Την Παρασκευή 13 Φεβρουαρίου πραγματοποιήθηκε στο Βουλευτικό Κέντρο Ναυπλίου, ομιλία με θέμα “Η τεχνητή νοημοσύνη στην εκπαίδευση”. Την πρωτοβουλία πήρε το ιδιωτικό σχολείο Αυτενεργώ καλώντας τρεις αξιέπαινους και άρτια καταρτισμένους επιστήμονες. Ο κύριος Παπαγεωργίου Λάμπης, ομότιμος καθηγητής Ιατρικής της Σχολής Αθηνών, ο Δρ. Αναστάσιος Γιαννόπουλος, διδάκτωρ ΗΜΜΥ στο ΕΜΠ και ο Δρ. Σπαντιδέας Σωτήριος, Διδάκτωρ ΗΜΜΥ στο ΕΜΠ επίσης, έδωσαν διευκρινίσεις και απάντησαν σε ερωτήματα, τόσο του κοινού, όσο και των μαθητών.
Κύρια σημεία και ερωτήματα της ομιλίας τους ήταν τα παρακάτω.
Τι είναι η Τεχνητή Νοημοσύνη με απλά λόγια; Τι μπορεί να κάνει εντυπωσιακά καλά και τι δεν μπορεί να κάνει, όσο κι αν εξελιχθεί; Είναι σωστό να λέμε ότι σκέφτεται;
Με την ευκαιρία που μας δίνει η ερώτηση αυτή, να πούμε ότι πολλοί άνθρωποι, ακόμη και καθημερινοί χρήστες εργαλείων τεχνητής νοη μοσύνης, εκφράζουν ανησυχία σχετικά με το τι πραγματικά είναι η Τεχνητή Νοημοσύνη. Δεν είναι υπερβολή να πούμε ότι οι περισσότεροι νο μίζουν πως μπορεί να κάνει τα πάντα! Δεν εί ναι όμως ακριβώς έτσι. Η Τεχνητή Νοημοσύνη δεν είναι, σε καμία περίπτωση, ανθρώπινη νοημοσύνη, αλλά μια ανθρωπίνως κατασκευασμένη «ψευδο-νοημοσύνη» των μηχανών, των υπολογιστών και άλλων υλικών αγαθών. Με απλά λόγια, Τεχνητή Νοημοσύνη, ή αυτό που αποκαλούμε εν συντομία AI, είναι η τεχνολογία, την οποία ο άν θρωπος επινόησε, που επιτρέπει σε έναν υπο λογιστή να «μαθαίνει»από δεδομένα. Γι’ αυτό και πολλές φορές αναφερόμαστε στον όρο Μηχανική Μάθηση. Στόχος των αλγορίθμων Τεχνη τής Νοημοσύνης είναι απλώς να κάνουν προβλέψεις ή να δίνουν προτάσεις, χωρίς να απαι τούνται κάθε φορά αναλυτικές οδηγίες. Είναι θα λέγαμε, εκπαιδευμένα υπολογιστικά συστήματα (κάνουν απλές υπολογιστικές πράξεις) που μπορούμε να χρησιμοποιούμε για την πρόβλεψη, την πρόγνωση και την παροχή συμβουλευτικών προτάσεων σε διάφορα προβλήματα.
Μπορούμε να σκεφτούμε την Τεχνητή Νοημοσύνη ως ένα σύνολο τεχνητών εγκεφάλων, κατάλληλα εκπαιδευμένων να αναγνωρίζουν μοτίβα όπως «Ποια σχέση συνδέει τα χαρακτηριστικά ενός μαθητή με την τελική του επίδοση στις εξετάσεις;».
Παραδείγματα αλγορίθμων Τεχνητής Νοημοσύνης συναντούμε καθημερινά σε εφαρμογές με τις οποίες αλληλεπιδρούμε. Όλοι έχουμε παρατηρήσει ότι το κινητό μας είναι ικανό να προβλέπει την επόμενη λέξη που θέλουμε να γράψουμε. Κατά την χρήση της εφαρμογής YouTube ή του TikTok, πόσες φορές βλέπουμε να μας προτείνονται βίντεο, τα οποία με μεγάλη πιθανότητα μας ενδιαφέρουν; Σε άλλες εφαρμογές όπως το Facebook έχουμε δει να αναγνωρίζονται πρό σωπα σε φωτογραφίες. Όλα αυτά γίνονται με την κρυφή συνεισφορά αλγορίθμων Τεχνητής Νοημοσύνης. Υπάρχουν εργασίες στις οποίες το AI μπορεί να έχει εξαιρετικά αποτελέσματα. Τέτοιες περιλαμβάνουν την ανάλυση τεράστιου όγκου δεδομένων σε ταχύτατους ρυθμούς, τον εντοπισμό μοτίβων που ο άνθρωπος δύσκολα ή πιο αργά θα έβλεπε, την πρόβλεψη καιρού, κίνησης στους δρόμους, αποτελέσματα εξετάσεων, διάγνωση ασθενειών.
