وابستگی فکری چگونه می‌تواند یادگیری را تضعیف کند و در خدمت تمرکز قدرت اقتصادی قرار گیرد
آموزش عرصهٔ مبارزه بر سر این است که چه کسانی قدرت فهم جهان و تغییر آن را داشته باشند. وقتی دانشگاه به کارخانهٔ مدرک تبدیل می‌شود و دسترسی به دانش و ابزارهای یادگیری، به کالایی وابسته به توان مالی افراد بدل می‌گردد، هوش مصنوعی می‌تواند جایگزینی خطرناک را شتاب دهد: پاسخ آماده به‌جای داوریِ پرورش‌یافته، محصول قابل‌فروش به‌جای فهم، و تبعیت از سامانه‌ها به‌جای توان به‌چالش‌کشیدن آن‌ها. پرسش فقط این نیست که هوش مصنوعی تکلیف را چقدر سریع‌تر انجام می‌دهد؛ پرسش این است که آموزش انسان مستقل می‌پرورد یا کاربرِ هرچه وابسته‌تر.
سرمایه‌داری از جامعهٔ غیرپرسشگر سود می‌برد. در نقد سیاسی‌ـ‌اقتصادی این مقاله، گرایش پایدار سرمایه آن است که زندگی اجتماعی را حول انباشت سامان دهد: انسان‌هایی به‌اندازهٔ کافی ماهر برای تولید، به‌اندازهٔ کافی آماده برای مصرف و با قدرتی ناکافی برای پرسش از مالکیت و استثمار. بنابراین تعبیر «شهروندان کم‌خرد»، اگر هوش مردم را مقصر بداند، توهینی گمراه‌کننده است. مسئلهٔ واقعی، تولید اجتماعیِ ناآگاهی و بی‌قدرتی سیاسی است.
سرمایه به هوش نیاز دارد، اما به هوشی در خدمت خود. به مهندسی نیاز دارد که محیط کار خودکار بسازد؛ با کارگری که می‌پرسد مالک آن کیست، معیشت چه کسی نابود می‌شود و مازاد تولید زیر کنترل چه کسانی قرار می‌گیرد، سازگاری کمتری دارد. تناقض آموزش سرمایه‌دارانه همین است: توانایی تولید را گسترش بده، اما قدرت جمعیِ تغییر جهت تولید به سوی نیاز انسانی را مهار کن. این نقدی ساختاری است، نه ادعای نیتی واحد برای همهٔ معلمان، شرکت‌ها یا نهادها در سراسر تاریخ.
وقتی هوش مصنوعی در مدرسه، دانشگاه و آموزش حرفه‌ای عمدتاً برای کاهش هزینهٔ نیروی کار، فروش دسترسی و افزایش تعداد خروجی‌ها وارد می‌شود، این تناقض ابزاری فنی و نیرومند پیدا می‌کند. واگذاری مکرر خواندن، استدلال و داوری می‌تواند انسان‌هایی بر جای بگذارد که فرصت کمتری برای تمرین تصمیم‌گیری درست داشته‌اند. این پیامد خطری وابسته به طراحی و مناسبات قدرت است، نه سرنوشتی ذاتی برای فناوری. مقابله با آن، هم تغییر شیوهٔ آموزش را می‌طلبد و هم مقابله با سازمان‌دهی تجاری آموزش را.
بدیل، آموزش برای رهایی است: برخورداری از زمان، امنیت مادی، دانش و اعتمادبه‌نفس جمعی برای پرسش از قدرت. یافته‌های پژوهشیِ زیر خطرهای آموزشی مشخصی را نشان می‌دهند؛ استدلال گسترده‌تر دربارهٔ سرمایه‌داری، تفسیر سیاسی این خطرهاست. موقعیت‌های کلاسی، مگر آنجا که به‌عنوان نمونهٔ مستند معرفی شده‌اند، مثال‌های توضیحی‌اند. نقد رادیکال باید در برخورد با شواهد دقیق‌تر باشد، نه سهل‌گیرتر.
۱. انجام تکلیف لزوماً به معنای یادگیری نیست
یک آزمایش میدانی تصادفی با مشارکت نزدیک به هزار دانش‌آموز دبیرستانی در درس ریاضی در ترکیه، این تفاوت را روشن می‌کند. دانش‌آموزانی که به یک دستیار عمومی مبتنی بر GPT دسترسی داشتند، هنگام تمرین عملکرد بهتری نشان دادند. اما پس از حذف این کمک، نمرهٔ این گروه حدود ۱۷ درصد پایین‌تر از گروهی بود که بدون آن تمرین کرده بود. یک دستیار آموزشی که با تمهیداتی برای حفاظت از یادگیری طراحی شده بود، تا حد زیادی از این آسیب جلوگیری کرد. این نتیجه به ابزارها و شرایط مشخصی مربوط است و ثابت نمی‌کند که هر نوع استفاده از هوش مصنوعی به یادگیری آسیب می‌زند. [۱]
- ریاضی: دانش‌آموز پاسخ‌های درست جبر را تحویل می‌دهد، اما نمی‌تواند توضیح دهد چرا یک عمل ریاضی تساوی را حفظ می‌کند.
