارکرد ذهن انسان را در فرآیند یادگیری بشناسیم. این بینش‌ها ریشه در مفاهیم روان‌شناسی شناختی دارند.
H3: دو سیستم تفکر: سیستم یک و سیستم دو
دنیل کانمن، برنده جایزه نوبل، در کتاب مشهور خود “تفکر، سریع و آهسته” (Thinking, Fast and Slow)، دو سیستم تفکر در مغز انسان را تشریح می‌کند.
H4: سیستم یک: تفکر سریع و ناخودآگاه
- ویژگی‌ها: این سیستم به صورت “آتش سریع” عمل می‌کند، بسیار سریع است و در پس‌زمینه بدون آگاهی خودآگاه ما فعالیت می‌کند.
- وظایف: سیستم یک اطلاعات را از حواس ما جمع‌آوری می‌کند، اطلاعات مرتبط را استخراج می‌کند و اطلاعات غیرضروری را حذف می‌کند. این سیستم با تمام حافظه بلندمدت ما مرتبط است و همین ارتباط، امکان عملکرد سریع و مؤثر آن را فراهم می‌سازد.
- مثال: هنگامی که افراد در “مسئله چوب و توپ” (Bat and Ball Problem) بلافاصله پاسخ “۱۰ سنت” را می‌دهند، این سیستم یک است که پاسخ را ارائه می‌دهد و سیستم دو بدون بررسی، آن را تأیید می‌کند، زیرا “تنبل” است و نمی‌خواهد تلاش کند. مثال دیگر، کودکی است که در پاسخ به “زمین چند روز طول می‌کشد تا به دور خورشید بگردد؟” بلافاصله “یک روز” را پاسخ می‌دهد.
H4: سیستم دو: تفکر آهسته و نیازمند تلاش
- ویژگی‌ها: این سیستم همان “صدایی” است که در سر شماست و شما فکر می‌کنید خود واقعی‌تان است. این یک سیستم کند، نیازمند تلاش و روشمند است.
- وظایف: سیستم دو می‌تواند اشتباهات را شناسایی کند، فرآیندهای فکری را دنبال کند و حتی در مورد تفکر خود بیندیشد (تفکر فراشناختی).
- مثال: ضرب کردن ۱۳ در ۱۷ نیازمند فعال شدن سیستم دو است. هنگامی که در مثال “زمین و خورشید”، کودک مکث می‌کند و سپس پاسخ صحیح “یک سال” را می‌دهد، این نشان‌دهده فعال شدن سیستم دو است.
هدف نباید این باشد که همیشه از سیستم دو استفاده کنیم، بلکه باید بدانیم چه زمانی به سیستم دو نیاز داریم و چه زمانی سیستم یک کافی است. بهینه‌سازی این فرآیند به معنای اجازه دادن به سیستم یک برای انجام کارهایی است که می‌تواند، و تنها واگذاری وظایفی به سیستم دو است که واقعاً به آن نیاز داریم.
H3: محدودیت‌های حافظه فعال و بار شناختی
سیستم دو، یا همان حافظه فعال (working memory)، دارای ظرفیت بسیار محدودی است.
- عدد جادویی هفت (پلاس/مینوس دو): مطالعه کلاسیک “عدد جادویی هفت، پلاس/مینوس دو” در سال ۱۹۵۵ نشان داد که انسان‌ها تنها می‌توانند حدود هفت قطعه اطلاعات جدید را در حافظه فعال خود نگه دارند.
- بازنگری به حدود چهار: طی سالیان متمادی، این تخمین به حدود چهار قطعه اطلاعات بازنگری شده است. آزمون‌هایی مانند تکرار اعداد با افزایش یک واحد به هر رقم، محدودیت این ظرفیت را به وضوح نشان می‌دهد.
- پاسخ‌های فیزیولوژیکی: هنگامی که سیستم دو به شدت فعال است و فرد به سختی فکر می‌کند، پاسخ‌های فیزیولوژیکی مانند افزایش ضربان قلب، تعریق بیشتر پوست و گشاد شدن مردمک چشم رخ می‌دهد.
