دوشنبه ۲۵ آبان ۱۴۰۵ | ۰۷:۲۵
معمای معدل‌های بالاتر در شریف؛ آیا شیوه‌های سنتی امتحان گرفتن هنوز کارآمدند؟

معمای معدل‌های بالاتر در شریف؛ آیا شیوه‌های سنتی امتحان گرفتن هنوز کارآمدند؟

میانگین معدل دانشجویان ورودی ۱۴۰۴ دانشگاه صنعتی شریف در ترم دوم، بیش از سه نمره بالاتر از ورودی سال قبل در ترم مشابه بوده است؛ افزایشی که در نیمسال آموزش و امتحانات کاملاً مجازی رخ داد.

به گزارش ایسنا، افزایش معدل دانشجویان در نگاه نخست می‌تواند نشانه‌ای از عملکرد تحصیلی بهتر باشد؛ اما برای ارزیابی کیفیت آموزش، باید پرسید آیا نمره‌های بالاتر الزاماً به معنای تسلط بیشتر بر مطالب درسی هستند؟ این پرسش با گسترش ابزارهای هوش مصنوعی مولد، مانند چت‌جی‌پی‌تی، اهمیت تازه‌ای پیدا کرده است؛ ابزارهایی که می‌توانند در حل مسائل، پاسخ‌گویی به پرسش‌ها و انجام تکالیف دانشگاهی به دانشجویان کمک کنند.

داده‌های آموزشی دانشگاه صنعتی شریف نمونه‌ای از اهمیت این موضوع را نشان می‌دهد. میانگین معدل دانشجویان ورودی ۱۴۰۴ این دانشگاه در نخستین ترم تحصیل به ۱۷.۳۷ رسید؛ رقمی که نزدیک به دو نمره بالاتر از میانگین معدل ورودی ۱۴۰۳ در ترم نخست بود. در ترم دوم نیز میانگین معدل ورودی ۱۴۰۴ بیش از سه نمره بالاتر از ورودی سال قبل در ترم مشابه گزارش شد؛ نیمسالی که آموزش و امتحانات آن به‌صورت کاملاً مجازی برگزار شد. در کنار افزایش معدل، تعداد مشروطی‌ها و حذف‌ترم‌ها نیز در برخی مقایسه‌های مربوط به این ورودی کاهش یافته است؛ با این حال، این داده‌ها به‌تنهایی روشن نمی‌کنند که تغییرات یادشده تا چه اندازه ناشی از یادگیری بیشتر، تفاوت در شرایط برگزاری امتحانات، شیوه نمره‌دهی یا عوامل دیگر بوده است.

مسعود تجریشی، رئیس دانشگاه صنعتی شریف در گفت‌وگو با ایسنا، با اشاره به تجربه آموزش غیرحضوری گفت: چنین شرایطی می‌تواند به افزایش نسبی معدل‌ها منجر شود؛ هرچند ارزیابی دقیق عملکرد تحصیلی دانشجویان در این وضعیت دشوارتر است.

با این حال، در شرایط کنونی، بررسی افزایش نمرات بدون توجه به گسترش ابزارهای هوش مصنوعی مولد و تأثیر احتمالی آن‌ها بر انجام تکالیف و پاسخ‌گویی به پرسش‌های درسی، تصویر کاملی از مسئله ارائه نمی‌کند. البته هم‌زمانی افزایش معدل با گسترش این ابزارها نیز به‌خودی‌خود به معنای اثبات رابطه علت و معلولی میان آن‌ها نیست.

هوش مصنوعی تا چه اندازه می‌تواند از عهده امتحانات برآید؟

توانایی ابزارهای هوش مصنوعی در پاسخ‌گویی به پرسش‌های علمی، موضوع پژوهش‌های دانشگاهی قرار گرفته است. در مطالعه‌ای که در نوامبر ۲۰۲۴ در نشریه Scientific Reports منتشر شد، عملکرد چند مدل هوش مصنوعی، از جمله چت‌جی‌پی‌تی ۳.۵ و ۴ و گوگل بارد، با عملکرد دانشجویان پزشکی ایران در آزمون‌های جامع پیش‌کارورزی مقایسه شد.

پژوهشگران مجموعه‌ای از آزمون‌ها را بررسی کردند. نتایج نشان داد عملکرد مدل‌ها یکسان نبود و چت‌جی‌پی‌تی ۴ در مجموع بالاترین امتیاز را در میان مدل‌های بررسی‌شده کسب کرد. در نسخه انگلیسی آزمون‌ها نیز تفاوت میان عملکرد مدل‌های هوش مصنوعی و دانشجویان از نظر آماری معنادار نبود.

