به گزارش خبرنگار علم و فناوری ایسکانیوز؛ استفاده از مدل‌های زبانی بزرگ به ‌دلیل افزایش توانایی این ابزارها در حل مسائل و تولید متن و کد، در میان دانشجویان سراسر جهان به‌شدت افزایش یافته است. در یک نظرسنجی در سال ۲۰۲۶ از هزار و ۵۴ دانشجوی مقطع کارشناسی در بریتانیا که مؤسسه سیاست‌گذاری آموزش عالی در آکسفورد انجام داد، حدود ۹۴ درصد دانشجویان گفتند که از ابزارهای هوش مصنوعی مولد برای کمک به انجام کارهای ارزیابی ‌شده خود استفاده می‌کنند و ۱۲ درصد نیز مستقیماً متن تولید شده توسط هوش مصنوعی را در تکالیف درسی خود قرار داده‌اند.

در مطالعه‌ای که ماه مه منتشر شد و براساس داده‌های نظرسنجی از بیش از ۹۵ هزار دانشجو در ۲۰ دانشگاه آمریکا انجام شده بود، پژوهشگران برآورد کردند که ۹ درصد دانشجویان از هوش مصنوعی در تکالیف درسی خود استفاده کرده‌اند، با وجود اینکه می‌دانستند این کار برخلاف قوانین است.

استادان و مدرسان در سراسر جهان نشانه‌های مشکوکی از استفاده از هوش مصنوعی را در تکالیف درسیِ خارج از کلاس و امتحانات آنلاین مشاهده می‌کنند؛ از منابع جعلی که توسط هوش مصنوعی ساخته شده‌اند گرفته تا سبک‌های خاص نشانه‌گذاری که معمولاً در ابزارهای هوش مصنوعی دیده می‌شود. این مسئله نگرانی‌هایی را درباره ایجاد مزیت ناعادلانه برای برخی دانشجویان در مقایسه با کسانی که از این ابزارها استفاده نمی‌کنند، افزایش داده است.

نیکیتا بزروکوف، مدرس زبان‌شناسی و ارتباطات در مؤسسه فناوری ماساچوست در کمبریج، می‌گوید در مقطعی دانشجویان مقاله‌هایی تحویل می‌دادند که ۵۰ درصد منابع ذکر شده در آنها اصلاً در دنیای واقعی وجود نداشت.

در عین حال، بسیاری از استادان بیش از گذشته به مزایا و اجتناب‌ناپذیر بودن استفاده از هوش مصنوعی در آموزش و مسیر شغلی آینده دانشجویان پی برده‌اند و معتقدند باید به جوانان آموزش داد چگونه از این فناوری به‌درستی استفاده کنند.

این واقعیت‌ها بسیاری از مدرسان را وادار کرده است شیوه‌های سنتی ارزیابی را بازنگری کنند؛ هم برای آنکه هوش مصنوعی را به ‌عنوان یک ابزار در فرایند آموزش بپذیرند و هم استفاده نادرست از آن را تشخیص دهند.

تیم بخش مشاغل نشریه نیچر با استادان و مدرسانی از سراسر جهان درباره برخی روش‌هایی که آنها و مؤسساتشان برای بازطراحی شیوه ارزیابی دانشجویان به کار گرفته‌اند، گفت‌وگو کرده است.

با این حال، نیکلاس ماتی، دانشمند علوم رایانه در دانشگاه تولین در نیواورلئان، می‌گوید: فکر نمی‌کنم در حال حاضر کسی پاسخ درست و قطعی داشته باشد. شرایط با سرعت زیادی در حال تغییر است.

تکالیف مبتنی بر هوش مصنوعی

نیکلاس ماتی می‌گوید: برای یکی از تکالیف درس تاریخ فناوری، دانشجویان باید منابع را شناسایی کنند، از سه مدل زبانی بزرگ برای خلاصه‌کردن آنها استفاده کنند و سپس دیدگاه این مدل‌ها را نقد کنند. بعد از آن، اینفوگرافیک تهیه می‌کنند و مقاله‌ای می‌نویسند که استفاده از هوش مصنوعی در آن مجاز است.

