هوش مصنوعی
هوش مصنوعی شاخه‌ای از علوم رایانه‌ای است که به توسعه نظام‌ها و الگوریتم‌هایی می‌پردازد که توانایی انجام وظایفی را دارند؛ وظایفی که به‌طور معمول نیازمند هوش انسانی هستند. وظایف مزبور می‌توانند شامل یادگیری، استدلال، حل مسئله، درک زبان طبیعی، تشخیص الگوها و تصمیم‌گیری باشند (گونزالز و همکاران، 2021).
نقش هوش مصنوعی در فرایند سنجش
هوش مصنوعی با راه‌های متفاوتی می‌تواند به فرایند سنجش آموزشی کمک کند:
1. ارزیابی خودکار و ارائه بازخورد شخصی‌سازی‌شده
هوش مصنوعی قادر است به‌طور خودکار پاسخ‌های دانش‌آموزان را تحلیل و ارزیابی کند. با استفاده از الگوریتم‌های یادگیری ماشین و تحلیل داده‌های متنی، سامانههای هوش مصنوعی می‌توانند پاسخ‌های پیچیده‌ای را، مانند ارزیابی مقاله‌ها و نوشته‌ها، و ارائه بازخورد شخصی‌سازی‌شده، انجام دهند و بازخورد عرضه کنند؛ بازخوردی که شامل نقاط قوت و ضعف دانش‌آموز و توصیه‌هایی برای بهبود تحصیل او باشد.
2. نظارت هوشمند
سامانههای هوش مصنوعی می‌توانند با تحلیل رفتارهای دانش‌آموزان در حین آزمون، تقلب و رفتارهای غیرعادی را شناسایی کنند. با استفاده از فن‌های بینایی ماشین و تحلیل داده‌های رفتاری، این سامانه‌ها قادرند الگوهای مشکوک را شناسایی و از این طریق به افزایش صحت و اعتبار آزمون‌ها کمک کنند.
3. تحلیل داده‌های آزمون
هوش مصنوعی قادر است تحلیل سریع و دقیقی از داده‌های آزمون‌ها به دست دهد. این تحلیل‌ها می‌توانند الگوها و روندهای یادگیری را شناسایی و به معلمان و مدیران آموزشی کمک کنند تصمیم‌های خود را مبتنی بر داده‌های دقیق اتخاذ کنند. برای مثال، تحلیل‌های هوش مصنوعی ممکن است نشان دهند کدام مفهوم‌ها برای دانش‌آموزان چالش‌برانگیزترند و به تدریس مجدد نیاز دارند.
4. سنجش مهارت‌ها و اندازه‌گیری
هوش مصنوعی می‌تواند مهارت‌ها و ویژگی‌هایی را که به‌سادگی قابل اندازه‌گیری نیستند، ارزیابی کند. این مورد شامل مهارت‌هایی مانند همکاری، تفکر انتقادی و خلاقیت می‌شود. سامانههای هوش مصنوعی با تحلیل رفتارها و تعاملات دانش‌آموزان می‌توانند این مهارت‌ها را ارزیابی کنند و بازخوردهای مفیدی ارائه دهند.
5. پیش‌بینی عملکرد آینده
هوش مصنوعی با استفاده از داده‌های تاریخی و الگوریتم‌های یادگیری ماشین می‌تواند عملکرد آینده دانش‌آموزان را پیش‌بینی کند. این پیش‌بینی‌ها به معلمان کمک می‌کنند به موقع مداخلات آموزشی لازم را انجام دهند و از افت تحصیلی جلوگیری کنند. چنین قابلیتی، به‌ویژه در شناسایی دانش‌آموزانی که به حمایت بیشتری نیاز دارند، مفید است (Halagatti, et al., 2023؛ Russell & Norvig, 2020).
چالش‌ها و خطرات استفاده از هوش مصنوعی در سنجش
استفاده از هوش مصنوعی در سنجش آموزشی با تمام مزیت‌هایی که دارد، با چالش‌ها و خطراتی نیز همراه است که باید به دقت بررسی شوند. در ادامه، به برخی از مهم‌ترین چالش‌ها و خطرات استفاده از هوش مصنوعی در سنجش می‌پردازیم:
1. مسائل حریم خصوصی و امنیت داده‌ها
یکی از بزرگ‌ترین چالش‌ها در استفاده از هوش مصنوعی، حفظ حریم خصوصی دانش‌آموزان و امنیت داده‌هاست. جمع‌آوری و تحلیل داده‌های حساس آموزشی نیازمند اقدامات امنیتی قوی است تا از سوءاستفاده و دسترسی غیرمجاز به این داده‌ها جلوگیری شود. همچنین، رعایت مقررات حفاظت از داده‌ها مانند «مقررات عمومی حفاظت از داده»2 در اتحادیه اروپا و قوانین مشابه در سایر کشورها الزامی است.
