به باور من، تفکر انتقادی باید شیوه استفاده ما از هوش مصنوعی و بازسازی دانشگاه را تعیین کند. آنچه برای من جذاب است، دانشگاهی است که افراد بتوانند پرسشی جدی را فراتر از محدوده آموزش اولیه خود دنبال کنند، آنچه لازم دارند بیاموزند و به‌خاطر کیفیت استدلالشان، حرفشان جدی شنیده شود. هوش مصنوعی می‌تواند این امکان را بسیار گسترده‌تر فراهم کند. برای استفاده جدی از این فرصت، باید آماده باشیم شیوه آموزش، تشخیص تخصص و فرصتی را که برای مشارکت به افراد می‌دهیم، بازنگری کنیم.

تفکر انتقادی از خود پرسش آغاز می‌شود. چرا این مسئله ارزش توجه دارد؟ چرا آن را اینطور مطرح کرده‌ام؟ چه چیزهایی را واقعیت پذیرفته‌ام؟ چه کسانی در تعریف مسئله نقش داشته‌اند و تجربه چه کسانی را نادیده گرفته‌ام؟ بعد نوبت پرسش از شواهد است: چه چیزی از توضیح من پشتیبانی می‌کند، چه توضیح دیگری برای نتیجه وجود دارد و چه چیزی نظرم را تغییر می‌دهد؟ هوش مصنوعی می‌تواند از فرض‌هایی که به آن می‌دهیم، استدلال بسازد. من می‌خواهم از آن برای آشکار کردن همین فرض‌ها استفاده کنم تا بتوانم خود پرسش و پاسخ آن را دوباره بررسی کنم.

نگرانی من درباره دانشگاه، زمانی است که حفظ موقعیت از بررسی ایده‌ها مهم‌تر می‌شود. وقتی درآمد پژوهشی جای ارزش فکری را می‌گیرد، یا ارشد بودن یک فرد، استدلالش را از بررسی معاف می‌کند، دانشگاه از هدف خود دور می‌شود و گرفتار فساد فکری می‌شود. افراد یاد می‌گیرند کدام پرسش‌ها بی‌خطرند و از کدام نتیجه‌ها استقبال می‌شود. دادن هوش مصنوعی به چنین فرهنگی شاید فقط تولید همان چیزها را بیشتر کند. خون تازه‌ای که می‌خواهم، فرهنگی است که در آن شواهد بتوانند نظر افراد صاحب‌اعتبار را به چالش بکشند و یک پرسش ارزشمند بتواند جهت کار را عوض کند.

یاد بگیریم پاسخ‌های خودمان را زیر سؤال ببریم

پژوهشگری را در نظر بگیرید که آزمایشش همان نتیجه دلخواه را داده است. پس از افزودن دارو، مقدار یک شاخص آزمایشگاهی کاهش می‌یابد و او نتیجه می‌گیرد که دارو سلول‌های بیمار را می‌کشد. هوش مصنوعی می‌تواند به نوشتن توضیحی قانع‌کننده کمک کند. اما گفت‌وگوی مفیدتر از بررسی خود نتیجه‌گیری آغاز می‌شود. آیا سلول‌ها فقط تقسیم‌شدن را متوقف کرده‌اند؟ آیا سوخت‌وسازشان تغییر کرده است؟ آیا دارو در خود اندازه‌گیری اختلال ایجاد کرده است؟ پژوهشگر می‌تواند از هوش مصنوعی کمک بگیرد تا ببیند هر توضیح چه چیزی را پیش‌بینی می‌کند و کدام مشاهده‌های دیگر آن‌ها را از هم جدا می‌کنند. سپس باید این پیشنهادها را با روش و داده‌های واقعی بررسی کند.

