وقتی هوش مصنوعی میتواند کارها را انجام دهد، دانشگاهها باید چه چیزی آموزش دهند؟ استادان دانشگاه استلنبوش با آیندهای در حال تغییر روبهرو هستند
دو استاد دانشگاه استلنبوش معتقدند با تحول پژوهش دانشگاهی و فعالیتهای حرفهای بهواسطه هوش مصنوعی، توانایی قضاوت و تصمیمگیری انسانی بیش از گذشته ارزشمند خواهد شد.

هوش مصنوعی (AI) در حال تغییر شیوه تولید دانش، انجام پژوهش و آموزش دانشجویان است. با افزایش توانایی ماشینها در انجام وظایفی که پیشتر به متخصصان آموزشدیده و باتجربه سپرده میشد، دانشگاهها با پرسشی اساسی روبهرو شدهاند: وقتی فناوری میتواند بخش بزرگی از کارها را انجام دهد، فارغالتحصیلان برای موفقیت در آینده به چه مهارتهایی نیاز خواهند داشت؟
این پرسش در ماه اکتبر و طی دو نشست در دانشگاه استلنبوش (SU) به موضوع اصلی بحثهای دانشگاهی درباره آینده آموزش عالی تبدیل شد؛ نشستهایی که در آنها هوش مصنوعی جایگاه برجستهای داشت.
دو استاد این دانشگاه، با وجود بررسی موضوع از منظر رشتههای تخصصی متفاوت، به نتیجهای تقریباً یکسان رسیدند: هرچه هوش مصنوعی تولید اطلاعات و دستاوردهای پیچیده را آسانتر میکند، توانایی تفکر مستقل، طرح پرسشهای معنادار و برخورداری از قدرت قضاوت درست ارزش بیشتری مییابد.
وقتی تولید دانش ارزان و آسان میشود
پروفسور یوهان فوری، استاد اقتصاد و رئیس گروه اقتصاد، تاریخ و سیاست، در سمینار آنلاین «ارتقای یادگیری و تدریس» (LTE) که مرکز آموزش و یادگیری دانشگاه استلنبوش در ۱۵ اکتبر برگزار کرد، به بررسی و نقد باورهای رایج درباره آینده فعالیتهای دانشگاهی پرداخت.
فوری در سخنرانی خود با عنوان «هوش مصنوعی و آینده دانشگاه (آفریقای جنوبی)» توضیح داد که این فناوری در حال تغییر بنیادین اقتصاد تولید دانش است. کارهایی که پیشتر به زمان قابلتوجه و تخصص ویژه نیاز داشتند، از تحلیل مجموعهدادهها گرفته تا نگارش مقالات علمی، اکنون بیش از پیش به کمک سامانههای هوش مصنوعی انجامپذیر شدهاند.
فوری که از طرفداران جدی ظرفیتهای این فناوری است، توضیح داد چگونه از هوش مصنوعی برای بازبینی دوباره ۳۰ مقاله پژوهشی منتشرشده خودش استفاده کرده است. این ابزار توانست خطاها و ضعفهایی را شناسایی کند که در فرایندهای معمول داوری دانشگاهی از چشم دور مانده بودند. از نظر او، این تجربه نشان داد هوش مصنوعی میتواند با آشکار کردن اشتباهات، آزمودن یافتههای تثبیتشده و سرعت بخشیدن به اکتشافات علمی، به تقویت سلامت و اعتبار پژوهش کمک کند.
بااینحال، آسانتر شدن تولید پژوهش چالش دیگری ایجاد میکند: اگر دانشگاهیان بتوانند هر سال صدها مقاله تولید کنند، چه کسی فرصت خواندن آنها را خواهد داشت و چگونه میتوان پژوهشهای ارزشمند را از میان انبوه اطلاعات تشخیص داد؟
فوری معتقد است در چنین شرایطی، توجه جامعه علمی، اعتبار پژوهشگران و توانایی تشخیص پرسشهای مهم پژوهشی ارزش فزایندهای پیدا میکند. به گفته او، «یافتن پرسش» به بخش محوری فرایند پژوهش تبدیل خواهد شد و محققان باید با دقت بیشتری تصمیم بگیرند کدام مسائل واقعاً ارزش بررسی دارند.
او این دیدگاه را به حوزه نگارش دانشگاهی نیز تعمیم داد؛ حوزهای که تواناییهای رو به رشد هوش مصنوعی در آن، رابطه سنتی میان نوشتن و اندیشیدن را به چالش کشیده است. فوری هشدار داد که اگر دانشجویان پیش از شکل دادن به درک و شناخت شخصی خود، انجام این کارها را به ماشینها بسپارند، ممکن است مهارتهای فکری ضروری را از دست بدهند.
او از استفاده گسترده و جسورانه از هوش مصنوعی حمایت کرد، اما در عین حال خواستار بازنگری در شیوه پرورش و ارزیابی قدرت قضاوت مستقل در دانشگاهها شد؛ از جمله فراهم کردن فرصتهایی برای دانشجویان تا بتوانند بدون کمک فناوری، میزان درک و دانش خود را نشان دهند.
از کدنویسی تا تشخیص آنچه اهمیت دارد
در ۱۹ اکتبر، پروفسور ویلم ویسر، استاد علوم کامپیوتر دانشگاه استلنبوش و دانشمند ارشد کاربردی در شرکت خدمات وب آمازون (AWS)، از منظر مهندسی نرمافزار به بررسی چالشی مشابه پرداخت.
