استفاده از هوش مصنوعی اکنون در آموزش عالی جهانی شده است. چرا دانشگاه ها در تطبیق با آنها ناکام هستند؟

ویرایش شده توسط لیزا لاک، بررسی توسط اندرو زینین

این مقاله با توجه به روند و سیاست‌های ویرایشی Science X بررسی شده است. ویراستاران ضمن اطمینان از اعتبار محتوا، ویژگی های زیر را برجسته کرده اند:

استفاده از هوش مصنوعی در بین دانشجویان در حال حاضر در بسیاری از کشورها تقریبا جهانی است. با این حال، تا یک سال پیش، کمتر از یک دانشگاه از هر پنج دانشگاه در نظرسنجی یونسکو در 90 کشور، یک سیاست رسمی هوش مصنوعی داشتند.

از زمانی که ChatGPT در اواخر سال 2022 وارد شد، تهدیدی برای یکپارچگی آکادمیک ظاهر شد. اکنون دانشگاه ها باید اطمینان حاصل کنند که دانش آموزان با نشان دادن کارهایی که می توانند انجام دهند، مدرک دریافت می کنند، نه آنچه که هوش مصنوعی می تواند انجام دهد.

این امر مستلزم سیاست هایی است که تغییرات ساختاری را به سمت ارزیابی و برنامه درسی هدایت کند، نه فقط قوانینی در مورد اینکه چه زمانی می توان از هوش مصنوعی استفاده کرد. اما آنقدرها هم ساده نیست.

به‌ویژه دانشگاه‌ها بیشتر از مدارس ابتدایی و دبیرستان برای انطباق با هوش مصنوعی مولد تلاش کرده‌اند.

این به این دلیل است که کلاس های دانشگاه اغلب زیاد است و زمان تماس بین دانش آموزان و معلمان محدود است. در مجموع، این امر باعث می شود معلمان به طور شخصی دانش آموزان را بشناسند و اطمینان حاصل کنند که آنها آنچه را که برای مدرک تحصیلی آنها لازم است یاد می گیرند.

یونسکو چارچوب صلاحیت هوش مصنوعی را منتشر کرده است، اما در درجه اول بر مدارس تمرکز دارد و از ارائه راهنمایی های خاص برای آموزش عالی کوتاهی می کند.

مطالعه‌ای که در ماه جولای منتشر شد، خط‌مشی‌ها و دستورالعمل‌های عمومی هوش مصنوعی 39 دانشگاه استرالیایی را که فناوری اطلاعات و ارتباطات را آموزش می‌دهند، بررسی کرد. این یک حوزه موضوعی است که هوش مصنوعی می تواند به راحتی وظایف کدنویسی را تکمیل کند.

این تجزیه و تحلیل نشان داد که بین سیاست‌های هوش مصنوعی دانشگاه‌ها تفاوت زیادی وجود دارد. اغلب، قوانین هوش مصنوعی به جای رویه های طراحی ارزیابی، در خط مشی های رفتار نادرست مؤسسات مدفون می شدند. از بین 39 دانشگاه، تنها یکی از آنها دستورالعمل خاصی در مورد هوش مصنوعی منتشر کرده بود.

راهنمایی عمومی دانشگاه ها در مورد استفاده از هوش مصنوعی نیز اغلب مبهم بود. یکی به سادگی نیاز به استفاده از هوش مصنوعی داشت که «اخلاقی، از نظر آموزشی صحیح، شفاف و هدفمند» باشد، اما جزئیات بیشتری ارائه نکرد.

محققان استدلال کردند که هوش مصنوعی سریع‌تر از آن‌چه دانشگاه‌ها بتوانند ساختارهایی را برای مدیریت آن بسازند، ارزیابی‌ها را مختل می‌کند. تنها هفت دانشگاه از 39 دانشگاه، سازمانی مانند یک گروه ضربت را برای هماهنگی پاسخ خود ثبت کرده بودند.

بسیاری نیز این امر را به هماهنگ کنندگان دوره های جداگانه واگذار کرده اند تا مشخص کنند چه استفاده ای از هوش مصنوعی مجاز است. این بدان معناست که قوانین می تواند بین دوره ها متفاوت باشد.

خطرات نیز فراتر از تقلب است. بحث جهانی بین محققان و سیاست گذاران پیشرو در سال جاری به یک موضوع عمیق تر تغییر کرده است: استفاده از هوش مصنوعی برای جلوگیری از یادگیری به طور کامل. این زمانی است که دانش آموزان کار خود را به طور کامل به هوش مصنوعی تخلیه می کنند و در نتیجه خودشان چیزی یاد نمی گیرند. سنجش میزان این تخلیه در حال حاضر دشوار است.

سیاست‌های کنونی دانشگاه‌ها برای پرداختن به بارگذاری دانشجویان به هوش مصنوعی کافی نیست. نمی توان دانش آموزان را از طریق یک خط مشی مجبور به یادگیری کرد.

معلمان همچنین از ابزارهای هوش مصنوعی برای تشخیص اینکه آیا دانش آموزان متن تولید شده توسط هوش مصنوعی را در مطالب ارسالی خود گنجانده اند یا خیر، استفاده کرده اند. اما دانشگاه‌ها اکنون از این موضوع دور می‌شوند، زیرا این فناوری همیشه دقیق نیست.

کارشناسان هشدار داده‌اند که تنها اتکا به آشکارسازهای هوش مصنوعی می‌تواند منجر به اتهامات نادرست در مورد سوءرفتار تحصیلی دانش‌آموز شود.

