یادگیری تأثیرگذار معلمان دیجیتال؛ آیا معلمان دیجیتال می‌توانند جایگزین مربیان و متخصصان فعلی شوند؟ | هوش مصنوعی؛ مربی و دستیار قابل اعتمادشما

همشهری آنلاین -یکتا فراهانی: فناوری می‌تواند وظایفی را که معلم نمی‌تواند انجام دهد - چه به دلیل کمبود وقت و چه منابع - انجام دهد و ارزش واقعی و نتایج مفید و موثری را به کلاس درس بیافزاید.

بنابراین برای معلمان مهم است درک کنند رابطه مثبت و فعال با فناوری می‌تواند به آنها و فراگیرانشان کمک کند. به این ترتیب برای دستیابی به این نتایج، معلمان باید دانش خود را در مورد فناوری‌های یادگیری گسترش دهند و توانایی‌شان را برای ارزیابی انتقادی ابزارهای یادگیری دیجیتال در خصوص شناسایی ابزارهایی که بیشترین سود را برای دانش آموزان به دنبال دارد، توسعه دهند.

بخش سوم

مربی گری هوش مصنوعی

دکتر محمدحسین امیرحسینی، عضو هیات علمی دانشگاه شرق لندن و پژوهشگر ارشد هوش مصنوعی در باره نقش مربی گری هوش مصنوعی در فرایند یادگیری می‌گوید: «هوش مصنوعی می‌تواند دستیار قابل اعتمادی برای یک مربی (Coach) باشد. چون می‌تواند به مربی کمک کند تا مطمئن شود جلسه هدایت گری (Coaching) در مسیر درستی پیش می‌رود و مدل هدایت گری مد نظرمربی با کیفیت بالا ارائه می‌شود. به علاوه می‌تواند به مربی کمک کند تا در طول جلسات مدیریت زمان بهتری داشته باشد.»

چالش‌های تولید پلتفرم؛ یادگیری تأثیرگذار با استفاده از هوش مصنوعی

با توجه به اینکه فرآیند یادگیری الگوریتم‌های هوش مصنوعی بر مبنای داده‌های موجود صورت می‌گیرد، داده‌های کافی و قابل اعتماد، بزرگ‌ترین چالش محسوب می‌شوند.

همواره محدودیت‌هایی برای دسترسی به مجموعه داده‌های کلان وجود دارد و تعداد مجموعه داده‌های مرتبط با توسعه فردی که بتوان از آنها برای آموزش مدل‌های هوش مصنوعی استفاده کرد، هم کم است.

نگرانی از جنبه اخلاقی حفظ حریم خصوصی افراد

این محقق ارشد هوش مصنوعی می‌گوید یافتن هر گونه اطلاعات مرتبط با روان شناسی، سلامت روان، توسعه فردی و مربی گری دشوار است چون در این گونه مواقع ما با داده‌های شخصی افراد سروکار داریم.

 به این ترتیب، حفظ حریم خصوصی و جنبه اخلاقی می‌تواند به یک نگرانی جدی تبدیل شود. به همین دلیل بیشتر مواقع مجموعه داده‌های مکالمه محور یا انواع دیگر داده‌هایی که ممکن است به حوزه توسعه فردی ربط داشته باشند برای آموزش سیستم‌های توسعه فردی مبتنی بر هوش مصنوعی استفاده می‌شوند که در این شرایط باید بر حسب نیاز اصلاحات و تغییراتی در آنها ایجاد شود.

برچسب‌گذاری داده‌ها

چالش دیگر برچسب‌گذاری (Labelling) مجموعه داده‌هاست که فرایندی بسیار دشوار و زمان‌بر است و به طور کلی یافتن یک مجموعه داده برچسب‌دار در حوزه توسعه فردی دشوار است.

به زبان خیلی ساده، بعضی الگوریتم‌های هوش مصنوعی تلاش می‌کنند با بررسی متغیرهای موجود برای هر مورد خاص در مجموعه داده‌ها و برچسب مربوط به آن مورد، الگوی رفتاری برچسب گذاری را در مجموعه داده‌ها فرا بگیرند تا وقتی با یک مورد جدید بدون برچسب روبه رو می‌شوند بتوانند بر اساس متغیرهای آن مورد جدید، برچسب مرتبط با آن را هم پیشگویی کنند و آن را در گروه مربوطه قرار دهند.

تعصب الگوریتمی

به گفته این پژوهشگر هوش مصنوعی، چالش دیگری که اهمیت ویژه‌ای هم دارد تعصب الگوریتمی است. اگر با داده‌های جانبدارانه سروکار داشته باشیم و از آنها برای آموزش الگوریتم‌های هوش مصنوعی استفاده کنیم می‌تواند نتایج ارائه شده توسط مدل‌های هوش مصنوعی طراحی شده را تحت تأثیر قرار دهند.

