Σε λίγες μέρες αρχίζουν τα σχολεία. Μαζί με τις τσάντες, τα βιβλία και τα ωρολόγια προγράμματα, εκατομμύρια γονείς σε όλη την Ευρώπη ξανασκέφτονται ένα ερώτημα που πριν από τρία χρόνια δεν υπήρχε: τι κάνουμε με την τεχνητή νοημοσύνη; Την επιτρέπουμε στην εργασία για το σπίτι; Την απαγορεύουμε; Κάνουμε πως δεν βλέπουμε;
Το πρόβλημα με αυτή τη διατύπωση είναι ότι μας παγιδεύει σε ένα «ναι ή όχι» που δεν βοηθά κανέναν. Τα παιδιά μας δεν πρόκειται να μεγαλώσουν σε έναν κόσμο χωρίς τεχνητή νοημοσύνη, ακριβώς όπως και εμείς δεν μεγαλώσαμε σε έναν κόσμο χωρίς υπολογιστές ή αριθμομηχανές. Το ζητούμενο, όπως γράφει και ο οικονομολόγος Daniel Susskind στον Guardian, «δεν είναι πλέον να προετοιμάσουμε τα παιδιά για τον κόσμο που ξέρουμε εμείς, αλλά για αυτόν που πραγματικά θα ζήσουν αυτά». Και σήμερα, έχουμε δεδομένα για να κάνουμε αυτή τη συζήτηση σοβαρότερα.
Τι δείχνει η μεγαλύτερη, μέχρι σήμερα, μελέτη
Μία πρόσφατα δημοσιευμένη ερευνητική εργασία μελέτησε την επίδραση των προγραμμάτων τεχνητής νοημοσύνης στις σχολικές επιδόσεις. Πρόκειται για τη μεγαλύτερη και πιο μακροχρόνια, μέχρι σήμερα, σχετική μελέτη. Οι ερευνητές παρακολούθησαν, συστηματικά και για 30 μήνες, 26.811 μαθητές γυμνασίου και λυκείου σε μια κινεζική επαρχία, σε εννέα διαφορετικά μαθήματα. Σε μία πρώτη ανάγνωση, τα αποτελέσματα έμοιαζαν με διαφήμιση της τεχνητής νοημοσύνης. Κατά μέσο όρο έξι μήνες μετά την υιοθέτηση της χρήσης μεγάλων γλωσσικών μοντέλων, οι βαθμοί στις εργασίες για το σπίτι αυξήθηκαν κατά 18%, ενώ ο μέσος χρόνος ολοκλήρωσης έπεσε από 64 σε 45 λεπτά.
Ωστόσο, οι επιδόσεις στα διαγωνίσματα εντός της τάξης, χωρίς χρήση προγραμμάτων τεχνητής νοημοσύνης, μειώθηκαν κατά 20%. Ακόμα χειρότερα, στις εξετάσεις εισαγωγής σε λύκειο και πανεπιστήμιο, οι βαθμοί των μαθητών μειώθηκαν μεσοσταθμικά κατά 24% και 18% αντίστοιχα, ενώ φαίνεται ότι μετά από περίπου δύο χρόνια συστηματικής εξάρτησης από τα μοντέλα, πολλοί μαθητές εμφανίζουν πρόσθετα μαθησιακά προβλήματα. Οι ερευνητές ονομάζουν το φαινόμενο “generative AI learning penalty”, στα ελληνικά θα μπορούσαμε να το αποδώσουμε ως «το μαθησιακό τίμημα της χρήσης γενετικής τεχνητής νοημοσύνης».
Στα πλαίσια της έρευνας οι μαθητές χωρίστηκαν σε δύο ομάδες, με βάση τα μοτίβα συμπεριφοράς. Περίπου το 80% των χρηστών ΤΝ εμφάνιζε ένα χαρακτηριστικό μοτίβο: πολύ μικρός χρόνος εργασίας στο σπίτι και ταυτόχρονα πολύ υψηλός βαθμός. Πρόκειται για μαθητές που ανέθεταν εξ’ ολοκλήρου την εργασία στη μηχανή. Αυτή, όμως, η ομάδα εμφάνιζε και τη μεγαλύτερη πτώση στις επιδόσεις στα διαγωνίσματα χωρίς χρήση μοντέλων τεχνητής νοημοσύνης.