H4: بار شناختی ذاتی، بیرونی و ژرمین
میزان تلاش ذهنی که فرد در انجام کاری صرف می‌کند، “بار شناختی” (cognitive load) نامیده می‌شود. این بار را می‌توان به سه دسته تقسیم کرد:
- بار شناختی ذاتی (Intrinsic Cognitive Load): این میزان بار شناختی است که ذاتاً برای انجام یک کار خاص مورد نیاز است. برای مثال، آموزش مفهوم پیچیده‌ای مانند F=MA در فیزیک برای یک دانش‌آموز جدید، بار شناختی ذاتی بالایی دارد. این بار به پیچیدگی خود مفهوم بستگی دارد.
- بار شناختی بیرونی (Extraneous Cognitive Load): این بار ناشی از عوامل خارجی و حواس‌پرتی‌هایی است که بر توانایی تمرکز فرد تأثیر می‌گذارند. مثال‌ها شامل سروصدا، صندلی نامناسب، یا حتی لهجه سخنران است. این نوع بار مطلوب نیست و باید حذف شود.
- بار شناختی ژرمین (Germane Cognitive Load): این نوع بار شناختی مثبت و مطلوب است. این زمانی است که از توجه و سیستم دو برای “تفکر در مورد تفکر” (meta-cognition) یا شناسایی الگوهایی که ممکن است در آینده مفید باشند، استفاده می‌شود. این بار به فرآیندهای سازنده یادگیری و انتقال اطلاعات به حافظه بلندمدت کمک می‌کند.
H3: نقش یادگیری عمیق و “تکه‌تکه کردن” (Chunking)
با توجه به محدودیت‌های سیستم دو، چگونه انسان‌ها می‌توانند کارهای پیچیده را انجام دهند؟ پاسخ در مفهوم “تکه‌تکه کردن” و توسعه حافظه بلندمدت نهفته است.
- مطالعه شطرنج‌بازان: یک مطالعه کلاسیک بر روی شطرنج‌بازان نشان داد که شطرنج‌بازان باتجربه پس از دیدن یک صفحه شطرنج برای ۵ ثانیه، می‌توانستند تا ۱۶ قطعه را به درستی به خاطر بسپارند، در حالی که مبتدیان تنها حدود ۴ قطعه را. اما وقتی قطعات به صورت تصادفی روی صفحه چیده می‌شدند (به شکلی که هرگز در یک بازی واقعی اتفاق نمی‌افتند)، شطرنج‌بازان باتجربه هیچ مزیتی نسبت به مبتدیان نداشتند.
- تکه‌تکه کردن: این تفاوت به دلیل پدیده‌ای به نام “تکه‌تکه کردن” (chunking) است. تکه‌تکه کردن به معنای توانایی دیدن چندین تکه اطلاعات پراکنده به عنوان یک واحد واحد و معنادار است. برای مثال، دنباله اعداد “۵۴۹۱” را می‌توان به عنوان چهار عدد مجزا به خاطر سپرد، یا اگر ترتیب آن برعکس شود (۱۹۴۵)، می‌توان آن را به عنوان “سال پایان جنگ جهانی دوم” به خاطر سپرد که یک “تکه” واحد و بسیار آسان‌تر برای به خاطر سپردن است. همین امر در مورد کلمات، عبارات، معادلات فیزیک و حتی معادلات پیچیده مانند معادله شرودینگر صادق است.
H4: حافظه بلندمدت و تخصص دامنه-محور
- توسعه حافظه بلندمدت: هرچه بیشتر با چیزی تجربه کسب کنیم، تمرین کنیم و با استفاده از سیستم دو بر روی مسائل کار کنیم، حافظه بلندمدت ما بیشتر توسعه می‌یابد. این حافظه بلندمدت غنی شده، به ما امکان می‌دهد تا محیط اطراف خود را “تکه‌تکه” کنیم و با موقعیت‌های بسیار پیچیده‌تر مقابله نماییم.
- عدم وجود مهارت تفکر عمومی: استدلال اصلی این است که “مهارت تفکر عمومی” یا “مهارت حل مسئله عمومی” وجود ندارد. آنچه وجود دارد، “شبکه‌های پیچیده حافظه بلندمدت” است که ما در طول زندگی خود می‌سازیم. یک فیزیکدان لزوماً شطرنج‌باز خوبی نیست، و یک شطرنج‌باز لزوماً فیزیکدان خوبی نیست. تخصص در یک زمینه، به معنای تخصص در زمینه دیگر نیست، زیرا حافظه بلندمدت سیستم یک، تخصصی و منعکس‌کننده تجربیات و الگوهای شناسایی شده در آن حوزه خاص است.
