هوش مصنوعی در آموزش: انقلابی در کلاس‌های درس آینده
نویسنده :دکتر سعید جوی زاده
معرفی و تعریف هوش مصنوعی مولد (Gen AI)
پروفسور بهارات اَناند صحبت خود را با معرفی هوش مصنوعی مولد (Gen AI) و تأثیر آن بر آموزش آغاز می‌کند. او هوش مصنوعی مولد را به عنوان “فردی که اغلب اشتباه می‌کند اما هرگز شک ندارد” توصیف می‌کند. وی پیش‌بینی‌های عمومی در مورد تأثیر هوش مصنوعی مولد بر آموزش را به چالش می‌کشد؛ در حالی که بسیاری آن را “بسیار زیاد” یا “متوسط” می‌دانند، او قصد دارد خلاف آن را ثابت کند. وی همچنین اشاره می‌کند که نفوذ فناوری‌هایی مانند رایانه، رادیو، تلویزیون، تلفن هوشمند و چت‌بات‌ها به ترتیب ۲۰ سال، ۲۰ سال، ۱۲ سال، ۷ سال، ۴ سال و ۲.۵ سال طول کشیده تا به ۵۰٪ جامعه آمریکا برسد.
انقلاب هوش مصنوعی مولد: نه تنها هوش، بلکه دسترسی
پروفسور اَناند استدلال می‌کند که پتانسیل تحول‌آفرین هوش مصنوعی مولد عمدتاً از نحوه دسترسی به آن ناشی می‌شود، نه صرفاً از پیشرفت‌های هوش آن. او این پدیده را با تاریخچه ارتباطات انسانی (از نقاشی غار تا اعداد دودویی) و ارتباط انسان با رایانه (از کارت‌های پانچ تا رابط کاربری گرافیکی) مقایسه می‌کند و بیان می‌دارد که در هر دو مورد، سادگی و دسترسی به رابط کاربری، منجر به پذیرش گسترده شده است. وی می‌گوید چت‌جی‌پی‌تی هوش مصنوعی را در دسترس همه قرار داده است.
پیامدها برای تخصص و ساختار سازمان‌ها
این دسترسی گسترده به هوش مصنوعی مولد پیامدهای مهمی برای ساختار سازمان‌ها و ماهیت تخصص‌ها دارد. او مثال فتوشاپ و نرم‌افزار سوابق پزشکی Epic را مطرح می‌کند و نشان می‌دهد که چگونه رابط‌های زبان طبیعی می‌توانند نیاز به تخصص‌های نرم‌افزاری عمیق را کاهش دهند. این امر می‌تواند منجر به تلفیق عملکردها و کاهش مدیران میانی شود، و حتی پتانسیل ظهور “اولین شرکت یک میلیارد دلاری با یک نفر” را مطرح می‌کند.
ارزش هوش مصنوعی مولد فراتر از هوشمندی: استعاره رایان‌ایر
پروفسور اَناند با استفاده از استعاره خطوط هوایی رایان‌ایر (Ryan Air)، توضیح می‌دهد که چرا باید هوش مصنوعی مولد را حتی با وجود “هذیان‌گویی‌ها” (hallucinations) یا اشتباهات احتمالی آن پذیرفت. او تأکید می‌کند که حتی اگر هوش مصنوعی محصول بهتری ارائه ندهد، صرفه‌جویی در هزینه و زمان می‌تواند منافع عظیمی داشته باشد.
چهارچوب تحلیل: نوع داده در مقابل هزینه خطا
او یک چهارچوب ماتریسی ۲ در ۲ برای ارزیابی پتانسیل هوش مصنوعی مولد ارائه می‌دهد که بر اساس دو بُعد است:
- نوع داده ورودی: داده‌های صریح (فایل‌ها، اعداد) در مقابل دانش ضمنی (قضاوت خلاقانه).
- هزینه خطا: پیامدهای کم یا زیاد یک اشتباه در خروجی.
کاربردهای هوش مصنوعی مولد در چارچوب عملی
با استفاده از چهارچوب خود، پروفسور اَناند مثال‌هایی از کاربردهای هوش مصنوعی مولد ارائه می‌دهد:
- داده صریح، هزینه خطای کم: پشتیبانی مشتری با حجم بالا.
- داده صریح، هزینه خطای بالا: تهیه پیش‌نویس قراردادهای حقوقی (نیاز به “انسان در حلقه” برای بررسی).
- دانش ضمنی، هزینه خطای کم: مهارت‌های خلاقانه مانند طراحی، بازاریابی و کپی‌رایتینگ.
- دانش ضمنی، هزینه خطای بالا: ادغام نرم‌افزارهای سازمانی بزرگ یا طراحی هواپیما (فعلاً نباید به هوش مصنوعی مولد اعتماد کرد).
کاربرد چارچوب در آموزش: نمونه‌های دانشگاه هاروارد
او چهارچوب را به طور خاص در آموزش عالی به کار می‌گیرد و مثال‌هایی از دانشگاه هاروارد ارائه می‌دهد:
- پاسخ به سوالات متقاضیان پذیرش (هزینه خطای کم).
- قراردادهای حقوقی با پیمانکاران (نیاز به بررسی انسانی).
- طراحی محتوای رسانه‌های اجتماعی (کارآمدتر با هوش مصنوعی).
- استخدام اساتید یا اقدامات انضباطی علیه دانشجویان (نباید به هوش مصنوعی مولد اعتماد کرد).
او همچنین مثال‌های شخصی خود را بیان می‌کند:
- پاسخ به ایمیل‌های استاندارد (هزینه خطای کم).
- نوشتن یک مطالعه موردی (که به طور سنتی ۹ ماه طول می‌کشد، اما با هوش مصنوعی مولد در ۷۱ دقیقه انجام شد).
- طوفان فکری برای طراحی اسلاید.
- طراحی نحوه تدریس یا مسیر تحقیق (هنوز به هوش مصنوعی مولد اعتماد نمی‌کند).
نکات کلیدی از چارچوب تحلیل
سه نکته کلیدی از این چهارچوب عبارتند از:
- تمرکز بر هزینه خطا، نه صرفاً نرخ خطای پیش‌بینی. گاهی اوقات نرخ خطای ۳۰٪ با هزینه صفر، قابل قبول است.
- تجزیه و تحلیل تأثیر هوش مصنوعی به سطح وظایف، نه فقط صنایع یا مشاغل. باید سوال کرد که “کدام وظایف من را می‌توان خودکار کرد و کدام وظایف را نباید دست زد؟”.
- بهره‌برداری از قابلیت‌های موجود در “سه خانه دیگر” چهارچوب به جای انتظار برای هوشمندی کامل هوش مصنوعی. بسیاری از سازمان‌ها می‌توانند همین الان با “انسان در حلقه” هوش مصنوعی را به کار گیرند.
تجربیات اساتید هاروارد در استفاده از هوش مصنوعی مولد
مطالعاتی بر روی ۳۵ استاد دانشگاه هاروارد که از هوش مصنوعی مولد در کلاس‌های خود استفاده می‌کردند، نشان داد که آنها از این فناوری برای موارد زیر بهره می‌بردند:
- چت‌بات دستیار استاد (کوپایلوت) برای پاسخ به سوالات ساده دانشجویان به صورت ۲۴/۷.
