۲۹.۹درصد
اعتراف به تقلبدر یک نظرسنجی از دانشجویان پرینستون، این سهم گفتهاند دستکم در یک امتحان یا تکلیف از هوش مصنوعی برای تقلب استفاده کردهاند.
۸۶دانشجو
ثبتنام غیرعادیکلاسی که معمولاً کمتر از ۳۰ دانشجو داشت، پس از تغییر شیوه ارزیابی به امتحان خانهبردنی، به این تعداد رسید.
۳۰دانشجو
حد معمول کلاساستاد گفته بود این درس سخت معمولاً هرگز بیش از این تعداد دانشجو نداشته است.
بحران فقط تقلب نیست: مسئله اصلی این نیست که چند دانشجو قانون را دور زدهاند. خطر بزرگتر این است که هوش مصنوعی میتواند یادگیری را به نمایشی از پاسخهای درست تبدیل کند؛ پاسخهایی که شاید نمره بیاورند، اما در ذهن دانشجو چیزی نمیسازند.
دانشگاه باید دوباره آزمون را تعریف کند: وقتی ابزارهای مولد میتوانند تکلیف خانهبردنی را شبیه کار دانشجو تحویل دهند، شیوههای قدیمی ارزیابی دیگر کافی نیستند. دانشگاهها باید بین استفاده سالم از هوش مصنوعی و سنجش واقعی فهم، مرزی روشنتر و قابل اجرا بسازند.
این ماجرا به بازار کار هم میرسد: دانشجویی که امروز با چتبات از یادگیری فرار میکند، فردا ممکن است پزشک، مهندس، مدیر یا تحلیلگری باشد که باید تصمیم واقعی بگیرد. اگر مهارت فکر کردن تضعیف شود، هزینهاش فقط در کلاس نمیماند؛ وارد اقتصاد و جامعه میشود.
داستان از یک کلاس اقتصاد سخت در دانشگاه براون شروع شد؛ جایی که قرار نبود همهچیز شبیه یک رسوایی آموزشی شود. روبرتو سرانو (Roberto Serrano)، استاد نابینای اقتصاد، پس از یک حادثه تیراندازی در دانشگاه براون در دسامبر ۲۰۲۵ تصمیم گرفت در ترم بهار ۲۰۲۶ امتحان میانترم و نهایی درس دشوار ECON ۱۱۷۰ را بهصورت خانهبردنی برگزار کند. تصمیمی انسانی و قابل فهم بود: بعد از شوک یک حادثه مرگبار، کمی انعطاف در کلاس عجیب به نظر نمیرسید.
اما ناگهان چیزی در کلاس تغییر کرد. این درس معمولاً جمع کوچکی از دانشجویان قوی را جذب میکرد؛ سرانو گفته بود هیچوقت بیش از ۳۰ دانشجو نداشته و گاهی تعداد ثبتنامیها فقط ۸ دانشجو بوده است. این بار اما ۸۶ دانشجو ثبتنام کردند. بعد نتیجه میانترم آمد: میانگین ۹۶ از ۱۰۰، با ۴۰ نمره کامل. برای هر کلاسی این نتیجه عجیب است؛ برای درسی که میانگین تاریخیاش معمولاً بین ۶۵ تا ۸۰ درصد بوده، تقریباً شبیه این است که یک تیم معمولی ناگهان همه مسابقات را با اختلاف ببرد.
فقط عددها نبودند که بوی دردسر میدادند. سرانو و دستیارانش دیدند بعضی پاسخها با اینکه درستاند، حالوهوای انسانی طبیعی ندارند؛ پیچیده، پرپیچوخم و کمی مصنوعیاند. وقتی سؤالها را در ChatGPT امتحان کردند، خروجیهایی شبیه همان جوابها گرفتند. اینجا بود که استاد تصمیم گرفت به جای لغو فوری امتحان، کلاس را در یک آزمون سادهتر اما بیرحمتر بسنجد: امتحان نهایی حضوری.
ایمیل سرانو به دانشجویان معنای روشنی داشت: اگر توزیع نمرات نهایی شبیه میانترم باشد، میانترم را میپذیرد؛ اگر نه، میانترم را باطل میکند و وزن نهایی را بالا میبرد. نتیجه؟ ۱۸ دانشجو ناگهان درس را حذف کردند و ۹ نفر دیگر اصلاً در امتحان نهایی حاضر نشدند. از این ۲۷ نفر، ۲۲ نفر در میانترم نمره کامل گرفته بودند. در میان کسانی که امتحان دادند، میانگین نمره از ۹۶ به ۴۸ سقوط کرد؛ سقوطی که تقریباً مثل خاموش شدن چراغهای یک صحنه بعد از پایان نمایش است.
این ماجرا برای سرانو فقط یک پرونده تقلب نبود. او در ۱۷ سالگی به دلیل دیستروفی شبکیه نابینا شد، بریل آموخت، وارد مسیر علمی شد و سرانجام به هاروارد رسید. نگاه او به محدودیتها خشک اما روشن است: زندگی پر از قید و محدودیت است و انسان باید در همان چارچوب فکر کند، یاد بگیرد و راه بسازد. برای همین، وقتی دانشجویان نخبه به جای یادگیری واقعی از میانبر هوش مصنوعی استفاده میکنند، او این را فقط تخلف آموزشی نمیبیند؛ آن را تمرینی برای تنبلی ذهنی میداند.
دانشگاه براون هم دقیقاً در میانه همین بحران فکری قرار دارد. گزارشی در این دانشگاه نشان داده ۵۶ درصد دانشجویان کارشناسی و ۶۷ درصد دانشجویان تحصیلات تکمیلی و پزشکی، روزانه یا هفتگی عمداً از ابزارهای هوش مصنوعی مولد استفاده میکنند. اما نکته مهم این است که خود دانشجویان هم نگراناند؛ بسیاری از آنها از اثر این ابزارها بر یادگیری و توان شناختی خود میترسند. جمله هشدارآمیز سرانو از همینجا میآید: جامعهای که بخش مهمی از بهترین ذهنهای جوانش تقلب را عادی بداند، به سمت افول میرود. به زبان سادهتر: ما نمیتوانیم انتخاب کنیم که احمق شویم.
زاویه پنهان این است که خود دانشجویان هم از اثر هوش مصنوعی بر توان ذهنیشان میترسند؛ یعنی نسل استفادهکننده، همزمان دارد از ابزار لذت میبرد و از پیامدش نگران میشود.
پیچش تلخ ماجرا این است که مشکل در دانشگاههای نخبه شدیدتر دیده میشود؛ جایی که دانشجویان باهوشترند، اما فشار رقابت و پرمشغله بودن میتواند میانبرهای هوش مصنوعی را وسوسهانگیزتر کند.
مدیران آموزشی، استادان، و دانشجویان.
بازنویسی آماده برای انتشار در شبکههای اجتماعی
چرا مهم است؟
موزهها با تحلیل حرکت بازدیدکنندگان، تجربهای شخصیتر میسازند؛ اما همان پیشنهادها میتوانند تعیین کنند چه هنری دیده یا فراموش شود.
چرا مهم است؟
نقدهای آنلاین قرار بود میانبری برای انتخاب بهتر باشند، اما انبوه نظرها بسیاری از کاربران را وارد چرخهای از مقایسه، تردید و نارضایتی کرده است.
چرا مهم است؟
کمخوابی فقط خستگی نمیآورد؛ کیفیت تصمیم مدیران، رفتار تیمها و میلیاردها دلار بهرهوری را هم تهدید میکند.
چرا مهم است؟
یک برند زیبایی با تبدیل سلولهای پیر به زامبی، فرمول علمی پیچیدهای را به داستانی ساده، قابلفهم و فروشپذیر تبدیل کرده است.
چرا مهم است؟
زنان مدیر فقط با حجم کار نمیجنگند؛ سیاستهای انعطافناپذیر و سوگیریهای پنهان، استعدادهای باتجربه را از شرکتها بیرون میرانند.
چرا مهم است؟
اختلاف حلنشده بنیانگذاران میتواند تصمیمها را کند، تیم را محتاط و فرصتهای رشد را پیش از دیدهشدن نابود کند.