اینجاست که تفکر انتقادی به کار با هوش مصنوعی عمق می‌دهد. پژوهشگر از درخواست یک توضیح، به این پرسش می‌رسد که آن توضیح چگونه ممکن است اشتباه باشد. شاید به روشی مستقل برای سنجش مرگ سلولی یا مقایسه در زمان‌های مختلف نیاز داشته باشد. باید شواهد اصلی را بررسی کند؛ از جمله اینکه مقاله مورد استناد واقعاً وجود دارد و از ادعا پشتیبانی می‌کند یا نه. درخواست از هوش مصنوعی برای نقد پاسخ خودش، تأیید مستقل ایجاد نمی‌کند. داوری زمانی معنا پیدا می‌کند که مسیر استدلال را تا شواهدی دنبال کنیم که قابل بررسی و در صورت نیاز، قابل آزمودن باشند.

می‌خواهم این شیوه کار به عادت تبدیل شود. پیش از پذیرفتن یک نتیجه، باید بتوانم قوی‌ترین توضیح جایگزینِ معقول را بیان کنم و بگویم چرا شواهد از یکی بیشتر از دیگری پشتیبانی می‌کنند. همچنین باید تشخیص دهم چه زمانی شواهد موجود برای تصمیم‌گیری کافی نیستند. چنین استقلال فکری آسان به دست نمی‌آید. می‌توانیم از دانش متخصصان بیاموزیم و در عین حال، مسئولیت آنچه می‌پذیریم با خودمان بماند.

معیار اینکه هوش مصنوعی به رشد من کمک کرده، توانایی من پس از کنارگذاشتن آن است. آیا می‌توانم استدلال را با زبان خودم توضیح دهم؟ آیا همان ضعف را در مسئله‌ای دیگر می‌شناسم؟ اگر واقعیتی مهم تغییر کند، می‌توانم نتیجه‌گیری‌ام را اصلاح کنم؟ اگر تنها دستاوردم پاسخی شسته‌رفته باشد، هنوز کار دارم. اگر یاد گرفته باشم مسئله را دقیق‌تر بررسی کنم، این توانایی در گفت‌وگوی بعدی هم به کارم می‌آید. هوش مصنوعی از این راه می‌تواند به بهترشدن خود ما کمک کند.

عبور از مرزهای آموخته‌های خود

تفکر انتقادی یعنی مرزهایی را هم بررسی کنیم که برای کار خود پذیرفته‌ایم. زیست‌شناس شاید در اولین قدم دنبال توضیحی مولکولی بگردد، چون آموزش او نگاهش را به آن سمت هدایت کرده است. اما فهم رفتار سلول ممکن است به شناخت فشار فیزیکی یا سفتی مواد اطراف آن هم نیاز داشته باشد. هوش مصنوعی می‌تواند کمک کند مفاهیم مرتبط را بیاموزد، یک مدل ریاضی ساده را مرحله‌به‌مرحله بررسی کند و پرسشی دقیق برای یک مهندس آماده کند. پژوهشگر راهی به رشته‌ای ناآشنا پیدا می‌کند و روشن‌تر می‌فهمد کجا هنوز به کمک متخصص نیاز دارد.

کیفیت این ارتباط مهم است. فقط چون سلول و ساختمان هر دو به نیرو واکنش نشان می‌دهند، نمی‌توان آن‌ها را یکسان دانست. باید بپرسیم این مقایسه کدام ویژگی‌ها را توضیح می‌دهد، کجا دیگر کار نمی‌کند و چه پیش‌بینی قابل‌اندازه‌گیری دارد. تخیل، ارتباط را پیشنهاد می‌کند؛ تفکر انتقادی می‌سنجد که آن ارتباط به فهم ما کمک می‌کند یا نه. هوش مصنوعی می‌تواند در هر دو مرحله کمک کند: امکان‌های مختلف را بررسی کنیم و فرض‌های پشت آن‌ها را ببینیم. فهم تازه همچنان باید در برابر بررسی و آزمون دوام بیاورد.

اهمیت این تغییر برای دانشگاه آن است که آمادگی برای پژوهش جدی می‌تواند کمتر به دسترسی به یک استاد، گروه یا شبکه ارتباطی خاص وابسته باشد. دانشجو می‌تواند پیش از مراجعه به متخصص، رشته‌ای ناآشنا را بررسی کند، شیوه استدلال آن را تمرین کند و پرسشی شکل دهد. فردی بیرون از دانشگاه هم می‌تواند آماده‌تر وارد بحث شود. هوش مصنوعی می‌تواند این امکان را بارها، درست وقتی فراهم کند که یک پرسش نیاز به یادگیری ایجاد می‌کند. متخصصان همچنان باید فهم فرد را بسنجند. اما افراد بیشتری می‌توانند با یک استدلال قابل‌بررسی به این مرحله برسند. دانشگاه باید توانایی‌های فکری‌ای را جدی بگیرد که بیرون از مسیرهای سنتی تحت کنترلش رشد کرده‌اند.

دانشگاهی که بر پایه پرسش‌های جدی شکل می‌گیرد

حالا تصور کنیم دانشگاه را بر پایه این آزادی طراحی کنیم. گروهی از مردم می‌پرسند چرا سالمندان محله‌شان برای ادامه زندگی مستقل در خانه مشکل دارند. بررسی این پرسش می‌تواند دانشجویان و متخصصان حوزه‌های سلامت، مسکن، مهندسی و حمایت اجتماعی را کنار هم بیاورد. خود مردم در تعیین آنچه باید توضیح داده شود و اینکه کار پیشنهادی با زندگی‌شان ارتباط دارد یا نه، نقش خواهند داشت. هوش مصنوعی می‌تواند کمک کند شرکت‌کنندگان اصطلاحات ناآشنا را بفهمند، به دانسته‌ها نظم دهند و ببینند چه چیزهایی هنوز نامعلوم است. تفاوت نگاه آن‌ها در تعیین پرسش‌های شایسته توجه نقش خواهد داشت.

دانشجویان دانش ضروری را در مسیری می‌آموزند که بخشی از آن را نیازهای همین بررسی شکل می‌دهد. کسی که به آمار نیاز دارد، باید آن را آن‌قدر عمیق بیاموزد که بتواند شواهد مرتبط را بررسی کند. دیگری شاید به فیزیولوژی یا طراحی مناسب برای افراد با توانایی‌های متفاوت نیاز داشته باشد. استادان کمبودهای پایه‌ای را تشخیص می‌دهند و تعیین می‌کنند دانشجو کجا به آمادگی بیشتری نیاز دارد. پرسش به یادگیری جهت می‌دهد و دانش تخصصی به آن عمق می‌بخشد. دانشجویان همچنان باید نشان دهند روش‌هایی را که به کار می‌برند، می‌فهمند.

این شیوه می‌تواند ما را از این فرض عبور دهد که همه برای رسیدن به توانایی واقعی باید یک مسیر را با یک سرعت طی کنند. کسی می‌تواند پس از سال‌ها کار، با پرسشی مهم به یادگیری برگردد و بر دانسته‌هایش بیفزاید. دانشجوی باتجربه می‌تواند توانایی خود را نشان دهد و جلو برود، درحالی‌که دیگری وقت و حمایت بیشتری می‌گیرد. هوش مصنوعی می‌تواند به آماده‌کردن تمرین و توضیح متناسب با این نیازها کمک کند. استادان پیشرفت را از روی کار قابل‌بررسی دانشجو و گفت‌وگویی می‌سنجند که بتوانند در آن استدلال او را نقد کنند.

پس ارزشیابی باید تغییر کند. در چنین ارزشیابی‌ای، از دانشجویان می‌خواهم نشان دهند فکرشان چگونه پیش رفته است. ابتدا چه فکر می‌کردند؟ کدام منبع فهمشان را تغییر داد؟ کدام پیشنهاد هوش مصنوعی را رد کردند و چرا؟ بعد یکی از شرایط مسئله را تغییر می‌دهم و می‌خواهم پیامدش را بدون تکیه بر ابزار توضیح دهند. گزارش نهایی قانع‌کننده، تنها بخشی از شواهد یادگیری خواهد بود. توانایی دانشجو در دفاع از استدلال، اصلاح آن و به‌کاربردنش باید وزن زیادی داشته باشد.

