تصور کنید دانشجویی هستید که در محیطی درس می‌خواند که هرگونه استفاده از ابزارهای مدرن را «تقلب» می‌داند، در حالی که رقیب شما در دانشگاهی دیگر یاد می‌گیرد چگونه این ابزارها را برای تحلیل‌های پیچیده به کار بگیرد. این تفاوت در دسترسی، دیگر یک انتخاب آموزشی نیست، بلکه به یک مزیت رقابتی تبدیل شده است.
طبق گزارش پژوهشی که توسط شرپل (Schrepel) انجام شده، ممنوعیت هوش مصنوعی در کلاس‌های درس، نتایج میانگین بدتری را برای دانشجویان رقم زده است تا محیط‌هایی که اجازه استفاده از این ابزارها را می‌دادند. این در حالی است که بسیاری از دانشگاه‌ها معتقدند حذف این ابزارها برای محافظت از مهارت‌های تفکر بنیادی ضروری است.
این پژوهش در زمانی منتشر می‌شود که مؤسسات آموزشی برای ایجاد تعادل بین سلامت آکادمیک و واقعیت‌های هوش مصنوعی زاینده (Generative AI) — شبیه به دستیاری که میلیاردها صفحه متن را خوانده و حالا می‌تواند در هر موضوعی با شما بحث کند — دست‌وپنجه نرم می‌کنند. این چالش‌ها در حالی رخ می‌دهد که جایگاه هوش مصنوعی در محیط‌های دانشگاهی به تدریج پذیرفته‌تر شده است و مدل‌های آموزشی در حال تغییر هستند. برخی مؤسسات این ابزارها را میان‌بری می‌بینند که تفکر انتقادی را از بین می‌برد، اما این مطالعه نشان می‌دهد خطر واقعی، یک «شکاف مهارتی» است که توسط ممنوعیت‌های سازمانی ایجاد می‌شود.
زمینه پژوهش
بر اساس مستندات این مطالعه، آزمایش‌ها در سال ۲۰۲۴ با ۶۶ دانشجو آغاز شد و در سال ۲۰۲۵ با ۱۶۴ شرکت‌کننده تکرار گردید. تمامی دانشجویان مورد ارزیابی قرار گرفتند تا توانایی‌های خود را در دو قالب بسنجند: یک آزمون چندگزینه‌ای و یک امتحان باز (Take-home exam) که در آن باید مفادی از «قانون هوش مصنوعی» (AI Act) را بازبینی و اصلاح می‌کردند.
در بازه زمانی بین سال‌های ۲۰۲۴ و ۲۰۲۵، شرپل سه گروه متمایز از دانشجویان را رصد کرد:
- گروه بدون هوش مصنوعی: این افراد هیچ دسترسی به ChatGPT نداشتند. آن‌ها به شدت دچار «فرسودگی ایده‌ها» شدند و تنها توانستند تغییرات جزئی در کلمات ایجاد کنند، جملات را برای شفافیت بیشتر بازنویسی کنند یا حشوها را حذف نمایند. اکثر زیرگروه‌ها پس از ۱۰ تا ۱۵ دقیقه به بن‌بست رسیدند و ایده‌هایشان تمام شد، هرچند نبود ابزار آن‌ها را مجبور کرد تا بحث‌های داخلی عمیق‌تری داشته باشند.
- گروه بدون هدایت: این گروه پیشنهادهای اصلاحی تولید شده توسط ChatGPT را به صورت مستقیم و جاسازی شده در متن دریافت کردند. آن‌ها اغلب پیشنهادها را بدون هیچ پرسشی پذیرفتند، صرفاً چون «بهتر به نظر می‌رسید». برای مثال، آن‌ها اصطلاحاتی مانند "shall" یا "individual" را بدون درک پیامدهای حقوقی تغییر دادند. در نهایت، هر زیرگروه در این دسته، حداقل یک عبارت گمراه‌کننده یا از نظر حقوقی زائد را در متن نهایی خود نگه داشت.
- گروه آموزش‌دیده: این دانشجویان آموزش‌های عملی در زمینه مهندسی پرامپت (Prompt Engineering) — هنر سؤال درست پرسیدن برای گرفتن بهترین جواب از مدل — و همچنین نحوه بررسی پیشنهادهای هوش مصنوعی از نظر سازگاری و دقت دریافت کردند. آن‌ها وارد گفتگوهای واقعی رفت‌وبرگشتی با مدل شدند، عبارت‌های مختلف را آزمایش کردند و به بررسی سؤالات حقوقی ماهوی پرداختند.
جزئیات عملکرد
در سال ۲۰۲۴، گروه آموزش‌دیده نمرات به‌مراتب بالاتری کسب کردند، به‌ویژه در امتحانات باز و دشوار. اما با رسیدن به سال ۲۰۲۵، شکاف عملکرد بین هر سه گروه تقریباً بسته شد. شرپل این تغییر را به رشد آشنایی عمومی مردم با چت‌بات‌ها در زندگی روزمره نسبت می‌دهد؛ موضوعی که باعث شد مزیت نسبیِ آموزش‌های رسمی در کلاس درس کاهش یابد.