- طراحی آزمون‌ها، کوئیزها و ارزیابی‌ها به سرعت.
- خلاصه‌سازی سوالات دانشجویان در طول سخنرانی‌ها برای درک وضعیت کلاس. همگی این مثال‌ها بر خودکارسازی کارهای روتین و پیش پا افتاده تمرکز دارند.
چالش ربات‌های کمک‌آموزشی در برابر معلمان انسانی
در یک آزمایش در هاروارد برای درس “علوم فیزیکی ۲”، دانشجویانی که به ربات‌های هوش مصنوعی دسترسی داشتند، نمرات بالاتری در تسلط بر محتوا و مشارکت بیشتر نسبت به دانشجویانی که از معلمان انسانی استفاده می‌کردند، کسب کردند. این یافته‌ها این ایده را به چالش می‌کشد که ربات‌های کمک‌آموزشی هرگز به خوبی بهترین معلمان نخواهند بود.
افسانه «هم‌سطح کردن میدان بازی» و شکاف دیجیتال
پروفسور اَناند این فرض را که هوش مصنوعی زمین بازی آموزشی را هم‌سطح می‌کند به چالش می‌کشد. او استدلال می‌کند که مزایای آن ممکن است به طور نامتناسبی به کسانی که از قبل تخصص و دانش دامنه دارند، تعلق گیرد. او این پدیده را با تجربه دوره‌های آنلاین باز و گسترده (MOOCs) مانند edX مقایسه می‌کند، جایی که اکثر فارغ‌التحصیلان آن (۷۵٪) از قبل مدرک دانشگاهی داشتند، که نشان می‌دهد “ثروتمندان تحصیل‌کرده، ثروتمندتر می‌شوند”. این پدیده ناشی از این است که افراد با دانش، بهتر می‌توانند ورودی‌های هوش مصنوعی را فیلتر کرده و از آن استفاده کنند.
بازنگری در نقش و هدف معلمان و آموزش
وی تأکید می‌کند که اکنون زمان آن است که یک گفتگوی استراتژیک در مورد نقش و هدف معلمان در مواجهه با پیشرفت فناوری هوش مصنوعی داشته باشیم. او با مثال‌هایی مانند اثبات‌های هندسه، حفظ پایتخت‌ها و زبان‌های خارجی، نشان می‌دهد که هدف واقعی آموزش این موارد، توسعه مهارت‌های زیربنایی مانند منطق، حافظه، گوش دادن و ارتباطات بوده است، نه صرفاً محتوای خاص.
توصیه به والدین: مهارت‌های ماندگار برای آینده
در پاسخ به سوالی درباره آنچه کودکان باید بیاموزند تا مهارت‌هایشان در آینده مفید باشد، پروفسور اَناند توصیه می‌کند بر روی مهارت‌هایی که در برابر هوش ماشین مقاوم هستند تمرکز شود، نه لزوماً مهارت‌های برنامه‌نویسی اولیه. این مهارت‌ها شامل:
- خلاقیت
- قضاوت
- احساسات انسانی و همدلی
- روانشناسی
- کنجکاوی و انگیزه درونی
- یادگیری مادام‌العمر
او همچنین به یک مطالعه MIT اشاره می‌کند که نشان می‌دهد دانشجویانی که از چت‌بات‌های هوش مصنوعی استفاده می‌کردند، سریع‌تر یاد می‌گرفتند اما در کاربرد مطالب عملکرد بدتری داشتند، در حالی که دانشجویانی که از جستجوی گوگل استفاده می‌کردند، زمان بیشتری صرف می‌کردند اما در آزمون‌ها بهتر عمل می‌کردند. این نشان می‌دهد که یادگیری نیاز به تلاش دارد و نمی‌توان این تلاش را فشرده کرد. دانش تخصص دامنه کلید استفاده قدرتمند از ابزارهای هوش مصنوعی است.
اعتیاد به دستگاه‌ها و یادگیری
پروفسور اَناند درباره نگرانی در مورد اعتیاد به دستگاه‌ها نظر ظریفی ارائه می‌دهد. او اشاره می‌کند که متخصصان فناوری کودکان خود را از رسانه‌های اجتماعی دور نگه می‌دارند، نه لزوماً از خود دستگاه‌ها. وی خاطرنشان می‌کند که دستگاه‌ها می‌توانند ابزارهای قدرتمندی برای تبدیل یادگیری منفعل به یادگیری فعال باشند، به عنوان مثال از طریق نظرسنجی‌های زنده در کلاس. او معتقد است اگر دانشجو در کلاس با تلفن خود بازی می‌کند، مسئولیت آن بر عهده استاد است که کلاس را به اندازه کافی جذاب نکرده است.
آموزش همدلی در نظام آموزشی
در پاسخ به سوالی در مورد چگونگی آموزش همدلی، پروفسور اَناند این را یک سوال دشوار و یک چالش مهم در پردیس‌های دانشگاهی می‌داند. او پیشنهاد می‌کند که باز بودن ذهن و توانایی تغییر عقیده یک جنبه از همدلی است که باید در آموزش گنجانده شود. او بر اهمیت مهارت‌های اجتماعی و عاطفی (“برنامه درسی پنهان”) تأکید می‌کند که غالباً آموزش رسمی نمی‌بینند و از خانه شروع می‌شوند.
هوش مصنوعی به عنوان سرمایه‌گذاری در حوزه سلامت
یک شرکت‌کننده از حضار هوش مصنوعی را یک سرمایه‌گذاری در مراقبت‌های بهداشتی می‌داند که به نتایج بالینی بهتر، کاهش عفونت‌های بیمارستانی، تجربه بهتر بیمار و تعالی عملیاتی منجر می‌شود. پروفسور اَناند با این دیدگاه موافق است و تأکید می‌کند که “داده طلای جدید است” و فرصت‌های زیادی برای استفاده از هوش مصنوعی در مراقبت‌های بهداشتی وجود دارد. با این حال، او هشدار می‌دهد که اگر همه سازمان‌ها به یک فناوری دسترسی داشته باشند، حفظ مزیت رقابتی دشوار خواهد بود (“پارادوکس دسترسی”).
هوش مصنوعی و کاهش هزینه آموزش عالی
پروفسور اَناند خوشبین است که هوش مصنوعی می‌تواند هزینه آموزش عالی را به طور چشمگیری کاهش دهد. او به دوره‌های آنلاین رایگان یا ارزان‌قیمت که توسط دانشگاه‌هایی مانند هاروارد و MIT ارائه می‌شوند، اشاره می‌کند که میلیون‌ها دانشجو را در سراسر جهان تحت پوشش قرار داده‌اند. وی اشاره می‌کند که در حال حاضر، هزینه نهایی ارائه آموزش بسیار پایین است و برای کاهش بیشتر هزینه‌ها نیاز به یک بازنگری استراتژیک در مدل آموزشی داریم.
پذیرش هوش مصنوعی توسط دانشجویان و خطرات مرتبط
او تأکید می‌کند که دانشجویان در استفاده از هوش مصنوعی بسیار جلوتر از اساتید هستند، حتی اگر از پلتفرم‌های دانشگاهی امن به دلیل نگرانی‌های مربوط به تقلب استفاده نکنند. او چهار خطر اصلی مرتبط با هوش مصنوعی مولد را برمی‌شمرد:
- نهادها سر خود را زیر برف ببرند و آن را جدی نگیرند.
