شفقنا رسانه-زهرا حکیمی: به تازگی معاونت آموزشی دانشگاه آزاد اسلامی در تصمیمی جدید اعلام کرده است که دانشجویان مقطع دکتری (در رشتههای غیرپزشکی) میتوانند در امتحانات پایانترم خود، که بهصورت حضوری برگزار میشود، از تلفن همراه و ابزارهای مبتنی بر هوش مصنوعی استفاده کنند. با این حال، کارشناسان معتقدند که اجرای درست و حرفهای این رویکرد، مستلزم تدوین آییننامهها و ایجاد زیرساختهای متناسبی است که بدون آنها، این تصمیم نمیتواند به نتیجه مطلوب برسد. در همین زمینه، دکتر علی شاکر پژوهشگر حوزه هوش مصنوعی در گفتگو با شفقنا رسانه به شروط اصلی و مهم برای این رویکرد اشاره می کند و می گوید: قواعد روشن و دسترسی برابر همهی دانشجویان، ثبت شفاف و ایمن فرایند پاسخگویی به پرسش ها و احراز مستقل صلاحیت دانشجو فارغ از دسترسیاش به هوش مصنوعی. اگر یکی از این سه حذف شود، دانشگاه دقیقاً نمیداند نمره نهایی حاصل توانایی دانشجوست یا محصول ابزار و امکاناتی که در اختیار او بوده است.
متن گفتگوی شفقنا رسانه با دکتر علی شاکر، پژوهشگر حوزه هوش مصنوعی را بخوانید…
زمانی با تقلب روبهرو هستیم که دانشجو برخلاف مقررات آزمون از هوش مصنوعی استفاده کند/
دانشگاه باید دقیقاً مشخص کند چه ابزارها و چه نوع استفادهای مجاز است/
دانشگاه باید آزمون را طوری طراحی کند که کپیکردن یک پاسخ آماده امتیاز چندانی نداشته باشد
با مجاز شدن استفاده از موبایل و هوش مصنوعی در امتحانات دکتری دانشگاه ازاد، به نظر شما مرز میان «کمک گرفتن از ابزار» و «تقلب» چگونه تعریف میشود؟
به نظرم خوبه ابتدا باید بپذیریم که مرز میان «کمک گرفتن از ابزار» و «تقلب»، یک مرز ذاتی و ثابت در خود فناوری نیست. همان تلفن همراه یا مدل زبانی میتواند در یک آزمون ابزارِ مُجاز یادگیری باشد و در آزمونی دیگر وسیلهی تقلب محسوب شود. عامل تعیینکنندهی اصلی، هدف آزمون و قواعدی است که پیش از برگزاری آن بهصورت روشن اعلام شده است.
اگر استاد اجازه داده باشد دانشجو برای جستوجوی ایده، مقایسه دیدگاهها، یافتن اشکالات یک استدلال یا بررسی اولیه یک مسئله از هوش مصنوعی استفاده کند، این کار میتواند بخشی از توانایی علمی مورد سنجش باشد. البته دانشجو باید مشخص کند از چه ابزاری و برای چه کاری استفاده کرده، صحت اطلاعات را بررسی کند و مسئولیت نهایی پاسخ را بپذیرد. همچنین باید بتواند از پاسخ خود دفاع کند و توضیح دهد چرا بعضی از پیشنهادهای مدل را پذیرفته یا کنار گذاشته است. این یعنی مواجههی انتقادی با ماشین به پشتوانهی داشتههای علمی پیشین. اینجاست که شاید یکی از راههای سنجش عملکرد دانشجو دریافت تاریخچهای از گفتوگوی یا چت علمی او با ماشین باشد. دیدهام برخی همکاران چنین میکنند.
اما زمانی با تقلب روبهرو هستیم که دانشجو برخلاف مقررات آزمون از هوش مصنوعی استفاده کند، استفاده خود را پنهان کند، پاسخ تولیدشده را بدون فهم و ارزیابی به نام کار شخصی تحویل دهد یا انجام تواناییای را که قرار بوده خودش نشان دهد، عملاً به ماشین واگذار کند. به بیان ساده، اگر هدف آزمون سنجش استدلال مستقل دانشجو باشد و مدل بهجای او استدلال کند، دیگر با «کمک» مواجه نیستیم؛ با جایگزینی صاحب پاسخ مواجهیم.