- برنامه‌نویسی: دانشجو برنامه‌ای قابل‌اجرا تولید می‌کند، اما پس از تغییری کوچک در نیازمندی‌ها نمی‌تواند علت خطا را تشخیص دهد.
- علوم: دانش‌آموز توضیح یک آزمایش را تکرار می‌کند، اما نمی‌تواند پیش‌بینی کند تغییر یک متغیر چه پیامدی دارد.
- یادگیری زبان: زبان‌آموز ترجمه‌هایی روان ارائه می‌دهد، اما در گفت‌وگو نمی‌تواند جمله‌هایی هم‌سطح بسازد.
در هر مثال، محصول نهایی شکافی در فهم را پنهان می‌کند. نهادی که عمدتاً بر پایهٔ نرخ تکمیل دوره‌ها و مدارک صادرشده ارزیابی می‌شود، ممکن است انگیزهٔ چندانی برای آشکارکردن این شکاف نداشته باشد. آموزش باید بسنجد که یادگیرنده پس از کنارگذاشتن کمک، چه چیزی را می‌تواند توضیح دهد و انجام دهد.
۲. واگذاری استدلال می‌تواند تمرین داوری مستقل را تضعیف کند
هوش مصنوعی می‌تواند پرسش را انتخاب کند، شواهد را سامان دهد، استدلالی پیشنهاد کند و نتیجه‌گیری را بنویسد. وقتی یادگیرندگان همهٔ این مراحل را واگذار می‌کنند، فرصت تمرین انتخاب‌های فکری و دفاع از آن‌ها را از دست می‌دهند.
پیمایشی در سال ۲۰۲۵ با مشارکت ۳۱۹ نفر از شاغلان در کارهای دانشی نشان داد که اعتماد بیشتر به هوش مصنوعی مولد، با گزارش تفکر انتقادی کمتر همراه بوده است. این پژوهش دربارهٔ گزارش خودِ بزرگسالان از شیوهٔ کارشان بود؛ نه آزمایشی که ثابت کند دانش‌آموزان هوش خود را از دست می‌دهند. بااین‌حال، نگرانی مرتبطی را نشان می‌دهد: اعتماد به یک سامانه ممکن است دقت در بررسی را کاهش دهد. [۲]
- ادبیات: دانشجو تفسیری از یک رمان را می‌پذیرد، بی‌آنکه بررسی کند بخش‌های متن از آن پشتیبانی می‌کنند یا نه.
- تاریخ: دانش‌آموز «علت اصلی» یک انقلاب را می‌پرسد و هیچ‌گاه توضیح‌های رقیب را بررسی نمی‌کند.
- آمار: دانشجو نتیجهٔ یک نظرسنجی را بدون توجه به سوگیری در انتخاب نمونه یا عدم قطعیت تکرار می‌کند.
- مناظره: دانشجو استدلال‌های هر دو طرف را تولید می‌کند، اما تصمیم نمی‌گیرد کدام شواهد اعتبار بیشتری دارند.
پیامد شهروندی این مسئله مهم است. کسی که به پذیرش پاسخ‌های قاطع عادت کرده، ممکن است توضیح کارفرما یا رهبر سیاسی را نیز بدون بررسی پیش‌فرض‌های آن بپذیرد. این پیوندی محتمل است، نه اثبات اینکه استفادهٔ کلاسی از هوش مصنوعی باعث فرمان‌برداری سیاسی می‌شود.
۳. اطلاعات نادرستِ روان می‌تواند ظاهر مرجعیت پیدا کند
یک پاسخ ممکن است نادرست باشد، اما معتبر به نظر برسد. منابع نیز می‌توانند واقعی جلوه کنند، بی‌آنکه به اثری منتشرشده مربوط باشند. پژوهش والترز و وایلدر در سال ۲۰۲۳، منابع ساختگی و خطاهای کتاب‌شناختی را در مرورهای پژوهشی تولیدشده با نسخه‌های آن زمانِ ChatGPT ثبت کرد. نتایج آن پژوهش، نرخ خطای همهٔ سامانه‌های کنونی نیست، اما نشان می‌دهد چرا ارجاع‌های ظاهراً معتبر باید مستقلاً بررسی شوند. [۳]
- مقاله‌ای تاریخی سخنی را به فردی نسبت می‌دهد که هرگز آن را نگفته است.
- یک مرور پژوهشی به مقاله‌ای در یک نشریه ارجاع می‌دهد که وجود خارجی ندارد.
- ارائه‌ای در زیست‌شناسی با لحنی قاطع دو فرایند مرتبط را با یکدیگر اشتباه می‌گیرد.
- تکلیف اقتصاد از آماری واقعی با سال، کشور یا مخرجِ محاسبهٔ نادرست استفاده می‌کند.
خواننده‌ای که زبان خوش‌پرداخت را معادل دانش قابل‌اعتماد می‌داند، علاوه بر خطاهای چت‌بات، در برابر تبلیغات تجاری، روابط عمومی شرکت‌ها و پیام‌های سیاسی نیز آسیب‌پذیر است. یادگیرندگان باید منابع را پیدا کنند، مطالب مرتبط را بخوانند و بررسی کنند که آیا از ادعا پشتیبانی می‌کنند یا نه. درخواست تأیید پاسخ از همان سامانه، راستی‌آزمایی کافی نیست.
