هوش مصنوعی در آموزش عالی: تحولات، چالش‌ها و مسیر رو به جلو

هوش مصنوعی در آموزش عالی: تحولات، چالش‌ها و مسیر رو به جلو

چکیده: ظهور و گسترش سریع هوش مصنوعی (AI)، به ویژه مدل‌های زبان بزرگ تولیدی مانند ChatGPT، پیامدهای عمیق و گسترده‌ای برای آموزش عالی در سراسر جهان به همراه داشته است. این فناوری نه تنها نحوه کار و تفکر ما را تغییر می‌دهد، بلکه انتظارات ما را از “سطح متوسط” و فعالیت‌های خلاقانه دگرگون می‌سازد. در حالی که هوش مصنوعی توانایی‌های چشمگیری در حوزه‌های مختلف از جمله پزشکی، حقوق، برنامه‌نویسی و خدمات مشتری نشان داده است [3، 4، 5]، ورود آن به محیط‌های دانشگاهی، تنش‌های کلیدی میان حفظ یکپارچگی آکادمیک و آماده‌سازی دانشجویان برای بازار کاری که به شدت تحت تأثیر هوش مصنوعی قرار گرفته، ایجاد کرده است. این مقاله به بررسی این تحولات، چالش‌های مربوط به تشخیص هوش مصنوعی و یکپارچگی آکادمیک، و راهبردهای موجود برای مؤسسات آموزش عالی می‌پردازد تا بتوانند به طور مؤثر این “چالش بزرگ” را مدیریت کرده و دانشجویان را برای آینده‌ای با هوش مصنوعی آماده سازند.

مقدمه

جهان ما در آستانه یک دگرگونی بی‌سابقه قرار دارد که توسط پیشرفت‌های سریع در هوش مصنوعی (AI) هدایت می‌شود. این تغییرات نه تنها به حوزه فناوری محدود نمی‌شوند، بلکه بر نحوه کار، تفکر، خلاقیت و حتی تعریف ما از “متوسط” تأثیر می‌گذارند. همانطور که «سی. ادوارد واتسون»، سخنران وبینار “پیامدهای هوش مصنوعی بر آموزش عالی” برگزار شده توسط مرکز مطالعات آموزش عالی UC Berkeley، اشاره می‌کند، لحظه «اوه نه» او زمانی فرا رسید که پسرش، کارتر، ChatGPT را در دسامبر 2022 به او معرفی کرد و او بلافاصله پیامدهای آن را برای یکپارچگی آکادمیک و چالش‌های موجود برای شیوه‌های آموزشی سنتی درک کرد.

در گذشته، قبل از ظهور وب جهانی در سال 1991، اطلاعات کمیاب اما قابل اعتماد بودند. با این حال، با گسترش وب جهانی و ظهور وب 2 و رسانه‌های اجتماعی، اطلاعات فراوان شدند، اما اعتمادپذیری آن‌ها کاهش یافت [2، 3]. وب عمدتاً به معنای دسترسی به اطلاعات بود و این فرد بود که تصمیم می‌گرفت با آن اطلاعات چه کند. اما با راه‌اندازی OpenAI، شرکت مادر ChatGPT، هوش مصنوعی از صرفاً ارائه اطلاعات فراتر رفته و به بخشی از فرآیند تفکر و روش کار ما تبدیل شده است.

این تغییر پارادایم، یک چالش اساسی را برای آموزش عالی ایجاد کرده است: چگونه می‌توانیم هم به نتایج یادگیری موجود خود دست یابیم و هم دانشجویان را برای دنیای کاری که به سرعت در حال تغییر است، آماده کنیم؟. این مقاله به تفصیل به بررسی این سوال می‌پردازد و راهبردهایی را ارائه می‌دهد که مؤسسات آموزش عالی می‌توانند برای ادغام هوش مصنوعی به شیوه‌ای مسئولانه و مؤثر اتخاذ کنند.

