هوش مصنوعی در سپهر دانش/شتاب‌بخشی به پژوهش یا فروکاست اصالت؟

عصر ایران؛ امیرعباس میرزاخانی

۱. درآمد

جهان معاصر با شتابی شگفت‌انگیز و گاه نگران‌کننده، نظاره‌گر درهم‌آمیزی فرآیندهای سنتی تولید اندیشه با سامانه‌های پردازش خودکار متن و الگوریتم‌های زبانی است.

تا همین چندی پیش، فناوری در خدمت پژوهشگر تعریف می‌شد؛ ابزاری کم‌ادعا برای تنظیم مراجع، رسم دقیق نمودارها یا در پیشرفته‌ترین حالت، اجرای آزمون‌های آماری بر روی داده‌های خام آزمایشگاهی و میدانی. اما ظهور مدل‌های زبانی بزرگ و سامانه‌های زاینده متن، نقطه عطفی ساختارشکن در تاریخ تعامل انسان و ابزار پدید آورد.

اکنون با پدیده‌ای روبه‌روییم که صرفاً به پردازش اعداد و داده‌ها بسنده نمی‌کند، بلکه گزاره می‌سازد، پیوندهای مفهومی برقرار می‌کند، استدلال‌های به‌ظاهر منطقی می‌بافد و در کسری از ثانیه، متونی شسته، صیقل‌خورده و منطبق بر استانداردهای صوری آکادمیک تحویل می‌دهد.

این جهش فناورانه، موجی دوگانه از شیفتگی مفرط و اضطراب بنیادین را در میان اهالی اندیشه و سیاست‌گذاران آموزش عالی برانگیخته است.

از یک‌سو، وعده فریبنده «دموکراتیزه‌کردن پژوهش»، درهم‌شکستن موانع زبانی برای پژوهشگران و شتاب‌بخشی بی‌سابقه به ساماندهی متون مطرح می‌شود؛ و از سوی دیگر، ناقوس خطر فرسایش مهارت‌های تحلیلی، جعل پنهان داده‌ها، آلودگی مراجع علمی به ارجاعات ساختگی و دگرگونی زیست‌بوم داوری همتا به صدا درآمده است.

مواجهه با این جریان پرخروش، نیازمند عبور از دوگانه سطحیِ «انکار و فیلترینگ کور» یا «وادادگی و شیفتگی محض» است؛ رویکردی انتقادی که تحلیل لایه‌های معرفت‌شناختی، حقوقی، اخلاقی و ساختاری این دگرگونی را اجتناب‌ناپذیر می‌سازد.

۲. مرزهای دانایی؛ توهم معرفت در برابر بازتولید آماری زبان

بزرگ‌ترین خطای شناختی و معرفتی در مواجهه با سیستم‌های تولید متن، یکی پنداشتنِ «تولید متن» با «خلق معرفت» است. سامانه‌های هوشمند، کارخانه‌های پیشرفته‌ای برای حدس زدن محتمل‌ترین کلمه بعدی بر اساس الگوهای آماری و انباشت میلیاردها داده متنی گذشته‌اند. آن‌ها ساختار نحوی، وزن واژگان و لحن رسمی متون تخصصی را به شیوه‌ای خیره‌کننده تقلید می‌کنند، اما تقلید صوری نحو، هرگز به‌معنای ادراک معانی، فهم زمینه تاریخی و اجتماعی پدیده‌ها، یا داشتن شهود علمی نیست.

تولید دانش اصیل، مسیری ناهموار است که از دل درگیری مستقیم ذهن پرسشگر با امر واقع، سردرگمی حاصل از تضاد داده‌ها، شک روش‌مند، درنگ، بازاندیشی و بازسازی نقادانه مفاهیم می‌گذرد. هنگامی که محقق، بخش‌های بنیادین مفهوم‌پردازی، نقد ادبیات یا تفسیر نتایج را به موتورهای زبانی واگذار می‌کند، در حقیقت «فرآیند سخت و رهایی‌بخش فهمیدن» را با «میان‌برِ آراستن کلمات» معاوضه کرده است. حاصل چنین سازوکاری، فوران متونی است که از حیث بلاغت زبانی چشم‌نوازند، اما از نظر ارزش افزوده شناختی و گشودن افق‌های تازه در مرزهای جهل بشری، سترون و خنثی باقی می‌مانند؛ گزاره‌هایی که صرفاً بازآرایی روان دانسته‌های پیشین‌اند، نه گامی به سوی کشف ناشناخته‌ها.