۴. میان‌بُرها می‌توانند تمرینی را حذف کنند که فهم را می‌سازد
خواندن مطالب دشوار، نوشتن پیش‌نویس استدلال، به‌یادآوردن یک مفهوم و حل مسئله‌ای ناآشنا، دقیقاً به این دلیل ارزشمندند که توجه مستمر می‌طلبند. خطر زمانی بیشتر است که یک میان‌بُر، بارها جای مهارتی را بگیرد که تکلیف برای پرورش آن طراحی شده است.
- خواندن: دانش‌آموز خلاصه‌ها را جایگزین متن کامل می‌کند و از دنبال‌کردن استدلالی پیچیده دور می‌ماند.
- نوشتن: دانشجو عبارت‌های مقالهٔ تولیدشده را ویرایش می‌کند، بدون اینکه دربارهٔ مسیر گسترش استدلال تصمیم بگیرد.
- پژوهش: دانشجو یک جمع‌بندی را بدون مقایسهٔ منابع زیربنایی آن می‌پذیرد.
- حل مسئله: دانش‌آموز به‌جای آزمودن یک روش و بررسی خطا، بلافاصله پاسخ نهایی را درخواست می‌کند.
این مثال‌ها سازوکارهای احتمالی را شرح می‌دهند و ثابت نمی‌کنند که هر خلاصه یا ابزار کمک‌نوشتاری آسیب‌زاست. ابزارهای دسترس‌پذیری و توضیح‌های کمکی می‌توانند مشارکت را ممکن کنند. پرسش این است که آیا کمک، یادگیرنده را در فعالیت فکری درگیر می‌کند یا پیوسته آن فعالیت را کنار می‌زند.
۵. هوش مصنوعی می‌تواند دشواری‌های یادگیری را از معلمان پنهان کند
معلمان از تکالیف برای شناخت استدلال یادگیرندگان استفاده می‌کنند. اگر کار تحویل‌داده‌شده عمدتاً بازتاب متن تولیدشده باشد، این اطلاعات کمتر قابل‌اعتماد می‌شود. دانشجویی که نمی‌تواند هم‌بستگی را از رابطهٔ علّی تشخیص دهد، ممکن است مقاله‌ای ارائه کند که هر دو را درست به کار می‌برد و بدفهمیِ نیازمند توجه را پنهان می‌کند.
- زبان‌آموز متنی با دستور زبان درست ارائه می‌کند، درحالی‌که بدفهمی‌های ماندگار او همچنان برطرف نشده‌اند.
- دانشجو در مقاله‌نویسی نمره‌های بالا می‌گیرد، اما در آزمونی مستقل نمی‌تواند استدلالش را سامان دهد.
- یک گروه ارائه‌ای پیشرفته تحویل می‌دهد، درحالی‌که فقط یک عضو ادعاهای آن را می‌فهمد.
نهادهای آموزشی به شواهدی از استدلال خودِ یادگیرنده نیاز دارند: توضیح شفاهی، پیش‌نویس‌های دارای یادداشت، کار کلاسی و کاربرد آموخته‌ها در مسائل تازه. مدرک باید نشان‌دهندهٔ شایستگیِ پرورش‌یافته باشد، نه صرفاً دسترسی به سامانه‌ای توانمند.
۶. ماهر برای تولید، بی‌قدرت در برابر استثمار
کارگری که وظیفه را انجام می‌دهد برای کارفرما مفید است. کارگرانی که استثمار را نیز می‌فهمند، جمعی سازمان می‌یابند و مالکیت را به پرسش می‌گیرند، قدرت مدیریتی را به چالش می‌کشند. تفاوت، تقابل انتزاعیِ هوش و نادانی نیست؛ تفاوت میان توانایی‌هایی است که برای سود بسیج می‌شوند و دانشی که با قدرتِ نپذیرفتن شرایط ناعادلانه پیوند می‌خورد.
تکلیفی در اقتصاد را تصور کنید که می‌پرسد چرا سود یک شرکت افزایش یافته است. پاسخ ممکن است بر نوآوری، بهره‌وری و مدیریت تأکید کند، اما مهار دستمزدها، پیمان‌سپاری، تمرکز بازار یا یارانه‌های عمومی را نادیده بگیرد. مسئله این نیست که هر پاسخ هوش مصنوعی به سود بنگاه‌هاست؛ مسئله این است که پذیرش نخستین توضیح، بررسی توضیح‌های رقیب و چگونگی توزیع منافع را متوقف می‌کند.
آموزش انتقادی می‌پرسد: چه کسانی ثروت اضافی را تولید کردند؟ چه کسانی آن را دریافت کردند؟ قدرت چانه‌زنی هر گروه چه اندازه بود؟ مهارت فنی به‌تنهایی توانایی یا تمایل به پیگیری این پرسش‌ها را تضمین نمی‌کند.
- دانشجوی کسب‌وکار طرح بازسازی ساختار یک بنگاه را بدون توجه به پیامدهای آن برای کارگران تهیه می‌کند.
