اینترنت مسئلهی محتوا را حل کرد، هوش مصنوعی نحوهی یادگیری را عوض میکند. و سؤال بزرگتر، چرا باید چیزی را یاد بگیریم که قرار است هوش مصنوعی انجام دهد؟
مدتی پیش برای پروژهای در حوزهی آموزش تحقیق میکردم و حالا نقش هوش مصنوعی در آموزش، موضوع جذابی است که ارزش فکر کردن دارد. دیروز فرخ شهابی این بحث را باز کرد و بهانهای شد تا اینجا بنویسم. اگر کسی علاقهمند بود گفتوگویی شکل بگیرد و من هم از وسوسهی باز کردن شاخهای جدید در کارهایم رها شوم. پنج چیز است که فکر میکنم در آموزش باید دربارهشان صحبت کنیم: انگیزه، محتوا، مسیر، متد و پاداش.

سؤال «چرا اصلاً یاد بگیرم» از تنبلی نمیآید. کاربرد یادگیری برای ما کمرنگ شده است. پس اولین کار آموزش در این عصر، عرضهی محتوا نیست، نشان دادن کاربرد است: این دانش، امروز، در حضور هوش مصنوعی، دقیقاً به چه درد میخورد.
بخش سختتر ماجرا این است که گاهی نمیدانیم چه چیزی را نمیدانیم. در پنجرهی جوهری به آن ناحیهی کور میگویند و هیچ کاتالوگ دورهای به آن اشاره نمیکند، چون کاتالوگ فرض میگیرد شما میدانید دنبال چه میگردید. اینجا دستیار هوشمندی که سؤالها و کارهای قبلی شما را دیده اطلاعاتی دارد که پلتفرمهای محتوا ندارند: میتواند به جای معرفی دوره، فاصله را نشان دهد.
برای معرفی یک دوره هم میشود پروفایل بینام ساخت: این که شرکتکنندهها پیش از دوره کجا بودند و بعد از آن به کجا رسیدند، تا کاربر جدید ببیند به کدامشان شبیهتر است. این ابزار خوبی برای معرفی دوره و تطبیق انتظارات است.
یک سؤال دیگر هم هست که کمتر پرسیده میشود. انگیزهی خود آموزشدهنده چیست. قدیم دولتها آموزش میدادند تا نیروی بازار کار تأمین شود و آن انگیزهی روشن حالا محل سؤال است. از طرف دیگر پلتفرمها هستند که ماندگاری کاربر برایشان اهمیت دارد، نه توانمند شدن او. این تفاوت کوچکی نیست و به نظر من ریشهی خیلی از چیزهایی است که در محصولات آموزشی امروز آزاردهنده به نظر میرسد.
فکر میکنم محتوا چهار دسته است و بیشتر دعوا سر این است که یک چیز را در دستهی اشتباه گذاشتهایم.
دستهی اول، چیزهایی که تاریخ مصرفشان گذشته است. خیلی از ما دیگر یادمان نیست انتگرال چطور گرفته میشد یا یک عدد پنجرقمی را چطور در یک عدد پنجرقمی ضرب میکردیم و هیچوقت هم به آن نیاز پیدا نکردیم.
دستهی دوم، چیزهایی که پنجرهی کوتاهی دارند. رانندگی با دندهی دستی همین است. یک نسل به آن نیاز دارد و نسل بعد احتمالاً نه. با آمدن خودرانها هم شاید کل موضوع یادگیری رانندگی تغییر کند.
دستهی سوم، محتوای همیشهسبز. احتمالاً مهارتهای انسانی که با عنوان مهارتهای نرم شناخته میشوند در این دسته قرار میگیرند.
دستهی چهارم، چیزهایی که تا دیروز وجود نداشتند و در آینده لازم میشوند. مثلاً نحوهی تعامل با ماشینهای هوشمندی که خودمان ساختهایم.
بدترین اتفاق این است که دستهی چهارم را با روش دستهی اول درس بدهیم.
به یک تجربهی شخصی اشاره میکنم که در گذشته مسیر یادگیری من را تغییر داد و تصور میکنم حالا هم الگوی مشابهی در حال تکرار است. کار من طراحی نیست و شاید هیچوقت یک طرح کامل را داخل فتوشاپ یا فیگما کار نکرده باشم. اما همیشه میدانستم این ابزارها برای چه کاری هستند، چه کاربردی دارند و روال انجام کار داخلشان چطور جلو میرود. همین اندازه دانستن کافی بود که بتوانم با یک طراح حرف بزنم، زمان کار را تخمین بزنم و خروجی را بسنجم.
