قبل از اینکه سؤالی از هوش‌مصنوعی بپرسید، ابتدا با تلاش خودتان پاسخ را پیدا کنید

در عصر هوش‌مصنوعی، آموزش نیز دست‌خوش تغییر شده است. ابزارهای هوش‌مصنوعی می‌توانند در کوتاه‌ترین زمان پاسخ پرسش‌های یادگیرندگان را در اختیار آنها بگذارند و همین موضوع این پرسش را مطرح می‌کند که در چنین شرایطی، آموزش چه معنایی دارد؟ شاید به جای ترس از این ابزارها، بهتر باشد مربیان و دانش‌آموزان یاد بگیرند چگونه از هوش‌مصنوعی استفاده کنند، بدون آنکه تفکر انتقادی و توانایی یادگیری مؤثر خود را از دست بدهند.

در همین زمینه، «یی‌ژو فن»، استادیار دانشگاه پکن، در مقاله‌ای به نام «مراقب تنبلی فراشناختی باشید: تأثیر هوش مصنوعی مولد بر انگیزه، فرایند و عملکرد یادگیری» به بررسی تأثیر استفاده از «ChatGPT» بر فرایند یادگیری دانشجویان پرداخته است. او در این پژوهش تلاش کرده است فراتر از کیفیت محصول نهایی، نحوه تعامل دانشجویان با هوش‌مصنوعی و تغییر فرایندهای یادگیری آنها را بررسی کند. در ادامه، نویسنده این مقاله در گفت‌وگو با آگاهتک درباره مفهوم «تنبلی فراشناختی»، تأثیر استفاده از هوش‌مصنوعی بر تفکر انتقادی و اینکه نظام‌های آموزشی چگونه باید خود را با ورود این فناوری به فرایند یادگیری سازگار کنند، به پرسش‌ها پاسخ می‌دهد.

چه چیزی شما را به مطرح کردن مفهوم «تنبلی فراشناختی» ترغیب کرد؟

وقتی هوش‌مصنوعی مولد در اواخر سال ۲۰۲۲ به‌طور گسترده در دسترس قرار گرفت، خیلی زود متوجه شدیم ماهیت سریع و پاسخ‌گوی آن با ابزار‌های آموزشی پیشین تفاوتی اساسی دارد. برخی ابزار‌ها مانند موتور‌های جست‌و‌جو، ابزار‌های نوشتاری یا حتی گفت‌و‌گو با معلمان کاملاً با هوش‌مصنوعی متفاوت هستند. هوش‌مصنوعی به‌صورت شبانه‌روزی در دسترس است و تقریباً می‌تواند به هر پرسشی پاسخ دهد، هرچند گاهی اطلاعات ساختگی ارائه می‌کند. همین موضوع باعث شد از خود بپرسیم: یادگیری با هوش‌مصنوعی مولد چه تفاوتی با یادگیری با ابزار‌های سنتی، معلمان انسانی یا مطالعه مستقل دارد؟

برای بررسی این موضوع، یک آزمایش تصادفی طراحی کردیم که در آن دانشجویان مطالبی را می‌خواندند و یک مقاله کوتاه می‌نوشتند. شرکت‌کنندگان به چهار گروه تقسیم شدند: گروهی که به‌صورت مستقل کار می‌کردند، گروهی که از یک ابزار سنتی تحلیل نوشتار، مشابه Grammarly، استفاده می‌کردند، گروهی که با ChatGPT همکاری می‌کردند و گروهی که به‌صورت آنلاین با یک متخصص انسانی گفت‌و‌گو می‌کردند.

نتیجه بسیار قابل‌توجه بود. گروهی که از هوش‌مصنوعی استفاده می‌کردند، بیشترین پیشرفت را در نمره مقاله‌ها نشان دادند، اما میان گروه‌ها از نظر میزان کسب دانش یا انتقال دانش تفاوت معناداری دیده نشد. به این معنا که دانشجویانی که از ChatGPT استفاده کرده بودند، تکلیف را مؤثرتر انجام دادند، اما در واقع یادگیری عمیق‌تری نداشتند.

وقتی داده‌های رفتاری ثبت‌شده از فعالیت دانشجویان را با جزئیات بیشتری بررسی کردیم، متوجه شدیم گروه هوش‌مصنوعی در یک چرخه گرفتار شده است: آنها دائماً میان تعامل با ChatGPT و نوشتن در رفت‌وآمد بودند و در عین حال، فرایند‌های خودنظارتی و خودارزیابی را تا حد زیادی کنار می‌گذاشتند. ما نام این الگو، یعنی واگذار کردن مسئولیت‌های فراشناختی به هوش‌مصنوعی و دور زدن فرایند‌های تنظیمی خود فرد را «تنبلی فراشناختی» گذاشتیم.

آیا «تنبلی فراشناختی» با برون‌سپاری شناختی ارتباط دارد؟

بله، تنبلی فراشناختی ریشه عمیقی در مفهوم «برون‌سپاری شناختی» دارد. ریسکو و گیلبرت در سال ۲۰۱۶ برون‌سپاری شناختی را استفاده از منابع بیرونی برای کاهش نیاز‌های شناختی درونی تعریف کردند. این فرایند در اصل می‌تواند سازگارانه باشد؛ یعنی یادگیرندگان با سپردن کار‌های شناختی معمول به ابزار‌ها می‌توانند ظرفیت ذهنی خود را برای پردازش‌های عمیق‌تر و معنادارتر آزاد کنند.

با این حال، در تعامل انسان و هوش‌مصنوعی ممکن است پدیده‌ای مشکل‌سازتر شکل بگیرد. وقتی یادگیرندگان (چه دانش‌آموز و چه دانشجو) با هوش‌مصنوعی مولد تعامل دارند، ممکن است فقط کار‌های شناختی مانند تهیه پیش‌نویس، خلاصه‌سازی و جست‌و‌جو را برون‌سپاری نکنند، بلکه فرایند‌های فراشناختی مانند برنامه‌ریزی، نظارت بر روند پیشرفت، ارزیابی کیفیت و سنجش میزان درک خودشان را هم به هوش‌مصنوعی بسپارند. ما این فرایند را «برون‌سپاری فراشناختی» می‌نامیم و زمانی که چنین رفتاری به عادتی بدون تأمل تبدیل شود، خود را به شکل تنبلی فراشناختی نشان می‌دهد.

تفاوت اصلی اینجاست: در برون‌سپاری شناختی سالم، یادگیرنده از فراشناخت خود به‌طور فعال استفاده می‌کند تا تصمیم بگیرد چه چیزی را به ابزار بسپارد و چگونه از ظرفیت ذهنی آزادشده به شکلی مفید استفاده کند. اما در تنبلی فراشناختی، همین کنترل فراشناختی به هوش‌مصنوعی سپرده می‌شود. یادگیرنده دیگر از خود نمی‌پرسد «آیا این مطلب را می‌فهمم؟» یا «آیا این پاسخ درست است؟» و صرفاً چیزی را که هوش‌مصنوعی ارائه می‌دهد می‌پذیرد.

پاسخ‌های روان، مطمئن و فوراً در دسترس هوش‌مصنوعی مولد، دچار شدن به این وضع را آسان‌تر می‌کند، زیرا احساس توانمندی و کامل شدن کار را ایجاد می‌کند، در حالی که این احساس لزوماً نشان‌دهنده یادگیری واقعی نیست.

آیا «تنبلی فراشناختی» تهدیدی برای مهارت تفکر انتقادی دانشجویان است؟

قطعاً. تفکر انتقادی به این وابسته است که یادگیرنده به‌طور فعال بر فرایند استدلال خود نظارت کند. برای مثال، پیش‌فرض‌ها را زیر سؤال ببرد، شواهد را ارزیابی کند، خلأ‌های موجود را تشخیص دهد و نتیجه‌گیری‌های خود را اصلاح کند. همه اینها اساساً فعالیت‌هایی فراشناختی هستند.

وقتی دانشجویان بدون چنین نظارت و کنترلی با هوش‌مصنوعی تعامل می‌کنند، در معرض خطر گرفتار شدن در چیزی قرار می‌گیرند که ما آن را «دام سلاست» یا «Pitfall of fluency» می‌نامیم. پاسخ‌های روان، منظم و مطمئن هوش‌مصنوعی احساس سهولت شناختی ایجاد می‌کنند. دانشجویان صرفاً به این علت که پاسخ روان و منسجم به نظر می‌رسد، احساس می‌کنند درست و کامل است. این نسبت دادن اشتباه، یعنی اشتباه گرفتن سلاست و روان بودن پاسخ با درک واقعی، تهدیدی مستقیم برای تفکر انتقادی است.

