شاگردی وظیفه می‌گیرد که برای درس بعدی انشایی دربارهٔ تغییرات اقلیمی بنویسد. ChatGPT را باز می‌کند و می‌نویسد: «برایم انشایی دربارهٔ تغییرات اقلیمی برای صنف هشتم، حدود ۵۰۰ کلمه بنویس.» چند ثانیه بعد متن آماده است. اگر به نظرش بیش از حد خوب برسد، می‌تواند بخواهد ساده‌تر نوشته شود، گویی یک نوجوان چهارده‌ساله آن را نوشته است. اگر معلم پرزنتیشن بخواهد، هوش مصنوعی آن را هم آماده می‌کند. اگر شاگرد موضوع را نفهمد، می‌تواند توضیح ساده‌تری بخواهد. اگر آلمانی زبان مادری‌اش نباشد، می‌تواند نخست با هوش مصنوعی به دری، ترکی یا زبانی دیگر گفت‌وگو کند و سپس نسخهٔ آلمانی را بخواهد.
در ریاضی هم همین‌طور است. کافی است از سؤال عکس گرفته شود. هوش مصنوعی می‌تواند پاسخ بدهد، هر گام را توضیح دهد، ده سؤال مشابه برای تمرین بسازد یا به معلم خصوصی صبوری تبدیل شود که شاگرد می‌تواند پنج بار به او بگوید هنوز چیزی را نفهمیده است. حتی می‌تواند به آن دستور دهد: «پاسخ را به من نده. از من سؤال بپرس تا خودم به آن برسم.»
اینها دو شیوهٔ کاملاً متفاوت استفاده از یک فناوری‌اند. در حالت اول شاگرد از هوش مصنوعی استفاده می‌کند تا کار نکند. در حالت دوم از آن استفاده می‌کند تا بهتر بیاموزد. میان این دو امکان یکی از بزرگ‌ترین چالش‌هایی قرار دارد که آموزش امروزی با آن روبه‌رو شده است. زیرا بحث اینکه آیا ChatGPT در مکاتب مجاز باشد، به یک معنای مهم، از پیش پایان یافته است. هوش مصنوعی اینجاست. در موبایل‌ها و لپ‌تاپ‌های شاگردان است، در خانه و در راه مکتب، برای کارخانگی، ریاضی، انشا، ترجمه، پرزنتیشن، برنامه‌نویسی، خلاصه‌نویسی و آمادگی برای امتحان از آن استفاده می‌شود. مکتب دیگر نمی‌تواند آن را به سادگی از آموزش بیرون کند، چون بیرون کردنش از زندگی شاگردان ناممکن است.
شاگردان منتظر مکتب نماندند
اینکه این روند تا کجا پیش رفته را تحقیق اتریشی «The AI generation at school» که در سال ۲۰۲۶ منتشر شد نشان می‌دهد. مارینا اونترویگر، کورینا هورمان، لیزا کوکا و باربارا سابیتسر از ۶۵۶ شاگرد مکاتب متوسطهٔ اتریش بالاتر از ۱۶ سال پرسیدند. ۸۲٫۲ فیصد پاسخ‌دهندگان گفتند که از هوش مصنوعی برای کارخانگی استفاده کرده‌اند، در حالی که تنها ۳٫۷ فیصد گفتند هرگز از هیچ ابزار هوش مصنوعی استفاده نکرده‌اند.
نویسندگان تحقیق نتیجه می‌گیرند که هوش مصنوعی اکنون بخشی از یادگیری روزمرهٔ جوانان شده، در حالی که شامل کردن منظم آن در درس‌های مکتب هنوز عقب مانده است. به عبارت دیگر، شاگردان منتظر نماندند تا وزارت‌ها، ادارات مکتب و معلمان تصمیم بگیرند که آموزش همراه با هوش مصنوعی چگونه باشد. آنها به سادگی شروع به استفاده از آن کردند.
استاد وینی برنهارد گماینر این روند را از نزدیک می‌بیند. او در لیسهٔ GRG15 Auf der Schmelz انگلیسی، جغرافیا و اقتصاد درس می‌دهد و به‌طور جدی به استفاده از هوش مصنوعی در آموزش می‌پردازد. او در گفت‌وگو با DER STANDARD در اگست ۲۰۲۶ وضعیتی را شرح می‌دهد که معلمان سراسر اتریش امروز می‌شناسند: شاگردان اغلب بسیار سریع‌تر از مکتب کشف می‌کنند که ابزارهای نوی هوش مصنوعی چه کارهایی از دستشان برمی‌آید. به همین دلیل گماینر معتقد است پاسخ مکتب نمی‌تواند تبدیل معلم به نوعی پولیس دیجیتال باشد که کار اصلی‌اش کشف این است که کارخانگی را شاگرد نوشته یا ChatGPT. به جای بازی بی‌پایان موش و گربه میان مدل‌های نوی هوش مصنوعی، شاگردانی که از آنها استفاده می‌کنند و معلمانی که می‌کوشند آنها را کشف کنند، خود وظایف و شیوهٔ سنجش دانش باید تغییر کنند.
