پژوهشگران نتایج یک کارآزمایی تصادفیسازیشده و کنترلشده را منتشر کردند که از پیش ثبت شده بود و طی سه نیمسال در 19 دانشگاه انجام شد. در این مطالعه، 7,200 دانشجو از اپلیکیشنهای هوش مصنوعی استفاده کردند که استادان درسهای خودشان ساخته بودند. ابزارهای هوش مصنوعی تنوع زیادی داشتند؛ از بازخورد خودکار درباره مقالهها گرفته تا اسکریپتهای اختصاصی برای تولید مسئله. هر استاد ابزارهایی را طراحی کرده بود که به نظرش بیشترین کمک را به کلاسش میکرد. در پایان نیمسال، دانشجویان در امتحانهای حضوریِ تحتنظارت شرکت کردند که نمیشد با هوش مصنوعی در آنها کمک گرفت. دانشجویانی که از ابزارهای طراحیشده بهدست استادان استفاده کرده بودند، در این سنجشهای «مقاوم در برابر هوش مصنوعی» نمرههای بالاتری از همتایانی گرفتند که از هیچ ابزار هوش مصنوعی یا از چتباتهای عمومی استفاده نکرده بودند. این کارآزمایی هیچ تغییر قابلاندازهگیریای در دفعات ورود دانشجویان به سامانههای درسی نشان نداد و امتیازهایی را هم که دانشجویان در ارزیابی درسها داده بودند تغییر نداد. به بیان دیگر، مداخلات هوش مصنوعی نتایج یادگیری را بهبود دادند، بیآنکه مشارکت کلی یا امتیاز رضایت افزایش پیدا کند. نویسندگان میگویند پژوهشهای قبلی نشان دادهاند ابزارهای عمومی هوش مصنوعی گاهی به یادگیری آسیب میزنند، اما این مطالعه حاکی از آن است که اگر طراحی ابزار در اختیار استادان باشد، هوش مصنوعی میتواند در مجموع مفید باشد. گروه پژوهشی به سرپرستی Jun Li و همکارانی از چندین مؤسسه، مقاله را در 14 November 2026 در arXiv منتشر کرد. ثبت پیشینی مطالعه یعنی فرضیهها و برنامه تحلیل پیش از آغاز گردآوری دادهها بهصورت عمومی ثبت شدهاند؛ کاری که به کاهش سوگیری کمک میکند. نویسندگان از دانشگاهها میخواهند به اعضای هیئت علمی آزادی بیشتری بدهند تا هوش مصنوعی متناسب با بافت آموزشی خاص خود را آزمایش کنند.
چرا هوش مصنوعیِ هدایتشده بهدست استادان اکنون اهمیت دارد
امروزه بیشتر دانشگاهها از پلتفرمهای هوش مصنوعی سراسری استفاده میکنند که شرکتهای فناوری یا واحدهای مرکزی فناوری اطلاعات توسعه دادهاند. این راهکارها اغلب نسخهای یکسان برای همهاند و ممکن است با ظرافتهای یک رشته یا اندازه یک کلاس خاص جور درنیایند. این کارآزمایی راه دیگری را نشان میدهد: اگر استادان هوش مصنوعی را متناسب با هدفهای آموزشی خود تنظیم کنند، یادگیری میتواند بهطور محسوسی بهبود یابد. اگر دانشگاهها سیاستهایی در پیش بگیرند که به اعضای هیئت علمی اجازه دهد ابزارهای هوش مصنوعی را نمونهسازی و بهتدریج اصلاح کنند، ممکن است بدون نیاز به مجوزهای سازمانی پرهزینه به بهبودهای مشابهی دست یابند. این مطالعه همچنین نشان میدهد که رضایت دانشجویان شاید معیار مناسبی برای سنجش موفقیت هوش مصنوعی نباشد؛ حتی وقتی دانشجویان از لذت بیشتر در کلاس نمیگویند، یادگیری میتواند بهبود پیدا کند. بااینحال، مقاله دادهای از پیگیری بلندمدت ارائه نمیکند و بررسی نمیکند که آیا همین مزایا در درسهای کاملاً آنلاین یا میان جمعیتهای بزرگتر دانشجویی هم دیده میشود یا نه. برای تأیید اینکه نتایج بیرون از محیط کنترلشده کارآزمایی نیز برقرارند، پژوهشهای بیشتری لازم است.
چرا مهم است
برای دانشجویان دانشگاهی، ابزارهای هوش مصنوعیای که استادان خودشان ساختهاند میتوانند به بهبود عملکردشان در امتحانها کمک کنند، بیآنکه به زمان بیشتری برای مطالعه نیاز باشد. برای استادان، نتایج نشان میدهد که میتوانند با خیال راحت راهکارهای اختصاصی هوش مصنوعی را برای بهبود یادگیری آزمایش کنند، حتی اگر مشارکت کلی کلاس تغییری نکند.