هوش مصنوعی در آموزش عالی؛ شریک فکری یا جایگزین تفکر؟

به گزارش خبرگزاری آنا، شاخص مهارت فارغ‌التحصیلان هند در سال ۲۰۲۵ نشان می‌دهد که تنها ۴۲.۶ درصد از آنها واجد شرایط استخدام هستند؛ رقمی که نسبت به دو سال پیش (۴۴.۳ درصد) کاهش یافته است. افزون بر این، ۵۳ درصد از این افراد در مشاغلی پایین‌تر از سطح تخصص خود اشتغال دارند. پژوهش‌های مربوط به اشتغال‌پذیری در ویتنام نیز همین شکاف را تأیید می‌کنند، هرچند با بیانی متفاوت. از سوی دیگر، مجمع جهانی اقتصاد پیش‌بینی می‌کند تا سال ۲۰۳۰ نزدیک به ۴۰ درصد از مهارت‌های شغلی دگرگون خواهد شد و هوش مصنوعی بر ۸۶ درصد از کسب‌وکار‌ها تأثیر مستقیم خواهد گذاشت. در چنین فضایی، مدرک تحصیلی دیگر عامل تمایز نیست، بلکه صرفاً به «بلیط ورودی» به بازار کار تبدیل شده است.

این چالش، با فشاری دوم تشدید می‌شود که بیشتر برنامه‌های تحصیلات تکمیلی در منطقه هنوز خود را با آن سازگار نکرده‌اند: ورود شتابان هوش مصنوعی به فرآیند‌های یادگیری و پژوهش.

پدیده «تنبلی فراشناختی» در یادگیری دانشگاهی

در پژوهشی که سال ۲۰۲۴ روی ۱۱۷ دانشجو انجام شد، شرکت‌کنندگان به‌صورت تصادفی به دو گروه تقسیم شدند: یکی با استفاده از ChatGPT و دیگری بدون آن. گروهی که از هوش مصنوعی بهره برده بود، در نمره‌نویسی مقالات عملکرد بهتری داشت، اما در یادگیری عمیق مفاهیم یا انتقال آنها به حوزه‌های دیگر هیچ پیشرفتی نشان نداد. پژوهشگران این پدیده را «تنبلی فراشناختی» (Metacognitive Laziness) نامیده‌اند؛ وضعیتی که در آن دانشجویان به‌جای آنکه از هوش مصنوعی برای سامان‌دهی به تفکر خود استفاده کنند، فرآیند‌های برنامه‌ریزی، نظارت و ارزیابی شناختی را به ماشین واگذار می‌کنند.

مطالعه‌ای کیفی در سال ۲۰۲۵ بر روی دانشجویان تحصیلات تکمیلی هنگ‌کنگ که نگارش مقالات آکادمیک خود را به ChatGPT سپرده بودند، نیز به یافته‌های مشابهی دست یافت. پژوهش مکمل دیگری در همان سال نشان داد دانشجویانی که در کنار استفاده از هوش مصنوعی، از راهنمایی‌های صریح «فراشناختی» برخوردار بودند، به‌مراتب بیش از کسانی که از این فناوری صرفاً به‌عنوان یک «موتور پاسخ‌گو» بهره می‌بردند، منتفع شدند. این یافته‌ها برای دوره‌های کارشناسی ارشد حرفه‌ای که بخش عمده‌ای از آموزش مدیران در جنوب شرق آسیا، هند و چین را تشکیل می‌دهند، پیامد‌های نگران‌کننده‌ای به همراه دارد.

فرآیند شناختی‌ای که برنامه‌های آموزشی پیش‌تر به‌طور غیرمستقیم بر عهده دانشجو می‌گذاشتند—یعنی تلفیق نظریه و عمل در محیط کار از طریق تجربه‌ای پراکنده و دوطرفه—اکنون هوش مصنوعی در کسری از ثانیه به جای دانشجو انجام می‌دهد. در این وضعیت، هیچ ردی از یادگیری واقعی باقی نمی‌ماند و با خاموش کردن ابزار هوشمند، هیچ دانشی در ذهن دانشجو تثبیت نمی‌شود.

واکنش دانشگاه‌ها در مسیر نادرست است

رویکرد غالب نهاد‌های آموزش عالی به هوش مصنوعی در مقطع تحصیلات تکمیلی، عمدتاً معطوف به بخش «عرضه» است: ارائه دروس غنی‌شده با هوش مصنوعی، بازخورد‌های خودکار، ابزار‌های تدریس خصوصی هوشمند و طراحی برنامه‌های درسی مبتنی بر مدل‌های زبانی بزرگ. این ابزار‌ها اگرچه مفیدند، اما صورت‌مسئله اصلی را نادیده می‌گیرند. دانشجویانی که بدون چارچوب فکری مشخص از هوش مصنوعی بهره می‌برند، خروجی‌هایی تولید می‌کنند که در ظاهر قابل‌قبول است، اما هیچ توانمندی پایدار و درونی‌شده‌ای در آنها شکل نمی‌گیرد. افزودن هرچه بیشتر هوش مصنوعی به «سوی میز استاد»، تغییری در رفتار یادگیری دانشجو (یا عدم یادگیری او) ایجاد نخواهد کرد.

حلقه مفقوده در سمت «تقاضا» ست

راه‌حل در طراحی مجموعه‌ای از تمرین‌های کوچک و هدفمند است که دانشجو بدون کمک هوش مصنوعی، آنها را انجام دهد تا فرآیند‌های شناختیِ غیرقابل‌واگذاری به ماشین را تمرین کند. هوش مصنوعی تنها زمانی باید به‌عنوان «شریک فکری» وارد عمل شود که دلیل واقعی و ضرورت روشنی برای آن وجود داشته باشد.

پیاده‌سازی این رویکرد نیازی به ساختار پیچیده ندارد. پنج تمرین ساده به‌مدت دو تا سه ساعت در هفته، می‌تواند جایگزین روش‌های پراکنده و بی‌نظمی شود که دانشجویان هم‌اکنون برای یادگیری به کار می‌برند. تمرین محوری، نگارش هفتگیِ ۳۰ دقیقه‌ای به زبان خود دانشجوست که حول چهار پرسش کلیدی می‌چرخد: نخست، این هفته چه رویداد یا تجربه‌ای رقم خورد؟ دوم، کدام‌یک از فرضیه‌های من نادرست از آب درآمد؟ سوم، این تجربه بیانگر چه اصل کلی‌تری است؟ و چهارم، پرسشی که دانشجویان معمولاً از آن عبور می‌کنند: این اصل در چه موقعیت‌هایی ممکن است مرا به خطا بیندازد؟

پاسخ به پرسش چهارم، مرز میان یک «اصل علمی» و یک «شعار توخالی» را مشخص می‌کند. در کنار این تمرین اصلی، چهار فعالیت سبک‌تر دیگر نیز پیشنهاد می‌شود: نخست، ثبت یک پیش‌بینی کوتاه مکتوب پیش از هر تصمیم مهم در محیط کار یا تحصیل، همراه با تعیین تاریخ بازبینی آن. دوم، تدوین یک دفترچه راهنمای شخصی دو تا سه صفحه‌ای که هر ترم به‌روز می‌شود و شامل اصولی است که دانشجو واقعاً در عمل به آنها پایبند است. سوم، نگارش یادداشت ماهانه درباره مهارت‌هایی که در حال تقویت‌اند و مواردی که عمداً از آنها پرهیز می‌شود؛ و چهارم، تهیه فهرست سالانه‌ای از توانمندی‌های کسب‌شده و ارزیابی صادقانه اینکه آیا فرد برای رشد واقعی تلاش می‌کند یا صرفاً برای حفظ جایگاه فعلی خود می‌کوشد.

این تمرین‌ها آگاهانه به گونه‌ای طراحی شده‌اند که «در برابر هوش مصنوعی مقاوم» باشند: نگارش از حافظه (نه رونویسی از جزوه)، ثبت پیش‌بینی‌ها پیش از هرگونه مشورت با مدل‌های زبانی، و بیان اصول با واژگان خود دانشجو. این فعالیت‌ها نه بخشی از برنامه درسی‌اند و نه آزمونی برای نمره؛ بلکه انضباط‌های شخصی‌اند که دانشجو به نفع رشد خود انجام می‌دهد. دانشگاه می‌تواند چارچوب آنها را معرفی کند، اما اجرای آنها تماماً بر عهده خود دانشجوست.

فرصت طلایی پیش از آغاز دوره

در مسیر تحصیلات تکمیلی، بازه‌ای زمانی با ظرفیت بهره‌برداری بالا، اما کاملاً خالی وجود دارد: فاصله میان پذیرش تا نخستین روز کلاس. برای بسیاری از دانشجویان شاغل، این دوره دو تا شش ماه طول می‌کشد و معمولاً به بطالت یا اضطراب می‌گذرد. این تنها زمانی است که ذهن دانشجو هنوز تحت تأثیر چارچوب‌های برنامه درسی قرار نگرفته است. ترسیم یک «خط پایه ذهنی» در این بازه، تنها راهی است که می‌توان پس از آن، اثرات واقعی دوره آموزشی را با آن سنجید.

پیامد‌هایی برای اساتید راهنما

یک سال ثبت سنتز‌های هفتگی و پیش‌بینی‌ها، به‌خودی‌خود یک مجموعه داده ارزشمند برای تدوین پایان‌نامه فراهم می‌کند. این رویکرد باعث می‌شود پایان‌نامه‌ها به‌جای اتکای صرف به داده‌های پرسشنامه‌ای، بر پایه مشاهدات دست‌اول و واقعی از تصمیم‌گیری‌های مدیریتی یا فرآیند‌های یادگیری سازمانی استوار شوند. اساتیدی که دانشجویان را با این شیوه هدایت کنند، رساله‌هایی را ارزیابی خواهند کرد که به‌جای پرکردن شکاف‌های کلیشه‌ای در ادبیات پژوهشی، به مسائل واقعی و کاربردی مدیریت می‌پردازند.

سؤال اصلی، دیگر ادغام یا عدم ادغام نیست

پرسشی که مدیران آموزشی هنوز مطرح نمی‌کنند— «آیا هوش مصنوعی را در آموزش ادغام کنیم یا خیر؟» —پرسشی نادرست است. هوش مصنوعی هم‌اکنون در بازار کار و جریان کاری روزمره دانشجویان نفوذ کرده است. سؤال بنیادین این است: آیا آنچه دانشگاه تولید می‌کند، در سایه این واقعیت جدید همچنان معنا دارد؟ آیا فارغ‌التحصیلانی تربیت می‌کنیم که با حذف هوش مصنوعی، قدرت قضاوت و تفکر مستقلشان پابرجا بماند، یا افرادی که صلاحیت ظاهری‌شان با خاموش شدن این مدل‌ها فرو می‌ریزد؟ این دیگر یک ترجیح روش‌شناختی نیست، بلکه یک «ریسک سازمانی» برای بقا و اعتبار نهاد دانشگاه است.