دانیل سیلور، جامعه‌شناس در دانشگاه تورنتو اسکاربرو، می‌گوید: اگر دانشجویان متوجه شوند که اینفوگرافیک‌ها بازتاب دقیقی از منابع ندارند یا مدل‌های زبانی منابع جعلی تولید کرده‌اند، امتیاز اضافه می‌گیرند. هدف این است که دانشجویان درباره آنچه از مدل‌های زبانی بزرگ دریافت می‌کنند، تفکر انتقادی بیشتری داشته باشند. به ‌جای اینکه از دانشجویان بخواهم درباره کتاب اقتصادی آدام اسمیت در سال ۱۷۷۶، یعنی ثروت ملل، مقاله بنویسند (یعنی کاری که قبلاً از آنها می‌خواستم انجام دهند)، از آنها خواستم با استفاده از عامل‌های هوش مصنوعی که در نقش معامله‌گران یک بازار فعالیت می‌کنند، یک بازنمایی مجازی از نظریه او بسازند.

او همچنین می‌گوید: سپس موقعیت‌های مختلفی را بررسی کردیم؛ مثلاً اینکه اگر مردم قابل اعتماد نباشند چه اتفاقی می‌افتد. دانشجویان متن گفت‌وگوهای تولید شده توسط عامل‌ها را تحلیل کردند و درباره آن نوشتند.

او می‌افزاید: تشخیص اینکه آیا دانشجویان از هوش مصنوعی خواسته‌اند تمام این مراحل را یکجا انجام دهد، آسان است؛ زیرا برای مثال، هوش مصنوعی مطالبی را از خودش می‌سازد، به‌جای اینکه از متن گفت‌وگوها نقل‌قول کند.

اجازه استفاده از هوش مصنوعی

روبن وربورگ، دانشمند علوم رایانه در دانشگاه خنت در بلژیک، می‌گوید: امتحان درس توسعه وب من به ‌صورت کتاب‌باز و با دسترسی آزاد به اینترنت برگزار می‌شود و هوش مصنوعی هم بخشی از اینترنت است. اما من مهارتی را ارزیابی می‌کنم که هوش مصنوعی فاقد آن است؛ یعنی توانایی ساخت برنامه‌های وب خوب و پایدار.

او می‌افزاید: من سؤال‌هایی ذاتاً باز مطرح می‌کنم که چندین پاسخ ممکن دارند؛ مثلاً «چرا این وب‌سایت کار نمی‌کند؟» یا «چرا این وب‌سایت کند است؟» اگر این سؤال‌ها را در چت‌بات‌های هوش مصنوعی وارد کنید، آنها بدون داشتن روش‌شناسی مناسب پاسخ می‌دهند و پاسخ‌هایشان نیز همیشه دقیق نیست. من نمی‌توانم مطمئن باشم که دانشجویان از هوش مصنوعی استفاده نمی‌کنند؛ بنابراین به‌طور پیش‌فرض، تیم دانشجو ـ هوش مصنوعی را ارزیابی می‌کنم.

اتین روش، آمارشناس و دانشمند علوم شناختی در دانشگاه ریدینگ بریتانیا، می‌گوید: اما تکلیفی که تعیین می‌کنم چیزی نیست که فقط با چت‌جی‌پی‌تی بتوان انجام داد. من تصاویری از نوع خاصی از تحلیل فعالیت‌های عصبی ارائه می‌کنم و از دانشجویان می‌خواهم درباره آنچه در تصاویر می‌بینند، روایتی بنویسند.

او می‌افزاید: اگر دانشجویان صرفاً متن تکلیف را در یک چت‌بات وارد کنند و خروجی هوش مصنوعی را عیناً استفاده کنند، پاسخ اغلب هیچ ارتباطی با آنچه در تصویر اتفاق می‌افتد ندارد و این مسئله کاملاً مشخص می‌شود.

فرایند کارتان را نشان دهید

یانجون شن، پژوهشگر زمین‌شناسی زیست‌محیطی و مهندسی در دانشگاه چانگ‌آن در شهر شی‌آن چین، می‌گوید: از دانشجویانی که به‌ویژه دانشجویان دکتری، در پژوهش و نگارش علمی از هوش مصنوعی استفاده می‌کنند، می‌خواهم گزارش‌های کامل و اولیه تعامل خود با ابزارهای هوش مصنوعی را به اشتراک بگذارند. هدف صرفاً نظارت بر دانشجویان نیست، بلکه می‌خواهم ارزیابی کنم که آیا آن‌ها عمیقاً درگیر کار فکری بوده‌اند، چه نوع دانشی را با کمک هوش مصنوعی گسترش داده‌اند و آیا از این ابزار برای پشتیبانی از تفکر خود استفاده کرده‌اند یا برای جایگزین کردن آن.