Εν συντομία θα λέγαμε πως το AI εμφανίζει ταχύτητα και ακρίβεια σε συγκεκριμένες επαναλαμβανόμενες εργασίες, όπου διαθέτουμε πολλά και υψηλής ποιότητας δεδομένα. Για παράδειγμα, η Τεχνητή Νοημοσύνη μπορεί να εντοπίσει πολύ γρήγορα και εύστοχα ύποπτες ιατρικές εικόνες ή να μεταφράσει κείμενα μέσα σε λίγα μόλις δευτερόλεπτα. Υπάρχουν επίσης παιχνίδια, όπως το σκάκι, στα οποία ο άνθρωπος χάνει από την Τεχνητή Νοημοσύνη εξ’ αιτίας της ανθρώπινης κόπωσης και, πολλές φορές, του ανθρώπινου συναισθήματος.
Μπορεί όμως η Τεχνητή Νοημοσύνη να κάνει τα πάντα; Φυσικά και όχι. Όσο κι αν προχωρά η τεχνολογία και η Τεχνητή Νοημοσύνη εξελίσσεται και επανεκπαιδεύεται σε νέα σενάρια, είναι σημαντικό να θυμόμαστε ότι μιλάμε για τεχνητή εξυπνάδα των μηχανών. Αν και το μέλλον είναι αβέβαιο, την δεδομένη στιγμή και με την δεδομένη τεχνολογία που διαθέτουμε, δεν φαίνεται πως οι μηχανές θα αποκτήσουν συνείδηση. Δεν διαφαίνεται τρόπος να προσδώσουμε πραγματική κατανόηση στις μηχανές, ούτε ανθρώπινο συναίσθημα με την πολυπλοκότητα που αυτό συναντάται στον άνθρωπο. Οι μηχανές δεν έχουν εμπειρίες ζωής, αλλά εμπειρίες από δεδομένα και μόνο. Για παράδειγμα, το ΑΙ μπορεί να μας γράψει ένα όμορφο κείμενο για τη φιλία, αλλά δεν ξέρει τι σημαίνει να έχεις φίλους. Μπορεί να περιγράψει τη λύπη, αλλά δεν έχει νιώσει ποτέ λύπη. Βάσει αυτών, πώς είναι δυνατό να περιμένουμε από τις μηχανές να λάβουν στο μέλλον ηθικές αποφάσεις;
Τέλος, είναι σωστό να λέμε ότι το ΑΙ σκέφτεται; Όχι, και αυτό είναι πολύ σημαντικό. Η Τεχνητή Νοημοσύνη δεν σκέφτεται όπως ο άνθρωπος. Δεν καταλαβαίνει τι λέει, απλώς υπολογίζει ποια απάντηση μοιάζει πιο πιθανή με βάση όσα (κείμενα) έχει δει στο παρελθόν. Όταν η Τεχνητή Νοημοσύνη φαίνεται «έξυπνη», είναι γιατί έχει εκπαιδευτεί με τεράστιο όγκο ανθρώπινης γνώσης και, κατά κάποιον τρόπο, μιμείται τον τρόπο που γράφουμε ή μιλάμε.
Μιλάμε δηλαδή για ένα πανίσχυρο εργαλείο ανθρώπινης επινόησης, το οποίο μπορεί να μας βοηθήσει, να μας εξυπηρετήσει και να μας εντυπωσιάσει. Σε καμία περίπτωση όμως δεν αντικαθιστούν τη σκέψη, την κρίση και την ανθρώπινη εμπειρία. Γι’ αυτό, όσο πιο έξυπνες γίνονται οι μηχανές, τόσο πιο σημαντικό είναι να παραμένουμε εμείς επάγρυπνοι και σκεπτόμενοι.
Πού συναντάμε ήδη την Τεχνητή Νοημο σύνη χωρίς να το καταλαβαίνουμε; Πώς συνδέονται οι τεχνολογίες του σήμερα (ΙοΤ) με την ΤΝ και τι είδους εφαρμογές βλέπετε να επηρεάζουν άμεσα τη ζωή μας τα επόμενα χρόνια;
Η Τεχνητή Νοημοσύνη δεν είναι κάτι μακρινό ή μελλοντικό. Στην πραγματικότητα, τη χρησιμοποιούμε καθημερινά, συχνά χωρίς καν να το συνειδητοποιούμε. Τη συναντάμε, για παράδειγμα, στο κινητό μας, όταν προβλέπει την επόμενη λέξη που θα γράψουμε. Τη συναντάμε στις πλατφόρμες βίντεο και μουσικής, όταν μας προτείνουν τι να δούμε ή να ακούσουμε. Βλέπουμε τη χρήση της στους χάρτες πλοήγησης, όταν μας προτείνουν τη γρηγορότερη διαδρομή. Στα μηνύματα ηλεκτρονικού ταχυδρομείου (email), όταν φιλτράρονται αυτόματα τα ανεπιθύμητα μηνύματα (spam). Ακόμη και στις αγορές, όταν μας εμφανίζονται οι γνωστές«Προτάσεις για Εσάς». Σε όλες αυτές τις περιπτώσεις και σε πολλές άλλες, η Τεχνητή Νοημοσύνη αναλύει τις επιλογές μας, βρίσκει μοτίβα και προσπαθεί να προβλέψει τι θα χρειαστούμε ή τι μας ενδιαφέρει.
