تحول آموزش عالی در عصر هوش مصنوعی: بازنگری در مهارت‌ها و شیوه‌های ارزیابی

هوش مصنوعی: از ابزاری تخصصی تا دسترس‌پذیری عمومی

در گذشته، استفاده از هوش مصنوعی نیازمند دانش برنامه‌نویسی و مهارت‌های فنی متعدد بود. اما امروز، این سد دسترسی برداشته شده و تقریباً هر فردی، حتی بدون تخصص ویژه، می‌تواند از این ابزارها بهره ببرد. کاهانی توضیح می‌دهد که چگونه این تغییر، نه تنها هزینه‌ها را کاهش داده، بلکه به اساتید علوم انسانی نیز امکان استفاده از هوش مصنوعی برای تحلیل، نگارش، تدریس و تولید محتوا را می‌دهد.

این تحول اساسی نشان می‌دهد که بسیاری از فعالیت‌های پیچیده یا زمان‌بر، اکنون به‌سادگی توسط هوش مصنوعی انجام می‌شوند. همان‌طور که ماشین‌حساب و رایانه فرایندهای آموزشی را متحول کردند، ابزارهای هوش مصنوعی نیز به بخشی جدایی‌ناپذیر از واقعیت آموزشی تبدیل شده‌اند و آموزش را در آستانه یک بازطراحی اساسی قرار داده‌اند.

چالش بازتعریف استانداردهای علمی در دانشگاه‌ها

با ورود هوش مصنوعی، شیوه‌های سنتی ارزیابی دیگر نمی‌توانند میزان واقعی یادگیری و توانایی فرد را نشان دهند. وقتی یک دانشجو می‌تواند با وارد کردن یک موضوع، مقاله، گزارش، ارائه و حتی فایل اسلاید آماده و منظم دریافت کند، بازنگری جدی در روش‌های مرسوم تکلیف‌دادن و سنجش علمی ضروری به نظر می‌رسد.

«هوش مصنوعی صرفاً یک ابزار کمکی نیست، بلکه عاملی در حال ایجاد یک تغییر پارادایمی در آموزش است؛ تغییری که هنوز بسیاری از استادان، مدیران آموزشی و طراحان برنامه درسی به‌طور کامل با ابعاد آن آشنا نشده‌اند.»

کاهانی تأکید می‌کند که هوش مصنوعی نه تنها تهدیدی برای شیوه‌های سنتی آموزش نیست، بلکه می‌تواند فرصت‌های بزرگی ایجاد کند. بسیاری از وظایف تکراری یا زمان‌بر اساتید اکنون می‌تواند به هوش مصنوعی سپرده شود، و این امر به اساتید امکان می‌دهد تا انرژی و زمان خود را بر بخش‌هایی متمرکز کنند که نیازمند قضاوت انسانی، تعامل عمیق و هدایت اختصاصی دانشجو هستند.

تحول در حوزه پژوهش

در گذشته، توانایی در انجام مرور ادبیات و نگارش پیشینه پژوهش، شاخص مهمی برای سنجش درک دانشجو بود. اما اکنون، ابزارهای هوش مصنوعی می‌توانند با دریافت چند مقاله یا یک موضوع مشخص، تحلیل‌های دقیق، دسته‌بندی‌های مفهومی و حتی نقشه‌ای از روندهای پژوهشی ارائه دهند. این قابلیت، سرعت پژوهش را به طرز چشمگیری افزایش داده و در عین حال، شیوه ارزیابی توانایی واقعی پژوهشگران را نیز با چالش مواجه کرده است.

با این حال، این تغییر به معنای بی‌معنا شدن دانشگاه یا آموزش حضوری نیست. همان‌گونه که با ظهور تجارت الکترونیکی، فروشگاه‌های فیزیکی از میان نرفتند، در آموزش نیز همه چیز به فضای مجازی یا ابزارهای هوشمند محدود نخواهد شد. ارزش آموزش در تجربه اجتماعی، گفت‌وگو، تعامل انسانی، شکل‌گیری هویت علمی، تمرین کار جمعی و حضور در یک محیط زنده آموزشی معنا پیدا می‌کند.

بازتعریف مفهوم «فارغ‌التحصیلِ ماهر» در عصر جدید

مهارت‌های مورد انتظار از فارغ‌التحصیلان در رشته‌های مختلف دچار تغییر شده است. به عنوان مثال، در رشته‌هایی مانند عمران، که پیش از این محاسبات دستی رایج بود، امروز نرم‌افزارها و ابزارهای تخصصی بخش عمده این محاسبات را انجام می‌دهند. مهندس عمران جدید شاید کمتر نیاز به محاسبات دستی داشته باشد، اما قطعاً باید با ابزارها و روش‌های استفاده از آن‌ها آشنا باشد. بنابراین، «مهارت» از انجام صرف عملیات دستی به «توانایی کار با ابزارها» و «درک کاربرد درست آن‌ها» تبدیل شده است.

• تغییر ماهیت مهارت: از انجام عملیات دستی به توانایی کار با ابزارها و درک کاربرد صحیح آن‌ها.
• بازنگری در شیوه سنجش: ارزیابی باید بر درک فرایند، تسلط به ابزار و توانایی استفاده درست از آن متمرکز باشد.
• سرعت تحولات: فرایند بازنگری آموزش دیگر آهسته نیست و نیازمند انعطاف‌پذیری بالایی است.