1. کاربردهای هوش مصنوعی فراتر از محتوای تولیدی

در حالی که بسیاری از تمرکز کنونی بر هوش مصنوعی تولیدی (Generative AI) است، به دلیل تأثیر مستقیم آن بر آموزش عالی، مهم است که بدانیم هوش مصنوعی برای مدت طولانی در اشکال دیگر نیز حضور داشته است. «سی. ادوارد واتسون» مثال‌های متعددی را از کاربردهای فعلی هوش مصنوعی در صنایع مختلف ذکر می‌کند که نشان‌دهنده توانایی آن در بهبود بهره‌وری، دقت و حتی کیفیت خدمات است.

1.1. هوش مصنوعی در حوزه پزشکی

هوش مصنوعی در حال حاضر نقش مهمی در تشخیص بیماری‌ها ایفا می‌کند. به عنوان مثال، در اسکن‌های پزشکی برای یافتن سرطان، هوش مصنوعی اغلب اولین مرحله را انجام می‌دهد و نقاط نگران‌کننده را برای بررسی انسان مشخص می‌کند. این همکاری بین انسان و هوش مصنوعی منجر به تشخیص 20 درصد سرطان بیشتر در مقایسه با مدل‌های سنتی شده است. علاوه بر این، ابزارهای جدید هوش مصنوعی در حال تغییر رابطه پزشک و بیمار هستند. به عنوان مثال، ابزارهایی در حال ظهور هستند که به مکالمات پزشک و بیمار گوش می‌دهند و همزمان یادداشت‌برداری می‌کنند و کدهای بیمه را وارد می‌کنند [3، 4]. این امر به پزشکان اجازه می‌دهد تا بیشتر بر بیمار تمرکز کنند تا بر فناوری، در حالی که هوش مصنوعی کارهای اداری را انجام می‌دهد. نقش پزشک پس از آن، بررسی و تأیید دقت یادداشت‌ها و کدگذاری است.

1.2. هوش مصنوعی در حوزه حقوق

در زمینه حقوق، هوش مصنوعی می‌تواند بسیاری از وظایف وکلای جوان را سریع‌تر و بهتر انجام دهد. یک مثال قابل توجه از دانشگاه راتگرز نشان می‌دهد که هوش مصنوعی در بررسی قراردادها هم در یافتن اشتباهات و هم در شناسایی موارد از قلم افتاده (که وکلا در آن ضعف دارند) بسیار خوب عمل می‌کند. این موضوع منجر به تغییراتی در نحوه انجام قراردادها در راتگرز شده است، به طوری که هوش مصنوعی اکنون قراردادها را بررسی، علامت‌گذاری و متن پیشنهادی ارائه می‌دهد. با این حال، یک چالش اساسی مطرح می‌شود: اگر هوش مصنوعی بتواند وظایف سطح پایین را به خوبی انجام دهد، چگونه وکلای ارشد آینده تربیت خواهند شد، در حالی که تجربه 10 ساله در کارهای سطح پایین معمولاً برای رسیدن به آن جایگاه لازم است؟.

1.3. هوش مصنوعی در خدمات مشتری و برنامه‌نویسی

ربات‌های هوش مصنوعی در حال حاضر در مراکز تماس و پلتفرم‌های آنلاین ظاهر می‌شوند و تحقیقات نشان می‌دهد که استفاده از آن‌ها رضایت مشتری را افزایش داده است. تعداد کمتری از افراد درخواست صحبت با مدیر را دارند، زیرا مشکلاتشان سریع‌تر حل می‌شود و تعداد پرونده‌های حل شده در ساعت نیز افزایش یافته است. در زمینه برنامه‌نویسی، هوش مصنوعی مولد (Generative AI) می‌تواند کد کامپیوتری ایجاد کند و حتی باگ‌ها را رفع کند. یک مطالعه در گوگل نشان داد که رفع باگ‌هایی که توسط هوش مصنوعی ایجاد شده‌اند، با نرخ بالاتری نسبت به رفع باگ‌های کدگذاری شده توسط انسان از فرآیند تضمین کیفیت (QA) عبور می‌کنند.