در مورد تلفن همراه، مسئله کمی پیچیدهتر است. موبایل فقط ابزار دسترسی به هوش مصنوعی نیست؛ وسیله ارتباط با افراد دیگر، پیامرسانها و منابع نامحدود اینترنتی هم هست. بنابراین صرف اعلام اینکه استفاده از موبایل مجاز است، مرز روشنی ایجاد نمیکند. دانشگاه باید دقیقاً مشخص کند چه ابزارها و چه نوع استفادهای مجاز است و آیا دانشجو ملزم به ثبت تاریخچه تعاملات و پرامپتهای خود هست یا نه.
بحث تقلب البته با هوش مصنوعی آغاز نشده است. هر نظام آموزشی که بیش از فهم، تخصص و توانایی حل مسئله به مدرک و امتیازهای صوری پاداش بدهد، ناخواسته انگیزه دورزدن فرایند یادگیری را تقویت میکند. بااینحال، این واقعیت مسئولیت دانشگاه را کمتر نمیکند. دانشگاه باید آزمون را طوری طراحی کند که کپیکردن یک پاسخ آماده امتیاز چندانی نداشته باشد و ارزش اصلی به تشخیص خطا، تحلیل زمینه، نقد منابع و دفاع از استدلال داده شود.
پس باید معیارهایی داشته باشیم؛ میزان استفاده از ابزارهای هوشمند مولّد چهقدر است؟ از کدام مدل بزرگ زبانی میتوانند استفاده کنند؟ چندبار میتوانند سوال بپرسند؟ آنچه که میسنجد به توان دانشجو ذهنی مربوط است یا فقط پاسخ اهمیت دارد؟ آیا دانشجو مسئولیت علمی و امکان دفاع از پاسخ نهایی را میپذیرد؟ هرجا یکی از این ارکان جدی نقض شود، استفاده از ابزار میتواند از کمک علمی به تقلب تبدیل شود.
طراحی سؤال باید از «بازیابی اطلاعات» به سمت «نشاندادن توانایی» حرکت کند/
موضوع امتحان فقط «رسیدن به جواب» نیست؛ مسیر رسیدن به جواب هم ارزیابی میشود/
برخی مفاهیم و مهارتهای دانش پایه باید همچنان بدون کمک ابزار سنجیده شوند
اگر قرار باشد هوش مصنوعی در جلسه امتحان استفاده شود، طراحی سؤال باید چه تغییراتی کند تا همچنان توانایی واقعی دانشجو سنجیده شود؟
اگر قرار باشد استفاده از هوش مصنوعی در جلسه امتحان مجاز باشد، طراحی سؤال باید از «بازیابی اطلاعات» به سمت «نشاندادن توانایی» حرکت کند. پرسشی که پاسخ آن با یک جستوجوی ساده یا یک پرامپت عمومی به دست میآید، دیگر نمیتواند توانایی واقعی دانشجو را بسنجد.
یکی از راهها استفاده از موقعیتهای واقعی یا شبهواقعی مرتبط با هر رشته است. برای مثال، در رشته علوم ارتباطات میتوان مجموعهای از مطالب رسانهای، دادههای ناقص، واکنشهای کاربران و محدودیتهای یک سازمان را در اختیار دانشجو گذاشت و از او خواست برای مدیریت یک بحران ارتباطی تصمیم بگیرد. اما صرف ارائه یک سناریو کافی نیست. دانشجو باید نشان دهد از کدام نظریهها و مباحث درس استفاده کرده، چه فرضهایی داشته، چه گزینههایی را کنار گذاشته و چرا به یک تصمیم مشخص رسیده است.
در چنین امتحانی، هوش مصنوعی میتواند برای جستوجوی اولیه، پیشنهاد گزینهها، خلاصهسازی یا آزمودن یک استدلال به کار رود؛ اما پاسخ نهایی باید حاوی قضاوت دانشجو باشد. حتی میتوان از دانشجو خواست پاسخ مدل را نقد کند، خطاها و سوگیریهای آن را نشان دهد، منابع پیشنهادی آن را بررسی کند و نسخه اصلاحشدهای ارائه دهد. به این ترتیب، موضوع امتحان فقط «رسیدن به جواب» نیست؛ مسیر رسیدن به جواب هم ارزیابی میشود. چنین دانشجویی در روز اول کار، با موقعیتهای واقعی بیگانه نیست و خیلی زود کار پیدا میکند. چون همانطور که میدانید در بسیاری از حوزهها مشکل کمبود نیروی کار نیست، بلکه مشکل کمبود نیروی کار آموزشدیده است.
ثبت پرامپتها و خروجیهای اصلی، توضیح کوتاه درباره نحوه استفادهی از ابزار و یک پرسش شفاهی تکمیلی نیز میتواند به استاد کمک کند تا بفهمد دانشجو واقعاً پاسخ را درک کرده است. نهاد تنظیمگر آموزش عالی استرالیا نیز تأکید میکند که در عصر هوش مصنوعی، ارزیابی باید علاوه بر محصول نهایی، فرایند یادگیری و توانایی واقعی دانشجو را نشان دهد و تنها به یک روش سنجش متکی نباشد.
البته این تغییر به معنای کنارگذاشتن دانش پایه نیست. برخی مفاهیم و مهارتها باید همچنان بدون کمک ابزار سنجیده شوند؛ زیرا کسی که مبانی رشته خود را نمیداند، توانایی ارزیابی پاسخ هوش مصنوعی را هم نخواهد داشت. پس بهتر است در طول یک درس، ترکیبی از ارزیابی مستقل و ارزیابی همراه با هوش مولّد وجود داشته باشد.
در این صورت، دانشجو بهجای صرف انرژی برای حفظ جزئیاتی که بهسادگی قابل بازیابیاند، بیشتر بر تحلیل، تصمیمگیری و حل مسئله تمرکز میکند. این نوع طراحی میتواند آموزش دانشگاهی را به مسائل واقعی حرفهای نزدیکتر کند، مشروط بر اینکه انسان و قضاوت او همچنان در مرکز ارزیابی باقی بماند؛ رویکردی که با توصیههای انسانمحور یونسکو نیز هماهنگ است.
البته همهی اینها به شرطی است که خود استاد درس، با ابزارهای و نحوهی عملکرد مدلهای بزرگ زبانی آشنا باشد و پیش از این دستکم برای مرور ادبیات از این ابزار استفاده کرده. اگر استاد مسلط نباشد، کل جریان پوچ است. گویی که به تعداد دانشجویان کلاس، سوالی را از ماشین بپرسیم.
در دانشگاههای معتبر جهان هنوز الگوی واحدی برای استفاده از هوش مصنوعی در امتحانات وجود ندارد/
بیشتر دانشگاهها برای استفاده از هوش مصنوعی از دوگانه «ممنوعیت کامل یا آزادی کامل» فاصله گرفتهاند/
دانشگاه ها برای هر ارزیابی، بر اساس هدف آن، سطح مجاز استفاده از هوش مصنوعی را تعیین میکنند
در دانشگاههای معتبر جهان، استفاده از هوش مصنوعی در امتحانات چگونه مدیریت میشود و آیا تجربه موفقی در این زمینه وجود دارد؟
همین حالا که داریم با هم صحبت میکنیم این چالشی است که بسیاری از مراکز دانشگاهی با آن مواجهاند. در دانشگاههای معتبر جهان هنوز الگویی واحد برای استفاده از هوش مصنوعی در امتحانات وجود ندارد؛ اما سمت و سوی کلی سیاستها تا حد زیادی روشن شده است. خوشبخانه بیشتر دانشگاهها از دوگانه ساده «ممنوعیت کامل یا آزادی کامل» فاصله گرفتهاند و برای هر ارزیابی، بر اساس هدف آن، سطح مجاز استفاده از هوش مصنوعی را تعیین میکنند.
یکی از روشنترین نمونهها دانشگاه سیدنی است. این دانشگاه از سال ۲۰۲۵ ارزیابیهای خود را به دو مسیر تقسیم کرده است. یکی، ارزیابیها بهصورت حضوری و تحت نظارت برگزار میشوند تا دانشگاه مطمئن شود دانشجو دانش و مهارتهای اصلی رشته را بدون کمک بیرونی آموخته است. دومی هم ارزیابیها باز است و دانشجو میتواند از ابزارهای موجود، از جمله هوش مصنوعی، استفاده کند؛ اما باید نشان دهد که چگونه خروجی ابزار را نقد، بررسی و در کار خود ادغام کرده است. استفاده از هوش مصنوعی در امتحانات حضوری و آزمونهای میانترم همچنان بهصورت پیشفرض مجاز نیست، مگر آنکه خود یا دانشکده اجازهاش را صادر کنند.