به جای تمرکز بر پاسخ های سیستمی تر، دانشگاه ها عمدتا با تغییر نحوه عملکرد ارزیابی ها به هوش مصنوعی پاسخ داده اند. این معمولا به این معنی بوده است:

اما در حالی که ارزیابی های بازطراحی شده می توانند نشان دهند که آیا یادگیری اتفاق افتاده است یا خیر، هنوز کافی نیست. همچنین مهم است که دانش آموزان بر اساس چه چیزی ارزیابی می شوند.

در سایر نقاط جهان، مانند اتحادیه اروپا، توجه به توسعه صریح قابلیت های دانش آموزان برای انطباق با تغییرات مداوم معطوف شده است. اینها شامل آموزش دانش آموزان به موارد زیر است:

با این حال، توسعه این قابلیت ها سخت است و عمدتا بین سوژه ها منتقل نمی شود. در عوض، آنها باید به طور صریح به دانش آموزان، در زمینه موضوع یا رشته آنها آموزش داده شوند.

یکی از راه های انجام این کار، گنجاندن ماژول های خاص در دوره هایی است که این را آموزش می دهند.

در سال 2023، تعدادی از دانشگاهیان، از جمله من، اصول ارزیابی مبتنی بر شواهد را برای تنظیم کننده آموزش عالی استرالیا نوشتیم. این اصول برای راهنمایی دانشگاه ها در مورد چگونگی انطباق ارزیابی ها با استفاده از هوش مصنوعی دانشجویان شکل گرفت.

یک اصل بر حصول اطمینان از اینکه دانش‌آموزان واقعا محتوا را یاد می‌گیرند و کار را به هوش مصنوعی منتقل نمی‌کنند تمرکز دارد، که موسسات سعی کرده‌اند از طریق طراحی مجدد ارزیابی به آن بپردازند. این تلاش‌ها برای طراحی مجدد تأثیر دارند.

اصل دوم در مورد آماده سازی دانش آموزان برای دنیایی است که هوش مصنوعی در همه جا حضور دارد. دانش آموزان باید یاد بگیرند که چگونه به طور موثر از هوش مصنوعی هنگام ورود به نیروی کار استفاده کنند.

ثابت شده است که سازگاری با این اصل برای دانشگاه‌ها بسیار سخت‌تر است، زیرا با پیشرفت سریع فناوری، مهارت‌های مرتبط با ابزارهای هوش مصنوعی امروزی به سرعت منسوخ می‌شوند. این بدان معناست که "سواد هوش مصنوعی" ساده به تنهایی برای دانش آموزان کافی نیست.

در حالی که هیچ رویکرد واحدی برای همه وجود ندارد، دانشگاه ها نیز از همکاری با یکدیگر برای مقابله با این مشکل سود می برند.

با این حال، موسسات به جای اشتراک منابع، تمایل به رقابت دارند. تنها یکی از 39 مورد مطالعه ای که قبلا ذکر کردم، به یادگیری از موسسات دیگر اشاره کرد.

در سال 2024، تنظیم‌کننده آموزش عالی هر دانشگاهی را ملزم کرد تا برنامه‌های اقدام هوش مصنوعی را ارائه کند که در آن به تشریح اقداماتی که برای انطباق با هوش مصنوعی انجام می‌دهند، توضیح دهد. رگولاتور همچنین از آن زمان راهنماهایی را منتشر کرده است که راهبردها را مشخص می کند.

اما یک تنظیم کننده فقط می تواند انتظارات را تعیین کند. نمی تواند کار درازمدت ایجاد تغییرات در سیاست و عملکرد در سراسر کشور را تامین مالی کند.

این وظیفه دفتر یادگیری و آموزش بود، که بودجه نوآوری تدریس را تأمین می کرد و به دانشگاه ها کمک می کرد تا آنچه را که مؤثر بود به اشتراک بگذارند. در سال 2016 بسته شد و جایگزینی که وعده داده شده بود هرگز محقق نشد.

یک رویکرد ملی به معنای یک نهاد توانمند - مستقل از هر دانشگاه واحد - به اشتراک گذاری شواهد و راهنمایی در سراسر بخش است. این ممکن است شبیه به سازمان آموزش عالی ایرلند باشد که یک چارچوب ملی در زمینه هوش مصنوعی در آموزش و یادگیری منتشر کرده است.

با این حال، با توجه به اینکه دانشگاه ها در مورد استقلال خود چقدر حمایت می کنند، چالش هایی در راه اندازی این موضوع در استرالیا وجود دارد. سؤالاتی در مورد اینکه چه کسی چنین نهادی را تأمین می کند وجود دارد. و برای یک مقام ملی دشوار است که با فناوری که سریعتر از سیاست تغییر می کند، همگام شود.

با این حال، دانشگاه‌ها باید عمیقا و با این بحث در مورد چگونگی سازگاری با هوش مصنوعی مشارکت کنند. در غیر این صورت، در عصر ماشین‌های هوشمند خطر زائد شدن را دارند.

لیسانس تاریخ هنر، کارشناسی ارشد فرهنگ مادی. سردبیر سابق موزه، پیراپزشک و هماهنگ کننده پیوند. ویرایش برای Science X از سال 2021. نمایه کامل →

فوق لیسانس فیزیک با تجربه تحقیق. علاقه مندان به اخبار علمی طولانی مدت. نقش کلیدی در موفقیت سرمقاله Science X ایفا می کند. نمایه کامل →

این مقاله با مجوز Creative Commons از The Conversation بازنشر شده است. مقاله اصلی را بخوانید.