حالا فکر میکنم این دقیقاً همان لایهای است که ارزشش بالا رفته است. در خیلی از حوزهها دیگر خودِ انجام دادن مسئله نیست. مسئله این است که بین چند گزینه چطور انتخاب کنیم و برای آن انتخاب چه چیزی باید بدانیم.
دربارهی زبان هم نظرم عوض شده است. احتمالاً دانستن چهار زبان دیگر مزیت نیست. آدمها با زبان خودشان و نهایتاً یک زبان توافقی با هم ارتباط میگیرند و بقیهاش را ابزار انجام میدهد. پس یادگیری زبان از بحث نیاز خارج شده و در بحث هویت پررنگ میشود، چون زبان حامل فرهنگ و تاریخ یک سرزمین است. شاید آموزش زبان از یک ضرورت به یک سرگرمی تبدیل شود، شبیه نواختن ساز.
و مهارتهای نرم. تفکر انتقادی، تفکر الگوریتمی، هوش هیجانی. اینها همان چیزهایی هستند که صدها ساعت آموزش کلاسیک نتیجهی مورد انتظار را از آنها نگرفته است، چون این مهارتها در موقعیت یاد گرفته میشوند نه در کلاس. و به نظر من اینجا یک دستیار شخصی از هر دورهای مفیدتر است، چون در همان موقعیت حاضر است: پیش از یک جلسهی سخت کمک میکند فرضهایتان را بدانید و بعد از جلسه میپرسد کجا واکنشی رفتار کردید. آموزش مهارت نرم از کلاس به لحظه منتقل میشود. مثلاً اخیراً استارتاپی ابزاری ارائه داده که نحوهی حضور فرد در یک جلسهی فنی را ارزیابی میکند و مطمئناً از هر کلاس تئوری مفیدتر است.
کمبود محتوا مدتها قبل از هوش مصنوعی حل شده است و مطالب در اینترنت، دورههای آنلاین و یوتیوب به سادگی و با هزینهی بسیار کم و حتی رایگان در اختیار همه قرار دارند. چیزی که هوش مصنوعی عوض کرده دسترسی نیست، نحوهی یادگیری است.
بلوم در ۱۹۸۴ نشان داد آموزش یکبهیک بهتر از کلاس معمولی نتیجه میدهد. چهل سال مسئله این بود که نمیشود این کار را در مقیاس بالا انجام داد و حالا امکانپذیر شده است. مطالعهای در هاروارد در ۲۰۲۴ نشان داد دانشجویانی که با یک مربی هوش مصنوعی طراحیشده برای همان درس کار کردند، در زمان کمتر بیشتر یاد گرفتند. یعنی بخش «قدم بعدی چیست» تا حد خوبی حل شده است.
اما منتور فقط نمیگوید قدم بعدی چیست. میگوید چرا ادامه بده و تعامل ما با ایجنت با تعامل انسانی متفاوت است. ایجنت با یک ضربدر بسته میشود و آدم را نمیشود به این راحتی نادیده گرفت. همین موضوع بخشی از کارکرد منتور انسانی است. یک نفر میتواند خلاقانهتر و انسانیتر تشویق به ادامه کند، دستکم فعلاً.
ما به ارتباط با آدمها نیاز داریم و بهترین یادگیری وقتی اتفاق میافتد که چند نفر کنار هم و هممسیر پیش بروند. هوش مصنوعی این را میتواند تسهیل کند، مثلاً با ثبت علاقهمندیها و سطح نفرات، مچینگ هوشمند انجام دهد تا کسانی که به درد هم میخورند همدیگر را پیدا کنند.
دربارهی گیمیفیکیشن هم نظر شخصیام این است که بیشتر سرگرمی است تا آموزش. دولینگو را که نگاه میکنم، کار استریک برگرداندن من به اپلیکیشن است، نه این که بهتر یاد بگیرم. برگرداندن کاربر ارزش دارد، ولی معیار یادگیری نیست. این که روی میل به رقابت و تمایل به بازی چقدر میشود حساب کرد، سؤالی است که جواب روشنی برایش ندارم.
همه موافق هستند که بهترین شیوهی یادگیری انجام دادن است و یادگیری در لحظهی نیاز، بیشترین اثربخشی را دارد. مانع همیشگی هزینهی ساختن تمرین بود. یک سناریوی تمرینی که واقعاً به درد یک نفر بخورد، زمان کامل یک مربی را نیاز داشت و برای همین سراغ روش کلاسیک میرفتیم که یک درس را به همه بدهیم.