دانشگاه کالج لندن یا UCL از یک نظام سهسطحی استفاده میکند. در سطح اول، استفاده از هوش مصنوعی ممنوع است و دانشگاه توصیه میکند امتحان تحت نظارت برگزار شود. در سطح دوم، هوش مصنوعی فقط میتواند نقش کمکی داشته باشد؛ مثلاً برای بازبینی زبان، آزمایش کد یا دریافت بازخورد. در سطح سوم، کار با هوش مصنوعی بخشی از هدف امتحان است و ممکن است توانایی دانشجو در پرسشنویسی، مقایسه پاسخ انسان و ماشین، نقد خروجی یا تولید راهحل با کمک ابزار سنجیده شود. استاد موظف است پیش از هر ارزیابی، سطح مجاز استفاده را دقیقاً اعلام کند.
نکته مهم دیگر این است که کالج لندن برای اثبات تقلب به نرمافزارهای تشخیص متن هوش مصنوعی متکی نیست. اگر دربارهی اصالت یک پاسخ تردیدی وجود داشته باشد، ممکن است از دانشجو خواسته شود در یک گفتوگوی کوتاه توضیح دهد چگونه به پاسخ رسیده است. این روش از نظر علمی منطقیتر است، چون ابزارهای تشخیص هوش مصنوعی خطاپذیرند و نمیتوانند بهتنهایی مبنای اتهام قرار گیرند و البته که باید دید آیا این ابزار جای دانشجو «فکر» کرده یا اینکه ایدههای او را «بازنویسی» کرده است.
در دانشگاه آکسفورد استفاده از این ابزارهای هوشمند در هر ارزیابی، در اصل غیرمجاز است مگر اینکه دانشکده یا استاد پیشاپیش و بهصورت کتبی آن را مجاز اعلام کند. در صورت استفاده مجاز نیز دانشجو باید آن را رسماً اظهار کند و مسئولیت صحت، اصالت و کیفیت پاسخ همچنان بر عهده خود اوست. استفاده خارج از محدوده اعلامشده، تقلب یا سرقت علمی محسوب میشود.
دانشگاه موناش نیز برای هر تکلیف یا امتحان دستور جداگانهای تعیین میکند. دانشجو باید سابقه استفاده خود از هوش مصنوعی را نگه دارد، توضیح دهد چه پرسشی از ابزار کرده و چگونه از پاسخ آن استفاده کرده است. این دانشگاه تأکید میکند که بعضی ارزیابیها برای سنجش توانایی مستقل انسانی طراحی شدهاند و در آنها استفاده از هوش مصنوعی مجاز نیست، درحالیکه در برخی دیگر استفاده از آن با اظهار شفاف امکانپذیر است.
دانشگاه کوئینزلند هم میان ارزیابی «امن» و «باز» تفاوت میگذارد. در ارزیابی امن، دانشجو تحت نظارت و تنها با ابزارهای مشخص امتحان میدهد. در ارزیابی باز، امکان استفاده از جزوه، منابع و هوش مصنوعی وجود دارد و تمرکز بر فهم، قضاوت و تفکر خود دانشجوست. از نیمسال دوم سال ۲۰۲۶ این دانشگاه حتی عنوان جداگانهای به نام «استفاده الزامی از هوش مصنوعی» تعریف کرده است؛ یعنی در بعضی امتحانها خودِ انتخاب ابزار، پرامپتنویسی، راستیآزمایی و نحوهی ادغام خروجی هوش مصنوعی نمره دارد.
اما درباره اینکه آیا تجربه موفقی وجود دارد، باید با احتیاط صحبت کرد. بسیاری از سیاستهای جامع دانشگاهی از سال ۲۰۲۴ یا ۲۰۲۵ اجرا شدهاند و هنوز برای داوری قطعی درباره تأثیر بلندمدت آنها بر کیفیت یادگیری، شواهد کافی نداریم.
یکی از معدود تجربههای ارزیابیشده، اجرای «مقیاس ارزیابی هوش مصنوعی» در دانشگاه بریتانیایی ویتنام است. در این الگو، پنج سطح استفاده از هوش مصنوعی، از «بدون هوش مصنوعی» تا «استفاده کامل و انتقادی از هوش مصنوعی»، تعریف شد. مقاله منتشرشده دربارهی این پایلوت از کاهش معنادار موارد تخلف مرتبط با هوش مصنوعی و افزایش مشارکت دانشجویان در استفاده مسئولانه از آن گزارش میدهد. بااینحال، این مطالعهای در یک دانشگاه مشخص است و نباید نتایج آن را بدون بررسی بیشتر به همه رشتهها و نظامهای دانشگاهی تعمیم داد.