اگر ChatGPT می‌تواند کارخانگی را انجام دهد، آن کارخانگی چقدر خوب است؟
فرض کنیم معلم تاریخ به شاگردان بگوید در خانه دو صفحه دربارهٔ انقلاب فرانسه بنویسند. تا چند سال پیش شاگرد باید کتاب یا موتور جست‌وجو را باز می‌کرد، معلومات پیدا می‌کرد، واقعیت‌های مهم را برمی‌گزید، ساختاری می‌ساخت و متن را می‌نوشت. امروز هوش مصنوعی مولد همان محصول را در کمتر از یک دقیقه می‌سازد. معلم سپس می‌تواند بکوشد بفهمد که آیا متن را ChatGPT نوشته است.
شاگرد می‌تواند از ChatGPT بخواهد متن را طوری بازنویسی کند که گویی یک نوجوان چهارده‌ساله آن را نوشته است. معلم می‌تواند از ابزار تشخیص هوش مصنوعی استفاده کند و شاگرد دوباره متن را تغییر دهد. بازی فناورانهٔ موش و گربه آغاز می‌شود که در آن هر دو طرف انرژی روزافزونی صرف حفظ وظیفه‌ای می‌کنند که برای زمانی طراحی شده بود که فناوری امروزی وجود نداشت.
اما می‌توانیم پرسشی بسیار ناخوشایندتر هم بپرسیم: اگر هوش مصنوعی بدون هیچ فهم واقعی می‌تواند در چند ثانیه وظیفه‌ای را انجام دهد که ظاهراً با آن دانش شاگرد را می‌سنجیم، آن وظیفه چقدر خوب بوده است؟ به جای اینکه شاگرد دو صفحه دربارهٔ انقلاب فرانسه بنویسد، معلم می‌تواند به او بگوید از ChatGPT بپرسد چرا این انقلاب رخ داد. سپس باید پنج ادعای آن را در منابع معتبر بررسی کند، آنچه را هوش مصنوعی ساده‌سازی یا نادرست نشان داده پیدا کند، توضیح دهد چرا مشکل‌دار است و نتیجه‌گیری خود را در برابر صنف دفاع کند. آن وقت هوش مصنوعی دیگر وسیلهٔ فرار از کار نیست، بلکه موضوع تفکر انتقادی می‌شود.
هوش مصنوعی مشکلات را نساخت، برخی را تنها آشکار کرد
استاد باربارا گایر، مسئول برنامهٔ ماستری E-Learning und Wissensmanagement در Hochschule Burgenland، از این هم فراتر می‌رود. به باور او هوش مصنوعی اغلب تنها ضعف روش‌های آموزشی‌ای را نشان می‌دهد که پیش از آمدنش هم چندان خوب کار نمی‌کردند. گایر به محصلانش وظیفه‌ای غیرعادی داد: باید یک کورس آنلاین را برمی‌داشتند و می‌کوشیدند آن را «هک» کنند، یعنی با استفاده از ایجنت‌های هوش مصنوعی و با کمترین یادگیری خودشان آن را تمام کنند.
پس از آن باید به پرسشی بسیار مهم‌تر پاسخ می‌دادند – چگونه آن کورس را تغییر دهیم تا این کار دیگر ممکن نباشد؟ این آزمایش نشان داد که مدل‌های کلاسیک آموزش دیجیتال چقدر آسیب‌پذیرند؛ مدل‌هایی که در آنها کاربر ویدیویی می‌بیند، متنی می‌خواند، روی چند پاسخ کلیک می‌کند و در پایان تأییدیه‌ای می‌گیرد که چیزی را «آموخته» است.
چنین مدلی به عنوان سند توانایی واقعی، در عصر ایجنت‌های هوش مصنوعی به‌سرعت معنایش را از دست می‌دهد. اما گایر در این میان به نتیجه‌ای مهم می‌رسد: هوش مصنوعی لزوماً یک مدل آموزشی خوب را نابود نکرده است. اغلب تنها آشکار کرده که آن مدل هرگز فهم را به‌خوبی نمی‌سنجید.
