تقلب با هوش مصنوعی نمرات امتحان دانشجویان دانشگاه براون را ۵۰٪ کاهش داد

تصور کنید دانشجویی باهوش‌ترین فرد کلاس باشد، اما به جای یادگیری، تنها یاد بگیرد چگونه بهترین جواب از یک چت‌بات بگیرد. این دقیقا همان اتفاقی است که در یکی از سخت‌ترین دوره‌های اقتصادی دانشگاه براون رخ داد و نتیجه‌اش یک سقوط آزاد در سطح دانش دانشجویان بود.

این وضعیت در ترم بهار ۲۰۲۶ در درس ECON 1170 اتفاق افتاد. در محیط‌های دانشگاهی پرفشار، کلاس‌ها به میدان جنگی میان جاه‌طلبی دانشجویان و کارایی هوش مصنوعی زاینده (Generative AI) — که شبیه دستیاری است که تمام کتاب‌های دنیا را خوانده و حالا هر چه بخواهید را با لحنی متقاعدکننده می‌نویسد — تبدیل شده‌اند. همان‌طور که در تحلیل‌های قبلی ما درباره‌ی اثر مدل‌های زبانی بر آموزش اشاره کردیم، جایگزینی تلاش ذهنی با ابزارهای اتوماسیون، یادگیری واقعی را مختل می‌کند.

پروفسور روبرتو سرانو، استاد نابینای اقتصاد، در دسامبر ۲۰۲۵ پس از یک حادثه تیراندازی در دانشگاه، سیستم ارزیابی خود را تغییر داد. او برای ایجاد انعطاف بیشتر، امتحانات را به صورت «در خانه» (Take-home) برگزار کرد. این تصمیم منجر به موجی از تخلفات شد که در گزارشی درباره تقلب گسترده ۵۰ دانشجو در همین درس به تفصیل بررسی شد. طبق گزارش El País و Inside Higher Ed، نتایج این تغییر از نظر آماری غیرممکن بود:

• تعداد ثبت‌نام در درس از ۳۰ نفر به ۸۶ نفر جهید.
• میانگین نمرات میان‌ترم در ۵ مارس ۲۰۲۶ به ۹۶ از ۱۰۰ رسید.
• ۴۰ دانشجو نمره کامل گرفتند، در حالی که میانگین تاریخی این درس بین ۶۵ تا ۸۰ درصد بود.

سرانو تأکید کرد که این امتحان حتی از نسخه‌های قبلی سخت‌تر بود؛ زیرا فرمت امتحانات باز به اساتید اجازه می‌دهد پیچیدگی سوالات را بالا ببرند. با این حال، وقتی دانشجویان برای امتحان نهایی مجبور شدند بدون کمک ابزارها و به‌صورت حضوری پاسخ دهند، نمرات آن‌ها ۵۰٪ سقوط کرد. این شکاف نشان می‌دهد که توانایی‌های شناختی دانشجویان در واقعیت فروپاشیده است.

این برای شما به این معناست که «افزایش بهره‌وری» با هوش مصنوعی در آموزش، در حال حاضر یک سراب است. وقتی دانشجویان از مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — برای دور زدن سختی‌های یادگیری استفاده می‌کنند، در واقع توانایی تفکر مستقل خود را تخریب می‌کنند. این روند تنها منحصر به یک کلاس نیست، چرا که برون‌سپاری تکالیف به هوش مصنوعی در سطح گسترده‌تر، نمرات امتحانات ورودی را نیز به شدت کاهش داده است.

گام بعدی شما

• اگر مدرس هستید، ارزیابی‌های شفاهی و حضوری را به محور اصلی نمره‌دهی تبدیل کنید.
• اگر دانشجو هستید، از مدل‌های استدلالی برای «درک» مفاهیم استفاده کنید، نه برای «تولید» پاسخ نهایی.
• منتظر بازگشت گسترده دانشگاه‌ها به امتحانات سنتی با کاغذ و قلم (Blue Book) باشید.

اما تأثیر این ابزارها بر استانداردهای پذیرش دانشگاهی حتی پیچیده‌تر است؛ در گزارش بعدی بررسی خواهیم کرد که چگونه مدل‌های هوش مصنوعی در حال بازتعریف مفهوم «استعداد» هستند.