به گزارش ایرتانیوز، پاسخ علم تا امروز نه یک «بله» قطعی است و نه یک «خیر» ساده. شواهد نشان می‌دهد هوش مصنوعی می‌تواند یادگیری را تقویت کند، اما زمانی که به جای همراهی با فرایند فکر کردن، جای آن را بگیرد، ممکن است نتیجه‌ای متناقض ایجاد شود؛ کاربر در حضور AI عملکرد بهتری داشته باشد، اما پس از کنار رفتن ابزار، کمتر از چیزی که تصور می‌کرد آموخته باشد.
یکی از پژوهش‌هایی که این نگرانی را جدی‌تر کرده، آزمایشی تصادفی روی ۱۲۰ دانشجوی کارشناسی در برزیل است. در این مطالعه، گروهی برای یادگیری مفاهیم مرتبط با هوش مصنوعی اجازه استفاده آزاد از ChatGPT داشتند و گروه دیگر با منابع متعارف و بدون استفاده از هوش مصنوعی مولد مطالعه کردند. تفاوت اصلی زمانی آشکار شد که پژوهشگران ۴۵ روز بعد، بدون اعلام قبلی، میزان ماندگاری آموخته‌ها را سنجیدند.
از ۱۲۰ شرکت‌کننده اولیه، ۸۵ نفر در آزمون پیگیری شرکت کردند. میانگین پاسخ صحیح افرادی که هنگام یادگیری از ChatGPT استفاده کرده بودند ۵۷.۵ درصد بود، در حالی که گروه بدون هوش مصنوعی به میانگین ۶۸.۵ درصد رسید. اختلاف حدود ۱۱ واحد درصدی میان دو گروه از نظر آماری معنادار گزارش شد و اندازه اثر نیز در محدوده متوسط رو به بالا قرار گرفت.
نکته قابل توجه دیگر، زمان صرف‌شده برای یادگیری بود. گروه ChatGPT به‌طور متوسط حدود ۳.۲ ساعت برای آماده شدن زمان صرف کرده بود، در حالی که گروه سنتی حدود ۵.۸ ساعت مطالعه کرده بود. هوش مصنوعی بنابراین کار را سریع‌تر کرده بود؛ اما سرعت بیشتر الزاماً به ماندگاری بیشتر اطلاعات منجر نشد. حتی با در نظر گرفتن تفاوت زمان مطالعه، برتری گروه سنتی در آزمون ۴۵ روز بعد همچنان باقی ماند.
این نتیجه نقطه مرکزی بحث درباره تأثیر هوش مصنوعی بر یادگیری را روشن میکند: میان «بهتر انجام دادن یک کار» و «یاد گرفتن چگونگی انجام آن کار» تفاوت وجود دارد.
این پدیده در علوم شناختی موضوع تازه‌ای نیست. پژوهشگران سال‌هاست درباره «برون‌سپاری شناختی» مطالعه می‌کنند؛ یعنی زمانی که انسان بخشی از کار ذهنی خود را به یک ابزار خارجی واگذار میکند. نوشتن شماره تلفن، استفاده از تقویم، ماشین‌حساب یا مسیریاب همگی نمونه‌هایی از همین رفتارند و لزوماً نیز مضر نیستند. برعکس، برون‌سپاری بخشی از وظایف ذهنی می‌تواند ظرفیت انسان را برای پرداختن به مسائل پیچیده‌تر آزاد کند.
تفاوت هوش مصنوعی مولد با بسیاری از ابزارهای قبلی اما در گستره کاری است که قادر به انجام آن است. ماشین‌حساب محاسبه میکند، موتور جست‌وجو اطلاعات پیدا میکند، اما ChatGPT می‌تواند خود سؤال را تفسیر کند، اطلاعات را ترکیب کند، نتیجه بگیرد، استدلال بسازد و پاسخ نهایی را نیز به شکلی منظم ارائه دهد.
بنابراین کاربر این بار فقط یک محاسبه یا جست‌وجوی ساده را برون‌سپاری نمی‌کند؛ در صورت استفاده نادرست، ممکن است بخشی از استدلال، تحلیل و حتی تصمیم‌گیری را نیز به ابزار واگذار کند.
