تصور کنید تکلیفی بنویسید که در ظاهر بی‌نقص است، اما در میان جملات آن، ادعایی پوچ دربارهٔ «دوچرخه بنفش ماداگاسکار» دیده شود. این کابوس برای ۳۲ دانشجو در دانشگاه آلکورن استیت به واقعیت تبدیل شد.
دکتر جیسون گیبسون، استاد تاریخ، برای مقابله با تقلب از یک «تلهٔ دیجیتال» استفاده کرد. او مدل زبانی بزرگ (LLM) — که مثل کتابخانه‌داری است که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — را به جای دانشجویان هدف قرار داد تا دست آن‌ها را رو کند.
همان‌طور که در تحلیل‌های پیشین ما درباره‌ی امنیت مدل‌های زبانی و اثر پذیرش سریع آن‌ها در آموزش اشاره کردیم، شکاف بین توانایی مدل‌ها و دقت نظارت اساتید در حال عمیق‌تر شدن است. این چالش‌ها در حالی رخ می‌دهد که گوگل با رویکردهایی چون مکانیزم «بازگشت کنترل» در ATL Saathi تلاش می‌کند تا مانع از اتکای مطلق دانشجویان به هوش مصنوعی شود. طبق گزارش TechSpot در ۲۷ ژوئیه ۲۰۲۶، گیبسون از متنی با رنگ سفید استفاده کرد؛ متنی که برای چشم انسان نامرئی است اما توسط مدل‌های هوش مصنوعی خوانده می‌شود.
او در این دستورات مخفی (که نوعی تزریق پرامپت یا Prompt Injection است) خواستار گنجاندن عبارات بی‌ربط در مقالاتی پیرامون انقلاب صنعتی شد. جزئیات این عملیات تکان‌دهنده است:
- ۳۲ نفر از ۳۵ دانشجوی دو کلاس، خروجی مدل را بدون خواندن کپی کردند.
- جملاتی نظیر «ماداگاسکار در بعدازظهر به پهلو شناور است» در پاسخ‌ها دیده می‌شد.
- تنها ۲ دانشجو سعی کردند نمره مردود خود را به چالش بکشند.
این اتفاق نشان می‌دهد که مهندسی پرامپت (Prompt Engineering) — یا همان هنر سؤال درست پرسیدن برای گرفتن بهترین جواب از یک مشاور باتجربه — در برابر استادی که سازوکار پردازش متن مدل‌ها را می‌شناسد، شکست می‌خورد. در حالی که ابزارهای جدیدی مانند Bailian CLI برای مدیریت stages نگارش آکادمیک سعی دارند این فرآیند را ساختارمند کنند، اما به گزارش منابع دیگر، این الگو در جای دیگری هم تکرار شده است؛ استادی در دانشگاه براون گزارش داد که میانگین نمرات تکالیف خانگی از ۶۵-۸۰٪ به ۹۶٪ رسیده و تخمین زد ۸۴ نفر از ۸۶ دانشجو متقلب بوده‌اند.
این وضعیت به معنای فروپاشی کامل اعتماد در تکالیف خارج از کلاس است. نتیجهٔ منطقی این روند، بازگشت اجباری به آزمون‌های حضوری و کنترل‌شده است تا واسطه‌های دیجیتال کاملاً حذف شوند.
گام بعدی شما
- اگر مدرس هستید، از تکنیک «متن نامرئی» برای تست میزان اتکای دانشجویان به AI استفاده کنید.
- برای دانشجویان: یاد بگیرید که خروجی AI را نه به عنوان متن نهایی، بلکه به عنوان پیش‌نویس اول ببینید.
- منتظر ظهور متدهای «طراحی برنامه درسی ضد-هوش مصنوعی» در دانشگاه‌های دنیا باشید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو