یک دانشکده کالج ، به صفحه نمایش خود خیره شده است. استاد او فقط مقاله ای را در مورد کافکا اختصاص داده است دگردیسی و انگشتانش بلافاصله از روی چتپ برخورد می کنند. ‘چرا مبارزه، “او فکر می کند ،”وقتی هوش مصنوعی می تواند آن را برای من تحلیل کند؟ این تصمیم تقسیم دوم یک تغییر شناختی جهانی را نشان می دهد:
ما برای راحتی در حال تلاش ذهنی هستیم و مغز ما به روش های نگران کننده ای سازگار است.
چه اتفاقی برای عضله در هنگام استفاده نمی شود؟ تضعیف می شود این آتروفی است. این تنها هنگامی که دوباره استفاده می شود بهبود می یابد. بنابراین ، وقتی فکر می کنید برون سپاری می شود ، چه اتفاقی برای ذهن می افتد؟ همانطور که به ChatGPT نگاه می کنید ، شاید برای نوشتن ایمیل بعدی خود یا خلاصه کردن کار بعدی خود ، در نظر بگیرید که چه عضلات شناختی ممکن است اجازه تضعیف را داشته باشید؟
در یک آزمایشگاه در سوئیس ، شرکت کنندگان به صفحه نمایش خیره می شوند و تصمیمات تقسیم شده ای را در مورد حل مشکلات خودشان یا واگذاری آنها به هوش مصنوعی می گیرند. راحتی در سکوت در حال تغییر شکل معماری فکری ما است.
هزینه شناختی راحتی
گرلیچ در مطالعه سال ۲۰۲۵ خود با بررسی نمونه طبقه بندی شده ۶۶۶ شرکت کننده در گروه های سنی ، می نویسد: “بارگیری شناختی به عنوان یک عامل واسطه گر ظاهر شد ، به ویژه در بین شرکت کنندگان جوان که به دلیل اعتماد به نفس به دلیل اعتماد به نفس به دلیل اعتماد به نفس به AI ، مهارت های تفکر انتقادی کمتری را به نمایش گذاشتند.”
تحقیقات وی ارتباط منفی معنی داری بین استفاده مکرر ابزار هوش مصنوعی و توانایی های تفکر انتقادی نشان می دهد. این از طریق ابزارهای معتبر مانند ارزیابی تفکر انتقادی هالپرن اندازه گیری شد.
این تغییرات نشان دهنده تکامل آنچه که Sparrow و همکاران برای اولین بار در سال ۲۰۱۱ به عنوان “اثر Google” شناسایی کردند – تمایل ما برای فراموش کردن اطلاعاتی که می دانیم به صورت آنلاین قابل بازیابی است. اما یافته های گرلیچ چیزی نگران کننده تر است. “اثر Google” به تفکر انتقادی گسترش می یابد ، جایی که افراد می توانند در اولویت دانستن اینکه کجا می توانند اطلاعات مربوط به درک یا تجزیه و تحلیل عمیق آن را پیدا کنند ، در اولویت قرار دهند.
تلفن هوشمند موجود در جیب شما به گسترش سیستم شناختی شما تبدیل شده است. جستجوی Google از ما خواسته است تا از طریق نتایج ، ارزیابی منابع و سنتز اطلاعات ، از طریق نتایج استفاده کنیم. این امر عضلات شناختی ما از تجزیه و تحلیل و ارزیابی را اعمال می کند. اما LLM های امروز این وظایف فکری را برای ما انجام می دهند و بینش های از پیش بسته بندی شده را بدون درخواست مشارکت ذهنی ما ارائه می دهند.
انتقال از موتورهای جستجو به هوش مصنوعی تولیدی ، تغییر از ابزارهایی را نشان می دهد که نیاز به تفکر مشترک به فناوری هایی دارد که مصرف منفعل اندیشه تولید شده توسط ماشین را ترغیب می کند. این تفاوت ظریف اما قابل توجه ما را از شرکت کنندگان فعال در ایجاد دانش به دریافت کنندگان صرف تولید دستگاه تغییر می دهد. چه تأثیری در مسیرهای عصبی ما مسئول تفکر انتقادی ، ارزیابی و سنتز خواهد داشت؟
آنچه به عنوان حافظه برون سپاری آغاز شد ، به استدلال برون سپاری تبدیل شده است.
مغز شما عاشق بارگذاری شناختی (و ترس)
چرا ما به راحتی استقلال شناختی خود را تسلیم می کنیم؟ شاید به این دلیل که نمایندگی مانند توانمندسازی احساس می کند. هربار که AI وظیفه ای را که یک بار به صورت دستی انجام داده ایم ، انجام می دهیم ، ما یک بهره وری لحظه ای را تجربه می کنیم. طراحی LLMS باعث پاداش سوخت دوپامین می شود که وابستگی ما را تقویت می کند ، مشابه بازی سازی.
وان و همکاران. (۲۰۲۳) به طور تجربی نشان داد که انسان ها با تمایل به انجام الگوریتم ها در هنگام بارگذاری شناختی ، وظایف تقاضا را به الگوریتم ها می پردازند. در مطالعه خود ، شرکت کنندگان در حال انجام یک کار ردیابی چند هدف ، برخی از اهداف اما نه همه اهداف را به یک شریک هوش مصنوعی بارگیری کردند و با وجود “بیزاری” گسترده به کمک های الگوریتمی ، دقت ردیابی فردی خود را ۱۸ ٪ بهبود می بخشند. این نشان می دهد که بار شناختی در هنگام وجود راحتی درک شده برای انجام این کار ، عدم تمایل اولیه به نمایندگی را نادیده می گیرد. نویسندگان نتیجه می گیرند که “بار کار یک عامل مهم در بارگیری رفتار است” با پیامدهای مربوط به گردش کار با کمک AI در زمینه های پر سر و صدا مانند آموزش و مراقبت های بهداشتی.