اینجاست که یکی از اصول شناخته‌شده روان‌شناسی یادگیری اهمیت پیدا میکند. پژوهش‌های چند دهه اخیر نشان داده‌اند مقداری «سختی» در فرایند یادگیری می‌تواند مفید باشد. تلاش برای بازیابی یک پاسخ از حافظه، اشتباه کردن، آزمودن چند راه، مقایسه گزینه‌ها و سپس اصلاح پاسخ، همگی ذهن را وادار می‌کنند اطلاعات را فعالانه پردازش کند. در ادبیات علمی از بخشی از این فرایندها با عنوان «دشواری‌های مطلوب» یاد می‌شود؛ موانعی که یادگیری را در لحظه سخت‌تر می‌کنند، اما می‌توانند ماندگاری دانش را در بلندمدت افزایش دهند.
اگر دانشجو پیش از هر تلاش مستقلی، پاسخ کامل را از هوش مصنوعی دریافت کند، بخشی از همین فرایند حذف می‌شود. او ممکن است پاسخ را بفهمد، حتی آن را بسیار منطقی بداند، اما «شناختن یک پاسخ هنگام خواندن» با «توانایی تولید همان پاسخ از حافظه» یکسان نیست.
یک آزمایش بزرگ‌تر روی نزدیک به هزار دانش‌آموز دبیرستانی نیز همین تفاوت را با وضوح بیشتری نشان داده است. پژوهشگران دانشگاه پنسیلوانیا، دانش‌آموزان را در شرایط مختلف استفاده از هوش مصنوعی هنگام تمرین ریاضی بررسی کردند.
گروهی به نسخه‌ای از GPT دسترسی داشتند که می‌توانست پاسخ و راه‌حل ارائه کند و گروه دیگری از نسخه‌ای آموزشی استفاده می‌کردند که طوری طراحی شده بود تا با سرنخ، سؤال و راهنمایی مرحله‌ای دانش‌آموز را به پاسخ برساند.
نتیجه در زمان تمرین چشمگیر بود. دانش‌آموزانی که به نسخه عادی GPT دسترسی داشتند، هنگام استفاده از ابزار ۴۸ درصد عملکرد بهتری نسبت به گروه کنترل نشان دادند. نسخه آموزشی GPT Tutor حتی بهبود ۱۲۷ درصدی در حل تمرین‌ها ایجاد کرد.
اما زمانی که هوش مصنوعی از دسترس خارج شد و دانش‌آموزان باید به‌تنهایی امتحان می‌دادند، اتفاق مهمی افتاد. گروهی که از GPT بدون محدودیت آموزشی استفاده کرده بودند، ۱۷ درصد ضعیف‌تر از گروه کنترل عمل کردند. در مقابل، اثر منفی در گروهی که از نسخه هدایت‌شده و آموزشی استفاده کرده بود تا حد زیادی برطرف شد.
این آزمایش یکی از روشن‌ترین شواهد برای تفکیک میان «کمک به عملکرد» و «کمک به یادگیری» است. ممکن است هوش مصنوعی در لحظه توانایی کاربر را افزایش دهد، اما اگر بخش اصلی حل مسئله را خودش انجام دهد، این عملکرد بهتر الزاماً به مهارتی پایدار در ذهن فرد تبدیل نمی‌شود.
هامسا باستانی، استاد مدرسه وارتون و از پژوهشگران این مطالعه، در توضیح همین خطر گفته است: «اگر کار را برون‌سپاری کنیم و کاملاً به مدل اعتماد کنیم، ممکن است به دردسر بیفتیم.»
این هشدار فقط به محیط مدرسه و دانشگاه محدود نیست. پژوهش Microsoft Research و دانشگاه کارنگی ملون روی ۳۱۹ نیروی دانشی و ۹۳۶ نمونه واقعی استفاده از هوش مصنوعی در محیط کار نیز نشان داد هرچه اعتماد افراد به توانایی AI بیشتر می‌شد، میزان تلاش گزارش‌شده برای تفکر انتقادی کاهش پیدا می‌کرد. در مقابل، افرادی که به دانش و توانایی خود اعتماد بیشتری داشتند، بیشتر پاسخ تولیدشده توسط هوش مصنوعی را بررسی، ارزیابی و اصلاح می‌کردند.