- یادگیری تنبلانه توسط دانشجویان.
- اطلاعات نادرست و گمراه‌کننده.
- نقش و مسئولیت اساتید و معلمان مورد تهدید قرار گیرد، به طوری که دانشجویان و اساتید به هوش مصنوعی برای انجام کارهای اصلی اعتماد کنند و خواندن یا یادگیری عمیق را متوقف کنند.
هوش مصنوعی در آموزش: انقلابی در کلاس‌های درس آینده
همچنین، مقاله به این دیدگاه که باید منتظر بهبود کامل هوش مصنوعی و کاهش خطاهای آن ماند، اعتراض می‌کند و با ارائه استدلال‌هایی بر مبنای صرفه‌جویی در هزینه و زمان، حتی در صورت وجود خطاهای پیش‌بینی، بر لزوم پذیرش آن تأکید دارد. با استفاده از چارچوب ماتریس دو در دو (داده‌های ورودی در مقابل هزینه خطا)، کاربردهای متنوع هوش مصنوعی در وظایف مختلف، از پشتیبانی مشتریان تا نگارش مطالعات موردی، مورد بحث قرار می‌گیرد [4، 5، 6]. نتایج یک آزمایش در دانشگاه هاروارد نشان می‌دهد که توتورهای هوش مصنوعی می‌توانند در برخی موارد، عملکردی بهتر از توتورهای انسانی داشته باشند و حتی تعامل دانشجویان را افزایش دهند.
مقاله همچنین این تصور را که هوش مصنوعی میدان بازی آموزشی را هموار می‌کند، به چالش می‌کشد و با استناد به داده‌های پلتفرم‌های آموزش آنلاین مانند edX، نشان می‌دهد که مزایای هوش مصنوعی ممکن است به طور نامتناسبی به کسانی که از قبل دارای تخصص و دانش هستند، برسد و شکاف دیجیتالی را عمیق‌تر کند. در نهایت، به جای تمرکز بر خود فناوری، بر نیاز به بازنگری در نقش و هدف معلمان در عصر هوش مصنوعی و اهمیت مهارت‌های انسانی مانند کنجکاوی، انگیزه درونی، خلاقیت، قضاوت، همدلی و روانشناسی تأکید می‌شود [10، 12]. این مقاله با ارائه راهکارهایی برای والدین و مربیان و بررسی ریسک‌های احتمالی، دیدگاهی جامع از آینده آموزش در مواجهه با هوش مصنوعی مولد ارائه می‌دهد.
اگر از شما بپرسم که در ۵ تا ۱۰ سال آینده، هوش مصنوعی مولد چه تأثیری بر آموزش خواهد داشت، بسیاری از شما پاسخ خواهید داد که تأثیر بسیار بزرگی خواهد داشت. تعداد کمی به تأثیر متوسط اشاره می‌کنند و تقریباً هیچ کس معتقد به تأثیر کم یا ناچیز نیست. این انتظارات، بخشی از دلیل بحث امروز ماست. نگاهی به نمودار رشد فناوری‌ها و زمان لازم برای رسیدن به ۵۰٪ نفوذ در اقتصاد آمریکا نشان می‌دهد که سرعت پذیرش فناوری‌ها به طور چشمگیری افزایش یافته است: کامپیوترها ۲۰ سال طول کشید تا به حدود ۳۰٪ نفوذ برسند، رادیو حدود ۲۰ سال، تلویزیون حدود ۱۲ سال، گوشی‌های هوشمند ۷ سال، بلندگوهای هوشمند ۴ سال، و چت‌بات‌ها تنها ۲.۵ سال. این سرعت سرسام‌آور، هوش مصنوعی را به موضوعی ضروری برای بحث تبدیل کرده است.
با این حال، پیش از این بحث، اجازه دهید به پنج فرض رایج درباره هوش مصنوعی مولد در آموزش اشاره کنم و سپس استدلال خواهم کرد که تمامی این فرضیات اشتباه هستند. این فرضیات عبارتند از: ۱. پتانسیل دگرگون‌کننده هوش مصنوعی از هوش آن (I در AI) نشأت می‌گیرد. ۲. به عنوان مربیان محتاط، باید منتظر بمانیم تا خروجی هوش مصنوعی به اندازه کافی هوشمند شود، بهتر شود و کمتر دچار توهم یا پاسخ‌های غلط شود. ۳. با توجه به وضعیت فعلی توتورهای رباتی، بعید است که آنها در نهایت به خوبی بهترین معلمان یادگیری فعال که سال‌ها و دهه‌ها تجربه دارند، باشند. ۴. احتمالاً هوش مصنوعی در نهایت میدان بازی را در آموزش هموار خواهد کرد. ۵. بهترین کار این است که اطمینان حاصل کنیم دسترسی به هوش مصنوعی برای همه فراهم شود و به آنها اجازه دهیم قبل از هر اقدامی، آزمایش کنند.
در ادامه، هر یک از این فرضیات را به چالش خواهیم کشید و دیدگاهی متفاوت و عمیق‌تر ارائه خواهیم داد. هدف این مقاله، ارائه یک درک جامع و انتقادی از هوش مصنوعی در آموزش، فراتر از سطوح صرفاً توصیفی است.
دلیل بنیادی رشد ناگهانی و گسترده هوش مصنوعی، آن‌طور که من استدلال می‌کنم، کمتر به پیشرفت‌های گسسته در هوش آن در دو سال گذشته مربوط می‌شود و بیشتر به بهبود دسترسی یا رابط کاربری ما با این هوش مربوط است.
اما، تکامل ارتباطات انسان با کامپیوتر دقیقاً در جهت مخالف بوده است. ۶۰ تا ۷۰ سال پیش، با کارت‌های پانچ (صفر و یک) آغاز شد. سپس به چیزهایی مانند اعلان‌های داس و دستوراتی که باید وارد می‌کردیم، رسیدیم. نکته اساسی و تفاوت بزرگ بین ویندوز ۱.۰ و ویندوز ۳.۰ این بود که از نظر عملکردی تقریباً یکسان بودند؛ اما تفاوت بزرگ در رابط کاربری بود. ما به رابط کاربری گرافیکی (GUI) حرکت کردیم و ناگهان کودکان هفت‌ساله نیز می‌توانستند از کامپیوتر استفاده کنند.
انقلابی که اکنون در هوش مصنوعی می‌بینیم، بسیار شبیه به همین است. برای مدت طولانی، هوش مصنوعی در انحصار برنامه‌نویسان کامپیوتر، مهندسان نرم‌افزار و کارشناسان فناوری بود. اما با چت‌جی‌پی‌تی، هوش مصنوعی اساساً از طریق یک نوار جستجوی ساده، در دسترس تک تک افراد کره زمین قرار گرفت. این، اساساً دلیل اصلی این انقلاب است.