کاهانی به تشکیل کارگروه آموزش الکترونیکی و هوشمند توسط وزارت علوم اشاره می‌کند که در حال برنامه‌ریزی و تدوین آیین‌نامه‌ها و چارچوب‌های مرتبط است تا آموزش «چگونه» در عمل بازتعریف شود.

طراحی تکالیف مقاوم در برابر هوش مصنوعی

امروزه، ابزارهای هوش مصنوعی به قدری در دسترس دانشجو قرار گرفته‌اند که اگر تکالیف به شیوه قدیمی طراحی شوند، دانشجو به راحتی می‌تواند از هوش مصنوعی کمک بگیرد و خروجی آماده تولید کند. بنابراین، نوع تکلیف باید تغییر کند و به گونه‌ای طراحی شود که هوش مصنوعی نیز بدون درک عمیق نتواند صرفاً پاسخ آماده تولید کند.

«اگر قرار است ابزارهای هوش مصنوعی در امتحان یا تکلیف حضور داشته باشند، استاد باید یک پله بالاتر برود. یعنی دیگر نمی‌توان با سؤال‌های سطحی، تکراری یا صرفاً حافظه‌محور ارزیابی انجام داد.»

طراحی سؤال در این شرایط بسیار دشوارتر می‌شود، اما در عوض امکان سنجش واقعی‌تر فهم و تحلیل دانشجو فراهم می‌گردد. مسئله این نیست که هوش مصنوعی را حذف کنیم، بلکه باید سطح ارزیابی را چنان تنظیم کنیم که دانشجو برای پاسخ‌گویی، واقعاً نیازمند فهم عمیق درس باشد.

دانشگاه‌ها باید خود را با نیازهای آینده و بازار کار متأثر از هوش مصنوعی هماهنگ کنند. نقش استاد از تولیدکننده مستقیم محتوا به مربی، راهنما و انتخاب‌گر محتوا تغییر می‌کند. در چنین مدلی، آموزش نیز شکل تازه‌ای پیدا می‌کند و کلاس به سمت آموزش معکوس و یادگیری هدایت‌شده می‌رود. دانشجو پیش از کلاس بخشی از محتوا را مطالعه می‌کند و کلاس برای رفع اشکال، تحلیل عمیق‌تر و تمرین‌های هدفمند به کار می‌رود.

انقلاب هوش مصنوعی در بهره‌وری آموزشی و پژوهشی

در مواقعی که قوانین و مقررات پیچیده یا حجم زیادی از اطلاعات وجود دارد، دانشجو می‌تواند با کمک هوش مصنوعی، مجموعه‌ای از این قوانین را استخراج، دسته‌بندی و برای درک بهتر آماده کند. سپس با ارائه تمرین‌هایی متناسب با سطح دشواری مطلوب، مهارت خود را در به‌کارگیری این قوانین محک بزند. هوش مصنوعی می‌تواند با سرعت بالا، پیش‌نویس اولیه تمرین‌ها را تولید کند و سپس استاد با ویرایش و تنظیم دقیق آن، تمرین نهایی را آماده سازد.

در ارزیابی، زمانی که قوانین اندک و مشخص هستند، سنجش کمی آسان‌تر است. اما در شرایطی که استاد وقت زیادی را صرف آماده‌سازی محتوا و تمرین می‌کند، باید به معیارهای کیفی توجه بیشتری داشت. کیفیت نهایی خروجی دانشجو، چه در آزمون و چه در صنعت پس از فارغ‌التحصیلی، باید معیار اصلی ارزیابی باشد. اینکه دانشجو چقدر مفاهیم را درک کرده و چگونه می‌تواند آن‌ها را به‌کار گیرد، مهم‌تر از گرفتن یک نمره است.

سرعت تغییرات در حوزه‌های مختلف به قدری بالاست که ممکن است موضوع یک پایان‌نامه ارشد که امروز دفاع می‌شود، شش ماه دیگر موضوعی نوآورانه تلقی نشود. این نشان می‌دهد که سرعت تحول دانش و مهارت‌ها، نیازمند انعطاف‌پذیری بالایی در سیستم آموزشی است. هوش مصنوعی با صرفه‌جویی در وقت، امکان تمرکز بیشتر بر کیفیت و عمق پژوهش را فراهم می‌کند و به متخصصان کمک می‌کند تا در عرصه عمل نیز با بهره‌وری بیشتری فعالیت کنند و مهارت‌های خود را در جنبه‌های کاربردی و اجرایی ارتقا دهند.

در تحقیقات دکترا، تحلیل شبکه‌های اجتماعی برای شناسایی تیپ شخصیتی افراد و شخصی‌سازی نحوه ارائه پیام (تبلیغات محصول یا انتقال مفاهیم) متناسب با ویژگی‌های شخصیتی و علایق فرد، نشان‌دهنده عمق درک هوش مصنوعی از مخاطب است که پشت پرده بسیاری از سیستم‌های توصیه‌گر و هوشمند نهفته است.