دانشگاهها در حال خود‑لوبوتومی هستند
مهارتهایی که دانشآموزان در عصر خودکارسازی نیاز خواهند داشت، دقیقاً همان مهارتهایی هستند که با وارد کردن هوش مصنوعی به فرآیند آموزشی، در حال فرسایشاند.
پس از سه سال تقریباً بیکاری در مواجهه با رشد هوش مصنوعی مولد، دانشگاهها اکنون در تلاشاند کاری بیش از حد انجام دهند. در طول تابستان، دانشگاه ایالتی اوهایو، جایی که من تدریس میکنم، ابتکار جدیدی را اعلام کرد که قول میدهد «آموزش هوش مصنوعی را در هسته هر برنامهدرسی کارشناسی جایگذاری کند، به طوری که دانشجویان نه تنها بتوانند از ابزارهای هوش مصنوعی استفاده کنند، بلکه آنها را درک، سؤال کنند و با آنها نوآوری داشته باشند — بدون توجه به رشته تحصیلیشان». ابتکارات مشابهی نیز در دانشگاههای دیگری مانند دانشگاه فلوریدا و دانشگاه میشیگان به اجرا گذاشته میشود. مدیران بهطور قابلدرک میخواهند فارغالتحصیلان خود را «در برابر آینده» مقاوم سازند در دورهای که بازار کار بهسرعت در حال تحول است. اما چنین سیاستهایی واکنشی شتابزده و ناآگاهانه به این فناوری است. بر پایه شواهد موجود، مهارتهایی که فارغالتحصیلان آینده در عصر هوش مصنوعی بیشترین نیاز به آن دارند — تفکر خلاق، توانایی یادگیری چیزهای جدید، و شیوههای تحلیل انعطافپذیر — دقیقاً همان مهارتهایی هستند که احتمالاً با وارد کردن هوش مصنوعی به فرآیند آموزشی، تخریب میشوند.
پیش از شروع یک تحول کلی، حوزه آموزش عالی باید از خود دو سؤال بپرسد: چه تواناییهایی برای موفقیت دانشجویان در دنیای خودکارسازی لازم است؟ و آیا ادغام هوش مصنوعی در آموزش واقعاً این تواناییها را فراهم میکند؟
مهارتهای لازم برای موفقیت در دنیای هوش مصنوعی ممکن است بهطور مخالف انتظار، دقیقاً همان مهارتهایی باشند که هنرهای آزاد از دیرباز پرورش میدهند. دانشجویان باید بتوانند سؤالاتی به هوش مصنوعی بپرسند، پاسخهای نوشتاری آن را بهصورت انتقادی تحلیل کنند، نقاط ضعف یا نادرستهای احتمالی را شناسایی کنند، و اطلاعات جدید را با دانش موجود ترکیب کنند. خودکارسازی وظایف شناختی روزمره نیز تأکید بیشتری بر تفکر خلاق انسانی میگذارد. دانشجویان باید بتوانند راهحلهای نوآورانهای تصور کنند، ارتباطات غیرمنتظرهای برقرار کنند، و تشخیص دهند که چه زمانی یک مفهوم جدید میتواند مفید باشد. در نهایت، دانشجویان باید درک و تسلط بر مفاهیم جدید را به راحتی داشته باشند. این نیازمند هوش انعطافپذیر، محرک توسط کنجکاوی است. شاید به همین دلیل نرخ بیکاری فارغالتحصیلان اخیر تاریخ هنر، نصف نرخ بیکاری فارغالتحصیلان اخیر علوم کامپیوتر است.
هر یک از این مهارتها نمایانگر ظرفیت شناختی پیچیدهای است که پس از سالها توسعه آموزشی به دست میآید. بهعنوان مثال، رایجترین روش تعامل انسان با یک مدل زبان بزرگ مانند ChatGPT، پرسیدن سؤال از آن است. سؤال خوب چه ویژگی دارد؟ دانستن اینکه چه باید پرسید و چگونه باید پرسید، یکی از تواناییهای کلیدی است که اساتید در دانشجویان خود پرورش میدهند. پرسشکنندگان ماهر تنها از ماشین برای دریافت اطلاعات پایهای و سطح ویکیپدیا استفاده نمیکنند؛ بلکه سؤال خود را به گونهای میچینند که اطلاعاتی به دست آورند که میتواند راهحلی برای یک مشکل ارائه دهد یا درک عمیقتری از یک موضوع ایجاد کند. پرسشکنندگان ماهر بر پایه دانش پیشزمینهای خود از یک حوزه، درکشان از ارتباط بین بخشهای مختلف یک رشته، برای برقراری ارتباطات نوآورانه تکیه میگذارند. فرموله کردن سؤال قدرتمند مستلزم سازماندهی افکار و ارائهی بیانی واضح و صرفهجو است.