این دسترسی آسان، پیامدهای مهمی دارد. آیا می‌دانید فتوشاپ چیست؟ افراد زیادی یک، دو، یا چهار سال را صرف یادگیری و تسلط بر این نرم‌افزار طراحی گرافیک می‌کنند. اما می‌توان استدلال کرد که دیگر نیازی به این نوع تخصص نداریم. ما می‌توانیم به سادگی با برقراری ارتباط مستقیم با کامپیوتر به زبان طبیعی، این کار را انجام دهیم.
تصویر بعدی Epic است، یک نرم‌افزار ثبت سوابق پزشکی. همسر من که یک متخصص قلب است، از این نرم‌افزار متنفر است؛ او روزانه دو ساعت را صرف پر کردن یادداشت‌ها در این سیستم می‌کند. می‌توان استدلال کرد که در آینده نزدیک، این ارتباط بسیار ساده‌تر خواهد شد.
در واقع، می‌توان گفت که فرد در رأس سازمان می‌تواند فروش، طراحی گرافیک، بازاریابی و هر چیز دیگری را تنها با تعامل مستقیم با کامپیوتر انجام دهد. اغراق نیست اگر بگوییم، و برخی پیش‌بینی می‌کنند، که اولین شرکت یک‌نفره یک میلیارد دلاری احتمالاً به زودی متولد خواهد شد. افراد در حال حاضر روی این موضوع کار می‌کنند.
از شما می‌خواهم که به این سؤال فکر کنید: این تحول چه معنایی برای تخصص شما و سازمان‌هایی که اداره می‌کنید، دارد؟. زیرا این امر پیامدهای بزرگی برای نحوه اداره این سازمان‌ها خواهد داشت. پس، نکته اول این است که اساساً این موضوع نه در مورد هوش، بلکه در مورد نحوه دسترسی به آن است. پیامد این امر این است که افراد بیشتری قادر خواهند بود از کامپیوترها برای اهداف تخصصی استفاده کنند، اما لزوماً به این معنی نیست که همان افراد خواهند بود.
اما من فراتر رفته و می‌گویم که حتی زمانی که قابلیت‌های هوش مصنوعی بسیار کمتر از حد مطلوب هستند و به ارزش پیشنهادی انسانی آسیب می‌رسانند، باز هم دلیلی برای پذیرش آن وجود دارد. چرا این را می‌گویم؟ به عنوان یک استراتژیست، ما به دو طرف معادله فکر می‌کنیم: یک طرف مزایا است که مشتریان حاضرند چقدر بپردازند؛ طرف دیگر هزینه یا زمان است. حتی اگر هیچ بهبودی در هوش وجود نداشته باشد، صرفاً به دلیل صرفه‌جویی در هزینه و زمان، ممکن است مزایای عظیمی در تلاش برای پذیرش این فناوری وجود داشته باشد.
ثانیاً، قراردادهای حقوقی با پیمانکاران مواد غذایی. ما می‌خواهیم در اینجا “انسان در حلقه” را رعایت کنیم. ثالثاً، طراحی محتوای رسانه‌های اجتماعی. وقتی به بالای سمت چپ می‌رویم، این چیزی است که امروز می‌توانیم با هوش مصنوعی مولد بسیار کارآمدتر انجام دهیم. و در نهایت، می‌توانم به شما اطمینان دهم که به این زودی از این برای استخدام اساتید یا اقدامات انضباطی علیه دانشجویان استفاده نخواهیم کرد.
به این موضوع نه تنها برای سازمان خود، بلکه برای خودتان نیز فکر کنید. اگر بخواهم این کار را انجام دهم، پاسخ دادن به ایمیل‌ها. من هر روز تعداد زیادی ایمیل دریافت می‌کنم. اکثر این ایمیل‌ها بسیار استاندارد هستند: “استاد، ساعات اداری شما کی است؟” “برنامه درسی کجا پست شده است؟”. حتی در مواردی که دانشجویان سؤالاتی مانند “استاد، دو پیشنهاد دارم، یکی از مک‌کنزی، یکی از گروه مشاوره بوستون” می‌پرسند، هزینه خطا در پاسخ من چندان بالا نیست؛ شما خوب خواهید بود. یا “من در حال تصمیم‌گیری هستم که به مایکروسافت بروم یا آمازون”؛ شما خوب خواهید بود. البته شوخی می‌کنم؛ می‌توانم به شما اطمینان دهم که به همه آن ایمیل‌ها به صورت جداگانه پاسخ می‌دهم. اما منظور را متوجه می‌شوید.
نگارش یک مطالعه موردی. ما ۹ ماه طول می‌کشد تا این مطالعات موردی معروف دانشکده کسب و کار هاروارد را بنویسیم. رئیس برنامه MBA سال گذشته گفت که می‌خواهد فردا یک مطالعه موردی در مورد بانک سیلیکون ولی تدریس کند. او چه کرد؟ به چت‌جی‌پی‌تی رفت و گفت: “یک مطالعه موردی مانند دانشکده کسب و کار هاروارد با این پنج بخش بنویس: اطلاعات مالی، اطلاعات رقبا، اطلاعات نظارتی”. چت‌جی‌پی‌تی آن را بیرون داد. سپس او گفت: “لطفاً اطلاعات را تغییر دهید، این داده‌ها را در مورد مسائل مالی به من بدهید، در مورد این رقبا صحبت کنید”. او آن را تکرار کرد و هوش مصنوعی اطلاعات را از ابتدا تا انتها بیرون می‌داد. او یک مطالعه موردی کامل را در ۷۱ دقیقه داشت. اگر از پتانسیل اینجا نمی‌ترسید، ما می‌ترسیم.
طوفان فکری برای یک اسلاید برای تدریس. چند اسلاید در این سخنرانی وجود دارد که من چند عکس گرفتم و سعی کردم اندازه آنها را تغییر دهم. طراح پاورپوینت به سادگی پیشنهاداتی را مطرح کرد و گفت: “اینگونه می‌توانید این کار را انجام دهید”. در ۱ ثانیه! ۱۰ تا ۱۵ دقیقه طول نکشید تا سعی کنم این اسلایدها را دوباره طراحی کنم. این یک کاربرد زیبا برای استفاده از این فناوری است. و در نهایت، فکر کردن دقیقاً در مورد نحوه تدریس من در کلاس درس یا مسیر تحقیقاتی‌ام. من به این زودی به آنجا نمی‌روم.
به یک نکته در مورد همه این مثال‌ها توجه کنید. هر یک از آنها در مورد خودکارسازی کارهای روزمره و معمولی است. این در مورد این نیست که بگوییم بیایید به هوش مصنوعی که بهتر و بهتر می‌شود تکیه کنیم. این ستون سمت چپ آن چارچوبی است که من در مورد آن صحبت می‌کردم. بنابراین، این‌ها راه‌هایی هستند که اکنون از هوش مصنوعی در کلاس‌های درس ما استفاده می‌شود.
آنها به عنوان یک آزمایش چه کردند؟ گفتند که برای نیمی از دانشجویان هر هفته، به توتورهای انسانی دسترسی می‌دهند و برای نیم دیگر، به یک ربات هوش مصنوعی دسترسی می‌دهند. و نکته خوب در مورد این آزمایش این بود که آنها هر هفته این را عوض می‌کردند. بنابراین، برخی افراد همیشه به انسان‌ها دسترسی داشتند، برخی افراد در آن هفته به هوش مصنوعی دسترسی داشتند، اما هفته بعد آن را عوض می‌کردند. هر هفته آنها تسلط شما بر محتوا را در آن هفته آزمایش می‌کردند.