2. تبعیض و بی‌عدالتی
الگوریتم‌های هوش مصنوعی ممکن است به‌طور ناخواسته تبعیض‌آمیز باشند. تبعیض می‌تواند از داده‌های آموزش الگوریتم ناشی شود که تمام گروه‌های اجتماعی را به‌صورت منصفانه نمایانگر نکند. برای مثال، الگوریتم‌هایی که بر اساس داده‌های تاریخی آموزش داده شده‌اند، ممکن است نابرابری‌های گذشته را تکرار و تقویت کنند.
3. نبود قابلیت توضیح
یکی از مشکلات اصلی هوش مصنوعی در سنجش، نبود شفافیت و قابلیت توضیح نتایج است. الگوریتم‌های پیچیده و مدل‌های یادگیری عمیق معمولاً به‌صورت «جعبه سیاه» عمل می‌کنند که فرایند تصمیم‌گیری آن‌ها برای کاربران و حتی توسعه‌دهندگان ناشناخته است. این نبود شفافیت می‌تواند به کاهش اعتماد به نتایج و تصمیم‌گیری‌های هوش مصنوعی منجر شود.
5. تأثیرات روانی و اجتماعی
هوش مصنوعی در سنجش می‌تواند تأثیرات روانی و اجتماعی متفاوتی بر دانش‌آموزان و معلمان بگذارد. نگرانی از ارزیابی‌های ماشینی و احساس نظارت دائمی می‌تواند به فشار روانی (استرس) و اضطراب در دانش‌آموزان بینجامد. همچنین، اتکای بیش از حد به هوش مصنوعی ممکن است از تعاملات انسانی در فرایند آموزش بکاهد (Luckin, et al., 2016).
نمونه‌ای از استفاده از هوش مصنوعی در سنجش:
دانشگاه ویرجینیا
دانشگاه ویرجینیا یکی از نمونه‌های برجسته استفاده از هوش مصنوعی در سنجش را به نمایش گذاشته است. این دانشگاه از یک سامانه هوش مصنوعی به نام «گریداسکوپ»3 استفاده می‌کند. گریداسکوپ یک برنامه ارزیابی برخط است که با بهره‌گیری از هوش مصنوعی و یادگیری ماشین، فرایند ارزیابی و نمره‌دهی را برای استادان و دانشجویان آسان می‌کند.
ویژگی‌های گریداسکوپ
• نمره‌دهی خودکار: این سامانه قادر است به‌صورت خودکار پاسخ‌های دانشجویان را به سؤال‌های چندگزینه‌ای، تشریحی و حتی مسائل ریاضی نمره‌دهی کند. این کار با استفاده از الگوریتم‌های یادگیری ماشین و تحلیل الگوها انجام می‌شود.
• بازخورد سریع و دقیق: دانشجویان می‌توانند به‌سرعت بازخورد دریافت کنند که شامل نقاط قوت و ضعفشان است و پیشنهادهایی هم برای بهبود یادگیری‌شان دارد.
• تشخیص تقلب: از فناوری‌‌های پیشرفته برای شناسایی الگوهای غیرعادی و تقلب در پاسخ‌های دانشجویان استفاده می‌کند. این سامانه می‌تواند رفتارهای مشکوک را شناسایی و گزارش کند.
• تحلیل داده‌ها: سامانه با تحلیل داده‌های آزمون، اطلاعات دقیقی درباره عملکرد کلی کلاس، نقاط ضعف و قوت هر دانشجو و الگوهای یادگیری به استادان می‌دهد.
مزیت‌ها:
• صرفه‌جویی در زمان: استادان می‌توانند زمان کمتری را صرف نمره‌دهی کنند و روی تدریس و تعامل با دانشجویان بیشتر متمرکز شوند.