بنابراین تجربه جهانی به ما نمیگوید که کافی است تلفن همراه را وارد جلسه امتحان کنیم. تجربه جدیتر میگوید هر برنامه تحصیلی باید بخشی از ارزیابیهای خود را برای احراز توانایی مستقل دانشجو حفظ کند و در بخش دیگری، استفاده شفاف و انتقادی از هوش مصنوعی را بسنجد. در این الگو، قواعد باید پیش از امتحان روشن باشند، دسترسی دانشجویان به ابزارها برابر باشد، نحوه استفاده ثبت شود و استاد بتواند از طریق پرسش تکمیلی یا دفاع شفاهی، فهم واقعی دانشجو را بررسی کند.
پس هرچند که میتوانیم از تجربههای امیدوارکننده سخن گفت، اما هنوز زود است که از یک «مدل موفق قطعی» نام ببریم. آنچه به نسبت موفق به نظر میرسد، خودِ استفاده از هوش مصنوعی نیست؛ بلکه تفکیک دقیق انواع امتحان، شفافیت قواعد و ترکیب سنجش مستقل انسانی با ارزیابی توانایی کار مسئولانه با هوش مصنوعی است.
دانشگاه باید ابزار هوش مصنوعی، حساب کاربری، نسخه مدل و دسترسی اینترنتی نسبتاً یکسانی در اختیار دانشجویان قرار دهد/
ثبت تاریخچهی پرامپتها و خروجیها میتواند بخشی از ارزیابی باشد
آیا بدون زیرساختهایی مانند سامانههای کنترل دسترسی، ثبت تاریخچه پرامپت یا محدودسازی اینترنت، امکان اجرای عادلانه چنین طرحی وجود دارد؟
به طبع، بدون زیرساخت مشخص، اجرای کاملاً عادلانه و قابل دفاع چنین طرحی دشوار است. البته زیرساخت لزوماً به معنای ایجاد یک نظام سنگین مراقبتی یا کنترل لحظهبهلحظه دانشجو نیست. نوع کنترل باید با هدف و شکل هر امتحان تناسب داشته باشد.
نخستین مسئله، برابری دسترسی است. وقتی دانشجویان با تلفنهای متفاوت، اینترنتهایی با کیفیت نابرابر و نسخههای رایگان یا پولی مدلهای هوش مصنوعی وارد جلسه شوند، در عمل همه با ابزار یکسان امتحان نمیدهند. نسخه حرفهای یک مدل ممکن است سریعتر و دقیقتر یا حتی امکانات بیشتری داشته باشد. پس اگر استفاده از هوش مصنوعی بخشی از آزمون است، دانشگاه باید ابزار، حساب کاربری، نسخه مدل و دسترسی اینترنتی نسبتاً یکسانی در اختیار همه قرار دهد. برای نمونه، دانشگاه سیدنی در کنار سیاست جدید ارزیابی خود، دسترسی رایگان دانشجویان و کارکنان به یک ابزار سازمانی هوش مصنوعی را فراهم کرده است.
مسئله دوم، مشخصبودن مسیر تولید پاسخ است. ثبت تاریخچهی پرامپتها و خروجیها نباید فقط برای پیدا کردن متخلف باشد؛ همانطور که پیشتر هم اشاره کردم، این سابقه میتواند بخشی از خود ارزیابی باشد. استاد از طریق آن میبیند دانشجو چه پرسشی مطرح کرده، پاسخ مدل را چگونه ارزیابی کرده و چه بخشهایی را تغییر داده است. دانشگاه موناش از دانشجویان میخواهد نحوه استفاده از هوش مصنوعی را ثبت کنند و در صورت امکان گفتوگوها، پرامپتها و پاسخها را نگه دارند یا از آنها تصویر تهیه کنند.
