دانشگاه آینده؛ از انتقال دانش به آفرینش ایده
دانشگاه آینده با شمار ابزارهای هوش مصنوعی یا سرعت پردازش داده‌هایش تعریف نمی‌شود؛ معیار اصلی آن توانایی تبدیل این ظرفیت‌ها به پرسش‌های تازه، ایده‌های ارزشمند و راه‌حل‌هایی مسئولانه برای مسائل جامعه است. کانون‌سازی هوش مصنوعی در این مقاله به معنای قرار دادن هوش مصنوعی در مرکز طراحی و پیوند فعالیت‌های آموزشی و پژوهشی است، نه واگذاری مرکزیت دانشگاه به ماشین. این تمایز اهمیت دارد: اگر فناوری فقط به انجام سریع‌تر تکلیف‌های قدیمی کمک کند، ساختار دانشگاه تغییر چندانی نکرده است؛ اما اگر فرصت آزمودن فرضیه‌ها، گفت‌وگوی میان‌رشته‌ای و ساخت نمونه‌های اولیه را برای افراد بیشتری فراهم آورد، می‌تواند فرهنگ تولید دانش را دگرگون کند.
مدعای اصلی این است که دانشگاه‌های آینده باید هوش مصنوعی را زیرساختی برای تقویت عاملیت و خلاقیت انسان بدانند. در چنین دانشگاهی، استاد و دانشجو از مصرف‌کننده پاسخ‌های آماده به طراح پرسش و ارزیاب پاسخ‌ها تبدیل می‌شوند؛ ابزار هوشمند در مقام همکارِ محدود و قابل‌نقد به کار می‌رود و مسئولیت علمی و اجتماعی تصمیم‌ها همچنان با انسان است. این جهت‌گیری با رویکرد انسان‌محور یونسکو در راهنمای هوش مصنوعی مولد در آموزش و پژوهش هم‌راستاست؛ راهنمایی که بر استفاده اخلاقی، ایمن، عادلانه و معنادار و نیز حفاظت از حریم خصوصی تأکید می‌کند .
کتاب نظریه های مدیریت دولتی تالیف دکتر عباس خداپرست
کانون‌سازی هوش مصنوعی: زیرساخت، فرهنگ و حکمرانی
کانون‌سازی هوش مصنوعی را نباید با خرید اشتراک چند ابزار، راه‌اندازی یک آزمایشگاه نمایشی یا افزودن درس برنامه‌نویسی به برنامه آموزشی یکی گرفت. کانون‌سازی زمانی رخ می‌دهد که فناوری به شکلی سنجیده در زنجیره فعالیت دانشگاه حضور یابد: از شکل‌گیری مسئله و دسترسی به داده تا تدریس، پژوهش، داوری و انتقال دستاورد به جامعه. چنین تحولی هم به زیرساخت فنی نیاز دارد و هم به قواعد روشن درباره مالکیت داده و خروجی، محرمانگی، ارزیابی علمی و مسئولیت تصمیم‌گیری.
بعد فرهنگی این تحول به همان اندازه مهم است. دانشگاه ایده‌محور باید جایی باشد که دانشجو بتواند پیش‌فرض یک پاسخ ماشینی را به چالش بکشد، استاد بتواند از دانشجویان بخواهد مسیر رسیدن به پاسخ را توضیح دهند و گروه‌های مختلف دانش بتوانند با مسئله‌ای مشترک کار کنند. در این محیط، پرسیدن چه چیزی را نمی‌دانیم؟ به اندازه یافتن پاسخ اهمیت دارد. این رویکرد با دیدگاه یونسکو سازگار است که استفاده از هوش مصنوعی مولد را نیازمند فرایندهای اعتبارسنجی اخلاقی و طراحی آموزشی متناسب می‌داند، نه پذیرش بی‌قیدوشرط هر ابزار تازه.