 برای مثال اگر داده‌های ما بر جنس، نژاد یا وضعیت تحصیلی خاصی متمرکزباشد، ممکن است مدل یادگیری ماشین ما آن را به عنوان یک ویژگی تعیین‌کننده تفسیر کند و نتایج متعصبانه یا جانبدارانه ای ارائه دهد.

برای مقابله با این چالش باید از الگوریتم‌های توضیح پذیر با ویژگی‌های ضد تعصب استفاده شود تا فرایند تصمیم گیری کاملاً شفاف باشد.

ضرورت در دسترس و شفاف بودن اطلاعات

دکتر امیر حسینی می‌گوید اطلاعاتی که برای آموزش مدل‌ها جمع آوری شده است و تصمیماتی که بر مبنای آن اطلاعات گرفته می‌شود باید در دسترس و شفاف باشند.

همچنین اگر شخصی با هوش مصنوعی (به جای انسان) سر و کار دارد، باید از این موضوع اطلاع داشته باشد و در صورت تمایل بتواند به اطلاعاتی دسترسی داشته باشد تا بفهمد که سیستم بر چه مبنایی تصمیم گیری می‌کند.

لزوم حفظ امنیت داده‌ها

حریم خصوصی و حفظ امنیت از چالش‌های مهم دیگر محسوب می‌شود. الگوریتم‌های هوش مصنوعی برای کارکرد مؤثر به داده‌های زیادی نیاز دارند. طبعاً در حوزه توسعه فردی شما با داده‌های شخصی مربوط به دانشجویان و کارآموزان سر و کار دارید. این به معنای اعمال تمام اقدامات لازم برای حفظ حریم خصوصی و پایبندی به قوانین مربوط است.

همچنین این داده‌ها نباید به دست افراد و سازمان‌هایی بیفتد که نیاز و اجازه‌ای برای دسترسی به آن ندارند. بنابراین توسعه دهندگان سیستم‌های مبتنی بر هوش مصنوعی باید اقدامات لازم و ضروری برای حفظ امنیت داده‌ها را در نظر بگیرند.

اطلاعات نادرست

به گفته عضو هیات علمی دانشگاه شرق لندن، یکی از چالش‌های دیگر اطلاعات نادرست است. در حقیقت ما برای آموزش الگوریتم‌های هوش مصنوعی با داده‌های مناسب به کاربران نهایی خود متکی هستیم.

 در پروسه جمع آوری اطلاعات برای آموزش الگوریتم‌های هوش مصنوعی، مشارکت کنندگان باید تشویق شوند تا اطلاعات دقیق، به‌روز و واقعی را به اشتراک بگذارند تا داده‌های نادرست بر نتایج مدل‌های طراحی شده تأثیر نامطلوبی نداشته باشند.

همچنین داده‌های جمع آوری شده باید قبل از استفاده برای فرایند یادگیری مدل‌ها با دقت پالایش و مدیریت شوند.

آیا هوش مصنوعی می‌تواند جایگزینی برای تعامل با متخصصان واقعی باشد؟

به گفته دکتر امیر حسینی در فرایند توسعه فردی، ممکن است با مهارت‌های شناختی سر و کار داشته باشیم. ما می‌توانیم مهارت‌های غیرشناختی را خودکار سازی کنیم، اما وقتی نوبت به مهارت‌های شناختی می‌رسد هنوز چالش‌های زیادی برای استفاده از مدل‌های هوش مصنوعی و یادگیری ماشین وجود دارد.

بنابراین بهتر است بگوییم سیستم‌های مجهز به هوش مصنوعی می‌توانند برای تقویت فرایند توسعه شخصی و تجربه یادگیری استفاده شوند وهمچنین می‌توان آنها را به عنوان دستیاران کارآمد در فرایند یادگیری در نظر گرفت.

اما در حال حاضرو حداقل تا این هنگام نمی‌توانند به طورکامل جایگزین متخصصان انسانی واقعی در این حوزه شوند.

پروسه توسعه فردی

دکتر امیر حسینی می‌گوید در پروسه توسعه فردی می‌توان برخی فرایندها را کاملاً خودکارسازی کرد، اما بعضی موارد در فرایند هدایت گری (Coaching) همچنان به بینش و تحلیل یک مربی متخصص انسانی نیاز دارند. پس تمام فرایندهای توسعه فردی قابلیت خودکارسازی را ندارند ولی پتانسیل این کار در آینده وجود دارد.

