چرا هوش مصنوعی یادگیری را درست درک می‌کند، اما علوم شناختی نه

به گزارش پایگاه خبری تحلیلی اندیشه معاصر،جواد آل حبیب- تعاملات انسانی با هوش مصنوعی نشان می‌دهد که وقتی طراحی مجدد (نه کنترل) تنها گزینه باشد، افراد چقدر سریع خود را تطبیق می‌دهند.

اشتباهات دانش‌آموزان اغلب نشان‌دهنده‌ی نقص در طراحی وظایف است، نه کمبودهای شخصی یا بی‌انگیزگی.

آموزش مؤثر با اصلاح شرایط آغاز می‌شود، نه سرزنش دانش‌آموزان وقتی که عملکردشان پایین است.

اساتید اغلب به‌راحتی دستورات به هوش مصنوعی را اصلاح می‌کنند، اما نقش محیط یادگیری در شکل‌دادن به رفتار دانش‌آموز را نادیده می‌گیرند.

پارادوکس هوش مصنوعی: چرا با چت‌بات‌ها بیشتر از دانش‌آموزان صبوریم؟

هنگام تعامل با ابزارهای هوش مصنوعی مانند ChatGPT، توهمی درباره‌ی نحوه‌ی تغییر نداریم. اگر پاسخ AI رضایت‌بخش نباشد، کسی آن را به تنبلی، بی‌انگیزگی یا بی‌مسئولیتی متهم نمی‌کند. در عوض، ما دست به تغییر می‌زنیم: دستور را بازنویسی می‌کنیم، ورودی دقیق‌تری ارائه می‌دهیم، یا وظیفه را بازطراحی می‌کنیم. حتی ممکن است از خود هوش مصنوعی بپرسیم که چگونه می‌توانیم سوال بهتری مطرح کنیم. به بیان ساده، ما محیط را تغییر می‌دهیم و انتظار نتایج متفاوتی داریم.

اما وقتی دانش‌آموزان در کلاس درس انتظارات را برآورده نمی‌کنند، واکنش‌ها اغلب متفاوت است. ممکن است آن‌ها را به‌خاطر دیر تحویل‌دادن کار بازخواست کنیم، بی‌توجهی‌شان را به تلاش نسبت دهیم، یا انگیزه‌شان را زیر سؤال ببریم. از نمره، امتیاز یا ضرب‌الاجل برای اجبار به انجام کار استفاده می‌کنیم.

از دیدگاه رفتارگرایی رادیکال، این تفاوت چشم‌گیر و نگران‌کننده است.

چرا رفتار دانش‌آموزان همیشه معنادار است؟

رفتارگرایی – به‌ویژه نوع رادیکال آن که توسط بی. اف. اسکینر ارائه شده – معتقد است که رفتار از ویژگی‌های درونی ناشی نمی‌شود، بلکه توسط محیط شکل می‌گیرد. آنچه دانش‌آموز می‌گوید، می‌نویسد یا انجام می‌دهد، همیشه نتیجه‌ی شرایط پیرامون اوست. این شرایط شامل هر دستور، وظیفه، بازخورد، و پیامدی است که ما ارائه می‌دهیم. از دیدگاه دانش‌آموز، معلم همان محیط است. دانش‌آموز با نشانه‌ها، وظایف، انتظارات و تقویت‌هایی که در ساختار دوره قرار دارد، تعامل می‌کند.

در کتاب فناوری آموزش (۱۹۶۸)، اسکینر تأکید کرد که اگر دانش‌آموز اشتباهی مرتکب شود، آن خطا نشانه‌ی نقص در طراحی آموزشی است، نه مشکل در خود دانش‌آموز. او معتقد بود که معلمان باید ترتیبات آموزشی را به‌گونه‌ای طراحی کنند که پاسخ‌های صحیح به‌صورت قابل‌اعتمادی ظاهر شوند. اگر دانش‌آموز رفتاری غیرمنتظره نشان دهد، این رفتار بازتاب شرایطی است که برای او فراهم شده، نه کمبودهای شخصی. تغییر باید از وظیفه آغاز شود، نه از خود یادگیرنده. با این حال، در آموزش اغلب راحت‌تر است که رفتار را به حالت‌های ذهنی خیالی نسبت دهیم—مثل “او تنبل است” یا “او بی‌انگیزه است”—تا اینکه محیط را بازبینی و اصلاح کنیم.

تعامل با AI چنین اشتباهی را غیرممکن می‌کند. نمی‌توانیم AI را تنبیه کنیم تا کار بهتری انجام دهد. نمی‌توانیم آن را تهدید یا شرمنده کنیم. تنها گزینه، اصلاح شرایط است: هدف را روشن‌تر کنیم، زبان را تنظیم کنیم، یا کار را به بخش‌های کوچک‌تر تقسیم کنیم. اینجاست که توانایی واقعی ما در طراحی آموزشی آشکار می‌شود—توانایی‌ای که وقتی تنبیه راحت‌تر است، اغلب پنهان می‌ماند.

بازاندیشی در محیط کلاس درس

یک سناریو را در یک کلاس مقدماتی جغرافیا در نظر بگیرید. معلم پروژه‌ای تعیین می‌کند: «نقشه‌ای تهیه کنید که ده رودخانه‌ی اصلی آمریکای جنوبی را نشان دهد.» چند دانش‌آموز نقشه‌هایی ناقص تحویل می‌دهند. معمولاً معلم ممکن است با کسر نمره واکنش نشان دهد، با این فرض که دانش‌آموزان به‌اندازه‌ی کافی مطالعه نکرده‌اند.

اما اگر با این موقعیت مانند تعامل با AI برخورد کنیم، واکنش متفاوت خواهد بود. محیط را بررسی می‌کنیم: آیا دستور مبهم بود؟ آیا مثال‌هایی ارائه نشد؟ آیا معیار ارزیابی بیش از حد بر جنبه‌ی هنری تمرکز داشت؟ ممکن است وظیفه را بازطراحی کنیم—مثلاً یک چک‌لیست ارائه دهیم، نمونه‌ای الگو نشان دهیم، یا پروژه را به مراحل کوچک‌تر با بازخورد منظم تقسیم کنیم.

تفاوت عمیق است. در حالت اول، شکست به گردن دانش‌آموز می‌افتد. در حالت دوم، شکست به‌عنوان بازخوردی از محیط تلقی می‌شود. ما به‌صورت غریزی با AI این‌گونه رفتار می‌کنیم: وقتی پاسخ چت‌بات ضعیف است، انگیزه‌ی آن را زیر سؤال نمی‌بریم؛ بلکه ورودی را بازبینی می‌کنیم.

چرا همین سخاوت رفتاری را برای دانش‌آموزان قائل نیستیم؟

گامی به سوی محیط‌های آموزشی بهتر

این تفاوت، بینشی بنیادی را نمایان می‌کند که رفتارگرایان مدت‌ها بر آن تأکید کرده‌اند: تمام رفتارهای انسانی در بستر محیط شکل می‌گیرند. انتخاب‌ها، عملکردها و پایداری دانش‌آموزان، ناشی از محیط است، نه نیروهای پنهان درونی. از دیدگاه دانش‌آموز، محیط برابر است با مجموع کنش‌های ما: وظایف، دستورالعمل‌ها، بازخوردها، زمان‌بندی و تقویت‌ها. هر نظر، معیار ارزیابی و ضرب‌الاجلی بخشی از آن محیط است.

وقتی تنبیه از گزینه‌ها حذف می‌شود—مثل تعامل با AI—ما به‌طور طبیعی همان کاری را انجام می‌دهیم که رفتارگرایان همیشه توصیه کرده‌اند: محیط را شکل می‌دهیم، تطبیق می‌دهیم، و تنظیم می‌کنیم. رفتار ناخواسته به‌جای اینکه بهانه‌ای برای سرزنش یادگیرنده باشد، به نشانه‌ای برای اصلاح شرایط تبدیل می‌شود.

تصور کنید اگر همین رویکرد بر تدریس در کلاس‌ها حاکم باشد. یک موعد تحویل از دست‌رفته ممکن است نشانه‌ی زمان‌بندی نامشخص باشد، نه بی‌مسئولیتی. دشواری در انجام یک تکلیف می‌تواند به بررسی وضوح یا ساختار آن منجر شود. پرسش محوری این‌گونه تغییر می‌کند: به‌جای “چه مشکلی در دانش‌آموز وجود دارد؟”، می‌پرسیم “چه چیزی را در محیط می‌توانیم تغییر دهیم تا پاسخ بهتری شکل بگیرد؟”

هوش مصنوعی، به‌ضرورت، همان درسی را می‌دهد که اسکینر با طراحی آموزش داده بود: رفتار شکل می‌گیرد، نه اینکه صرفاً با اراده به وجود آید.

پیام عمیق‌تر درباره‌ی کرامت انسانی است. دانش‌آموزان، مانند ماشین‌ها، به محیط واکنش نشان می‌دهند. اما برخلاف ماشین‌ها، رفتار آن‌ها از طریق تاریخچه‌ای منحصربه‌فرد از تقویت‌ها شکل گرفته—چیزی که ما آن را احساسات، خاطرات یا آرزوها می‌نامیم. از دیدگاه رفتارگرایانه، این‌ها علت‌های درونی نیستند، بلکه گرایش‌های قابل مشاهده‌ای هستند که از طریق تجربه ساخته شده‌اند. تلقی رفتار دانش‌آموز به‌عنوان بازخوردی از محیط، به‌مراتب بیشتر از تنبیه یا فرضیات ذهنی، شأن و پیچیدگی آن‌ها را به رسمیت می‌شناسد.

اگر از AI چیزی آموخته باشیم، این است: نتایج زمانی بهتر می‌شوند که نه یادگیرندگان، بلکه محیط‌های اطراف آن‌ها تغییر کنند. به‌جای سرزنش دانش‌آموزان برای رفتارهایی که در چارچوب شرایط تحت کنترل ما شکل گرفته‌اند، می‌توانیم مالکیت آن شرایط را بر عهده بگیریم و آن‌ها را با همان دقتی بازطراحی کنیم که هنگام تعامل با یک ماشین انجام می‌دهیم.

نتیجه فقط رفتار بهتر نخواهد بود. نتیجه، آموزش بهتر خواهد بود.

پایان/*

اندیشه معاصر را در ایتا، روبیکا، پیام رسان بله و تلگرام دنبال کنید.