استفاده از هوش مصنوعی دانش ما را کاهش می دهد!

به گزارش ایسنااز زمان راه‌اندازی ChatGPT در اواخر سال ۲۰۲۲، میلیون‌ها نفر استفاده از مدل‌های زبان بزرگ (LLM) را برای دسترسی به دانش آغاز کرده‌اند. جذابیت هوش مصنوعی به راحتی قابل درک است. سوالی می پرسی و جواب دقیق می گیری و ادامه می دهی. به نظر می رسد یادگیری آسان و بدون دردسر است.

با این حال، مقاله جدیدی به رهبری Shiri Melumad، استادیار بازاریابی در دانشگاه پنسیلوانیا، شواهد تجربی را ارائه می دهد که نشان می دهد این راحتی ممکن است بهایی داشته باشد. به این معنا که وقتی افراد برای خلاصه کردن اطلاعات در مورد یک موضوع به الگوهای زبانی بزرگ تکیه می کنند، در مقایسه با یادگیری از طریق جستجوی استاندارد گوگل، دانش سطحی تری در مورد موضوعاتی که جستجو می کنند به دست می آورند.

Melomad و Jin Ho Yoon، هر دو استادیار بازاریابی، این یافته را در گزارشی بر اساس هفت مطالعه با بیش از 10000 شرکت کننده گزارش کردند.

اکثر مطالعات از همان طرح اولیه استفاده می کنند. از شرکت‌کنندگان خواسته شد درباره موضوعی مانند نحوه پرورش سبزیجات اطلاعاتی کسب کنند و به‌طور تصادفی به آنها دستور داده شد که این کار را با استفاده از یک LLM مانند ChatGPT یا روش قدیمی استفاده از جستجوی استاندارد Google و پیمایش در پاسخ‌های Google انجام دهند.

هیچ محدودیتی در مورد نحوه استفاده از این ابزارها اعمال نشد. شرکت‌کنندگان می‌توانند تا زمانی که می‌خواهند در Google جستجو کنند، و اگر احساس می‌کنند اطلاعات بیشتری می‌خواهند، می‌توانند با پرسش ChatGPT ادامه دهند.

پس از اتمام مطالعه، از آنها خواسته شد تا بر اساس آموخته های خود، نکته ای را برای یکی از دوستان خود در مورد موضوع بنویسند.

داده ها یک الگوی ثابت را نشان می دهد. افرادی که در مقایسه با جست‌وجو در وب از طریق مدرک حقوق درباره موضوعی یاد گرفتند، احساس کردند که کمتر یاد گرفته‌اند، تلاش کمتری برای نوشتن توصیه‌های بعدی خود صرف کرده‌اند و در نهایت توصیه‌هایی کوتاه‌تر، کمتر واقعی و کلی‌تر می‌نویسند.

وقتی این توصیه‌ها به یک نمونه مستقل از خوانندگان ارائه شد که نمی‌دانستند از چه ابزاری برای یادگیری در مورد موضوع استفاده می‌کنند، توصیه‌ها کمتر آموزنده، کمتر مفید و احتمال پذیرش کمتر آنهاست.

محققان می‌گویند: «ما دریافتیم که این تفاوت‌ها در همه زمینه‌ها قوی هستند. برای مثال، یکی از دلایل احتمالی که کاربران LLM توصیه‌های کوتاه‌تر و کلی‌تری نوشتند این است که نتایج LLM کاربران را در معرض اطلاعات کمتری نسبت به نتایج Google قرار می‌دهد.

برای کنترل این امکان، محققان آزمایشی را انجام دادند که در آن شرکت‌کنندگان در معرض مجموعه‌ای از حقایق مشابه در نتایج جستجوی Google و ChatGPT خود قرار گرفتند.

به طور مشابه، در آزمایش دیگری، آنها پلتفرم جستجو (گوگل) را ثابت نگه داشتند و تغییر دادند که آیا شرکت کنندگان از نتایج استاندارد گوگل یا ویژگی پیش نمایش هوش مصنوعی گوگل یاد می گیرند.

یافته‌ها تأیید کردند که حتی با ثابت نگه داشتن حقایق و پلتفرم، یادگیری از پاسخ‌های ترکیبی LLM منجر به دانش سطحی‌تر از جمع‌آوری، تفسیر و ترکیب مستقل اطلاعات از طریق پیوندهای وب استاندارد می‌شود.

حال چرا به نظر می رسد استفاده از LLM باعث کاهش یادگیری می شود؟ یکی از اساسی‌ترین اصول توسعه مهارت این است که افراد زمانی به بهترین شکل یاد می‌گیرند که فعالانه درگیر مطالبی باشند که سعی در یادگیری آن دارند.

وقتی از طریق جستجوی گوگل در مورد موضوعی اطلاعاتی به دست می آوریم، اصطلاحاً با “اصطکاک” بسیار بیشتری مواجه می شویم، زیرا باید از طریق لینک های مختلف وب جستجو کنیم، منابع اطلاعاتی را بخوانیم و خودمان آنها را تفسیر و ترکیب کنیم.

این اصطکاک و درگیری، در حالی که چالش برانگیزتر است، منجر به بازنمایی ذهنی عمیق‌تر و معتبرتر از موضوع می‌شود، اما با LLM، کل فرآیند توسط هوش مصنوعی هدایت می‌شود و یادگیری از یک فرآیند فعال‌تر به یک فرآیند غیرفعال تبدیل می‌شود.

محققان تاکید می کنند که ما معتقد نیستیم که راه حل این مشکلات اجتناب از استفاده از LLM ها است، به ویژه با توجه به مزایای غیرقابل انکاری که در بسیاری از زمینه ها ارائه می دهند. در عوض، پیام ما این است که مردم به سادگی نیاز دارند که کاربران باهوش‌تر یا استراتژیک‌تر LLM باشند، که با درک زمینه‌هایی که LLM برای اهدافشان مفید است شروع می‌شود.

نکته اصلی این است که اگر به یک پاسخ سریع و واقعی برای یک سوال نیاز دارید، می توانید از هوش مصنوعی مورد علاقه خود استفاده کنید، اما اگر هدف شما توسعه عمیق و تعمیم دانش در یک زمینه خاص است، تکیه بر LLM به تنهایی مفید نخواهد بود.

ملوماد می گوید به عنوان بخشی از تحقیقاتم در زمینه روانشناسی فناوری های جدید و رسانه های جدید، من همچنین علاقه مندم که آیا یادگیری LLM می تواند به فرآیند فعال تری تبدیل شود. در آزمایش دیگری، ما این را با درگیر کردن شرکت‌کنندگان با یک مدل تخصصی GPT که پیوندهای وب را در زمان واقعی همراه با پاسخ‌های ترکیبی ارائه می‌کرد، آزمایش کردیم.

او افزود: «با این حال، در آنجا متوجه شدیم که وقتی شرکت‌کنندگان خلاصه LLM را دریافت کردند، انگیزه‌ای برای کشف منابع اصلی نداشتند». نتیجه این بود که شرکت کنندگان دانش سطحی بیشتری نسبت به کسانی که از گوگل به روش استاندارد استفاده می کردند به دست آوردند.

وی ادامه داد: بر این اساس، در تحقیقات آتی خود، قصد دارم ابزارهای هوش مصنوعی مولد را بررسی کنم که اصطکاک سالمی را برای کارهای یادگیری ایجاد می کند، و به طور خاص کشف کنم که کدام نوع از نرده ها یا برآمدگی ها با موفقیت بیشتری کاربران را به یادگیری فعال فراتر از پاسخ های آسان و پیچیده ترغیب می کند.

چنین ابزارهایی به ویژه در آموزش متوسطه حیاتی به نظر می‌رسند، جایی که یک چالش بزرگ برای مربیان این است که چگونه دانش‌آموزان را برای توسعه مهارت‌های خواندن، نوشتن و ریاضی به بهترین نحو آماده کنند تا برای دنیای واقعی آماده شوند، جایی که LLM احتمالاً بخشی جدایی‌ناپذیر از زندگی روزمره آنها می‌شود.

انتهای پیام