1.4. هوش مصنوعی و تغییر تعریف “متوسط”

یکی از مهمترین پیامدهای هوش مصنوعی، تغییر انتظارات ما از “متوسط” است. هوش مصنوعی می‌تواند کارهایی را انجام دهد که پیش از این به عنوان عملکرد “متوسط” یا حتی “خوب” انسانی تلقی می‌شد [2، 17]. این امر، به ویژه در آموزش عالی، سوالاتی را در مورد نحوه نمره‌دهی و ارزیابی کار دانشجویان مطرح می‌کند. اگر هوش مصنوعی بتواند یک مقاله متوسط بنویسد، آیا باید برای آن به دانشجویی نمره “C” بدهیم؟. این امر مستلزم بازنگری در معیارهای نمره‌دهی و افزایش سطح انتظارات در تکالیف است.

2. هوش مصنوعی و بازار کار: شکاف مهارت‌ها و مهارت‌های مورد نیاز

حضور هوش مصنوعی در دنیای کار تنها یک پیش‌بینی نیست، بلکه یک واقعیت در حال گسترش است. مطالعات و نظرسنجی‌های اخیر به وضوح نشان می‌دهند که هوش مصنوعی مولد به سرعت در حال ادغام شدن در تمام بخش‌های کسب‌وکار است و پیامدهای مهمی برای استخدام و توسعه مهارت‌ها دارد.

2.1. حضور گسترده هوش مصنوعی در مشاغل

یک مطالعه از دانشگاه استنفورد که “شاخص مشاغل فدرال” را بررسی کرد، نشان داد که 100 درصد مشاغل در این پایگاه داده حداقل یک وظیفه دارند که هوش مصنوعی می‌تواند امروز بهتر از انسان انجام دهد. این نشان‌دهنده فراگیر بودن پتانسیل هوش مصنوعی در دنیای کار است. یک نظرسنجی انجام شده توسط Amazon World Services در اواخر سال گذشته، از کارفرمایان و کارمندان در تمامی بخش‌های کسب‌وکار، دیدگاه‌های جالبی را آشکار کرد:

• انتظارات کارفرمایان: 93 درصد از کارفرمایان (تقریباً همه) اظهار داشتند که انتظار دارند در محل کار از هوش مصنوعی مولد استفاده کنند، اگر در حال حاضر از آن استفاده نمی‌کنند یا قصد استفاده در آینده نزدیک (در پنج سال آینده) را دارند.
• انتظارات کارمندان: 86 درصد از کارمندان نیز اظهار داشتند که انتظار دارند در آینده نزدیک از هوش مصنوعی مولد استفاده کنند، اگر در حال حاضر از آن استفاده نمی‌کنند.

2.2. شکاف مهارت‌ها و نقش آموزش عالی

این نظرسنجی همچنین یک “شکاف مهارت” قابل توجه را شناسایی کرد: کارفرمایان در یافتن کارمندانی با مهارت‌های هوش مصنوعی مورد نیاز امروز با مشکل مواجه هستند. نکته جالب توجه این است که کارفرمایان، آموزش عالی را به عنوان مکانیسم کلیدی در اقتصاد برای حل این شکاف مهارت می‌بینند. این یک فرصت و مسئولیت بزرگ برای مؤسسات آموزشی است. علاوه بر این، کارفرمایان انتظار دارند که افراد دارای مهارت‌های هوش مصنوعی در بازار کار، افزایش حقوق داشته باشند. این به دانشجویان و متخصصان انگیزه می‌دهد تا این مهارت‌ها را کسب کنند.

