میزان استفاده دانشجویان از ابزار‌های هوش مصنوعی به چه عواملی وابسته است؟

به گزارش مجله خبری نگار/آنا،دانشجویانی که کنجکاو، منظم و برون‌گرا هستند، ممکن است بیشتر از دیگران ابزار‌های هوش مصنوعی مولد را در فرآیند یادگیری خود به کار بگیرند.

این یافته بر اساس پژوهشی تازه است که در مجله (Scientific Reports) منتشر شده و نشان می‌دهد شخصیت نقش مهمی در نحوه تعامل دانشجویان با هوش مصنوعی مولد برای اهداف آموزشی ایفا می‌کند.

هوش مصنوعی مولد به ابزار‌هایی گفته می‌شود که می‌توانند محتوای تازه از جمله متن، تصویر یا صدا تولید کنند. این سیستم‌ها با یادگیری از مجموعه‌های عظیم داده قادر هستند به درخواست‌های زبانی طبیعی پاسخ دهند، خلاصه‌سازی کنند، توضیح بدهند و بازخوردی متناسب ارائه دهند.

در محیط‌های آموزشی، چنین ابزار‌هایی می‌توانند نقش دستیار نوشتاری، ابزار کمک‌درسی یا حتی معلم خصوصی شخصی‌سازی‌شده را ایفا کنند و به دانشجویان در درک موضوعات پیچیده و دسترسی به منابع متنوع‌تر کمک نمایند.

با گسترش استفاده از هوش مصنوعی مولد در مدارس و دانشگاه‌ها، پژوهشگران بررسی کرده‌اند که ویژگی‌های فردی چه نقشی در میزان استفاده از این فناوری دارند.

مطالعات پیشین عمدتاً بر نگرش نسبت به هوش مصنوعی، دغدغه‌های اخلاقی و میزان مفید بودن ادراک‌شده متمرکز بودند، اما کمتر به نقش شخصیت در الگو‌های استفاده پرداخته‌اند. این پژوهش تلاش کرد این شکاف را پر کند و به پنج ویژگی اصلی شخصیت (Big Five) بپردازد.

گشودگی نسبت به تجربه (openness)، وظیفه‌شناسی (conscientiousness)، برون‌گرایی (extraversion)، توافق‌پذیری (agreeableness) و روان‌رنجورخویی (neuroticism). این ۵ ویژگی در روان‌شناسی برای توصیف الگو‌های کلی رفتار، افکار و هیجان‌ها به‌کار می‌روند.

تیم پژوهشی استدلال می‌کرد که صفاتی مانند گشودگی و وظیفه‌شناسی می‌توانند تعامل با هوش مصنوعی را افزایش دهند، زیرا به ترتیب نشان‌دهنده کنجکاوی فکری و رفتار هدفمند هستند.

در مقابل، افرادی با روان‌رنجورخویی بالاتر ممکن است فناوری‌های جدید را استرس‌زا یا دلهره‌آور بدانند. با درک رابطه این صفات با استفاده آموزشی از هوش مصنوعی، معلمان و طراحان ابزار‌ها می‌توانند سیستم‌های شخصی‌سازی‌شده‌تر و سازگارتر با ترجیحات یادگیری دانشجویان طراحی کنند.

برای این مطالعه، داده‌ها از ۱،۸۰۰ دانشجوی دانشگاهی در رشته‌های گوناگون در ترکیه (از جمله مهندسی، آموزش، پزشکی و علوم اجتماعی) جمع‌آوری شد. مشارکت‌کنندگان پاییز ۲۰۲۴ از طریق پرسشنامه آنلاین جذب شدند. برای ورود به تحلیل نهایی، شرط این بود که دانشجویان تجربه استفاده آموزشی از ابزار‌های هوش مصنوعی مولد مانند ChatGPT، Bing AI، Jasper یا ChatSonic را داشته باشند. در نهایت، نمونه پژوهش شامل ۱،۰۱۶ دانشجو با سنین ۱۷ تا ۲۸ سال و نسبت تقریباً برابر زن و مرد بود.

شرکت‌کنندگان دو پرسشنامه اصلی را تکمیل کردند. نخست، پرسشنامه ۴۴‌سؤالی Big Five Inventory برای سنجش میزان تطابق آنها با رفتار‌های مرتبط با هر یک از پنج ویژگی شخصیتی. دوم، مقیاسی برای سنجش میزان استفاده آموزشی از هوش مصنوعی مولد که شامل جملاتی مانند «من اغلب از هوش مصنوعی مولد برای یادگیری مفاهیم جدید استفاده می‌کنم» بود و باید بر اساس مقیاس پنج‌امتیازی پاسخ داده می‌شد.

پژوهشگران سپس داده‌ها را با روش‌های مختلف تحلیل کردند. از رگرسیون خطی برای بررسی نقش پیش‌بین هر ویژگی شخصیتی در استفاده از هوش مصنوعی بهره بردند. همچنین از شبکه‌های عصبی مصنوعی (machine learning) برای شناسایی روابط پیچیده‌تر یا غیرخطی استفاده شد. علاوه بر این، نقش سن و جنسیت نیز در تحلیل‌های جداگانه بررسی گردید.

به طور کلی، دانشجویان دیدگاهی مثبت نسبت به هوش مصنوعی مولد داشتند. آنها به طور میانگین موافق بودند که این ابزار‌ها یادگیری‌شان را غنی‌تر می‌کند، با نیاز‌های آموزشی آنها سازگار می‌شود و در انجام وظایف پیچیده کمک‌رسان است. با این حال، اعتماد کمتری به توانایی این ابزار‌ها در تقویت خلاقیت و تفکر انتقادی داشتند.

از میان ویژگی‌های شخصیتی، گشودگی نسبت به تجربه بیشترین ارتباط را با استفاده آموزشی از هوش مصنوعی نشان داد. دانشجویانی که در این ویژگی نمره بالاتری داشتند که اغلب با کنجکاوی فکری و خلاقیت همراه است بیشتر به سمت استفاده از ابزار‌های هوش مصنوعی در یادگیری گرایش داشتند. وظیفه‌شناسی نیز به عنوان یک پیش‌بین مثبت قوی ظاهر شد. برون‌گرایی رابطه‌ای کوچک‌تر، اما همچنان معنادار با استفاده از هوش مصنوعی داشت. پژوهشگران پیشنهاد می‌کنند دانشجویان برون‌گرا ممکن است بیشتر تمایل به تعامل با عامل‌های محاوره‌ای یا کاوش فناوری‌های جدید داشته باشند.

روان‌رنجورخویی (Neuroticism) با استفاده از هوش مصنوعی رابطه‌ای منفی داشت. دانشجویانی که بیشتر دچار اضطراب یا واکنش‌پذیری هیجانی بودند، کمتر تمایل داشتند از هوش مصنوعی مولد استفاده کنند. این یافته تأیید می‌کند که ناراحتی هیجانی نسبت به فناوری می‌تواند به‌عنوان مانعی در برابر پذیرش آن عمل کند. توافق‌پذیری (Agreeableness) که شامل ویژگی‌هایی مانند مهربانی و همکاری است، در این مطالعه ارتباط معناداری با استفاده از هوش مصنوعی نداشت.

تحلیل‌های تکمیلی نشان داد برخی از این ارتباطات بر اساس جنسیت متفاوت بودند. برای مثال، وظیفه‌شناسی (Conscientiousness) در میان زنان پیش‌بینی‌کننده قوی‌تری برای استفاده از هوش مصنوعی بود، در حالی که گشودگی نسبت به تجربه (Openness) در میان مردان اثر پررنگ‌تری داشت. همچنین برون‌گرایی (Extraversion) تأثیر بیشتری بر استفاده زنان از هوش مصنوعی داشت تا مردان، و روان‌رنجورخویی مانع بزرگ‌تری برای زنان نسبت به مردان بود. توافق‌پذیری در هیچ‌یک از دو جنس پیش‌بین معناداری برای استفاده از هوش مصنوعی نبود.

سن نیز اثر کوچکی نشان داد. دانشجویان حدود ۲۲ ساله کمی بیشتر از دانشجویان جوان‌تر از هوش مصنوعی مولد برای اهداف آموزشی استفاده می‌کردند. با این حال، زمانی که ویژگی‌های شخصیتی در مدل‌های آماری لحاظ شدند، سن به‌عنوان یک پیش‌بین معنادار ظاهر نشد.

تحلیل‌های یادگیری ماشین تأیید کرد که گشودگی نسبت به تجربه همچنان اثرگذارترین ویژگی در پیش‌بینی استفاده از هوش مصنوعی بود و پس از آن وظیفه‌شناسی، برون‌گرایی، توافق‌پذیری و روان‌رنجورخویی قرار داشتند. استفاده از شبکه‌های عصبی به پژوهشگران امکان داد روابط ظریف‌تر و غیرخطی را شناسایی کنند که ممکن است با روش‌های آماری استاندارد آشکار نشوند.

نویسندگان مطالعه به چند محدودیت نیز اشاره کردند. این پژوهش به‌طور کامل در ترکیه، کشوری با پیش‌زمینه فرهنگی جمع‌گرایانه، انجام شده است؛ عاملی که می‌تواند بر نحوه ارتباط دانشجویان با فناوری تأثیر بگذارد. ارزش‌های فرهنگی ممکن است در بروز ویژگی‌های شخصیتی و نگرش نسبت به هوش مصنوعی نقش داشته باشند. بنابراین، نتایج لزوماً قابل تعمیم به دانشجویان دیگر کشور‌ها نیست. مطالعات آینده می‌توانند با مقایسه میان‌فرهنگی بررسی کنند که آیا این الگو‌ها در سطح جهانی نیز صدق می‌کند یا خیر.

محدودیت دیگر این است که پژوهش تنها بر دانشجویانی متمرکز بود که از قبل تجربه استفاده از ابزار‌های هوش مصنوعی مولد داشتند. این مطالعه بررسی نکرد که چرا برخی دانشجویان به‌طور کلی از این ابزار‌ها استفاده نمی‌کنند؛ موضوعی که می‌تواند به کشف عوامل شخصیتی یا موقعیتی دیگر منجر شود. همچنین، این پژوهش متغیر‌هایی همچون سواد دیجیتال یا انگیزش تحصیلی را کنترل نکرد؛ عواملی که ممکن است بر پذیرش فناوری اثرگذار باشند.

پژوهشگران همچنین خاطرنشان کردند که آنها از مدل‌های تثبیت‌شده پذیرش فناوری در چارچوب کار خود استفاده نکردند. تحقیقات آینده می‌تواند با ادغام نظریه‌هایی مانند مدل پذیرش فناوری (Technology Acceptance Model) یا نظریه یکپارچه پذیرش و استفاده از فناوری (UTAUT) به درک جامع‌تری از رفتار دانشجویان منجر شود.

همچنین نگرانی‌های اخلاقی مرتبط با استفاده از هوش مصنوعی در آموزش وجود دارد. در حالی که ابزار‌هایی مانند ChatGPT می‌توانند یادگیری را ارتقا دهند، اما پرسش‌هایی درباره صداقت علمی، وابستگی بیش از حد، اطلاعات نادرست و دسترسی نیز مطرح می‌شود. با پیچیده‌تر شدن و گسترش حضور هوش مصنوعی مولد در نظام‌های آموزشی، تحقیقات آینده باید به این چالش‌ها بپردازند.

به گزارش (psypost) این مطالعه با عنوان «نقش ویژگی‌های شخصیتی در پیش‌بینی استفاده آموزشی از هوش مصنوعی مولد در آموزش عالی» توسط ابراهیم آرپاجی، اسماعیل کوشجی و عمر جبرئیل انجام شده است.