در زیر این راحتی اضطراب واقعی را پنهان می کند. تحقیقات گرلیچ نگرانی های قابل توجهی عمومی درباره هوش مصنوعی را کشف کرد که فراتر از خطرات فنی برای نگرانی های روانی عمیق تر است. در هر دو مطالعه ، شرکت کنندگان غالباً این اضطراب ها را در تنظیمات عمومی کاهش می دادند اما نگرانی های قابل توجهی را ناشناس ابراز می کردند. گرلیچ اظهار داشت که جامعه ما هنوز واژگان را توسعه نداده است تا اضطراب ما را با این تغییرات تکنولوژیکی بیان کند.
شاید این اضطراب فقط بازتاب یک حقیقت شناخته شده باشد: ابزارهای هوش مصنوعی ما را تغییر می دهند.
بازپس گیری آینده شناختی ما
آنچه کار گرلیچ را متمایز می کند ، رد آن از جبرگرایی فناوری است. تحقیقات وی به جای قرار دادن هوش مصنوعی به عنوان یک نیروی غیرقابل توقف در حال تغییر شکل شناخت ، آژانس ما را در تعیین نتایج از طریق طراحی و سیاست عمدی برجسته می کند.
مسیر رو به جلو نه در آغوش و نه رد هوش مصنوعی نیاز ندارد. درعوض ، ما به ادغام متفکرانه این ابزارها نیاز داریم که استقلال شناختی انسان را حفظ می کند. این به معنای طراحی تجربیات آموزشی است که به دانش آموزان می آموزد نه تنها نحوه استفاده از هوش مصنوعی بلکه در هنگام استفاده از آن. این بدان معناست که محیط های آموزشی در کنار تحلیل الگوریتمی قضاوت انسانی را ارزیابی می کنند.
چهار استراتژی برای تفکر مقاوم در برابر هوش مصنوعی
چگونه می توانیم ضمن حفظ استقلال شناختی که باعث خلاقیت و نوآوری می شود ، کارآیی هوش مصنوعی را مهار کنیم؟ پاسخ در یادگیری انسان محور نهفته است. تحقیقات اخیر در مورد ادغام هوش مصنوعی در آموزش و پرورش حاکی از چهار رویکرد عملی برای تعادل کارآیی هوش مصنوعی با استقلال شناختی است:
- “مناطق بدون هوش مصنوعی” را برای تفکر عمیق پیاده سازی کنید: فعالیت ها و ارزیابی های خاص کلاس را که در آن ابزارهای AI عمداً وجود ندارند ، تعیین کنید. تحقیقات نشان می دهد که تمرین عمدی بدون کمک فن آوری مسیرهای عصبی را که مسئول تجزیه و تحلیل انتقادی هستند تقویت می کند (Bhuman ، ۲۰۲۴). این مناطق فرصت های اساسی را برای دانش آموزان ایجاد می کند تا تفکر مستقل را بدون میانبرهای الگوریتمی توسعه دهند.
- قضاوت تطبیقی بین هوش مصنوعی و خروجی انسان را آموزش دهید: تمرینات طراحی که دانش آموزان هم تجزیه و تحلیل های تولید شده توسط AI و انسان را از همان ماده ارزیابی می کنند. این امر به دانش آموزان کمک می کند تا تفاوت های کیفی در فرآیندهای استدلال را شناسایی کرده و آگاهی فراشناختی از زمانی که قضاوت انسانی ارزش متمایز را فراتر از پردازش الگوریتمی می افزاید ، توسعه دهند.
- ارزیابی های “AI-propof” را با تمرکز بر فرآیند بیش از محصول توسعه دهید: معیارهای ارزیابی را برای تأکید بر توانایی دانش آموزان در مستندسازی سفر تفکر خود ، توضیح استدلال و توجیه نتیجه گیری تغییر دهید. طرح های ارزیابی باید به جای اینکه فقط خروجی یا صحت داشته باشند ، “چرا” پشت پاسخ ها را ارزیابی کنند.
- جوامع حل مسئله بشر را تقویت کنید: فرصت های ساختاری را برای تیم های دانشجویی ایجاد کنید تا از طریق گفتگو ، بحث و پالایش تکراری با یکدیگر و با هوش مصنوعی ، مشکلات پیچیده ای را برطرف کنند. من برای این منظور درخواست های یادگیری دیالوگ را توسعه داده ام.
هرچه دستگاههای ما تواناتر شوند ، با ارزش ترین مهارتهای شناختی انسان ممکن است از پردازش اطلاعات (دانستن چه چیزی) به معنی سازی (دانستن دلیل) تغییر کند. این نشان دهنده تکامل در آنچه که ما هوش اصلی انسان را در عصر الگوریتمی می دانیم.
هنگامی که شما به AI می رسید تا یک کار شناختی را به اتمام برساند ، مکث کنید: چه ظرفیت هایی را توسعه می دهید و کدام یک را تسلیم می کنید؟