2.3. مهارت‌های ضروری برای استفاده مؤثر از هوش مصنوعی

هنگامی که از کارفرمایان پرسیده شد که دقیقاً چه مهارت‌هایی برای استفاده مؤثر از هوش مصنوعی لازم است، لیستی از مهارت‌ها ارائه شد که برای آموزش عالی بسیار تأییدکننده و قابل پیش‌بینی است:

• تفکر انتقادی: این مهارت به عنوان مهارت شماره یک مورد انتظار برای استفاده مؤثر از هوش مصنوعی ذکر شده است.
• تفکر خلاق یا طراحی خلاقانه
• اخلاق
• ارتباطات
• نوشتن
• کار گروهی این لیست به شدت با نتایج یادگیری برنامه درسی عمومی (General Education) در اکثر مؤسسات آموزش عالی مطابقت دارد [6، 7]. این نشان می‌دهد که آموزش عالی در موقعیت بسیار خوبی برای آماده‌سازی دانشجویان با این مهارت‌ها، و همچنین استفاده از آن‌ها در چارچوب هوش مصنوعی، قرار دارد.

2.4. سواد هوش مصنوعی (AI Literacy)

بحث‌های زیادی در مورد “سواد هوش مصنوعی” و مدل‌های مختلف آن وجود دارد. به طور کلی، سواد هوش مصنوعی شامل:

• مهارت‌های فنی: درک کلی از چشم‌انداز هوش مصنوعی و اینکه چه زمانی باید از ابزارهای مختلف هوش مصنوعی مولد استفاده کرد.
• مهندسی پرامپت (Prompt Engineering): توانایی طراحی پرامپت‌های مؤثر برای هوش مصنوعی.
• ارزیابی و تجزیه و تحلیل خروجی: توانایی بررسی محصول هوش مصنوعی برای یافتن سوگیری، مسائل اخلاقی، و “توهمات” (اطلاعات نادرست تولید شده توسط هوش مصنوعی). این مرحله شامل تحلیل، ارزیابی و ویرایش بیشتر است. «واتسون» تأکید می‌کند که هوش مصنوعی یک “همکار” جدید است، نه یک جایگزین برای کار انسانی. مسئولیت نهایی برای محصول نهایی همیشه بر عهده کاربر هوش مصنوعی است. بنابراین، هدف این نیست که هوش مصنوعی “برای ما” کار را انجام دهد، بلکه “با ما” همکاری کند.

3. چالش بزرگ آموزش عالی: تعادل بین یکپارچگی و آماده‌سازی برای آینده

همانطور که «سی. ادوارد واتسون» اشاره می‌کند، ورود سریع هوش مصنوعی به آموزش عالی، یک “تنش کلیدی” را برای اکثر برنامه‌های دانشگاهی ایجاد کرده است. این چالش اساسی، به “چالش بزرگ” آموزش عالی در عصر حاضر تبدیل شده است، به ویژه در زمینه آموزش و یادگیری.

3.1. دوگانگی کاذب: ممنوعیت یا ادغام؟

تنش اصلی میان حفظ نتایج یادگیری سنتی و استفاده از هوش مصنوعی به عنوان ابزاری برای دانشجویان است. این وضعیت یک دوگانگی کاذب ایجاد کرده است:

• یک سر طیف: ممنوعیت کامل: این رویکرد تلاش می‌کند هوش مصنوعی را از کلاس درس دور نگه دارد تا شیوه‌های آموزشی فعلی حفظ شوند. اما نظرسنجی‌ها نشان می‌دهند که بسیاری از دانشجویان، حتی اگر ممنوع شود، باز هم از هوش مصنوعی استفاده خواهند کرد. یک نظرسنجی در ژانویه 2023 نشان داد که 89% از دانشجویان ChatGPT را امتحان کرده‌اند، اگرچه نرخ استفاده در نظرسنجی‌های بعدی متفاوت بوده است.
• سر دیگر طیف: ادغام کامل: این رویکرد بر آماده‌سازی دانشجویان برای دنیای کار متمرکز است، که در حال حاضر نیازمند سواد هوش مصنوعی و نتایج یادگیری هوش مصنوعی محور است.

«واتسون» استدلال می‌کند که این یک رویکرد “هم این و هم آن” است – “چگونه می‌توانیم به دستیابی به نتایج یادگیری ادامه دهیم، در حالی که دانشجویان را برای دنیای کاری که در انتظار آن‌هاست آماده می‌کنیم؟”.