Σχετικά με το «Διαδίκτυο των Πραγμάτων» (IoT), αναφερόμαστε στην εποχή των «έξυπνων» συσκευών, οι οποίες μάλιστα είναι συνδεδεμένες στο διαδίκτυο και συλλέγουν διαρκώς δεδομένα. Στην έκρηξη αυτής της τεχνολογίας ανήκουν τα έξυπνα ρολόγια που μετρούν βήματα και καρδιακούς παλμούς, οι έξυπνοι θερμοστάτες που ρυθμίζουν αυτόματα τη θερμοκρασία του χώρου, τα έξυπνα φώτα και οι οικιακές συσκευές, οι αισθητήρες κυκλοφορίας στις πόλεις. Είναι προφανές λοιπόν ότι με την τεχνολογία IoT συλλέγεται ένας τεράστιος όγκος δεδομένων, τα οποία η Τεχνητή Νοημοσύνη είναι σε θέση να εκμεταλλευτεί και να αναλύσει. Χωρίς την Τεχνητή Νοημοσύνη, τα δεδομένα απλώς θα αποθηκεύονται ή θα αξιοποιούνται για στατιστικές και επιχειρησιακές αναλύσεις, πράγμα που συνέβαινε κατά κόρον πριν την άνοδο του ΑΙ.
Πλέον όμως, με την Τεχνητή Νοημοσύνη, τα δεδομένα μετατρέπονται σε προβλέψεις, στρατηγικές αποφάσεις και προτάσεις βελτιστοποίησης. Θα λέγαμε ότι οι δύο τεχνολογίες σήμερα συν-λειτουργούν εντός μιας κυκλικής σχέσης (δεδομένα- αποφάσεις- νέα δεδομένα– νέες αποφάσεις…). Μέσω αυτής της ευεργετικής σχέσης συλλογής δεδομένων και εκπαίδευσης μοντέλων ΑΙ, ανοίγει ο δρόμος για μεγάλη πρόοδο σε πληθώρα εφαρμογών που επηρεάζουν και θα επηρεάσουν άμεσα τη ζωή μας τα επόμενα χρόνια.
Πρώτος ο τομέας της υγείας, όπου (θα) μιλάμε για ταχύτερη και ευστοχότερη διάγνωση ασθενειών, έγκαιρη πρόληψη μέσω «έξυπνων»απεικονιστικών συσκευών και εξατομικευμένες θεραπείες.
Δεύτερον, οι πόλεις και οι μετακινήσεις μπορούν να επωφεληθούν με εφαρμογές όπως η έξυπνη διαχείριση κυκλοφορίας, η μείωση ατυχημάτων και η μείωση κατανάλωσης ενέργειας. Ως προς την εκπαίδευση, ανοίγουν ορίζοντες για προσαρμοσμένη μάθηση στον ρυθμό κάθε μαθητή, εργαλεία υποστήριξης μελέτης και επανάληψης, καθώς και νέοι τρόποι αξιολόγησης.
Συνολικά, η εισβολή της Τεχνητής Νοημοσύνης, αν και είναι «άναρχη» μέχρι σήμερα, δύναται να επηρεάσει ευεργετικά την καθημερινότητά μας με πιο «έξυπνα» σπίτια, εξοικονόμηση χρόνου και περισσότερη αυτοματοποίηση απλών εργασιών.
Η Τεχνητή Νοημοσύνη δεν έρχεται, αλλά είναι ήδη εδώ, συνδυάζεται με τις έξυπνες συσκευές γύρω μας και επηρεάζει τον τρόπο που ζούμε, μαθαίνουμε και κινούμαστε. Το σημαντικό δεν είναι μόνο να τη χρησιμοποιούμε, αλλά να καταλαβαίνουμε πώς λειτουργεί και πώς επηρεάζει τις επιλογές μας.
