وقتی بازخورد هوش مصنوعی را می پذیریم، آیا واقعا یاد می گیریم؟

وقتی بازخورد هوش مصنوعی را می پذیریم، آیا واقعا یاد می گیریم؟

چرا مهم ترین معیار یک پیشنهاد ماشینی، جمله ای نیست که پیشنهاد می کند، بلکه تصمیمی است که زبان آموز پس از بررسی آن می گیرد؟

فرض کنید زبان آموزی برای آزمون آیلتس نوشته است: “People should use public transport because it is more cheap.” یک ابزار هوش مصنوعی فورا “cheaper” را جایگزین می کند و حتی جمله را طبیعی تر بازنویسی می کند. نسخه دوم بی تردید روان تر است؛ اما آیا نویسنده حالا می داند چرا «more cheap» در این جمله انتخاب مناسبی نیست؟ آیا می تواند همان قاعده را در متن بعدی به کار ببرد؟ اگر پاسخ را ندانیم، ممکن است با محصول نهایی بهتر روبه رو باشیم، بی آنکه از یادگیری بهتر مطمئن شویم.

پرسش آموزشی دشوارتر این است: زبان آموز با آن بازخورد چه می کند؟ آن را می فهمد، ارزیابی می کند، می پذیرد یا رد می کند، و آیا در نوشتار بعدی از آن چیزی به یاد می آورد؟ در پژوهش بازخورد، این فرایند درگیرشدن و به کارگیری پیشنهادها را می توان «پذیرش بازخورد» یا uptake نامید. همین جابه جایی توجه، از کیفیت خروجی سامانه به تصمیم و یادگیری نویسنده، موضوع تازه و کاربردی ای برای مدرس، ممتحن و طراح ابزار آموزشی می سازد.

یک مطالعه نزدیک به محیط خودمان، ۶۸ زبان آموز متوسط ایرانی را در تمرین نوشتن مقاله های استدلالی آیلتس بررسی کرد. گروهی هم از بازخورد ChatGPT و هم از نظر مدرس استفاده کرد و گروه دیگر بازخورد مدرس را دریافت کرد. نویسندگان بهبود بیشتری را در معیارهای نمره دهی، از جمله پاسخ به تکلیف، انسجام، واژگان و دستور، برای گروه بازخورد ترکیبی گزارش کردند. این نتیجه امیدوارکننده است، اما باید درست خوانده شود: پژوهش درباره یک دوره و گروه مشخص از زبان آموزان ایرانی و یک نوع نوشتار آزمونی بود؛ بنابراین ثابت نمی کند هر دانش آموز یا هر ابزار هوش مصنوعی در هر ژانری به همین اندازه سود می برد. خود پژوهشگران نیز در گفت وگو با هشت مدرس، نگرانی هایی مانند اتکای بیش از حد و مرزهای اخلاقی استفاده را ثبت کردند. منبع: Asadi, M., Ebadi, S., & Mohammadi, L. (2025), “The impact of integrating ChatGPT with teachers’ feedback on EFL writing skills,” Thinking Skills and Creativity, 56, 101766. DOI: 10.1016/j.tsc.2025.101766.

جزئیات اینکه چه نوع بازخوردی از کجا مفیدتر است، در پژوهش های دیگر روشن تر می شود. Zou و همکاران در سال ۲۰۲۵، نوشته های استدلالی ۲۰ دانشجوی چینی را بررسی کردند که هم از معلم و هم از ChatGPT بازخورد گرفته بودند. در این نمونه، دانشجویان هنگام استفاده از بازخورد معلم بیشتر درگیر شدند و اصلاح های دقیق تری انجام دادند. با این حال، پیشنهادهای ChatGPT درباره سازمان دهی متن در برخی موارد بهتر به کار گرفته شد. نویسندگان پیشنهاد می کنند این دو منبع می توانند مکمل باشند: تخصص معلم در فهم بافت و نیاز نویسنده، همراه با توانایی ابزار برای تولید سریع پیشنهادهایی که می شود درباره شان فکر کرد. چون نمونه کوچک و مربوط به دانشگاهی خاص بود، بهتر است آن را سرنخی برای طراحی درس بدانیم، نه قانون همیشگی درباره برتری یکی از دو منبع. منبع: Zou, S., Guo, K., Wang, J., & Liu, Y. (2025), “Investigating students’ uptake of teacher- and ChatGPT-generated feedback in EFL writing: a comparison study,” Computer Assisted Language Learning. DOI: 10.1080/09588221.2024.2447279.

مطالعه ای دیگر با ۲۵ زبان آموز سطح B1 در یک دانشگاه ترکیه، رفتار آنان را هنگام بازبینی مقاله های دیدگاهی بررسی کرد. پیشنهادهای زبانی، مثل اصلاح دستور و نشانه گذاری، بیشتر پذیرفته شدند؛ پیشنهادهای مربوط به محتوا و سازمان دهی کلی کمتر به سادگی وارد نسخه نهایی می شدند، چون تصمیم گیری درباره آن ها به تفسیر و قضاوت بیشتری نیاز داشت. این تفاوت برای کلاس مهم است: اینکه زبان آموز یک اصلاح سطحی را سریع اعمال کند، لزوما به معنای فهم عمیق تر نیست؛ و رد کردن یک پیشنهاد درباره استدلال هم ممکن است نشانه بی توجهی نباشد، بلکه حاصل سنجش آگاهانه باشد. منبع: Cengiz, B. C., Bilki, Z., Ataş, A. H., & Celik, B. (2025), “Exploring second language writers’ engagement with ChatGPT feedback: Revision behaviors and perceptions,” System, 134, 103837. DOI: 10.1016/j.system.2025.103837.

پس تعداد اصلاح های پذیرفته شده را نباید به تنهایی نمره یادگیری گرفت. گاهی دانش آموز همه پیشنهادها را قبول می کند، چون ابزار با اطمینان سخن می گوید؛ گاهی هم پیشنهاد مفیدی را رد می کند، چون دلیلش را نمی فهمد. برای ارزیابی بهتر، مدرس می تواند سه چیز را کنار هم ببیند: پیشنهاد چه بود، نویسنده چه تصمیمی گرفت، و آیا می تواند دلیلش را توضیح دهد؟ مثلا از او بخواهیم کنار هر تغییر یکی از این برچسب ها را بنویسد: «پذیرفتم چون…»، «نپذیرفتم چون…»، یا «برای تصمیم به توضیح بیشتری نیاز دارم». این کار ساده، از کپی کردن نسخه تمیز به گفت وگو درباره انتخاب زبانی می رسد.

یک روال کوتاه و قابل اجرا در کلاس یا تمرین خانگی می تواند چنین باشد:

۱. پیش نویس اولیه را نگه دارید. زبان آموز پیش از دیدن پیشنهادها، متن خودش را می نویسد و هدف متن و خواننده اش را مشخص می کند. اگر هدف «قانع کردن مسئولان مدرسه» است، بهتر است این را به سامانه هم بگوییم؛ وگرنه ممکن است اصلاحی درست از نظر زبان، اما نامتناسب با مخاطب دریافت کنیم.

۲. به جای درخواست «کل متنم را بهتر کن»، بازخورد را محدود کنید: «سه نکته درباره روشن بودن دلیل ها بده؛ متن را بازنویسی نکن و برای هر نکته یک شاهد از نوشته بیاور.» محدود کردن کار، امکان مقایسه و داوری را بیشتر می کند و حفظ صدای نویسنده را آسان تر.

۳. زبان آموز پیشنهادها را دسته بندی کند: دستور و واژگان، انسجام، سازمان دهی، یا محتوا. از او بخواهید ابتدا یک مورد را انتخاب کند، دلیل ابزار را با متن خودش بسنجد و سپس بگوید چرا پیشنهاد را می پذیرد یا رد می کند. لازم نیست هر پیشنهاد هوش مصنوعی پاسخ قطعی باشد؛ یک پیشنهاد پرسش برانگیز هم می تواند نقطه شروع بحث باشد.

۴. پس از بازبینی، یک جمله مشابه اما تازه بسازید یا از زبان آموز بخواهید در پیش نویس بعدی همان نکته را به کار ببرد. این مرحله، فرق میان «اصلاح این خطا» و «یادگیری الگویی که به موقعیت تازه منتقل می شود» را آشکار می کند. برای سنجش، نسخه پیش و پس از بازبینی را همراه با توضیح کوتاه نویسنده نگه دارید؛ فقط به نمره نهایی تکیه نکنید.

۵. نقش مدرس را در قضاوت های مهم حفظ کنید. در آزمون آزمایشی، بازخورد ماشینی می تواند پیش از جلسه، فهرستی از پرسش ها بسازد: آیا ادعا روشن است؟ آیا مثال واقعا از ادعا پشتیبانی می کند؟ اما تشخیص اینکه پاسخ با تکلیف آزمون جور است، لحن به مخاطب می خورد یا استدلالی ناخواسته عوض شده، هنوز به خواندن دقیق و دانش حرفه ای نیاز دارد. بهتر است مدرس از ابزار برای پیدا کردن محل گفت وگو استفاده کند، نه واگذاری داوری نهایی.

از دید برنامه نویسی وب نیز، طراح یک سامانه آموزشی می تواند به جای دکمه ای با عنوان «بازنویسی کامل»، گردش کاری بسازد که پیشنهاد، دلیل، پاسخ زبان آموز و نسخه بعدی را جدا نگه دارد. ثبت این مراحل (با رعایت محرمانگی متن ها) به مدرس اجازه می دهد ببیند دانش آموزان کجا کمک می خواهند و کدام نوع پیشنهاد اغلب کنار گذاشته می شود. اما ثبت رویدادها به تنهایی یادگیری را ثابت نمی کند.

پرسش آغازین را می توان این طور پاسخ داد: پذیرش یک پیشنهاد به تنهایی نشانه یادگیری نیست؛ اما شیوه بررسی و توضیح آن می تواند شواهدی از یادگیری در اختیارمان بگذارد. پژوهش های یادشده نتایج یکسانی برای همه زبان آموزان یا همه انواع بازخورد نمی دهند؛ در یک نمونه ایرانی، ترکیب بازخورد معلم و ChatGPT با بهبود بیشتر همراه بود، در دو نمونه دیگر، نقش معلم در دقت و درگیری پررنگ ماند و ابزار در بعضی پیشنهادهای سازمان دهی کمک کرد. در عمل، بهتر است هوش مصنوعی را منبعی برای تولید پیشنهاد بدانیم، زبان آموز را تصمیم گیرنده ای که باید دلیل بیاورد، و مدرس را راهنمایی که کیفیت این تصمیم و انتقال آن به نوشتار بعدی را می سنجد. پس دفعه بعد که ابزار جمله ای را بی نقص کرد، یک پرسش دیگر هم بپرسیم: آیا نویسنده می تواند توضیح دهد چه چیزی را چرا تغییر داد؟

کلیدواژه ها: بازخورد نوشتاری، سواد بازخورد، یادگیری زبان انگلیسی، هوش مصنوعی آموزشی، ارزشیابی تکوینی