چند وقت پیش با تعدادی از همکاران دانشگاهی‌ام درباره‌ی تجربه‌های تدریسمان حرف می‌زدیم. این نوشته از دل همان گفت‌وگوها بیرون آمد؛ دغدغه‌ای که فکر می‌کنم این روزها بسیاری از معلمان و مدرّسان با آن درگیرند، هرچند کمتر درباره‌اش حرف زده‌ایم.
یکی دو سالی است که آموزش عالی با مسئله‌ای جدی روبه‌رو شده است، جدی‌تر از نگرانی‌های قدیمی درباره‌ی تقلب دانشجویی. با آمدن ابزارهای هوش مصنوعی برای تولید متن، دیگر نمی توان مانند قبل با اطمینان فهمید کدام دانشجو واقعاً بااستعداد، و کدام یک فقط از این ابزارها کمک گرفته است.
بگذارید مثالی بزنم که در بیشتر گفت‌وگوهایم با همکاران مطرح می‌شود: در امتحانات مجازی چند ترم اخیر، موضوعی که بیش از هر چیز توجه را جلب می نماید شباهت عجیب پاسخ‌هاست. دانشجویانی که در کلاسها، سطوح بسیار متفاوتی از مشارکت و دقت داشتند، در برگه امتحان جواب‌هایی می‌دادند که از نظر جمله‌بندی، کلمه‌ها، و حتی منطق استدلال، عجیب شبیه هم بود: جمله‌هایی یکنواخت، فهرست‌هایی مرتب، لحنی صاف که هیچ فراز و نشیبی نداشت. انگار متن هیچ رد پای شخصی‌ای ندارد.
مسئله این است که این پدیده، «تقلب» در نوع قدیمی آن نیست. امکان ردیابی تقلب، در نوع قدیمی آن وجود داشت، متن با منبعی مشخص مقایسه، و در نهایت اثبات می شد. اما آنچه اکنون اتفاق می‌افتد، شکل دیگری دارد: پاسخ‌ها آن‌قدر شبیه هم شده‌اند که مرز بین «فهمیدن» و «کپی کردن» مبهم شده است. دانشجویی که جواب روان و منسجمی تحویل می‌دهد، ممکن است واقعاً مطلب را فهمیده و فقط برای پالایش نوشته‌اش از فناوری کمک گرفته باشد؛ یا ممکن است هیچ‌چیز نفهمیده باشد و همه‌چیز را مستقیم از هوش مصنوعی دریافت کرده باشد. با ابزارهایی که اکنون در دست داریم، تشخیص این دو حالت عملاً سخت و چالش برانگیز شده است.
چالش دیگر چیست؟ پیش از این یکی از راه‌های مهمی که با آن دانشجو را می‌شناختیم، خواندن نوشته‌اش بود؛ نوشته‌ای که فقط توانایی فردی را نشان نمی‌داد، بلکه شکلی از سرمایه‌ی فرهنگی و زبانی را هم نشان می‌داد که دانشجو در طول تحصیلش یاد گرفته بود. از لغزش‌های نوشتاری، تکرارها، جمله‌های ناقص یا ساختارهای دست‌وپاشکسته، پی می بردیم که دانشجو در کدام نقطه از مسیر یادگیری نوشتن است و چه توصیه‌ای باید به او بدهیم؛ برای مثال بگوییم جمله‌هایش را کوتاه‌تر کند، یا استدلالش را منظم‌تر بچیند، یا در انتخاب کلمه دقیق‌تر باشد. هر نوشتار، بیانگر ذهنیت و مهارت دانشجو به شمار می رفت.
اما اکنون کم کم به سمتی پیش می‌رویم که ناگهان نوشته‌ی اغلب دانشجویان تمیز و بی‌نقص شده؛ آنان غالبا متنی یکدست، بدون غلط، از نظر ساختاری بی‌عیب تحویل می دهند. این تمیزی ناگهانی، به‌جای آنکه نشانه‌ی پیشرفت باشد، بیشتر مایه‌ی نگرانی است. و درست همین‌جاست که آن ابزار قدیمیِ تشخیص، یعنی خواندن نوشته برای شناخت دانشجو، دیگر کاربرد ندارد. دانشجویی که واقعاً بااستعداد است و دانشجویی که فقط یاد گرفته چگونه از هوش مصنوعی سؤال بپرسد، ممکن است در نهایت نمره‌ی یکسانی بگیرند، درحالی‌که دو نوع کاملاً متفاوت از توانایی را نشان می‌دهند.