Το υπόλοιπο 20% ήταν μαθητές που χρησιμοποιούσαν τεχνητή νοημοσύνη αλλά ξόδευαν πάνω κάτω τον ίδιο χρόνο με όσους συμμαθητές τους δεν τη χρησιμοποιούσαν. Η ομάδα αυτή εμφάνιζε επίσης εξαιρετικές επιδόσεις στις εργασίες στο σπίτι, αλλά είχε εξίσου καλές επιδόσεις και στα σχολικά διαγωνίσματα. Με άλλα λόγια, η χρήση των μεγάλων γλωσσικών μοντέλων δεν δημιούργησε μαθησιακό πρόβλημα για όσους διατήρησαν τη νοητική τους προσπάθεια, αλλά επιδείνωσε τη μαθησιακή διαδικασία για όσους τα χρησιμοποίησαν για να αποφύγουν τη νοητική προσπάθεια. Ενδιαφέρον έχει και το γεγονός ότι οι μεγαλύτερες απώλειες εντοπίστηκαν στους νεότερους μαθητές, στα αγόρια και (παραδόξως) σε μαθητές υψηλών επιδόσεων. Φαίνεται ότι καλοί μαθητές είναι εξίσου ευάλωτοι μαθησιακά όταν η τεχνητή νοημοσύνη γίνεται υποκατάστατο της γνώσης.
Η διαρκώς αυξανόμενη σχετική βιβλιογραφία αποδίδει το μηχανισμό υποκατάστασης της γνωστικής διαδικασίας από τη χρήση μοντέλων με τον όρο “cognitive offloading”, που συχνά αποδίδεται στα ελληνικά ως «γνωστική εκφόρτωση». Πρόκειται για τη μεταφορά νοητικού έργου από τον άνθρωπο σε ένα εξωτερικό εργαλείο, όπως όταν σημειώνουμε ένα τηλέφωνο αντί να το αποστηθίσουμε. Το πρόβλημα όμως είναι ότι στη μάθηση το «έργο που εκφορτώνεται» είναι ακριβώς εκείνο που χτίζει τη γνώση: η ανάκληση, το λάθος, η διόρθωση, η προσπάθεια να εξηγήσει κανείς κάτι με δικά του λόγια. Για έναν ενήλικα επαγγελματία, η εκφόρτωση μπορεί να είναι επωφελής, ειδικά εφόσον του ελευθερώνει μυαλό για δημιουργική δουλειά. Για έναν 13χρονο που μαθαίνει ακόμη κλάσματα και συντακτικό, η ίδια πρακτική βραχυκυκλώνει τη γνωστική διαδικασία και τον αφήνει χωρίς θεμέλια.
Το μέλλον δεν είναι όπως νομίζουμε
Το 2013, ο τότε Βρετανός πρωθυπουργός David Cameron ανακοίνωσε ότι όλα τα παιδιά, σε όλα τα σχολεία, θα μάθαιναν προγραμματισμό, ώστε να έχουν «τις δεξιότητες για να πετύχουν στον 21ο αιώνα». Δεκατρία χρόνια αργότερα, το 90% του κώδικα για το εργαλείο Claude Code της Anthropic γράφεται από το ίδιο το μεγάλο γλωσσικό μοντέλο. Οι δεξιότητες που υποτίθεται ότι θα προστάτευαν τα παιδιά για μια ζωή, έγιναν σχεδόν περιττές πριν καν τα παιδιά τελειώσουν το σχολείο. Είναι αλήθεια ότι δεν ξέρουμε ποιες συγκεκριμένες δεξιότητες θα είναι «ασφαλείς» σε πέντε ή δέκα χρόνια. Το ερώτημα λοιπόν είναι πώς προετοιμάζουμε τα παιδιά για μια πραγματικότητα που ούτε καν μπορούμε να προβλέψουμε;
Η πρώτη απάντηση, γράφει ο Susskind, ακούγεται συντηρητική αλλά είναι επαναστατική στο σημερινό πλαίσιο: επιστροφή στα βασικά. Από το 2009, οι ικανότητες των νέων, αλλά και των ενηλίκων, στο χειρισμό της γραφής και των αριθμών μειώνονται συστηματικά σε όλο τον κόσμο, σύμφωνα με τους δείκτες PISA του ΟΟΣΑ. Αυτό είναι από μόνο του πολύ ανησυχητικό και θα μπορούσε να αποβεί καταστροφικό στην εποχή της τεχνητής νοημοσύνης.
Υπάρχουν δύο βασικοί λόγοι για αυτό. Πρώτον, όσο σύνθετες κι αν είναι οι μελλοντικές δεξιότητες που θα παίζουν μεγάλο ρόλο (κρίση, δημιουργικότητα, ερμηνεία), τα θεμέλια τους παραμένουν τα ίδια: κατανόηση κειμένου, συνειρμός, μαθηματικός συλλογισμός, ικανότητα συγκρότησης επιχειρημάτων. Δεύτερον, η τεχνητή νοημοσύνη κάνει συχνά λάθη και δίνει με πειστικότητα απαντήσεις που είναι φτιαχτές. Ο χρήστης πρέπει να μπορεί να καταλάβει πότε οι απαντήσεις είναι κοντά η μακριά από την πραγματικότητα και χωρίς σταθερές βάσεις, αυτή η κρίση είναι αδύνατη. Για του λόγου το αληθές, μια μελέτη του Hechinger Report σε 1.000 μαθητές έδειξε ότι το κοινό ChatGPT απαντούσε σωστά μόνο τις μισές φορές, με λάθος συλλογιστική σε 42% των περιπτώσεων. Οι μαθητές που το χρησιμοποιούσαν αντέγραφαν και τα λάθη, χωρίς να έχουν τη γνώση να τα εντοπίσουν.
