نوشته‌ها

ارزیابی سواد هوش مصنوعی در کتابخانه‌های دانشگاهی: مطالعه پیمایشی با تاکید بر کارمندان ایالات متحده

چکیده

این نظرسنجی سواد هوش مصنوعی (AI) را در میان کارمندان کتابخانه دانشگاهی، عمدتاً در ایالات متحده، با مجموع 760 پاسخ‌دهنده، بررسی می‌کند. یافته‌ها درک متوسطی از مفاهیم هوش مصنوعی، تجربه عملی محدود در استفاده از ابزارهای هوش مصنوعی و شکاف‌های قابل‌توجهی درباره پیامدهای اخلاقی و همکاری در پروژه‌های هوش مصنوعی را نشان می‌دهند. علیرغم شناخت مزایا، آمادگی برای اجرای هوش مصنوعی در میان شرکت‌کنندگان کم به نظر می رسد. پاسخگویان بر لزوم آموزش همه جانبه و ایجاد رهنمودهای اخلاقی تأکید دارند. این مطالعه چارچوبی را پیشنهاد می‌کند که مؤلفه‌های اصلی سواد هوش مصنوعی را برای کتابخانه‌ها تعریف می‌کند. نتایج بینش هایی را برای توسعه حرفه‌ای و تدوین خط مشی ارائه می‌دهد؛ زیرا کتابخانه‌ها به طور فزاینده‌ای هوش مصنوعی را در خدمات و عملیات خود ادغام می‌کنند.

منبع: Evaluating AI literacy in academic libraries: A survey study with a focus on US employees  LS Lo – 2024 ترجمه دکتر مریم اسدی

مقدمه

در دنیایی که به طور فزاینده‌ای توسط الگوریتم‌ها دیکته می‌شود، هوش مصنوعی (AI) صرفاً یک پدیده فناورانه نیست، بلکه یک نیروی دگرگون‌کننده است که چشم‌اندازهای فکری، اجتماعی و حرفه‌ای ما را بازتعریف می‌کند (مک‌کینزی و شرکت، 2023). ادغام سریع هوش مصنوعی در زندگی روزمره ما پیامدهای عمیقی برای آموزش عالی دارد، بخشی که به آماده‌سازی افراد برای هدایت، مشارکت و پیشرفت در این عصر مبتنی بر هوش مصنوعی سپرده شده است. از محیط‌های یادگیری شخصی گرفته تا وظایف اداری خودکار، نفوذ هوش مصنوعی در آموزش عالی فراگیر است و ظرفیت های آن بی حد و حصر است. بااین‌حال، این ظرفیت تنها در صورتی می‌تواند به طور مؤثر مورد استفاده قرار گیرد که کسانی که در خط مقدم دانشگاه هستند – مربیان، پژوهشگران، مدیران، و به‌ویژه کارمندان کتابخانه دانشگاهی – به سواد هوش مصنوعی لازم مجهز باشند (یونسکو، 2021). بدون درک اصول، قابلیت‌ها و ملاحظات اخلاقی هوش مصنوعی، آموزش عالی در معرض خطر گرفتار شدن به دام مشکلات هوش مصنوعی به جای استفاده از مزایای آن قرار می‌گیرد.

خطرها و مزایای بالقوه بر نیاز مبرم برای بررسی و ارتقای سواد هوش مصنوعی در جامعه آموزش عالی تأکید می‌کند؛ یعنی وظیفه‌ای که با درک وضعیت فعلی آن آغاز می‌شود. کارکنان کتابخانه‌های دانشگاهی به‌عنوان تسهیل‌کننده اطلاعات و دانش، در چهارراه این انقلاب هوش مصنوعی ایستاده‌اند و سواد هوش مصنوعی‌شان را به یک امر ضروری و نه یک انتخاب برای آینده آموزش عالی تبدیل می‌کنند.

سواد هوش مصنوعی: بافت و زمینه

در عصری که با رشد تصاعدی در فناوری دیجیتال مشخص شده است، مفهوم سواد فراتر از مهارت‌های سنتی خواندن و نوشتن تکامل‌یافته و طیف گسترده‌ای از شایستگی‌های دیجیتال را در بر می‌گیرد. یکی از این شایستگی‌ها که در آموزش عالی اهمیت حیاتی پیدا می‌کند، سواد هوش مصنوعی است. با شروع نفوذ سیستم‌های هوش مصنوعی به تمام جنبه‌های عملیات دانشگاه – از سیستم‌های مدیریت یادگیری گرفته تا تحلیل‌های تحقیقاتی – توانایی درک و هدایت این ابزارهای هوش مصنوعی به یک مهارت ضروری برای کارمندان کتابخانه دانشگاهی تبدیل شده است.

سواد هوش مصنوعی به‌عنوان زیرمجموعه‌ای از سواد دیجیتال، به درک اصول، کاربردها و ملاحظات اخلاقی هوش مصنوعی مربوط می‌شود. این نه‌تنها شامل توانایی استفاده مؤثر از ابزارهای هوش مصنوعی، بلکه ظرفیت ارزیابی خروجی‌های آن‌ها به‌صورت انتقادی، درک مکانیسم‌های زیربنایی آن‌ها و تأمل در پیامدهای اخلاقی و اجتماعی آن‌ها است. سواد هوش مصنوعی فقط برای متخصصان کامپیوتر نیست. به‌عنوان لو، 2023) و سنتی دامارا و همکاران (2022)  تأکید می‌کنند، عملیاتی کردن سواد هوش مصنوعی برای افراد غیرمتخصص ضروری است.

اهمیت سواد هوش مصنوعی در آموزش عالی توسط چندین روند و چالش معاصر تأکید شده است. شرکت‌ها و دولت‌ها در سطح جهانی درگیر رقابت شدیدی هستند تا در خط مقدم یکپارچه‌سازی هوش مصنوعی باقی بمانند. هم‌زمان، انتشار سریع هوش مصنوعی باعث ایجاد نگرانی‌های اخلاقی و حفظ حریم خصوصی می‌شود که نیازمند نظارت آگاهانه است (کاکس، 2022). علاوه بر این، همه‌گیری کووید19 تحول دیجیتال آموزش عالی را تسریع کرده است و منجر به افزایش اتکا به فناوری‌های هوش مصنوعی برای یادگیری و فعالیت ها از راه دور شده است. این اتکا بیشتر به ضرورت سواد هوش مصنوعی در میان کارمندان کتابخانه دانشگاهی اشاره می‌کند که نقشی اساسی در تسهیل یادگیری و پژوهش آنلاین دارند.

همان‌طور که هوش مصنوعی در سراسر آموزش عالی گسترش می‌یابد، توسعه سواد هوش مصنوعی به طور فزاینده‌ای به‌عنوان یک اولویت برای آماده‌سازی دانشجویان، اساتید، کارکنان و مدیران برای استفاده از ظرفیت هوش مصنوعی و درعین‌حال کاهش خطرات شناخته می‌شود (انجی و همکاران، 2021). مطالعه Hervieux and Wheatley (2021) در سال 2019 (163=n) نشان داد که کتابداران دانشگاهی به آموزش بیشتری در مورد هوش مصنوعی و کاربردهای بالقوه آن در کتابخانه‌ها نیاز دارند. گزارش اخیر وزارت آموزش ایالات متحده (2023) در مورد هوش مصنوعی بر اهمیت فزاینده سواد هوش مصنوعی برای مربیان و دانشجویان تأکید می‌کند و بر ضرورت درک و ادغام فناوری‌های هوش مصنوعی در محیط‌های آموزشی تأکید می‌کند. این گزارش با گفتمان گسترده‌تر در مورد سواد هوش مصنوعی هماهنگ است و بر نیاز به تجهیز متخصصان کتابخانه به مهارت‌های لازم برای ارزیابی و استفاده مؤثر از ابزارهای هوش مصنوعی تأکید می‌کند (Lo, 2023a).

درحالی‌که تلاش‌ها برای ارتقای سواد هوش مصنوعی درحال‌رشد است، محتوای موردنیاز برای گروه‌های هدف مختلف همچنان مبهم است. برخی از ابزارهای اندازه‌گیری امیدوارکننده پیشنهاد شده‌اند، مانند مقیاس چندبعدی پینسکی و بنلیان (2023) که دانش درک شده از فناوری هوش مصنوعی، فرایندها، همکاری و طراحی را ارزیابی می‌کند. بااین‌حال، اعتبار بیشتر برای ارزیابی‌های سواد هوش مصنوعی موردنیاز است. توسعه تعاریف و اندازه‌گیری‌های دقیق برای اجرای طرح‌های مؤثر سواد هوش مصنوعی بسیار مهم است.