این پژوهش البته نشان نداد که هوش مصنوعی «تفکر انتقادی را از بین می‌برد». نتیجه ظریف‌تر بود: نوع فعالیت شناختی تغییر میکند. کاربر به جای آنکه از صفر پاسخ را بسازد، بیشتر به بررسی و کنترل پاسخ تولیدشده توسط ماشین می‌پردازد.
اما همین تغییر یک شرط مهم دارد؛ برای ارزیابی پاسخ AI، خود کاربر باید دانش و قدرت استدلال کافی داشته باشد. کسی که درباره موضوع اطلاعات اندکی دارد، ممکن است نتواند تشخیص دهد پاسخ بسیار روان و متقاعدکننده هوش مصنوعی در کدام قسمت اشتباه است.
ادوایت سارکار، پژوهشگر ارشد Microsoft Research، این مسئله را در جمله‌ای قابل تأمل خلاصه کرده است: «هوش مصنوعی باید به چالش بکشد، نه اطاعت کند.»
این نگاه، بحث را از «استفاده کنیم یا نکنیم» به سؤال مهم‌تری منتقل میکند: هوش مصنوعی باید چه نقشی در فرایند فکر کردن داشته باشد؟
پژوهش‌های موجود نشان نمی‌دهند که ChatGPT ذاتاً برای یادگیری مضر است. برعکس، مجموعه دیگری از تحقیقات به نتایج مثبت رسیده‌اند. یک فراتحلیل در سال ۲۰۲۶، ۳۵ مطالعه آزمایشی و شبه‌آزمایشی با مجموع ۴۱۹۳ شرکت‌کننده را بررسی کرد و در مجموع اثر مثبت متوسطی برای استفاده از ChatGPT بر پیامدهای یادگیری یافت.
یک آزمایش کنترل‌شده در دانشگاه هاروارد روی ۱۹۴ دانشجو نیز نشان داد یک مدرس مبتنی بر هوش مصنوعی که بر اساس اصول آموزشی طراحی شده بود، توانست یادگیری دانشجویان را به شکل قابل توجهی افزایش دهد؛ در حالی که بسیاری از آنها زمان کمتری برای مطالعه صرف کرده بودند.
تفاوت اساسی این ابزار با استفاده معمول از یک چت‌بات در طراحی آن بود. سیستم پاسخ را بی‌درنگ تحویل نمی‌داد، بلکه دانشجو را با سؤال، بازخورد و مراحل حل درگیر می‌کرد. هوش مصنوعی در این حالت به جای حذف دشواری یادگیری، آن را مدیریت می‌کرد.
مرور نظام‌مند ۶۷ مطالعه تجربی درباره ChatGPT و تفکر انتقادی و خلاق نیز به نتیجه مشابهی رسیده است. استفاده ساختاریافته از AI، هنگامی که دانشجو مجبور به پرسش، ارزیابی، نقد و اصلاح پاسخ می‌شود، می‌تواند به استدلال، تولید ایده و خودتنظیمی شناختی کمک کند. در مقابل، استفاده منفعلانه از هوش مصنوعی برای دریافت خلاصه، پاسخ کامل یا تولید مستقیم تکلیف، بیشتر با خطر برون‌سپاری شناختی و کاهش درگیری ذهنی همراه بوده است.
بنابراین نمی‌توان از مطالعات فعلی نتیجه گرفت ChatGPT حافظه انسان را «خراب» میکند یا استفاده از هوش مصنوعی به طور اجتناب‌ناپذیر انسان را کم‌فکرتر خواهد کرد. بسیاری از پژوهش‌های موجود کوتاه‌مدت‌اند، روی گروه‌های محدود انجام شده‌اند و هنوز مطالعات بلندمدت چندساله درباره نسلی که از کودکی با هوش مصنوعی آموزش می‌بیند بسیار اندک است.