اینجا نقش استاد بسیار مهم می‌شود. کسی باید تشخیص دهد دشواریِ یادگیری کجا سازنده است، سوءبرداشت پنهان را پیدا کند و به دانشجو در شناخت محدودیت‌های یک نتیجه کمک کند. دانشجویان به کسانی هم نیاز دارند که ایده‌هایشان را آن‌قدر جدی بگیرند که آن‌ها را به چالش بکشند. می‌خواهم دانشگاه به استادی پاداش دهد که این توانایی را در دیگران پرورش می‌دهد. نتیجه راهنمایی استاد باید در کارهایی دیده شود که دانشجو می‌تواند مستقل انجام دهد.

تغییر در اینکه چه کسانی می‌توانند مشارکت کنند

دانشگاهی با این ساختار باید استفاده خودش از قدرت را هم بررسی کند. دانشجوی دکتری را تصور کنید که متوجه می‌شود توضیح یک پژوهشگر ارشد، بخشی از داده‌ها را توضیح نمی‌دهد. هوش مصنوعی می‌تواند در بررسی احتمال‌های دیگر، فهم روشی ناآشنا و بیان روشن نقد کمک کند. دانشجو همچنان باید درستی استدلالش را نشان دهد. اما دانشگاه باید راهی فراهم کند تا حرف او شنیده شود، بر اساس ارزش خودش بررسی شود و بدون مجازات برای طرح آن، پاسخ بگیرد. فناوری نمی‌تواند چنین حمایتی فراهم کند؛ فرهنگ دانشگاه و مدیران آن باید این کار را انجام دهند.

همین اصل بیرون از دانشگاه هم کاربرد دارد. بیمار، تکنسین یا یکی از اهالی محله ممکن است متوجه چیزی شود که یک برنامه پژوهشی جاافتاده ندیده است. هوش مصنوعی می‌تواند کمک کند آن مشاهده به پرسشی تبدیل شود که پژوهشگران بتوانند بررسی کنند. دانشگاه می‌تواند دسترسی مشترک به ابزارها و فرصت‌های منظم گفت‌وگو با متخصصان درباره این پرسش‌ها فراهم کند. افراد از راه آنچه می‌توانند به کار اضافه کنند، وارد آن می‌شوند. تخصص همچنان برای ارزیابی ایده و پیش‌بردن مسئولانه آن ضروری خواهد بود.

منظور من از فراتر رفتن از الگوی کنونی دانشگاه همین است. یادگیری می‌تواند پیرامون پرسشی شکل بگیرد که افراد را از نهادهای مختلف کنار هم می‌آورد و پس از پایان یک دوره تحصیلی یا بودجه پژوهشی هم ادامه پیدا می‌کند. استادی می‌تواند بخش زیست‌شناسی را هدایت کند و هم‌زمان مهندسی بیاموزد. یکی از اهالی ممکن است مانعی عملی را بشناسد که هیچ‌یک از متخصصان ندیده‌اند. در هر بخش از مسئله، حرف کسی وزن بیشتری خواهد داشت که دانش مرتبط را دارد و هر ادعا همچنان باید قابل بررسی باشد. گروه‌ها تخصص عمیق را حفظ می‌کنند، اما ورود به کار می‌تواند از راه تحصیل، تجربه کاری یا دغدغه مردم آغاز شود. دریافت مدرک همچنان به نشان‌ دادن توانایی نیاز دارد. وظیفه دانشگاه، پیوند این مشارکت‌ها، فراهم‌کردن امکان آزمودن آن‌ها و حفظ معیارهایی است که مردم بتوانند به آن‌ها اعتماد کنند.

بودجه و ارتقای افراد باید از این تغییر حمایت کنند. طرح‌های کوچک و اکتشافی می‌توانند به ایده‌ای ناآشنا فرصت دهند با شواهد، حمایت بیشتری به دست آورد. باید برای پرسش‌های بنیادی که ارزش عملی‌شان هنوز روشن نیست هم جا باز کنیم. کنجکاوی باید یکی از دلایل پذیرفته‌شده برای انتخاب موضوع بررسی باشد. تکرار دقیق پژوهش، روشی مفید و یافته‌ای که توضیحی پرطرفدار را اصلاح می‌کند، باید مشارکت ارزشمند به شمار بیایند. باید برای آموزش و راهنمایی دانشجو ارزش واقعی قائل شویم. وگرنه شاید افراد در کلاس به نقد فرض‌ها تشویق شوند، اما یاد بگیرند آینده شغلی‌شان به دست‌نخورده‌گذاشتن فرض‌های خود دانشگاه وابسته است.