- عملکرد متخصصان: وقتی سیستم یک به قدری خوب توسعه یابد که “شبکه‌ای واقعاً پیچیده” شود، تفکر تقریباً خودکار به نظر می‌رسد. یک استاد شطرنج مانند مگنوس کارلسن، بیشتر اوقات “می‌داند چه کاری انجام دهد” و نیازی به “کشف” ندارد؛ برای او، شطرنج یک بازی “شناخت الگوها” است. این دقیقاً همان چیزی است که ما در آموزش به دنبال آن هستیم: استفاده دقیق و تکراری از منابع سیستم دو، به گونه‌ای که اطلاعات در حافظه بلندمدت ذخیره شوند و سیستم یک بتواند کارها را به صورت خودکار انجام دهد.
H2: پیامدهای این بینش‌ها برای آموزش
درک نحوه عملکرد سیستم‌های فکری و محدودیت‌های حافظه فعال، پیامدهای عمیقی برای طراحی و اجرای فرآیندهای آموزشی دارد. هدف اصلی باید استفاده بهینه از منابع محدود سیستم ۲ برای ساختاردهی دانش در حافظه بلندمدت باشد.
H3: بهینه‌سازی بار شناختی در آموزش
مدیریت بار شناختی، به‌ویژه بار شناختی ذاتی و بیرونی، برای یادگیری مؤثر حیاتی است.
H4: حذف بار شناختی بیرونی (Extraneous Cognitive Load)
- محیط یادگیری: بدیهی است که باید عوامل حواس‌پرتی را از محیط یادگیری حذف کرد. این شامل داشتن صندلی راحت، تخته قابل رؤیت، صدای واضح میکروفون، و حتی عدم وجود لهجه‌ای که فهم را دشوار کند، می‌شود.
- زیرنویس‌ها: استفاده از زیرنویس‌ها در محتوای ویدیویی می‌تواند به کاهش بار شناختی بیرونی کمک کند.
H4: محدود کردن بار شناختی ذاتی (Intrinsic Cognitive Load)
- کاهش مواد جدید: اساتید اغلب بیش از حد مواد جدید را در یک جلسه درسی معرفی می‌کنند، که برای حافظه فعال دانش‌آموزان بیش از حد است و منجر به “اضافه بار شناختی” می‌شود.
- آموزش “لقمه‌ای”: برای جلوگیری از این اضافه بار، لازم است که محتوای آموزشی به صورت “لقمه‌ای” و در حجم‌های قابل مدیریت ارائه شود. معرفی چهار تا شش مفهوم جدید در یک درس، به سرعت دانش‌آموزان را از دست می‌دهد.
- شروع از سطح دانش‌آموزان: معلم باید از جایی شروع کند که دانش‌آموزان در آن قرار دارند.
- استفاده از دانش قبلی: در آموزش موسیقی، ابتدا از دانش‌آموزان خواسته می‌شود آهنگ‌هایی را که از قبل می‌دانند بنوازند. این کار بار شناختی ذاتی مربوط به ریتم را کاهش می‌دهد و به آن‌ها امکان می‌دهد روی مهارت‌های جدید مانند نت‌خوانی تمرکز کنند.
- کند کردن سرعت: کاهش سرعت آموزش و تمرین به دانش‌آموزان اجازه می‌دهد تا با استفاده از سیستم دو، هر مرحله را به آرامی و با دقت بررسی کنند و آن را در حافظه بلندمدت خود جای دهند. عملکرد‌های فوق‌انسانی اغلب نتیجه استفاده آهسته و تلاش‌برانگیز از سیستم دو برای ساختاردهی در حافظه بلندمدت است.
H4: تشویق بار شناختی ژرمین (Germane Cognitive Load)
بار شناختی ژرمین، همان تفکر عمیق و سازنده‌ای است که به دانش‌آموزان کمک می‌کند تا الگوها را شناسایی کرده و دانش خود را سازماندهی کنند.
- چالش‌های بهینه: افزایش اندک دشواری در وظایف می‌تواند سیستم دو را فعال کند و به تفکر عمیق‌تر بینجامد. به عنوان مثال، آزمون “شناخت بازتابی” (Cognitive Reflection Test) وقتی با فونت ناخوانا ارائه شد، نرخ اشتباهات را به طور چشمگیری کاهش داد، زیرا این دشواری کوچک، سیستم دو را فعال کرد. این نشان می‌دهد که کمی “چالش” می‌تواند به یادگیری کمک کند، اما نه تا حدی که منجر به بار شناختی بیرونی زیاد شود.
