وقتی هوش مصنوعی بخشی از کار دانشگاهی می‌شود، چه چیزی تقلب محسوب می‌شود؟
چرا تشخیص اینکه کدام بخش از کار دانشجو واقعاً حاصل تلاش خودش است، برای دانشگاه‌ها دشوارتر شده است؟
هوش مصنوعی مولد؛ یعنی هوش مصنوعی‌ای که در پاسخ به دستورها متن، کد و محتوای دیگری تولید می‌کند، اکنون می‌تواند بسیاری از کارهایی را انجام دهد که دانشگاه‌ها به‌طور سنتی برای ارزیابی دانشجویان از آنها استفاده می‌کردند. این ابزار می‌تواند مفاهیم را توضیح دهد، مسائل را حل کند، مقالات پژوهشی را خلاصه کند و پرسش‌های پژوهشی پیشنهاد دهد.
مروری بر پژوهش‌های انجام‌شده در سال ۲۰۲۵ نشان داد که از هوش مصنوعی برای مرور ادبیات پژوهشی، یعنی بررسی پژوهش‌های موجود، تحلیل داده‌ها، شکل‌دهی ایده‌های پژوهشی و نگارش دانشگاهی استفاده شده است. این بررسی همچنین نگرانی‌هایی درباره سوگیری، اطلاعات نادرست و یکپارچگی پژوهش، یعنی صداقت و دقت در پژوهش، مطرح کرد.
وقتی یک ماشین می‌تواند در چند ثانیه مقاله یا قطعه‌ای کد تولید کند، دیگر ممکن است نتیجه نهایی نشان ندهد که دانشجو به‌طور مستقل چه می‌داند یا چه کاری از دستش برمی‌آید. ممنوع کردن هوش مصنوعی نیز ممکن است فقط استفاده از آن را به پنهان‌کاری سوق دهد.
آیا استفاده از هوش مصنوعی همیشه تقلب است؟
خیر. این موضوع به نوع تکلیف، قوانین درس و میزان کاری که دانشجو به هوش مصنوعی واگذار می‌کند بستگی دارد.
استفاده از هوش مصنوعی برای اصلاح دستور زبان با درخواست از آن برای نوشتن یک مقاله کامل یکسان نیست. از آن خواستن برای شناسایی یک خطای کدنویسی نیز با تحویل دادن برنامه‌ای که دانشجو قادر به توضیح آن نیست، تفاوت دارد. همچنین استفاده از هوش مصنوعی برای پیدا کردن مقالات پژوهشی با سپردن تصمیم‌گیری درباره اینکه کدام شواهد از یک نتیجه‌گیری پشتیبانی می‌کنند، متفاوت است.
استوارت هارگریوز در پژوهشی در سال ۲۰۲۳، ChatGPT را که در آن زمان از مدل GPT-3.5 استفاده می‌کرد، در ۲۴ آزمون دانشکده حقوق آزمایش کرد. این ابزار در پاسخ به پرسش‌های کلی درباره اصول عمومی حقوق عملکرد خوبی داشت، اما در پرسش‌های پیچیده‌ای که به دانش حقوق در یک حوزه قضایی مشخص، یعنی یک کشور یا حوزه حقوقی معین، نیاز داشتند، با مشکل مواجه شد.
نوع ارزیابی اهمیت دارد. دانشگاه‌ها باید به‌روشنی مشخص کنند کدام تکالیف باید به‌طور مستقل توسط دانشجویان انجام شوند و در چه مواردی کمک گرفتن از هوش مصنوعی مجاز است.
چرا ممنوع کردن هوش مصنوعی کافی نیست؟
اگر دانشجو بتواند یک تکلیف را تقریباً به‌طور کامل با یک چت‌بات انجام دهد، اجرای ممنوعیت این ابزار بدون تغییر خود تکلیف می‌تواند دشوار باشد.
پژوهش‌ها بیش از پیش بر بازطراحی شیوه‌های ارزیابی تأکید دارند. در دانشگاه ملبورن، جولیان اوون هریس به‌جای یک گزارش پژوهشی واحد، مجموعه‌ای از تأملات انتقادی را جایگزین کرد که در آنها دانشجویان استفاده خود از ChatGPT را ثبت می‌کردند و درباره تأثیر احتمالی آن بر فعالیت حرفه‌ای آینده‌شان تأمل می‌کردند.