عمق مسئله وقتی بیشتر روشن می‌شود که کل مسیر آماده شدن اثری دانشجویی را، از ایده تا ارائه، مرور کنیم. امروزه هوش مصنوعی می‌تواند ایده‌ی اولیه یک موضوع پژوهشی یا تکلیف را پیشنهاد بدهد؛ منابع مرتبط را معرفی کند؛ همان منابع را خلاصه و دسته‌بندی کند؛ نوشتن متن را شروع کند؛ بعد از نوشتن، ویرایشش کند؛ اسلایدهای ارائه را بسازد؛ و حتی نحوه‌ی ارائه‌دادن مطلب را برای فرد شبیه‌سازی کند تا پیش از کلاس تمرین کرده باشد. وقتی هر کدام از این مراحل را یک ابزار هوشمند تهیه می‌کند، این سؤال پیش می‌آید که دیگر از «یادگیرنده» در محصول نهایی چه چیزی مانده؟ و اگر بیشتر این زنجیره را فناوری انجام می‌دهد، اصلاً نقش استاد در این میان چیست؟
آنچه تا اینجا گفتم بیشتر درباره‌ی دانشجویان بود؛ ولی باید صادق باشم، این نوشته درباره‌ی استادان هم هست. همان چالشی که در ارزیابی دانشجو با آن روبه‌روییم، در کار علمی خودمان هم هست. مثلاً هوش مصنوعی اکنون می‌تواند در زمانی بسیار کوتاه ترجمه‌ی یک کتاب را آماده کند؛ بعد با دقت، همان ترجمه را ویرایش کند و کار نهایی را تحویل دهد. آیا استادانی که کتاب ترجمه می‌کنند، از این ابزارها استفاده نمی‌کنند؟ و اگر استفاده می‌کنند، باید برای چنین فعالیتی همان امتیازی را بگیرند که قبلاً برای یک ترجمه‌ی کاملاً دستی در نظر گرفته می‌شد؟ اساسا آیا باید نام خود را به عنوان «مترجم» بر روی جلد کتاب بیاورند یا به عنوان «ناظر ترجمه»؟ داریم به سمت شرایطی می‌رویم که در بسیاری از معیارهای ارزیابی‌مان، چه برای دانشجو چه برای استادان، باید تجدیدنظر کنیم.
آنچه مسلم است این است که آموزش عالی در حال تجربه تحولی جدی است که فقط به فناوری محدود نیست، بلکه معنای مفاهیمی مانند «استعداد»، «شایستگی» و «سنجش عادلانه» را هم زیر سؤال می‌برد. اگر این واقعیت را نادیده بگیریم، فقط بحران را عقب انداخته ایم.
می‌دانید مسئله چیست؟ قبلا در این خصوص نوشته ام. ما دچار شکلی از «آنومی» شده‌ایم؛ مفهومی که امیل دورکیم، جامعه شناس فرانسوی از آن گفت: وضعیتی که قاعده‌های قدیمی دیگر جواب نمی‌دهند و قاعده‌ی تازه‌ای هم هنوز شکل نگرفته است. این روزها استادان هم نمی‌دانند راه درست کدام است. فرض کنید فناوری آمده و یک کار مشخص را در یک روز، حتی یک ساعت، انجام می‌دهد. باید به خودمان و دانشجویان بگوییم از آن استفاده کنند، یا بگوییم استفاده نکنند؟ تردید در این خصوص بسیار زیاد است؛ و شاید همین بلاتکلیفی، خودش بخشی از همان بحرانی است که پیش‌تر از آن حرف زدم.
و شاید صادقانه‌ترین جمله‌ای که می‌شود در پایان این یادداشت نوشت همین باشد: در مسیری هستیم که می‌دانیم دارد چه اتفاقی می‌افتد، ولی هنوز نمی‌دانیم باید چه‌کار کنیم.
*استاد دانشگاه
۴۷۴۷