اما ثبت پرامپت بهتنهایی کافی نیست. پژوهشی در دو دانشگاه بریتانیا (۲۰۲۵) نشان داده است که استادان عموماً نمیتوانند صرفاً با خواندن پاسخ نهایی تشخیص دهند که هوش مصنوعی در تولید آن نقش داشته است. حتی واقعی و حرفهای به نظر رسیدن تکلیف نیز بهتنهایی تضمینکننده اصالت پاسخ نبود. این یافته نشان میدهد که دانشگاه نمیتواند فقط به قدرت تشخیص استاد یا نرمافزارهای شناسایی متن هوش مصنوعی تکیه کند.
درباره محدودسازی اینترنت نیز نمیتوان حکم واحدی داد. اگر آزمون از نوع «باز» باشد و استاد بگذارد تا دانشجو از منابع مختلف استفاده کند، قطع یا محدودسازی شدید اینترنت ضرورت ندارد. در این حالت، توانایی جستوجو، انتخاب منبع و ارزیابی اطلاعات بخشی از مهارت مورد سنجش است. اما اگر فقط استفاده از یک ابزار مشخص هوش مصنوعی مجاز باشد و ارتباط با افراد دیگر یا استفاده از پاسخهای آماده ممنوع باشد، اینترنت آزاد روی تلفن شخصی عملاً اجرای این تفکیک را ناممکن میکند. پیامرسان، ایمیل، موتور جستوجو و ارتباط با فرد بیرون از جلسه همه در همان دستگاه قرار دارند.
نهاد تنظیمگر آموزش عالی استرالیا، نیز تأکید میکند که تشخیص قطعی استفاده از هوش مصنوعی در بسیاری از ارزیابیها تقریباً ناممکن است. راهحل پیشنهادی آن، اتکای صرف به ابزارهای تشخیص نیست، بلکه تعیین حدود مجاز هوش مصنوعی، طراحی ارزیابیهایی است که استفاده از هوش مصنوعی نتیجه سنجش را مخدوش نکند و ایجاد نقاط امنی است که دانشجو بتواند توانایی خود را مستقلاً نشان دهد. این نقاط میتواند امتحان حضوری، دفاع شفاهی، فعالیت کلاسی یا نمایش عملی مهارت باشد.
بنابراین، زیرساخت حداقلی باید شامل دسترسی برابر، ابزار دانشگاهی مشخص، اعلام دقیق حدود استفاده، ثبت فرایند تعامل با هوش مصنوعی، احراز هویت دانشجو و امکان یک پرسش یا دفاع تکمیلی باشد. در آزمونهای محدود نیز محیط دیجیتال کنترلشده لازم است. در غیر این صورت، ممکن است نمرهی دانشجو بیش از آنکه میزان دانش و قضاوت او را نشان دهد، کیفیت تلفن، اشتراک نرمافزاری، اینترنت و مهارت دورزدن مقررات را اندازه بگیرد.
در عین حال، نباید به بهانه کنترل، حریم خصوصی دانشجویان را نادیده گرفت. بهتر است دانشگاه بهجای دسترسی گسترده به تلفن شخصی، ابزار و محیط امتحانی متعلق به خود را فراهم کند و فقط اطلاعات ضروری را ثبت کند. یونسکو نیز در راهنمای انسانمحور خود، حفاظت از دادههای کاربران و استفاده ایمن، عادلانه و معنادار از هوش مصنوعی را از پیششرطهای ورود این فناوری به آموزش میداند.
پژوهشگر آینده باید ضمن توانایی استفاده از ابزارهای هوشمند، مسئولیت نتیجه را به ماشین واگذار نکند
این تصمیم چه تأثیری بر اعتبار مدرک دکتری و اعتماد جامعه دانشگاهی به نظام ارزیابی خواهد داشت؟
اثر این تصمیم به خودِ استفاده از هوش مصنوعی وابسته نیست؛ به این بستگی دارد که دانشگاه پس از پایان امتحان بتواند با اطمینان توضیح دهد دقیقاً چه تواناییای از دانشجو سنجیده شده است. مدرک دانشگاهی، بهویژه مدرک دکتری، در واقع ادعای دانشگاه دربارهی صلاحیت علمی دارنده آن است. یعنی دانشگاه اعلام میکند این فرد میتواند مسئله را بفهمد، مستقل استدلال کند، روش پژوهش را به کار بگیرد، منابع را نقد کند و از قضاوت علمی خود دفاع کند.