ایده این است که هم فرایند و هم نتیجه نهایی ارزیابی شود. استادان باید بدانند دانشجویان چگونه به یک پاسخ رسیده‌اند، چه تصمیم‌هایی گرفته‌اند و آیا می‌توانند کار خود را توضیح دهند، حتی اگر هوش مصنوعی در این مسیر به آنها کمک کرده باشد.
دانشجویان باید چه نوع استفاده‌ای از هوش مصنوعی داشته باشند؟
دانشگاه‌ها می‌توانند استفاده از هوش مصنوعی را در سه دسته کلی قرار دهند.
دسته نخست، استفاده ممنوع است؛ مانند استفاده از هوش مصنوعی در آزمونی که کمک گرفتن از منابع بیرونی در آن مجاز نیست، یا تحویل دادن کاری که هوش مصنوعی نوشته است به نام خود، در شرایطی که انجام مستقل کار الزامی است.
دسته دوم، کمک مجاز است؛ مانند ایده‌پردازی، ترجمه، اصلاح دستور زبان و اشکال‌زدایی، یعنی پیدا کردن و برطرف کردن خطاهای کد رایانه‌ای. ممکن است از دانشجویان خواسته شود استفاده خود از هوش مصنوعی را اعلام کنند.
گزارش شده است که برخی از درس‌های دانشکده علوم و مهندسی کامپیوتر مؤسسه فناوری هند در بمبئی (IIT Bombay) نیز رویکرد مشابهی دارند. در برخی درس‌های سال ۲۰۲۶، استفاده از مدل‌های زبانی بزرگ، یعنی سامانه‌های هوش مصنوعی که در پاسخ به دستورها متن تولید می‌کنند، برای تکالیف نوشتاری محدود شده، اما استفاده از آنها برای کارهای کدنویسی و پژوهشی در صورت اعلام استفاده مجاز است. استفاده از منابع بیرونی در طول آزمون نیز تقلب محسوب می‌شود.
رویکرد سوم، آموزش نحوه استفاده مسئولانه از هوش مصنوعی است. این آموزش شامل طرح پرسش‌های روشن، بررسی پاسخ‌ها، شناسایی خطاها و بهبود نتایج است؛ نه اینکه دانشجو هرچه ابزار تولید می‌کند بدون بررسی بپذیرد.
آیا هوش مصنوعی می‌تواند بر نحوه یادگیری دانشجویان اثر بگذارد؟
بله. اگر دانشجویان به‌طور معمول از هوش مصنوعی بخواهند مسائل را برایشان حل کند یا استدلال‌ها را به جای آنها بنویسد، ممکن است پاسخ را به دست آورند، بدون آنکه چگونگی رسیدن به آن را یاد بگیرند.
حل کردن یک مسئله دشوار، شکل دادن به یک استدلال و اصلاح کد، همگی بخشی از فرایند یادگیری هستند. اگر هوش مصنوعی این کارها را انجام دهد، دانشجویان فرصت تمرین این مهارت‌ها را از دست می‌دهند.
هوش مصنوعی در عین حال می‌تواند با کمک به مرور ادبیات پژوهشی، تحلیل داده‌ها و شکل‌گیری ایده‌های پژوهشی، فرایند تحقیق را سریع‌تر کند. اما مسئولیت ادعاها و یافته‌هایی که پژوهشگران منتشر می‌کنند همچنان بر عهده خود آنهاست.
مقاله‌ای که در سال ۲۰۲۵ در EMBO Reports منتشر شد، بررسی کرد که هوش مصنوعی مولد چگونه درباره یکپارچگی پژوهش پرسش‌هایی ایجاد می‌کند؛ به‌ویژه زمانی که تشخیص سهم انسان از کاری که ماشین تولید کرده است دشوار می‌شود. نظارت انسانی، یعنی بررسی کار و پذیرفتن مسئولیت آن توسط انسان‌ها، همچنان اهمیت دارد.
آیا همه دانشجویان دسترسی یکسانی به هوش مصنوعی دارند؟
خیر. برخی از ابزارهای پیشرفته‌تر هوش مصنوعی به اشتراک پولی نیاز دارند و همه دانشجویان توان پرداخت هزینه آنها را ندارند. دسترسی به رایانه، اینترنت قابل‌اعتماد و حمایت نهادی نیز برای همه یکسان نیست.