بهعنوان مثال، نوروساینسپژوهان کنت برریج و تری رابینسون با پرسیدن سؤال اینکه آیا تفاوتی بین «دوست داشتن» (liking) و «خواستن» (wanting) در مغز وجود دارد، درک ما از اعتیاد را تحول دادند. با نگاه بهپسزمینه، این سؤال ساده بهنظر میرسد. اما بسیاری از پژوهشهای پیشین بر این فرض بود که ما فقط بهدلیل لذتبری از احساسات، چیزها را میخواهیم. برریج و رابینسون با شناخت عمیق از روانشناسی، درک دینامیک دوپامین و آگاهی از مسیرهای مسدود در مطالعات اعتیاد، قضاوت کردند که این سؤال میتواند سودمند باشد. بدون این دانش پیشزمینه، آنها نمیتوانستند این سؤال را همانطور مطرح کنند و ما نمیتوانستیم اعتیاد را بهعنوان بخشی از پاتولوژیِ مدار «خواستن» مغز درک کنیم.
به همین ترتیب نوآوری رخ میدهد. شیمیدان و فیلسوف علم مایکل پولانی استدلال کرد که پیشرفتهای علمی تنها زمانی رخ میدهند که پژوهشگران بهصبر و حوصله مهارتها و دانشهای رشتهٔ خود را تسلط پیدا کنند. «من میبینم که استفاده محتاطانه و هوشمندانه از هوش مصنوعی در کارم کمک میکند، اما این به این دلیل است که من تحصیلاتم را دههها پیش بهپایان رساندهام و از آن زمان بهطور فعال به مطالعه پرداختهام»، گابریل راسمَن جامعهشناس نوشته است. «دانش انباشتهام به من الهام میدهد تا سؤالات پژوهشی جدید و تکنیکهای نوآورانه را مطرح کنم».
آیا یک شکل رادیکال از آموزش ترکیبشده با هوش مصنوعی میتواند این مهارتها را پرورش دهد؟ تعداد فزایندهای از پژوهشها نشان میدهند که اینگونه نیست. بهعنوان مثال، یک تیم پژوهشی در MIT اخیراً شرکتکنندگان را به سه گروه تقسیم کرد و از آنها خواست تا در طی چند ماه تعداد مشخصی مقاله کوتاه بنویسند. گروه اول از ChatGPT برای کمک به نوشتن استفاده کرد، گروه دوم از جستجوی گوگل بهره برد و گروه سوم بدون استفاده از فناوری نوشت. پژوهشگران مقالههای هر گروه را تجزیه و تحلیل کردند و فعالیت مغزی شرکتکنندگان را از طریق EEG ثبت کردند. آنها دریافتند که افرادی که از ChatGPT استفاده کردند، مقالات مبهم و کمدلیل تولید کردند؛ سطح فعالیت مغزی آنها پایینترین بود؛ و با گذشت زمان، تمایل به ترکیب متون از منابع دیگر داشتند. «در حالی که مدلهای زبانی بزرگ راحتی فوری ارائه میدهند، یافتههای ما هزینههای شناختی احتمالی را نشان میدهند»، نویسندگان نتیجهگیری کردند. «در طول چهار ماه، کاربران LLM بهطور مستمر در سطوح عصبی، زبانی و رفتاری عملکرد کمتری نشان دادند». پژوهشهای دیگر نیز همبستگی منفی بین استفاده از هوش مصنوعی و تواناییهای شناختی را نشان دادهاند.
این پژوهشها هنوز در مراحل ابتدایی خود هستند و برخی مطالعات نشان میدهند که هوش مصنوعی میتواند نقش مثبتتری در یادگیری ایفا کند. بهعنوان مثال، مطالعهای منتشر شده در Proceedings of the National Academy of Sciences نشان داد که استفاده ساختارمند از هوش مصنوعی مولد، با تضمینهای امنیتی داخلی، میتواند برخی اثرات منفی همچون آنچه پژوهشگران MIT مشاهده کردند را تا حدی کاهش دهد، بهویژه در زمینه tutoring ریاضی. اما فشار فعلی برای یکپارچهسازی هوش مصنوعی در تمام جنبههای برنامهدرسی بدون توجه کافی به این تضمینها یا تحقیقات کافی دربارهٔ تأثیر هوش مصنوعی بر اکثر حوزههای تحصیلی پیش میرود.