H3: تمرین هدفمند و دستیابی به تسلط
- اهمیت تسلط: دستیابی به تسلط (mastery) در یک مهارت به این معنی است که آن مهارت اکنون به حوزه سیستم یک تبدیل شده است. به عنوان مثال، جدول ضرب برای اکثر ما به صورت خودکار در سیستم یک قرار دارد.
- مزایای تسلط: وقتی اطلاعات یا مهارت‌ها به صورت خودکار در سیستم یک قرار می‌گیرند، سیستم دو برای حل مسائل پیچیده‌تر آزاد می‌شود و نیازی به صرف منابع ذهنی برای کارهای پایه نیست. اگر دانش‌آموزی هرگز به سطح تسلط نرسد، حرکت به مراحل بعدی یادگیری همیشه با مشکل همراه خواهد بود، زیرا باید همزمان منابع سیستم دو را برای مفاهیم پایه و مفاهیم جدید به کار گیرد.
- تکرار و تمرین: این فرآیند مستلزم تمرینات تکراری و تلاش‌برانگیز است.
H3: چالش‌های یادگیری اکتشافی (Discovery Learning)
- مفهوم سازه‌گرایی: در پارادایم سازه‌گرایی، فرض بر این است که دانش‌آموزان سازندگان فعال دانش خود هستند، که این ایده خوبی است.
- پیاده‌سازی نادرست: با این حال، برخی از پیاده‌سازی‌های نادرست سازه‌گرایی منجر به “یادگیری اکتشافی” محض شد، که در آن دانش‌آموزان بدون “داربست‌سازی” یا راهنمایی کافی، رها می‌شدند تا مسائل را “کشف” کنند و خودشان راه حل پیدا کنند.
- محدودیت‌های سیستم دو: این رویکرد خطرناک است زیرا حافظه فعال (سیستم دو) بسیار محدود است. بدون راهنمایی کافی (مانند استفاده از GPS در شهری جدید)، سیستم دو دانش‌آموزان به سرعت دچار اضافه بار می‌شود و یادگیری مؤثر اتفاق نمی‌افتد.
- اثر مثال‌های حل شده: تحقیقات نشان داده‌اند که ارائه “مثال‌های حل شده” (worked examples) و سپس “کمک‌های تدریجی” (fading out assistance) موثرتر است. یعنی ابتدا یک مسئله کاملاً حل شده ارائه شود، سپس یک مسئله نیمه‌حل شده، و در نهایت مسئله‌ای که دانش‌آموز باید خودش از ابتدا تا انتها حل کند. این روش بار شناختی ذاتی را کاهش می‌دهد و به دانش‌آموز اجازه می‌دهد منابع محدود سیستم دو خود را به طور مؤثرتری به کار گیرد.
- شکاف متخصص-مبتدی: برای اساتید فیزیک که سیستم یک آن‌ها بسیار توسعه یافته است، مسائل کاملاً واضح به نظر می‌رسند، اما برای دانش‌آموز مبتدی، این مسائل بسیار پیچیده و مبهم هستند. اساتید اغلب نمی‌توانند دنیا را از دید دانش‌آموز ببینند و اهمیت داربست‌سازی را نادیده می‌گیرند.
H2: نقش هوش مصنوعی در آینده آموزش: امیدها و نگرانی‌ها
با درک عمیق‌تر فرآیندهای یادگیری انسان، می‌توانیم نقش واقع‌بینانه‌تری برای هوش مصنوعی در آموزش متصور شویم.
H3: پتانسیل هوش مصنوعی: بازخورد بهنگام و شخصی‌سازی
- معلمان هوش مصنوعی: همانطور که در ابتدای ویدئو نشان داده شد، یک معلم هوش مصنوعی می‌تواند بازخورد فوری و دقیق به دانش‌آموز ارائه دهد، که برای یادگیری هر مهارتی ضروری است.
- مثال‌ها: در نواختن ساز (مانند چنگ) یا بازی تنیس، بازخورد (مانند نت اشتباه یا بیرون رفتن توپ) بلافاصله دریافت می‌شود، که این برای مغز بسیار مفید است. در مقابل، در برخی مشاغل مانند انتخاب سهام یا پیش‌بینی‌های اقتصادی، بازخورد به دلیل تصادفی بودن یا عدم قطعیت محیط، هرگز واقعاً آموزنده نیست.