در عمل، اگر دانشجویان محتوای تولیدشده با هوش‌مصنوعی را بدون پرسش درباره آن، بدون بررسی در مقایسه با منابع دیگر و بدون تأمل درباره اینکه آیا واقعاً آن را درک کرده‌اند بپذیرند، توانایی تفکر انتقادی آنها به‌تدریج تضعیف می‌شود. در این شرایط، آنها به مصرف‌کنندگان خروجی هوش‌مصنوعی تبدیل می‌شوند، نه متفکرانی مستقل.

در بلندمدت، این وضعیت می‌تواند به چیزی منجر شود که ما آن را «عملکرد خودکار» توصیف می‌کنیم؛ یعنی فرد هنگام انجام کار‌های همراه با هوش‌مصنوعی، از نظر ظاهری عملکرد بالایی دارد، اما وقتی هوش‌مصنوعی در دسترس نباشد، درک او شکننده و سطحی است.

چرا یادگیری خودتنظیم‌شده (SRL) را چارچوب اصلی ارزیابی آثار ChatGPT انتخاب کردید؟ چرا از نظریه‌های دیگر استفاده نکردید؟

یادگیری خودتنظیم‌شده سال‌هاست یکی از محور‌های اصلی پژوهش من است و ارتباط عمیقی با فراشناخت دارد. «زیمرمن» در سال ۲۰۰۰ یادگیری خودتنظیم‌شده را فرایندی توصیف کرد که در آن یادگیرندگان در مسیر دستیابی به اهداف یادگیری، افکار، احساسات و رفتار‌های خود را شکل می‌دهند. این فرایند سه مرحله دارد: پیش‌اندیشی، که شامل تعیین هدف، برنامه‌ریزی و فعال کردن باور‌های انگیزشی است؛ عملکرد، که اجرای تکلیف، خودنظارتی و به‌کارگیری راهبرد‌ها را دربرمی‌گیرد و خوداندیشی، که شامل ارزیابی نتایج و تنظیم رویکرد‌های آینده است.

فراشناخت موتور محرک کل این چرخه است. فراشناخت یعنی توانایی فکر کردن درباره فرایند تفکر خود، نظارت بر اینکه آیا درک فرد در حال شکل‌گیری است یا نه و کنترل فرایند یادگیری بر اساس آن.

نکته مهم این است که تیم پژوهشی ما پیش از این، یک تحلیلگر یادگیری خودتنظیم‌شده مبتنی بر داده‌های ثبت‌شده از فعالیت کاربران طراحی، توسعه و اعتبارسنجی کرده بود. این سامانه، گزارش‌های رفتاری دقیق دانشجویان در پلتفرم آموزشی ما، مانند مشاهده صفحات، جریان کلیک‌ها، حرکات ماوس و کلید‌های فشرده‌شده را ثبت و تفسیر می‌کند و آنها را به فرایند‌های نظری یادگیری خودتنظیم‌شده، مانند جهت‌یابی، برنامه‌ریزی، نظارت، ارزیابی، بسط و سازمان‌دهی، مرتبط می‌سازد.

این زیرساخت به ما اجازه داد از معیار‌های مبتنی بر گزارش شخصی فراتر برویم و ببینیم دانشجویان در زمان واقعی چگونه یادگیری خود را تنظیم می‌کنند. بنابراین، یادگیری خودتنظیم‌شده برای ما فقط یک چارچوب نظری نبود، بلکه چارچوبی قابل‌اندازه‌گیری برای درک تأثیر عوامل مختلف یادگیری، از جمله هوش‌مصنوعی، در اختیارمان قرار می‌داد.