Πώς βλέπετε τη χρήση της ΤΝ από τους μαθητές για εργασίες και διάβασμα; Πού σταματά η βοήθεια και πού ξεκινά η αντιγραφή; Πώς μπορεί ένας μαθητής να αξιοποιήσει την ΤΝ για να μάθει καλύτερα; Από τη δική σας ακαδημαϊκή εμπειρία, ποια θεωρείτε τη μεγαλύτερη ευκαιρία και ποια τη μεγαλύτερη πρόκληση;
Η χρήση της Τεχνητής Νοημοσύνης από τους μαθητές δεν είναι ούτε καλή ούτε κακή από μόνη της. Θα λέγαμε ότι η αποφυγή χρήσης των εργαλείων Τεχνητής Νοημοσύνης αποτελεί, σε έναν βαθμό, αναχρονιστική ή οπισθοδρομική επιλογή. Κατ’ αναλογία, κάποιος ή κάποια με φοβερές ικανότητες στα μαθηματικά ή την Φυσική μπορεί ελεύθερα να χρησιμοποιεί το κομπιουτεράκι για να εξοικονομεί χρόνο ή να συμβουλεύεται το Google αν δεν θυμάται έναν μαθηματικό τύπο. Η χρήση λοιπόν τεχνολογικών εργαλείων δεν συνεπάγεται απαραίτητα και «ατροφία»ικανοτήτων. Στην περίπτωση της Τεχνητής Νοημοσύνης, όλα εξαρτώνται από το πώς και το πότε τη χρησιμοποιεί κανείς. Πρέπει να διαχωρίσουμε την χρήση από την υπερ-χρήση και την εξάρτηση. Η Τεχνητή Νοημοσύνη μπορεί να μετατραπεί σε ένα πολύ χρήσιμο εργαλείο μάθησης, αλλά ταυτόχρονα και ένας εύκολος δρόμος αποφυγής σκέψης. Το όριο ανάμεσα στα δύο είναι λεπτό, αλλά υπαρκτό. Είναι τελείως διαφορετικό να ρωτώ ένα γλωσσικό μοντέλο ΑΙ (π.χ. το ChatGPT) με τρόπο που να με καθοδηγεί στη επίλυση μιας άσκησης από το να απαιτώ την τελική λύση.
Πού σταματά όμως η βοήθεια και πού ξεκινά η αντιγραφή; Θα λέγαμε ότι το ΑΙ με βοηθά όταν εγώ ζητώ εξήγηση ή καθοδήγηση, και όχι έτοιμη λύση. Όταν ζητώ παράδειγμα για να κατανοήσω καλύτερα ή για να συγκρίνω τη δική μου απάντηση με μια άλλη. Όταν πριν την αναζήτηση βοήθειας από το ΑΙ έχει προηγηθεί η δική μου προσπάθεια, η οποία ενδεχομένως να περιλαμβάνει και λανθασμένες διαδρομές σκέψης. Να ρωτώ «γιατί είναι λάθος αυτό που σκέφτηκα;». Σε κάθε άλλη περίπτωση μιλάμε για αντιγραφή και προσπάθεια αποφυγής κόπου, χρόνου και λάθους, χαρακτηριστικά που συνυπάρχουν κατά την ανθρώπινη μάθηση. Όταν παραδίδω κείμενο το οποίο δεν μπορώ να εξηγήσω, τότε δεν έχει προηγηθεί καμία προσωπική προσπάθεια και το AI «σκέφτηκε» για εμένα, χωρίς εμένα. Άλλωστε ποιος είναι ο στόχος του σχολείου και της μάθησης; Να κατανοήσω μέσα από λάθη, να προσπαθήσω, να αποτύχω και, εν τέλει, να μάθω να σκέφτομαι αυτόνομα, να αποκτήσω κριτική σκέψη.
Εδώ αξίζει να φέρουμε στο μυαλό και τον κανόνα που λέει ότι «αν δεν μπορείς να το εξηγήσεις προφορικά, δεν το έχεις μάθει». Από την άλλη, ο μαθητής μπορεί να αξιοποιήσει την Τεχνητή Νοημοσύνη για να μάθει καλύτερα. Αρκεί να έχουμε κατά νου πως η Τεχνητή Νοημοσύνη λειτουργεί καλύτερα όταν χρησιμοποιείται μετά την προσπάθεια και με σωστές ερωτήσεις. Κατά την τριβή με ένα σχολικό θέμα, μπορούμε να αλληλεπιδράσουμε με την Τεχνητή Νοημοσύνη ρωτώντας «μπορείς να μου το εξηγήσεις με άλλον τρόπο;», «πού είναι το λάθος στη σκέψη μου;»,«δώσε μου ένα απλό παράδειγμα για να ελέγξω αν κατάλαβα», «κάνε μου μια ερώτηση για να δω αν το έμαθα».
Με τέτοιας ποιότητας αλληλεπίδραση, το μοντέλο ΑΙ δεν αντικαθιστά τη σκέψη, αλλά τη βαθαίνει, λειτουργώντας ως υπομονετικός και πανταχού παρών βοηθός. Από ακαδημαϊκής σκοπιάς, η Τεχνητή Νοημοσύνη μπορεί να προσφέρει εξατομικευμένη βοήθεια σε κάθε μαθητή. Ας φέρουμε στο μυαλό μας το πρόβλημα «2 Sigma» που έθεσε ο Benjamin Bloom το 1984. Το πρόβλημα αυτό διατυπώνει ένα βασικό ερώτημα: «Πώς θα μπορέσει η εκπαίδευση, και υπό ποια μέθοδο διδασκαλίας, να οδηγηθεί στα οφέλη της ατομικής διδασκαλίας (ένας δάσκαλος για έναν μαθητή);».