این مطالعه نشان می‌دهد برخی مدل‌های هوش مصنوعی می‌توانند به پرسش‌های واقعی آزمون‌های دانشگاهی پاسخ دهند و در بعضی ارزیابی‌ها عملکرد قابل‌توجهی داشته باشند. با این حال، پژوهش مذکور درباره توانایی خود مدل‌ها در پاسخ‌گویی به سؤالات پزشکی است و میزان استفاده دانشجویان از هوش مصنوعی یا تأثیر آن بر معدل دانشجویان دانشگاه صنعتی شریف را بررسی نکرده است.

آیا استفاده از هوش مصنوعی یادگیری را بهتر می‌کند؟

پاسخ پژوهش‌ها به این پرسش یکسان نیست و به نحوه استفاده از ابزارها و چگونگی طراحی فعالیت‌های آموزشی بستگی دارد. یک مرور نظام‌مند و فراتحلیل منتشرشده در آوریل ۲۰۲۵ در نشریه Computers & Education، نتایج ۶۹ مقاله درباره تأثیر چت‌جی‌پی‌تی بر یادگیری را بررسی کرد. یافته‌های این مطالعه نشان داد استفاده آموزشی از این ابزار در مجموع با بهبود عملکرد تحصیلی و برخی شاخص‌های انگیزشی و تفکر سطح بالاتر همراه بوده است.

با این حال، نویسندگان بر محدودیت‌های روش‌شناختی بخشی از مطالعات تأکید کردند و هشدار دادند که کیفیت پاسخ تولیدشده به‌وسیله هوش مصنوعی را نباید با میزان یادگیری واقعی دانشجو یکسان دانست. به اعتقاد پژوهشگران، ارزیابی یادگیری باید به‌گونه‌ای طراحی شود که دانشجو توانایی خود را در حل مسائل پیچیده، اجرای پروژه و توضیح فرایند رسیدن به پاسخ نشان دهد؛ نه اینکه صرفاً کیفیت پاسخ نهایی سنجیده شود.

این یافته‌ها نشان می‌دهد هوش مصنوعی می‌تواند در شرایط مناسب به یادگیری کمک کند، اما نتیجه استفاده از آن به نحوه ادغام این فناوری در فرایند آموزش و ارزیابی وابسته است.

در مقابل، پژوهشی با عنوان «استفاده از هوش مصنوعی مولد و عملکرد در امتحانات» که در سال ۲۰۲۴ در نشریه Computers & Education منتشر شد، ارتباط میان استفاده احتمالی دانشجویان از ابزارهای هوش مصنوعی و نتایج امتحانی آن‌ها را بررسی کرد. پژوهشگران با تحلیل نوشته‌های دانشجویان و استفاده از ابزارهای تشخیص متن تولیدشده به‌وسیله هوش مصنوعی، گروه‌هایی را که احتمال استفاده از این ابزارها در آن‌ها بیشتر بود، شناسایی کردند.

نتایج تحلیل آماری نشان داد گروه شناسایی‌شده به‌عنوان کاربران احتمالی هوش مصنوعی، به‌طور متوسط ۶.۷۱ امتیاز از ۱۰۰ امتیاز کمتر از سایر دانشجویان کسب کرده بودند. با این حال، از آنجا که شناسایی کاربران بر اساس ابزارهای تشخیص متن انجام شده و یافته‌ها نیز رابطه آماری را نشان می‌دهند، نمی‌توان نتیجه گرفت که استفاده از هوش مصنوعی به‌طور قطعی باعث افت عملکرد این دانشجویان شده است.

این پژوهش در کنار نتایج مطالعاتی که از اثرات مثبت استفاده آموزشی از هوش مصنوعی حکایت دارند، بر یک نکته تأکید می‌کند: صرف دسترسی به این ابزارها، تضمین‌کننده یادگیری بهتر یا عملکرد تحصیلی بالاتر نیست.

 افزایش نمره لزوماً به معنای افزایش یادگیری نیست

نوید ارجمند، معاون آموزشی و تحصیلات تکمیلی دانشگاه صنعتی شریف در گفت‌وگو با ایسنا، با تأکید بر ضرورت تفکیک نمره از میزان یادگیری دانشجویان گفت افزایش نمرات الزاماً به معنای افزایش یادگیری نیست و برای تحلیل این روند باید قالب امتحانات و روش‌های ارزیابی را نیز در نظر گرفت.

وی با اشاره به اینکه این پدیده به دانشگاه صنعتی شریف محدود نیست، توضیح داد استادان با توجه به اهداف آموزشی درس‌ها، در حال بازنگری در طراحی سؤال‌ها و شیوه‌های ارزیابی هستند.

ارجمند با اشاره به گسترش ابزارهای هوش مصنوعی در محیط‌های آموزشی گفت: آمار دقیقی از میزان استفاده دانشجویان از این ابزارها در اختیار ندارد، اما این فناوری به بخشی از واقعیت محیط دانشگاهی تبدیل شده است.

