استفاده از هوش مصنوعی دانش ما را کاهش می دهد! سئو سی: نتایج یک تحقیق جدید نشان میدهد که استفاده از هوش مصنوعی برای یافتن اطلاعات، برعکس انتظار می تواند دانش عمیق و یادگیری ما را کم کند. به گزارش سئو سی به نقل از ایسنا، از زمان انتشار ChatGPT در اواخر سال ۲۰۲۲، میلیونها نفر آغاز به استفاده از مدلهای زبانی بزرگ(LLM) برای دسترسی به دانش کرده اند. درک جذابیت هوش مصنوعی آسان است؛ یک سؤال می پرسید و یک جواب دقیق دریافت می کنید و به کار خود ادامه می دهید. این مانند یک یادگیریِ آسان و بی دردسر بنظر می رسد. با این وجود، مقاله جدیدی که به سرپرستی «شیری ملوماد»(Shiri Melumad)، استادیار بازاریابی در دانشگاه پنسیلوانیا نوشته شده است، شواهد تجربی عرضه می کند که این سهولت ممکنست هزینه ای داشته باشد. یعنی وقتی افراد برای خلاصه کردن اطلاعات مربوط به یک مبحث به مدلهای زبانی بزرگ تکیه می کنند، در مقایسه با یادگیری بوسیله جستجوی استاندارد گوگل، دانش سطحی تری در مورد موضوعات مورد جستجو کسب می کنند. «ملوماد» و «جین هو یون»( Jin Ho Yun) که هر دو استادیار بازاریابی هستند، این یافته را در مقاله ای برمبنای هفت مطالعه با بالاتر از ۱۰ هزار شرکت کننده گزارش کردند. اغلب مطالعات از الگوی اساسی یکسانی استفاده کردند. از شرکت کنندگان خواسته شد تا در مورد یک مبحث مانند نحوه پرورش سبزیجات اطلاعات کسب کنند و بطور تصادفی به آنها دستورالعمل داده شد تا این کار را با بهره گیری از یک LLM مانند ChatGPT یا همان روش قدیمی، یعنی استفاده از جستجوی استاندارد گوگل و پیمایش میان پاسخ های گوگل انجام دهند. هیچ محدودیتی در نحوه ی استفاده از این ابزارها اعمال نشد. شرکت کنندگان می توانستند تا هر زمان که می خواستند در گوگل جستجو کنند و اگر احساس می کردند اطلاعات بیشتری می خواهند، می توانستند با درخواست از ChatGPT ادامه دهند. بعد از اتمام تحقیقات، از آنها خواسته شد تا برمبنای آن چه آموخته بودند، سفارش هایی را برای یک دوست در مورد این مورد بنویسند. داده ها یک الگوی ثابت را نشان دادند. افرادی که بوسیله LLM در مقابل جستجوی وب در مورد موضوعی اطلاعات کسب کردند، احساس کردند که کمتر یاد گرفته اند، تلاش کمتری برای نوشتن سفارش های بعدی خود صرف کردند و در نهایت سفارش هایی نوشتند که کوتاه تر، غیرواقعی تر و عمومی تر بود. هنگامی که این سفارش ها به یک نمونه مستقل از خوانندگان عرضه شد که از این که از کدام ابزار برای یادگیری در مورد مبحث استفاده شده بود، بی خبر بودند، آن سفارش ها را کمتر آموزنده و کمتر مفید یافتند و احتمال کمتری داشت که آنرا قبول کنند. پژوهشگران می گویند ما دریافتیم که این تفاوت ها در زمینه های مختلف، قوی هستند. بعنوان مثال، یکی از علل احتمالی که کاربران LLM سفارش های مختصرتر و عمومی تری نوشتند، این است که نتایج LLM کاربران را در مقایسه با نتایج گوگل، در معرض اطلاعات کمتری قرار می دهد. پژوهشگران برای کنترل این احتمال، آزمایشی انجام دادند که در آن شرکت کنندگان در نتایج کاوشهای گوگل و ChatGPT خود در معرض مجموعه ای یکسان از حقایق قرار گرفتند. به همین ترتیب، در آزمایش دیگری، پلت فرم جستجو (گوگل) را ثابت نگه داشتند و تغییر دادند که آیا شرکت کنندگان از نتایج استاندارد گوگل یا خاصیت مرور کلی هوش مصنوعی گوگل یاد گرفته اند یا خیر. یافته ها تأیید کردند که حتی با ثابت نگه داشتن حقایق و پلتفرم، یادگیری از پاسخ های LLM ترکیب شده در مقایسه با جمع آوری، تفسیر و ترکیب اطلاعات برای خود بوسیله لینک های وب استاندارد، منجر به دانش سطحی تری می شود. حالا چرا بنظر می رسد استفاده از LLMها یادگیری را کاهش می دهد؟ یکی از اساسی ترین اصول توسعه مهارت این است که افراد زمانیکه بطور فعال با مطالبی که تلاش در یادگیری آنها دارند، درگیر می شوند، بهترین یادگیری را دارند. وقتی بوسیله جستجوی گوگل در مورد موضوعی اطلاعات کسب می نماییم، اصطلاحا با «اصطکاک» بسیار بیشتری روبرو می شویم، چونکه باید در لینک های مختلف وب جستجو نماییم، منابع اطلاعاتی را بخوانیم و خودمان آنها را تفسیر و ترکیب نماییم. این اصطکاک و درگیری باآنکه چالش برانگیزتر است، اما منجر به ایجاد یک بازنمایی ذهنی عمیق تر و اصیل تر از مبحث مورد نظر می شود، اما با LLMها، کل این پروسه از جانب هوش مصنوعی به انجام می رسد و یادگیری را از یک پروسه فعال تر به یک پروسه غیرفعال مبدل می کند. پژوهشگران تأکید می کنند که ما معتقد نیستیم که راهکار این مشکلات، اجتناب از استفاده از LLMها است، به ویژه باتوجه به مزایای غیرقابل انکاری که در خیلی از زمینه ها عرضه می دهند. در عوض، پیام ما این است که مردم صرفا باید کاربرانِ باهوش تر یا استراتژیک تری از LLMها باشند که این امر با درک حوزه هایی آغاز می شود که LLMها در آنها برای اهدافشان مفید هستند. نتیجه این که اگر به یک پاسخ سریع و واقعی برای یک سؤال نیاز دارید، می توانید از هوش مصنوعی مورد علاقه خود استفاده کنید، اما اگر هدف شما توسعه دانش عمیق و قابل تعمیم در یک زمینه است، تکیه صرف بر LLMها کمتر مفید خواهد بود. «ملوماد» می گوید: بعنوان قسمتی از تحقیقاتم در مورد روانشناسی فناوری های نوین و رسانه های جدید، من همین طور علاقمند به این هستم که آیا می توان یادگیری LLM را به فرآیندی فعال تر تبدیل کرد یا خیر؟ در آزمایش دیگری، ما این مورد را با درگیر کردن شرکت کنندگان با یک مدل GPT تخصصی که در کنار پاسخ های ترکیب شده، لینک های وب را بصورت لحظه ای عرضه می داد، آزمایش کردیم. وی ادامه داد: با این وجود، در آنجا متوجه شدیم که وقتی شرکت کنندگان خلاصه LLM را دریافت نمودند، انگیزه ای برای کاوش عمیق تر در منابع اصلی نداشتند. نتیجه این بود که شرکت کنندگان در مقایسه با آنهایی که به روش استاندارد از گوگل استفاده می کردند، دانش سطحی تری کسب کردند. وی اضافه کرد: بر این اساس، در تحقیقات آینده ام قصد دارم ابزارهای هوش مصنوعی مولد را که اصطکاک های سالمی را برای وظایف یادگیری ایجاد می کنند، مطالعه کنم و به طور دقیقتر بررسی کنم که کدام نوع از نرده های محافظ یا سرعت گیرها با موفقیت بیشتری کاربران را به یادگیری فعال فراتر از پاسخ های آسان و ترکیبی ترغیب می کنند. چنین ابزارهایی خصوصاً در آموزش متوسطه حیاتی به نظر می رسند، جایی که یک چالش بزرگ برای مربیان این است که چطور دانش آموزان را به بهترین شکل برای توسعه مهارت های خواندن، نوشتن و ریاضی پایه مجهز کنند و با این وجود برای دنیای واقعی آماده شوند که در آن احتمالا LLMها بخش جدایی ناپذیری از زندگی روزمره آنها خواهند بود.به طور خلاصه اشخاصی که بوسیله LLM در مقابل جستجوی وب در مورد موضوعی اطلاعات کسب کردند، احساس کردند که کمتر یاد گرفته اند، تلاش کمتری برای نوشتن سفارش های بعدی خود صرف کردند و در نهایت سفارش هایی نوشتند که کوتاه تر، غیرواقعی تر و عمومی تر بود. هنگامی که این سفارش ها به یک نمونه مستقل از خوانندگان ارائه شد که از اینکه از کدام ابزار برای یادگیری در مورد مبحث استفاده شده بود، بی اطلاع بودند، آن سفارش ها را کمتر آموزنده و کمتر مفید یافتند و احتمال کمتری داشت که آن را قبول کنند. این اصطکاک و درگیری اگرچه چالش برانگیزتر است، اما منجر به ایجاد یک بازنمایی ذهنی عمیق تر و اصیل تر از مبحث مورد نظر می شود، اما با LLMها، کل این فرایند از جانب هوش مصنوعی به انجام می رسد و یادگیری را از یک فرایند فعال تر به یک فرایند غیرفعال مبدل می کند. 1404/09/12 10:25:31 5.0 / 5 9 تگهای خبر: آموزش , تخصص , توسعه , دانشگاه این مطلب سئوسی را می پسندید؟ (1) (0) تازه ترین مطالب مرتبط تاندون جدید حرکت ربات ها را متحول می کند نامه مولکول های بدن به یکدیگر برملا شد مرزهای دانش تنها با جسارت فکری و همکاری بین المللی درنوردیده می شود رایان سرمایه گذاری ملی برای نگهداشتن استعدادها در کشور است نظرات بینندگان در مورد این مطلب نظر شما در مورد این مطلب نام: ایمیل: نظر: سوال: = ۲ بعلاوه ۳