از منظر سازمانی نیز، کانون‌سازی نباید به تمرکز اختیار و منابع در یک واحد فناوری بینجامد. دانشکده‌ها، کتابخانه‌ها، مراکز پژوهشی، متخصصان فناوری اطلاعات و گروه‌های اخلاق و حقوق باید در تدوین سیاست‌ها سهم داشته باشند. کتابخانه می‌تواند در سواد اطلاعاتی و بررسی منشأ داده‌ها نقش ایفا کند؛ استادان در بازطراحی فعالیت‌های درسی؛ و واحدهای پشتیبان در ارزیابی امنیت و دسترس‌پذیری ابزارها. نتیجه مطلوب، شبکه‌ای از همکاری و یادگیری نهادی است، نه یک سامانه متمرکز که شیوه واحدی را بر همه رشته‌ها تحمیل کند.
چگونه هوش مصنوعی ظرفیت خلق ایده را گسترش می‌دهد؟
خلق ایده معمولاً از برخورد میان دانش پیشین، مشاهده دقیق مسئله و امکان آزمودن راه‌های گوناگون شکل می‌گیرد. ابزارهای هوش مصنوعی می‌توانند در هر سه مرحله کمک‌کننده باشند: مجموعه‌ای گسترده از منابع را برای آغاز جست‌وجو سامان دهند، چند صورت‌بندی متفاوت از یک مسئله پیشنهاد کنند، یا برای آزمودن یک فرضیه نمونه‌ای ابتدایی بسازند. ارزش این کار در تحویل پاسخ نهایی نیست؛ در کوتاه‌شدن فاصله میان فکر اولیه و آزمون است. دانشجو یا پژوهشگر می‌تواند زودتر ببیند کدام ایده نیازمند داده بیشتر است، کدام فرض بر پیش‌فرض نادرست تکیه دارد و کدام مسیر ارزش پیگیری دارد.
هوش مصنوعی همچنین می‌تواند گفت‌وگوی میان‌رشته‌ای را عملی‌تر کند. گروهی متشکل از مهندسی، علوم انسانی و سلامت می‌تواند از ابزار برای روشن‌کردن واژگان تخصصی، یافتن نقاط تلاقی یا ساخت سناریوهای اولیه استفاده کند. اما این ابزار جایگزین داوری تخصصی نیست؛ پیشنهادهایش باید با شواهد، تجربه میدانی و دانش هر رشته سنجیده شوند. به همین ترتیب، در درس طراحی یا کارآفرینی، سامانه هوشمند می‌تواند چند نسخه از یک طرح یا مدل اولیه تولید کند تا دانشجویان به‌جای توقف در مرحله نخست، گزینه‌ها را مقایسه و اصلاح کنند. معیار یادگیری در این وضعیت نه تعداد متن یا تصویر تولیدشده، بلکه کیفیت انتخاب‌ها و استدلال پشت آن‌هاست.
کتاب تولد یک مدیر تالیف دکتر عباس خداپرست
چارچوب شایستگی هوش مصنوعی برای دانشجویان یونسکو این هدف را با چهار بُعد صورت‌بندی می‌کند: نگرش انسان‌محور، اخلاق هوش مصنوعی، فنون و کاربردهای هوش مصنوعی و طراحی سامانه‌های هوش مصنوعی. این چارچوب ۱۲ شایستگی را در سه سطح درک، به‌کارگیری و خلق سازمان می‌دهد و دانشجویان را نه فقط کاربران، بلکه هم‌آفرینان مسئول فناوری می‌بیند. برای دانشگاه، پیام این الگو آن است که همه دانشجویان باید بتوانند خروجی هوش مصنوعی را نقادانه ارزیابی کنند، اما فرصت طراحی و ساخت نیز باید متناسب با رشته و سطح آمادگی آنان فراهم باشد. در این الگو نقش استاد نیز حذف نمی‌شود، بلکه از انتقال یک‌سویه اطلاعات به طراحی موقعیت‌های یادگیری، راهنمایی پژوهش و داوری کیفیت استدلال گسترش می‌یابد. استاد می‌تواند تکلیف‌هایی تعریف کند که دانشجو در آن‌ها از ابزار استفاده می‌کند، اما انتخاب مسئله، توضیح فرایند، راستی‌آزمایی شواهد و دفاع از نتیجه را شخصاً بر عهده دارد. بدین‌ترتیب، دسترسی سریع به پیش‌نویس یا پاسخ اولیه به فرصتی برای تعمیق یادگیری تبدیل می‌شود، نه راهی برای دورزدن آن.