Πλέον, πρωτοφανώς, δημιουργούνται οι κατάλληλες συνθή κες για μια ποιοτική ένα-προς-ένα διδασκαλία. Η Τεχνητή Νοημοσύνη μπορεί να εξηγεί, ατομικά σε κάθε μαθητή, όσες φορές χρειάζεται, να προσαρμόζεται στον ρυθμό του μαθητή, να μειώνει το άγχος του λάθους, να απαντά ακόμη και στον ντροπαλό μαθητή.
Για πρώτη φορά, πολλοί μαθητές έχουν πρόσβαση σε κάτι που παλιά ήταν πολυτέλεια:π ροσωπική υποστήριξη στη μάθηση. Όλα εξαρτώνται από την ποιότητα με την οποία επικοινωνούμε με το ΑΙ. Η μεγαλύτερη πρόκληση είναι να αποτρέψουμε μια μεγάλης έκτασης «Μαθησιακή Κρίση».Ο κίνδυνος δηλαδή να μπερδέψουμε, σε παγκόσμια κλίμακα, τη σωστή απάντηση με τη σωστή μάθηση, την ταχύτητα απάντησης με την ορθή κατανόηση, τη διευκόλυνση με την εξάρτηση. Η μεγαλύτερη παγκόσμια πρόκληση είναι να βρεθεί ένα πρωτόκολλο 3 «modus operandi» σχετικά με την «ενδοσχολική χρήση» του ΑΙ. Ένα πρωτόκολλο που αποτρέπει τον μαθητή να συνηθίσει να μη δυσκολεύεται ποτέ. Ανικανότητα εύρεσης ενός τέτοιου πρωτοκόλλου οδηγεί σε κοινωνίες με εξαρτημένους ανθρώπους χωρίς γνώση, αυτοπεποίθηση και κρίση.
Συμπερασματικά, η Τεχνητή Νοημοσύνη μπορεί να γίνει σύμμαχος του μαθητή, αρκεί να μη γίνει υποκατάστατο της σκέψης του. Ως σχολική κοινότητα, οφείλουμε να προασπίσουμε την πραγματική μάθηση, υπενθυμίζοντας στους εαυτούς ότι η μάθηση ξεκινά και τελειώνει με προσπάθεια, λάθη και απορίες.
Ποιος φέρει την ευθύνη για τις αποφάσεις μιας «έξυπνης» μηχανής και πώς επηρεάζονται οι αποφάσεις της όταν τα δεδομένα στα οποία βασίζεται είναι ελλιπή ή μεροληπτικά; Παρότι μιλάμε συχνά για «έξυπνες» μηχανές, είναι σημαντικό να θυμόμαστε κάτι βασικό: μέχρι σήμερα, η μηχανή δεν έχει ευθύνη, ευθύνη έχει πάντα ο άνθρωπος. Αυτό δικαιολογείται από το γεγονός ότι η Τεχνητή Νοημο σύνη δεν έχει συνείδηση, δεν καταλαβαίνει συνέπειες και συνεπώς, δεν μπορεί να θεωρηθεί υπεύθυνη για τις πράξεις της. Μοιραία λοιπόν, την ευθύνη φέρουν όσοι σχεδίασαν το σύστημα, όσοι επέλεξαν τα δεδομένα και όσοι το χρησιμοποιούν για να πάρουν αποφάσεις. Με απλά λόγια, η μηχανή εκτελεί και ο άνθρωπος αποφασίζει.
Από την άλλη, οι προτεινόμενες αποφάσεις των μοντέλων ΑΙ επηρεάζονται καθοριστικά από τα δεδομένα εκπαίδευσης. Αυτό συμβαίνει διότι η Τεχνητή Νοημοσύνη μαθαίνει αποκλειστικά από τα δεδομένα με τα οποία την τροφοδοτούμε. Όταν τα δεδομένα είναι προβληματικά, τότε και οι αποφάσεις της θα είναι προβληματικές, ο γνωστός κανόνας «garbage-in, garbage out» (δηλ. όταν τροφοδοτείς το ΑΙ με μη ποιοτικά δεδομένα, τότε και το ΑΙ θα σου απαντήσει με μη ποιοτικές εξόδους). Ως προς τα ελλιπή δεδομένα, είναι σημαντικό να αναφέρουμε ότι, στην περίπτωση που λείπουν πληροφορίες, ο αλγόριθμος ΑΙ «μαντεύει», κάνει λογικά άλματα και γενικεύσεις, με συνέπεια να αυξάνει τα λάθη.