این همان جایی است که هوش مصنوعی بیشترین تغییر را ایجاد کرده. حالا میشود برای هر نفر سناریوی خودش را ساخت و قدمبهقدم با او جلو رفت. اگر بخواهیم تفکر انتقادی یاد بدهیم و بدانیم فرد به اقتصاد علاقه دارد، دو تحلیل متناقض از یک خبر را مشخص میکنیم و میپرسیم کدام را باور کرد و چرا. مسیر رسیدن او به قضاوت را هم همانجا هدایت میکنیم. برای کسی که به ورزش علاقه دارد همان تمرین با دادهی دیگری ساخته میشود. تمرین شخصیسازیشده دیگر گران نیست و این تغییر کوچکی نیست.
و بله، تفکر انتقادی مهمتر شده است. دلیلش ساده است. جواب اشتباه را میشود راستیآزمایی کرد. مشکل جایی است که جواب درست است ولی کامل نیست. اگر از یک مدل سه گزینه بخواهید، همان انتخاب سه گزینه بخشی از تصمیم شماست و گزینهی چهارم شاید هیچوقت به ذهن کسی نرسد. در مقالهای که اخیراً خواندم مسئله به خوبی بیان شده است و لینکش را در کامنت میگذارم. مهارتی که باید یاد بدهیم همین است: به جوابی که درست به نظر میرسد شک کن و بپرس چه چیزی اصلاً وارد جواب نشده است.
به همین دلیل گاهی هوش مصنوعی باید عمداً کاری را انجام ندهد. از منظر طراحی اصطکاک همیشه نقص نیست و گاهی محافظ است. در پژوهشهای یادگیری هم سالهاست از «سختیهای مفید» حرف میزنند، یعنی شرایطی که یادگیری را کندتر میکند و ماندگاریاش را بالا میبرد. مطالعهی آزمایشگاه رسانهی امآیتی هم پارسال همین را از سمت هزینه نشان داد: کسانی که مقاله را با کمک مدل زبانی نوشتند کمترین حس مالکیت را نسبت به متن داشتند و حتی نمیتوانستند چیزی را که خودشان نوشته بودند درست به یاد بیاورند.
قاعدهای که خودم به آن رسیدهام ساده است. هر جا قرار است خروجی ابزار را بعداً بسنجم، اول حدس خودم را مینویسم، حتی اگر غلط باشد.
و آنلرنینگ. خیلی از مهارتها حذف نشدهاند و فقط روش انجامشان عوض شده است. سختترین بخش هم پاک کردن روش قبلی است. به نظرم فراموش کردن دانش و روشهای گذشته گزینهی درستی نیست و نباید دور ریخته شوند. مهم این است که ثبت کنیم روش قبلی چه زمانی درست بود و دقیقاً چه چیزی تغییر کرد. بدون این ثبت، فرد یا به روش قدیم کورکورانه ادامه میدهد یا بدون فهمیدن رهایش میکند.
پاداش کوتاهمدت عادت میسازد اما رشد مفهوم دیگری است و بد نیست این دو را از هم جدا کنیم.
هر فرد را باید با خودش مقایسه کرد و به او یادآوری کرد که شش ماه پیش این کار را نمیتوانست انجام دهد. معنای رشد همین است. به نظر من این از هر جایزهای مؤثرتر است، چون به جای «هفت روز پشت سر هم آمدی» میگوید «تو یاد گرفتهای و نسخهی بهتری از خودت ساختهای».
این که برای سنین مختلف چه پاداشی مشوق است سؤال باز من است. حدسم این است که هرچه سن بالاتر میرود سهم دیدن رشد بیشتر میشود و سهم جایزه کمتر.
مورچهها بخش بزرگی از مسیرشان را روی رد شیمیایی میروند، اما کلونی همیشه بخشی از نیرویش را کاوشگر نگه میدارد و پژوهشها نشان میدهد این سهم را متناسب با شرایط محیط تنظیم میکند.
حرف من همین است. وقتی همه با هوش مصنوعی کار میکنند و همه از مسیری میروند که مدل پیشنهاد میدهد، آن مسیر بهینه است ولی خودش را توسعه نمیدهد. برای این که یک حوزه جلو برود، درصد کمی از آدمها باید بیرون از آن جریان حرکت کنند، راههای دیگر را امتحان کنند و چیزی بسازند که مدل پیشنهادش نمیداد. اسم آن انحراف را ما خلاقیت میگذاریم.
سؤال این است که آموزش چطور باید همزمان دو کار متضاد را انجام دهد. گروه بزرگ را در بهینهترین حالت ممکن هدایت کند و آن درصد کوچک را عمداً از مسیر بهینه بیرون بگذارد و نگه دارد، تا وقتی تمام سیستم دارد همه را به یک سمت هل میدهد باز هم کسی باشد که مسیرهای نو را کشف کند و پویایی جامعهی انسانی حفظ شود.
شما چطور فکر میکنید؟ کدام مهارت را تصمیم گرفتهاید دیگر یاد نگیرید و کدام مهارتها را الزامی میدانید و در حال یادگیری هستید؟