و آنچه جالب بود این بود که نمرات دانشجویانی که از ربات‌های هوش مصنوعی استفاده می‌کردند، بالاتر از کسانی بود که با توتورهای انسانی کار می‌کردند. و این‌ها توتورهایی هستند که سال‌هاست مهارت خود را اصلاح کرده‌اند. آنچه حتی شگفت‌انگیزتر بود، تعامل بالاتر بود. البته، این یک آزمایش اولیه است و تنها نکته این است که باید این را جدی بگیریم.
اما این احتمال وجود دارد که دقیقاً برعکس عمل کند: مزایا ممکن است به طور نامتناسبی به کسانی برسد که از قبل دارای تخصص در یک حوزه خاص هستند. چرا این را می‌گویم؟ به یک مثال ساده فکر کنید. وقتی دانش یک موضوع را دارید و شروع به استفاده از هوش مصنوعی مولد یا چت‌جی‌پی‌تی می‌کنید، نحوه تعامل شما با آن، پرسیدن درخواست‌ها، و درخواست‌های بعدی، اساساً استفاده از قضاوت شما برای فیلتر کردن آنچه مفید است و آنچه نیست، است. اگر من چیزی در مورد موضوع نمی‌دانستم، اساساً نمی‌دانم که چه چیزی را نمی‌دانم. بنابراین به نوعی، درخواست‌ها “ورودی آشغال، خروجی آشغال” (garbage in, garbage out) هستند.
چرا؟ این اولین بار نیست که چنین اتفاقی افتاده است. ۱۲ سال پیش، یک انقلاب بزرگ در آموزش آنلاین رخ داد. هاروارد و MIT با هم یک پلتفرم به نام edX ایجاد کردند که در آن دوره‌های آنلاین رایگان را به هر کسی در جهان ارائه می‌دادیم. آنها هنوز هم وجود دارند؛ اگر می‌خواهید یک دوره رایگان از هاروارد بگذرانید و ۱۰۰ دلار برای گواهی‌نامه پرداخت کنید، می‌توانید آن را در تقریباً هر موضوعی در edX دریافت کنید.
نتیجه چه بود؟ edX به ۳۵ میلیون فراگیر رسید، همینطور Coursera و Udacity و پلتفرم‌های دیگر. نکته زیبا این بود که تقریباً ۳۰۰۰ دوره رایگان وجود داشت. چالش این بود که نرخ تکمیل کمتر از ۵٪ بود. چرا؟ اگر به یک سخنرانی خسته‌کننده در کلاس عادت کرده‌اید، سخنرانی خسته‌کننده آنلاین ۱۰ برابر بدتر است. بنابراین، تقریباً هیچ تعاملی وجود ندارد، افراد برای تکمیل زمان زیادی صرف می‌کنند یا ممکن است تکمیل نکنند.
اما آنچه جالب است اینجاست: اکثریت قریب به اتفاق، ۷۵٪ از کسانی که این دوره‌ها را واقعاً تکمیل کردند، از قبل دارای مدرک دانشگاهی بودند. یعنی ثروتمندان تحصیل‌کرده، ثروتمندتر می‌شدند. اکنون به این فکر کنید، این بسیار نگران‌کننده است. چرا؟ زیرا این‌ها افرادی هستند که به کنجکاوی و انگیزه درونی عادت کرده‌اند. آنها به سخنرانی‌های خسته‌کننده عادت کرده‌اند، آنها به دانشگاه رفته‌اند. اما این پیامدهای بزرگی برای نحوه تفکر ما در مورد شکاف دیجیتالی دارد.
به آنچه در مدرسه یاد گرفتیم فکر کنید. سال‌های زیادی پیش را به یاد آورید. ما چیزهای زیادی یاد گرفتیم. صادقانه بگویید، چند نفر از شما از زمان فارغ‌التحصیلی از دبیرستان از اثبات‌های هندسه استفاده کرده‌اید؟ (فقط سه نفر). چرا پایتخت‌های ایالت‌ها و پایتخت‌های جهان هر کشور را یاد گرفتیم؟ زبان‌های خارجی را چرا یاد گرفتیم؟ (Davy در ایتالیایی به معنای “تو باید” است، نه یک الهه).
وقتی به مفاهیم کسب‌وکار در برنامه درسی خود فکر می‌کنیم، اغلب دانشجویانم ۱۰ سال بعد بازمی‌گردند و می‌گویند آن دو سال متحول‌کننده‌ترین سال‌های زندگی من بود. اغلب از آنها می‌پرسم سه مفهوم مهمی که یاد گرفتید چه بود، می‌گویند: “نمی‌دانیم”. می‌گویم: “نه نه، حداقل یکی”؛ می‌گویند: “نه نه، واقعاً نمی‌دانیم”. پس می‌پرسم: “چرا می‌گویید این متحول‌کننده بود؟”.
نکته صرفاً این است که آنها می‌گویند این متحول‌کننده بود، نه به دلیل محتوای خاص، بلکه به دلیل روشی که یاد می‌گرفتیم. ما مجبور بودیم در زمان واقعی تصمیم بگیریم، به دیگران گوش می‌دادیم، ارتباط برقرار می‌کردیم. آنها چه می‌گویند؟ آنها می‌گویند هدف واقعی روش مطالعه موردی، گوش دادن و ارتباطات بود. هدف واقعی اثبات‌ها، درک منطق بود. هدف واقعی حفظ کردن پایتخت‌های ایالت‌ها، تقویت حافظه بود.
آن مثال شعر “اگر” از رادیارد کیپلینگ را به خاطر دارید؟ “اگر بتوانی سرت را حفظ کنی وقتی همه اطرافیانت سرشان را از دست می‌دهند و تو را مقصر می‌دانند…”. من دچار PTSD هستم چون برادرزاده‌ام وقتی این را برای امتحانات کلاس دهمش برای من می‌خواند، گفتم: “داری چه غلطی می‌کنی؟”. اما این اساساً تقویت مهارت‌های حافظه بود و برای زبان‌ها، فقط یادگیری فرهنگ‌ها و نحو بود.
وقتی عمیقاً به آنچه واقعاً تدریس می‌کردیم فکر می‌کنیم، فکر می‌کنم احتمالاً کمی امید بیشتری به ما می‌دهد. زیرا این بدان معناست که مهم نیست که برخی از این چیزها احتمالاً از طریق هوش مصنوعی مولد قابل دسترسی هستند. وقتی ماشین‌حساب‌ها آمدند، فکر می‌کردیم که مهارت‌های ریاضی را از بین خواهند برد. خوشبختانه ۵۰ سال بعد هنوز ریاضیات تدریس می‌کنیم و بسیار خوب است. بنابراین، این چیزی است که فکر می‌کنم یک گفتگوی استراتژیک مهم خواهد بود.