به گفته وی، برخی استادان دانشگاه صنعتی شریف در کنار آزمون‌های کتبی از امتحانات شفاهی نیز استفاده می‌کنند تا میزان فهم دانشجویان و توانایی آن‌ها در توضیح راه‌حل‌ها را دقیق‌تر بسنجند. ترکیب آزمون‌های شفاهی و کتبی با پروژه‌ها و تمرین‌های عملی، بسته به ماهیت درس و اهداف آموزشی، می‌تواند تصویر جامع‌تری از یادگیری ارائه دهد.

این رویکرد در شرایطی اهمیت بیشتری پیدا می‌کند که دانشجو بتواند برای حل یک مسئله یا تولید پاسخ از ابزارهای هوش مصنوعی کمک بگیرد. در چنین وضعیتی، نمره حاصل از پاسخ نهایی لزوماً مشخص نمی‌کند که دانشجو تا چه اندازه بر مفاهیم و مراحل حل مسئله تسلط دارد.

مسئله فقط تقلب نیست؛ سنجش باید متناسب با شرایط جدید باشد

گسترش هوش مصنوعی مولد، دانشگاه‌ها را با این پرسش روبه‌رو کرده است که آیا شیوه‌های متداول امتحان گرفتن همچنان می‌توانند توانایی علمی دانشجویان را به‌درستی بسنجند؟ مسئله صرفاً استفاده غیرمجاز از ابزارهای هوش مصنوعی نیست؛ این ابزارها می‌توانند در فرایند یادگیری نیز نقش مفیدی داشته باشند، اما اگر ارزیابی فقط بر پاسخ نهایی متمرکز باشد، تشخیص میزان تسلط مستقل دانشجو دشوارتر می‌شود.

ارجمند هوش مصنوعی را صرفاً تهدیدی برای آموزش نمی‌داند و معتقد است این ابزارها می‌توانند در رفع ابهام‌های آموزشی، طراحی تمرین، تولید محتوای کمک‌آموزشی و بهبود فرایند تدریس نیز به کار گرفته شوند.

معاون آموزش دانشگاه صنعتی شریف بر ضرورت یادگیری مبانی علمی پیش از اتکای گسترده به این ابزارها تأکید کرد و گفت: دانشجویان باید ابتدا دانش پایه را فرا بگیرند و سپس از هوش مصنوعی برای تسریع کار یا بررسی پاسخ‌های خود استفاده کنند.

به گفته وی، خروجی این ابزارها نیز باید از نظر صحت و احتمال خطا بررسی شود.

معاون آموزشی و تحصیلات تکمیلی دانشگاه صنعتی شریف همچنین با تأکید بر اهمیت آموزش حضوری گفت: تعامل علمی، کار گروهی و شکل‌گیری ارتباطات دانشگاهی از جنبه‌های مهم تجربه دانشگاهی است و استفاده از هوش مصنوعی لزوماً در تقابل با آموزش حضوری قرار ندارد.

به گفته وی، دانشگاه صنعتی شریف دستورالعمل‌هایی درباره استفاده از هوش مصنوعی در فعالیت‌های آموزشی و تدریس تدوین کرده است.

از مقایسه معدل‌ها تا سنجش واقعی یادگیری

به گزارش ایسنا، افزایش معدل دانشجویان شریف در دوره آموزش و امتحانات مجازی، در کنار گسترش ابزارهای هوش مصنوعی، پرسشی اساسی درباره اعتبار شیوه‌های ارزیابی آموزشی مطرح می‌کند. داده‌های موجود از افزایش نمرات در برخی مقایسه‌ها حکایت دارند، اما برای مشخص شدن علت این تغییرات، به اطلاعات بیشتری درباره دشواری امتحانات، شیوه نمره‌دهی، نوع سؤال‌ها و میزان تسلط دانشجویان بر مطالب درسی نیاز است.

پژوهش‌های مربوط به هوش مصنوعی نیز نه از بی‌فایده بودن این ابزارها حکایت دارند و نه ثابت می‌کنند که استفاده از آن‌ها به‌طور خودکار عملکرد تحصیلی را بهبود می‌دهد. یافته‌ها بیشتر بر اهمیت نحوه استفاده از این فناوری و طراحی متناسب فعالیت‌های آموزشی و ارزیابی تأکید دارند.

در چنین شرایطی، استفاده از آزمون‌های شفاهی، پروژه‌های عملی و پرسش‌هایی که توانایی استدلال و کاربرد دانش را می‌سنجند، می‌تواند در کنار امتحانات کتبی به ارزیابی دقیق‌تر کمک کند.

در نهایت، مسئله اصلی فقط این نیست که معدل دانشجویان افزایش یافته است؛ بلکه باید مشخص شود این افزایش تا چه اندازه با تسلط علمی و یادگیری پایدار همراه بوده و آیا شیوه‌های ارزیابی دانشگاه‌ها می‌توانند در شرایط گسترش هوش مصنوعی، توانایی واقعی دانشجویان را به‌درستی بسنجند یا نه.

انتهای پیام

# علمی‌ و دانشگاهی

آخرین اخبار علمی‌ و دانشگاهی