با این حال، علی‌رغم این همگرایی، گروه بدون هوش مصنوعی در هر دو سال تحصیلی، همواره در رده آخر قرار گرفت. این نتیجه مستقیماً با رویکرد مؤسسات برجسته‌ای مثل دانشکده حقوق برکلی (UC Berkeley Law) در تضاد است که برای اطمینان از اینکه دانشجویان ابتدا مهارت‌های تفکر بنیادی را می‌سازند، استفاده از هوش مصنوعی را در تقریباً تمام تکالیف نمره‌دار ممنوع کرده است.
شرپل در نهایت مجبور شد فرض اولیه خود را کنار بگذارد. او پیش‌تر باور داشت هوش مصنوعی تنها در صورت وجود آموزش‌های ساختاریافته مفید است و در غیر این صورت باید از کلاس درس دور بماند. او انتظار داشت خطاهای غیرنقادانه گروه «بدون هدایت» به امتحانات منتقل شود، اما این اتفاق نیفتاد. در واقع، این گروه نمرات کمی بالاتر از گروه بدون ابزار گرفتند. او در گزارش خود می‌نویسد: «من اشتباه می‌کردم» و اشاره می‌کند که دانشجویان وقتی دقتِ خروجی پیامدهای واقعی داشته باشد، از طریق خودِ تجربه یاد می‌گیرند که نقاط ضعف هوش مصنوعی را شناسایی کنند.
داده‌های دیگر نیز رابطه‌ای پیچیده بین هوش مصنوعی و عملکرد تحصیلی را نشان می‌دهند. مطالعه‌ای در دانشگاه برکلی روی ۵۰۰ هزار نمره نشان داد که پس از عرضه ChatGPT، نمرات A در دروس نوشتاری ۱۳ درصد افزایش یافت، هرچند در امتحانات نظارت‌شده (Proctored) چنین جهشی رخ نداد. در مقابل، پژوهشی روی ۲۶ هزار دانش‌آموز در مرکز چین نشان داد در حالی که هوش مصنوعی نمرات تکالیف خانه را بالا برد، اما وقتی جایگزین تفکر مستقل شد، عملکرد در امتحانات تا ۲۴ درصد افت کرد. این نگرانی‌ها درباره فرسایش شناختی، باعث شده تا برخی پیشنهاد دهند شوراهای دانش‌آموزی راهکاری برای جلوگیری از تحلیل ذهنی در مدارس باشند.
برای دانشجوی امروز، اجتناب از هوش مصنوعی دیگر یک انتخاب خنثی نیست، بلکه یک نقطه ضعف رقابتی است. توانایی تشخیص توهم (Hallucination) — وقتی مدل با اطمینان چیزی می‌گوید که وجود ندارد، مثل دوستی که خاطره‌ای را اشتباه تعریف می‌کند — مهارتی است که از طریق «استفاده» آموخته می‌شود، نه «اجتناب».
رهبران دانشگاهی باید از ممنوعیت‌های کلی فاصله بگیرند و در عوض روی سواد هوش مصنوعی برای اساتید سرمایه‌گذاری کنند، چرا که بسیاری از مدرسان احساس می‌کنند ابزار لازم برای این تغییر را ندارند. پایان‌نامه‌های سنتی، به‌ویژه مرور ادبیات (Literature Review) خالص، دیگر معیار معتبری برای سنجش توان پژوهشی نیستند چون هوش مصنوعی اکنون می‌تواند این وظایف را در چند دقیقه انجام دهد. این موضوع باعث شده تا بحث بر سر سنجش تخصص واقعی در برابر استانداردهای حداقلی تولیدشده توسط AI در محیط‌های آموزشی و فنی شدت یابد.
برنامه‌های آموزشی باید به سمت کارهای تجربی و عملیاتی حرکت کنند که در آن ادغام هوشمندانه هوش مصنوعی بخشی از نمره باشد. هدف باید تغییر از «ممنوع کردن ابزار» به «نمره‌دهی به فرآیند استفاده مؤثر» باشد.
باید رصد کرد که مدارس حقوق و برنامه‌های تحصیلات تکمیلی چگونه ساختار پایان‌نامه‌های نهایی خود را تغییر می‌دهند تا شواهد تجربی را بر مرور ادبیات (که توسط هوش مصنوعی قابل تولید است) اولویت دهند.
گام بعدی شما
- اگر دانشجو یا مدرس هستید، به جای حذف ابزار، روی متدهای «ارزیابی خروجی» تمرکز کنید.
- در تکالیف خود، فرآیند رسیدن به جواب (شامل پرامپت‌ها و اصلاحات) را به جای نتیجه نهایی مستند کنید.
- ابزارهای بررسی سرقت ادبی را با ابزارهای تحلیل منطقی جایگزین کنید.
اما تغییر در ساختار ارزیابی‌ها تنها نیمی از داستان است؛ اثر این تحول بر بازار کار فارغ‌التحصیلان را در گزارش بعدی بررسی خواهیم کرد.
گفتگو