بنیادهای نظری و فلسفی کاربرد هوش مصنوعی و فناوری های نوین آموزشی در سنجش کلاسی

چکیده

مقدمه: پژوهشگران سال هاست در تلاش اند تا منشا هوش و آگاهی انسانی را درک کنند و ماشین هایی بسازند که بتوانند این قابلیت ها را بازتولید کنند. آغاز جدی مطالعات در زمینه هوش مصنوعی (AI) به دوران پس از جنگ جهانی دوم بازمی گردد، اما نقطه عطف تاریخی آن کنفرانس دارموث در سال ۱۹۵۶ بود که جان مک کارتی و ماروین مینسکی برای نخستین بار اصطلاح «هوش مصنوعی» را به کار بردند. هرچند تلاش هایی پیش از آن نیز، مانند نظریه سیبرنتیک نوبرت وینر و مدل های رفتاری روس اشبای، زمینه ساز این حوزه بودند. در دهه های بعد، با ظهور زبان های برنامه نویسی و تحقیقات گسترده، هوش مصنوعی به یکی از محورهای اصلی علم کامپیوتر بدل شد. دهه های ۱۹۷۰ و ۱۹۸۰ میلادی دوران رشد سریع هوش مصنوعی بود و پروژه هایی نظیر ساخت ربات های انسان نما و توسعه سیستم های خبره، تصور توانایی تفکر ماشینی را تقویت کردند. با این حال، در اواخر دهه ۱۹۸۰، به دلیل کمبود بازده عملی و هزینه های بالا، سرمایه گذاری ها کاهش یافت و «زمستان هوش مصنوعی» رقم خورد. با وجود این افت، دهه ۱۹۹۰ آغاز فصل جدیدی از پیشرفت ها بود؛ از نرم افزارهای تشخیص گفتار تا ربات های هوشمند خانگی و سیستم هایی که می توانستند شطرنج بازان حرفه ای را شکست دهند. از اوایل قرن بیست ویکم، هوش مصنوعی با ظهور یادگیری عمیق، کلان داده و پردازش زبان طبیعی، دوباره به یکی از ارکان اصلی فناوری جهانی تبدیل شد. پیشرفت های خیره کننده در حوزه هوش مصنوعی و فناوری های نوین آموزشی، ابزارهای قدرتمندی را برای متحول ساختن فرایند سنجش کلاسی فراهم آورده است؛ از سیستم های نمره دهی خودکار و تحلیل کلان داده های یادگیری گرفته تا ابزارهای بازخورد فوری شخصی سازی شده. اگر هوش مصنوعی صرفا به عنوان یک ابزار فنی دیده شود و پشتوانه های نظری آن مورد بررسی قرار نگیرد، ریسک های جدی متوجه کیفیت فرایند آموزش خواهد شد، از جمله کاهش عمق ارزیابی، سوگیری های پنهان در سیستم آموزشی، تفسیر نادرست از نقش مربی و متربی و... . بنابراین، مسئله پژوهش در تقاطع این چالشهای فنی و پارادایم های فکری شکل می گیرد. این تحقیق درصدد پاسخ به این سوال است که چگونه می توان بنیادهای نظری و فلسفی سنجش و ارزشیابی آموزشی را به گونه ای بازنگری کرد که کاربرد هوش مصنوعی و فناوری های نوین در آن کارآمد باشد.

روش شناسی پژوهش: روش پژوهش حاضر، توصیفی و تحلیلی است. در تحقیقات توصیفی- تحلیلی، محقق علاوه بر تصویرسازی، به تشریح و تبیین دلایل چگونه بودن و چرایی وضعیت مسئله و ابعاد آن می پردازد. محقق برای تبیین و توجیه دلایل، نیاز به تکیه گاه استدلالی محکمی دارد. این تکیه گاه از طریق جستجو در ادبیات و مباحث نظری تحقیق و تدوین گزاره ها و قضایای کلی موجود فراهم می شود. در این پژوهش ابزار گردآوری اطلاعات به صورت فیش برداری از کتب، مقاله و سایر اسناد علمی بوده است.

یافته های پژوهش: بنیادهای فلسفی هوش مصنوعی (AI) بر دو رهیافت اصلی استوار است: نشانه گرایی و پیوندگرایی. نشانه گرایی، که ذهن را یک سیستم پردازش نمادین و منطقی مبتنی بر قواعد صریح می داند، و پیوندگرایی، که هوش را محصول الگوهای پویای ارتباطات در شبکه های عصبی (مشابه مغز) می داند که از طریق یادگیری حاصل می شود. با این حال، نظریه آشوب محدودیت های بنیادینی را بر هوش مصنوعی تحمیل می کند. بر اساس «اثر پروانه ای»، حساسیت شدید سیستم های دینامیکی غیرخطی به شرایط اولیه، منجر به واگرایی نمایی در نتایج پیش بینی های بلندمدت می شود و به ویژه رویکرد مبتنی بر قطعیت نشانه گرایی را به چالش می کشد. این چالش دو سویه است: از یک سو، محدودیت های مدل سازی را آشکار می کند و از سوی دیگر، کارآمدی پیوندگرایی را در مدل سازی دینامیک های غیرخطی تقویت می کند. همچنین، الگوریتم های هوش مصنوعی (به ویژه شبکه های عصبی) به عنوان ابزاری تحلیلی برای کشف نظم پنهان در داده های آشوبناک و الهام بخش طراحی معماری های پیشرفته ای نظیر شبکه های عصبی بازگشتی (RNN) به کار می روند.

نتیجه گیری: استفاده از هوش مصنوعی در فرایند آموزش و یادگیری با وجود مزایایی چون شخصی سازی محتوا و افزایش کارایی، پیامدهای منفی عمیقی را به دنبال دارد. اصلی ترین نگرانی، کاهش تدریجی مهارت های شناختی سطح بالا مانند تفکر انتقادی و حل مسئله است، چراکه اتکای بیش از حد به پاسخ های سریع و آماده مدل های زبانی بزرگ، فرایندهای ذهنی ضروری برای جستجو و ارزیابی مستقل را حذف می کند. در کنار این چالش شناختی، نابرابری آموزشی از طریق تشدید شکاف دیجیتال میان دانش آموزان دارای دسترسی و فاقد آن عمیق تر می شود؛ همچنین، اگر الگوریتم ها به درستی مدیریت نشوند، می توانند سوگیری های موجود در داده های آموزشی را بازتولید کرده و منجر به الگوهای تبعیض آمیز در ارزیابی و توصیه های آموزشی شوند.

کاربرد هوش مصنوعی در آموزش، پرسش های فلسفی پیچیده ای را در حوزه های معرفت شناختی و انسان شناختی مطرح می کند که بررسی آنها برای طراحی موثر سیستم های آموزشی ضروری است. یکی از مهم ترین این دلالت ها، مسئله اصالت دانش تولیدی توسط هوش مصنوعی است؛ در حالی که برخی آن را صرفا ابزاری برای پردازش حقایق می دانند، برخی دیگر با توجه به توانایی آن در کشف الگوهای پیچیده و حل مسئله، این فناوری را در مسیر تولید دانش اصیل ارزیابی می کنند. بااین حال، یادگیری هوش مصنوعی با یادگیری انسانی تفاوت های بسیاری دارد؛ انسان ها از تجربیات، احساسات و خودآگاهی بهره می برند، درحالی که هوش مصنوعی بر الگوریتم ها و داده های دیجیتال وسیع متکی است و فقدان درک عمیق و خلاقیت، همچنان موانعی برای تولید دانش کاملا اصیل توسط ماشین محسوب می شوند.

حضور هوش مصنوعی تحول بنیادینی در نقش مربی و متربی در فرایند ارزشیابی ایجاد می کند. نقش مربی از یک مجری صرف آزمون ها و متصدی نمره دهی، به یک طراح ارزشیابی معنادار، مفسر داده های تولیدشده و تسهیل گر بازخورد شخصی سازی شده ارتقا می یابد. درنتیجه، تمرکز ارزشیابی از سنجش دانش صرف در آزمون های پایانی به سنجش مستمر شایستگی های کلیدی نظیر تفکر انتقادی و حل مسئله تغییر می یابد. از سوی دیگر، متربی از یک یادگیرنده منفعل به یک یادگیرنده فعال و خودراهبر تبدیل می شود که می تواند با استفاده از ابزارهای هوش مصنوعی سرعت یادگیری خود را تنظیم کرده و با خودارزیابی و مشارکت در فرایند بازخورد، مسئولیت پذیری بیشتری کسب کند، که این تغییرات کیفیت کلی آموزش و آمادگی برای چالش های قرن بیست و یکم را بهبود می بخشد.

کلیدواژه ها:

هوش ، هوش مصنوعی ، مبانی فلسفی ، آموزش ، سنجش کلاسی.