همین پرسش را می‌توان دربارهٔ کارخانگی کلاسیک هم پرسید. اگر هدفش این بود که طفل در خانه معلومات را تکرار کند، امروز هوش مصنوعی این تکرار را سریع‌تر انجام می‌دهد. اگر هدف یک مقاله این بود که شاگرد نشان دهد می‌تواند چند واقعیت پیدا کند و آنها را به متنی با ساختار مناسب تبدیل کند، هوش مصنوعی این کار را هم می‌تواند. اگر دانش بیش از همه این‌گونه سنجیده می‌شود که شاگرد باید چیزی بسازد که ماشین امروز تقریباً فوری می‌سازد، نظام آموزشی باید از خود بپرسد که در واقع چه چیزی را می‌سنجد.
کار بهتر به معنای دانش بیشتر نیست
اینجا مشکل دیگری پیدا می‌شود که شاید از تقلب هم مهم‌تر باشد. شاگرد با کمک هوش مصنوعی می‌تواند کاری بسیار بهتر از بدون آن ارائه کند. مقاله ساختار بهتری دارد، استدلال‌ها روشن‌ترند، زبان بهتر است و پرزنتیشن حرفه‌ای‌تر به نظر می‌رسد. اما چه کسی پیشرفت کرده – شاگرد یا محصول؟ سازمان OECD در «Digital Education Outlook 2026» یکی از مهم‌ترین هشدارهایش را درست بر همین تفاوت بنا می‌کند. تحقیقات تا کنون نشان می‌دهد که هوش مصنوعی مولد می‌تواند کیفیت نتایجی را که شاگردان ارائه می‌کنند به‌طور چشمگیری بهتر کند. اما وقتی بعداً سنجیده می‌شود که شاگرد بدون کمک هوش مصنوعی چه کاری از دستش برمی‌آید، این برتری ممکن است از بین برود و در برخی آزمایش‌ها شاگردانی که به‌شدت به هوش مصنوعی مولد تکیه کرده‌اند حتی نتایج ضعیف‌تری می‌گیرند.
به عبارت دیگر، ممکن است مقالهٔ بهتری داشته باشیم، بی‌آنکه نویسندهٔ بهتری داشته باشیم. ممکن است سؤال ریاضی درست حل شده باشد، بی‌آنکه شاگرد ریاضی را بفهمد. ممکن است پرزنتیشن عالی داشته باشیم، بی‌آنکه طفل موضوعی را که ارائه می‌کند بفهمد. از همین رو OECD دربارهٔ خطر «cognitive offloading»، یعنی سپردن کار فکری به ماشین، هشدار می‌دهد. هوش مصنوعی می‌تواند به انسان در فکر کردن کمک کند، اما می‌تواند به جای او هم فکر کند. برای آموزش، تفاوت میان این دو بنیادی است.
اگر همه چیز در دسترس است، چرا هنوز چیزی بیاموزیم؟
اینجا به پرسشی می‌رسیم که احتمالاً اطفال روزبه‌روز بیشتر خواهند پرسید: چرا باید چیزی را از بر کنم اگر می‌توانم از هوش مصنوعی بپرسم؟ چرا زبان خارجی بیاموزم اگر موبایل می‌تواند گفت‌وگو را هم‌زمان ترجمه کند؟ چرا نوشتن یک متن خوب را بیاموزم اگر هوش مصنوعی می‌تواند آن را برایم بنویسد؟ چرا فرمول را بدانم اگر هوش مصنوعی آن را می‌داند؟ چرا واقعیت‌هایی را بیاموزم که در چند ثانیه در دسترسم هستند؟
استاد باربارا گایر معتقد است درست اینجا یکی از بزرگ‌ترین اشتباه‌های بحث کنونی دربارهٔ هوش مصنوعی نهفته است. اینکه ماشین می‌تواند فوراً معلومات پیدا کند یا بسازد، به این معنا نیست که دانش انسانی بی‌فایده می‌شود. برعکس، برای اینکه بتوانیم بسنجیم پاسخ هوش مصنوعی درست است یا نه، باید خودمان آن موضوع را به اندازهٔ کافی بفهمیم. گایر از نوعی «آستانهٔ توانایی» سخن می‌گوید که انسان باید از آن بگذرد تا اصلاً بتواند به‌خوبی با هوش مصنوعی کار کند. هوش مصنوعی مولد بیشتر در همان سطحی پاسخ می‌دهد که کاربر با آن سخن می‌گوید. اما برای اینکه پاسخ خوب را بشناسیم، اشتباه را پیدا کنیم، پرسش بهتری بپرسیم یا هوش مصنوعی را به سوی نتیجهٔ بهتری هدایت کنیم، باید از پیش چیزی در ذهن خودمان داشته باشیم. گایر می‌گوید: «Je mehr ich im Kopf habe, desto komplexer können meine Gedanken werden» – هرچه بیشتر در ذهنم داشته باشم، فکرهایم می‌توانند پیچیده‌تر باشند.
