وابستگی بیش از حد به هوش مصنوعی و تاثیر آن بر یادگیری عمیق دانش آموزان

فراگیر شدن سامانه های هوش مصنوعی (AI) در محیط های آموزشی، به ویژه در قالب ابزارهایی مانند چت بات های مولد و دستیارهای تحلیلی، یک پارادایم نوین در فرآیند یادگیری ایجاد کرده است. این پژوهش به تحلیل چندوجهی تاثیر وابستگی بیش از حد دانش آموزان به این فناوری ها بر کیفیت «یادگیری عمیق» (Deep Learning) می پردازد. یادگیری عمیق، که فراتر از حفظ کردن سطحی اطلاعات (Rote Learning) بوده و شامل توانایی استدلال انتقادی، سنتز دانش، حل مسئله پیچیده و انتقال آموخته ها به بافت های جدید است، شالوده آموزش عالی و موفقیت حرفه ای در قرن بیست و یکم تلقی می شود. با این حال، دسترسی آسان به پاسخ های آماده شده توسط هوش مصنوعی، این خطر را به وجود می آورد که دانش آموزان از طی مسیر شناختی سخت و زمان بر مورد نیاز برای دستیابی به درک ساختاری پدیده ها صرف نظر کنند (Siemens, ۲۰۲۰).وابستگی افراطی به هوش مصنوعی می تواند منجر به تضعیف کارکردهای اجرایی مغز، از جمله حافظه فعال (Working Memory)، توجه پایدار (Sustained Attention) و ظرفیت استدلال قیاسی و استقرایی شود. دانش آموزانی که به طور مکرر از هوش مصنوعی برای تولید خلاصه ها، پاسخ به سوالات تحلیلی یا حتی نگارش مقالات استفاده می کنند، در واقع فرآیند «درگیری فعال با ماده درسی» (Active Engagement) را دور می زنند. این امر به تضعیف ساختارهای شناختی لازم برای نگهداری و بازیابی اطلاعات در حافظه بلندمدت منجر می شود. پژوهش های اخیر نشان داده اند که اگرچه ابزارهای هوش مصنوعی می توانند به عنوان تقویت کننده یادگیری (Scaffolding) عمل کنند، اما وابستگی متقابل (Co-dependence) می تواند جایگزینی برای تلاش شناختی ایجاد کند (Garrison & Azaareh, ۲۰۲۲).تاثیر این پدیده بر یادگیری عمیق، به طور خاص در مهارت های سطح بالای طبقه بندی بلوم (Bloom's Taxonomy) مشهود است. سطوحی مانند «تحلیل»، «ارزیابی» و «خلق کردن» مستلزم تلاشی شناختی است که در آن دانش آموز باید مدل های ذهنی خود را بسازد و به چالش بکشد. استفاده از مدل های زبانی بزرگ (LLMs) برای تولید محتوای تحلیلی، فرآیند ساخت این مدل های ذهنی را مختل می سازد، زیرا خروجی مدل، هرچند از نظر ظاهری معتبر باشد، بازتابی از فرآیند درونی تفکر دانش آموز نیست. این امر می تواند منجر به ظهور نسلی شود که در بازتولید اطلاعات مهارت دارد اما در خلق دانش اصیل ناتوان است (Hwang et al., ۲۰۲۳).علاوه بر جنبه های شناختی، جنبه های عاطفی و انگیزشی نیز تحت تاثیر قرار می گیرند. کاهش اعتماد به نفس در حل مسائل بدون کمک ابزار خارجی و ایجاد «فلج تصمیم گیری» (Decision Paralysis) هنگام نبود دسترسی به فناوری، از جمله پیامدهای روانی این وابستگی است. همچنین، توانایی دانش آموزان برای تشخیص خطاها و سوگیری های موجود در خروجی های هوش مصنوعی (AI Literacy) نیز به دلیل تکیه صرف بر صحت ظاهری سیستم، تضعیف می شود. این پژوهش با بهره گیری از چارچوب های نظری روان شناسی شناختی و تئوری های یادگیری اجتماعی، به بررسی مکانیسم هایی می پردازد که از طریق آن ها اتکای بیش از حد، مسیر توسعه صلاحیت های یادگیری عمیق را منحرف می سازد و راهکارهایی برای بهره برداری موثر و مسئولانه از هوش مصنوعی در محیط های آموزشی پیشنهاد می دهد. هدف نهایی، تسهیل یکپارچه سازی هوش مصنوعی به عنوان ابزاری مکمل برای ارتقاء یادگیری، نه جایگزینی برای فرآیند اساسی تفکر است.

کلیدواژه ها:

هوش مصنوعی ، یادگیری عمیق ، وابستگی شناختی ، روان شناسی آموزش ، مدل های زبانی بزرگ ، توانایی استدلال ، سواد هوش مصنوعی.