بحث در مورد چگونگی استفاده از هوش مصنوعی در مدارس — و اینکه چه چیزی تقلب محسوب می‌شود — ممکن است بازپخش بحث‌های قبلی به نظر برسد که در زمان ظهور فناوری‌های دیگر در آموزش رخ دادند. اما هوش مصنوعی متفاوت است. ستون‌نویسان مولی رابرتز، مگان مک‌آردل و مونیکا هسه تأثیرات زیان‌بار هوش مصنوعی را بررسی کرده و درباره چگونگی ایجاد آینده‌ای بهتر با هوش مصنوعی بحث می‌کنند.
برای شنیدن کل گفتگو، از پخش‌کننده صوتی یا فید پادکست "Impromptu" واشینگتن پست استفاده کنید.
مولی رابرتز: زمانی، نه چندان دور، مردم نگران بودند که ماشین‌حساب‌های نموداری (graphing calculators) دانش‌آموزان را از یادگیری واقعی ریاضیات معاف کنند. و شاید هم همینطور شد! اما اگر ابزاری وجود دارد و می‌تواند همه این توابع جذاب را انجام دهد، آیا دانش‌آموزان واقعاً نیاز دارند که کارها را به روش قدیمی، دشوار و خسته‌کننده یاد بگیرند؟ بنابراین، آیا هوش مصنوعی می‌تواند برای دانش‌آموزان مفید باشد بدون اینکه مانع یادگیری آنچه نیاز دارند شود؟
مونیکا هسه: هفته گذشته داستانی در مجله نیویورک (New York magazine) منتشر شد که واقعاً ترسناک بود، زیرا درباره دانش‌آموزانی بود که اساساً یک موضوع انشا را به ChatGPT می‌دادند و از آن می‌خواستند کل انشا را بنویسد، چیزی که خودشان اصلاً به آن فکر نکرده بودند - و شاید حتی پس از اتمام کار آن را درک نمی‌کردند. این موضوع به این سوال می‌پردازد که چقدر تفکر اصیل باید تولید کنید تا فکر شما باشد. و آیا واقعاً مهم است که اصول اولیه را خودتان یاد بگیرید قبل از اینکه از هوش مصنوعی برای کمک استفاده کنید؟ من معتقدم که یادگیری اصول اولیه توسط خودتان بسیار مهم است.
مگان مک‌آردل: من همیشه با معلمان ریاضی که مخالف آموزش جدول ضرب بودند، یا معلمان تاریخ که مخالف حفظ کردن تاریخ‌ها بودند، مخالفت کرده‌ام. آن‌ها می‌گفتند: "ما نمی‌خواهیم فقط واقعیت‌های حفظی را به آن‌ها یاد بدهیم. ما می‌خواهیم به آن‌ها چگونه فکر کردن را یاد بدهیم." اما شما باید چیزی در ذهن خود داشته باشید تا بتوانید فکر کنید، درست است؟ شما باید چیزی بدانید. و من واقعاً فکر می‌کنم جدول ضرب مثال خوبی است. ممکن است کمی خسته‌کننده به نظر برسند، اما یک نوع ماتریس فراهم می‌کنند که می‌توانید از آن برای دیدن روابط ریاضی استفاده کنید – اگر آن را در ذهن نداشته باشید، هرگز آن روابط را نخواهید دید. و من فکر می‌کنم شواهدی وجود دارد که نشان می‌دهد دانش‌آموزانی که از ماشین‌حساب‌های نموداری استفاده می‌کنند، ریاضیات را به خوبی دانش‌آموزانی که به روش قدیمی با دست انجام می‌دادند، درک نمی‌کنند.
این یک مشکل بزرگ است که بچه‌ها از هوش مصنوعی استفاده می‌کنند چون یاد نمی‌گیرند. طراحی یک دستور (prompt) که منجر به تولید مقاله شود، یادگیری چیزی نیست. یادگیری چگونگی طراحی یک دستور است، شاید...
مولی رابرتز: اما شاید این تمام چیزی است که در دنیایی که می‌توانید چنین کاری کنید، نیاز دارید یاد بگیرید؟ اگر آموزش را صرفاً ابزاری ببینیم، شاید تا زمانی که من بتوانم با هوش مصنوعی آن کار را انجام دهم، پس مدرسه مرا برای دنیای واقعی و شغلی خوب آماده کرده است؟
مگان مک‌آردل: این واقعاً بچه‌ها را برای دنیای واقعی آماده نمی‌کند. تعداد کمی از بچه‌ها هرگز از حساب دیفرانسیل و انتگرال (calculus) در دنیای واقعی استفاده خواهند کرد. تعداد کمی از بچه‌ها هرگز از مدرک علوم سیاسی یا مدرک تاریخ خود استفاده خواهند کرد.
۷۰ سال گذشته شاهد افزایش مداوم بازدهی داشتن تحصیلات دانشگاهی بوده‌ایم. این اتفاق افتاد چون دانشگاه یک نماینده پر سر و صدا (noisy proxy) برای چیزهایی بود که کارفرمایان ارزش قائل بودند. فقط وجدان کاری: این فرد سر کلاس حاضر می‌شود و تکالیف خود را تحویل می‌دهد. این فرد توانایی شناختی (cognitive ability) نسبتاً خوبی دارد. این فرد برخی مهارت‌های تحقیق و نگارش دارد. مدرک برای اکثر زمینه‌ها تا حدودی نامربوت بود. آنچه مردم برای آن پول می‌دادند، گواهینامه شغلی (job credential) بود. و اگر هوش مصنوعی همه این کارها را در محل کار انجام می‌دهد، پس چرا من مدرک دانشگاهی می‌گیرم که به من مهارت‌هایی را می‌آموزد که هوش مصنوعی می‌تواند انجام دهد؟
من فکر می‌کنم در نهایت هوش مصنوعی بسیاری از مشاغل طبقه حرفه‌ای را که دانشگاه دروازه ورود به آن‌ها بود، از بین خواهد برد. مشکل بسیار بزرگتر برای آموزش عالی این نیست که آن‌ها نمی‌توانند بفهمند چگونه از تقلب دانش‌آموزان جلوگیری کنند، بلکه این است که آن‌ها هنوز نفهمیده‌اند در دنیای هوش مصنوعی چه ارزشی اضافه می‌کنند.
مونیکا هسه: توانایی داشتن تفکری منظم، منطقی و متمایزکننده در این دوره فعلی مهم‌تر از هر زمان دیگری در طول زندگی من است. توانایی درک استدلال‌هایی که دیگران مطرح می‌کنند، توانایی درک چگونگی رد آن استدلال‌ها، توانایی تمایز بین تحقیق خوب و بد، نکات خوب و بد، و اینکه کدام مطالعات تأیید شده‌اند و کدام مطالعات دو سو کور (double blind) هستند - درک سیل عظیمی از اطلاعات و همچنین داشتن زمینه تاریخی برای درک آن اطلاعات. من فکر می‌کنم دانشگاه‌ها می‌توانند و باید همچنان مکانی برای پرورش این نوع توانایی‌ها باشند، که مهارت‌های سخت (hard skills) هستند – مهارت‌هایی که می‌توانند و باید آموزش داده شوند.
هوش مصنوعی در نهایت بسیاری از این مهارت‌ها را دور می‌زند (does an end run around). و من فکر می‌کنم این یک شکاف است که باید پر شود. نه به این دلیل که ما را کارگرانی بهتر یا پربارتر می‌کند، بلکه به این دلیل که برای اینکه انسانیت کاملاً متلاشی نشود، لازم است.
کل گفتگو را اینجا بشنوید: