تصور کنید دانشجویی که نمرات تکالیفش عالی است، در جلسه امتحان حتی نمی‌تواند ابتدایی‌ترین مفاهیم درس را توضیح دهد. این همان «توهم یادگیری» است که اکنون در قلب دانشگاه‌های تراز اول جهان رخ می‌دهد.
طبق گزارش ژوئن ۲۰۲۶ مؤسسه MIT، هوش مصنوعی زاینده (Generative AI) — شبیه دستیاری که تمام تکالیف را سریع انجام می‌دهد اما اجازه نمی‌دهد دانش‌آموز فکر کند — در حال تخریب سیستماتیک ستون‌های اجتماعی و فکری تجربه دانشگاهی است. دانشجویان به‌طور فزاینده‌ای در حال حذف تعاملات انسانی هستند؛ نتیجه این روند، کاهش محسوس حضور در ساعات مشاوره (Office Hours)، افت مشارکت در بحث‌های آنلاین و فروپاشی گروه‌های مطالعه سنتی در کتابخانه‌ها و خوابگاه‌هاست.
این تحول در حالی رخ می‌دهد که دانشگاه‌ها برای ایجاد تعادل میان نوآوری و صداقت تحصیلی در تکاپو هستند. برای بسیاری از دانشجویان، سهولت استفاده از یک چت‌بات منجر به یک «تسلیم فکری» خطرناک شده است؛ وضعیتی که در آن ابزار به‌جای آنکه مکمل تفکر سخت باشد، در اولین لحظه مواجهه با دشواری، جایگزین آن می‌شود. این پویایی بازتاب‌دهنده یک روند گسترده‌تر است که در آن هوش مصنوعی به‌جای تقویت فرآیند یادگیری، به‌عنوان جایگزینی برای آن نگریسته می‌شود. این گزارش بر یک اصل راهنما با عنوان «تقویت به‌جای اتوماسیون» تأکید دارد و استدلال می‌کند که هوش مصنوعی باید توانمندی‌های انسانی را گسترش دهد، نه اینکه آن‌ها را جایگزین کند.
فرسایش اعتماد تحصیلی
به نقل از کمیته بررسی MIT، رابطه میان اساتید و دانشجویان در حال گسست است. اساتید گزارش داده‌اند که پلیس‌بازی و نظارت سخت‌گیرانه بر استفاده غیرمجاز از هوش مصنوعی، صمیمیت و رابطه (Rapport) آن‌ها با دانشجویان را تخریب کرده است. این فشار نظارتی در حالی بیشتر می‌شود که برخی گزارش‌ها از استقرار گسترده سیستم‌های نظارتی هوشمند در محیط پرکمپوس MIT خبر داده‌اند که خود بر فضای اعتماد در دانشگاه اثرگذار است. از سوی دیگر، دانشجویان وقتی می‌بینند اساتید برای نمره‌دهی، ارائه بازخوردها یا تهیه اسلایدهای آموزشی از هوش مصنوعی استفاده می‌کنند اما دست دانشجویان را می‌بندند، احساس می‌کنند با یک استاندارد دوگانه روبرو هستند. برای حل این مشکل، کمیته توصیه می‌کند که قوانین شفافیت برای اساتید نیز وضع شود.
یافته‌های کلیدی این گزارش عبارتند از:
- نرم‌افزارهای تشخیص هوش مصنوعی غیرقابل‌اعتماد تشخیص داده شده‌اند و اغلب به‌طور ناعادلانه‌ای دانشجویان غیربومی یا دانشجویان دارای اختلالات عصبی (Neurodivergent) را متهم می‌کنند. کمیته صراحتاً توصیه می‌کند که برای جلوگیری از شروع یک «مسابقه تسلیحاتی» با ابزارهای «انسانی‌ساز هوش مصنوعی» (AI Humanizers) که متن‌های تولید شده را ماسک می‌کنند، از این نرم‌افزارها استفاده نشود.
