نمرات در خانه درخشیدند و سر جلسه امتحان سقوط کردند

گاهی یک عدد آن‌قدر خوب است که به‌جای خوشحال کردن استاد، او را نگران می‌کند. روبرتو سرانو (Roberto Serrano)، استاد اقتصاد دانشگاه براون، در میان‌ترم یکی از درس‌های دشوارش با چنین وضعیتی روبه‌رو شد: میانگین کلاس در امتحان خانگی به ۹۶ از ۱۰۰ رسید و ۴۰ دانشجو نمره کامل گرفتند. این برای درسی که میانگین تاریخی میان‌ترمش معمولاً بین ۶۵ تا ۸۰ درصد بود، آن هم با امتحانی که استاد عمداً سخت‌تر طراحی کرده بود، بیش از حد غیرعادی به نظر می‌رسید. تعداد دانشجویان هم ناگهان از سقف معمول حدود ۳۰ نفر به ۸۶ نفر رسیده بود.

سرانو ابتدا فقط به نمره‌ها مشکوک نشد؛ سبک پاسخ‌ها هم عجیب بود. بسیاری درست بودند، اما به گفته او ساختاری پیچیده و غیرمعمول داشتند. استاد و دستیارانش همان سؤال‌ها را به ChatGPT دادند و خروجی‌هایی با شباهت قابل توجه دریافت کردند. اینجا بود که تصمیم گرفت یک آزمایش ساده انجام دهد: امتحان نهایی دیگر در خانه برگزار نمی‌شد. دانشجویان باید حضوری و بدون همان دسترسی آزاد، توانایی خودشان را نشان می‌دادند. او حتی به کلاس گفت اگر توزیع نمرات نهایی شبیه میان‌ترم باشد، نتیجه قبلی را می‌پذیرد؛ وگرنه میان‌ترم را بی‌اعتبار می‌کند.

واکنش پیش از برگزاری امتحان شروع شد. ۱۸ دانشجو درس را حذف کردند و ۹ نفر دیگر اصلاً در امتحان نهایی حاضر نشدند؛ در مجموع ۲۷ نفر. نکته‌ای که سوءظن را بیشتر کرد این بود که ۲۲ نفر از این گروه در میان‌ترم خانگی نمره کامل ۱۰۰ گرفته بودند. سپس نتیجه امتحان حضوری آمد: میانگین از ۹۶ به ۴۸ از ۱۰۰ سقوط کرد. این اختلاف به‌تنهایی ثابت نمی‌کند که هر دانشجویی که نمره‌اش افت کرده با AI تقلب کرده است، اما برای سرانو نشانه‌ای بسیار جدی بود که بخشی از موفقیت میان‌ترم از یادگیری واقعی دانشجویان نمی‌آمد.

این اتفاق در خلأ رخ نداده است. در یک نظرسنجی از دانشجویان پرینستون، ۲۹.۹ درصد پذیرفته بودند که حداقل در یک امتحان یا تکلیف از هوش مصنوعی برای تقلب استفاده کرده‌اند. جذابیت میان‌بُر هم قابل فهم است: دانشجویان دانشگاه‌های رقابتی معمولاً با برنامه‌های فشرده، فشار برای نمره بالا و فعالیت‌های متعدد روبه‌رو هستند. AI مثل دوستی ظاهر می‌شود که در چند ثانیه مسئله را حل می‌کند و چند ساعت از وقت شما را پس می‌دهد. مشکل اینجاست که اگر آن چند ساعت همان زمانی باشد که قرار بوده مغز درگیر مسئله شود، صرفه‌جویی زمانی می‌تواند به حذف خود فرایند یادگیری تبدیل شود.

خود دانشگاه براون نیز با همین تناقض روبه‌رو است. گزارش دانشگاه درباره هوش مصنوعی مولد نشان داده که ۵۶ درصد دانشجویان کارشناسی و ۶۷ درصد دانشجویان تحصیلات تکمیلی و پزشکی به‌صورت روزانه یا هفتگی عمداً از ابزارهای GenAI استفاده می‌کنند. با این حال، بخش بزرگی از همین دانشجویان درباره اثر AI بر یادگیری خود و پیامدهای منفی احتمالی برای توانایی شناختی‌شان ابراز نگرانی کرده‌اند. یعنی کاربران خود فناوری هم احساس می‌کنند میان «استفاده از ابزار» و «واگذار کردن فکر کردن به ابزار» مرزی وجود دارد که هنوز دانشگاه‌ها به‌درستی تعریفش نکرده‌اند.

برای سرانو، ماجرا فراتر از مقررات یک کلاس است. او که در ۱۷ سالگی بینایی خود را بر اثر بیماری از دست داد و بعد مسیر دانشگاهی‌اش را تا هاروارد ادامه داد، مسئله را به مسئولیت فرد در برابر محدودیت‌ها و دشواری‌ها گره می‌زند. نگاه او سخت‌گیرانه است: جامعه‌ای که بهترین ذهن‌های جوانش یاد بگیرند در مواجهه با دشواری به‌جای فکر کردن، پاسخ آماده تحویل دهند، فقط با مسئله تقلب روبه‌رو نیست؛ ظرفیت فکری خودش را تضعیف می‌کند. هوش مصنوعی می‌تواند ابزار فوق‌العاده‌ای برای یادگیری باشد، اما این ماجرا هشدار می‌دهد که اگر جای تمرین ذهن را بگیرد، نمره بالا ممکن است دقیقاً چیزی را پنهان کند که آموزش قرار بود اندازه بگیرد.