MIT در ژوئن 2026 گزارشی منتشر کرد که نشان می‌دهد دانشجویان به‌طور گسترده از ابزارهای هوش مصنوعی استفاده می‌کنند. بر اساس این مطالعه، تعداد کمتری از دانشجویان در ساعات مشاوره استادان حاضر می‌شوند، مشارکت در بحث‌های آنلاین کاهش یافته و گروه‌های مطالعه در خوابگاه‌ها و کتابخانه‌ها کوچک‌تر شده‌اند. استادان می‌گویند تشخیص اینکه دانشجویان واقعاً چه چیزی یاد گرفته‌اند دشوارتر شده است.
توصیه‌های گزارش
کمیته توصیه می‌کند از نرم‌افزارهای تشخیص متن تولیدشده با هوش مصنوعی استفاده نشود، چون این ابزارها اغلب نوشته‌های دانشجویان غیرانگلیسی‌زبان یا دارای تنوع عصبی را اشتباه برچسب‌گذاری می‌کنند. در عوض، استفاده از هوش مصنوعی باید در همه پایان‌نامه‌ها و رساله‌ها اعلام شود و هوش مصنوعی را نمی‌توان به‌عنوان هم‌نویسنده معرفی کرد. از استادان نیز خواسته شده هنگام استفاده از هوش مصنوعی برای تهیه اسلاید، ارائه بازخورد یا نمره‌دهی، شفاف باشند.
این گزارش به‌جای وضع مقررات یکسان، پیشنهاد می‌کند هر درس بر پایه اهداف آموزشی، شیوه ارزیابی و ماهیت موضوع، سیاست ویژه خود را درباره هوش مصنوعی تدوین کند. از جمله تغییرات پیشنهادی در تدریس، امتحان شفاهی، پوشه کارِ یک‌ترمی، بحث‌های حضوری و فعالیت‌های پروژه‌محور است.
پیامدهای گسترده‌تر و دسترسی نابرابر
این مطالعه هشدار می‌دهد دانشجویانی که توان پرداخت هزینه اشتراک‌های پولی هوش مصنوعی را دارند ــ که ممکن است ماهانه چند صد دلار هزینه داشته باشند ــ از هم‌کلاسی‌هایی که توان پرداخت ندارند پیش بیفتند. MIT هم‌اکنون از طریق پلتفرم Parley، ماهانه $30 اعتبار رایگان هوش مصنوعی در اختیار استادان و دانشجویان تحصیلات تکمیلی می‌گذارد، اما دانشجویان کارشناسی باید هزینه دسترسی خود را بپردازند.
روندهای مشابهی در دانشگاه‌های دیگر هم دیده می‌شود. هاروارد در نظرسنجی سال 2024 دریافت که 87.5 % دانشجویان از هوش مصنوعی استفاده می‌کردند و حدود یک‌چهارم گفتند کمتر به ساعات مشاوره استادان مراجعه می‌کنند. در بریتانیا، تا پایان 2025، 95 % دانشجویان تمام‌وقت از هوش مصنوعی استفاده کرده بودند؛ به‌ویژه دانشجویانی که از خانواده‌های مرفه‌تر بودند.
چرا مهم است
دانشجویان ممکن است ساعات مشاوره استادان و گروه‌های مطالعه را از دست بدهند و در نتیجه فرصت دریافت کمک مستقیم و یادگیری از هم‌سالان کمتر شود. ارزیابی میزان یادگیری واقعی دانشجویان برای استادان دشوارتر شده و این مسئله می‌تواند بر نمره‌ها و کیفیت بازخورد اثر بگذارد. اختلاف میان دانشجویانی که توان خرید ابزارهای پولی هوش مصنوعی را دارند و آن‌هایی که ندارند، ممکن است فاصله عملکردی در دانشگاه را بیشتر کند.