اتکای گسترده به ابزار‌های هوش‌مصنوعی مانند ChatGPT چگونه ممکن است درک جامعه از معنای یادگیری را تغییر دهد؟

امروزه بسیاری از مردم واقعاً این سؤال را مطرح می‌کنند: اگر هوش‌مصنوعی می‌تواند به هر سؤالی پاسخ دهد، اصلاً یادگیری چه فایده‌ای دارد و انسان‌ها چه چیزی را باید یاد بگیرند؟ این سؤال در مرکز پژوهش‌های فعلی ما قرار دارد. ما معتقدیم یادگیری انسانی در آینده باید به سمت دستیابی به «هم‌افزایی انسان و هوش‌مصنوعی» حرکت کند؛ این وضع آینده‌ای را متصور می‌شود که در آن انسان و هوش‌مصنوعی با همکاری یکدیگر بتوانند مسائلی را حل کنند که هیچ‌کدام به‌تنهایی نمی‌توانند به شکل مؤثری از عهده آن برآیند.

این یک چشم‌انداز دور از دسترس نیست و همین حالا نیز نمونه‌هایی از آن را می‌بینیم. برای مثال، در تشخیص بیماری‌های نادر، هوش‌مصنوعی می‌تواند حجم عظیمی از داده‌های پزشکی را پردازش کند و الگو‌های آماری را شناسایی کند، در حالی که پزشکان درک زمینه‌ای، قضاوت اخلاقی و مراقبت همدلانه را به فرایند اضافه می‌کنند. ترکیب این دو توانایی می‌تواند به نتایجی منجر شود که از نتایجی که هر یک از آنها به‌تنهایی می‌توانستند به دست آورند، فراتر است، اما برای تحقق این هم‌افزایی، انسان‌ها باید مهارت‌های ماندگار داشته باشند. مهارت‌های ماندگار به مهارت‌هایی گفته می‌شود که چه در حضور هوش‌مصنوعی و چه در غیبت آن همچنان زنده هستند.

از این منظر، یادگیری فقط به معنای حفظ کردن اطلاعاتی نیست که هوش‌مصنوعی می‌تواند در چند لحظه آنها را پیدا کند و هدف، ایجاد مهارت و توانایی عمیقی است که به انسان کمک می‌کند هوش‌مصنوعی را به‌درستی هدایت و ارزیابی کند و به شکلی مؤثر و معنادار با آن همکاری داشته باشد. اگر اجازه دهیم اتکای منفعلانه به هوش‌مصنوعی این پایه‌ها را تضعیف کند، ممکن است نسلی شکل بگیرد که بتواند با ابزار‌های هوش مصنوعی کار کند، اما توانایی تفکر مستقل نداشته باشد.

چگونه می‌توان تفاوت میان اتکای مفید به هوش‌مصنوعی و اتکای بیش از حد و آسیب‌زایی که به تنبلی فراشناختی منجر می‌شود، نشان داد؟

این پرسشی است که با هر تحول بزرگ فناوری مطرح می‌شود و ارزش دارد به یک مثال آشنا فکر کنیم. زمانی که مسیریابی با GPS فراگیر شد، مردم می‌پرسیدند: آیا باید صرفاً به نقشه‌های دیجیتال تکیه کنیم و دیگر مسیر‌ها را به خاطر نسپاریم؟

برای گردشگری که از شهری جدید بازدید می‌کند، اتکا به GPS کاملاً منطقی است. GPS کمک می‌کند فرد بدون تحمل بار شناختی غیرضروری و با کارایی بیشتر به مقصد برسد، اما برای راننده تاکسی که هر روز در همان شهر کار می‌کند، حفظ کردن مسیر‌های اصلی و شناخت شبکه ترافیکی یک مزیت حرفه‌ای واقعی است. وقتی خیابان‌ها شلوغ می‌شوند، این دانش درونی به او اجازه می‌دهد فوراً مسیر دیگری انتخاب کند، بدون اینکه منتظر بماند یک ابزار بیرونی خود را با شرایط جدید هماهنگ کند. همین منطق درباره هوش‌مصنوعی در یادگیری هم صدق می‌کند. سؤال اساسی این است: هدف نهایی یادگیرنده چیست؟

اگر دانشجویی صرفاً برای انجام دادن یک تکلیف از هوش‌مصنوعی استفاده کند، بدون اینکه بخواهد آن موضوع را بفهمد، درونی کند یا شایستگی قابل‌انتقالی در خود ایجاد کند، این اتکا آسیب‌زاست. چنین استفاده‌ای ممکن است در کوتاه‌مدت عملکرد فرد را بهتر کند، اما هم‌زمان مهارت‌ها و دانشی را که در بلندمدت اهمیت دارند، به‌تدریج و نامحسوس تضعیف کند.