Η δεύτερη πρόταση του Susskind είναι ίσως η πιο χρήσιμη πρακτικά, και βασίζεται σε ιστορικό προηγούμενο. Το 1982, όταν η αριθμομηχανή μπήκε στα σχολεία, μια βρετανική επιτροπή υπό τον καθηγητή Wilfred Cockcroft πρότεινε να χωριστεί η διδασκαλία των μαθηματικών (και οι εξετάσεις) σε δύο μέρη: ένα μέρος με αριθμομηχανή και ένα χωρίς. Το ίδιο μπορούμε να κάνουμε τώρα με την τεχνητή νοημοσύνη, σε κάθε μάθημα. Ένα μέρος του χρόνου διδάσκουμε τα παιδιά να δουλεύουν χωρίς τεχνητή νοημοσύνη και ένα μέρος τα διδάσκουμε πως να τη χρησιμοποιούν σωστά. Και οι μαθητές εξετάζονται και στα δύο.
Φαίνεται ότι κάποια πρώτα στοιχεία υποστηρίζουν αυτή τη λογική. Σε πείραμα στην Τουρκία με 1.000 μαθητές λυκείου, η ελεύθερη πρόσβαση σε chatbot μείωσε κατά 17% την επίδοση σε εξετάσεις χωρίς τεχνητή νοημοσύνη, εκτός από τις περιπτώσεις που το εργαλείο ήταν ρυθμισμένο ως δάσκαλος που δεν έδινε απαντήσεις αλλά καθοδηγούσε σε βήματα και νέες ερωτήσεις. Σε άλλο πείραμα στη Γερμανία, μαθητές φυσικής της 9ης τάξης που έλαβαν βήμα-προς-βήμα εξηγήσεις έμαθαν σαφώς περισσότερα από όσους έλαβαν έτοιμες λύσεις.
Για τα μεγαλύτερα παιδιά, που ήδη σκέφτονται τις σπουδές τους, ο Susskind δίνει μια ακόμη πολύτιμη συμβουλή: «Διάλεξε επάγγελμα επειδή σε ενδιαφέρει το πρόβλημα που λύνει, όχι επειδή σου αρέσει το επάγγελμα». Οι καθημερινές πρακτικές στην ιατρική, τη νομική, την ψυχολογία θα είναι πολύ διαφορετικές σε δέκα χρόνια. Τα προβλήματα όμως τα οποία αντιμετωπίζουν (υγεία, δικαιοσύνη, ψυχική υγεία) θα υπάρχουν ακόμη. Και συχνά η καλύτερη λύση δεν έρχεται από τον «ειδικό» αλλά από κάποιον που ξέρει τα νέα εργαλεία: τη διαγνωστική εφαρμογή του Stanford που εντοπίζει καρκίνο του δέρματος από φωτογραφία, την ανέπτυξε ένας επιστήμονας υπολογιστών, το 2017, και όχι κάποιος δερματολόγος.
Το πρόβλημα των μαθητικών επιδόσεων με τη βοήθεια τεχνητής νοημοσύνης είναι ήδη αισθητό και στα ελληνικά σχολεία. Αν το 50% των μαθητών παραδίδει εργασίες φτιαγμένες κυρίως από μεγάλα γλωσσικά μοντέλα, οι βαθμοί των εργασιών παύουν να είναι αξιόπιστη ένδειξη μάθησης. Οι εκπαιδευτικοί ήδη ανανεώνουν τη διαδικασία αξιολόγησης με προφορικές εξετάσεις, εργασίες μέσα στην τάξη, αιτιολόγηση της διαδικασίας αντί μόνο του αποτελέσματος. Για το τέλος, κρατάω μία ακόμη παρατήρηση του Susskind:
«Πόσο συχνά ακούμε να κατηγορούν μαθητές ότι εξαπατούν όταν χρησιμοποιούν τεχνητή νοημοσύνη; Σε ποιο σημείο όμως εξαπατούμε εμείς τα ίδια τα παιδιά, αποτυγχάνοντας να ανανεώσουμε τον τρόπο με τον οποίο τα εκπαιδεύουμε;»
(Ο Αντώνης Μαυρόπουλος είναι σύμβουλος κυκλικής οικονομίας και συγγραφέας. Το νέο του βιβλίο με τίτλο «Waste Side Stories Απόβλητοι – Απόβλητα και Μεταβολικά Ρήγματα» (εκδόσεις Τόπος) κυκλοφορεί ήδη στα βιβλιοπωλεία)