نکته جالب اینجاست که کارشناسان فناوری، آن‌طور که ۱۰ روز پیش در وال استریت ژورنال مطلبی در این باره بود، به فرزندان خود می‌گویند که علوم کامپیوتر را یاد نگیرند. حداقل مهارت برنامه‌نویسی اولیه کامپیوتر از بین رفته است. علوم کامپیوتر پیشرفته، تحلیل داده‌های پیشرفته، اگر می‌خواهید آن را انجام دهید، خوب خواهد بود. اما به فرزندان خود چه می‌گویند که یاد بگیرند؟ آنها به فرزندان خود می‌گویند که رقص تدریس کنند، لوله‌کشی یاد بگیرند، در مورد علوم انسانی بیاموزند. چرا این را می‌گویند؟ تلویحاً می‌گویند که چه مجموعه‌ای از مهارت‌ها در برابر هوش ماشینی مقاوم هستند؟.
من می‌گویم پیش‌بینی این موضوع با توجه به سرعت بهبود فعلی تقریباً غیرممکن است. اما من شاید پاسخ کمی متفاوت داشته باشم. دختر من بدون اینکه من چیزی به او بگویم، در رشته روانشناسی تحصیل می‌کند، پس فکر می‌کنم بچه‌ها اساساً می‌دانند که این به کجا می‌رود.
یک نکته به یاد داشته باشید: شما در کالج در رشته روزنامه‌نگاری شروع کردید. این روشنگر است. من در رشته شیمی شروع کردم و دلیل اینکه به اقتصاد روی آوردم احتمالاً مانند بسیاری از شما بود: یک معلم بود که الهام‌بخش من شد و باعث شد تغییر رشته دهم. من به بچه‌ها می‌گویم: معلمانی را که الهام‌بخش شما هستند، دنبال کنید. و دلیلش این است که اگر بتوانید از یک موضوع الهام بگیرید و به آن علاقه پیدا کنید، این چیزی را می‌سازد که یک مهارت مادام‌العمر خواهد بود: کنجکاوی و انگیزه درونی. در جلسه قبلی در مورد آن صحبت کردیم؛ دیگر بحث یادگیری اپیزودیک نیست، بلکه بحث یادگیری مادام‌العمر است. و من فکر می‌کنم این مهمترین نکته است.
والدین می‌خواهند فرزندان خود را به مهارت‌هایی مجهز کنند که به احتمال زیاد وقتی بزرگ می‌شوند در بازار کار مفید باشند. قبلاً مهندسی و پزشکی بود، سپس چند سال پیش تغییر کرد. اگر به آینده نگاه می‌کنید، فکر می‌کنید کودکان باید چه چیزی یاد بگیرند تا مهارت‌هایی را کسب کنند که سال‌ها بعد در بازار کار مفید باشد؟ من فکر می‌کنم این بسیار ابزاری است. همانطور که گفتم، ۱۰ سال پیش بسیاری از دانشجویانم با من صحبت می‌کردند و می‌پرسیدند در چه رشته‌ای باید تحصیل کنم. من هرگز به آنها علوم کامپیوتر را نگفتم. اگر این را گفته بودم، پشیمان می‌شدم. اما من واقعاً منظورم این است که این نگاه بسیار محدود است. آنچه من می‌گویم این است که به چیزهایی مانند خلاقیت، قضاوت، احساسات انسانی، همدلی، روانشناسی فکر کنید. این‌ها چیزهایی هستند که صرف‌نظر از اینکه کامپیوترها به کجا می‌روند، اساسی و مهم خواهند بود. شما می‌توانید این مهارت‌ها را از طریق موضوعات مختلف به دست آورید. مهم نیست؛ بین این مهارت‌ها و یک موضوع خاص یا حوزه انضباطی، نگاشت یک به یک وجود ندارد.
سؤال خوبی است. دو نکته در این مورد. اول اینکه اخیراً مطالعه جالبی توسط همکاران در MIT انجام شد. آنها گروه‌هایی از دانشجویان داشتند و از آنها خواسته شد تا یک وظیفه خاص را انجام دهند یا در مورد موضوعی یاد بگیرند. به برخی از دانشجویان چت‌بات‌های هوش مصنوعی داده شد، به برخی دیگر فقط جستجوی گوگل بدون هوش مصنوعی. آنها دریافتند که دانشجویانی که به هوش مصنوعی دسترسی داشتند، مطالب را بسیار سریع‌تر یاد گرفتند، اما وقتی زمان اعمال آن در یک آزمون جداگانه که متفاوت از اولی بود، فرا رسید، آنها بسیار سخت‌تر عمل کردند. دانشجویانی که مطالب را از طریق جستجوی گوگل و بدون دسترسی دیگر یاد گرفتند، زمان بیشتری صرف کردند، اما در آن آزمون‌ها بسیار بهتر عمل کردند. چرا؟ بخشی از مشکل این است که یادگیری ساده نیست؛ به تلاش نیاز دارد. و بنابراین، بخشی از مشکل این است که نمی‌توانید آن تلاش را فشرده کنید. هرچه یادگیری چیزی دشوارتر باشد، احتمال بیشتری وجود دارد که آن را برای مدت طولانی‌تری به خاطر بسپارید.
بنابراین، من فکر می‌کنم برای من پیامد بزرگ این است که وقتی به دانشجویانم می‌گویم: “ببینید، همه این فناوری‌ها در دسترس هستند؛ بستگی به نحوه استفاده شما از آنها دارد”. رویکرد اصلی من به آنها صرفاً این است که می‌گویم “درس بخوانید”. زیرا اگر تخصص در یک حوزه خاص (domain expertise) را به دست آورید، قادر خواهید بود از این ابزارها به روشی بسیار قدرتمندتر در آینده استفاده کنید. پس به نوعی، این به مفهوم عاملیت (agency) بازمی‌گردد. ما می‌توانیم با ابزارها و فناوری‌ها تنبل باشیم یا می‌توانیم هوشمند باشیم. این کاملاً به شما بستگی دارد.
من فکر می‌کنم اینجا یک ظرافت وجود دارد. آنچه آنها انجام می‌دهند این نیست که می‌گویند از دستگاه‌ها استفاده نکنید؛ آنها می‌گویند از رسانه‌های اجتماعی استفاده نکنید. و این دوباره به یکی از چیزهایی که قبلاً در مورد آن صحبت می‌کردیم، بازمی‌گردد. ما یک دهه را پشت سر گذاشته‌ایم که چیزهایی مانند اطلاعات نادرست، اطلاعات گمراه‌کننده و غیره وجود داشته‌اند و تا جایی که می‌دانیم امروز هیچ راه‌حل خوبی برای آنها وجود ندارد. همچنین انواع دیگری از عادت‌ها و غیره وجود دارد که قرار است بهبود یابند. بخشی از چیزی که آنها می‌گویند این است که از آنها دوری کنید. آنها نمی‌گویند از کامپیوترها دوری کنید؛ نمی‌توانیم این کار را بکنیم. و در واقع، شما نمی‌خواهید این کار را بکنید. اما در مورد نحوه تعامل ما با ابزارها و کامپیوترها، ظرافتی وجود دارد که باید در نظر داشته باشیم.
آیا می‌بینید که دانشجویان شما بیشتر و بیشتر به دستگاه‌هایشان وسواس پیدا می‌کنند و این چه تأثیری دارد؟ چه کاری برای ترغیب آنها به تعامل بیشتر با یکدیگر و عدم چسبیدن به گوشی‌هایشان انجام می‌دهید؟ سؤال بسیار جالبی است.
