ΣΕ ΜΙΑ ΠΑΡΤΙΔΑ ΣΚΑΚΙ, μια εξαιρετική κίνηση μπορεί να αλλάξει τα πάντα. Για να τη βρεις, πρέπει να υπολογίσεις συνέχειες, να διακινδυνεύσεις ένα λάθος, ίσως να θυσιάσεις ένα κομμάτι. Ας υποθέσουμε, τώρα, πως δίπλα στη σκακιέρα σου υπάρχει ένα κουμπί με την ένδειξη «Get a tip!». Το πατάς και η τεχνητή νοημοσύνη αποκαλύπτει την καλύτερη επιλογή, μαζί με την εξήγησή της.
Η παρτίδα γίνεται ευκολότερη. Πόσο θα σε βοηθήσει όμως αυτή η εξάσκηση στο επόμενο παιχνίδι, όταν θα χρειαστεί να βρεις μόνος σου τη σωστή κίνηση;
Αυτό το μικρό κουμπί βρίσκεται στο επίκεντρο μιας μελέτης του Στέφανου Πουλίδη, υποψήφιου διδάκτορα στις Επιστήμες Αποφάσεων στο INSEAD, και των Hamsa Bastani και Osbert Bastani από το Πανεπιστήμιο της Πενσιλβάνια. Η έρευνα εξετάζει ουσιαστικά τι ακριβώς συμβαίνει στη μάθηση όταν ο εκπαιδευόμενος μπορεί να ζητά από το AI τη λύση οποιαδήποτε στιγμή.
Για να εκπονήσουν τη μελέτη τους, «μια από τις πρώτες σχετικά με τις μακροπρόθεσμες επιπτώσεις της τεχνητής νοημοσύνης», όπως περιγράφει ο Στέφανος, οι ερευνητές στρατολόγησαν 306 σκακιστές από συλλόγους στην Ελλάδα, την Κύπρο και την Κένυα. Από αυτούς, 216 ολοκλήρωσαν το πρόγραμμα και συμπεριλήφθηκαν στην κύρια ανάλυση, ενώ σχεδόν οι μισοί ήταν έως 18 ετών. Για δώδεκα εβδομάδες, οι σκακιστές εξασκούνταν σε μια ειδικά σχεδιασμένη πλατφόρμα, απέναντι σε μια σκακιστική μηχανή προσαρμοσμένη στο επίπεδό τους. Συνολικά έπαιξαν περίπου 8.000 προπονητικές παρτίδες.
Οι συμμετέχοντες χωρίστηκαν τυχαία σε δύο ομάδες. Όλοι λάμβαναν αυτόματες ειδοποιήσεις σε κρίσιμες θέσεις: η πλατφόρμα τούς επισήμαινε ότι υπήρχε μια σημαντική ευκαιρία στη σκακιέρα και, αφού έπαιζαν, εξηγούσε τι είχαν κάνει σωστά ή ποια κίνηση είχαν χάσει.
Η μία ομάδα, ωστόσο, είχε επιπλέον το επίμαχο κουμπί ΑΙ που αποκάλυπτε τη βέλτιστη κίνηση πριν παίξουν. Οι συμμετέχοντες μπορούσαν να το χρησιμοποιούν όσο συχνά ήθελαν, ακόμη και σε κάθε γύρο.
Στην προπόνηση, αυτή η δυνατότητα τους χάριζε, φυσικά, καλύτερα αποτελέσματα. Ωστόσο, στην τελική αξιολόγηση, όπου όλοι έπαιξαν χωρίς βοήθεια, φάνηκε το κόστος: η ομάδα με το κουμπί βελτίωσε τη μέση βαθμολογία της στις δοκιμαστικές παρτίδες κατά 30%, έναντι 64% της άλλης ομάδας.
Και οι δύο ομάδες προόδευσαν, αλλά εκείνη με τις έτοιμες απαντήσεις κατέγραψε λιγότερη από τη μισή αύξηση στη βαθμολογία. Τα ποσοστά αφορούν τις συγκεκριμένες δοκιμασίες, καθώς η σκακιστική ικανότητα εξελίσσεται με πιο σύνθετο τρόπο. Το εύρημα, όμως, δείχνει ξεκάθαρα πόσο εύκολα η καλύτερη επίδοση με τη βοήθεια του AI μπορεί να συνοδεύεται από μικρότερη πρόοδο όταν η βοήθεια αποσύρεται.
Ο Στέφανος περιγράφει στο WIRED Greece τον μηχανισμό με τον όρο «productive struggle»: την παραγωγική προσπάθεια που καταβάλλουμε όταν αντιμετωπίζουμε ένα πρόβλημα απαιτητικό μεν, αλλά από την άλλη προσιτό στις δυνατότητές μας.
Μια πολύ εύκολη άσκηση, όπως εξηγεί, προσφέρει ελάχιστα καινούργια πράγματα. Μια υπερβολικά δύσκολη, από την άλλη, μπορεί να μας αφήσει ακινητοποιημένους. Ανάμεσά τους υπάρχει μια περιοχή όπου «η προσπάθεια έχει μεγαλύτερη εκπαιδευτική αξία», όπως αναφέρει ο ερευνητής, και την οποία η μελέτη προσεγγίζει μέσα από τη «ζώνη επικείμενης ανάπτυξης» κάθε παίκτη.
Οι ερευνητές εκτίμησαν αυτή τη ζώνη συνδυάζοντας το επίπεδο του σκακιστή με την υπολογιστική δυσκολία κάθε θέσης. Η ανάλυσή τους υποδεικνύει ότι περίπου το μισό χάσμα στην πρόοδο των δύο ομάδων συνδέεται με αυτές ακριβώς τις στιγμές: οι παίκτες ζητούσαν τη σωστή κίνηση σε θέσεις που μπορούσαν να αντιμετωπίσουν με δική τους προσπάθεια. Για τη βοήθεια σε πολύ ευκολότερες ή δυσκολότερες θέσεις, η αντίστοιχη ανάλυση δεν εντόπισε επιβάρυνση της μάθησης.
Έπειτα υπήρχε και δεύτερο κόστος της εξάρτησης από το ΑΙ. Οι παίκτες με το κουμπί ολοκλήρωσαν κατά μέσο όρο 32 προπονητικές παρτίδες, έναντι 42 της άλλης ομάδας. Ανέφεραν μικρότερη αίσθηση προσωπικού επιτεύγματος, και η ευκολότερη νίκη συνοδευόταν από λιγότερη εξάσκηση. Με άλλα λόγια, με την έτοιμη λύση διαθέσιμη από το ΑΙ, ένιωθαν λιγότερο ότι είχαν καταφέρει κάτι οι ίδιοι.
Αρκετοί εκ των συμμετεχόντων αναγνώρισαν επίσης και τον κίνδυνο της υπερβολικής εξάρτησης. Περίπου 30% εξέφρασαν ανησυχία ότι η εξάρτηση βλάπτει τη μάθηση, και το 44% της ομάδας με το κουμπί θα προτιμούσε στο μέλλον να προπονείται χωρίς καμία βοήθεια. Παρ’ όλα αυτά, τα αιτήματα για έτοιμες κινήσεις αυξάνονταν όσο περνούσαν οι εβδομάδες. Ο Στέφανος χρησιμοποιεί μια καθημερινή αναλογία για να εξηγήσει αυτό το παράδοξο, καθώς και τη δυσκολία του αυτοελέγχου: «μπορείς να αντισταθείς στο παγωτό όσο βρίσκεται στο σουπερμάρκετ. Όταν όμως το έχεις ήδη στο σπίτι, η αυτοσυγκράτηση γίνεται δυσκολότερη».
Το κόστος ήταν μικρότερο για όσους είχαν ισχυρό κίνητρο, δηλαδή για όσους αφιέρωναν περισσότερες ώρες την εβδομάδα στο σκάκι, όχι όμως για τους πιο έμπειρους. Με άλλα λόγια, οι δυνατότεροι παίκτες δεν αποδείχθηκαν απαραίτητα πιο θωρακισμένοι απέναντι στον πειρασμό της έτοιμης λύσης.
Για τον Στέφανο, τα ευρήματα ανοίγουν μια συγκεκριμένη συζήτηση για τον σχεδιασμό της τεχνολογίας. «Όταν αρχίσουμε να καταλαβαίνουμε τους μηχανισμούς με τους οποίους η τεχνολογία επηρεάζει τον άνθρωπο, τότε φτάνουμε στα πιο καίρια ερωτήματα: τι μπορούμε να κάνουμε για αυτό και πώς χτίζουμε καλύτερη τεχνολογία;», αναρωτιέται.
Η πρόταση των ερευνητών είναι οι ψηφιακοί δάσκαλοι να προσαρμόζουν τόσο τη χρονική στιγμή όσο και το περιεχόμενο της βοήθειας του ΑΙ. Σε μια άσκηση που ο μαθητής μπορεί να κατακτήσει με προσπάθεια, μια υπόδειξη ή μια ερώτηση μπορεί να κρατήσει τη σκέψη ενεργή. Σε μια υπερβολικά δύσκολη άσκηση, η αναλυτικότερη καθοδήγηση μπορεί να τον βοηθήσει να προχωρήσει.
«Προφανώς δεν χρειάζεται να κόψουμε το AI παντού», λέει ο Στέφανος. Επιστρατεύοντας την εικόνα του κουτιού της Πανδώρας, υπογραμμίζει ότι «δεν μπορούμε πια να πάμε πίσω». Προτείνει, ωστόσο, πιο στοχευμένους κανόνες χρήσης: ένα σχολείο ή ένας οργανισμός μπορεί να αξιοποιήσει όσα γνωρίζει για τους μαθητές ή τους εργαζομένους του, ώστε να καθορίζει σε ποιες εργασίες θα παρέχεται βοήθεια και πόση πληροφορία θα αποκαλύπτει το AI.
Αυτή η εξατομικευμένη στρατηγική χρειάζεται φυσικά περαιτέρω δοκιμή, όπως και η μεταφορά των ευρημάτων από το σκάκι σε άλλα μαθήματα και επαγγέλματα. Το πείραμα, πάντως, αναδεικνύει μια συγκεκριμένη ευθύνη για τους σχεδιαστές εκπαιδευτικών εφαρμογών: να διατηρούν χώρο για την προσπάθεια που χτίζει δεξιότητες.
Μερικές φορές, αυτό σημαίνει να καθυστερούν την εμφάνιση της σωστής απάντησης, ακόμα και την εποχή που έχουμε αρχίσει να συνηθίζουμε το ChatGPT να τα σερβίρει όλα έτοιμα.
Ακολουθήστε μας στο κανάλι μας στο You Tube για να μη χάνετε κανένα vidcast.
What’s Next: Kλείστε την early bird θέση σου στο επόμενο μεγάλο event του WIRED Greece.
Κάντε ετήσια συνδρομή στο WIRED Greece ώστε να μη χάνετε κανένα τεύχος.
Με την εγγραφή σας, συμφωνείτε με τους Όρους Χρήσης μας (συμπεριλαμβανομένης της παραίτησης από ομαδικές αγωγές και των διατάξεων διαιτησίας) και αναγνωρίζετε την Πολιτική Απορρήτου μας.