ویسر در نشستی علمی که مؤسسه ملی علوم نظری و محاسباتی (NiTheCS) در مرکز دانشجویی نیلسه برگزار کرد، درباره تحول بنیادینی سخن گفت که هوش مصنوعی مولد در برنامهنویسی کامپیوتر ایجاد کرده است.
او در سخنرانی خود با عنوان «انگلیسی، زبان جدید برنامهنویسی است (و ما به گلوگاه جدید تبدیل شدهایم)» تصویری از آینده ارائه کرد که در آن میتوان نرمافزارهای پیشرفته را صرفاً با توضیح دادن عملکرد مورد انتظار به سامانههای هوش مصنوعی، آن هم به زبان معمولی، تولید کرد. توصیه او برای آینده آموزش علوم کامپیوتر این بود: «مهندسی نرمافزار بیشتر، کدنویسی کمتر».
ویسر با تکیه بر تجربه کاری خود در شرکت خدمات وب آمازون توضیح داد که عاملهای هوش مصنوعی برای کدنویسی میتوانند حجم عظیمی از نرمافزار تولید کنند و زمان موردنیاز برای توسعه برنامهها را بهشدت کاهش دهند. بااینحال، افزایش حجم کد لزوماً به معنای تولید نرمافزار بهتر نیست.
به اعتقاد او، چالش اصلی این است که دقیقاً مشخص شود یک سامانه باید چه کاری انجام دهد و سپس بررسی شود که آیا خروجی تولیدشده واقعاً با این الزامات مطابقت دارد یا خیر. ویسر توضیح داد که استدلال خودکار، منطق ریاضی و آزمونهای دقیق نرمافزاری میتوانند به پر کردن شکاف فزاینده میان سرعت تولید کد توسط هوش مصنوعی و توانایی اطمینان از درستی آن کمک کنند.
این رویکرد بر درک مسئله، طراحی سامانههای قابلاعتماد و ارزیابی نتایج تأکید بیشتری دارد. ویسر معتقد است دانشگاهها باید توجه بیشتری به این مهارتهای سطح بالاتر داشته باشند تا فارغالتحصیلان بتوانند از قدرت قضاوتی برخوردار شوند که در گذشته معمولاً طی سالها تجربه حرفهای به دست میآمد. او تأکید کرد: «علوم کامپیوتر اکنون از گذشته مهمتر است؛ اهمیت آن کمتر نشده است.»
آموزش قدرت قضاوت در عصر ماشینها
شاید مهمترین نکته مشترک در هر دو نشست، تناقضی آموزشی باشد: اگر دانشجویان انجام وظایف دشوار فکری را به هوش مصنوعی بسپارند، چگونه مهارت و تخصص لازم برای تشخیص درست یا نادرست بودن پاسخهای این فناوری را کسب خواهند کرد؟
فوری پذیرفت که واگذاری نگارش به هوش مصنوعی میتواند فرایند یادگیریای را تضعیف کند که هنگام تلاش دانشجویان برای تدوین و اصلاح استدلالهای خودشان شکل میگیرد.
ویسر نیز در جلسه پرسشوپاسخی پرشور با نگرانی مشابهی روبهرو شد. در این نشست، دانشگاهیان این پرسش را مطرح کردند که آیا دانشجویان بدون یادگیری اولیه برنامهنویسی بهصورت مستقل میتوانند توانایی حل مسئله را در خود پرورش دهند یا خیر. او پذیرفت که پاسخ سادهای برای این پرسش وجود ندارد.
یکی از روشهایی که ویسر برای مواجهه با این مسئله آزمایش کرده، الزام دانشجویان به ارائه کامل تعاملات خود با ابزارهای هوش مصنوعی است. به این ترتیب، استادان میتوانند بهجای ارزیابی صرف محصول نهایی، فرایند تفکر و تصمیمگیری دانشجویان را نیز بررسی کنند.
هر دو نشست به چالشهای گستردهتری نیز پرداختند. فوری با اشاره به نابرابری در دسترسی به فناوری هوش مصنوعی در آفریقای جنوبی، هزینه اینترنت و دسترسی به داده را از موانع اصلی دانست؛ هرچند همچنان به ظرفیت این فناوری برای دموکراتیکتر کردن دسترسی به دانش و فرصتها خوشبین بود. در مقابل، ویسر با پرسشهایی درباره مصرف قابلتوجه برق در زیرساختهای هوش مصنوعی و پیامدهای آن برای کشورهایی مواجه شد که با محدودیت منابع انرژی روبهرو هستند.
تأکید این دو استاد از نظر اولویتها متفاوت بود. فوری امیدوار است هوش مصنوعی دامنه امکانات پژوهش علمی را گسترش دهد و دانشگاهها را به آزمایش و تجربه جسورانهتر با این فناوری ترغیب میکند. ویسر بیشتر بر تغییرات فنی و آموزشی موردنیاز برای اطمینان از قابلاعتماد ماندن سامانههایی تمرکز داشت که روزبهروز خودکارتر میشوند.
بااینحال، پیام مشترک آنها روشن بود: دانشگاهها باید دانشجویان را برای همکاری هوشمندانه با هوش مصنوعی آماده کنند و همزمان از تواناییهای انسانیای که به دانش معنا میبخشند، محافظت کنند. آینده آموزش عالی ممکن است بیش از گذشته به این وابسته باشد که دانشگاهها به دانشجویان بیاموزند چگونه تشخیص دهند چه چیزی ارزش دانستن دارد، نه اینکه صرفاً چگونه پاسخی تولید کنند.
این گزارش با کمک ChatGPT و با نظارت انسانی هانلی بوینز تهیه شده است.
© خدمات رسانهای آموزش عالی.