نیکیتا بژروکوف، استاد دانشگاه، می‌گوید: به جای اینکه دانشجویان تکالیف خود را به‌صورت فایل پی‌دی‌اف تحویل دهند، از آن‌ها می‌خواهم از نرم‌افزاری استفاده کنند که سابقه ویرایش داشته باشد؛ مانند گوگل داکس. این کار به من اجازه می‌دهد نسخه‌های قبلی تکلیف را ببینم و متوجه شوم که آیا و چگونه در فرایند انجام کار از هوش مصنوعی استفاده کرده‌اند.

او می‌افزاید: برای مثال، اگر فردی زبان انگلیسی را به‌عنوان زبان دوم یاد گرفته باشد و از هوش مصنوعی برای کمک به گرامر یا ویرایش و بهبود متن استفاده کند، مشکلی با آن ندارم؛ اما تولید کامل متن با استفاده از هوش مصنوعی ممنوع است.

کاهش تکالیف خانگی

کریستینا رویز-مسا، مدرس ارتباطات در دانشگاه ایالتی کالیفرنیا در لس‌آنجلس، می‌گوید: برای یکی از درس‌هایی که تدریس می‌کنم، تکالیف را تغییر داده‌ام تا تعداد کمتری از آن‌ها در خانه و به‌ صورت نوشتاری انجام شوند. قبلاً از دانشجویان می‌خواستم ۲ اینفوگرافیک تهیه کنند، اما پس از مشاهده حجم زیادی از مطالب تولید شده با هوش مصنوعی، این کار را با یک ارائه کوتاه در کلاس درباره یک سیاست یا برنامه آموزش عالی جایگزین کردم و بعد از آن نیز از دانشجویان خواستم یک ارائه کامل‌تر داشته باشند.

او می‌افزاید: همچنین اکنون نسبت به گذشته، سخنرانی‌های فی‌البداهه و تکالیف نوشتاری بیشتری را در داخل کلاس انجام می‌دهیم.

جنیفر سشنز، مورخ در دانشگاه ویرجینیا در شهر شارلوتزویل، می‌گوید: اگرچه از امتحانات متداول فاصله گرفته بودم، اما در بهار امسال دوباره به امتحانات کتبی داخل کلاس بازگشتم. همچنین از دانشجویان خواستم در طول یک ترم سه بار در کلاس مقاله بنویسند. آن‌ها می‌توانند یادداشت‌ها و کتاب‌های خود را همراه داشته باشند، اما باید پاسخ‌ها را در دفترچه امتحان بنویسند و اجازه استفاده از تلفن همراه یا لپ‌تاپ را ندارند.

تکالیف بدون نمره

ناتالیا سیدارووا، دانشمند علوم رایانه در دانشگاه صنعتی آیندهوون هلند، می‌گوید: برای تکالیف خانگی درس تحلیل داده، فقط نمره قبولی یا مردودی می‌دهم. اگر دانشجویان برای صرفه‌جویی در زمان و اختصاص آن به تحلیل‌های جالب‌تر، از هوش مصنوعی برای تولید کد استفاده کنند، مشکلی ندارد. با این حال، اگر هوش مصنوعی را جایگزین تفکر خود کنند، ممکن است در تکلیف درسی قبول شوند، اما احتمالاً در امتحان نهایی که در آن فقط استفاده از ماشین‌حساب‌های ساده مجاز است، با مشکل مواجه خواهند شد.

او می‌افزاید: با حذف نمره‌دهی از این تکالیف، دانشجویان را به یادگیری واقعی تشویق می‌کنیم. امسال هیچ‌وقت به اندازه امسال شاهد کسب نمره کامل در امتحانات از سوی دانشجویان نبوده‌ایم.

ماوسام، دانشمند علوم رایانه در مؤسسه فناوری هند در دهلی، می‌گوید: در گروه آموزشی ما، استفاده از هوش مصنوعی برای تکالیف خانگی مجاز است، اما برخی از همکارانم سهم این تکالیف را در نمره نهایی کاهش می‌دهند و مهارت‌های آموخته ‌شده را در یک آزمون بدون دسترسی به اینترنت ارزیابی می‌کنند. برخی از پرسش‌های این آزمون مستقیماً به تکالیف مربوط می‌شوند و این احتمال را افزایش می‌دهند که دانشجویانی که خودشان تکلیف را انجام داده‌اند، در آزمون موفق شوند.

او می‌افزاید: ما همچنین تکالیف درسی را به شکل یک بازی طراحی می‌کنیم و با استفاده از جدول رتبه‌بندی، عملکرد دانشجویان را با یکدیگر مقایسه می‌کنیم تا آن‌ها را به تلاش بیشتر ترغیب کنیم.