۳. فرسایش تدریجی تفکر نقادانه و خطر تحلیل‌رفتگی ذهنی

نگرانی عمیق‌تر از سطح متون، به ساحت پرورش انسانِ پژوهشگر مربوط می‌شود. توانایی نوشتن منسجم، بازتاب مستقیم انضباط ذهنی و تمرین بنیادین عضلات فکری برای استدلال‌ورزی است. پژوهشگر با قلم زدن، افکار پراکنده خود را مهار می‌کند، شکاف‌های استدلالش را عریان می‌بیند و ناچار به بازخوانی دوباره و چندباره منابع می‌شود.

واگذاری تدوین و صورت‌بندی به سامانه‌های خودکار، به مرور زمان به «تحلیل‌رفتگی شناختی» و سستی مهارت‌های نقادانه می‌انجامد. پژوهشگرانی که از آغاز فعالیت آکادمیک خود به این میان‌برهای نرم‌افزاری تکیه می‌کنند، شجاعت دست‌وپنجه نرم کردن با پیچیدگی‌های مفهومی و سامان‌بخشی به ایده‌های دشوار را از دست می‌دهند. آن‌ها به‌جای آنکه طراحان خلاق استدلال باشند، به تدریج به کارورزانی تقلیل می‌یابند که وظیفه‌شان صرفاً دادن دستور به ماشین و پیرایش سطحی خروجی‌های خودکار است؛ روندی که در بلندمدت، استقلال فکری و جسارت نظریه‌پردازی را در نسل‌های نوین دانشگاهی خواهد فرسود.

۴. چالش‌های ساختاری؛ توهم الگوریتمی و بحران جعبه سیاه

فراتر از لایه‌های فردی و معرفتی، ورود گسترده این فناوری ساختار نشر و اعتبار علمی را با تهدیدهای ملموسی روبه‌رو کرده است. بارزترین این چالش‌ها، پدیده «توهم ماشینی» و خلق ارجاعات ساختگی است؛ جایی که الگوریتم‌ها با ظرافتی فریبنده نام پژوهشگران واقعی را به عناوینی خیالی پیوند می‌زنند و مراجعی سراسر موهوم اما موجه تولید می‌کنند.

از سوی دیگر، تجاری‌سازی و تولید فله‌ای متون علمی، راه را برای سوءرفتارهایی چون دستکاری داده‌ها، داده‌سازی پنهان و قطعه‌قطعه کردن دستاوردها برای افزایش کاذب آمار تولیدات دانشگاهی هموار ساخته است. در کنار این‌ها، مسئله بنیادین «جعبه سیاه» قرار دارد. علم بر شفافیت روش‌شناختی و تکرارپذیری بنا شده است؛ وقتی بخشی از استنتاج‌ها از سامانه‌هایی عبور کند که لایه‌های محاسباتی آن برای کاربر ناشناخته است، اصل بنیادین بازتولیدپذیری مخدوش می‌شود، زیرا معلوم نیست داده‌ها بر اساس چه منطقی دست‌چین و صورتبندی شده‌اند.

۵. ساحت حقوقی و اخلاقی مسئولیت‌پذیری غیرقابل‌انتقال

در واکنش به این جریان افسارگسیخته، نهادهای مرجع اخلاق نشر در سطح بین‌المللی مواضع صریحی اتخاذ کرده‌اند که ستون فقرات آن یک گزاره تغییرناپذیر است: هوش مصنوعی تحت هیچ شرایطی نمی‌تواند «نویسنده» یا «پدیدآورنده» شناخته شود.

نویسندگی در جهان علم، صرفاً یک عنوان اعتباری نیست؛ بلکه بار حقوقی سنگینی از جنس پاسخگویی مدنی، تعهد به صحت داده‌ها و پذیرش عواقب خطاهای فکری دارد. یک کد نرم‌افزاری یا شبکه عصبی، نه ادراکی از مسئولیت اخلاقی دارد، نه تعارض منافع را می‌فهمد و نه در صورت اثبات تقلب علمی، می‌توان آن را بازخواست کرد. مسئولیت اخلاقی و حقوقی هر واژه و هر گزاره‌ای که منتشر می‌شود، تا ابد و بی‌هیچ عذری بر دوش نویسندگان انسانی است. جهل به اشتباه ماشین یا اتکا به خطای الگوریتم، هرگز رافع مسئولیت پژوهشگر نخواهد بود.

۶. واکاوی یک دیدگاه انتقادی در تراز علمی

در بستر تأملات صاحب‌نظران پیرامون این چالش مدرن، دکتر علی‌اکبر صبوری در اثر تحلیلی خود با عنوان «شتاب‌بخشی پژوهش و دغدغه اصالت؛ هوش مصنوعی در نگارش دانشگاهی» (منتشرشده در نشریه نشاء علم)، با نگاهی جامع‌نگر به کالبدشکافی این پارادوکس پرداخته است. وی استدلال می‌کند که این پدیده هم‌زمان شتاب‌دهنده‌ای قدرتمند برای پردازش‌های سنگین و هشداری جدی برای فرسایش اصالت در نهادهای پژوهشی است. تأکید اصلی این نوشتار بر لزوم عبور از ابهام، قانون‌مندسازی استفاده و صیانت از عاملیت فکری پژوهشگر استوار است؛ امری که نشان می‌دهد نجات دانشگاه از دام ابتذال داده‌ها، در گرو شفافیت بی‌قیدوشرط و تدوین چارچوب‌های رفتاری دقیق است.

این دیدگاه به روشنی گوشزد می‌کند که تعامل با ابزارهای هوشمند باید از پستوهای پنهان خارج شده و هرگونه بهره‌برداری از آن‌ها با شفافیت کامل اعلام شود. ثبت دقیق نام نرم‌افزار، نسخه مورد استفاده و دامنه دقیق دخالت آن در کار، کمترین پیش‌شرطی است که می‌تواند مانع از زوال اعتماد میان جامعه علمی و مخاطبان شود.

۷. مرزبندی کاربردها؛ تفکیک دستیار مجاز از جانشین نامشروع

برای سامان‌بخشیدن به این عرصه و پیشگیری از هرج‌ومرج، باید خطوط حائلی میان کاربری‌های مجاز و خطوط قرمز ترسیم کرد:

در ساحت زبان و نگارش، بهره‌گیری از ابزارها برای رفع اشکالات گرامری، روان‌سازی عبارات و ارتقای سلاست متن — به‌ویژه برای محققانی که به زبان مادری نمی‌نویسند — اقدامی سازنده و عادلانه است؛ اما واگذاری کامل نگارش متن، مقدمه‌نویسی و نتیجه‌گیری به ماشین، انحرافی آشکار به شمار می‌رود.

در حوزه جست‌وجو و گردآوری، استفاده از هوش مصنوعی برای خلاصه‌سازی سریع حجم انبوه ادبیات پژوهشی و پیشنهاد کلیدواژه‌ها مجاز و سودمند است؛ ولی خلاصه کردن جایگزین مطالعه انتقادی متن اصلی نیست و استناد به منابعی که خود محقق آن‌ها را مستقیماً نخوانده و نسنجیده، تخلفی جدی است.

در بخش داده‌پردازی و تحلیل، ابزارها می‌توانند در خطایابی کدها، ساماندهی فرمول‌ها و پالایش ساختار کلان‌داده‌ها یاری‌رسان باشند؛ اما استخراج روابط علت و معلولی، تعبیر و تفسیر نهایی الگوها و معنابخشی به خروجی‌های آماری منحصراً در صلاحیت ذهن انسان است و نباید به الگوریتم سپرده شود.

در فرآیند ایده‌پردازی، بهره‌گیری از هوش مصنوعی جهت توفان فکری اولیه و یافتن زوایای فرعی یک بحث مفید است؛ اما صورت‌بندی فرضیه اصلی، نظریه‌پردازی و تعیین چارچوب مفهومی، شاکله اصلی تفکر مستقل محقق بوده و واگذاری آن، تهی‌کردن پژوهش از معناست.

۸. الزامات بیانیه شفافیت؛ پایان عصر پنهان‌کاری

پنهان کردن ردپای ماشین، بزرگ‌ترین لطمه را به اعتماد متقابل در فضای دانشگاهی می‌زند. بر همین مبنا، استانداردهای نوین پژوهشی محققان را ملزم به درج «بیانیه شفافیت» در پایان آثارشان می‌کنند. این بیانیه باید نام دقیق سامانه و نسخه آن را مشخص کند، محدوده مشخص کاربرد (نظیر فقط اصلاح ترجمه یا پالایش کدها) را گزارش دهد، و تعهد رسمی نویسندگان مبنی بر بازبینی خط‌به‌خط، راستی‌آزمایی مراجع و تضمین صحت گزاره‌ها را به ثبت برساند تا مسئولیت انسانی همچنان شفاف و انکارناپذیر باقی بماند.

۹. بحران در ساحت داوری همتا

یکی از آسیب‌پذیرترین بخش‌های نظام دانشگاهی در برابر این فناوری، فرآیند ارزیابی آثار و داوری است. داورانی که زیر بار سنگین ترافیک متن‌های ارسالی قرار دارند، ممکن است برای تسریع کار، ارزیابی را به هوش مصنوعی واگذار کنند. این امر افزون بر نقض جدی اصل محرمانگی داده‌ها، به معنای مرگ داوری انتقادی است.

هنگامی که متنی تولیدشده توسط الگوریتم، توسط الگوریتمی دیگر ارزیابی شود، زنجیره‌ای خودارجاع و بی‌روح از توهم آکادمیک شکل می‌گیرد؛ چرخه‌ای پوچ که انسان از هر دو سوی خلق و ارزیابی آن کنار گذاشته شده و تنها ظاهری فریبنده از فعالیت دانشگاهی بر جا مانده است.

۱۰. راهبرد مواجهه در آموزش عالی؛ فراتر از فیلترینگ و تحریم

رویکردهای صرفاً سلبی و سیاست‌های مبتنی بر ممنوعیت کامل، در عمل محکوم به شکست‌اند.

ابزارهای هوشمند اکنون تاروپود فضای دیجیتال را شکل داده‌اند. راه‌حل بنیادین، توانمندسازی جامعه دانشگاهی از طریق «آموزش اخلاق فناوری و ارتقای سواد هوش مصنوعی» است.

باید سرفصل‌های آموزشی را با تأکید بر تفکر نقادانه بازطراحی کرد، شیوه‌های ارزیابی دانشجویان را از تحویل فایل‌های نوشتاری صرف به سمت دفاع‌های شفاهی عمیق و آزمون‌های سنجش فهم مفهومی سوق داد و فرهنگ اصالت فکری را جایگزین مقاله‌زدگی و کمیت‌گرایی مفرط ساخت.

۱۱. سرانجام؛ انسان در جایگاه رهبر دانایی

هوش مصنوعی دستاوردی درخشان در تاریخ پردازش داده است؛ خادمی سریع، دقیق و خستگی‌ناپذیر. اما شتاب هرگز نباید جانشین اصالت، شرافت و عمق اندیشه شود. ارزش نهایی علم در طول و عرض متون یا حجم انتشارات نیست، بلکه در گشودن گره‌ای از رنج‌های بشر، صداقت در پژوهش و کشف حقیقت نهفته است.

ماشین می‌تواند دستیاری کم‌نظیر برای هموار کردن ناهمواری‌های مسیر باشد، اما قطب‌نمای اخلاقی، بار مسئولیت، قدرت پرسش‌گری و لذت کشف، تا همیشه متعلق به ذهن خلاق و آگاه انسان است.

آینده روشن علم در گرو همزیستی هوشمندانه‌ای است که در آن، ابزارها در خدمت باروری اندیشه قرار گیرند، نه آنکه تفکر انسانی زیر آوار الگوریتم‌ها مدفون شود.

هشدار کره شمالی به آمریکا: «پاسخ قدرتمند» می‌دهیم

بیشتر بخوانید:

هوش مصنوعی نظر شما را عوض می‌کند بی‌ آنکه حتی متوجه شوید!

هوش مصنوعی در نقش پیش‌گو؛ آیا ابزارهای هوشمند می‌توانند آینده علم را پیش‌بینی کنند؟

پشت پرده هوش مصنوعی: آنچه دانش‌آموزان از دست می‌دهند!

هشدار اتحادیه اروپا درباره خطر از دست رفتن کنترل بر هوش مصنوعی

تماشاخانه

یکی از ماندگارترین سکانس‌های فرار از زندان تاریخ سینما (تماشا کنید)

گاز به شمال می‌رسد یا نمی‌رسد / زمزمه‌های زمستانی سخت مثل سال ۸۶ یا شاید بدتر؟

فیلم های دیگر