وقتی دسترسی به پاسخ آسان‌تر می‌شود، توانایی تشخیص مسئله و ارزیابی پاسخ‌ها به مهارتی تعیین‌کننده تبدیل خواهد شد
هوش مصنوعی ؛بازتعریف پرسشگری
محمد جواد اصغری
برای مدت طولانی، بخش مهمی از آموزش بر انتقال اطلاعات و سنجش توانایی افراد در به‌خاطر سپردن و بازتولید آن‌ها استوار بوده است. دانش‌آموز باید پاسخ درست را پیدا می‌کرد، دانشجو باید مفاهیم را به یاد می‌آورد و کارمند متخصص باید بر مجموعه‌ای از اطلاعات و روش‌های اجرایی مسلط می‌بود. این مهارت‌ها همچنان اهمیت دارند، اما گسترش هوش مصنوعی پرسشی تازه مطرح کرده است: وقتی می‌توان پاسخ بسیاری از پرسش‌ها را در چند ثانیه دریافت کرد، کدام توانایی‌ها بیش از گذشته اهمیت پیدا می‌کنند؟
دسترسی سریع به پاسخ، به معنای دسترسی خودکار به حقیقت نیست. سامانه‌های هوش مصنوعی می‌توانند اطلاعات مفید ارائه دهند، مسائل پیچیده را توضیح دهند و در تحلیل داده‌ها کمک کنند؛ اما ممکن است اشتباه کنند، زمینه‌ای مهم را نادیده بگیرند یا پاسخی روان و قانع‌کننده بسازند که از نظر factual دقیق نباشد. بنابراین، در محیطی که تولید پاسخ آسان شده است، توانایی طرح پرسش درست و ارزیابی پاسخ اهمیت بیشتری پیدا می‌کند.
پرسش خوب صرفاً پرسشی نیست که جمله‌بندی مناسبی داشته باشد. پرسش خوب از شناخت مسئله آغاز می‌شود؛ از اینکه فرد بداند چه چیزی را نمی‌داند، چه فرض‌هایی در ذهن دارد و برای تصمیم‌گیری به چه شواهدی نیازمند است. کسی که مسئله را به‌درستی تعریف نمی‌کند، حتی با دسترسی به قدرتمندترین ابزارها نیز ممکن است به نتیجه‌ای نامرتبط برسد. هوش مصنوعی می‌تواند در روشن‌کردن مسیر جست‌وجو کمک کند، اما اگر هدف از ابتدا اشتباه تعریف شده باشد، سرعت بیشتر تنها ما را زودتر به مقصدی نادرست می‌رساند.
این موضوع برای نظام آموزشی اهمیت ویژه‌ای دارد. اگر استفاده از ابزارهای هوشمند تنها با ممنوعیت یا آزادسازی بی‌قیدوشرط پاسخ داده شود، بخش مهمی از مسئله نادیده می‌ماند. ممنوعیت کامل می‌تواند آموزش را از واقعیت محیط‌های کاری آینده دور کند؛ استفاده بدون قاعده نیز ممکن است به وابستگی، کاهش تمرین ذهنی و ارائه کارهایی منجر شود که دانش‌آموز یا دانشجو درک عمیقی از آن‌ها ندارد. راه دشوارتر اما مفیدتر، طراحی تکالیف و روش‌های ارزیابی‌ای است که فرایند فکرکردن را نیز آشکار کنند.
برای مثال، در یک تکلیف پژوهشی، صرف تحویل متنی منسجم نمی‌تواند نشان دهد که دانشجو مسئله را فهمیده است. باید روشن شود که او چگونه موضوع را انتخاب کرده، منابع را چگونه سنجیده، با اطلاعات متناقض چه کرده و چرا به یک نتیجه مشخص رسیده است. گفت‌وگوی شفاهی، دفاع از استدلال، بررسی نمونه‌های واقعی و بازنگری در پاسخ‌ها می‌توانند در کنار ابزارهای دیجیتال، تصویر دقیق‌تری از یادگیری ارائه دهند.
در محیط کار نیز همین تغییر قابل مشاهده است. کارشناس موفق آینده الزاماً کسی نیست که بیشترین اطلاعات را در حافظه داشته باشد؛ او باید بتواند مسئله را از دل انبوه داده‌ها بیرون بکشد، فرضیه‌های مختلف را مقایسه کند و محدودیت‌های پاسخ تولیدشده را بشناسد. البته دانش پایه همچنان ضروری است. کسی که هیچ شناختی از یک حوزه ندارد، معمولاً نمی‌تواند خطای ظریف یک پاسخ تخصصی را تشخیص دهد. ارزیابی درست، بدون برخورداری از دانش کافی، به دشواری ممکن است.
در این میان، یک خطر کمتر دیده‌شده نیز وجود دارد: اگر افراد به دریافت فوری پاسخ عادت کنند، ممکن است تحمل ابهام و تلاش برای حل مستقل مسئله را از دست بدهند. یادگیری همیشه مسیری مستقیم و سریع نیست. گاهی فهم واقعی در مکث، آزمون، اشتباه و اصلاح شکل می‌گیرد؛ همان بخش‌هایی که وسوسه استفاده از پاسخ آماده می‌تواند از تجربه ما حذف کند.
هوش مصنوعی ارزش دانستن را از بین نمی‌برد، بلکه معیارهای استفاده از دانش را تغییر می‌دهد. پاسخ آماده، نقطه پایان تفکر نیست؛ باید آغاز بررسی باشد. جامعه‌ای که فقط سرعت دسترسی به اطلاعات را افزایش دهد، لزوماً جامعه‌ای آگاه‌تر نخواهد شد. آنچه اهمیت دارد، توانایی تبدیل اطلاعات به فهم، فهم به قضاوت و قضاوت به تصمیم مسئولانه است. در چنین شرایطی، پرسیدن مهم‌تر می‌شود؛ نه به این دلیل که جواب‌ها بی‌ارزش شده‌اند، بلکه چون هر پاسخی بدون پرسش درست و ارزیابی دقیق، می‌تواند ما را از حقیقت دورتر کند.
