معلم خصوصی هوش مصنوعی هاروارد کولاک کرد؛ دو برابر یادگیری فیزیک فقط در ۴۹ دقیقه!

پژوهش جدید دانشگاه هاروارد روی ۱۹۴ دانشجوی مقطع کارشناسی نشان می‌دهد که یک معلم هوش مصنوعی اختصاصی موفق شده زمان یادگیری را ۱۱ دقیقه کوتاه‌تر کند و همزمان بازدهی یادگیری درس فیزیک را بیش از دو برابر افزایش دهد.

در یک آزمایش جذاب روی درس فیزیک پایه در هاروارد، یک معلم هوش مصنوعی سفارشی توانست بیش از دو برابر یک کلاس مدرن تعاملی و مجهز به روش‌های نوین آموزشی نتیجه بدهد؛ آن هم در مدت زمانی کوتاه‌تر! این دستاورد فوق‌العاده است و توجه جامعه علمی را به خود جلب کرده، اما ادعاهای اغراق‌آمیزی که این روزها در اینترنت می‌چرخد هم نیاز به موشکافی دارد.

اینجا اصلاً ماجرای مقایسه ابزاری مثل ChatGPT با یک سخنرانی کسل‌کننده ساعت ۸ صبح نبود. محققان هاروارد، یعنی گریگوری کستین (Gregory Kestin)، کلی میلر (Kelly Miller) و همکارانشان، یک سیستم آموزشی اختصاصی را در برابر یکی از بهترین کلاس‌های تعاملی خود دانشگاه قرار دادند؛ کلاسی که خودش در پژوهش‌های آموزشی به عنوان الگوی استاندارد شناخته می‌شود. نتایج این تحقیق در ژورنال معتبر Scientific Reports منتشر شده است.

در این آزمایش ۱۹۴ دانشجوی کارشناسی در درس فیزیک عمومی ۲ هاروارد (ویژه رشته‌های علوم زیستی) حضور داشتند. پژوهشگران با استفاده از روش جابه‌جایی تصادفی (Crossover)، شرایطی ایجاد کردند که دانشجویان در دو هفته متوالی هر دو حالت آموزش را برای مباحث کشش سطحی و جریان سیالات تجربه کنند؛ یک گروه ابتدا در کلاس تعاملی حضوری شرکت کرد و گروه دیگر همان مبحث را با معلم هوش مصنوعی در خانه یاد گرفت و در هفته دوم، جای دو گروه عوض شد.

اعداد و ارقام چه می‌گویند؟

بر اساس گزارش رسمی Scientific Reports، تمامی یافته‌های کلیدی چه از نظر بازدهی یادگیری و چه از نظر صرفه‌جویی در زمان، کاملاً به نفع هوش مصنوعی بوده است.

دانشجویانی که از معلم هوش مصنوعی استفاده کردند، به میانه نمره پس‌آزمون چشمگیر ۴.۵ رسیدند، در حالی که این رقم برای کلاس تعاملی حضوری ۳.۵ بود (در شرایطی که میانگین پیش‌آزمون هر دو گروه روی عدد ۲.۷۵ قرار داشت). از نظر زمان صرف‌شده نیز برتری با هوش مصنوعی بود: دانشجویان با معلم هوشمند به‌طور میانگین حدود ۴۹ دقیقه برای یادگیری وقت گذاشتند، اما یادگیری همان سرفصل در کلاس حضوری ۶۰ دقیقه طول کشید.

در گزارش خود تحقیق آمده که میانه جهش یادگیری با معلم هوش مصنوعی بیش از دو برابر کلاس درسی بوده است. عدد «۳۰ درصد رشد بیشتر» هم که در برخی رسانه‌ها بازتاب داشته، تنها مربوط به یک مقایسه آماری خاص در بخشی از داده‌هاست، نه نتیجه نهایی کل ارزیابی‌های این تحقیق.

نکته کلیدی برای درک این موفقیت، در معماری و شیوه طراحی این معلم نهفته است. این ابزار یک مدل زبانی ساده نبود که دانشجو با چند پرامپت جواب آخر مسائل را از آن بیرون بکشد؛ بلکه سامانه‌ای کامپیوترمحور بر پایه علوم شناختی و یادگیری بود که با پرسش‌های مرحله‌به‌مرحله، ارائه توضیحات متمرکز و راستی‌آزمایی روند استدلال دانشجو او را گام‌به‌گام به سمت درک مفهوم هدایت می‌کرد.

این پژوهش به خوبی اثبات کرد که آموزش تک‌به‌تک و شخصی‌سازی‌شده، زمانی که توسط هوش مصنوعی بازآفرینی شود، می‌تواند نتایج یادگیری را دگرگون کند.

این پژوهش چه مواردی را اثبات نمی‌کند؟

دامنه این تحقیق متمرکز و محدود بوده و نتایج آن به کل ساختار یا ارزش‌های بنیادین آموزش عالی و دانشگاه‌ها تعمیم پیدا نمی‌کند.

این پژوهش فقط یادگیری کوتاه‌مدت دو مبحث فیزیک را در یک درس مشخص و در یک دانشگاه بررسی کرده است. در این آزمایش عواملی مثل کار در آزمایشگاه، منتورشیپ اساتید، شبکه‌سازی میان دانشجویان، اعتبار مدرک تحصیلی یا ماندگاری اطلاعات در درازمدت سنجیده نشده؛ مواردی که ستون‌های اصلی تحصیل در دانشگاه به شمار می‌آیند.

علاوه بر این، نتایج نشان نمی‌دهد که آیا همین دستاورد در رشته‌های دیگر، برای سنین متفاوت یا در دانشگاه‌هایی به جز هاروارد هم عینا تکرار خواهد شد یا خیر. تکرار این آزمون در شرایط گوناگون گام بعدی محققان است، نه تغییر سریع در سیاست‌گذاری‌های کلان آموزشی.

سر و صدایی که در فضای مجازی راه افتاده و ادعا می‌کند ارزش دانشگاه‌ها از بین رفته، صرفاً یک برداشت شتاب‌زده است، نه یافته علمی این پژوهش. با این حال، این تحقیق یک فرضیه سنتی را حسابی به چالش کشید: اینکه کلاس حضوری همیشه کارآمدترین بستر برای آموزش مبانی مقدماتی است. این چالش، نکته‌ای بسیار معنادار و از نظر علمی کاملاً قابل دفاع است.

در نهایت، این مطالعه واقعیتی دقیق و مهم را پیش چشم ما گذاشت: تدریس خصوصی و فردی اگر اصولی انجام شود یادگیری را متحول می‌کند و حالا یک سیستم هوش مصنوعی هوشمندانه می‌تواند این تجربه ارزشمند را برای همه شبیه‌سازی کند. اینکه دانشگاه‌ها این دستاورد را یک تهدید به حساب بیاورند یا یک ابزار شتاب‌دهنده، سؤالی ساختاری است که تصمیم‌گیران آموزشی باید به آن پاسخ دهند، زیرا مسیر آینده بیش از آنکه به فناوری وابسته باشد، به شیوه بهره‌برداری ما از آن بستگی دارد.