حرکت به سمت امتحانات شفاهی

جیانمارک گراتزیولی، شیمیدان محاسباتی در دانشگاه ایالتی سن‌خوزه کالیفرنیا، می‌گوید: از دانشجویان می‌خواهم برای تفسیر داده‌های شیمیایی، حجم زیادی کد پایتون بنویسند. ۷۰ درصد امتیاز به عملکرد کد اختصاص دارد و ۳۰ درصد باقی‌مانده به یک امتحان شفاهی کوتاه و انفرادی بستگی دارد که در آن از دانشجو می‌پرسم بخش‌های مشخصی از کد چگونه کار می‌کنند.

او می‌افزاید: برای من مهم نیست که چت‌جی‌پی‌تی یک خط از کد را به آن‌ها گفته باشد؛ آن‌ها باید تک‌تک خطوط کد را درک کنند و مسئولیت آن را بر عهده داشته باشند.

تئا گلدینگ، مدرس برنامه نگارش دانشگاه پرینستون در نیوجرسی، می‌گوید: بخش نوشتاری نخستین تکلیفی که اکنون به دانشجویان می‌دهم، سهم بسیار کمی از نمره نهایی را تشکیل می‌دهد؛ چیزی که بیشترین اهمیت را دارد، گفت‌وگوی حضوری با من پس از تحویل تکلیف است که در آن درباره مطالب بحث می‌کنیم و آن‌ها را بیشتر توسعه می‌دهیم.

او می‌افزاید: در امتحانات بعدی، اگر دانشجویان نتوانند در جریان گفت‌وگو با من، نویسندگی و تسلط خود بر مطالب را نشان دهند، نمره آن‌ها حداکثر به C محدود می‌شود.

ابزارهای تشخیص هوش مصنوعی

ژاکلین ایوانز، پژوهشگر روان‌شناسی در دانشگاه بین‌المللی فلوریدا در میامی، می‌گوید: برای تکالیفی که دانشجویان در کلاس آنلاین من تحویل می‌دهند، از ابزار تشخیص هوش مصنوعی ارائه‌شده توسط دانشگاه استفاده می‌کنم. این ابزار می‌تواند تا حدی به تأیید برداشت اولیه من کمک کند.

او می‌افزاید: وجود منابع جعلی یا ساختگی نیز می‌تواند نشانه دیگری باشد، همچنین زمانی که پیش‌نویس‌های اولیه دانشجویان با مقاله نهایی آن‌ها تفاوت بسیار زیادی داشته باشد. من تلاش می‌کنم براساس مجموعه‌ای از اطلاعات و شواهد، ارزیابی منطقی و معقولی داشته باشم.

الی توماس، زیست‌شناس در دانشگاه ملبورن استرالیا، می‌گوید: اگر تکلیف یک دانشجو از سوی ابزارهای تشخیص هوش مصنوعی با درصد بالایی به ‌عنوان متن تولید شده توسط هوش مصنوعی شناسایی شود یا نشانه‌های دیگری از استفاده از هوش مصنوعی مشاهده کنیم، مسئول درس باید با دانشجو گفت‌وگو کند. در شرایط حاد، دانشجو با کمیته پیشرفت تحصیلی نیز دیدار خواهد کرد.

او می‌افزاید: با این حال، استفاده از ابزارهای تشخیص هوش مصنوعی شبیه یک رقابت تسلیحاتی است؛ زیرا هوش مصنوعی روزبه‌روز پیچیده‌تر می‌شود و برخی فناوری‌ها نیز به قابلیت دور زدن این ابزارهای تشخیص دست پیدا می‌کنند.

جایگزین‌هایی برای ابزارهای تشخیص هوش مصنوعی

جولیانا ویسکو، مدرس برنامه نگارش دانشگاه پرینستون، می‌گوید: در برنامه نگارش دانشگاه پرینستون، ما از نظر فکری و رویکرد آموزشی با ابزارهای تشخیص هوش مصنوعی مخالفیم. می‌خواهیم حس اعتماد میان خود و دانشجویانمان را دوباره برقرار کنیم. در کلاس من، استفاده از هوش مصنوعی برای نخستین مقاله‌ای که به دانشجویان واگذار می‌شود، کاملاً ممنوع است. اما برای مقاله نهایی، در کلاس درباره نحوه و میزان استفاده از هوش مصنوعی گفت‌وگو می‌کنیم و به‌ صورت جمعی درباره اینکه هوش مصنوعی چگونه می‌تواند و چگونه باید استفاده شود، تصمیم می‌گیریم.