- مرورگرهای محدودکننده (Lockdown browsers) دارای باگ‌های زیاد توصیف شده‌اند و بیشتر شبیه ابزارهای نظارتی تهاجمی عمل می‌کنند که در حل مشکل اصلی صداقت تحصیلی ناتوان بوده‌اند.
- یک شکاف عملکردی رو به رشد میان دانشجویانی که توان مالی خرید اشتراک‌های پریمیوم OpenAI، Google و Anthropic را دارند — که می‌تواند ماهانه چندین صد دلار هزینه داشته باشد — و کسانی که ندارند، ایجاد شده است.
- با وجود اینکه MIT پلتفرم Parley را با اعتبار ماهانه ۳۰ دلار برای اساتید و دانشجویان تحصیلات تکمیلی فراهم کرده، هزینه مدل‌های تراز اول همچنان برای بسیاری از دانشجویان یک مانع جدی است.
اندازه‌گیری «توهم یادگیری»
این گزارش بر یک گسست بحرانی میان نمرات تکالیف و تسلط واقعی تأکید می‌کند. طبق یک مطالعه در چین روی ۲۶ هزار دانشجو، در حالی که هوش مصنوعی نمرات تکالیف را ۱۸٪ افزایش داد، نمرات امتحانات پس از شش ماه ۲۰٪ افت کرد. این یافته‌ها با نتایج مطالعه OECD همسو است که نشان داد استفاده از هوش مصنوعی با کاهش نمرات علوم دانش‌آموزان ارتباط دارد. به همین ترتیب، در دانشگاه Brown، نمرات میانگین از ۹۶٪ در امتحانات خانگی به ۴۸.۶٪ در آزمون‌های حضوری بعدی سقوط کرد.
داده‌های سال ۲۰۲۴ از دانشگاه Harvard نشان می‌دهد ۸۷.۵٪ دانشجویان از هوش مصنوعی استفاده می‌کنند و نیمی از آن‌ها این کار را هر دو روز یک‌بار انجام می‌دهند. حدود ۲۵٪ از این افراد اعتراف کردند که هوش مصنوعی باعث شده مطالعه متون درسی تعیین‌شده را رها کنند، کمتر از اساتید کمک بگیرند و کمتر به ساعات مشاوره مراجعه کنند. در بریتانیا نیز تا پایان سال ۲۰۲۵، نرخ استفاده در میان دانشجویان تمام‌وقت به ۹۵٪ رسید و دانشجویان ثروتمندتر بیشتر از این ابزارها بهره بردند.
شواهد بیشتری از «برون‌سپاری تفکر» توسط شرکت Anthropic ارائه شده است؛ این شرکت دریافت که دانشجویان در نیمی از گفتگوهای تحلیل‌شده، تحلیل‌های سطح بالا و فرآیندهای خلق محتوا را به مدل Claude سپرده‌اند. همچنین مطالعه‌ای در دانشگاه برکلی روی ۵۰۰ هزار نمره نشان داد که نمرات A در دوره‌هایی که متکی بر نوشتار و کدنویسی هستند، از زمان عرضه ChatGPT حدود ۱۳ درصد افزایش یافته است؛ این افزایش به‌طور خاص در دروسی دیده شد که سهم تکالیف خانگی در نمره نهایی آن‌ها بالا بود.
تهدید علیه مربی‌گری در پژوهش
یکی از خطرناک‌ترین پیامدها در برنامه فرصت‌های پژوهشی مقطع کارشناسی (UROP) دیده می‌شود. برخی اساتید در فکر جایگزینی دستیاران پژوهشگر دانشجویی با عامل‌های هوش مصنوعی (AI Agents) هستند. این نگرانی‌ها در سطح کلان‌تر نیز وجود دارد، چرا که برخی پژوهشگران هشدار داده‌اند خودکارسازی تحقیق و توسعه (R&D) می‌تواند توازن قدرت جهانی را برهم بزند. از آنجا که هدف UROP آموزش دانشجویان است و نه صرفاً تأمین نیروی کار ارزان، این پنل استدلال می‌کند که این تغییر می‌تواند ستونی از تجربه MIT را که ۹۳٪ دانشجویان سال ۲۰۲۵ در آن شرکت داشتند و ۵۸٪ اساتید در آن به‌عنوان مربی فعالیت می‌کردند، از بین ببرد.