3.2. سرعت بی‌سابقه پذیرش

برخلاف ظهور وب جهانی یا دوره‌های آنلاین که دارای یک “قوس طولانی” از پذیرش تدریجی بودند، نوآوری هوش مصنوعی به سرعت و به طور گسترده توسط دانشجویان و در دنیای کار پذیرفته شده است. این بدان معناست که مؤسسات آموزش عالی زمان زیادی برای تغییرات تدریجی ندارند و نیاز به “تغییرات سریع در برنامه درسی و پداگوژی” برای اطمینان از دستیابی دانشجویان به طیف وسیعی از نتایج یادگیری دارند، خواه با حمایت هوش مصنوعی، یا برای توسعه هوش مصنوعی، یا کاملاً بدون هوش مصنوعی.

3.3. چشم‌انداز هوش مصنوعی مولد

شناخت چشم‌انداز هوش مصنوعی مولد مهم است، زیرا این فناوری “یک چیز monolithic” نیست. محصولات مختلفی وجود دارد که به روش‌های متفاوتی عمل می‌کنند:

• Google Gemini (قبلاً Bard)
• Claude (از Anthropic)
• OpenAI ChatGPT: دو نسخه وجود دارد: نسخه رایگان 3.5 و نسخه پولی 4.0. نسخه 3.5 رایگان پس از عرضه 4.0 “ضعیف‌تر” و کندتر شد.
• Microsoft Co-pilot: مایکروسافت سرمایه‌گذاری زیادی در OpenAI کرده است و Co-pilot همان نسخه ChatGPT 4.0 است، اما از طریق مایکروسافت رایگان در دسترس است [9، 10].
• Grok (از Elon Musk’s X): «واتسون» Grok را به عنوان ابزاری با سوگیری زیاد و “عموئی که نمی‌خواهید فرزندانتان زیاد با او باشند” توصیف می‌کند [9، 10]. علاوه بر این مدل‌های بزرگ، ابزارهای دیگری نیز وجود دارند که از “مغز” ChatGPT استفاده می‌کنند، مانند ابزارهایی برای تحقیق، نوشتن، یا تولید کد کامپیوتری. این چشم‌انداز همچنان در حال تکامل است و «واتسون» آن را به “روزهای ناپستر یا ask.com” در اوایل اینترنت تشبیه می‌کند که نشان‌دهنده یک فضای جدید و به سرعت در حال تغییر است.

3.4. چالش‌های آکادمیک و یکپارچگی

تنش بر سر یکپارچگی آکادمیک یکی از اولین واکنش‌ها به هوش مصنوعی مولد بود. بسیاری از اساتید بلافاصله نگران تقلب دانشجویان با استفاده از هوش مصنوعی شدند.

3.4.1. ابزارهای تشخیص هوش مصنوعی: افسانه‌ها و واقعیت‌ها یکی از بحث‌برانگیزترین حوزه‌ها در مورد هوش مصنوعی و کار دانشجویی، ایده “تشخیص هوش مصنوعی” است؛ نوعی “گلوله جادویی” که بتواند مشخص کند آیا یک اثر نوشتاری توسط هوش مصنوعی تولید شده است یا خیر.