- قابلیت‌های داربست‌سازی: هوش مصنوعی می‌تواند به عنوان یک ابزار کمک‌آموزشی عالی عمل کند و داربست‌سازی (scaffolding) زیادی ارائه دهد. می‌تواند راهنمایی ارائه دهد (“می‌توانم یک راهنمایی دریافت کنم؟”)، شکاف‌های یادگیری را پر کند، و حتی سوالات تمرینی زیادی را بر اساس محتوای درسی تولید کند. این ابزارها می‌توانند در صورت استفاده مؤثر، بسیار قدرتمند باشند.
H3: نگرانی اصلی: کاهش تمرین نیازمند تلاش
- خطر اتوماسیون: بزرگترین نگرانی در مورد هوش مصنوعی این است که این تکنولوژی فرصتی برای “کاهش تمرین تلاش‌برانگیز” فراهم می‌کند. اگر هوش مصنوعی مولد بتواند مقاله‌ها را بنویسد یا تصاویر را خلق کند، چه چیزی دانش‌آموزان را مجبور به تمرین “صناعت جملات” یا توسعه “توانایی‌های هنری” خود می‌کند؟.
- اهمیت تکرار و تلاش: مهارت در زبان انگلیسی، سخنرانی یا نگارش با “انجام دادن آن بارها و بارها و بارها” به دست می‌آید. این فرآیند شامل اشتباه کردن در ابتدا، ادامه دادن، تنظیمات کوچک، دریافت بازخورد و بهبود مستمر است. اگر این فرآیند اتفاق نیفتد، ساختار حافظه بلندمدت (سیستم یک) به درستی توسعه نمی‌یابد و “شبکه شگفت‌انگیزی از دانش مرتبط” که افراد متخصص از آن بهره می‌برند، شکل نمی‌گیرد.
- فرآیند دردناک یادگیری: فرآیند یادگیری هسته اصلی خود را در “فرآیند تلاش‌برانگیز و دردناک” استفاده از منابع محدود سیستم دو برای درگیر شدن و تمرین مداوم با چیزها دارد، حتی زمانی که دشوار است، حس خوبی ندارد، یا فرد در آن عالی نیست. اگر هوش مصنوعی مانع از این فرآیند شود، عواقب جدی برای توانایی‌های شناختی و خلاقانه انسان خواهد داشت.
H3: آموزش به عنوان فعالیتی اجتماعی
- مشکل انتقال اطلاعات نیست: مشکل اساسی آموزش، “عدم توانایی در رساندن اطلاعات به دانش‌آموز” نیست. این اطلاعات (در قالب کتاب یا اینترنت) همیشه در دسترس بوده است. مشکل این است که دانش‌آموزان احتمالاً چیز زیادی یاد نمی‌گیرند مگر اینکه “معلمی عالی” داشته باشند، “گروهی از همتایان همفکر” برای همراهی، و “دلیلی” برای یادگیری.
- قیاس با مربی ورزشی: آموزش را می‌توان با “مربی شخصی” در یک باشگاه ورزشی مقایسه کرد. باشگاه‌ها (منابع اطلاعاتی) وجود دارند، اما بدون کسی که دانش‌آموز را پاسخگو بداند، او را تشویق کند، انگیزه دهد و به او بگوید “باز هم یک ست دیگر!”، نتایج حاصل نمی‌شود. آموزش یک “فعالیت اجتماعی” است.
- نقش معلمان: معلمان “برخی از بهترین افراد در جهان” هستند که کاری باورنکردنی در “ارتباط با دانش‌آموزان و ایجاد جوامع یادگیرنده” انجام می‌دهند. این تجربه اجتماعی، ایجاد هیجان، پاسخگو نگه داشتن افراد، و “مجبور کردن آن‌ها به تکرار و تمرین” است که نتایج را به ارمغان می‌آورد. به همین دلیل است که “هیچ یک از این فناوری‌ها هرگز آموزش را متحول نخواهند کرد”.
H2: سیاست‌گذاری و آینده آموزش
پیاده‌سازی این بینش‌ها در مقیاس وسیع و در سیاست‌های آموزشی، چالش‌برانگیز است، به‌ویژه در عصر هوش مصنوعی که الگوهای سنتی ارزیابی را تحت تأثیر قرار داده است.