او می‌افزاید: سپس با همکاری دانشجویان، قراردادی درباره نحوه استفاده از هوش مصنوعی تدوین می‌کنم.

هوش مصنوعی در سر کلاس

ویل تیگ، مورخ در دانشگاه ایالتی آنجلو در سن‌آنجلو تگزاس، می‌گوید: یکی از همکارانم درباره روشی موسوم به «اسب تروا» به من گفت. در این روش، یک خط متن با فونت بسیار کوچک و جوهر سفید در تکلیف قرار می‌دهید؛ به‌گونه‌ای که فقط ابزار هوش مصنوعی قادر به مشاهده آن باشد. من این روش را امتحان کردم و در آن یک دستور پنهان قرار دادم که از هوش مصنوعی می‌خواست مقاله دانشجویان را از دیدگاه مارکسیستی بنویسد.

او می‌افزاید: متوجه شدم که ۴۷ مورد از ۱۳۰ مقاله، به‌وضوح توسط یک چت‌بات نوشته شده بودند. صادقانه بگویم، این تجربه برای همه افراد درگیر، تجربه بسیار ناخوشایندی بود.

امتحاناتی که هوش مصنوعی نمی‌تواند از پس آن‌ها بربیاید

ریسا موریموتو، اقتصاددان در دانشگاه مطالعات شرقی و آفریقایی لندن، می‌گوید: برای گزارش‌های دانشجویان درباره اقتصاد بوم‌شناختی، از آن‌ها می‌خواهم هر موضوعی را که به آن علاقه دارند انتخاب کنند و یکی از مفاهیمی را که در کلاس آموزش داده شده است، روی آن موضوع به کار ببرند. فکر می‌کنم اگر اختیار بیشتری به دانشجو بدهیم، مثلاً اجازه دهیم خودش انتخاب کند روی چه موضوعی کار کند، انگیزه بیشتری برای انجام مستقل آن خواهد داشت.

او می‌افزاید: تکلیف دوم نوشتن یک وبلاگ است، اما از دانشجویان می‌خواهم آن را شخصی‌سازی کنند؛ به‌گونه‌ای که انگار برای اعضای خانواده یا دوستان خود می‌نویسند. امسال، پس از تغییر این تکالیف، می‌توانم نشانه‌های بیشتری از شخصیت دانشجویان را در گزارش‌هایشان ببینم.

جاناتان والانو، پژوهشگر روان‌شناسی در دانشگاه پیتسبورگ در گرینزبورگ پنسیلوانیا، می‌گوید: برای امتحانات آنلاین، در حال طراحی پرسش‌هایی هستم که نسبت به پرسش‌های متداول چندگزینه‌ای یا درست و غلط، به تفکر و تحلیل انتقادی بیشتری نیاز دارند.

او می‌افزاید: در یکی از تکالیف، مجموعه‌ای از سرنخ‌ها را در اختیار دانشجویان قرار می‌دهم و از آن‌ها می‌خواهم یک پژوهشگر مشخص و مقاله‌ای از آن پژوهشگر را شناسایی کنند، سپس مقاله را بخوانند و آن را با کلمات خودشان خلاصه کنند. آن‌ها احتمالاً می‌توانند برای بخشی از این کار از هوش مصنوعی استفاده کنند، اما این تکلیف همچنان آن‌ها را وادار می‌کند کارهایی انجام دهند که ارزشمند هستند.

آموزش به ‌عنوان عامل بازدارنده

ویل تیگ می‌گوید: از زمان آزمایش روش «اسب تروا»، از دانشجویان می‌خواهم مقاله‌ای از پاتریک لین، فیلسوف دانشگاه پلی‌تکنیک کالیفرنیا در سن‌لوئیس اوبیسپو، درباره استفاده مسئولانه از هوش مصنوعی را بخوانند و درباره آن گفت‌وگو کنند.

او ادامه می‌دهد: هدف این است که به دانشجویان آموزش دهیم هوش مصنوعی چگونه بر رشد فکری آن‌ها تأثیر می‌گذارد و چگونه هدف حضور در کلاس دانشگاه را تضعیف می‌کند. به نظر می‌رسد برگزاری این گفت‌وگوها تا حدودی مسئله استفاده از هوش مصنوعی را کاهش داده است.

انتهای پیام/