گوگل دانش را از بین نبرد. هوش مصنوعی هم نخواهد برد
گایر این مشکل را با یک مقایسهٔ ساده توضیح می‌دهد. اینکه می‌توانیم هر کلمهٔ ناآشنا را در چند ثانیه در یک قاموس دیجیتال پیدا کنیم، باعث نشده که مردم دیگر نیازی به آموختن زبان‌های خارجی نداشته باشند. اگر در هر گفت‌وگو مجبور باشیم بایستیم و معنای هر دو کلمه یکی را جست‌وجو کنیم، در واقع آن زبان را بلد نیستیم. دربارهٔ هوش مصنوعی هم همین‌طور است. در دسترس بودن پاسخ با دانش یکی نیست.
و دانش به‌ویژه وقتی مهم می‌شود که پاسخ نادرست باشد. گایر به عنوان نمونه از ساختگی معروف انترنتی دربارهٔ «اختاپوس درختی شمال اقیانوس آرام» یاد می‌کند. کسی که دانش پایه‌ای در بیولوژی دارد خیلی زود شک می‌کند که اختاپوسی که روی درخت زندگی کند احتمالاً وجود ندارد. طفلی که این دانش را ندارد، همان زنگ خطر درونی را ندارد. در دنیای هوش مصنوعی مولد این مشکل بسیار جدی‌تر می‌شود. هوش مصنوعی دیگر تنها متن نمی‌سازد. می‌تواند عکسی بسازد که واقعی به نظر برسد، صدای یک شخص واقعی را تقلید کند یا ویدیوی باورپذیری از رویدادی بسازد که هرگز رخ نداده است. هرچه فناوری در ساختن دروغ‌های باورپذیر بهتر شود، انسان باید در شناختن آنها بهتر باشد. از همین رو پاسخ گایر به این پرسش که در برابر اطلاعات نادرست چه می‌توانیم قرار دهیم، بسیار سنتی است: آموزش.
شاید دانش هرگز این قدر مهم نبوده است
اینجا یکی از تناقض‌های بزرگ آموزش در عصر هوش مصنوعی پدید می‌آید. دسترسی به معلومات هرگز این قدر آسان نبوده، اما توانایی سنجش معلومات شاید هرگز این قدر مهم نبوده است. برای اینکه بفهمیم هوش مصنوعی حرف بی‌پایه می‌زند، باید چیزی بدانیم. برای اینکه واقعیت را از ساختگیِ خوش‌بیان جدا کنیم، به زمینه نیاز داریم. برای اینکه پرسش خوبی بپرسیم، باید دست‌کم اصول مشکل را بفهمیم. برای اینکه یک استدلال، آمار یا ادعای تاریخی را بسنجیم، به دانش خودمان نیاز داریم.
این یعنی هوش مصنوعی نیاز به یادگیری را از بین نمی‌برد، اما به احتمال زیاد آنچه را از یادگیری می‌فهمیم تغییر می‌دهد. تکرار معلومات ارزش کمتری پیدا می‌کند، در حالی که فهمیدن، پیوند دادن، استدلال کردن، بررسی کردن، پرسیدن و جدا کردن معتبر از نامعتبر مهم‌تر می‌شوند. شاگرد آینده باید بداند چگونه از هوش مصنوعی استفاده کند، اما باید بتواند تشخیص دهد که کی هوش مصنوعی او را به راه نادرست می‌برد.
سخت‌ترین پرسش: چگونه به طفل بفهمانیم که هنوز باید بیاموزد؟
گایر شاید سخت‌ترین پرسش آیندهٔ مکتب را تقریباً ساده بیان می‌کند: «Wie erkläre ich einem 14-Jährigen, dass er jetzt noch etwas lernen soll?» چگونه به یک نوجوان چهارده‌ساله توضیح دهیم که هنوز باید چیزی بیاموزد؟ این پرسش به قلب مشکل می‌زند. طفل امروزی برای نخستین بار در تاریخ آموزش دستگاهی در جیب دارد که می‌تواند تقریباً هر پرسشی از آن بپرسد و چند ثانیه بعد پاسخی بگیرد که دست‌کم باورپذیر به نظر می‌رسد. پس چرا چیزی را به خاطر بسپارد؟ چرا فرمول بیاموزد؟ چرا انشایی بنویسد که ماشین بهتر می‌نویسد؟ چرا زبان خارجی بیاموزد اگر موبایل ترجمه می‌کند؟ پاسخ مکتب نمی‌تواند این باشد: چون همیشه همین‌طور بوده است. اما این هم نمی‌تواند باشد: دیگر به هیچ‌کدام نیازی نیست. مکتب باید پاسخ تازه‌ای پیدا کند.