اساتید با بیشترین تجربه در آموزش استفاده از فناوری به دانشجویان بر این باورند که هنوز کسی نمیداند چگونه هوش مصنوعی را در برنامهدرسی بدون بهوجود آوردن پیامدهای آموزشی فاجعهآمیز ادغام کند. در یک مقاله اخیر برای The Chronicle of Higher Education با عنوان «دستکم از تظاهر به دانستن چگونگی تدریس هوش مصنوعی دست بکشید»، جاستین ریخ، مدیر آزمایشگاه سیستمهای آموزشی در MIT، سابقهٔ اقدامات آموزشی شتابزده برای ادغام فناوری جدید را بررسی میکند. او نتیج میگیرد: «این استراتژی بهطور منظم شکست خورده و گاهی بهطور فاجعهآمیز». حتی مایکل بلومبرگ—که به هیچوجه مشکوک به فناوری نیست—اخیراً دربارهٔ تاریخ ناامیدکنندهٔ فناوری در آموزش نوشت: «تمام مزایای ادعاشدهٔ استفاده از لپتاپها در مدارس هیچگاه محقق نشد. برعکس، نمرات دانشآموزان به کمترین سطوح تاریخی سقوط کردهاند، همانطور که آمادگی برای دانشگاه نیز کاهش یافته است».
برای هر کسی که بهدقت مشاهده کرده است دانشآموزان چگونه با هوش مصنوعی تعامل میکنند، نتایج مطالعاتی مانند آزمایش MIT کاملاً منطقی به نظر میرسند. وقتی به یک ماشین اجازه میدهید خلاصهٔ خواندنتان را انجام دهد، ایدههای مقالهتان را تولید کند و سپس آن مقاله را بنویسد، شما بهجای یادگیری خواندن، فکر کردن یا نوشتن، به ماشین واگذار میکنید. تصور داشتن بازاری قوی برای فارغالتحصیلان دانشگاهی که تفکر، تفسیر و ارتباطشان بهوسیلهٔ یک ماشین انجام شده باشد، بسیار دشوار است. چنین فارغالتحصیلانی چه ارزشی میتوانند به هر سازمانی اضافه کنند؟
ما شواهد محکمی نداریم که معرفی هوش مصنوعی در اوایل دورهٔ دانشگاه به دانشجویان کمک میکند مهارتهای تفکر انتقادی و خلاقیتی که برای موفقیت در محیط کاری خودکار نیاز دارند، کسب کنند؛ و برعکس، شواهدی وجود دارد که استفاده از این ابزارها میتواند این مهارتها را از بین ببرد. به همین دلیل، ابتکاراتی مانند آنها در Ohio State و Florida که هوش مصنوعی را در هر بُعدی از برنامهٔ درسی جای میدهند، نادرست هستند. پیش از تکرار اشتباهات کمپینهای پیشین ادغام فناوری در سوادهای دیجیتال، باید بهدقت و منطقی دربارهٔ بهترین راههای آمادهسازی دانشآموزان برای این دنیای نوظهور فکر کنیم.
مسیر مسئولانهٔ دانشگاهها برای آمادهسازی دانشجویان برای آینده، آموزش مهارتهای هوش مصنوعی تنها پس از ایجاد پایهٔ مستحکم از تواناییهای شناختی اساسی و دانش عمیق رشتهای است. دو تا سه سال اول تحصیل دانشگاهی باید دانشجویان را تشویق کند تا ذهن خود را از طریق مقابله با متون پیچیده، یادگیری چگونگی استخراج و سازماندهی افکار در نوشتار واضح، و جذب مفاهیم و روشهای اصلی رشتهٔ منتخبشان تقویت کنند. اینها دقیقاً مهارتهای مورد نیاز در نیروی کار جدید هستند. تنها با صبر و یادگیری عمیق یک رشته، اعتماد بهنفس و توانایی مقابله با حوزههای نوین به دست میآید. بحثهای کلاسی، همراه با ساعتها مطالعهٔ دقیق متون دشوار، به دانشجویان کلید جادویی دنیای هوش مصنوعی را میدهد: پرسیدن سؤال خوب.
پس از بهدستآوردن این پایه، در سال یا دو سال پایانی تحصیل دانشجویان میتوان ابزارهای هوش مصنوعی را در یک سلسلهمراتب درسی که منجر به پروژههای نهایی (capstone) میشود، ادغام کرد. در این مرحله، دانشجویان میتوانند از توانایی هوش مصنوعی برای بهسریع و ارتقای روند پژوهش بهره ببرند. تا آن زمان، دانشجویان (امیدواریم) مهارتهای پایهای لازم برای استفاده—بهجای استفاده شدن—از ابزارهای خودکار را دارا خواهند بود. حتی اگر دانشجویان همچنان بهصورت ناقص آماده شوند و بیش از حد به فناوریای که رشد شناختی آن را مختل کرده تکیه کنند، دانشگاهها مسئولیت آمادهسازی آنها برای آیندهای نامشخص را دارند. و اگرچه مؤسسات آموزش عالی ما نمیتوانند پیشبینی کنند فناوری جدید چگونه تکامل خواهد یافت، اما ما قرنها تجربهٔ تربیت ذهنهای جوان با دانش عمیق و هوش انعطافپذیر برای رشد در دنیای پیوستهٔ تغییرات فناوری داشتهایم.