اگر هوش مصنوعی بدون ضابطه روشن وارد امتحان شود، ممکن است این ادعا مبهم شود. جامعه دانشگاهی، کارفرما یا نهاد علمی حق دارد بپرسد نمرهای که دانشجو گرفته، نشاندهنده دانش و قدرت تحلیل اوست یا حاصل کیفیت مدلی است که در اختیار داشته، مهارت او در پرامپتنویسی یا حتی دسترسیاش به نسخههای پولی و امکانات بهتر؟ اگر استادان و واحدهای مختلف نیز قواعد متفاوتی اجرا کنند، دو دانشجو ممکن است با شرایط کاملاً نابرابر یک مدرک مشابه دریافت کنند. در چنین وضعی، مسئله فقط احتمال تقلب نیست؛ اعتبار خودِ سنجش زیر سؤال میرود.
اما نتیجه لزوماً منفی نیست. استفاده درست از هوش مصنوعی حتی میتواند معنای مدرک دکتری را به واقعیتهای علمی و حرفهای امروز نزدیکتر کند. پژوهشگر آینده باید بتواند از ابزارهای هوشمند استفاده کند، اما در عین حال خطا، سوگیری و محدودیت آنها را بشناسد و مسئولیت نتیجه را به ماشین واگذار نکند. بنابراین دانشگاه باید هم توانایی مستقل دانشجو را احراز کند و هم توانایی همکاری انتقادی او با هوش مصنوعی را بسنجد.
راه منطقی، ترکیب چند نوع ارزیابی است. در بخشهایی از دوره، دانشجو باید بدون کمک بیرونی و در شرایط کنترلشده، دانش و مهارتهای اصلی خود را نشان دهد.
پس، چنین تصمیمی اعتبار مدرک را یکشبه از بین نمیبرد یا افزایش نمیدهد. اعتماد جامعهی دانشگاهی بهتدریج و از طریق شفافیت، ثبات مقررات و کیفیت اجرای ارزیابی ساخته میشود. اگر دانشگاه آزاد بتواند نشان دهد که استفاده از هوش مصنوعی جای فهم و قضاوت دانشجو را نگرفته است، این سیاست میتواند قابل دفاع باشد. اما اگر سیاست به جمله ساده «موبایل و هوش مصنوعی آزاد است» محدود بماند، بدون اینکه سازوکار احراز صلاحیت علمی روشن باشد، احتمالاً بهجای افزایش اعتماد، ابهام موجود درباره اعتبار ارزیابی را بیشتر خواهد کرد که این یعنی ابهام بیشتر استادان در تایید کردن/نکردن مدرک دانشجوی دکتری؛ در شرایطی که تعداد رسالهها هم زیاد باشد، فشار بروکراتیک دانشگاه و همچنین فشار دانشجو سبب میشود استادان در جلسهی دفاع از حساسیتهای علمیشان کم کنند و رساله را بپذیرند.
دانشگاه آزاد باید یک آییننامه ارزیابی مبتنی بر هوش مصنوعی تدوین کند/
برای هر امتحان باید پیشاپیش مشخص کند چه ابزارهایی، برای چه کارهایی و تا چه حد مجازند/
اگر استاد درباره اصالت یا فهم پاسخ تردید دارد، دانشجو باید بتواند منطق پاسخ خود را توضیح دهد/
یونسکو بر استفاده انسانی، ایمن و عادلانه از هوش مصنوعی تأکید دارد
به نظر شما دانشگاه آزاد پیش از اجرای این سیاست باید چه آییننامهها و زیرساختهایی را تدوین کند تا این تصمیم از یک شعار فناورانه به یک دستورالعمل اجرایی تبدیل شود؟
کم و بیش در پرسشهای پیشین، پاسخ دادم اما برای جمعبندی کوتاهتر باید بگویم که پیش از اجرای سراسری این سیاست، این دانشگاه باید یک آییننامه ارزیابی مبتنی بر هوش مصنوعی تدوین کند، نه اینکه فقط استفاده از موبایل و هوش مصنوعی را مجاز اعلام کند. واگذاری همهچیز به تشخیص استاد، بدون یک چارچوب مشترک، باعث میشود یک رفتار در کلاس الف مجاز و در کلاس ب تقلب محسوب شود.