سال گذشته، ما کنفرانسی در هاروارد داشتیم و ۴۰۰ نفر از جامعه ما در آن شرکت کردند. برخی از همکاران ما می‌گفتند که باید سیاستی داشته باشیم که لپ‌تاپ‌ها در کلاس ممنوع باشند و دستگاه‌ها را بیرون بگذارند. من بلافاصله بعد از آن برای یک جلسه می‌آمدم، اما بخشی از دلیل اینکه می‌خواستم آنها گوشی‌های موبایل خود را بیرون بیاورند این بود که من دو یا سه نظرسنجی در طول سخنرانی خود داشتم که می‌خواستم نظرات آنها را دریافت کنم. بنابراین گفتم: “گوشی‌های موبایل بیرون!”. و این تا حدی عجیب بود. اما داستان چیز جالبی را نشان می‌دهد: این دستگاه‌ها برای کارهای خاصی می‌توانند واقعاً قدرتمند باشند. آنها می‌توانند یک شیوه یادگیری منفعل را به یک شیوه یادگیری فعال تبدیل کنند که در آن هر فردی مشارکت دارد. ما نمی‌خواهیم این را از بین ببریم. آنچه می‌خواهیم با آن مقابله کنیم، بازی کردن افراد در حین سخنرانی شماست.
به هر حال، من شخصاً این را به عهده خودم می‌گذارم. اگر من به اندازه کافی هیجان‌انگیز یا انرژی‌بخش برای دانشجویانم نباشم که درگیر شوند، گوشی‌های موبایل خود را استفاده کنید، این تقصیر من است.
یکی از چیزهایی که چند سال پیش در درخواست هاروارد برای مقطع کارشناسی معرفی کردیم، سؤالی است که می‌گوید: “آیا تا به حال در بحثی با شخص دیگری نظر خود را تغییر داده‌اید؟” یا چیزی شبیه به آن. اما این اساساً می‌گوید که چقدر ذهن‌باز هستیم. این یک نسخه از همدلی است؛ ابعاد بسیار دیگری نیز وجود دارد.
من فکر می‌کنم بخشی از چالش این است که ما این را در مدارس آموزش نمی‌دهیم. ما این را به صورت رسمی در مدارس آموزش نمی‌دهیم. به همین دلیل است که اکنون موجی از مدارس، نه فقط در کشورهای دیگر، بلکه در هند نیز، شروع به صحبت در مورد نحوه آموزش برنامه درسی دوم، برنامه درسی پنهان، نحوه آموزش مهارت‌های اجتماعی و عاطفی، کتاب زندگی کرده‌اند. و من فکر می‌کنم، گفتن این کار علم موشکی نیست، این از خانه شروع می‌شود. این اساساً همان کاری است که ما هر روز با فرزندانمان انجام می‌دهیم. اما این چیزی است که فکر می‌کنم به طور بنیادی مهم‌تر خواهد شد، بخشی از آن به دلایلی است که من صحبت کردم.
این یک مشاهده بسیار مفید است. اجازه دهید در دو جهت بر آن تأکید کنم. اول اینکه، فکر می‌کنم مفید است که هوش مصنوعی را در یک بستر قرار دهیم. در حال حاضر، ما اغلب شیفته جدیدترین فناوری می‌شویم. وقتی به ارتقاء مهارت‌ها و بازآموزی در آموزش فکر می‌کنیم، انقلابی وجود دارد که یک دهه پیش آغاز شد. همانطور که اشاره کردم، اساساً ۳۰۰۰ دوره از هاروارد امروز برای همه شما در هر موضوعی در دسترس است. بنابراین، مفهوم “بیایید منتظر هوش مصنوعی باشیم”، نه نه نه، آنجا هست. پدرزن ۹۲ ساله من در دوران کرونا گفت: “بهارات، چه کار باید بکنم؟”. گفتم: “ما همه این دوره‌ها را از هاروارد داریم”. در دو یا سه سال گذشته، او ۳۵ دوره را به پایان رسانده است. (شگفت‌انگیز!). در سن ۹۲ سالگی. او ۰ دلار برای آن پرداخت کرده است، زیرا گفت که به گواهی‌نامه نیازی ندارد. و من به او گفتم: “تو دلیل این هستی که ما مشکل مدل کسب و کار داریم!”. اما این یک جنبه است.
جنبه دوم، فکر کردن در مورد جایی است که شما می‌روید. من فکر می‌کنم شما دقیقاً درست می‌گویید سانجی، هر سازمانی میوه‌های کم‌بار خود را خواهد داشت. تنها چیزی که من احتیاط می‌کنم این است که یک پارادوکس دسترسی وجود خواهد داشت. یعنی اگر هر سازمان، هر یک از همکاران شما، به همان فناوری که شما دسترسی دارید، دسترسی داشته باشد، حفظ مزیت رقابتی برای شما سخت‌تر خواهد بود. این یک سؤال اساسی است. این فقط یک مشاهده اساسی است. اما شما در مورد میوه‌های کم‌بار در پزشکی و مراقبت‌های بهداشتی کاملاً درست می‌گویید.
باز هم، به آنچه در دهه گذشته اتفاق افتاده است، بازمی‌گردم. همانطور که گفتم، اکنون می‌توانید با هزینه بسیار ناچیز در مقایسه با هزینه اخذ مدرک، به گواهی‌نامه‌ها و مدارک دسترسی پیدا کنید. فقط برای روشن شدن، ما هر سال ۱۷,۰۰۰ دانشجو داریم که برای اخذ مدرک به هاروارد می‌آیند. آنها پول زیادی می‌پردازند؛ کسانی که نیاز به کمک مالی دارند، کمک مالی دریافت می‌کنند. اما می‌توانید حدس بزنید که در دهه گذشته چند دانشجو را تحت پوشش قرار داده‌ایم؟ ۱۰ برابر؟ ۱۰۰ برابر آن؟ حدود ۱۵ میلیون نفر. این داستانی نیست که ما آن را عمومی کنیم، اما این داستانی است در مورد تعداد دانشجویانی که واقعاً یک دوره هاروارد را گذرانده‌اند یا در آن ثبت‌نام کرده‌اند.
بنابراین، به نوعی، من فکر می‌کنم جایی که امروز هستیم این است که هزینه نهایی ارائه آموزش بسیار بسیار پایین است. آنچه برای آن نیاز داریم، بهبود تدریجی مدل موجود نیست. ما باید اساساً آن را از هم جدا کنیم و بگوییم چگونه می‌توانیم آن را دوباره به گونه‌ای کنار هم قرار دهیم که برای همه منطقی باشد.
سازمانی وجود دارد که ما به تازگی در هاروارد، با همکاری MIT و با وقف از فروش پلتفرم edX، راه‌اندازی کرده‌ایم. تنها وظیفه آن افزایش دسترسی و عدالت در آموزش است. و تمرکز آنها بر ۴۰ میلیون نفر در آمریکا است که کالج را شروع می‌کنند اما هرگز آن را به پایان نمی‌رسانند، نه فقط به دلیل هزینه، بلکه به دلایل بسیار دیگر. به نوعی، پتانسیل کاهش هزینه عظیم است، اما به رهبری و استراتژی نیاز دارد.