حتی مطالعه جنجالی پژوهشگران MIT Media Lab که هنگام مقاله‌نویسی، تفاوت‌هایی در الگوهای اتصال عصبی کاربران مدل‌های زبانی با گروه بدون ابزار مشاهده کرد، دلیلی برای ادعای «آسیب مغزی ناشی از ChatGPT» نیست.
مدیرعامل انویدیا در این باره میگوید: در حال ورود به «عصر آی‌کیو پایین» هستیم
با گسترش ابزارهای هوش مصنوعی، برخی مهارت‌هایی که سال‌ها بخش ثابتی از آموزش بوده‌اند، ممکن است به‌تدریج اهمیت خود را از دست بدهند. انجام محاسباتی مانند تقسیم طولانی،حفظ جدول ضرب و محاسبه‌ی جذر در میان کودکان در حال کم‌رنگ‌شدن است.
نمونه این تحقیق محدود بود و کاهش یک شاخص فعالیت یا اتصال عصبی در یک تکلیف مشخص، معادل کاهش هوش یا آسیب دائمی مغز نیست.
اما در میان تفاوت مطالعات، یک الگوی نسبتاً روشن در حال شکل‌گیری است: خطری که باید جدی گرفته شود، خود استفاده از هوش مصنوعی نیست؛ واگذاری مرحله‌ای از کار ذهنی به AI است که کاربر دقیقاً برای یادگیری همان مرحله به تمرین نیاز دارد.
اگر دانش‌آموز باید نوشتن استدلالی بیاموزد اما استدلال را هوش مصنوعی بنویسد، اگر دانشجو باید حل مسئله تمرین کند اما راه‌حل کامل را دریافت کند یا اگر فردی باید تحلیل داده را یاد بگیرد اما فقط نتیجه تحلیل AI را بخواند، ممکن است خروجی نهایی بسیار خوب باشد، اما فرصت تمرین مهارت اصلی از بین برود.
از این منظر، پارادوکس اصلی هوش مصنوعی آشکار می‌شود: امکان دارد انسان با AI امروز کار بهتری تحویل دهد، اما اگر شیوه استفاده درست نباشد، توانایی او برای انجام مستقل همان کار در فردا الزاماً افزایش پیدا نمی‌کند.
راه‌حل نیز حذف ChatGPT از کلاس درس، دانشگاه یا محیط کار نیست. با فراگیر شدن هوش مصنوعی، چنین رویکردی نه عملی است و نه لزوماً مفید. مسئله اصلی، تغییر روش استفاده است.
در یادگیری می‌توان ترتیب را معکوس کرد؛ ابتدا فرد خودش مسئله را حل کند و سپس از AI بخواهد ایرادات راه‌حل را پیدا کند. ابتدا متن را بخواند و برداشت خودش را بنویسد و سپس آن را با تحلیل هوش مصنوعی مقایسه کند. به جای درخواست پاسخ کامل، از مدل سرنخ بخواهد. پس از مطالعه نیز بدون کمک ابزار، آنچه آموخته را از حافظه بازسازی کند.
این مدل استفاده، هوش مصنوعی را از «تولیدکننده جواب» به «مربی» تبدیل میکند.
مهم‌ترین چالش عصر ChatGPT شاید این نباشد که هوش مصنوعی چقدر باهوش‌تر می‌شود؛ مسئله این است که انسان تا چه اندازه بخش‌هایی از تفکر خود را که برای رشد حافظه، استدلال و قضاوت ضروری‌اند، همچنان برای خودش نگه می‌دارد.
فناوری می‌تواند زمان رسیدن به جواب را کوتاه کند، اما یادگیری همیشه در خودِ جواب اتفاق نمی‌افتد؛ بخش بزرگی از آن در مسیر رسیدن به جواب شکل می‌گیرد.
و شاید مهم‌ترین مهارت در عصر هوش مصنوعی همین باشد: اینکه بدانیم چه زمانی از AI کمک بگیریم و چه زمانی اجازه ندهیم آسان‌ترین راه، فرصت فکر کردن را از ما بگیرد.