تحقیقات نوین در حوزه روان‌شناسی آموزش، انجام‌شده در دانشگاه سوانسی ولز، ابعادی نگران‌کننده از تعامل نسل جدید دانشجویان با ابزارهای هوش مصنوعیGenerative (مانند ChatGPT) را فاش کرده است. برخلاف انتظار عمومی، نتایج نشان می‌دهد که استعدادهای شخصیتی یا سطح نمرات پیش‌بینی‌کننده اصلی سوءاستفاده از این تکنولوژی نیستند؛ بلکه بی‌تفاوتی و بی‌علاقگی تحصیلی موتور محرک اصلی این پدیده است.

مقدمه مطالعه سوانسی و شوک‌آورترین یافته

این پژوهش که در ماه مارس ۲۰۲۳ بر روی ۱۶۰ دانشجوی لیسانس (۱۸ تا ۲۴ ساله) اجرا و در ژورنال معتبر The Internet and Higher Education منتشر شده، به بررسی الگوهای استفاده از ابزارهای هوش مصنوعی در انجام تکالیف می‌پردازد. بر اساس گزارش Phys.org، آمارها حاکی از آن است که:

🔗 بیشتر بخوانید: سامسونگ مجدد در بازار موبایل هند اول شد؛ رشد فروش در فصل اول ۲۰۲۴_دوپلر

• ۳۲ درصد از شرکت‌کنندگان تمایل صریح به بهره‌گیری از چت‌بات‌های هوشمند برای تکالیف را اعلام کردند.
• فقط ۱۵ درصد تا به حال از چنین ابزاری استفاده کرده بودند.

شخصیت در مقابل انگیزه: کدام برنده است؟

پژوهشگران طیف وسیعی از متغیرهای روان‌شناختی را ارزیابی کردند، از جمله:

• صفات فردی: وجدان، همدلی، توافق‌پذیری.
• صفات تاریک شخصیت: بی‌عاطفگی، ماکیاولیسم، خودشیفتگی (نارسیسم).
• شاخص‌های آکادمیک: نمرات و اعتمادبه‌نفس درسی.

نتیجه شگفت‌انگیز: هیچ‌کدام از این متغیرها نمی‌توانسته به طور معنادار استفاده از AI را پیش‌بینی کنند. تنها متغیر قدرتمند و معنادار، سطح بی‌تفاوتی و عدم علاقه به درس بود.

🔗 بیشتر بخوانید: اینتل برای بهبود درآمد خود مشاغل و هزینه‌های غیرضروری را حذف می‌کند_دوپلر

قدرت بی‌تفاوتی بیشتر از وجدان

این یافتن پارادوکس‌آلود است: حتی دانشجویی با سطح وجدان بالا، اگر به درس خود ارزش نبخشد و بی‌علاقه باشد، با احتمال بسیار بالا به سمت ابزارهای هوش مصنوعی می‌برد. این امر نشان می‌دهد که انگیزه درونی قدرتمندتر از موانع اخلاقی درونی عمل می‌کند.

مجازات سخت راه‌حل نیست: تحلیل ریسک و پاسخ دانشجویان

تیم پژوهش اثر شدیدت مجازات‌ها و احتمال کشف تقلب را نیز سنجید. اگرچه افزایش ریسک و تشدید مجازات‌ها مانع از تقلب دانشجویان «متوسط» می‌شود، اما برای گروه بی‌علاقه‌های سخت‌گیر، حتی ترس از عواقب سنگین نیز بازدارنده نیست.

این پدیده پیامدهای جدی برای سیاست‌گذاری دانشگاهی دارد:

• سیاست‌های تنبیهی خالص، کارایی محدود دارند.
• افزایش بی‌حد مجازات‌ها می‌تواند آسیب‌های جانبی مانند کاهش کلی عملکرد و اعتماد دانشجویان داشته باشد.
• برای بازدارندگی گروه هدف، نیاز به مجازات‌های «بسیار شدیدتر» است که نه اخلاقی است و نه عملی.

خطر برای اعتبار آموزش بالاتر و راهکارهای نوآورانه

تحقیقگران تأکید می‌کنند که بی‌علاقگی گسترده، نه تنها یک مسئله انضباطی، بلکه تهدیدی ساختاری برای اعتبار مدارک دانشگاهی محسوب می‌شود. برای حفظ اعتبار سیستم آموزش، تمرکز باید از «تنبیه» به «انگیزشی» تغییر جهت دهد:

• طراحی متدهای تدریس فعال و مشارکت‌محور.
• استفاده از ارزیابی‌های فرآیندمحور به جای تنها محصول نهایی.
• ایجاد ارتباط معنادار بین محتوای درس و اهداف شغلی/حیاتی دانشجویان.

نتیجه‌گیری نهایی این است که مقابله با تقلب هوش مصنوعی، نیازمند بازآفرینی تجربه یادگیری است، نه فقط نصب فیلترها و تشدید قوانین.