در مقابل، استفاده مفید از هوش‌مصنوعی هدفمند و همراه با فعالیت فراشناختی است. یادگیرنده از هوش‌مصنوعی برای کاهش بار شناختی غیرضروری، مانند قالب‌بندی، جست‌و‌جو یا تهیه پیش‌نویس، استفاده می‌کند، اما همچنان مسئولیت درک، ارزیابی و قضاوت را بر عهده دارد. نشانه اصلی این است که آیا یادگیرنده همچنان خودِ شکل‌دهنده و صاحب تفکر خویش است یا اینکه بی‌سروصدا این نقش را به ماشین سپرده است.

آیا فکر می‌کنید نظام‌های آموزشی باید در عصر هوش‌مصنوعی شیوه ارزیابی یادگیری را تغییر دهند؟

بله و این تغییر هم ضروری است و هم مدت‌هاست به تأخیر افتاده است. بسیاری از شیوه‌های فعلی ارزیابی همچنان بر ارزیابی پایانی متمرکز هستند؛ مانند مقاله نهایی، امتحان بدون کتاب و یک عملکرد در یک مقطع زمانی مشخص.

امروزه تهیه مقاله‌های نهایی با کمک هوش‌مصنوعی به‌راحتی امکان‌پذیر است. از سوی دیگر، امتحان‌های بدون کتاب نیز اغلب به دلیل مصنوعی بودن، جدا شدن از زمینه واقعی و فاصله داشتن با مهارت‌هایی که دانشجویان در زندگی و حرفه آینده خود واقعاً به آنها نیاز خواهند داشت، مورد انتقاد قرار می‌گیرند.

ارزیابی در عصر هوش‌مصنوعی باید به سمت ارزیابی فرایندمحور حرکت کند. این یعنی باید بررسی کنیم دانشجویان در طول زمان چگونه پیشرفت می‌کنند، رشد تدریجی آنها را دنبال کنیم و در مواردی که هوش‌مصنوعی وارد فرایند یادگیری می‌شود، بررسی کنیم که آنها چگونه با بازخورد تولیدشده با هوش‌مصنوعی تعامل می‌کنند و به آن پاسخ می‌دهند. آیا دانشجویان هدایت‌کننده فعال فرایند یادگیری خود هستند یا دریافت‌کنندگان منفعل خروجی هوش‌مصنوعی؟ این تمایز اساساً ماهیتی فراشناختی دارد و باید در شیوه ارزیابی ما نیز بازتاب پیدا کند.

در عین حال، ارزیابی باید بیش از پیش به سراغ تکالیف اصیل برود؛ چالش‌هایی که مشکلات واقعی دنیایی را که دانشجویان در آینده حرفه‌ای خود با آنها روبه‌رو خواهند شد، شبیه‌سازی می‌کنند. این می‌تواند به معنای ارزیابی توانایی دانشجو در حل مستقل یک مسئله واقعی و پیچیده یا سنجش توانایی او برای همکاری مؤثر و معنادار با هوش‌مصنوعی باشد.

نکته مهم این است که هدف اصلاح نظام ارزیابی نباید «مقابله با» هوش‌مصنوعی یا پیدا کردن دانشجویانی باشد که تقلب کرده‌اند. هدف باید بازتعریف معنای یک ارزیابی معتبر در جهانی باشد که هوش‌مصنوعی به بخشی دائمی از آن تبدیل شده است؛ یعنی طراحی ارزیابی‌هایی که اعتبارشان چه هوش‌مصنوعی حضور داشته باشد و چه نداشته باشد، حفظ شود و واقعاً همان شایستگی‌های انسانی پایدار را بسنجند که بیشترین اهمیت را برای ما دارند.

پژوهش شما چه محدودیت‌هایی داشت؟

پژوهش ما چند محدودیت مهم داشت که باید به آنها اشاره کرد. مهم‌ترین محدودیت این بود که آزمایش بر یک تکلیف واحد و یک‌باره شامل خواندن و نوشتن که در محیط کنترل‌شده آزمایشگاه و طی چند ساعت انجام شد مبتنی بود. بنابراین، نمی‌توانیم درباره اینکه آثار یادگیری همراه با هوش‌مصنوعی در طول زمان چگونه شکل می‌گیرند نتیجه‌گیری کنیم. همچنین نمی‌توانیم بگوییم الگو‌هایی که مشاهده کردیم، مانند تنبلی فراشناختی، در صورت مواجهه مکرر با هوش‌مصنوعی ادامه پیدا می‌کنند، شدت می‌گیرند یا کاهش می‌یابند.