چارچوب آموزشی جدید
کمیته پیشنهاد می‌کند به‌جای سیاست‌های کلی و یکپارچه در سطح مؤسسه، هر درس بر اساس اهداف یادگیری خاص خود، قوانین هوش مصنوعی را تعریف کند. این فرآیند باید با تعیین اهداف یادگیری شروع شود، سپس به طراحی ارزیابی‌ها برسد و تنها در مرحله آخر به استفاده مجاز از هوش مصنوعی بپردازد. برای مثال، مرز استفاده از هوش مصنوعی در یک سمینار شعر باید با یک درس اثبات ریاضی کاملاً متفاوت باشد.
تغییرات پیشنهادی در ارزیابی‌ها شامل موارد زیر است:
- افزایش استفاده از امتحانات شفاهی و بحث‌های حضوری.
- اجرای پرتفولیوهای یادگیری در طول ترم و کارهای پروژه‌محور.
- الزام هر درس به ذکر دقیق سیاست هوش مصنوعی در سرفصل دروس (Syllabus) همراه با استدلال‌های شفاف.
- الزام به افشای کامل استفاده از هوش مصنوعی در پایان‌نامه‌ها و رساله‌ها، همراه با ممنوعیت سخت‌گیرانه ذکر هوش مصنوعی به‌عنوان نویسنده همکار.
جالب است که مطالعه‌ای دو ساله در دانشگاه Vrije Amsterdam توسط تیبو شرپل (Thibault Schrepel) نشان داد دانشجویانی که از هوش مصنوعی استفاده کردند — حتی بدون راهنمایی — عملکرد بهتری نسبت به کسانی داشتند که اصلاً از آن استفاده نکردند. این نشان می‌دهد که اگرچه هوش مصنوعی می‌تواند نمرات را متورم کند، اما همچنان یک مزیت پایه نسبت به عدم استفاده از ابزار ایجاد می‌کند، حتی زمانی که دانشجویان پیشنهادات هوش مصنوعی را بدون هیچ پرسشی می‌پذیرند.
این گذار نشان می‌دهد تنها راه حفظ ارزش مدرک دانشگاهی، بازگرداندن «نقطه شکست» به خودِ دانشجوی انسان است. با اولویت دادن به کارهای پروژه‌محور به‌جای تکالیف خانگی، دانشگاه‌ها می‌توانند تضمین کنند که خروجی نهایی بازتاب‌دهنده تلاش شناختی واقعی است.
مربیان و اساتید اکنون باید ارزیابی کنند که آیا معیارهای نمره‌دهی فعلی آن‌ها، «پاسخ نهایی» را پاداش می‌دهند یا «فرآیند رسیدن به آن» را.
گام بعدی شما
- اگر مدرس هستید، معیارهای نمره‌دهی خود را از «پاسخ نهایی» به «فرآیند رسیدن به پاسخ» تغییر دهید.
- برای دانشجویان: سعی کنید هوش مصنوعی را به‌جای تولید پاسخ، برای ایجاد چالش و پرسیدن سؤالات دشوارتر از خودتان به کار ببرید.
- بر روی مهارت‌های ارائه شفاهی و دفاع از استدلال‌ها تمرکز کنید، زیرا این تنها جایی است که توهم یادگیری فرو می‌ریزد.
اما داستان سخت‌افزاری این تحول و نحوه استقرار مدل‌های محلی در دانشگاه‌ها حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو