۸۷٪ از مدرسان علوم کامپیوتر نگران وابستگی دانشجویان به هوش مصنوعی هستند

اگر امروز یک دانشجوی علوم کامپیوتر هستید، احتمالاً متوجه شده‌اید که کد زدن دیگر سخت نیست، اما فهمیدنِ دلیلِ کارکرد آن کد هر از همیشه دشوارتر شده است. این یک توهم مهارت است که اکنون به بزرگ‌ترین کابوس مدرسان دانشگاه تبدیل شده است.

طبق گزارش کارگروه هوش مصنوعی زاینده و ارزیابی برنامه‌نویسی ACM، ۸۷٪ از مدرسان حوزه علوم کامپیوتر، وابستگی شدید دانشجویان به فناوری را دغدغه اصلی خود می‌دانند. این تغییر دیدگاه در زمانی رخ می‌دهد که ابزارهایی مثل ChatGPT و GitHub Copilot اکنون می‌توانند تکالیف استاندارد برنامه‌نویسی مقدماتی را در سطح یک دانشجوی متوسط حل کنند. این توانمندسازی ابزارها، محرک اصلی این است که چرا ۷۲٪ از پاسخ‌دهندگان، تقلب و سرقت ادبی را نیز در صدر نگرانی‌های خود قرار داده‌اند.

این بحران درست زمانی رخ می‌دهد که بازار کار به سرعت در حال پذیرش مدل‌های زبانی بزرگ (LLM) — ابزارهایی شبیه کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — است، اما زیرساخت‌های آموزشی عقب مانده‌اند. با تکیه بر پوشش خبری پیشین ما درباره شکاف فزاینده در نسل Z و تردید آن‌ها نسبت به هیاهوهای هوش مصنوعی، اکنون شاهد شکافی عمیق میان «بهره‌وری ادراک‌شده» در کارهای کمک‌گرفته از AI و «تسلط واقعی» بر منطق زیربنایی هستیم. در واقع، فاصله بین سرعت خروجی و درک عمیق منطق در حال باز شدن است.

جزئیات مطالعه

به نقل از این گزارش، کارگروه متخصص کمیته آموزش انجمن بین‌المللی محاسباتی (ACM)، بین مه ۲۰۲۵ تا اکتبر ۲۰۲۵ از ۷۶۳ مدرس در ۴۹ کشور نظرسنجی کرد. تحلیل نتایج حاصل از ۵۰۰ پرسشنامه کامل نشان می‌دهد ۶۹٪ اساتید معتقدند هوش مصنوعی اساساً مهارت‌های مورد نیاز برای توسعه نرم‌افزار را تغییر داده است.

اگرچه این مطالعه در سطح جهانی انجام شده، اما توزیع داده‌ها به شدت به سمت آمریکای شمالی (۲۲۷ پاسخ‌دهنده) و اروپا (۱۰۶ نفر) متمایل است. در مقابل، میزان نمایندگی در آسیا (۵۷ نفر)، آمریکای جنوبی (۱۰ نفر)، اقیانوسیه (۹ نفر) و آفریقا (۳ نفر) بسیار پایین بوده است. علاوه بر این، ۷۷٪ از کسانی که نوع مؤسسه خود را ذکر کرده‌اند در دانشگاه‌ها tätig‌اند، به این معنا که برنامه‌های آموزشی مدارس (K-12) و مراکز فنی-حرفه‌ای در این آمار کمتر دیده شده‌اند.

چرخش در تاکتیک‌های کلاسی

برای مقابله با تقلب و سقوط نرخ یادگیری و حفظ مطالب در ذهن دانشجویان، ۶۸٪ اساتید روش‌های آزمون خود را تغییر داده‌اند. به طور مشخص، ۶۴٪ از آن‌ها همین حالا شیوه تدریس خود را عوض کرده‌اند. مدرسان در حال حرکت از تکالیف «کدنویسی از صفر» به سمت ارزیابی‌های مبتنی بر درک کد (Code Comprehension)، عیب‌یابی (Debugging) و حل مسئله هستند. این تحولات در کنار تغییر ماهیت تعاملات معلم و دانش‌آموز در پلتفرم‌های تطبیقی، در حال بازتعریف مدل‌های سنتی آموزش است.

برخی مدرسان اکنون ابزارهای هوش مصنوعی را در کلاس به نمایش می‌گذارند تا هم توانایی‌ها و هم محدودیت‌های آن‌ها را به دانشجویان نشان دهند. ۳۹ مورد از پاسخ‌دهندگان صراحتاً ذکر کرده‌اند که مهندسی پرامپت (Prompt Engineering) — هنر سؤال درست پرسیدن، شبیه کسی که می‌داند چطور از یک مشاور باتجربه بهترین جواب را بگیرد — و نحوه استفاده از AI را به عنوان سرفصل‌های رسمی درس تدریس می‌کنند.

استیون گوردون، استاد دانشگاه ایالت اوهایو و نویسنده ارشد گزارش می‌گوید: «کلید این است که فارغ‌التحصیلانی تربیت کنیم که در برنامه‌نویسی компет (شایسته) باشند و همزمان هم توانایی‌ها و هم محدودیت‌های هوش مصنوعی را درک کنند.»

تغییرات مشخص در سیستم‌های ارزیابی شامل موارد زیر است:

• افزایش شدید آزمون‌های حضوری تحت نظارت (۵۶ مورد ذکر شده).
• گسترش استفاده از آزمون‌های شفاهی و جلسات دفاع از کد (۳۶ مورد ذکر شده).
• کاهش ضریب نمرات تکالیف غیرحضوری که نظارت نمی‌شوند (۳۸ مورد ذکر شده).
• بازگشت به آزمون‌های کتبی روی کاغذ (۳۵ مورد) و ارزیابی‌های مبتنی بر پروژه (۳۴ مورد).
• الزام دانشجویان به افشای میزان استفاده از AI و ارسال گزارش‌های تعاملی (Interaction Logs).

حمایت‌های سازمانی همچنان پراکنده و تکه‌تکه است. طبق اعلام اساتید، تنها ۴۵٪ دسترسی به دستورالعمل‌های شفاف در مورد استفاده از AI دارند، در حالی که ۳۹٪ هیچ راهنمایی دریافت نکرده‌اند. سیاست‌ها طیفی از «ممنوعیت کامل» تا «اجازه صریح در صورت مستندسازی استفاده» را شامل می‌شوند. علاوه بر این، ۴۸٪ از مدرسان نبودِ «بهترین روش‌های اثبات‌شده» برای ادغام AI را بزرگ‌ترین مانع می‌دانند. سایر موانع شامل کمبود تخصص در AI (۲۸٪) یا اعتقاد به اینکه ادغام هوش مصنوعی اصلاً ضروری نیست (۲۰٪) است.

برای پر کردن این شکاف، ۷۴٪ مدرسان خواهان آموزش در مورد روش‌های تدریس موثر و ۶۶٪ آن‌ها خواستار کمک برای بازطراحی سیستم‌های ارزیابی هستند. این نیاز به ابزارهای حمایتی، در حالی است که برخی ابزارهای تخصصی AI توانسته‌اند با بهینه‌سازی برنامه‌ریزی درسی، تمرکز معلمان را دوباره به تعاملات مستقیم کلاسی بازگردانند.

پارادوکس یادگیری

داده‌های اخیر نشان می‌دهد استفاده از هوش مصنوعی برای «یادگیری»، اغلب یک توهم شناختی است. مطالعه‌ای از شرکت Anthropic نشان داد توسعه‌دهندگانی که از AI برای یادگیری یک کتابخانه پایتون استفاده کردند، در آزمون‌های دانش بعدی ۱۷٪ نمره کمتری نسبت به گروهی که بدون AI یاد گرفته بودند، گرفتند. زیرمجموعه‌ای از کاربران که کدنویسی را به‌طور کامل به AI سپردند، سریع‌ترین زمان اتمام کار را داشتند اما میانگین نمره آن‌ها در همان آزمون، عدد ناامیدکننده ۳۹٪ بود.

الگوی مشابهی در یک مطالعه طولی در چین روی ۲۶,۰۰۰ دانشجو دیده شد. در حالی که استفاده از AI نمرات تکالیف را ۱۸٪ بالا برد و زمان تکمیل آن‌ها را ۳۰٪ کاهش داد، اما نمرات آزمون‌های کتبی (Closed-book) پس از ۶ ماه ۲۰٪ افت کرد. در آزمون‌های ورودی بعدی نیز، بسته به نوع تست، نمرات ۱۸٪ و ۲۴٪ کاهش یافت. در این راستا، کاهش زمان صرف‌شده برای طراحی درس توسط ابزارهای AI می‌تواند فرصتی را برای اساتید فراهم کند تا بر این افت مهارت‌های بنیادی تمرکز بیشتری کنند.

تحلیل دانشگاه UC Berkeley روی ۵۰۰,۰۰۰ نمره، همین روند را تایید کرد: افزایش شدید نمرات عالی در تکالیف غیرحضوری — به‌ویژه در دوره‌هایی که تمرکز زیادی بر نوشتار و برنامه‌نویسی داشتند — هیچ ترجمه‌ای به رشد واقعی مهارت‌ها نکرد.

برای دانشجو، این یعنی «معلم هوش مصنوعی» در واقع یک عصاست که پوسته توخالی از مهارت می‌سازد. شما ممکن است امروز یک ویژگی (Feature) را سریعاً پیاده کنید، اما فردا وقتی مدل دچار توهم (Hallucination) — یعنی وقتی با اطمینان چیزی می‌گوید که وجود ندارد، شبیه دوستی که خاطره‌ای را اشتباه تعریف می‌کند — شود، توانایی دیباگ کردن آن را نخواهید داشت. اثر مرتبه دوم این روند، خلق نسلی از توسعه‌دهندگانی است که می‌توانند پرامپت بنویسند، اما نمی‌توانند معماری کنند.

مدرسان اکنون باید پارادوکس تدریس AI به عنوان ابزار را حل کنند، بدون اینکه اجازه دهند این ابزار جایگزین «تلاش ذهنی» و تقلاهای شناختی شود که پیش‌نیاز تسلط است. تمرکز از خروجی (کد) به سمت فرآیند (استدلال) تغییر می‌کند.

برای مشاهده نحوه تکامل این وضعیت، منتظر وب‌سایت جدید منابع کارگروه ACM باشید که هدف آن جمع‌آوری نمونه‌های عملی و استانداردسازی بهترین روش‌ها برای ارزیابی‌های ادغام‌شده با AI است.

گام بعدی شما

• اگر مدرس هستید، سهم تکالیف غیرحضوری را کاهش داده و تمرکز را بر «دفاع شفاهی از کد» بگذارید.
• اگر دانشجو هستید، از AI برای تولید کد استفاده نکنید، بلکه از آن بخواهید منطق کد شما را به چالش بکشد.
• وب‌سایت جدید کارگروه ACM را برای دسترسی به الگوهای استاندارد ارزیابی دنبال کنید.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است؛ برای درک اینکه پردازش‌های استدلالی چه فشار سخت‌افزاری می‌آورند، به تحلیل ما درباره تراشه‌های Blackwell مراجعه کنید.