نخست، همه امتحانها باید بر اساس هدف آموزشی در سه دسته قرار گیرند: امتحانهایی که استفاده از هوش مصنوعی در آنها ممنوع است، امتحانهایی که هوش مصنوعی فقط نقش کمکی دارد و امتحانهایی که کار انتقادی با هوش مصنوعی بخشی از مهارت مورد سنجش است. برای هر امتحان باید پیشاپیش مشخص شود چه ابزارهایی، برای چه کارهایی و تا چه حد مجازند. شبیه کاری که کالج لندن میکند.
همچنین دانشگاه باید دسترسی برابر ایجاد کند. دانشجویان نباید با تلفنهای متفاوت، اینترنتهای نابرابر و نسخههای رایگان و پولی مدلها با یکدیگر رقابت کنند. بهتر است دانشگاه حساب کاربری سازمانی، نسخه یکسان ابزار و شبکه امتحانی مشخصی فراهم کند. شبیه کاری که دانشگاه سیدنی لندن میکند.
آییننامهی دانشگاه آزاد میبایست مشخص کند چه چیزی ثبت میشود. در امتحانهای هوش مصنوعیمحور، نگهداری پرامپتها، خروجیهای اصلی، منابع بررسیشده و اصلاحات دانشجو میتواند بخشی از پرونده پاسخ باشد. هدف از این ثبت مراقبت دائمی از دانشجو نیست، بلکه میخواهیم مسیر رسیدن به پاسخ را قابل بررسی کنیم. دسترسی دانشگاه به تلفن شخصی دانشجو راه مناسبی نیست. باید یک محیط دانشگاهی مشخص ایجاد شود و فقط دادههای ضروری، برای مدت محدود و با قواعد شفاف ذخیره شوند.
نکتهی دیگر این است که معیار نمرهدهی باید تغییر کند. نمره نباید فقط به متن نهایی تعلق بگیرد. توانایی طرح سؤال مناسب، تشخیص خطا و سوگیری، راستیآزمایی منابع، اصلاح خروجی و دفاع از تصمیم نیز باید ارزیابی شود. در کنار آن، دانشجو باید در طول دوره دستکم در چند موقعیت کنترلشده، توانایی مستقل خود را بدون کمک هوش مصنوعی نشان دهد.
همچنین باید امکان دفاع شفاهی یا پرسش تکمیلی وجود داشته باشد. اگر استاد درباره اصالت یا فهم پاسخ تردید دارد، دانشجو باید بتواند منطق پاسخ خود را توضیح دهد. نتیجه نرمافزارهای تشخیص متن هوش مصنوعی نباید بهتنهایی مبنای اتهام یا محرومیت قرار گیرد و به جای آن میبایست به مسیر گفتوگوی دانشجو با ماشین نگاه کنیم.
در نهایت، آییننامه باید حفاظت از داده، شیوهی رسیدگی به تخلف، حق اعتراض دانشجو، آموزش اجباری استادان و ارزیابی دورهای طرح را پوشش دهد. یونسکو نیز هشدار داده است که نبود مقررات روشن، حریم خصوصی کاربران را آسیبپذیر میکند و بر استفاده انسانی، ایمن و عادلانه از هوش مصنوعی تأکید دارد.
بهتر بود این سیاست ابتدا در چند درس و واحد دانشگاهی بهصورت آزمایشی اجرا شود، نتایج آن بررسی شود و بعد گسترش پیدا کند. فناوری را میتوان با یک بخشنامه وارد جلسه امتحان کرد؛ اما اعتماد، عدالت و اعتبار سنجش با بخشنامه به وجود نمیآیند.
اگر شما مسئول تدوین آییننامه این طرح بودید، سه شرط غیرقابل چشمپوشی برای اجرای مجاز استفاده از موبایل و هوش مصنوعی در امتحانات دکتری چه بود؟
همانطور که در پرسش پیشین پاسخ دادم، سه شرط اصلیام عبارتند از؛ قواعد روشن و دسترسی برابر همهی دانشجویان، ثبت شفاف و ایمن فرایند پاسخگویی به پرسش ها و احراز مستقل صلاحیت دانشجو فارغ از دسترسیاش به هوش مصنوعی. اگر یکی از این سه حذف شود، دانشگاه دقیقاً نمیداند نمره نهایی حاصل توانایی دانشجوست یا محصول ابزار و امکاناتی که در اختیار او بوده است.
منبع:
Kofinas, A. K., Tsay, C. H. H., & Pike, D. (2025). The impact of generative AI on academic integrity of authentic assessments within a higher education context. British Journal of Educational Technology, 56(6), 2522-2549.