الگوی اجرایی برای دانشگاه‌های آینده
گذار به دانشگاه ایده‌محور باید مرحله‌ای و قابل ارزیابی باشد. گام نخست، شناسایی نیازهای واقعی هر رشته است: کدام فعالیت آموزشی یا پژوهشی با کمک هوش مصنوعی بهتر می‌شود و کدام بخش نیازمند تعامل انسانی، کار میدانی یا داوری تخصصی است؟ پاسخ در پزشکی، هنر، حقوق و مهندسی یکسان نیست. بنابراین سیاست دانشگاه باید اصول مشترک را تعیین کند، اما اجازه دهد دانشکده‌ها نمونه‌های متناسب با ماهیت رشته خود طراحی کنند.
گام دوم، بازطراحی آموزش و ارزیابی است. تکالیفی که صرفاً بازتولید اطلاعات را می‌سنجند در برابر تولید خودکار پاسخ آسیب‌پذیرند. می‌توان به‌جای آن‌ها، از دانشجو خواست پرسش خود را صورت‌بندی کند، منابع را ارزیابی کند، نسخه‌های مختلف یک ایده را مقایسه کند و تصمیم نهایی را با شواهد توضیح دهد. ثبت کوتاه فرایند کار، ارائه شفاهی، کار گروهی و بازنگری بر اساس نقد همتایان، امکان سنجش یادگیری را افزایش می‌دهد. باید از دانشجو خواسته شود هرجا استفاده از هوش مصنوعی بر کار اثر گذاشته، آن را مطابق قاعده درس شفاف اعلام کند.
گام سوم، ایجاد بسترهای مشارکتی برای خلق و آزمون ایده است: آزمایشگاه‌های میان‌رشته‌ای، کارگاه‌های طراحی، دسترسی کنترل‌شده به ابزارها و مخازن داده معتبر، و همکاری با نهادهای محلی و صنعتی. این بسترها باید مسئله‌های واقعی را به پروژه‌های آموزشی و پژوهشی پیوند دهند. برای مثال، گروهی از دانشجویان می‌تواند با همکاری یک نهاد شهری، راهی برای تحلیل بازخورد شهروندان پیشنهاد کند؛ اما طراحی روش گردآوری داده، رضایت افراد و تفسیر نتایج باید زیر نظر متخصصان و بر مبنای اصول اخلاقی انجام شود.
گام چهارم، توانمندسازی استادان و کارکنان است. آموزش نباید به معرفی قابلیت‌های نرم‌افزار محدود بماند؛ طراحی تکلیف، تشخیص خطا و سوگیری، حفظ حریم خصوصی، مدیریت داده و شیوه استناد به خروجی‌های ماشینی نیز باید در آن گنجانده شود. این سرمایه‌گذاری زمانی اثربخش است که استادان در بازنگری درس‌های خود اختیار و پشتیبانی داشته باشند. در نهایت، دانشگاه باید نتیجه را با شاخص‌هایی فراتر از تعداد حساب‌های کاربری یا ابزارهای خریداری‌شده بسنجد: آیا کیفیت پرسش‌های دانشجویان بهتر شده؟ آیا همکاری میان‌رشته‌ای افزایش یافته؟ آیا ایده‌ها به نمونه‌های آزموده‌شده رسیده‌اند؟ آیا دسترسی به فرصت‌ها عادلانه است؟
مخاطرات و اصول پاسداری از خلاقیت انسانی
همان قابلیتی که هوش مصنوعی را برای ایده‌پردازی سودمند می‌کند، می‌تواند به محدودیت نیز بینجامد. سامانه ممکن است پاسخی روان اما نادرست ارائه دهد، دیدگاه‌های غالب در داده‌های آموزشی را بازتولید کند یا گزینه‌هایی را برجسته سازد که برای گروه‌های کم‌نماینده مناسب نیستند. اتکای بی‌نقد به این خروجی‌ها می‌تواند دامنه تخیل را به پیشنهادهای آشنا و پرتکرار محدود کند. بنابراین ابزار باید محرک گسترش گزینه‌ها باشد، نه مرجع نهایی اعتبار یا داوری.
حریم خصوصی و مالکیت فکری نیز مسائل حاشیه‌ای نیستند. واردکردن اطلاعات شخصی، داده پژوهشی محرمانه یا دست‌نوشته منتشرنشده در سامانه‌ای نامطمئن می‌تواند پیامدهایی جبران‌ناپذیر داشته باشد. دانشگاه باید مشخص کند چه داده‌هایی مجاز به ورودند، کدام ابزارها برای چه کاربردی تأیید شده‌اند و مسئولیت بررسی خروجی بر عهده چه کسی است. یونسکو در راهنمای خود بر حفاظت از داده‌های کاربران و ضرورت چارچوب‌های سیاستی منسجم برای کاربرد ایمن و معنادار تأکید می‌کند.
خطر دیگر، تشدید نابرابری است: برخی دانشجویان ممکن است به ابزارهای قوی‌تر، اتصال پایدارتر یا آموزش بیشتر دسترسی داشته باشند. اگر ارزیابی دانشگاه بر استفاده از ابزارهای پولی یا مهارت‌هایی متکی شود که فرصت یادگیری برابر برای آن‌ها وجود ندارد، فناوری فاصله آموزشی را بیشتر می‌کند. راه‌حل، فراهم‌کردن دسترسی عادلانه، گزینه‌های جایگزین و حمایت آموزشی است. در کنار آن، باید مرزی روشن میان کمک مجاز و واگذاری ناموجه کار فکری تعیین شود. این مرز با ممنوعیت کلی یا اعتماد کامل شکل نمی‌گیرد؛ به گفت‌وگوی شفاف درباره هدف یادگیری، اعلام نحوه استفاده و سنجش توانایی دانشجو در توضیح و دفاع از کار نیاز دارد.
در نهایت، حفظ خلاقیت انسانی مستلزم آن است که زمان و فضا برای تأمل، مشاهده و تعامل واقعی باقی بماند. ایده‌های مهم همیشه از تولید فوری متن برنمی‌آیند؛ گاه از گفت‌وگو با جامعه، مواجهه با مسئله‌ای ملموس یا بازنگری طولانی در یک پرسش پدید می‌آیند. دانشگاه باید فناوری را در خدمت این فرایندها قرار دهد، نه اینکه سرعت و حجم تولید را با کیفیت اندیشه اشتباه بگیرد.
کتاب نظریه حکمرانی از منظر اندیشمندان تالیف دکتر عباس خداپرست
دانشگاه ایده‌محور، نه دانشگاه ابزارمحور
کانون‌سازی هوش مصنوعی زمانی به تحول دانشگاه می‌انجامد که مسئله اصلی، افزایش توان اندیشیدن و آفرینش باشد، نه نمایش فناوری. هوش مصنوعی می‌تواند جست‌وجو را گسترش دهد، آزمون ایده را سریع‌تر کند و امکان همکاری میان‌رشته‌ای را افزایش دهد؛ اما اعتبار دانش، انتخاب هدف و پاسخ‌گویی درباره پیامدها همچنان به قضاوت انسانی وابسته است. ازاین‌رو، دانشگاه آینده باید هم‌زمان سه کار انجام دهد: دانشجویان و استادان را برای استفاده نقادانه و خلاقانه توانمند کند، قواعد روشن و عادلانه برای داده و ارزیابی برقرار سازد و محیط‌هایی بسازد که ایده بتواند از پرسش به آزمون و از آزمون به اثر اجتماعی برسد.
چنین دانشگاهی نه از هوش مصنوعی هراس دارد و نه آن را راه‌حل خودکار همه مسائل می‌پندارد. ارزش آن در این است که فناوری را به فرصتی برای پرسیدن بهتر، همکاری گسترده‌تر و مسئولیت‌پذیری بیشتر بدل می‌کند. اگر انسان در مرکز بماند و خلق ایده معیار موفقیت باشد، هوش مصنوعی می‌تواند نه جایگزین دانشگاه، بلکه یکی از ابزارهای مهم برای تحقق رسالت آن شود.
دکتر عباس خداپرست
#دانشگاه #مدیریت #آموزش_عالی #دکتر_عباس_خداپرست #عباس_خداپرست #ایده #ابزار #دانشجو