بدون هوش مصنوعی فکر کردن – و با آن بهتر کار کردن
هدف آموزش نمی‌تواند نسلی از شاگردان باشد که بدون ChatGPT دیگر نتوانند دو صفحه متن بنویسند، یک مسئلهٔ ریاضی را حل کنند یا استدلال خودشان را بسازند. اما چندان معنایی هم ندارد که اطفال را برای آینده آماده کنیم و طوری درس بدهیم که گویی هوش مصنوعی اختراع نشده است. اطفالی که امروز به مکتب ابتدایی می‌روند در دههٔ ۲۰۳۰ وارد بازار کار می‌شوند. دشوار است تصور کنیم آن زمان با هوش مصنوعی کار نکنند، فرقی نمی‌کند حقوق‌دان شوند، برنامه‌نویس، ژورنالیست، اقتصاددان، دیزاینر، داکتر، صنعتگر یا معلم.
بنابراین مکتب آینده باید به چیزی دست یابد که در نگاه نخست متناقض به نظر می‌رسد. شاگرد باید بیاموزد بدون هوش مصنوعی فکر کند و با آن بهتر کار کند. باید بتواند متن بنویسد، اما از هوش مصنوعی هم برای بهتر کردنش استفاده کند.
باید یک مسئلهٔ ریاضی را بفهمد، اما بداند کی منطقی است محاسبه را به ماشین بسپارد. باید دانش پایه‌ای داشته باشد، اما بداند چگونه معلوماتی را که نمی‌داند پیدا کند، بررسی کند و به هم پیوند دهد. باید از هوش مصنوعی استفاده کند، اما نباید خودبه‌خود به آن اعتماد کند. و باید بیاموزد بسنجد کی از هوش مصنوعی استفاده کند و کی آن را خاموش کند.
یک انسان باسواد در سال ۲۰۳۵ چه باید بداند؟
از همین رو بحث هوش مصنوعی در مکتب پیش از هر چیز بحثی دربارهٔ ChatGPT نیست. ما را وادار می‌کند پرسشی بسیار کهنه‌تر را دوباره باز کنیم: باسواد بودن در واقع یعنی چه؟ آیا انسان باسواد کسی است که واقعیت‌های زیادی می‌داند، کسی که می‌داند آنها را کجا پیدا کند، کسی که می‌تواند معلومات معتبر را از دستکاری جدا کند، کسی که می‌تواند مشکلی را حل کند، کسی که می‌تواند پرسش درست را بپرسد – یا کسی که همهٔ اینها را با هم دارد؟ هوش مصنوعی مولد به این پرسش‌ها پاسخ نداده، اما آنها را فوری کرده است. در حالی که نظام‌های آموزشی دربارهٔ نصاب درسی، قواعد استفاده از ChatGPT و آموزش معلمان بحث می‌کنند، فناوری سریع‌تر از آن پیش می‌رود که مکتب بتواند کتاب‌های درسی را تغییر دهد.
اتریش در سال ۲۰۲۶ واکنش جدی‌تری نشان داد. با نصاب درسی نوی «انفورماتیک و هوش مصنوعی» هوش مصنوعی به‌طور منظم وارد آموزش مکتب می‌شود، و KI-Basiscurriculum اتریش توانایی‌های پایه‌ای لازم برای فهم، سنجش انتقادی و استفادهٔ مسئولانه از هوش مصنوعی را تعریف می‌کند.
وزیر معارف کریستوف ویدرکهر گفت: «هوش مصنوعی شیوهٔ یادگیری، کار و سنجش معلومات ما را تغییر می‌دهد» و تأکید کرد که شاگردان نباید تنها از هوش مصنوعی استفاده کنند، بلکه باید امکانات و محدودیت‌هایش را هم بفهمند. به گفتهٔ ویدرکهر هدف این است که این توانایی «به‌طور منظم در مکتب جا بیفتد». اما میان تبلت در بکس مکتب، نصاب درسی نو و یک نظام آموزشی واقعاً امروزی تفاوت بزرگی است. از همین رو پرسش دیگر این نیست که آیا هوش مصنوعی در مکاتب اتریش وجود دارد. پرسش بسیار جالب‌تر این است:
مکتب اتریش واقعاً تا چه اندازه برای ۲۰۲۶ آماده است؟
اتریش سال‌هاست در دیجیتالی کردن مکاتب سرمایه‌گذاری می‌کند. «Digitale Grundbildung» (سواد دیجیتال پایه) به عنوان مضمون اجباری در صنف‌های پایین متوسطه معرفی شد، از راه ابتکار «Digitales Lernen» شاگردان لپ‌تاپ و تبلت می‌گیرند و مکاتبی که در این برنامه شرکت دارند باید طرح دیجیتالی شدن خودشان را داشته باشند. اکنون گام بعدی هم می‌آید: نصاب درسی نوی «انفورماتیک و هوش مصنوعی»، AI-Basiscurriculum و یک برنامهٔ عمل برای پرورش توانایی‌های هوش مصنوعی. پس روی کاغذ عناصر روزافزونی از یک مکتب دیجیتال امروزی وجود دارد.
اما مجهز بودن به فناوری با آموزش امروزی یکی نیست. تبلت می‌تواند جای کتابچه را بگیرد، تختهٔ دیجیتال جای تختهٔ کلاسیک و کتاب PDF جای کتاب چاپی، در حالی که شیوهٔ یادگیری اطفال تقریباً همان می‌ماند. OECD درست به همین دلیل هشدار می‌دهد که دیجیتالی شدن موفق آموزش به معنای انتقال سادهٔ درس سنتی به صفحهٔ نمایش نیست. فناوری تنها وقتی معنا دارد که شیوهٔ یادگیری را تغییر دهد یا بهتر کند. این موضوع با هوش مصنوعی به‌ویژه مهم می‌شود، چون ChatGPT تنها نسخهٔ نوی ماشین حساب یا موتور جست‌وجو نیست. می‌تواند بخشی از کار فکری‌ای را که تا کنون از شاگردان انتظار داشتیم بر عهده بگیرد. اینکه این برای معلمان چه چالش بزرگی است را ارقام تحقیق TALIS 2024 سازمان OECD نشان می‌دهد. در اتریش ۳۹ فیصد معلمان گفتند که در یک سال گذشته در کارشان از هوش مصنوعی استفاده کرده‌اند. در میان کسانی که استفاده نکرده‌اند، ۶۹ فیصد کمبود دانش و مهارت لازم را دلیل آن دانستند.
در همین حال نظام آموزشی اتریش مشکلات بسیار سنتی‌تری هم دارد. OECD در سال ۲۰۲۵ دربارهٔ کمبود چشمگیر معلم هشدار داد: بست‌های خالی ۴٫۶ فیصد جاهای معلمی در آموزش ابتدایی و متوسطه را تشکیل می‌دادند. پس از مکتب انتظار دگرگونی فناورانه می‌رود، درست در زمانی که با کمبود کسانی که باید این دگرگونی را انجام دهند دست‌وپنجه نرم می‌کند.
اگر هوش مصنوعی تقریباً همه چیز را می‌داند، اطفال چه باید بیاموزند؟
آمدن هوش مصنوعی پرسشی بسیار بنیادی‌تر از این را پیش می‌کشد که آیا شاگردان باید از ChatGPT استفاده کنند: طفل امروز اصلاً چه چیزی را باید بیاموزد؟ آیا هنوز باید سال‌های تاریخی، فرمول‌ها، قواعد دستور زبان و کلمات زبان خارجی را به خاطر بسپارد، اگر پاسخ‌ها در چند ثانیه در دسترس است؟ در نگاه نخست منطقی به نظر می‌رسد که دانش واقعیت‌محور ارزشش را از دست بدهد. اما مشکل این است که بدون سطح معینی از دانش خود، سنجیدن اینکه آیا معلوماتی که هوش مصنوعی می‌دهد اصلاً درست است دشوار می‌شود.
درست اینجاست که استاد باربارا گایر از «آستانهٔ توانایی» سخن می‌گوید که انسان باید از آن بگذرد تا بتواند به‌طور معنادار از هوش مصنوعی استفاده کند. هرچه یک موضوع را بهتر بفهمیم، می‌توانیم پرسش‌های بهتری بپرسیم، پاسخ بد را بشناسیم و ببینیم کی هوش مصنوعی چیزی را می‌سازد یا ساده‌سازی می‌کند. بنابراین آموختن واقعیت‌ها از بین نمی‌رود، اما کارکردش تغییر می‌کند. هدف پر کردن ذهن از معلوماتی نیست که شاگرد می‌تواند در انترنت پیدا کند، بلکه ساختن دانشی کافی است تا بتواند معلومات نو را بفهمد، به هم پیوند دهد و بسنجد.
این برای ریاضی، نوشتن و زبان‌های خارجی هم صدق می‌کند. ماشین حساب نیاز به فهم ریاضی پایه را از بین نبرد، همان‌طور که Google Translate آموختن زبان را بی‌معنا نکرد. هوش مصنوعی احتمالاً مرز میان آنچه باید بدانیم و آنچه می‌توانیم به فناوری بسپاریم را بیشتر جابه‌جا خواهد کرد. بنابراین مکتب باید با روشنی بسیار بیشتری به پرسشی پاسخ دهد که تا کنون کمتر پرسیده می‌شد: نه تنها اینکه طفل چه باید بیاموزد، بلکه اینکه چرا باید آن را بداند.
آیا کارخانگی هنوز معنا دارد؟
نمونهٔ به‌ویژه روشن، کارخانگی است. اگر معلم به شاگردان بگوید در خانه گزارشی دربارهٔ تغییرات اقلیمی، زندگی‌نامهٔ ماری کوری یا تحلیل یک اثر ادبی بنویسند، دیگر نمی‌تواند با اطمینان بداند چه کسی آن متن را نوشته است. تلاش برای ممنوع کردن هوش مصنوعی به‌سختی مشکل را حل می‌کند، چون معلم بر آنچه در خانه می‌گذرد کنترول ندارد. فناوری تشخیص قابل اعتماد متن‌های هوش مصنوعی هم آن قدر مطمئن نیست که بتوان نمرهٔ شاگرد را بر داوری آن بنا کرد.
راه‌حل بسیار معنادارتر، تغییر خود وظیفه است. شاگرد می‌تواند وظیفه بگیرد که با کمک هوش مصنوعی موضوعی را بررسی کند، اما سپس باید ادعاهایش را بررسی کند، منابع معتبر پیدا کند، اشتباه‌ها یا ساده‌سازی‌ها را نشانه بگذارد و نتیجه‌گیری خودش را توضیح دهد. می‌تواند ثبت کند که چگونه از هوش مصنوعی استفاده کرده و سپس شفاهی از کارش دفاع کند. آن وقت ChatGPT دیگر رقیب کارخانگی نیست، بلکه یکی از ابزارهایی است که شاگرد باید استفاده از آن را بیاموزد. چنین رویکردی هدف خود کارخانگی را هم تغییر می‌دهد. دیگر ساختن یک متن زیبا کافی نیست. معلم باید به روندی توجه کند که شاگرد با آن به نتیجه رسیده: چه پرسش‌هایی پرسیده، کدام منابع را بررسی کرده، چه چیزی را کنار گذاشته، چه چیزی را تغییر داده و پیش از همه، در پایان چه چیزی را فهمیده است.
معلم دیگر منبع اصلی معلومات نیست – اما مهم‌تر می‌شود
همهٔ اینها نقش معلم را هم تغییر می‌دهد. نسل‌ها یکی از کارکردهای اصلی او انتقال دانش بود. معلم چیزی می‌دانست که شاگرد نمی‌دانست، درس را توضیح می‌داد و شاگرد می‌کوشید آن را به خاطر بسپارد و بعد تکرار کند. انترنت این رابطه را تغییر داده بود و هوش مصنوعی مولد بسیار فراتر می‌رود. شاگرد اکنون می‌تواند توضیحی فردی دربارهٔ تقریباً هر موضوعی بگیرد که با سن و دانش قبلی‌اش هماهنگ است و می‌تواند تا وقتی چیزی را نفهمیده پرسش‌های بیشتری بپرسد.
اما از این نتیجه نمی‌شود که معلم زائد می‌شود. برعکس، مهم‌ترین کارکرد او کمتر و کمتر دادن پاسخ است و بیشتر و بیشتر کمک به شاگرد تا بشناسد کدام پرسش‌ها را باید بپرسد، به کدام پاسخ‌ها می‌تواند اعتماد کند و چگونه معلومات پراکنده را به فهمی از جهان پیوند دهد. معلم طفل را می‌شناسد، پیشرفتش را می‌بیند، ناامیدی‌اش را تشخیص می‌دهد، به او انگیزه می‌دهد، مرز می‌گذارد، همکاری را سازماندهی می‌کند و فضایی اجتماعی می‌سازد که در آن همراه با دیگران آموخته می‌شود. یک چت‌بات می‌تواند قضیهٔ فیثاغورس را ده بار بدون از دست دادن حوصله توضیح دهد. اما آموزش هرگز تنها انتقال معلومات نبوده است.
شاید همین بزرگ‌ترین تغییری باشد که هوش مصنوعی برای مکتب می‌آورد. معلم خوب آینده لازم نیست در حجم معلوماتی که می‌تواند ارائه کند با هوش مصنوعی رقابت کند. وظیفه‌اش این خواهد بود که به اطفال بیاموزد با این معلومات چه کنند. در جهانی که پاسخ تقریباً هر پرسشی چند ثانیه فاصله دارد، توانایی پرسیدن پرسش‌های خوب، بررسی پاسخ‌ها، مستقل فکر کردن و تصمیم گرفتن ممکن است مهم‌تر از هر زمان دیگری شود.
اطفال دارای پیشینهٔ مهاجرت: هوش مصنوعی به عنوان فرصتی بزرگ
هوش مصنوعی می‌تواند به‌ویژه برای اطفالی که در خانه آلمانی صحبت نمی‌کنند تغییری بزرگ بیاورد. برای اتریش این موضوعی حاشیه‌ای نیست. بر اساس تحقیق TALIS 2024، ۶۳ فیصد معلمان اتریشی در مکاتبی کار می‌کنند که در آنها بیش از ده فیصد شاگردان زبان تدریس را به عنوان زبان اول ندارند. مانع زبانی لزوماً به این معنا نیست که طفل ریاضی، بیولوژی یا جغرافیا را نمی‌فهمد. گاهی تنها زبانی را که وظیفه به آن توضیح داده شده به اندازهٔ کافی نمی‌فهمد.
درست اینجا هوش مصنوعی امکاناتی را باز می‌کند که تا چندی پیش تصورش دشوار بود. شاگرد می‌تواند از سؤال ریاضی عکس بگیرد و بخواهد هوش مصنوعی نخست آن را به دری، ترکی یا اوکراینی توضیح دهد، سپس همان توضیح را به آلمانی ساده بگیرد، اصطلاحات کلیدی آلمانی را بیاموزد و در پایان بکوشد خودش سؤال را به زبان تدریس حل کند. هوش مصنوعی می‌تواند سختی زبان را با سن طفل هماهنگ کند، کلمهٔ ناآشنا را توضیح دهد، مثال بیشتری بدهد و بدون فشار زمان توضیح را تکرار کند. OECD درست آموزش چندزبانه را یکی از حوزه‌هایی می‌داند که در آن هوش مصنوعی مولد، تشخیص خودکار گفتار و ترجمهٔ ماشینی می‌توانند به شاگردانی با دانش محدود از زبان تدریس کمک کنند.
این می‌تواند نگاه ما به چندزبانگی را هم تغییر دهد. زبان مادری طفل لازم نیست مانعی باشد که باید هرچه زودتر از روند یادگیری برداشته شود، بلکه می‌تواند پلی به سوی آلمانی باشد. طفل می‌تواند نخست مفهومی پیچیده را به زبانی که بهتر بلد است بفهمد و سپس کم‌کم اصطلاحات آلمانی را فرا گیرد. یونسکو هم از مدل‌های آموزشی‌ای حمایت می‌کند که با چندزبانگی به عنوان سرمایه برخورد می‌کنند، نه کمبود.
اما اینجا هم فناوری راه‌حل جادویی نیست. کیفیت هوش مصنوعی در همهٔ زبان‌ها یکسان نیست، ترجمه‌ها ممکن است نادرست باشند و طفلی که هر دشواری را خودبه‌خود با ترجمه حل می‌کند ممکن است دلیل کمتری برای پرورش آلمانی‌اش داشته باشد. بنابراین هوش مصنوعی نباید جای آموختن زبان یا حمایت معلم را بگیرد. فرصت واقعی جایی در میانه است: استفاده از زبان مادری تا طفل درس را بفهمد، و استفاده از هوش مصنوعی به عنوان پلی فردی که او را کم‌کم به سوی زبانی می‌برد که به آن درس می‌خواند.
هوش مصنوعی مکتب را از بین نمی‌برد، اما آن را وادار می‌کند دوباره به کهنه‌ترین پرسش خود پاسخ دهد: اطفال واقعاً چه باید بیاموزند تا جهانی را که در آن زندگی می‌کنند بفهمند و مستقلانه تصمیم بگیرند. بنابراین مکتب آینده نباید به اطفال بیاموزد چگونه با هوش مصنوعی رقابت کنند، بلکه چگونه از آن استفاده کنند، بی‌آنکه دانش، تفکر انتقادی و توانایی فکر کردن با ذهن خودشان را به آن بسپارند.