Για παράδειγμα, αν ένα σύστημα ΑΙ έχει εκπαιδευτεί μόνο με δεδομένα από μια χώρα ή μια υπο-ομάδα ανθρώπων, μπορεί να αποτυγχάνει όταν εφαρμόζεται σε άλλο πλαίσιο (σε άλλη χώρα ή σε άλλη ομάδα του πληθυσμού). Μια ακόμη παθογένεια των μοντέλων ΑΙ σχετίζεται με τα μεροληπτικά δεδομένα (biased data). Όταν τα δεδομένα εκπαίδευσης περιέχουν προκαταλήψεις, το μοντέλο ΑΙ τις αναπαράγει και δεν είναι από μόνο του ικανό, χωρίς την ανθρώπινη παρέμβαση, να τις εντοπίζει και να τις διορθώνει. Σκεφτείτε να τροφοδοτήσουμε ένα μεγάλο γλωσσικό μοντέλο ΑΙ με παρελθοντικά δεδομένα που περιέχουν αδικίες ή στερεότυπα. Αυτό που θα παρατηρήσουμε στη συνέχεια είναι ένα στερεοτυπικό μοντέλο, το οποίο θεωρεί ως «φυσιολογικό» να απαντά με προκαταλήψεις και στερεότυπα.
Συγκεντρωτικά, η Τεχνητή Νοημοσύνη δεν γνωρίζει εγγενώς τι είναι δίκαιο ή άδικο. Ξέρει μόνο τι έχει «δει» κατά την εκπαίδευσή της. Επειδή λοιπόν, από την υγεία και τις μετακινήσεις μέχρι την εκπαίδευση και την εργασία, όλο και περισσότερες αποφάσεις επηρεάζουν ζωές και λαμβάνονται με τη βοήθεια αλγορίθμων, είναι κρίσιμο να θυμόμαστε ότι η Τεχνητή Νοημο σύνη δεν είναι ουδέτερη, αλλά αντικατοπτρίζει ανθρώπινες επιλογές και δεδομένα. Ως μαθητές, αλλά και ως κοινωνία ευρύτερα, καλούμαστε να μην εμπιστευόμαστε τυφλά τις αποφάσεις ενός αλγορίθμου, να ανησυχούμε, να αμφισβητούμε και να ρωτάμε για τον δημιουργό του μοντέλου και τα δεδομένα εκπαίδευσης. Άλλωστε, όσο πιο «έξυπνες» γίνονται οι μηχανές, τόσο πιο υπεύθυνος οφείλει να γίνεται ο άνθρωπος.
Υπάρχουν κίνδυνοι από την ανεξέλεγκτη χρήση της Τεχνητής Νοημοσύνης; Πιστεύετε ότι η κοινωνία προλαβαίνει την τεχνολογία ή συμβαίνει το αντίθετο; Ναι, υπάρχουν πραγματικοί κίνδυνοι από την ανεξέλεγκτη χρήση της Τεχνητής Νοημοσύνης και σε αυτό πρέπει να συμφωνήσουμε όλοι. Οι κίνδυνοι δεν οφείλονται στην «κακή τεχνολογία», αλλά στην αντιμετώπισή της από τον άνθρωπο. Είναι αλήθεια πως η Τεχνητή Νοημοσύνη εμφανίστηκε άναρχα και βίαια τόσο στο χώρο της εκπαίδευσης όσο και όλους τους κοινωνικούς τομείς. Οι μαθητές δεν περιμένουν οδηγίες Υπουργείων σχετικά με τη χρήση των εργαλείων ΑΙ.
Άλλωστε μιλάμε για εργαλεία που παρέχονται δωρεάν ή με ένα μικρό αντίτιμο, απαντούν πάντα και για τα πάντα. Επανερχόμενοι στην ερώτηση, η χρήση της Τεχνητής Νοημοσύνης είναι σήμερα απρόσεκτη, βιαστική και άνευ ορίων και ρυθμιστικού πλαισίου. Η άμετρη αλληλεπίδρασή μας με τα εργαλεία αυτά απειλεί να ατροφήσει βασικές και θεμελιακές ανθρώπινες ικανότητες όπως η κριτική σκέψη, η δημιουργική σκέψη, η αυτονομία και η αυτοπεποίθηση. Όταν συνηθίζουμε να παίρνουμε έτοιμες απαντήσεις, τότε σκεφτόμαστε λιγότερο, αμφισβητούμε λιγότερο και προσπαθούμε λιγότερο. Το πρόβλημα αυτό υπερτονίζεται όταν μιλάμε για νέα παιδιά και εφήβους, διότι αυτοί διανύουν το στάδιο της ζωής κατά το οποίο ωριμάζουν οι βασικότερες ικανότητες. Οι νέοι μαθαίνουν στην εξάρτηση από την τεχνολογία με αποτέλεσμα να χάνεται η αυτοπεποίθηση και να μειώνεται η αντοχή τους στη δυσκολία. Από την άλλη, όπως αναφέρθηκε και νωρίτερα, μιλάμε για μοντέλα που ενδέχεται να απαντούν με λάθη, τα οποία όμως παρουσιάζονται με μεγάλη αυτοπεποίθηση, γεγονός που τα καθιστά ακόμη πιο επικίνδυνα.