- دانشجوی فناوری سامانهٔ خودکار نظارت بر محیط کار طراحی می‌کند، بدون اینکه بپرسد چه کسی می‌تواند به تصمیم‌های آن اعتراض کند.
- دانشجوی مدیریت جایگزینی کارکنان با هوش مصنوعی را پیشنهاد می‌کند، بدون اینکه کیفیت خدمات، تخصصِ کنارگذاشته‌شده یا چگونگی توزیع صرفه‌جویی‌ها را ارزیابی کند.
توانایی فنی می‌تواند با انفعال سیاسی هم‌زمان باشد. دانشگاهی که بهینه‌سازی اخراج کارکنان را می‌آموزد، اما راه اعتراض و مقاومت کارگران را نادیده می‌گیرد، انتخابی سیاسی کرده است؛ حتی اگر آن را بی‌طرفی بنامد. آموزش رهایی‌بخش باید بپرسد یک سامانه نه‌فقط چگونه کار می‌کند، بلکه برای چه کسانی کار می‌کند و چه کسانی قدرت تغییر آن را دارند.
۷. از شهروند مستقل تا مصرف‌کنندهٔ پیش‌بینی‌پذیر
از دید فروشنده، کسی که پیوسته تبلیغات، ترتیبات تأمین مالی، کهنگیِ برنامه‌ریزی‌شدهٔ کالاها و مصرف غیرضروری را زیر سؤال می‌برد، می‌تواند دردسرساز باشد. آموزش می‌تواند انتخاب کارآمد میان کالاها را بیاموزد، اما خودِ سازمان‌دهی مصرف را از پرسش مصون نگه دارد.
دانشجویی را تصور کنید که برای انتخاب تلفن همراه از هوش مصنوعی کمک می‌گیرد. مقایسهٔ قیمت و امکانات مفید است. بررسی عمیق‌تر همچنین می‌پرسد آیا تعویض گوشی ضروری است، آیا تعمیر آن ممکن است، آیا روابط تجاری بر توصیه‌ها اثر دارند و تولید آن چه هزینه‌های کاری و زیست‌محیطی دارد.
بازار به تصمیم خرید پاداش می‌دهد؛ دموکراسی به قدرتِ پرسش از خودِ گزینه‌های عرضه‌شده نیاز دارد. انسان ممکن است در انتخاب کالا بسیار کارآمد شود، اما فراموش کند چرا نیازها از ابتدا در قالب تجاری تعریف شده‌اند. آموزش باید توان ردِ نیازهای ساخته‌شده، آشکارکردن هزینه‌های پنهان و مقدم‌دانستن رفاه انسانی بر الزام فروش را پرورش دهد.
۸. دانشگاه ارزان‌شده و بهای سنگینِ ازدست‌رفتن داوری
هوش مصنوعی وعده‌ای وسوسه‌انگیز به نهادها می‌دهد: آموزش بیشتر با آموزگاران حقوق‌بگیر کمتر. در مدرسه‌ای فرضی، آموزش خودکار هزینه‌ها را کاهش می‌دهد و میزان انجام تکالیف را بالا می‌برد. مدیران از نوسازی سخن می‌گویند. اما این شاخص‌ها به‌تنهایی نشان نمی‌دهند که یادگیرندگان مستقلاً استدلال می‌کنند، خطا را تشخیص می‌دهند یا دانش را بدون کمک به کار می‌گیرند.
معلمان فراتر از ارائهٔ پاسخ عمل می‌کنند. سردرگمی را تشخیص می‌دهند، به اختلاف‌نظر میدان می‌دهند، زمینه را تفسیر می‌کنند و به یادگیرندگان کمک می‌کنند به داوری خود اعتماد پیدا کنند. هنگامی که صرفه‌جویی معیار اصلی موفقیت شود، ممکن است یک نهاد در عبور دادن افراد از مراحل آموزشی کارآمدتر و در آموزش واقعی آن‌ها کم‌اثرتر شود.
اگر فروشنده درآمد را تصاحب کند و نهاد آموزشی صرفه‌جویی را، درحالی‌که دانشجویان زیانِ کاهش آموزش را تحمل کنند، کارآمدی به انتقال هزینه به پایین تبدیل می‌شود. باید این منطق را رد کرد که آموزش انسانی امتیاز ثروتمندان باشد و دیگران به پاسخ خودکار قناعت کنند. آموزش عمومی حقی اجتماعی است، نه بازاری تضمین‌شده برای شرکت‌های فناوری.
۹. حمایت نابرابر می‌تواند به بهره‌مندی نابرابر بینجامد
دسترسی به هوش مصنوعی، بهره‌مندی آموزشی برابر را تضمین نمی‌کند. یادگیرندگان به راهنمایی، دانش موضوعی، رابط‌های دسترس‌پذیر و فرصت پرسش از خروجی‌ها نیز نیاز دارند. یونسکو در به‌کارگیری هوش مصنوعی مولد بر عاملیت انسانی، عدالت، حریم خصوصی و اعتبارسنجی آموزشی تأکید می‌کند. این‌ها اصول اجرا هستند، نه شواهدی مبنی بر اینکه هر کاربردی نابرابری را افزایش می‌دهد. [۴]
- یک دانش‌آموز زیر نظر معلم از آموزش کمکی استفاده می‌کند و باید توضیح بدهد؛ دیگری پاسخ‌های آماده دریافت می‌کند.
- یک مدرسه هوش مصنوعی را در کنار تدریس در گروه‌های کوچک به کار می‌گیرد؛ مدرسه‌ای دیگر از آن برای کاهش دسترسی به معلمان استفاده می‌کند.
- یک یادگیرنده به پشتوانهٔ دانش قبلی قوی خطاها را تشخیص می‌دهد؛ دیگری همان خروجی را بی‌چون‌وچرا می‌پذیرد.
نابرابری ممکن است به همان اندازه که به دسترسی به ابزار مربوط است، به کیفیت آموزش پیرامون آن نیز مربوط باشد. احتمال نگران‌کننده، شکل‌گیری نظامی دوپاره است که در آن دانش‌آموزان برخوردار، راهنمایی انسانی را حفظ می‌کنند و دیگران عمدتاً آموزش خودکار می‌گیرند. این خطری برای ارزیابی است، نه نتیجه‌ای اجتناب‌ناپذیر.
۱۰. نظارت نهادی می‌تواند بی‌عدالتی بیشتری ایجاد کند
نهادهای آموزشی ممکن است با قطعی تلقی‌کردن داوری‌های خودکار، از هوش مصنوعی سوءاستفاده کنند. پژوهش لیانگ و همکاران نشان داد ابزارهای تشخیص متنِ هوش مصنوعی، در نمونه‌های بررسی‌شده، نوشته‌های انگلیسیِ افراد غیربومی را بارها به‌اشتباه طبقه‌بندی کرده‌اند. این یافته دربارهٔ استفاده از امتیاز چنین ابزارهایی به‌عنوان مدرک تخلف، نگرانی عدالت‌محور ایجاد می‌کند. [۵]
پیامدی فرضی آن است که یک زبان‌آموز انگلیسی به دلیل استفاده از واژگان و ساختارهای جملهٔ نسبتاً پیش‌بینی‌پذیر، به تقلب متهم شود. در این حالت، سامانه به‌جای ارزیابی قابل‌اعتمادِ نویسندگی، به مانعی نهادی تبدیل می‌شود.
رویه‌های منصفانه باید خودِ تکلیف، توضیح یادگیرنده، پیش‌نویس‌های موجود و شواهد مرتبط دیگر را بررسی کنند. یادگیرندگان به قواعد روشنی نیاز دارند که کمک مجاز را از جایگزینی ممنوع متمایز کند. حریم خصوصی نیز مهم است: سهولت آموزشی نباید خودبه‌خود انتقال کارِ قابل‌انتساب به دانش‌آموز یا اطلاعات حساس او به یک خدمت بیرونی را توجیه کند.
۱۱. تعامل انسانی بخشی از آموزش است
آموزش توانایی گوش‌دادن، مخالفت‌کردن، همکاری و توضیح ایده‌ها به دیگران را پرورش می‌دهد. اگر اعضای یک گروه، بخش‌های جداگانهٔ پروژه را تولید و بدون گفت‌وگو به هم متصل کنند، تکلیف ممکن است کامل شود، اما تمرین موردنظر برای استدلال جمعی از میان برود.
جایگزین‌کردن همهٔ گفت‌وگوهای همتایان با تبادل خصوصی با چت‌بات نیز می‌تواند مواجهه با افرادی را کاهش دهد که تجربه‌هایشان پیش‌فرض‌های یادگیرنده را به چالش می‌کشد. این‌ها خطرهایی محتمل‌اند که اندازهٔ آن‌ها به شیوهٔ اجرا بستگی دارد. یونسکو حفظ فرصت‌های استدلال مستقل، مشاهدهٔ جهان واقعی و تعامل اجتماعی انسانی را توصیه می‌کند. [۴]
استدلال جمعی برای سازمان‌یابی در محیط کار، دفاع از خدمات عمومی و ساختن قدرت دموکراتیک ضروری است. آموزشی که به تبادل خصوصی میان کاربری منزوی و سامانه‌ای انحصاری تقلیل یابد، این توانایی‌ها را کم‌پرورش می‌گذارد. رهایی مستلزم آن است که مردم با هم بیاموزند، شرایط مشترکشان را بشناسند و توان کنش مشترک خود را کشف کنند.
۱۲. وابستگی به پلتفرم‌ها می‌تواند به وابستگی به چارچوب‌بندی خصوصی تبدیل شود
هنگامی که یادگیرندگان عمدتاً از طریق سامانه‌های تجاری به دانش دسترسی پیدا می‌کنند، با آن از مسیر رابط‌ها و قواعدی روبه‌رو می‌شوند که بخش خصوصی طراحی کرده است. درستی اطلاعات ضروری است، اما تنها پرسش نیست.
چه کسی تعیین می‌کند کدام منابع بیشتر دیده شوند؟ کدام زبان‌ها و تجربه‌ها کمتر بازنمایی می‌شوند؟ چه روابط تجاری بر خدمت اثر می‌گذارند؟ آیا کاربران می‌توانند تصمیم‌های آن را بررسی کنند یا به چالش بکشند؟ آیا یادگیرندگان روش تحقیق دربارهٔ یک پرسش را می‌آموزند یا فقط شیوهٔ درخواست پاسخ تولیدشده را؟
یادگیرنده‌ای که هرگز این پرسش‌ها را مطرح نمی‌کند، ممکن است یک رابط تجاری را مرجعی بی‌طرف بداند. در این صورت، وابستگی علاوه بر فناوری، فکری هم می‌شود: افراد در درخواست پاسخ ورزیده می‌شوند، اما در تصمیم‌گیری دربارهٔ چگونگی صورت‌بندی پرسش‌ها کمتر تمرین می‌کنند.
۱۳. مسئلهٔ دموکراسی: چه کسی از جامعهٔ غیرپرسشگر سود می‌برد؟
پیوند این موضوع با شهروندی، استدلالی دربارهٔ پیامدهای ممکن است؛ نه یافته‌ای قطعی که هوش مصنوعی موجب افول دموکراسی می‌شود. شهروندان باید منابع را ارزیابی کنند، مقایسه‌های گمراه‌کننده را بشناسند، عدم قطعیت را بفهمند و صاحبان قدرت را به پرسش بگیرند. اگر آموزش به پذیرش پاسخ‌های روان و بررسی‌نشده پاداش دهد، ممکن است این عادت‌ها به زندگی عمومی نیز راه یابند.
- انتخابات: رأی‌دهنده مقایسهٔ تولیدشده دربارهٔ نامزدها را بدون بررسی منابع، تاریخ‌ها، تأمین مالی کارزارها یا موارد حذف‌شده می‌پذیرد.
- دستمزد: خواننده ادعای افزایش حقوق را تکرار می‌کند، بدون اینکه بپرسد آیا ارقام، تورم را در نظر گرفته‌اند.
- هزینه‌های عمومی: شهروند خلاصهٔ بودجه را می‌پذیرد، بدون اینکه بررسی کند هر سرفصل چه خدماتی را شامل می‌شود یا بار کاهش‌های پیشنهادی بر دوش چه کسانی می‌افتد.
- حقوق بشر: خواننده روایتی تولیدشده از زندانی‌شدن سیاسی را کامل می‌داند، بدون اینکه شهادت‌ها یا اسناد مستقل را بررسی کند.
- روزنامه‌نگاری: دانشجو مقاله‌ای اثرگذار می‌نویسد، بدون اینکه منافع پشت منابع آن را بررسی کند.
- بحث سیاسی: فرد استدلالی چشمگیر را منتشر می‌کند که در آن ادعاهای واقعیِ فاقد پشتوانه وجود دارد.
این گزاره را در نظر بگیرید: «هیچ راهی جز کاهش خدمات عمومی وجود ندارد.» آموزش انتقادی از یادگیرندگان می‌خواهد مالیات، اولویت‌های هزینه‌کرد، مالکیت و توزیع هزینه‌ها را بررسی کنند. آموزشی که بر بازتولید پاسخ‌های تأییدشده متمرکز است، ممکن است این پیش‌فرض را بررسی‌نشده باقی بگذارد.
نتیجهٔ سیاسی روشن است: سرمایه وقتی نیرومندتر می‌شود که مردم بتوانند سامانه‌هایش را به کار بیندازند، اما نتوانند شرایط آن‌ها را به‌طور مؤثر به پرسش بگیرند. آموزشِ متکی بر هوش مصنوعی، هنگامی که پذیرش پاسخ را تمرین می‌دهد و امکانات تحقیق را دریغ می‌کند، می‌تواند این وابستگی را عمیق‌تر کند. بنابراین مقاومت باید استقلال فکری را به استقلال مادی پیوند دهد: زمان مطالعه، معیشت امن، نهادهای عمومی نیرومند و قدرت جمعی بر فناوری.
۱۴. دانشگاه‌ها چگونه از فضای تفکر مستقل دفاع می‌کنند؟
واکنش در بخش‌هایی از آموزش عالی آمریکا هم‌اکنون دیده می‌شود: نوشتن تحت نظارت، دفاع شفاهی، محدودکردن ابزارها و قواعد صریح برای کارِ تولیدشده با هوش مصنوعی. این روش‌ها می‌توانند فرصت جایگزین‌کردن دانش خودِ دانشجو با خروجی خودکار را کاهش دهند. همهٔ آن‌ها ممنوعیت سراسری دانشگاه نیستند و حذف کامل هر شکل از کمک غیرمجاز را تضمین نمی‌کنند.
کرنل: ارزیابی کاغذی و پرسش‌وپاسخ رودررو
گزارش اکتبر ۲۰۲۵ کرنل توضیح می‌دهد که لیز کارنز بخشی از ارزیابی را به کار کلاسی با کاغذ و قلم تغییر داده و گفت‌وگوهای فردی ۱۵دقیقه‌ای دربارهٔ محتوای درس افزوده است. همان گزارش از بازگشت سیلویا آمیگوـ‌سیلوستره به آزمون‌های نوشتاری و شفاهی خبر می‌دهد. این‌ها شیوه‌های مستندِ برخی درس‌ها هستند، نه ممنوعیتی در سراسر کرنل. [۷]
مطالعات اجتماعی هاروارد: ممنوعیت گسترده به‌عنوان قاعدهٔ پیش‌فرض
برنامهٔ مطالعات اجتماعی هاروارد استفاده از هوش مصنوعی مولد و عامل‌محور را در کارهای تحویلی، از تحلیل و پژوهش تا پیش‌نویس، ویرایش، امتحان و پایان‌نامه، ممنوع می‌کند. استادان می‌توانند سیاست دیگری اعلام کنند و برخی کاربردهای پایان‌نامه به استثنای تأییدشده نیاز دارند. این محدودیتی جدی در همان برنامه است، نه ممنوعیت هوش مصنوعی در کل هاروارد. [۸]
دانشکدهٔ مطالعات عمومی کلمبیا: ضرورت اجازهٔ صریح
آیین‌نامهٔ دانشکدهٔ مطالعات عمومی کلمبیا استفاده از هوش مصنوعی مولد در تکلیف یا امتحان را بدون اجازهٔ صریح استاد ممنوع می‌داند و استفادهٔ غیرمجاز را مشابه کمک غیرمجاز یا سرقت علمی تلقی می‌کند. دامنه مهم است: این قاعدهٔ منتشرشدهٔ همان دانشکده دربارهٔ درستکاری علمی است، نه مدرک ممنوعیت همهٔ پژوهش‌ها یا تمام کاربردهای هوش مصنوعی در کلمبیا. [۹]
مرکز بوک هاروارد: سنجش با حضور خودِ دانشجو
مرکز بوک روش‌هایی مانند نوشتن کلاسی روی کاغذ با کنارگذاشتن دستگاه‌ها، گفت‌وگوی شفاهی پیش یا پس از تحویل کار و آزمون‌های تحت نظارت برای سنجش فهم را پیشنهاد می‌کند. این‌ها توصیه‌هایی برای انتخاب استادان‌اند، نه مقررات اجباری سراسر هاروارد. هدف، آشکارکردن استدلال خودِ دانشجوست. [۱۰]
دکتری ارتباطات کرنل: نویسندگی مستقل و دفاع شفاهی
سیاست دکتری ارتباطات کرنل، استفاده از هوش مصنوعی مولد برای تهیهٔ پیش‌نویس یا نوشتن مقاله‌های آزمون A یا رساله را منع می‌کند. کاربردهای دیگر باید افشا و بررسی شوند و دانشجو در آزمون‌های A و B باید منابع و استدلال‌ها را شفاهی توضیح دهد. این روش، محدودیت نوشتاری را با پاسخ‌گویی مستقیم فکری ترکیب می‌کند. [۱۱]
آزمون شفاهی پرسشی را مطرح می‌کند که مقالهٔ تولیدشده می‌تواند از آن بگریزد: آیا دانشجو می‌تواند توضیح دهد چرا پاسخی موجه است، به ایراد پاسخ دهد و با تغییر شواهد نتیجه‌گیری‌اش را اصلاح کند؟ ارزیابی نوشتاری حضوری با کنارگذاشتن ابزارهای غیرمجاز، توانایی یادگیرنده را بدون واگذاری کار می‌سنجد. این روش‌ها باید تسهیلات موردنیاز افراد دارای معلولیت و شرایط منصفانه داشته باشند؛ حفاظت از یادگیری نباید بهانهٔ نظارت مداخله‌گر یا مجازات خودسرانه شود.
این حفاظت‌ها لازم‌اند، اما کافی نیستند. دانشگاه نمی‌تواند فقط با کنارگذاشتن تلفن همراه از تفکر مستقل دفاع کند، درحالی‌که معلمان را نیروی کارِ دورریختنی و دانشجویان را مشتریِ پرداخت‌کننده می‌داند. مبارزهٔ عمیق‌تر، بازپس‌گیری آموزش از فرمانروایی سود و دادن قدرت دموکراتیک به آموزگاران، یادگیرندگان و جامعه برای تعیین هدف‌های آن است.
۱۵. بازپس‌گیری فناوری به‌جای تسلیم‌شدن به آن
نقد مسئولانه باید شواهد مربوط به فایده‌ها را نیز در بر بگیرد. یک پژوهش تصادفی در درس فیزیک دانشگاهی نشان داد دستیار آموزشیِ هوش مصنوعی با طراحی سنجیده، نسبت به کلاس مقایسه‌ای با یادگیری فعال، به پیشرفت یادگیری بیشتری انجامید. این نتیجه به طراحی و محیطی مشخص مربوط است و ثابت نمی‌کند که هوش مصنوعی می‌تواند در همهٔ درس‌ها و سنین جای معلمان را بگیرد. [۶]
این پژوهش در کنار آزمایش ریاضی نشان می‌دهد طراحی اهمیت دارد. سامانه‌ای که سؤال می‌پرسد، راهنمایی مناسب می‌دهد و فهم را بررسی می‌کند، کارکرد آموزشی متفاوتی از سامانه‌ای دارد که فقط پاسخ کامل ارائه می‌دهد. هوش مصنوعی همچنین می‌تواند به مقایسهٔ استدلال‌های اقتصادی، بررسی ادعاهای شرکت‌ها، مطالعهٔ تاریخ کارگران و شناسایی پرسش‌های پژوهشی تازه کمک کند.
خط تمایز، کنترل است: آیا معلمان، یادگیرندگان و جامعه هدف‌های آموزش را تعیین می‌کنند یا فروشندگان و مدیرانِ هزینه‌کاه؟ مفیدبودن یک ابزار، مالکیت شرکتی بر فرایند یادگیری را توجیه نمی‌کند. می‌توان از کاربردهای سودمند دفاع کرد و هم‌زمان با وابستگی، خصوصی‌سازی و جایگزینی آموزش انسانی مخالفت کرد.
۱۶. برنامه‌ای برای رهایی آموزش
- وقتی هدف آموزشی حل مستقل مسئله است، پیش از درخواست کمک، تلاش اولیهٔ خودِ یادگیرنده الزامی باشد.
- هرجا برای یادگیری مفیدتر است، راهنمایی و پرسش بر پاسخ کامل ترجیح داده شود.
- بخشی از کار بدون هوش مصنوعی ارزیابی شود تا ماندگاری آموخته‌ها، توان توضیح و انتقال دانش به مسائل ناآشنا سنجیده شود.
- از یادگیرندگان خواسته شود از نتیجه‌گیری‌هایشان دفاع کنند، تفسیرها را مقایسه کنند و موارد عدم قطعیت را تشخیص دهند.
- راستی‌آزمایی منابع، نقل‌قول‌ها، ادعاهای عددی و توصیه‌های تجاری الزامی باشد.
- گفت‌وگو، همکاری، بازخورد مستقیم معلم و فرصت‌های پژوهش جمعی حفظ شود.
- کاربرد مجاز توضیح داده شود و برای رسیدگی به اتهام تخلف، رویه‌های منصفانه وجود داشته باشد.
- پیش از گسترش استفاده، دسترس‌پذیری، حریم خصوصی، آثار نابرابر و یادگیری واقعی ارزیابی شود.
- به یادگیرندگان آموخته شود مالکیت، کار، سود، یارانه‌های عمومی و توزیع منافع فناوری را بررسی کنند.
- آموزگاران و یادگیرندگان در تصمیم‌گیری دربارهٔ پذیرش و ارزیابی هوش مصنوعی نقشی معنادار داشته باشند.
برنامهٔ رادیکال آموزشی باید از دستوردهی بهتر به هوش مصنوعی و مقررات سخت‌تر امتحان فراتر برود. باید از تأمین مالی کافیِ نهادهای عمومی، امنیت شغلی آموزگاران، زمانِ محفوظ برای مطالعه، سازمان‌یابی دانشجویان و کارکنان و نظارت دموکراتیک بر خرید خدمات و استفاده از داده‌ها دفاع کند. دانشجویان باید در تصمیم‌هایی که زندگی فکری‌شان را شکل می‌دهد صدا داشته باشند. هیچ‌کس نباید برای برخورداری از آموزش، ناچار به ورود به یک پلتفرم تجاری هوش مصنوعی شود.
آموزش نباید مصرف‌کنندگان مطیع و افراد از نظر فنی توانمندی بسازد که نمی‌توانند دربارهٔ شرایط زندگی خود تصمیم بگیرند. وظیفهٔ رهایی‌بخش آن پرورش انسان‌هایی است که سلطه را بشناسند، شواهد را بسنجند، با هم سازمان یابند و نهادهای ناعادلانه را دگرگون کنند. پرسش فقط «چگونه در این اقتصاد موفق شوم؟» نیست؛ پرسش این است: «چرا این اقتصاد باید افق زندگی ما را تعیین کند و چگونه می‌توانیم جمعی آن را تغییر دهیم؟» آموزش کارخانهٔ فرمان‌برداری نیست؛ عرصهٔ مبارزه برای آزادی انسان است.
منابع
یافته‌های پژوهشی و نمونه‌های مقررات دانشگاهی در منابع زیر مستند شده‌اند. سیاست‌ها در ۲۸ اکتبر ۲۰۲۶ بررسی شده‌اند و محدودیت‌های مربوط به برنامه‌ها یا توصیه‌های آموزشی با همان دامنه معرفی شده‌اند. نقد سرمایه‌داری موضع سیاسی این مقاله است و نباید آن را یافته‌ای علّی دانست که گویا هوش مصنوعی ناگزیر همهٔ یادگیرندگان را تضعیف می‌کند.
[۴] میائو و هولمز (۲۰۲۳). «راهنمای هوش مصنوعی مولد در آموزش و پژوهش». یونسکو.
[۸] کمیتهٔ برنامهٔ مطالعات اجتماعی هاروارد. «سیاست هوش مصنوعی».
[۹] دانشگاه کلمبیا، دانشکدهٔ مطالعات عمومی. «درستکاری علمی و معیارهای جامعهٔ دانشگاهی».
[۱۰] مرکز آموزش و یادگیری درک بوک، هاروارد. «راهنمای شیوه‌های ارزیابی».
[۱۱] کرنل، راهنمای دورهٔ دکتری ارتباطات. «سیاست هوش مصنوعی مولد در آزمون‌های A و B».