• دقت انسان در تشخیص هوش مصنوعی: مطالعات نشان می‌دهد که اساتید تنها 54 درصد اوقات در تشخیص بین نوشته‌های واقعی و نوشته‌های تولید شده توسط هوش مصنوعی، درست عمل می‌کنند.
• آمار Turnitin: Turnitin.com، یکی از بزرگترین ارائه‌دهندگان نرم‌افزار تشخیص سرقت ادبی و هوش مصنوعی، در یک سال بیش از 200 میلیون مقاله را بررسی کرده است. از این تعداد، 22 میلیون مقاله (تقریباً 10 تا 11 درصد) حداقل 20 درصد نوشتار هوش مصنوعی داشتند [12، 13]. این آمار نشان می‌دهد که مشکل تقلب با هوش مصنوعی یک “مشکل 10 درصدی” است، نه اینکه “همه دانشجویان تقلب می‌کنند”.
• میزان مثبت کاذب (False Positive Rate): Turnitin در ابتدا نرخ مثبت کاذب خود را 1% اعلام کرد، اما بعداً آن را به 4% تغییر داد. این تغییر باعث شد دانشگاه‌هایی مانند Vanderbilt، Michigan State و University of Texas قابلیت تشخیص هوش مصنوعی را غیرفعال کنند، زیرا “تلفات جانبی” (دانشجویان بی‌گناه متهم شده) بسیار زیاد بود. با نرخ 4% مثبت کاذب، از 22 میلیون مقاله پرچم‌گذاری شده، تقریباً یک میلیون دانشجو به دروغ به استفاده از هوش مصنوعی متهم شده‌اند. این امر پیامدهای جدی برای سلامت روان دانشجویان و اعتماد عمومی به آموزش عالی دارد.
• ترس دانشجویان: گروه‌های تمرکز نشان داده‌اند که دانشجویان بیشتر نگران “اتهام نادرست” به تقلب با هوش مصنوعی هستند تا اینکه نگران “گرفتار شدن” در تقلب باشند.
• تغییرناپذیری تشخیص‌دهنده‌ها: «واتسون» معتقد است که هوش مصنوعی “در حال حاضر بدترین حالت خود را دارد” و تنها در آینده بهتر خواهد شد، به ویژه در تقلید صدای انسان. این بدان معناست که ابزارهای تشخیص هوش مصنوعی احتمالاً در بهترین حالت خود هستند و با پیشرفت هوش مصنوعی، کمتر مؤثر خواهند بود.
• نابرابری‌ها: ابزارهای تشخیص هوش مصنوعی اغلب در تشخیص کارهای تولید شده توسط نسخه‌های پولی و جدیدتر هوش مصنوعی (که معمولاً دانشجویان مرفه توانایی پرداخت آن‌ها را دارند) کمتر مؤثر هستند. این موضوع نابرابری‌هایی را در فرآیند تشخیص ایجاد می‌کند.
• شفافیت: «واتسون» تأکید می‌کند که اگر اساتید مایل به شفافیت در مورد مشکلات تشخیص هوش مصنوعی (مانند مثبت کاذب و منفی کاذب) در سرفصل درس خود نباشند، نباید از این ابزارها استفاده کنند. پرونده‌های حقوقی علیه مؤسساتی که دانشجویان را به دروغ متهم کرده و باعث از دست دادن بورس تحصیلی آن‌ها شده‌اند، در جریان است.

3.4.2. تعریف مجدد تقلب و پیشرفت

یکی از بزرگترین تناقضات، تفاوت بین آنچه آموزش عالی “تقلب” می‌نامد و آنچه دنیای کسب‌وکار “پیشرفت” می‌خواند، است. «واتسون» داستان دانشجویی را نقل می‌کند که در کلاس نگارش کسب‌وکار استادش، از او خواسته شده بود از ChatGPT استفاده نکند، در حالی که رئیسش در شغل تمام وقتش از او خواسته بود برای صرفه‌جویی در زمان، حتماً از آن برای پیش‌نویس اطلاعیه‌های مطبوعاتی و ایمیل‌ها استفاده کند. این تناقض باعث سردرگمی دانشجو شده بود. این تغییرات در نحوه انجام کار در دنیای واقعی، نیاز به بازتعریف مفاهیمی مانند “سرقت ادبی” و “متوسط” در آموزش عالی را ایجاد می‌کند.

4. راهبردهای آموزش عالی برای آینده هوش مصنوعی محور

برای مواجهه با “چالش بزرگ” هوش مصنوعی، آموزش عالی نیاز به اتخاذ راهبردهای نوآورانه و جامع دارد که هم یکپارچگی آکادمیک را حفظ کند و هم دانشجویان را برای دنیای کار آینده آماده سازد.

4.1. بازتعریف نتایج یادگیری و تکالیف

از آنجا که هوش مصنوعی می‌تواند به راحتی کارهایی را که پیش از این “متوسط” تلقی می‌شدند انجام دهد، نیاز است که “سطح توقعات را در نمره‌دهی و تکالیف بالا ببریم”.