Σχετικά με το αν η κοινωνία προλαβαίνει την τεχνολογία, η παρελθούσα εμπειρία λέει πως συνήθως όχι. Η ιστορία δείχνει ότι η τεχνολογία εξελίσσεται πολύ ταχύτερα από την συμμόρφωσή μας σε αυτή, ενώ οι νόμοι, οι κανόνες και η εκπαίδευση ακολουθούν πιο αργά. Το ίδιο συμβαίνει και με την Τεχνητή Νοημοσύνη. Η κοινωνία τρέχει πίσω από την τεχνολογία, όμως με παιδεία, κριτική σκέψη και υπευθυνότητα, μπορεί να την καθοδηγήσει. Ας μην ξεχνάμε ότι το μέλλον είναι αβέβαιο, όμως είναι δεδομένο ότι η έρευνα συνεχώς προχωρά και εξελίσσεται. Μπορούμε να πούμε ότι αυτήν ακριβώς τη στιγμή που γράφουμε αυτό το κείμενο, κάποιο ερευνητικό εργαστήριο ή οι ερευνητές κάποιας εταιρείας σκαρφίζονται μια νέα τεχνολογική «επανάσταση»…
Ποιες δεξιότητες θεωρείτε ότι θα είναι πιο σημαντικές σε δέκα χρόνια; Τι σπουδές θα προτείνατε σε μαθητές που ενδιαφέρονται να ασχοληθούν με την ΤΝ; Αν ξεκινούσατε σήμερα ως μαθητές, τι θα κάνατε διαφορετικά; Αν κάτι μας δείχνει η εποχή της Τεχνητής Νοημοσύνης, είναι ότι δεν αρκεί πια μόνο η γνώση. Η πληροφορία είναι παντού. Αυτό που κάνει τη διαφορά είναι πώς τη χρησιμοποιούμε. Η κριτική σκέψη παραμένει ανάμεσα στις προ απαιτούμενες ικανότητες επαγγελματικής ανέλιξης του νέου. Σε έναν κόσμο όπου οι μηχανές δίνουν απαντήσεις, η αξία βρίσκεται στο να κάνεις τις σωστές ερωτήσεις. Μάλιστα, αναπτύσσονται νέοι κλάδοι εργασίας σχετικά την «μηχανική ερωτήσεων» (prompt engineering), όπου ο επαγγελματίας μηχανικός ειδικεύεται στο να ρωτά σωστά το ΑΙ, ξεκλειδώνοντας αποδοτικά τις απαντήσεις του. Οι γνώσεις αλλάζουν γρήγορα και όποιος ξέρει πώς να μαθαίνει, έχει δικαίωμα να μη φοβάται το μέλλον. Έτσι λοιπόν,μεταβαίνουμε σε μια εποχή όπου το πιο σημαντικό προσόν δεν θα είναι το πτυχίο, αλλά η προσαρμοστικότητα.
Σημαντική, κατά τη γνώμη μας, θα παραμείνει η ικανότητα συνεργασίας, το να μπορεί δηλαδή κανείς να δουλεύει σε ομάδες, να εξηγεί ιδέες. Σε μια εποχή που η Τεχνητή Νοημοσύνη αναπαράγει παρελθοντική γνώση από ιστορικά δεδομένα, η δημιουργική σκέψη θα αποτελεί μεγάλο πλεονέκτημα. Σχετικά με τους ανερχόμενους κλάδους γύρω από την Τεχνητή Νοημοσύνη, θα λέγαμε ότι δεν υπάρχει μία μοναδική «σωστή» διαδρομή. Η Τεχνητή Νοημο σύνη είναι διεπιστημονική. Ενδεικτικές κατευθύνσεις για τους μαθητές που γοητεύονται από τα εργαλεία ΑΙ αφορούν τους κλάδους της Πληροφορικής, της Επιστήμης Υπολογιστών, τα Μαθηματικά και τη Στατιστική και την Επιστήμη Δεδομένων. Σε τμήματα όπως αυτά των Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών μπορεί κανείς να ασχοληθεί σε βάθος με ζητήματα που άπτονται της Τεχνητής Νοημοσύνης.
Άλλες επιστήμες στις οποίες αναμένεται αλλαγή του τοπίου λόγω του ΑΙ είναι η Ιατρική, η Βιολογία, η Εκπαίδευση, η Νομική, η Φιλοσοφία και η Ηθική. Σε όλα τα πεδία δηλαδή! Με λίγα λόγια, υπό τις σημερινές συνθήκες, το μέλλον ανήκει σε όσους συνδυάζουν την τεχνολογία με τον άνθρωπο. Αν ξεκινούσαμε σήμερα ως μαθητές, θα επενδύαμε σίγουρα λιγότερο στην αποστήθιση και περισσότερο στην κατανόηση. Ως προς τον επαγγελματικό προσανατολισμό, δεν θα αλλάζαμε πολλά πράγματα, μιας και νιώθουμε τυχεροί που δεν μετανιώσαμε για την επιλογή μας να σπουδάσουμε Μηχανικοί Υπολογιστών. Θα περιμέναμε από το σχολείο να μας διαφωτίσει σχετικά με τις τεχνολογίες της Τεχνητής Νοημοσύνης και τις μαθηματικές τεχνικές που «κρύβονται» πίσω από αυτά τα πανίσχυρα μοντέλα ΑΙ. Θα αναζητούσαμε από μικρή ηλικία τις εφαρμογές της Τεχνητής Νοημοσύνης στους κλάδους της Υγείας και της Ηθικής, μιας και οι ορίζοντες και οι ευκαιρίες για νέες εργασίες κινούνται με ιλιγγιώδη ταχύτητα. Και κυρίως, θα επιθυμούσαμε να ξέρουμε νωρίτερα ότι η επιτυχία δεν είναι μόνο να γράφεις άριστα στα διαγωνίσματα, αλλά να μη σταματάς να μαθαίνεις.
Πώς αλλάζει ο ρόλος του εκπαιδευτικού μέσα σε αυτό το νέο περιβάλλον; Πιστεύετε ότι η ΤΝ μπορεί να συμβάλει στην εξατομικευμένη μάθηση ή υπάρχει ο κίνδυνος όλοι οι μαθητές να μαθαίνουν με τον ίδιο τρόπο; Ο ρόλος του εκπαιδευτικού σίγουρα δεν μειώνεται με την έλευση της Τεχνητής Νοημοσύνης. Αντίθετα, πιστεύουμε ότι γίνεται πιο σημαντικός από ποτέ. Άλλωστε, όσο πιο πολλά μπορεί να κάνει η τεχνολογία, τόσο μεγαλύτερη είναι η ανάγκη για ανθρώπινη καθοδήγηση. Ο εκπαιδευτικός δεν είναι πια μόνο πηγή γνώσης και μεταδότης πληροφορίας. Αυτά, σε κάποιο βαθμό, παρέχονται και από τις μηχανές ΑΙ. Ο ρόλος του σύγχρονου εκπαιδευτικού εμπλουτίζεται σε καθοδηγητή ουσιώδους μάθησης και εγγυητή σωστής παιδαγωγικής. Καλείται όχι απλώς να απαντά σε ερωτήσεις, αλλά να βοηθά τους μαθητές να μάθουν να ρωτούν και να αλληλεπιδρούν ευεργετικά με την Τεχνητή Νοημοσύνη. Τα μοντέλα ΑΙ μπορούν να συμβάλουν στην εξατομικευμένη μάθηση, αλλά υπό προϋποθέσεις. Για πρώτη φορά, η τεχνολογία μπορεί να πλησιάσει το ιδανικό της εξατομικευμένης υποστήριξης, όμως αν ο δάσκαλος αφήσει ανεξέλεγκτο τον μαθητή, έχουμε αντίθετα αποτελέσματα. Η ισορροπία σε μια τέτοια σχέση επιτυγχάνε ται μόνο όταν η Τεχνητή Νοημοσύνη αναλαμβάνει την υποστήριξη και ο εκπαιδευτικός κρατά τον έλεγχο και την ορθή αξιολόγηση του μαθητή. Κλείνοντας, είναι σκόπιμο να φέρουμε στο μυαλό μας την επίκαιρη φράση του αυλητή Καφισία που αναφέρεται στο έργο «Δειπνοσοφιστές»: Οὐκ ἐν τῷ πολλῷ τὸ εὖ, ἀλλ’ ἐν τῷ εὖ τὸ πολύ (μτφρ. δεν βρίσκεται το καλό στο πολύ, αλλά στο ποιοτικό).
Στην εποχή της Τεχνητής Νοημοσύνης, έχουμε πρόσβαση σε άπειρες πλη ροφορίες, σε άμεσες απαντήσεις και σε εντυπωσιακά εργαλεία. Όμως η μάθηση δεν γίνεται καλύτερη επειδή έχουμε περισσότερα δεδομένα ή πιο γρήγορες απαντήσεις. Γίνεται καλύτερη όταν έχουμε σωστές ερωτήσεις,ουσιαστική κατανόηση και χρόνο για σκέψη. Η Τεχνητή Νοημοσύνη μπορεί να μας δώσει το«πολύ», όμως το «εὖ», ως προϊόν ποιοτικής μάθησης, καλείται να μας το εγγυηθεί ο δάσκαλος και το σχολείο.
Ακολουθήστε την Ενημέρωση Πελοποννήσου στο Facebook
Αποκλειστικές Έρευνες – Συνεντεύξεις και Άρθρα
Ειδήσεις από: Ναύπλιο – Άργος – Ερμιονίδα – Τρίπολη – Κορινθία – Αθλητικά –
