از اجلاس کیپ تاون تا دانشگاه ایرانی؛ در عصر هوش مصنوعی چه نقشی داریم؟

تهران- ایرنا- یک گزارش منسجم دیگر به تنهایی نشان نمی دهد که دانشجو مسئله را فهمیده است. ابزارهای تولید متن، تهیه تکلیف را آسان کرده اند، اما سنجش یادگیری را دشوارتر. دانشگاه اکنون باید روشن کند چه چیزی را ارزیابی می کند: پاسخ نهایی یا توان استدلال و دفاع از آن؟

اجلاس جهانی آموزش عالی مجموعه «تایمز آموزش عالی»، از ۲۹ سپتامبر تا اول اکتبر ۲۰۲۶ در مرکز همایش های بین المللی کیپ تاون، با میزبانی مشترک دانشگاه های کیپ تاون و بریستول برگزار شد. این اجلاس با مضمون «دانش، عدالت و آینده ها: دانشگاه ها در عصر هوشمندی»، نقش هوش انسانی، مصنوعی و جمعی را در آینده آموزش عالی بررسی کرد. نخستین برگزاری آن در قاره آفریقا نیز فرصتی برای بررسی جایگاه دانشگاه های کشورهای در حال توسعه در آینده دانش فراهم کرد.

برای ایران، پرسش از همین جا آغاز می شود: دانشگاه چگونه از امکانات تازه برای تقویت قدرت داوری، همکاری علمی و حل مسائل کشور استفاده خواهد کرد؟

سه هوش و یک ماموریت دانشگاهی

در یک پروژه کاهش مصرف انرژی، هوش مصنوعی می تواند الگوهای پنهان در داده های تجهیزات را استخراج کند. پژوهشگر باید تشخیص دهد این الگوها معتبرند یا حاصل نقص داده و فرض های نامناسب. اجرای پیشنهاد نیز به گفت وگوی مهندس، مدیر تولید، اقتصاددان و کارکنانی وابسته است که شرایط واقعی کارخانه را می شناسند. اینجا هوش انسانی، مصنوعی و جمعی در یک مسئله به هم می رسند. دانشگاه باید چنین پیوندی را در آموزش ایجاد کند. دانشجوی مهندسی لازم است توضیح دهد چرا مدلی را انتخاب کرده، کدام داده را کنار گذاشته و نتیجه با تغییر فرض ها چگونه عوض می شود. خروجی نرم افزار نقطه پایان یادگیری نیست؛ موضوع بررسی و نقد است.

در این شرایط، نقش استاد در طراحی مسئله و آشکارکردن مسیر استدلال اهمیت بیشتری پیدا می کند. تکلیفی که تنها محصول نهایی را می سنجد، اطلاعات محدودی درباره فهم دانشجو می دهد. پروژه های مرحله ای، دفاع شفاهی و تحلیل داده های واقعی، امکان ارزیابی دقیق تری فراهم می کنند.

کار گروهی نیز باید از تقسیم صفحات گزارش فراتر برود. دانشجویان باید بر سر تعریف مسئله، انتخاب روش و تفسیر نتیجه گفت وگو کنند و سهم هر فرد روشن باشد. در محیط حرفه ای، تصمیم های مهم با اطلاعات ناقص و دیدگاه های متفاوت گرفته می شوند؛ دانشگاه باید فرصت تمرین این موقعیت را فراهم کند.

عدالت علمی؛ چه کسی به آینده دسترسی دارد؟

نخستین میزبانی آفریقایی اجلاس، فرصتی برای طرح این پرسش است که دانشگاه های کشورهای در حال توسعه چه سهمی در تعیین مسیر علم دارند. دسترسی به توان محاسباتی، منابع معتبر و شبکه های پژوهشی، بر این سهم اثر می گذارد. دانشگاهی که ابزار را در اختیار دارد، اما در انتخاب مسئله و ارزیابی آن نقشی ندارد، هنوز با محدودیت علمی روبه روست.

در ایران نیز دسترسی استاد و دانشجو نباید صرفا تابع توان مالی فرد یا امکانات دانشگاه محل تحصیل باشد. خریدهای پراکنده، جای سیاست مشترک را نمی گیرد. تامین خدمات معتبر، آموزش استفاده مسئولانه و حمایت از دانشگاه های مناطق کم برخوردار باید در کنار یکدیگر قرار گیرند.

مسئله زبان فارسی و داده های بومی نیز جدی است. عملکرد مناسب یک سامانه در محیطی دیگر، کارایی آن را برای مسائل ایران تضمین نمی کند. دانشگاه ها باید با آزمون های معتبر مشخص کنند این ابزارها کجا قابل اعتمادند، در چه موضوعاتی خطا دارند و برای کدام کاربرد به اصلاح نیازمندند.

استقلال علمی در همین توان تشخیص و انتخاب معنا پیدا می کند. شناخت محل پردازش داده ها، شرایط دسترسی و گزینه های جایگزین، بخشی از مدیریت پژوهش است. همکاری با دانشگاه های آسیایی، آفریقایی و دیگر شرکای علمی نیز باید به تبادل واقعی دانش و زیرساخت منتهی شود؛ ارزش توافق نامه را پروژه ای تعیین می کند که از آن حاصل می شود.

ارزیابی علمی؛ تمایز تولید متن و تولید دانش

در عصر تولید خودکار متن، تعداد مقاله به تنهایی معیار قابل دفاعی برای سنجش ارزش علمی نیست. مقاله معتبر همچنان حاصل داده اصیل، آزمایش، روش تازه یا استدلال دقیق است. نظام ارزیابی باید بتواند این دستاوردها را از افزایش صرف خروجی جدا کند.

پرسش مدیران آموزش عالی باید مشخص باشد: پژوهش چه چیزی به دانش موجود افزوده و سهم واقعی پژوهشگر چه بوده است؟ تولید مجموعه داده قابل اعتماد، توسعه نرم افزار پژوهشی و مشارکت موثر در حل مسئله نیز باید در ارزیابی علمی جایگاه روشن داشته باشد. نادیده گرفتن این فعالیت ها، انگیزه همکاری و ساخت زیرساخت مشترک را تضعیف می کند.

مسئولیت نویسنده نیز با استفاده از هوش مصنوعی تغییر نمی کند. منبع ناموجود، محاسبه نادرست و نتیجه گیری بی پشتوانه، همچنان خطای پژوهشگر است. دانشگاه باید قواعد گزارش استفاده از ابزارها، حفاظت از اطلاعات و امکان بازتولید نتایج را روشن کند. در کلاس درس نیز دانشجو باید بداند کدام بخش تکلیف را مستقل انجام دهد و استفاده از ابزار را چگونه توضیح دهد. قواعد مبهم، استاد را به داوری سلیقه ای و دانشجو را به حدس زدن حدود مجاز سوق می دهند.

صنعت و دانشگاه؛ گره حکمرانی داده

حل مسائل صنعتی با هوش مصنوعی، پیش از انتخاب الگوریتم، به دسترسی به داده معتبر نیاز دارد. در بهره وری انرژی، اطلاعات مصرف بدون شناخت تجهیزات و شرایط تولید ناقص است. در زنجیره تامین نیز پیش بینی اختلال باید با محدودیت های حمل ونقل، قراردادها و ظرفیت بنگاه ها سنجیده شود.

ازاین رو، حکمرانی داده باید در متن همکاری دانشگاه و صنعت قرار گیرد. مرجع صدور اجازه دسترسی، کیفیت اطلاعات، مسئولیت استفاده و حقوق صاحبان داده باید مشخص باشد. انتشار عمومی همه داده های صنعتی لازم نیست؛ دسترسی امن و ضابطه مند، متناسب با حساسیت اطلاعات، مبنای همکاری است.

اعتماد نیز با تعهدات قابل سنجش ساخته می شود. صنعت باید بداند داده چگونه حفظ می شود و دانشگاه باید امکان آزمودن نتیجه را داشته باشد. معیار موفقیت پروژه، کاهش مصرف، هزینه یا خطاست؛ عنوان جذاب طرح جای این سنجش را نمی گیرد.

می توان اصلاح را از چند گروه آموزشی و پروژه صنعتی آغاز کرد: ارزشیابی دانشجو بر پایه مسیر استدلال انجام شود، دسترسی مشترک به ابزارهای معتبر فراهم آید و همکاری پژوهشی با قرارداد روشن داده پیش برود. تجربه این طرح ها، مبنایی برای اصلاح گسترده تر خواهد بود. پرسش کیپ تاون برای دانشگاه ایرانی، پرسش از ارزش کاری است که انجام می دهیم. آینده دانشگاه به اعتبار دانشی وابسته است که می سازد، انسانی که تربیت می کند و مسئله ای که حل می کند. اگر معیارهای پاداش همچنان از این ماموریت فاصله داشته باشند، افزودن هوش مصنوعی فقط سرعت حرکت در مسیر پیشین را بیشتر خواهد کرد.

https://irna.ir/xjYpKT