دانشگاه باید همین معیار را درباره خودش هم به کار ببرد

هوش مصنوعی هم باید با همان دقتی بررسی شود که از یک استدلال دانشگاهی انتظار داریم. پاسخش ممکن است غلط، ناقص یا متأثر از پیش‌داوری‌های مطالبی باشد که از آن‌ها آموخته است. سامانه ارزیابی متقاضیان ممکن است الگوهایی را تکرار کند که قبلاً افراد توانمند را کنار می‌گذاشتند. دانشگاه باید بتواند تصمیم‌های مهم را توضیح دهد، راه نقد آن‌ها را باز بگذارد و افراد مشخصی را مسئول و پاسخ‌گوی آن‌ها نگه دارد. دسترسی منصفانه و حفاظت از اطلاعات محرمانه هم ضروری است. تمرکز تازه قدرت، آزادی فکری‌ای را تضعیف می‌کند که هدف این تحول است.

پیشنهاد من برای شروع، تغییرهایی است که بتوان آن‌ها را بررسی کرد: درس‌هایی که با استدلال و اصلاح فکر ارزشیابی می‌شوند، طرح‌هایی که میان گروه‌های دانشگاهی شکل می‌گیرند و فرصت‌هایی برای دانشجویان و مردم تا کارهای جاافتاده را زیر سؤال ببرند. باید این تغییرها را بر اساس آنچه افراد واقعاً می‌آموزند و به کار اضافه می‌کنند، بسنجیم. دانشگاهی که به تفکر انتقادی متعهد است، باید آماده باشد بفهمد یکی از اصلاحات خودش کار نمی‌کند و مسیرش را عوض کند.

آینده‌ای که می‌خواهم، دانشگاهی است که به افراد کمک کند یادگیری خود را بهتر هدایت کنند و مسئولیت بیشتری برای داوری‌شان بپذیرند. هوش مصنوعی می‌تواند راه‌هایی باز کند که پیش‌تر دور یا دشوار به نظر می‌رسیدند. تفکر انتقادی کمک می‌کند تشخیص دهیم کدام راه ارزش دنبال‌کردن دارد و کجا باید برگردیم. این دو در کنار هم می‌توانند نهادی بسازند که پرسش بعدی فرد در آن، از محدودیت‌هایی مهم‌تر باشد که بر اساس آموزش گذشته‌اش برای او تعیین شده است. باور دارم باید آماده ساختن چنین دانشگاهی باشیم، حتی وقتی لازم است از شکل‌های آشنای کنترل دست بکشیم.

*دانشیار گروه آناتومی انسانی و علوم سلولی در دانشگاه منیتوبا در کانادا و همچنین استاد افتخاری دانشکده فنی کاتوویتس در لهستان و دانشگاه علوم پزشکی شیراز و دارنده جوایز و افتخارات بسیار از جمله جایزه بهترین کار تحقیقاتی پست‌دکتری (جایزه رده اول کانادا) در سال ۲۰۰۷، جایزه توسعه شغلی پارکر بی فرانسیس (جزو ۱۰ نفر برتر علمی در آمریکای شمالی)، جایزه ستاره نوظهور پژوهش از سوی مرکز علوم و نوآوری انجمن قفسه سینه آمریکا در سال ۲۰۱۷، از جمله پژوهشگران تقدیرشده از سوی دفتر ریاست جمهوری و بنیاد سلول‌های بنیادی ایران در سال ۲۰۱۸ به دلیل مشارکت در فعالیت‌های پژوهشی حوزه بیوشیمی و قرار گرفته در فهرست یک درصد دانشمندان پراستناد جهان از سال ۲۰۱۹

انتهای پیام/