قطعاً همینطور است، در این مورد شکی نیست. به هر حال، من در هاروارد مسئول کارگروه هوش مصنوعی مولد برای آموزش و یادگیری هستم و ما ۱۷ نفر از اساتید را داریم. جالب‌ترین گفتگوهایی که من در مورد پذیرش داشته‌ام، با دانشجویانمان بوده است. هنگامی که ما آن رفتار را درک می‌کنیم، چیزهایی را آشکار می‌کند که حتی به آنها فکر هم نکرده بودیم.
یک سؤال از شما می‌پرسم. ما یک «سندباکس» (sandbox) ایجاد کردیم که امن و ایمن بود و به کل جامعه هاروارد دسترسی به مدل‌های زبان بزرگ را می‌داد، در مقابل استفاده از اوپن‌اِی‌آی عمومی. نرخ پذیرش در بین اساتید ما در سال اول حدود ۳۰ تا ۳۵٪ بود. فکر می‌کنید نرخ پذیرش در بین دانشجویان ما چقدر بود؟ حدود ۵٪. بنابراین ما شگفت‌زده شدیم. وقتی به سراغ آنها رفتیم، گفتیم: “چه اتفاقی می‌افتد؟ آیا با سندباکس آشنا هستید؟”. آنها گفتند: “بله، هستیم”. گفتیم: “آیا از آن استفاده می‌کنید؟”. آنها گفتند: “نه”. گفتیم: “آیا به هیچ وجه از هوش مصنوعی استفاده می‌کنید؟”. آنها گفتند: “بله بله، ما به چت‌جی‌پی‌تی دسترسی داریم، حساب‌های خصوصی خودمان را داریم”. بنابراین ما گفتیم: “صبر کنید، چرا از سندباکس امن هاروارد استفاده نمی‌کنید؟”. فکر می‌کنید پاسخ آنها چه بود؟ آنها گفتند: “چرا از چیزی استفاده کنیم که شما می‌توانید ببینید ما چه چیزی را وارد می‌کنیم؟”.
به هر حال، اگر به عنوان اعضای هیئت علمی، سؤال شماره یک ما در مورد هوش مصنوعی مولد این باشد: “آه، ما نگران تقلب و ارزیابی‌ها هستیم”. دانشجویان ما به ما گوش می‌دهند و می‌گویند: “آه، اگر این چیزی است که شما نگرانش هستید، ما به هیچ وجه نزدیک شما نمی‌شویم”. بنابراین، بخشی از نکته این است که دانشجویان از ما در استفاده از این فناوری بسیار جلوتر هستند. آنها از آن برای صرفه‌جویی در زمان استفاده می‌کنند. آنها از آن برای درگیر شدن در یادگیری عمیق استفاده می‌کنند. ما باید خودمان این را درک کنیم تا بفهمیم چه کاری می‌توانیم انجام دهیم.
ریسک‌ها همان چیزهایی هستند که من در پایان صحبت کردم. ۱. اولین ریسک این است که ما به عنوان نهادها سرمان را در برف فرو کنیم و این را جدی نگیریم. ۲. ریسک دوم، یادگیری تنبل (lazy learning) است. که من آن را اینگونه می‌نامم. دوباره، این عاملیت است؛ تا حدی به شما به عنوان دانشجو بستگی دارد که آیا می‌خواهید تنبل باشید یا نه. ۳. ریسک سوم، همه چیزهایی است که در جلسه قبلی در مورد اطلاعات غلط و اطلاعات گمراه‌کننده صحبت می‌کردیم. ۴. چهارمین ریسک بزرگ، پرسیدن سؤال اساسی در مورد نقش ما به عنوان معلمان است.
اجازه دهید در پایان یک حکایت را به اشتراک بگذارم. یکی از همکارانم در مدرسه‌ای دیگر با من تماس گرفت و گفت: “دانشجویان من مطالعه موردی را متوقف کرده‌اند.” “آنها اساساً سؤالات تکالیف را وارد هوش مصنوعی مولد می‌کنند”. “و به هر حال، آنها آنقدر باهوش هستند که می‌گویند: یک پاسخ عجیب و غریب به من بده که بتوانم در کلاس استفاده کنم”. ارزیابی‌ها به خطر افتاده‌اند. و این را بشنوید: اعضای هیئت علمی نیز خواندن مطالعات موردی را متوقف کرده‌اند. “آنها مطالعات موردی را وارد می‌کنند و اساساً می‌گویند: یک برنامه تدریس به من بده”. این جنبه منفی است.
برای استفاده بهینه از هوش مصنوعی در آموزش، باید تمرکز خود را از “خطاهای پیش‌بینی” به “هزینه این خطاها” تغییر دهیم. بسیاری از وظایف روزمره و “پیش‌پاافتاده” در آموزش و فراتر از آن، می‌توانند به طور موثری توسط هوش مصنوعی خودکار شوند و به صرفه‌جویی چشمگیر در زمان و هزینه منجر شوند، حتی اگر هوش مصنوعی کاملاً بی‌عیب نباشد [4، 8]. تجربیات اولیه نشان می‌دهد که حتی توتورهای هوش مصنوعی می‌توانند در بهبود عملکرد و تعامل دانشجویان موثر باشند.
با این حال، باید مراقب باشیم که هوش مصنوعی لزوماً میدان بازی را هموار نمی‌کند. در واقع، شواهد نشان می‌دهد که مزایای آن ممکن است به طور نامتناسبی به کسانی که از قبل دارای دانش و تخصص هستند، برسد و شکاف دانش را تشدید کند. این پدیده، در تجربه پلتفرم‌های آموزش آنلاین مانند edX نیز مشاهده شده است.
در نهایت، مهمترین گفتگوی استراتژیک در عصر هوش مصنوعی، بازتعریف نقش و هدف معلمان و خود آموزش است. به جای تمرکز بر حفظ کردن حقایق یا مهارت‌های ابزاری که ممکن است توسط هوش مصنوعی قابل دسترسی باشند، باید بر توسعه مهارت‌های انسانی پایدار مانند کنجکاوی، انگیزه درونی، خلاقیت، قضاوت، همدلی، تفکر انتقادی، و توانایی برقراری ارتباط و همکاری تأکید کنیم [12، 15]. این مهارت‌ها، صرف‌نظر از پیشرفت‌های تکنولوژیک، برای موفقیت فردی و اجتماعی حیاتی خواهند بود.
ریسک‌هایی مانند نادیده گرفتن هوش مصنوعی توسط نهادها، تشویق یادگیری تنبل، گسترش اطلاعات نادرست، و به خطر افتادن نقش سنتی معلم، نیازمند توجه جدی هستند [18، 19]. آینده آموزش با هوش مصنوعی مولد، نیازمند رهبری هوشمندانه، استراتژی‌‌های نوآورانه و درک عمیق از ماهیت واقعی یادگیری و هدف آموزش است. همانطور که ماشین حساب‌ها مهارت‌های ریاضی را از بین نبردند، هوش مصنوعی نیز نباید ما را از هدف اصلی آموزش دور کند؛ بلکه باید به ابزاری قدرتمند برای رسیدن به آن تبدیل شود.
بدون نظر