H3: چالش‌های پیاده‌سازی بینش‌های آموزشی
- پیچیدگی تحقیقات آموزشی: آموزش یک زمینه دشوار برای تحقیق است، زیرا متغیرهای زیادی در آن دخیل هستند. محققان نیز معمولاً بی‌طرف نیستند و می‌خواهند بهبودهایی ایجاد کنند که گاهی منجر به سوگیری در نتایج می‌شود.
- پذیرش “گفتن”: با این حال، برخی تحقیقات قوی، مانند آنچه در این سخنرانی ارائه شد، به سمت لزوم “تمرین تلاش‌برانگیز”، “ساخت حافظه بلندمدت” و “عبور از منطقه راحتی” دانش‌آموزان اشاره دارد. برخی کشورها مانند استرالیا، حتی سیاست “آموزش مستقیم” را پیاده‌سازی کرده‌اند که به معنای پذیرش این است که “گفتن” (telling) به دانش‌آموزان لزوماً اشتباه نیست.
H3: تغییر روش‌های ارزیابی در عصر هوش مصنوعی
- تقلب با هوش مصنوعی: با ظهور ابزارهایی مانند ChatGPT، دانش‌آموزان به راحتی می‌توانند تکالیف خود را بدون انجام کار واقعی انجام دهند، که این تفاوت بزرگی در عملکرد آن‌ها در امتحانات (که دسترسی به هوش مصنوعی ندارند) ایجاد می‌کند.
- ضرورت تمرین حضوری: برای مقابله با این موضوع، لازم است “بخشی از تکالیف و ارزیابی‌ها به شکلی انجام شوند که امکان استفاده از هوش مصنوعی نباشد”. این ممکن است به معنای “برگزاری جلسات نوشتاری ساعتی در کلاس” یا انجام تکالیف “به همان شیوه امتحانات” باشد.
- بازخورد مستمر: در کلاس‌های بزرگ، می‌توان از روش‌هایی مانند “کارت‌های پاسخ” استفاده کرد تا سیستم دو دانش‌آموزان را به طور مداوم درگیر نگه داشت و بازخورد فوری به معلم و دانش‌آموز ارائه داد.
- مسئولیت‌پذیری: در نهایت، اگر دانش‌آموزان در امتحانات نهایی مردود می‌شوند به دلیل اینکه تکالیف را به درستی انجام نداده‌اند، باید با این واقعیت کنار آمد. زیرا بدون یادگیری واقعی مطالب، فارغ‌التحصیلی معنایی ندارد.
نتیجه‌گیری: برخلاف هیجان‌زدگی‌های مکرر در مورد توانایی تکنولوژی‌های جدید برای “انقلاب” در آموزش، هوش مصنوعی نیز احتمالاً صرفاً به عنوان “ابزاری” قدرتمند در دستان معلمان عمل خواهد کرد. این ابزار می‌تواند با ارائه بازخورد بهنگام و داربست‌سازی، فرآیند یادگیری را تسهیل کند. با این حال، نگرانی اصلی و مهم‌ترین، این است که هوش مصنوعی ممکن است دانش‌آموزان را از “کار سخت و تلاش‌برانگیزی” که برای ساخت شبکه‌های پیچیده حافظه بلندمدت و توسعه مهارت‌های واقعی ضروری است، بازدارد.
یادگیری عمیق، نیازمند فعال شدن سیستم دو تفکر، مدیریت بار شناختی، تمرینات مکرر و رسیدن به تسلط است تا اطلاعات به سیستم یک (حافظه بلندمدت خودکار) منتقل شوند. این فرآیند ذاتی است و تکنولوژی نمی‌تواند آن را حذف کند. در نهایت، آموزش اساساً یک فعالیت اجتماعی است که در آن معلمان نقش “مربیان شخصی” را ایفا می‌کنند؛ آن‌ها با ایجاد جامعه یادگیرندگان، انگیزه می‌دهند، پاسخگو نگه می‌دارند و دانش‌آموزان را وادار به “انجام تمرینات لازم” می‌کنند. آینده آموزش در گرو بهینه‌سازی تعامل انسان با ابزارهای هوش مصنوعی است، نه جایگزینی یکی با دیگری. چالش اصلی در سیاست‌گذاری‌های آموزشی، ایجاد تعادل بین بهره‌برداری از پتانسیل هوش مصنوعی به عنوان یک ابزار قدرتمند و اطمینان از اینکه این ابزار مانع از فرآیند ضروری و تلاش‌برانگیز یادگیری نمی‌شود، خواهد بود.
بدون نظر