نوع تکلیف نیز نسبتاً محدود بود و فقط بر نوشتن دانشگاهی به زبان انگلیسی، در شرایطی که انگلیسی زبان دوم دانشجویان بود، تمرکز داشت. هنوز مشخص نیست که آیا پویایی‌های مشابه در حوزه‌های دیگری مانند ریاضیات، برنامه‌نویسی، علوم یا فعالیت‌های خلاقانه نیز شکل می‌گیرند یا خیر. همچنین مشخص نیست که آیا همین الگو‌ها در محیط‌های طبیعی‌تر کلاس درس دیده خواهند شد یا نه.

در نهایت، ما نبود معیار‌های تثبیت‌شده برای سنجش خودِ تنبلی فراشناختی را نیز می‌پذیریم. در این مطالعه، ما این پدیده را از روی داده‌های رفتاری ثبت‌شده و فرایندکاوی استنباط کردیم؛ روشی ارزشمند، اما غیرمستقیم. پژوهش‌های آینده باید ابزار‌های دقیق‌تر و اعتبارسنجی‌شده‌ای ایجاد کنند تا بتوان مستقیماً بررسی کرد یادگیرندگان چه زمانی و چگونه مسئولیت‌های فراشناختی خود را به هوش‌مصنوعی واگذار می‌کنند و این فرایند چه پیامد‌هایی برای یادگیری و رشد مهارت‌ها در بلندمدت دارد.

به‌عنوان نویسنده این مقاله، چه توصیه‌ای برای یادگیرندگان و مربیان دارید تا بتوانند از ابزار‌های هوش‌مصنوعی به شکل مؤثر استفاده کنند؟

برای یادگیرندگان، مهم‌ترین توصیه من این است: پیش از آنکه چیزی از هوش‌مصنوعی بپرسید، ابتدا خودتان سعی کنید پاسخ را پیدا کنید. می‌دانم این کار به تلاش نیاز دارد و دقیقاً نکته پراهمیت همین است. اگر پیش از درگیر کردن فرایند تفکر خودتان سراغ هوش‌مصنوعی بروید، این خطر وجود دارد که هوش‌مصنوعی شما را هدایت کند، نه اینکه خودتان هدایت‌کننده فرایند باشید.

ممکن است در نهایت به پاسخی روان و منظم برسید که رضایت‌بخش به نظر می‌رسد، اما هیچ اثری در درک شخصی شما باقی نمی‌گذارد. حتی یک تلاش کوتاه و مستقل، مانند ترسیم ایده‌های خود، مشخص کردن چیز‌هایی که می‌دانید و نمی‌دانید یا شکل دادن به یک قضاوت اولیه، پایه شناختی لازم را ایجاد می‌کند تا کمک هوش‌مصنوعی واقعاً مفید باشد، نه اینکه صرفاً انجام کار را آسان‌تر کند.

برای مربیان، اولویت باید طراحی محیط‌های یادگیری باشد که در آنها درگیری فراشناختی به‌صورت ساختاری ضروری باشد، نه اختیاری. این کار یعنی نقاط مشخصی در فرایند یادگیری ایجاد شود که دانشجویان را ملزم کند پیش از طرح درخواست از هوش‌مصنوعی برنامه‌ریزی کنند، خروجی‌های هو‌ش‌مصنوعی را به‌صورت انتقادی بررسی کنند و پس از انجام کار با کمک هوش‌مصنوعی، درک خود را به‌صورت مستقل نشان دهند.

هدف، ممنوع کردن هوش مصنوعی نیست؛ هدف این است که اطمینان پیدا کنیم استفاده از هوش‌مصنوعی همیشه با همان پردازش فعال و تأملی همراه باشد که به یادگیری ماندگار منجر می‌شود. چارچوب‌های آموزشی باید هدفمند و متناسب با شرایط باشند و با افزایش توانایی دانشجویان در تنظیم یادگیری خود، به‌تدریج کنار گذاشته شوند.

انتهای خبر/270224/