طبیعت انقلاب‌های صنعتی خودکارسازی فرایندهای روتین و تکراری به منظور افزایش بهره وری و استفاده بهینه از پتانسیل افراد در حوزه‌های پیچیده‌تر است. بنابراین معتقدم نباید ازورود هوش مصنوعی به این حوزه نگران بود و باید آن را پذیرفت.

اینکه بعضی فرایندها با استفاده از هوش مصنوعی خودکارسازی شوند موجب خواهد شد که وظایف روتین به صورت خودکار انجام شوندو مربی فضای بیشتری برای تمرکز بر مهارت‌های شناختی و تجزیه و تحلیل و انجام کارهای پیچیده‌تر داشته باشد که قطعاً منجر به بهبود تجربه یادگیری در فرد و افزایش کیفیت توسعه فردی خواهد شد.

معلمان دیجیتال

عضو هیات علمی دانشگاه شرق لندن و پژوهشگر ارشد هوش مصنوعی در باره معلمان دیجیتال مبتنی بر هوش مصنوعی در فرایند یادگیری می‌گوید در مواردی خاص و به عنوان پروژه‌های آزمایشی بسیار پر هزینه، معلمان دیجیتال مبتنی بر هوش مصنوعی تولید و استفاده شده‌اند. ولی همچنان با استفاده از آنها در زندگی روزمره فاصله زیادی داریم.

برای مثال، DARPA «آژانس تحقیقاتی رویکرد دفاعی در آمریکا» مطالعه‌ای در زمینه توسعه یک معلم دیجیتالی برای شبیه سازی تعامل بین یک متخصص باتجربه و یک یادگیرنده انجام داد.

هدف این پروژه آن بود که زمان صرف شده توسط کارآموزان نیروی دریایی برای دستیابی به بعضی مهارت‌ها کاهش یابد.

سرعت و دقت عمل بالا

به گفته این پژوهشگر ارشد هوش مصنوعی، این آزمایش نشان داد هنگام کار با معلمان دیجیتال مبتنی بر هوش مصنوعی، کارآموزان نه تنها به سرعت مهارت‌ها را به دست می‌آوردند، بلکه از کارشناسان مجرب نیز دقیق‌تر کار را انجام می‌دادند.

 این بدان معناست که معلمان بالقوه مبتنی بر هوش مصنوعی می‌توانند با گذشت زمان و فراهم شدن شرایط لازم، جایگزین مربیان و متخصصان فعلی شوند؛ به گونه‌ای که روند یادگیری نیز موثرتر شود.

بنابراین باید همه بسترهای مادی و حقوقی مورد نیاز فراهم باشد تا بتوانیم از هوش مصنوعی قوی (Strong AI) یا ابر هوش مصنوعی (Super AI) برای خودکارسازی فرایندهای شناختی استفاده کنیم.

 این نیاز برای خودکارسازی فرایندهای شناختی، تعهد و منابع قابل توجهی از سوی سازمان‌ها و بخش‌های تحقیق و توسعه دولتی و خصوصی است.

فرایند خودکارسازی

در فرایند خودکارسازی باید برنامه ریزی مدونی برای استفاده از پتانسیل‌های انسانی در نقش‌های تأثیرگذارتر و پیچیده‌تر وجود داشته باشد.

تحقیقی که توسط شرکت Deloitte در انگلستان صورت گرفته نشان می‌دهد تکنولوژی بین سال‌های ۲۰۰۱ تا ۲۰۱۵ موجب از بین رفتن ۸۰۰ هزار شغل در انگلستان شده؛ ولی در عین حال سه میلیون و پانصد هزار شغل جدید نیز ایجاد کرده است؛ جنبه‌ای که در رسانه‌ها و افکار عمومی کمتر به آن توجه می‌شود و تمرکز صرفاً بر روی مشاغل از دست رفته است.

سرعت ورود هوش مصنوعی در زمینه یادگیری

دکتر امیرحسینی می‌گوید در مجموع هوش مصنوعی در زمینه یادگیری و توسعه به سرعت در حال پیشرفت و ورود به حوزه‌های گوناگون است. بنابراین همه کشورها نیاز دارند در استراتژی‌های کلان خود به سمت پذیرش نقش هوش مصنوعی در حوزه‌های گوناگون پیش بروند و برنامه‌های کلان راهبردی در زمینه توسعه و استفاده کاربردی از هوش مصنوعی داشته باشند تا در رقابت‌های بین المللی از منظر قدرت ملی، توانمندی اقتصادی، تولید علم و کاربردی کردن علم در این زمینه از کشورهای پیشرو عقب نمانند.