• دقت و انسجام بیشتر: استفاده از هوش مصنوعی در نمره‌دهی به کاهش خطاهای انسانی و افزایش انسجام در ارزیابی‌ها کمک می‌کند.
• بهبود یادگیری: بازخورد سریع و دقیق به دانشجویان کمک می‌کند نقاط ضعف خود را سریع‌تر شناسایی و اصلاح کنند (University of Virginia, 2024).
بازخوردهای استفاده از گریداسکوپ در دانشگاه ویرجینیا
استفاده از سامانه گریداسکوپ در دانشگاه ویرجینیا با بازخوردهای مثبت و مفید استادان، دانشجویان و سایر کارکنان آموزشی مواجه شده است. بسیاری از استادان دانشگاه ویرجینیا اشاره کرده‌اند، استفاده از گریداسکوپ زمان لازم برای نمره‌دهی به آزمون‌ها و تکالیف را به طور چشمگیری کاهش داده است. این سامانه به آن‌ها اجازه می‌دهد وقت بیشتری را صرف تدریس و تعامل با دانشجویان کنند. همچنین، استادان گزارش داده‌اند، استفاده از هوش مصنوعی در نمره‌دهی، به بهبود دقت و انسجام در ارزیابی‌ها کمک کرده است، چرا که خطاهای انسانی به حداقل رسیده‌اند. استادان معتقدند، ارائه بازخورد سریع و دقیق بر انگیزه و بهبود عملکرد دانشجویان افزوده است. بازخوردهای شخصی‌سازی‌شده و تحلیل‌های دقیق به دانشجویان کمک می‌کند نقاط ضعف خود را شناسایی و برطرف کنند. دانشجویان نیز از این سامانه راضی بوده‌اند، چرا که می‌توانند بازخوردهای سازنده و فوری دریافت کنند. این بازخوردها شامل نقاط قوت و ضعف آن‌ها و راهنمایی‌های دقیق برای بهبود عملکرد است. دانشجویان گزارش داده‌اند، بازخوردهای سریع و دقیق به آن‌ها کمک کرده است بهتر و سریع‌تر به مفاهیم و مطالب درسی مسلط شوند. یکی دیگر از جنبه‌های مثبت گزارش‌شده توسط دانشجویان، شفافیت و عدالت در فرایند نمره‌دهی است. آن‌ها احساس می‌کنند نمره‌ها و ارزیابی‌ها دقیق و عادلانه‌تر هستند و کمتر تحت تأثیر عوامل انسانی قرار می‌گیرند. مدیران آموزشی نیز از استفاده از گریداسکوپ راضی بوده‌اند، چرا که این سامانه مدیریت فرایندهای سنجش و ارزیابی را بهبود بخشیده است. تحلیل‌های دقیق و گزارش‌های سامانه، برای تصمیم‌گیری‌های راهبردی و بهبود برنامه‌های آموزشی اطلاعات مفیدی به آن‌ها داده است. در مجموع، بازخوردهای مثبت استادان، دانشجویان و کارکنان آموزشی نشان می‌دهد، استفاده از این هوش مصنوعی در سنجش آموزشی می‌تواند به بهبود کارایی، دقت و رضایت عمومی کمک کند (همان).
جمع‌بندی
سنجش به کمک هوش مصنوعی یک تحول بزرگ در حوزه آموزش است که با استفاده از فناوری‌‌های پیشرفته داده‌کاوی، یادگیری ماشین و تحلیل داده‌ها، فرایند ارزیابی را کارآمدتر و دقیق‌تر می‌کند. این فناوری قادر است نمره‌دهی خودکار، بازخورد شخصی‌سازی‌شده، تشخیص تقلب، تحلیل داده‌های آزمون، سنجش مهارت‌های غیرقابل اندازه‌گیری و پیش‌بینی عملکرد آینده را به طور مؤثری انجام دهد. سنجش به کمک هوش مصنوعی می‌تواند در فرایندهای آموزشی انقلابی ایجاد کند. با کمک این فناوری، نمره‌دهی دقیق‌تر، بازخورد سریع‌تر و ارزیابی‌های منصفانه‌تر امکان‌پذیر است. با تدوین و اجرای راهبردهای مناسب و نظارت دقیق، می‌توان از این فناوری بهره برد و خطرات احتمالی را به حداقل رساند.
پی‌نوشت‌ها
1. Artificial Intelligence
2. The General Data Protection Regulation
3. Gradescope