اگر هوش مصنوعی وارد تکالیف نمره‌دار شود، دانشگاه‌ها باید بررسی کنند که آیا همه دانشجویان به ابزارهایی که از آنها انتظار می‌رود استفاده کنند دسترسی دارند یا نه. در غیر این صورت، ممکن است برخی دانشجویان از مزیتی ناعادلانه برخوردار شوند.
حریم خصوصی نیز نگرانی دیگری است. دانشجویان و پژوهشگران ممکن است آثار منتشرنشده، اطلاعات شخصی یا مطالب آزمون را بدون اطلاع از نحوه ذخیره‌سازی یا استفاده از آنها، وارد سامانه‌های تجاری هوش مصنوعی کنند.
دانشگاه‌ها به مقررات روشنی درباره اینکه دانشجویان از چه ابزارهایی می‌توانند استفاده کنند، برای چه اهدافی، چه اطلاعاتی را می‌توانند وارد آنها کنند و در چه زمان‌هایی باید استفاده خود را اعلام کنند، نیاز دارند. صرفاً اعلام اینکه هوش مصنوعی مجاز یا ممنوع است، این نگرانی‌ها را برطرف نمی‌کند.
وقتی هوش مصنوعی می‌تواند کار دانشجویان را انجام دهد، دانشگاه‌ها چگونه باید آنها را ارزیابی کنند؟
دانشگاه‌ها باید مشخص کنند هر ارزیابی قرار است چه چیزی را بسنجد و سپس آن را متناسب با همان هدف طراحی کنند.
آزمون بسته، یعنی آزمونی که در آن دانشجویان اجازه استفاده از منابع بیرونی را ندارند، همچنان می‌تواند دانش پایه را بسنجد. یک تکلیف پژوهشی می‌تواند توانایی دانشجو در طرح پرسش، ارزیابی منابع و دفاع از نتیجه‌گیری‌هایش را ارزیابی کند. یک تکلیف برنامه‌نویسی نیز می‌تواند نشان دهد که دانشجو سازوکار کد خود را می‌فهمد، نه اینکه فقط بداند کد اجرا می‌شود.
در تکالیف نوشتاری می‌توان از دانشجویان خواست نشان دهند چگونه استدلال خود را شکل داده‌اند و از منابعشان استفاده کرده‌اند. گزینه‌های دیگر شامل تکالیف مرحله‌ای، پورتفولیو، یعنی مجموعه‌ای از آثار که روند پیشرفت دانشجو را نشان می‌دهد، آزمون‌های شفاهی و تکالیفی است که از دانشجویان می‌خواهد خطاهای موجود در محتوای تولیدشده توسط هوش مصنوعی را شناسایی و اصلاح کنند.
این روش‌ها به استادان اجازه می‌دهد درک دانشجویان را ارزیابی کنند، نه اینکه فقط به نتیجه نهایی‌ای تکیه کنند که ممکن است هوش مصنوعی در تولید آن نقش داشته باشد.
دانشگاه‌ها اکنون باید چه تصمیمی بگیرند؟
مسئله فقط این نیست که دانشگاه‌ها باید هوش مصنوعی را مجاز کنند یا ممنوع. دانشگاه‌ها باید مرزی روشن میان استفاده از هوش مصنوعی به‌عنوان ابزار کمکی و واگذار کردن کار فکری‌ای که انتظار می‌رود دانشجو خودش انجام دهد، ترسیم کنند.
دانشگاه‌ها به مقررات روشنی درباره زمان مجاز استفاده از هوش مصنوعی، مواردی که دانشجویان باید استفاده خود را اعلام کنند و اینکه چه چیزی تقلب محسوب می‌شود، نیاز دارند. آنها همچنین باید راه‌هایی برای اطمینان از درک دانشجویان نسبت به کاری که تحویل می‌دهند، در اختیار داشته باشند.
هدف این است که اطمینان حاصل شود دانشجویان، حتی با تبدیل شدن هوش مصنوعی به بخشی از فعالیت‌های دانشگاهی، دانش و مهارت‌هایی را کسب می‌کنند که مدرک تحصیلی آنها قرار است نماینده آن باشد.