• تمرکز بر مهارت‌های سطح بالاتر: این شامل حرکت به سمت سطوح بالاتر هرم بلوم (Bloom’s Taxonomy) است: تحلیل، ارزیابی و خلق.
  • تحلیل و ارزیابی: دانشجویان باید یاد بگیرند که خروجی هوش مصنوعی را تحلیل و ارزیابی کنند، سوگیری‌ها، خطاها و “توهمات” را شناسایی کنند.
  • خلق و ویرایش: پس از ارزیابی، دانشجویان باید آن سند را ویرایش و بهبود بخشند.
• تکالیف واقع‌بینانه و تجربی: تشویق دانشجویان به انجام کارهایی که دنیای واقعی را شبیه‌سازی می‌کنند یا در واقعیت انجام می‌شوند، مانند پروژه‌های تحقیقاتی دوره کارشناسی یا یادگیری خدماتی (service learning). این‌ها از جمله “شیوه‌های با تأثیر بالا” (High-Impact Practices) هستند که توسط AAC&U فهرست شده‌اند.

4.2. سیاست‌گذاری‌های شفاف در مورد هوش مصنوعی

شفافیت کلید موفقیت در ادغام هوش مصنوعی است.

• سرفصل دروس و تکالیف: هر سرفصل درس باید یک سیاست هوش مصنوعی داشته باشد و هر تکلیف باید به طور خاص به استفاده از هوش مصنوعی بپردازد.
• موارد مجاز و ممنوع: مشخص کنید که چه زمانی استفاده از هوش مصنوعی مجاز یا ممنوع است.
• مستندسازی استفاده از هوش مصنوعی: از دانشجویان بخواهید که پرامپت‌های استفاده شده برای هوش مصنوعی و پاسخ‌های دریافتی را تحویل دهند.
• ارجاع‌دهی به هوش مصنوعی: نحوه اعتباردهی به هوش مصنوعی را مشخص کنید.
• مسئولیت‌پذیری نهایی: تأکید کنید که مسئولیت نهایی برای هر گونه خطا، توهم یا ارجاع نادرست در کار تولید شده (حتی اگر با هوش مصنوعی باشد) بر عهده دانشجو است. این امر حس مسئولیت‌پذیری را در دانشجویان افزایش می‌دهد.

4.3. راهبردهای مداخله کم برای کاهش تقلب

با توجه به اینکه تقلب با هوش مصنوعی یک “مسئله 10 درصدی” است، راهبردهای کم‌مداخله می‌توانند بسیار مؤثر باشند.

• گفتگوهای مثبت درباره یکپارچگی آکادمیک: به جای تمرکز بر “گرفتن تقلب”، با دانشجویان در مورد اهمیت یکپارچگی در زندگی، کار و رشته‌شان صحبت کنید. این امر احتمال تقلب را کاهش می‌دهد.
• انعطاف‌پذیری در تکالیف: از آنجا که دانشجویان اغلب به دلیل “فشار زمانی” یا “عدم دانش کافی” به تقلب روی می‌آورند، ارائه انعطاف‌پذیری می‌تواند کمک کننده باشد. به عنوان مثال، در یک درس با پنج تکلیف نوشتاری، دانشجو می‌تواند برای سه مورد از آن‌ها، 48 ساعت تمدید بدون سوال دریافت کند. این “شیر اطمینان” به دانشجویان اجازه می‌دهد تا به جای تقلب، خودشان کار را انجام دهند، که منجر به یادگیری بیشتر می‌شود.

4.4. چشم‌انداز آینده برای اساتید و مؤسسات

• رقابت پذیری: مؤسساتی که به سرعت هوش مصنوعی را در شیوه‌های آموزشی و همچنین در فرآیندهای تجاری خود (مانند فرآیندهای IRB یا قراردادها) ادغام می‌کنند، در آینده مزیت رقابتی خواهند داشت. این امر به ویژه با نزدیک شدن به “صخره ثبت نام” (Enrollment Cliff) در آموزش عالی، اهمیت زیادی دارد.
• هوش مصنوعی در ارزیابی: شرکت‌های سیستم مدیریت یادگیری (LMS) احتمالاً ابزارهایی را برای نمره‌دهی خودکار کار دانشجویان ارائه خواهند داد. نقش استاد در این زمینه ممکن است به یک “همکاری در نمره‌دهی” تبدیل شود. با این حال، دانشجویان ممکن است ترجیح دهند که کارشان توسط یک متخصص (استاد) نمره‌دهی شود، نه یک ابزار هوش مصنوعی.
• تأثیر بر تفکر انتقادی و خودآگاهی: هوش مصنوعی نیازمند یک “شیوه آموزشی خاص” جدید است. اساتید باید به دانشجویان بیاموزند که پس از تولید پیش‌نویس توسط هوش مصنوعی چه کارهایی را انجام دهند. این شامل خواندن دقیق، برجسته کردن نقاط سوال‌برانگیز، و بررسی ارجاعات تولید شده توسط هوش مصنوعی (که نرخ خطای بالایی در نقل‌قول‌های نادرست یا توهمات دارند) است. اساتید باید این فرآیند را در کلاس درس “ساختمان‌بندی” (scaffold) کنند و به دانشجویان کمک کنند تا خطاها را پیدا و تصحیح کنند.
• شفافیت در استفاده از هوش مصنوعی توسط اساتید: اگر اساتید از هوش مصنوعی برای ایجاد ارزیابی یا نمره‌دهی استفاده می‌کنند، باید در این مورد با دانشجویان خود “شفاف” باشند. اساتید باید دانشجویان را به عنوان “شریک” در تشخیص اینکه چه چیزی کار می‌کند و چه چیزی کار نمی‌کند، در نظر بگیرند. صرفه‌جویی در زمان نمره‌دهی با هوش مصنوعی، باید با اختصاص زمان بیشتر برای ساعات مشاوره (office hours) برای رسیدگی به نگرانی‌های دانشجویان در مورد نمراتشان همراه باشد. اساتید به عنوان “متخصصان محتوا” و “داور” در فرآیند نمره‌دهی باقی می‌مانند.

نتیجه‌گیری

هوش مصنوعی یک نیروی دگرگون‌کننده است که به سرعت در حال تغییر شکل دنیای کار و آموزش است. آموزش عالی با یک چالش بی‌سابقه و فوری مواجه است: چگونه می‌توانیم دانشجویان را با مهارت‌های لازم برای موفقیت در این دنیای جدید مجهز کنیم، در حالی که اصول یکپارچگی آکادمیک و کیفیت آموزشی را حفظ می‌کنیم؟ ممنوعیت هوش مصنوعی یک راه‌حل واقع‌بینانه نیست، زیرا دانشجویان در هر صورت از آن استفاده خواهند کرد و دنیای واقعی آن را به عنوان یک ابزار بهره‌وری تشویق می‌کند.

راه حل در پذیرش هوش مصنوعی به عنوان یک همکار و بازتعریف شیوه‌های آموزشی و نتایج یادگیری نهفته است. این شامل ارتقاء سطح تکالیف به سمت مهارت‌های تفکر سطح بالاتر مانند تحلیل، ارزیابی و خلق، آموزش سواد هوش مصنوعی شامل مهندسی پرامپت و ارزیابی انتقادی خروجی هوش مصنوعی، و تدوین سیاست‌های شفاف و انعطاف‌پذیر در مورد استفاده از هوش مصنوعی است. مؤسساتی که به سرعت و با هوشمندی با این تغییرات سازگار شوند، مزیت رقابتی قابل توجهی در آینده خواهند داشت. این یک فرصت برای آموزش عالی است تا دانشجویان را نه تنها با دانش، بلکه با توانایی‌های لازم برای سازگاری، نوآوری و شکوفایی در عصر هوش مصنوعی آماده کند.