Ridley و Pawlick-Potts (2021) مفهوم سواد الگوریتمی را مطرح کردند که شامل درک الگوریتم‌ها و تأثیر آنها، شناخت کاربردهای آنها، ارزیابی تأثیرات آنها و قراردادن افراد به‌عنوان عوامل فعال به‌جای دریافت‌کنندگان منفعل تصمیم‌گیری الگوریتمی است. آنها پیشنهاد می‌کنند که کتابخانه‌ها می‌توانند با ادغام آن در آموزش سواد اطلاعاتی و پشتیبانی از هوش مصنوعی قابل‌توضیح، به سواد الگوریتمی کمک کنند.

اوکانا -فرناندز و همکاران. (2019) استدلال می‌کند که تغییرات برنامه درسی و مهارت‌های آموزشی برای آماده‌سازی دانشجویان و اساتید برای آینده هوش مصنوعی بسیار مهم است، اگرچه در مورد مسائل نابرابری دیجیتال نیز هشدار می‌دهد. بررسی محدوده لاوپیچلر و همکاران (2022) نشان می‌دهد که تلاش‌ها برای آموزش پایه سواد هوش مصنوعی به افراد غیرمتخصص هنوز در مراحل شکل‌گیری است. مهارت‌های ضروری پیشنهادی به طور قابل‌توجهی در چارچوب‌ها متفاوت است، و ارزیابی‌های قوی از برنامه‌های سواد هوش مصنوعی وجود ندارد. یافته‌ها نشان می‌دهد که دوره‌های سواد هوش مصنوعی بادقت طراحی شده، نویدبخش دستاوردهای دانش هستند. بااین‌حال، تحقیقاتی که چارچوب‌های مناسب، شایستگی‌های اصلی و رویکردهای آموزشی مؤثر را برای مخاطبان مختلف اثبات می‌کند، همچنان یک نیاز آشکار است.

در داخل کتابخانه‌ها، هک و همکاران. (2019) در مورد تأثیر متقابل سواد اطلاعاتی و هوش مصنوعی بحث کرد. آنها پیشنهاد می‌کنند که هوش مصنوعی می‌تواند به آموزش سواد اطلاعاتی از طریق بازخورد به‌موقع و توسعه مهارت‌های ردیابی کمک کند، اما توجه داشته باشید که ابتدا باید رویکردهای ارزیابی رایج ایجاد شود. سواد اطلاعاتی به یادگیرندگان این امکان را می‌دهد که به طور فعال با سیستم‌های هوش مصنوعی تعامل داشته باشند، نه فقط به طور منفعلانه از آن استفاده کنند. لو (2023c) چارچوبی را برای استفاده از مهندسی سریع برای افزایش سواد اطلاعاتی و مهارت‌های تفکر انتقادی پیشنهاد کرد.

اولیفانت (2015) عوامل هوشمند را برای خدمات مرجع کتابخانه مورد بررسی قرار داد. تجزیه‌وتحلیل نشان داد که آنها به‌سرعت اطلاعات را بازیابی می‌کنند؛ اما فاقد توانایی‌های ارزیابی انسانی هستند. یافته‌ها نشان می‌دهد که کتابداران باید کاربران را در ارزیابی انتقادی نتایج حاصل از هوش مصنوعی راهنمایی کنند که نشان می‌دهد آموزش سواد اطلاعاتی همچنان حیاتی است. علاوه بر این، لوند و همکاران. (2023) مفاهیم اخلاقی استفاده از مدل‌های زبانی بزرگ، مانند ChatGPT، در انتشارات علمی را موردبحث قرار می‌دهند و بر نیاز به ملاحظات اخلاقی و تأثیر بالقوه هوش مصنوعی بر روی شیوه‌های پژوهش تأکید می‌کنند.

درحالی‌که تحقیقات هنوز در حال ظهور است، یافته‌های اولیه نیاز به ابتکارات دقیق و متناسب باسواد هوش مصنوعی شامل مهارت‌های فنی، دیدگاه‌های انتقادی و ملاحظات اخلاقی را برجسته می‌کند. همان‌طور که هوش مصنوعی با آموزش و کار بیشتر در هم می‌پیچد، توسعه چارچوب‌ها، ارزیابی‌ها و رویکردهای آموزشی معتبر برای تقویت سواد هوش مصنوعی چندبعدی در زمینه‌ها و نقش‌ها یک اولویت فوری است. این مطالعه به دنبال کمک به بررسی سواد هوش مصنوعی به طور خاص در میان کارکنان کتابخانه دانشگاهی است.

هدف از مطالعه

سرعت سریع توسعه و ادغام هوش مصنوعی در آموزش عالی نیاز به رسیدگی به این شکاف تحقیقاتی را تشدید می‌کند. همان‌طور که هوش مصنوعی به تکامل و نفوذ بیشتر در کتابخانه‌های دانشگاهی ادامه می‌دهد، تقاضا برای کارمندان کتابخانه باسواد هوش مصنوعی افزایش می‌یابد. عدم درک وضعیت فعلی سواد هوش مصنوعی و شناسایی شکاف‌ها، می‌تواند منجر به کمبود مهارت‌های قابل‌توجهی شود که مانع استفاده مؤثر از هوش مصنوعی در کتابخانه‌های دانشگاهی می‌شود.

باتوجه‌به این موضوع، هدف این مطالعه آغاز بررسی سواد هوش مصنوعی در میان کارکنان کتابخانه دانشگاهی است. این تحقیق به دنبال پاسخگویی به سؤالات مهم تحقیق زیر است:

1.سطح سواد هوش مصنوعی در بین کارکنان کتابخانه‌های دانشگاهی در حال حاضر چقدر است؟

2.چه شکاف هایی در سواد هوش مصنوعی آنها وجود دارد و چگونه می توان این شکاف‌ها را از طریق توسعه حرفه‌ای و برنامه‌های آموزشی برطرف کرد؟

3.برداشت آنها از هوش مصنوعی مولد چیست و چه پیامدهایی را برای حرفه کتابداری پیش بینی می‌کنند؟

با پرداختن به این پرسش‌ها، این مطالعه باهدف پر کردن شکاف پژوهشی و ارائه بینش‌هایی است که می‌تواند سیاست‌گذاری و عمل در آموزش عالی را ارائه دهد. تلاش می‌کند تا شایستگی‌هایی را که کارکنان کتابخانه‌های دانشگاهی دارند، شناسایی کند، شکاف‌هایی را که باید برطرف شوند، و استراتژی‌هایی برای افزایش سواد هوش مصنوعی در میان این گروه مهم از متخصصان آموزش عالی پیشنهاد می‌کند.

چارچوب نظری

چارچوب دانش محتوای آموزشی فناوری (TPACK) که توسط میشرا و کوهلر (2006) توسعه‌یافته است، به‌عنوان پایه نظری برای این مطالعه عمل می‌کند. TPACK همچنین به‌عنوان یک ساختار تصمیم‌گیری مفید برای کتابدارانی که فناوری‌های آموزشی را ارزیابی می‌کنند، مورد حمایت قرار گرفته است (سوبل و گروتی، 2013). میشرا و کوهلر (2006) توضیح می‌دهند که TPACK شامل کاربرد انعطاف‌پذیر، زمینه خاص از فناوری، آموزش و دانش محتوا است. فراتر از دانش و مجزا از مفاهیم به درک یکپارچه می‌پردازد.

در چارچوب این مطالعه، محقق چارچوب TPACK را برای بررسی سواد هوش مصنوعی به طور خاص در میان متخصصان کتابخانه دانشگاهی به کار برد. سه جزء کلیدی چارچوب TPACK به‌صورت زیر تفسیر می‌شوند:

  1. دانش فناورانه (TK) – دانش در مورد خود هوش مصنوعی، از جمله اصول، قابلیت‌ها و محدودیت‌های آن. این شامل درک هوش مصنوعی به‌عنوان یک فناوری و کاربردهای بالقوه آن در برنامه‌های کتابخانه است.
  2. دانش شیوه های آموزشی (PK) – دانش در مورد چگونگی استفاده از هوش مصنوعی برای بهبود خدمات کتابخانه و تسهیل یادگیری. این به درک چگونگی ادغام هوش مصنوعی در خدمات کتابخانه برای بهبود تجربه کاربر، ساده کردن عملیات و پشتیبانی از یادگیری مربوط می‌شود.
  3. دانش محتوا (CK) – دانش در مورد محتوا و خدمات کتابخانه. این شامل درک تأثیر بالقوه هوش مصنوعی بر محتوا و خدمات کتابخانه است و اینکه چگونه هوش مصنوعی می‌تواند مدیریت و ارائه آنها را بهبود بخشد.

این کاربرد مناسب چارچوب TPACK امکان ارزیابی چندبعدی سواد هوش مصنوعی را در میان کارمندان کتابخانه دانشگاهی فراهم می‌کند. این بررسی درک کارکنان از هوش مصنوعی به‌عنوان یک فناوری (TK)، ادراکات درباره اینکه چگونه هوش مصنوعی می‌تواند خدمات کتابخانه (PK) را بهبود بخشد و تأثیر بالقوه هوش مصنوعی بر محتوا و خدمات کتابخانه (CK) را تسهیل می‌کند.

اهمیت مطالعه

اهمیت این مطالعه در توانایی آن در کمک به سیاست‌گذاری، عمل و نظریه کتابخانه دانشگاهی از طرق مختلف نهفته است. در مرحله اول، از چارچوب TPACK برای ارزیابی سواد هوش مصنوعی در میان کارکنان کتابخانه دانشگاهی، شناسایی شایستگی‌ها، شکاف‌ها و استراتژی‌های لازم استفاده می‌کند. این بینش برای طراحی برنامه‌های توسعه حرفه‌ای مؤثر و همچنین برای تخصیص منابع بسیار مهم است. ثانیاً، با تمرکز ویژه بر سواد هوش مصنوعی، به گفتمان در مورد سواد دیجیتال در آموزش عالی می‌افزاید و به درک نقش و پیامدهای آن کمک می‌کند. ثالثاً، این مطالعه بینش‌هایی را درباره ابعاد اخلاقی، عملی و فرصت ادغام فناوری هوش مصنوعی در کتابخانه‌ها ارائه می‌دهد و بهترین شیوه‌ها و دستورالعمل‌ها را برای استفاده مسئولانه از آن ارائه می‌دهد. در نهایت، با استفاده از چارچوب TPACK برای سواد هوش مصنوعی در کتابخانه‌ها، این مطالعه کاربردهای نظری خود را گسترش می‌دهد و مبنایی قوی برای تحقیقات آینده در یکپارچه‌سازی فناوری در محیط‌های دانشگاهی ارائه می‌دهد.

روش‌شناسی

طراحی پژوهش

این مطالعه از یک رویکرد مبتنی بر نظرسنجی برای بررسی سواد هوش مصنوعی در میان کارمندان کتابخانه دانشگاهی استفاده می‌کند که به دلیل توانایی آن در جمع‌آوری سریع داده‌های گسترده در یک گروه جغرافیایی متنوع انتخاب شده است. این روش با چارچوب TPACK مطابقت دارد و ادغام دانش فنی، آموزشی و محتوایی را برجسته می‌کند. نظرسنجی‌ها جمع‌آوری داده‌های استاندارد شده را تسهیل می‌کند و امکان مقایسه بین نقش‌ها و جمعیت‌های مختلف را فراهم می‌کند. این طرح به‌ویژه برای تحقیقات توصیفی در آموزش عالی مؤثر است و آن را برای ارزیابی وضعیت فعلی سواد هوش مصنوعی در کتابخانه‌های دانشگاهی مناسب می‌کند.

شرکت‌کنندگان

محقق از یک رویکرد جامع برای استخدام گروه متنوعی از کارکنان کتابخانه دانشگاهی برای نظرسنجی استفاده کرد. این شامل ارسال در گروه‌های بحث در نقش‌ها و مناطق مختلف در کتابداری (پیوست A)، و همچنین تماس مستقیم با مدیران انجمن‌های کتابخانه‌های برجسته: انجمن کتابخانه‌های تحقیقاتی (ARL)، اتحادیه کتابخانه‌های غربی بزرگ (GWLA) و نیومکزیکو و کنسرسیوم کتابخانه‌های دانشگاهی (NMCAL) بود. این سازمان‌ها طیف وسیعی از کتابخانه‌های دانشگاهی را از نظر اندازه، مکان و نوع نشان می‌دهند. از مدیران خواسته شد که نظرسنجی را با کارکنان خود به اشتراک بگذارند.

جمع‌آوری داده‌ها

جمع‌آوری داده‌ها از طریق یک ابزار نظرسنجی طراحی شده سفارشی که با استفاده از پلتفرم Qualtrics (پیوست B) ساخته و مدیریت می‌شد. این نظرسنجی برای پاسخگویی به سؤالات پژوهشی مطالعه ایجاد شد و در چهار بخش اصلی ساختاریافته بود که هر بخش بر جنبه خاصی از سواد هوش مصنوعی در میان کارمندان کتابخانه دانشگاهی تمرکز دارد.

بخش اول به دنبال دریافت درک و دانش پاسخ‌دهندگان از هوش مصنوعی، از جمله آشنایی آنها با مفاهیم و اصطلاحات هوش مصنوعی بود. بخش دوم بر مهارت‌ها و تجربیات عملی پاسخ‌دهندگان با ابزارها و برنامه‌های کاربردی هوش مصنوعی در محیط‌های حرفه‌ای متمرکز بود. هدف بخش سوم شناسایی حوزه‌هایی از سواد هوش مصنوعی بود که پاسخ‌دهندگان در آن‌ها احساس اعتماد کمتری می‌کردند و نشانه‌ای از شکاف‌های بالقوه در دانش یا مهارت‌هایی بود که می‌توان از طریق طرح‌های توسعه حرفه‌ای به آن پرداخت. در نهایت، بخش آخر دیدگاه‌های پاسخ‌دهندگان را در مورد پیامدهای اخلاقی و چالش‌های ارائه‌شده توسط فناوری‌های هوش مصنوعی در زمینه کتابخانه بررسی کرد.

این نظرسنجی از ترکیبی از انواع سؤال برای درگیرکردن پاسخ‌دهندگان و گرفتن داده‌های ظریف استفاده کرد. اینها شامل سؤالات در مقیاس لیکرت، سؤالات چندگزینه‌ای و سؤالات باز بود. قبل از مدیریت در مقیاس جامع، نظرسنجی به‌صورت آزمایشی با گروه کوچکی از کارکنان کتابخانه دانشگاهی مورد آزمایش قرار گرفت تا از وضوح، مرتبط بودن و مناسب‌بودن سؤالات اطمینان حاصل شود.

سؤالات نظرسنجی به‌گونه‌ای طراحی شده‌اند که از ابعاد مختلف چارچوب TPACK بهره ببرند. به‌عنوان‌مثال، سؤالاتی که در مورد تجربیات عملی با ابزارهای هوش مصنوعی و زمینه‌های بهبود شناسایی شده توسط خود می‌پرسند، به طور غیرمستقیم دانش فنی و آموزشی (TPK) را ارزیابی می‌کنند، زیرا آنها با هوش مصنوعی مرتبط هستند.

پس از نهایی‌شدن نظرسنجی، یک دعوت‌نامه برای شرکت به همراه پیوندی به نظرسنجی، از طریق لیست سروها و روش‌های ارتباط مستقیم توزیع شد. این نظرسنجی به مدت دو هفته باز ماند و یادآوری‌هایی در فواصل زمانی منظم برای به حداکثر رساندن نرخ پاسخ ارسال شد.

محدودیت‌ها

درحالی‌که این مطالعه بینش‌هایی را در مورد سواد هوش مصنوعی در میان کارکنان کتابخانه دانشگاهی ارائه می‌کند، اذعان به محدودیت‌های آن بسیار مهم است. اولاً، باتوجه‌به ماهیت خوداظهاری این نظرسنجی، یافته‌ها ممکن است در معرض سوگیری مطلوبیت اجتماعی باشد، جایی که پاسخ‌دهندگان ممکن است دانش یا مهارت‌های خود را در هوش مصنوعی بیش از حد یا کمتر برآورد کرده باشند.

ثانیاً علی‌رغم بهترین تلاش‌ها برای دستیابی به طیف گسترده‌ای از کارکنان کتابخانه‌های دانشگاهی، نمونه ممکن است به طور کامل نماینده جامعه نباشد. ماهیت داوطلبانه تحقیق، همراه با روش‌های توزیع مورداستفاده، ممکن است نمونه را به سمت افرادی که علاقه یا مشارکتی در هوش مصنوعی دارند منحرف کرده باشد.

علاوه بر این، درحالی‌که استفاده از لیست سرویس‌های حرفه‌ای و ارتباط مستقیم با مدیران کتابخانه‌ها به گسترش دسترسی ما کمک کرد، این استراتژی ممکن است آن دسته از کتابخانه‌های دانشگاهی را که کمتر فعال هستند یا در این کانال‌های ارتباطی گنجانده نشده‌اند، حذف کند. گنجاندن کتابخانه‌های کانادا از طریق انجمن کتابخانه‌های تحقیقاتی تعداد کمی از پاسخ‌دهندگان غیرآمریکایی را نشان می‌دهد.

در نهایت، ماهیت در حال تکامل هوش مصنوعی و کاربردهای آن در کتابخانه‌ها به این معنی است که یافته‌های ما یک عکس فوری در یک نقطه خاص از زمان ارائه می‌دهند. همان‌طور که هوش مصنوعی به پیشرفت و ادغام عمیق‌تر در کتابخانه‌های دانشگاهی ادامه می‌دهد، چشم‌انداز سواد هوش مصنوعی در میان کارمندان کتابخانه احتمالاً تغییر می‌کند و تحقیقات مداوم در این زمینه را ضروری می‌کند.

این محدودیت‌ها اگرچه مهم است، اما یافته‌های ما را بی‌اعتبار نمی‌کند. در عوض، آن‌ها نکات قابل‌توجهی را برای تفسیر نتایج ارائه می‌کنند و زمینه‌هایی را برای تحقیقات آینده برجسته می‌کنند تا بر درک ما از سواد هوش مصنوعی در میان کارمندان کتابخانه دانشگاهی ایجاد شود.

نتایج و تجزیه‌وتحلیل

آمار توصیفی

این نظرسنجی پاسخ‌های متنوعی را به همراه داشت: 760 شرکت کننده نظرسنجی را آغاز کردند، 605 نفر آن را تکمیل کردند. شرکت‌کنندگان بخشی از چشم‌انداز کتابخانه دانشگاهی را نشان می‌دادند که اکثریت (20/45%) در دانشگاه‌های تحقیقاتی خدمت می‌کردند. بخش قابل‌توجهی نیز از مؤسسات ارائه دهنده برنامه‌های تحصیلات تکمیلی و کارشناسی (29.64٪) و کالج ها یا دانشگاه های متمرکز در مقطع کارشناسی (10.76٪) است. کالج‌های اجتماعی و مدارس تخصصی (مانند حقوق، پزشکی) نیز حضور داشتند، البته به میزان کمتر.

بیش از نیمی از پاسخ‌دهندگان (61.25٪) از کتابخانه‌های وابسته به انجمن کتابخانه‌های تحقیقاتی (ARL) بودند که نشان‌دهنده نمایندگی گسترده موسسات پژوهشی است. پاسخ‌دهندگان عمدتاً از مؤسسات دانشگاهی بزرگتر بودند. کسانی که در مؤسساتی با 30000 یا بیشتر خدمت می‌کنند، بزرگترین گروه (30.67 درصد) را تشکیل می‌دهند، و پس از آنها مؤسساتی با ثبت نام بین 10000 تا 29999 (34.66 درصد) قرار دارند.

در مورد نقش‌های حرفه‌ای، نظرسنجی به‌شدت از متخصصان یا متخصصان کتابخانه (99/60%) که مستقیماً از نیازهای پژوهشی، یادگیری و آموزشی جامعه دانشگاهی حمایت می‌کنند، انجام شد. پرسنل مدیریتی میانی (20.00٪) و ارشد (9.09٪) نیز به خوبی نشان داده شدند و دیدگاه رهبری را به بینش های نظرسنجی ارائه کردند.

اکثر پاسخ‌دهندگان عمدتاً در خدمات مرجع و پژوهشی (25.17٪) یا آموزش کتابخانه ای و سواد اطلاعاتی (24.34٪) – دو حوزه جدایی ناپذیر از زیرساخت های پشتیبانی دانشگاهی بودند.

از نظر تجربه حرفه‌ای، شرکت‌کنندگان طیف گسترده‌ای را به نمایش گذاشتند، از تازه‌کارها با کمتر از یک سال تجربه (2.81%) تا جانبازان کارکشته با بیش از 20 سال در این زمینه (22.68%). گروه مورد نظر دارای تحصیلات عالی بودند و اکثر آنها دارای مدرک کارشناسی ارشد در رشته کتابداری و اطلاع رسانی بودند (51/65%) و تعداد قابل‌توجهی نیز دارای مدرک دکترا یا فوق لیسانس در رشته دیگری بودند.

این نظرسنجی همچنین اطلاعات جمعیت‌شناختی را جمع‌آوری کرد. اکثریت قابل‌توجهی زن (71.97٪) و بزرگترین گروه سنی 35-44 سال (27.97٪) بودند. درحالی‌که اکثریت به‌عنوان سفیدپوست (76.11٪) شناخته می‌شوند، قومیت های دیگر، از جمله آسیایی، سیاهپوست یا آفریقایی آمریکایی، و اسپانیایی یا لاتین تبار نیز نماینده داشتند.

این نمایه شرکت‌کننده‌های متنوع، دیدگاه گسترده‌ای از سواد هوش مصنوعی در چشم‌انداز کتابخانه دانشگاهی ارائه می‌دهد، و زمینه را برای یافته‌ها و بحث‌های روشنگرانه فراهم می‌کند.

سؤال 1: سطوح سواد هوش مصنوعی

در سطح گسترده‌ای، شرکت‌کنندگان درک متوسطی از مفاهیم و اصول هوش مصنوعی بیان کردند و بخش قابل‌توجهی دانش خود را در سطح متوسط رتبه‌بندی کردند. بااین‌حال، تعداد پاسخ‌دهندگانی که درک بالایی از هوش مصنوعی داشتند، بسیار کم بود و زمینه بالقوه‌ای را برای آموزش و یادگیری بیشتر نشان داد.

زمانی که از شرکت‌کنندگان در مورد درک آنها از هوش مصنوعی مولد به طور خاص سؤال شد، الگوی مشابهی مشاهده شد. این نشان می‌دهد که درحالی‌که کتابداران شروع به درک هوش مصنوعی و پتانسیل آن کرده‌اند، از نظر دانش و پیاده‌سازی فضای قابل‌توجهی برای رشد وجود دارد (شکل 1).

باتوجه‌به آشنایی با ابزارهای هوش مصنوعی، اکثر شرکت‌کنندگان دارای سطح تجربه متوسط (94/30 درصد) بودند. تنها تعداد انگشت شماری از شرکت‌کنندگان سطح بالایی از آشنایی (3.87٪) را گزارش کردند که نشان‌دهنده فرصتی برای آموزش عملی بیشتر با این ابزارها است.

در بررسی شیوع استفاده از هوش مصنوعی در بخش کتابخانه، محقق چشم‌انداز متنوعی را یافت. درحالی‌که برخی از فناوری‌ها استقبال قابل‌توجهی یافته‌اند، برخی دیگر نسبتاً استفاده نشده باقی می‌مانند. قابل‌ذکر است که چت‌بات‌ها و ابزارهای متن یا داده‌کاوی پرکاربردترین فناوری‌های هوش مصنوعی بودند.

درک شرکت‌کنندگان از مفاهیم خاص هوش مصنوعی روند مشابهی را دنبال کرد. مفاهیم ساده‌تر مانند یادگیری ماشین و پردازش زبان طبیعی دارای امتیاز متوسط بالاتری بودند، درحالی‌که حوزه‌های پیچیده‌ای؛ مانند یادگیری عمیق و شبکه‌های متخاصم تولیدی کمتر شناخته شده بودند. این روند بر نیاز به برنامه‌های آموزشی هدفمند در زمینه هوش مصنوعی در برنامه‌های کتابخانه تأکید می‌کند.

قابل‌توجه است که تقریباً ۹ درصد در پاسخ‌ها نسبت به سؤالات قبلی به سؤالاتی که در مورد جنبه‌های فنی‌تر هوش مصنوعی می‌پرسیدند، کاهش یافت. این می‌تواند نشان‌دهنده شکاف در دانش یا سطح راحتی با این موضوعات در میان شرکت‌کنندگان باشد.

در حوزه حرفه‌ای، ابزارهای هوش مصنوعی هنوز به یک عنصر اصلی در کار کتابخانه تبدیل نشده‌اند. اکثر شرکت‌کنندگان اغلب از این ابزارها استفاده نمی‌کنند، به‌طوری‌که 41.79٪ هرگز از ابزارهای هوش مصنوعی مولد و 28.01٪ از آنها کمتر از یک بار در ماه استفاده می‌کنند. این ممکن است به عدم آشنایی، منابع یا نیاز درک شده نسبت داده شود. بااین‌حال، برای کسانی که از آنها استفاده می‌کنند، تولید متن و کمک‌های تحقیقاتی موارد استفاده اولیه هستند.

نگرانی در مورد مسائل اخلاقی، کیفیت و دقت محتوای تولید شده، و همچنین حفظ حریم خصوصی داده‌ها، در میان شرکت‌کنندگان رایج بود. این یافته نشان می‌دهد که درحالی‌که علاقه به فناوری‌های هوش مصنوعی وجود دارد، چالش‌های درک شده موانع قابل‌توجهی برای پیاده‌سازی و پذیرش کامل هستند.

در زندگی شخصی آنها، ابزارهای هوش مصنوعی هنوز تأثیر قابل‌توجهی در بین شرکت‌کنندگان نداشته‌اند. اکثریت (63.98٪) گزارش کردند که از این ابزارها یا “کمتر از یک بار در ماه” یا “هرگز” در زندگی روزمره استفاده می‌کنند.

آزمون کای دو برای بررسی رابطه بین موقعیت پاسخ‌دهنده و درک مفاهیم و اصول هوش مصنوعی انجام شد. رابطه بین این متغیرها معنی‌دار بود، χ² (16، N = 760) = 26.31، p = 0.05. این بدان معنی است که درک مفاهیم و اصول هوش مصنوعی بسته به موقعیت پاسخ‌دهنده متفاوت است.

توزیع‌ها نشان می‌دهند که – درحالی‌که ارتباط معنی‌داری بین موقعیت پاسخ‌دهنده و درک آنها از مفاهیم و اصول هوش مصنوعی وجود دارد – اکثر پاسخ‌دهندگان در همه موقعیت‌ها درک متوسطی از هوش مصنوعی دارند. بااین‌حال، تفاوت‌هایی در نسبت پاسخ‌دهندگانی وجود دارد که درک خود را بالا یا بسیار بالا ارزیابی می‌کنند، به‌طوری‌که مدیریت ارشد و مدیریت میانی نسبت‌های بالاتری نسبت به سایر گروه‌ها دارند.

همچنین بین حوزه کتابداری دانشگاهی و درک مفاهیم و اصول هوش مصنوعی رابطه معناداری وجود دارد. این بدان معناست که درک مفاهیم و اصول هوش مصنوعی بسته به حوزه کتابداری دانشگاهی متفاوت است. توزیع‌ها نشان می‌دهد که تفاوت‌هایی در نسبت پاسخ‌دهندگانی وجود دارد که درک خود را بالا یا بسیار بالا ارزیابی می‌کنند، با مدیریت یا مدیریت و آموزش کتابخانه‌ای و سواد اطلاعاتی نسبت‌های بالاتری نسبت به سایر گروه‌ها دارند.

علاوه بر این، یک آزمون Chi-Square نشان می‌دهد که رابطه بین پرداخت برای یک نسخه پریمیوم حداقل یکی از ابزارهای هوش مصنوعی و درک مفاهیم و اصول هوش مصنوعی قابل‌توجه است، χ² (4، N = 539) = 85.42، p < 001. توزیع‌ها نشان می‌دهند که پاسخ‌دهندگانی که برای نسخه پریمیوم حداقل یکی از ابزارهای هوش مصنوعی پرداخت کرده‌اند، در مقایسه با کسانی که این کار را نکرده‌اند، درک بالاتری از مفاهیم و اصول هوش مصنوعی دارند. این می‌تواند به این دلیل باشد که کسانی که برای نسخه پریمیوم ابزار هوش مصنوعی پول پرداخت کرده‌اند، احتمالاً از هوش مصنوعی در زندگی کاری یا شخصی خود استفاده می‌کنند که می‌تواند درک آنها از هوش مصنوعی را افزایش دهد. از طرف دیگر، کسانی که درک بالاتری از هوش مصنوعی دارند، ممکن است ارزش بیشتری را در پرداخت برای نسخه پریمیوم ابزار هوش مصنوعی ببینند.

توجه به این نکته مهم است که این یافته‌ها بر اساس درک خود رتبه‌بندی پاسخ‌دهندگان از هوش مصنوعی است که ممکن است به‌درستی درک واقعی آنها را منعکس نکند. تحقیقات بیشتر می‌تواند شامل ارزیابی درک پاسخ‌دهندگان از هوش مصنوعی از طریق اقدامات عینی باشد.

علاوه بر این، سایر عواملی که در این تحلیل در نظر گرفته نشده‌اند، مانند پیشینه تحصیلی، تجربه، و قرارگرفتن در معرض هوش مصنوعی در کار خود، نیز می‌توانند بر درک آنها از هوش مصنوعی تأثیر بگذارند.

سؤال 2: شناسایی شکاف‌ها

در این بخش، محقق عمیق‌تر به شکاف‌های دانشی و اعتماد در میان متخصصان کتابخانه‌های دانشگاهی دررابطه‌با کاربردهای هوش مصنوعی پرداخت. این شکاف‌ها نیاز فوری به توسعه حرفه‌ای و آموزش هدفمند در سواد هوش مصنوعی را برجسته می‌کند.

سطوح اطمینان در جنبه‌های مختلف هوش مصنوعی

داده‌های نظرسنجی به سطوح متوسطی از اطمینان در طیفی از وظایف مرتبط با هوش مصنوعی اشاره کرد که نشان‌دهنده فضایی برای رشد و یادگیری است. برای ارزیابی پیامدهای اخلاقی استفاده از هوش مصنوعی، 30.12 درصد از پاسخ‌دهندگان تا حدودی اعتمادبه‌نفس داشتند (سطوح 4 و 5 ترکیبی)، درحالی‌که 29.50 درصد اعتمادبه‌نفس نداشتند (سطوح 1 و 2 ترکیبی)، و بزرگ‌ترین گروه (39.38٪) بی‌طرف ماندند.

بحث در مورد ادغام هوش مصنوعی الگوهای مشابهی را نشان داد. در اینجا، 31.1 درصد اعتماد بالا، 34.85 درصد اعتماد پایین و 33.06 درصد بقیه بی طرف بودند. این توزیع‌ها نشان‌دهنده تردید یا عدم اطمینان کلی در بحث و اجرای اخلاقی هوش مصنوعی است که به طور بالقوه نشان‌دهنده آموزش ناکافی یا قرار گرفتن در معرض این موضوعات است.

وقتی نوبت به همکاری در پروژه‌های مرتبط با هوش مصنوعی می‌رسد، پاسخ‌دهندگان کمتری (31.39%) احساس اعتماد می‌کنند، درحالی‌که 40.16% اعتماد پایین را گزارش می‌کنند و 28.46% موضع خنثی را انتخاب می‌کنند. این ممکن است به‌ضرورت نه‌تنها مهارت فردی در هوش مصنوعی، بلکه نیاز به مهارت‌های مشارکتی و درک مشترک بین تیم‌هایی که با هوش مصنوعی کار می‌کنند اشاره کند.

عیب‌یابی ابزارها و برنامه‌های هوش مصنوعی به‌عنوان مهم‌ترین شکاف ظاهر شد، به‌طوری‌که 69.76 درصد اعتماد خود را پایین ارزیابی کردند و تنها 10.9 درصد اعتماد بالا را ابراز کردند. این یک زمینه ضروری برای آموزش هدفمند را برجسته می‌کند، زیرا عیب یابی یک جنبه اساسی اجرای موفقیت آمیز فناوری است.

تأمل در توسعه و آموزش حرفه‌ای در هوش مصنوعی

تقریباً یک‌سوم شرکت‌کنندگان در نظرسنجی در توسعه حرفه‌ای متمرکز بر هوش مصنوعی شرکت کرده‌اند و چندین موضوع کلیدی را به نمایش می‌گذارند:

  • روش‌های آموزش: کتابداران از طریق فرمت‌های مختلف، از جمله وبینارها، کارگاه‌ها و خودآموزی دسترسی دارند. گزینه‌های آنلاین محبوب هستند و دسترسی به آموزش‌های حرفه‌ای‌های مختلف را فراهم می‌کنند.
  • ابزارها و برنامه‌های کاربردی هوش مصنوعی: جلسات آموزشی عمدتاً ابزارهایی مانند ChatGPT و موارد دیگر را با تأکید بر عملکرد و برنامه‌های کاربردی در دانشگاه معرفی می‌کنند.
  • پیامدهای اخلاقی: جلسات اغلب به نگرانی‌های اخلاقی مانند تعصب و حریم خصوصی و سوءاستفاده احتمالی از مدل‌های هوش مصنوعی «جعبه سیاه» می‌پردازند.
  • یکپارچه‌سازی درون فعالیت‌های کاری کتابخانه‌: برنامه‌ها ادغام هوش مصنوعی در فعالیت‌های کتابخانه، از جمله آموزش، فهرست‌نویسی، و تحلیل استناد را بررسی می‌کنند.
  • سواد هوش مصنوعی: تمرکز مکرر بر درک و آموزش مفاهیم هوش مصنوعی وجود دارد که با بحث‌های گسترده‌تر سواد اطلاعاتی مرتبط است.
  • هوش مصنوعی در آموزش: آموزش شامل استفاده از ابزارهای هوش مصنوعی در آموزش کتابخانه و درک تأثیرات آن بر یکپارچگی تحصیلی است.
  • جامعه در عمل: پاسخ‌ها بر یادگیری مشارکتی تأکید می‌کنند و رویکردی مشترک برای درک چالش‌ها و فرصت‌های هوش مصنوعی را پیشنهاد می‌کنند.
  • یادگیری خود راهنما: برخی از کتابداران به طور فعال فرصت‌های یادگیری مستقل را دنبال می‌کنند که منعکس‌کننده یک موضع فعالانه در مورد توسعه حرفه‌ای هوش مصنوعی است.

یافته‌ها بر ماهیت چندوجهی هوش مصنوعی در کتابخانه‌ها تأکید می‌کنند و بر نیاز به توسعه حرفه‌ای مداوم و جامع تأکید می‌کنند. این شامل پرداختن به جنبه‌های فنی و اخلاقی، تجهیز کتابداران به مهارت‌های عملی هوش مصنوعی، و پرورش یک جامعه حمایتی از عملکرد است.

یک آزمون مجذور کای که رابطه بین موقعیت‌های پاسخ‌دهندگان و مشارکت آنها در هر آموزشی متمرکز بر هوش مصنوعی مولد را بررسی می‌کند (χ² (4، N = 595) = 26.72، P <.001) یک ارتباط معنی‌دار را نشان می‌دهد. پس از بررسی داده‌ها، نسبت پاسخ‌دهندگانی که در برنامه‌های آموزشی یا توسعه حرفه‌ای متمرکز بر هوش مصنوعی مولد شرکت کرده‌اند، در میان افرادی که در مدیریت ارشد (47.27 درصد) شرکت کرده‌اند، بالاترین میزان است و پس از آن متخصصان یا حرفه‌ای (37.40 درصد)، مدیریت میانی (29.75 درصد) قرار دارند و سایر (16.67%). این نسبت در میان کارکنان پشتیبانی یا اداری (3.70 درصد) کمتر است.

این نشان می‌دهد که افراد در موقعیت‌های بالاتر، مانند مدیریت ارشد و نقش‌های تخصصی یا حرفه‌ای، به‌احتمال زیاد در برنامه‌های آموزشی یا توسعه حرفه‌ای متمرکز بر هوش مصنوعی مولد شرکت کرده‌اند. این می‌تواند به دلایل مختلفی باشد، مانند این نقش‌ها که به طور بالقوه نیاز به درک عمیق‌تری از هوش مصنوعی و کاربردهای آن دارند، یا اینکه این افراد به منابع و فرصت‌های بیشتری برای چنین آموزش‌هایی دسترسی دارند. از سوی دیگر، کارکنان پشتیبانی یا پرسنل اداری کمتر در چنین برنامه‌هایی شرکت کرده‌اند که می‌تواند به دلیل نیاز کمتر درک شده یا فرصت‌های کمتر برای آموزش در این نقش‌ها باشد.

این یافته‌ها اهمیت دسترسی به فرصت‌های آموزشی و توسعه حرفه‌ای متمرکز بر هوش مصنوعی را در همه نقش‌های یک سازمان، نه فقط در پست‌های بالاتر یا کسانی که مستقیماً در وظایف مرتبط با هوش مصنوعی درگیر هستند، نشان می‌دهد. این می‌تواند به اطمینان از درک و استفاده گسترده‌تر از هوش مصنوعی در سراسر سازمان کمک کند.

باوجود این تلاش‌ها، بسیاری از شرکت‌کنندگان آمادگی کافی برای استفاده حرفه‌ای از ابزارهای هوش مصنوعی مولد را نداشتند. 62.91 درصد قابل‌توجه تا حدودی با این جمله مخالف بودند: “من احساس می کنم به‌اندازه کافی برای استفاده از ابزارهای هوش مصنوعی مولد در کار حرفه‌ای خود به‌عنوان کتابدار آماده هستم”، که بر نیاز به برنامه‌های آموزشی موثرتر تأکید دارد.

جالب اینجاست که حوزه‌های شناسایی شده برای آموزش بیشتر فقط در مورد درک اصول اولیه هوش مصنوعی نبود. شرکت‌کنندگان تقاضای واضحی برای درک پیشرفته از مفاهیم و تکنیک‌های هوش مصنوعی (13.53%)، آشنایی با ابزارها و برنامه‌های AI در کتابخانه‌ها (14.21%)، و رسیدگی به نگرانی‌های مربوط به حریم خصوصی و امنیت داده‌ها مربوط به هوش مصنوعی (14.36%) نشان دادند.

نشان می‌دهد که کتابداران به دنبال فراتر رفتن از یک درک اولیه هستند و مایل‌اند عمیق‌تر با هوش مصنوعی درگیر شوند.

فرمت‌های ترجیحی برای فرصت‌های توسعه حرفه‌ای به سمت فرصت‌های یادگیری از راه دور و انعطاف‌پذیر، مانند دوره‌ها یا وبینارهای آنلاین (۲۶.۰۲ درصد) و ماژول‌های یادگیری خودگام (۲۲.۴۴ درصد) تمایل دارند. این اولویت نشان‌دهنده گرایش فعلی به سمت یادگیری دیجیتالی و از راه دور است و یک‌جهت روشن برای برنامه‌های آموزشی آینده ارائه می‌دهد.

قابل‌توجه، تقریباً نیمی از شرکت‌کنندگان (43.99%) نیاز کتابداران دانشگاهی به دریافت آموزش در مورد ابزارها و برنامه‌های هوش مصنوعی در دوازده ماه آینده را «بسیار مهم» ارزیابی کردند.

به طور خلاصه، تجزیه‌وتحلیل عمیق‌تر داده‌ها چشم‌اندازی را نشان می‌دهد که در آن کتابداران دانشگاهی از اعتماد متوسط تا کم در درک، بحث و رسیدگی به وظایف مرتبط با هوش مصنوعی، علی‌رغم مواجهه با پیشرفت حرفه‌ای در هوش مصنوعی برخوردارند. این یافته نشان‌دهنده نیاز به برنامه‌های آموزشی جامع‌تر، عمیق‌تر و قابل‌دسترس‌تر است. با پرداختن به این شکاف‌های دانشی، جامعه کتابخانه‌ای می‌تواند به طور مؤثری از توانایی‌های هوش مصنوعی استقبال کند و چالش‌های آن را بررسی کند.

سؤال 3: ادراکات

نتایج جامع بررسی ما، همان‌طور که در جدول 7 نشان داده شده است، تصویری دقیق از ادراک کتابداران نسبت به ادغام ابزارهای مولد هوش مصنوعی در خدمات و فعالیت‌های کتابخانه ارائه می‌کند.

هنگامی که مزایای بالقوه هوش مصنوعی را در نظر می‌گیریم، پاسخ‌ها درجه‌ای از دوسوگرا بودن را نشان می‌دهند و 35.88٪ موضع خنثی را انتخاب می‌کنند. بااین‌حال، هنگامی که دسته‌بندی‌های «موافق» و «کاملاً موافق» را ترکیب می‌کنیم، می‌بینیم که بخش قابل‌توجهی، 49.84 درصد، هوش مصنوعی را تا حدی مفید می‌دانند. به طور مشابه، در مورد اهمیت سرمایه گذاری در هوش مصنوعی، تمایل قابل‌توجهی به توافق وجود دارد، به‌طوری‌که 46.87٪ موافق هستند که سرمایه گذاری تا حدی مهم است.

بااین‌حال، این خوش‌بینی با نگرانی در مورد آمادگی در کنار هم قرار می‌گیرد. وقتی از آنها پرسیده شد که چقدر برای استفاده از ابزارهای هوش مصنوعی مولد در سال آینده آمادگی دارند، 70.03٪ از پاسخ‌دهندگان (کسانی که “به‌شدت مخالف” یا “مخالف” هستند) به کمبود آمادگی اذعان کردند. این نشان می‌دهد که علیرغم شناخت ارزش بالقوه هوش مصنوعی، موانع قابل‌توجهی وجود دارد که قبل از عملی شدن پیاده‌سازی باید بر آنها غلبه کرد.

عدم قطعیت پیرامون تأثیر هوش مصنوعی بر کتابخانه‌ها در کوتاه‌مدت این پیچیدگی را بیشتر روشن می‌کند. بخش قابل‌توجهی از کتابداران (36.09٪) هنگامی که از آنها خواسته شد تأثیر هوش مصنوعی بر کتابخانه‌های دانشگاهی را در دوازده ماه آینده پیش بینی کنند، پاسخ خنثی را انتخاب کردند. با این وجود، گروه قابل‌توجهی وجود دارد (41.06٪ که “موافق” یا “کاملاً موافق”) که تأثیر کوتاه مدت قابل‌توجهی را پیش بینی می‌کنند.

یک یافته کلیدی از این نظرسنجی، تشخیص جمعی فوریت برای رسیدگی به مسائل اخلاقی و حریم خصوصی مرتبط با استفاده از هوش مصنوعی بود. در واقع، 74.34 درصد از پاسخ‌دهندگان، که شامل «موافق» و «کاملاً موافقم» بودند، بر نیاز فوری برای پرداختن به نگرانی‌های اخلاقی و حفظ حریم خصوصی مرتبط با هوش مصنوعی تأکید کردند، و بر وزن مسئولیتی که کتابداران در حفظ یکپارچگی خدمات خود در عصر هوش مصنوعی احساس می‌کنند، تأکید کردند. (شکل 2).

پاسخ‌های کیفی درک غنی از ادراکات هوش مصنوعی مولد در میان متخصصان کتابخانه و پیامدهایی که آنها برای حرفه کتابداری پیش‌بینی می‌کنند فراهم می‌کند. پاسخ‌ها در چندین موضوع کلیدی طبقه‌بندی شدند که هر کدام در زیر با نقل‌قول‌های مربوطه از پاسخ‌دهندگان موردبحث قرار گرفته‌اند.

موضوعات (تم‌ها)

نگرانی‌های اخلاقی و حریم خصوصی

موضوع مهمی که از پاسخ‌ها ظاهر شد، نگرانی‌های اخلاقی و حفظ حریم خصوصی مرتبط با استفاده از ابزارهای هوش مصنوعی در کتابخانه‌ها بود. پاسخ‌دهندگان از سوءاستفاده احتمالی از داده‌ها و نقض حریم خصوصی ابراز نگرانی کردند. همان‌طور که یکی از پاسخ‌دهندگان خاطرنشان کرد، “رهبران کتابخانه‌ها نباید برای پیاده‌سازی ابزارهای هوش مصنوعی بدون گوش‌دادن به کارشناسان داخلی و مدیران عملیاتی خود عجله کنند.” یکی دیگر از پاسخ‌دهندگان هشدار داد: «ما باید در مورد پذیرش فناوری‌ها یا شیوه‌هایی در جریان کاری خودمان که سؤالات اخلاقی مهم و نگرانی‌های مربوط به حریم خصوصی را ایجاد می‌کنند محتاط باشیم.»

نیاز به آموزش و یادگیری

نیاز به آموزش و یادگیری هوش مصنوعی برای کتابداران یکی دیگر از موضوعات رایج بود. پاسخ‌دهندگان بر اهمیت درک ابزارهای هوش مصنوعی و مفاهیم آنها قبل از اجرای آنها تأکید کردند. یکی از پاسخ‌دهندگان پیشنهاد کرد: آموزش سریع هوش مصنوعی برای کتابداران لازم است. مانند هر چیز دیگری، پذیرندگان اولیه و سپس طیف وسیعی از پذیرش در طول زمان وجود خواهد داشت. یکی دیگر از پاسخ‌دهندگان بر نیاز به یک متخصص هوش مصنوعی تأکید کرد و گفت: «من همچنین فکر می‌کنم داشتن یک کتابدار هوش مصنوعی، کسی که بتواند منبعی برای بقیه کارکنان باشد، ارزشمند است.»

احتمال استفاده نادرست

پاسخ‌دهندگان در مورد احتمال استفاده نادرست از ابزارهای هوش مصنوعی، مانند ایجاد نقل‌قول‌های نادرست یا اتکای بیش از حد به سیستم‌های هوش مصنوعی ابراز نگرانی کردند. آنها بر اهمیت مهارت‌های تفکر انتقادی تأکید کردند و نسبت به جایگزینی فرایندهای قضاوت و یادگیری انسان با هوش مصنوعی هشدار دادند. همان‌طور که یکی از پاسخ‌دهندگان بیان کرد، “مهارت‌های تفکر انتقادی و فرایندهای یادگیری حیاتی هستند و نباید با هوش مصنوعی جایگزین شوند.” یکی دیگر از پاسخ‌دهندگان هشدار داد: “خطرات احتمالی ناشی از سوءاستفاده از جمله ارائه استنادات نادرست یا وابستگی بیش از حد به سیستم‌ها وجود دارد.”

نگرانی در مورد اجرا

تعدادی از پاسخ‌دهندگان در مورد توانایی کتابخانه‌ها برای پیاده‌سازی سریع و مؤثر ابزارهای هوش مصنوعی ابراز تردید کردند. آنها به مسائلی مانند به‌روزرسانی و اصلاح مکرر ابزارهای هوش مصنوعی، نیاز به سرمایه‌گذاری قابل‌توجه و پتانسیل استفاده از هوش مصنوعی به روش‌هایی اشاره کردند که به نفع کتابخانه یا کاربران آن نیست. یکی از پاسخ‌دهندگان خاطرنشان کرد: «نگرانی من در مورد ابزارهای هوش مصنوعی به‌روزرسانی و اصلاحات مکرر است که رخ می‌دهد. برای کتابخانه‌هایی با تعداد پرسنل کوچک، به نظر می‌رسد که این کار سخت باشد.»

نقش هوش مصنوعی در کتابخانه‌ها

برخی از پاسخ‌دهندگان راه‌های خاصی را پیشنهاد کردند که از طریق آن می‌توان از هوش مصنوعی در کتابخانه‌ها استفاده کرد، مانند توسعه مجموعه، آموزش، و پاسخ به سؤالات متداول. بااین‌حال، آنها همچنین نسبت به نگریستن هوش مصنوعی به‌عنوان نوشدارویی برای همه چالش‌های کتابخانه هشدار دادند. یکی از پاسخ‌دهندگان اظهار داشت: «استفاده از آنها برای سؤالات متداول مفیدتر از پاسخ‌دادن به یک سؤال مرجع پیچیده است».

نگرانی در مورد تأثیر هوش مصنوعی بر این حرفه

برخی از پاسخ‌دهندگان ابراز نگرانی کردند که استفاده از هوش مصنوعی می‌تواند منجر به جابه‌جایی شغلی یا کاهش ارزش عناصر انسانی کتابداری شود. آنها پیشنهاد کردند که هوش مصنوعی باید برای تکمیل، نه جایگزینی، کتابداران انسانی استفاده شود. یکی از پاسخ‌دهندگان بیان کرد که، «من می‌توانم آینده‌ای را ببینم که در آن تنها مؤسسات تحقیقاتی برتر، کتابداران مرجع انسانی را به‌عنوان خدمات نگهبانی و دربانی داشته باشند».

نیاز به ارزیابی انتقادی

پاسخ‌دهندگان بر نیاز به ارزیابی انتقادی ابزارهای هوش مصنوعی، از جمله درک محدودیت‌ها و سوگیری‌های بالقوه آنها تأکید کردند. آنها پیشنهاد کردند که کتابخانه‌ها نباید برای پیاده‌سازی هوش مصنوعی بدون درک کامل مفاهیم آن عجله کنند. یکی از پاسخ‌دهندگان توصیه کرد: «قالب استفاده از هوش مصنوعی به‌عنوان یک نتیجه‌گیری نادرست نگران‌کننده است. این یک ابزار است، نه یک راه‌حل، و نباید بدون توجه به آن اجرا شود.»

سواد هوش مصنوعی

برخی از پاسخ‌دهندگان پیشنهاد کردند که کتابخانه‌ها نقشی در آموزش سواد هوش مصنوعی به دانش‌آموزان و سایر کاربران کتابخانه دارند. آنها بر اهمیت درک نحوه عملکرد ابزارهای هوش مصنوعی و نحوه استفاده مسئولانه از آنها تأکید کردند. یکی از پاسخ‌دهندگان گفت: “من فکر می‌کنم ما باید سواد هوش مصنوعی را به دانش‌آموزان آموزش دهیم.” یکی دیگر از پاسخ‌دهندگان این احساس را تکرار کرد و گفت: «ضروری است که دانش‌آموزان خود را برای استفاده مسئولانه از ابزارهای مولد هوش مصنوعی آماده کنیم.»

ادراکات هوش مصنوعی مولد در میان متخصصان کتابخانه چندوجهی است و هم مزایا و هم چالش‌های بالقوه این فناوری‌ها را در بر می‌گیرد. درحالی‌که پتانسیل هوش مصنوعی برای ارتقای خدمات کتابخانه به رسمیت شناخته شده است، همچنین تأکید زیادی بر نیاز به ملاحظات اخلاقی، آموزش و یادگیری، ارزیابی انتقادی و استفاده مسئولانه از این ابزارها وجود دارد. پیامدهای حرفه کتابداری با نگرانی در مورد جابه‌جایی شغلی، نیاز به مهارت‌ها و نقش‌های جدید و پتانسیل تغییرات در شیوه‌ها و خدمات کتابخانه قابل‌توجه است. این یافته‌ها نیاز به گفتگو و تحقیق مداوم در مورداستفاده از هوش مصنوعی مولد در کتابخانه‌ها را برجسته می‌کند.

درحالی‌که کارکنان کتابخانه به مزایای بالقوه هوش مصنوعی در خدمات کتابخانه اذعان دارند، آنها همچنین در مورد آمادگی ابراز نگرانی می‌کنند و بر ضرورت رسیدگی به ملاحظات اخلاقی و حفظ حریم خصوصی تأکید می‌کنند. این یافته‌ها نیاز به سیستم‌های پشتیبانی، آموزش و منابع برای رسیدگی به شکاف‌های آمادگی، در کنار بحث‌های دقیق و دستورالعمل‌هایی برای هدایت مسائل اخلاقی و حریم خصوصی را نشان می‌دهد، زیرا کتابخانه‌ها احتمالات یکپارچه‌سازی هوش مصنوعی را بررسی می‌کنند.

بحث‌ها

نتایج نظرسنجی وضعیت فعلی سواد هوش مصنوعی، نیازهای آموزشی، و ادراک در جامعه کتابخانه دانشگاهی را روشن می‌کند. یافته‌ها چشم‌اندازی از شناخت پتانسیل فناوری‌های هوش مصنوعی را نشان می‌دهد، اما به طور هم‌زمان، عدم درک عمیق و آمادگی برای پذیرش آن‌ها را نشان می‌دهد.

بررسی دقیق داده‌ها نشان می‌دهد که تعداد قابل‌توجهی از متخصصان کتابخانه درک خود از هوش مصنوعی را متوسط یا پایین‌تر از وسط ارزیابی می‌کنند. درحالی‌که این نشان‌دهنده سطح اولیه آشنایی با مفاهیم و اصول هوش مصنوعی است، اما احتمالاً از مهارت لازم برای حرکت در چشم‌انداز هوش مصنوعی که به‌سرعت در حال تکامل است اطمینان و شایستگی کمتر است. این شکاف در درک پیامدهایی برای حوزه کتابخانه دارد؛ زیرا هوش مصنوعی همچنان به بخش‌های مختلف نفوذ می‌کند و به طور فزاینده‌ای در خدمات و فعالیت کتابخانه نفوذ می‌کند.

علاوه بر این، تجزیه‌وتحلیل آشنایی متخصصان کتابخانه با ابزارهای هوش مصنوعی، اعتبار بیشتری به این فراخوان برای ابتکارات آموزشی جامع‌تر هوش مصنوعی می‌دهد. درک هوش مصنوعی فراتر از درک نظری صرف است – این امر مستلزم آشنایی عملی با ابزارهای هوش مصنوعی و توانایی استفاده و به‌کارگیری آنها در عمل است. تعامل مستقیم با فناوری‌های هوش مصنوعی راهی را برای متخصصان کتابخانه فراهم می‌کند تا درک عملی خود را تقویت کنند و در نتیجه آنها را مجهز کنند تا این ابزارها را به طور مؤثرتری در کار خود بگنجانند.

بااین‌حال، تدوین برنامه‌های آموزشی که به این شکاف‌ها رسیدگی کند، یک کار چندوجهی است. استفاده از هوش مصنوعی در کتابخانه‌ها به‌اندازه خود برنامه‌های هوش مصنوعی متنوع است. از چت‌بات‌های خدمات مشتری، و ابزارهای متن یا داده‌کاوی، تا فناوری‌های پیشرفته مانند شبکه‌های عصبی و سیستم‌های یادگیری عمیق، هر کدام کاربردهای منحصربه‌فردی را ارائه می‌دهند و بنابراین نیاز به تخصص و درک متمایزی دارند. براین‌اساس، برنامه‌های آموزشی باید انعطاف‌پذیر و جامع باشند و طیف کاملی از برنامه‌های بالقوه هوش مصنوعی را در بر گیرند و درعین‌حال به‌اندازه کافی عمیق باشند تا درک کاملی از عملکرد و کاربردهای بالقوه هر ابزار خاص ارائه کنند.

این مطالعه همچنین درجات مختلف درک مفاهیم مختلف هوش مصنوعی را روشن می‌کند. شرکت‌کنندگان عموماً سطح بالاتری از درک مفاهیم ساده‌تر هوش مصنوعی را نشان دادند. بااین‌حال، زمانی که نوبت به مفاهیم پیچیده‌تر می‌رسد، درک آن‌ها کاهش می‌یابد که اغلب زیربنای برنامه‌های کاربردی پیشرفته هوش مصنوعی است. این تنوع در درک نیاز به یک رویکرد طبقه‌بندی‌شده برای آموزش هوش مصنوعی را نشان می‌دهد. چنین رویکردی می‌تواند با مفاهیم اساسی شروع شود و به‌تدریج به سمت موضوعات پیشرفته‌تر پیش برود، و داربستی را فراهم کند که بر روی آن درک عمیق‌تری از هوش مصنوعی ایجاد شود.

بنابراین، رسیدگی به شکاف سواد هوش مصنوعی در بخش کتابخانه نیازمند یک رویکرد هماهنگ است – رویکردی که راهبردهای آموزشی جامع و لایه‌ای را ارائه می‌دهد که هم درک نظری و هم آشنایی عملی با هوش مصنوعی را تقویت می‌کند. هدف نه‌تنها باید انتقال دانش باشد، بلکه باید به متخصصان کتابخانه توانمند شود تا با اطمینان در چشم‌انداز هوش مصنوعی حرکت کنند، تا فناوری‌های هوش مصنوعی را در کار خود به طور مؤثر و – بسیار مهم – مسئولانه بپذیرند و تطبیق دهند. از طریق چنین آموزش‌ها و ابتکارات توسعه حرفه‌ای، کتابخانه‌ها می‌توانند از پتانسیل هوش مصنوعی بهره ببرند و اطمینان حاصل کنند که همچنان در خط مقدم پیشرفت‌های فناوری قرار دارند.

همان‌طور که تمرکز بر استفاده حرفه‌ای از ابزارهای هوش مصنوعی در کتابخانه‌ها تغییر می‌کند، داده‌ها نشان می‌دهد که استفاده از آنها هنوز رایج نیست. استفاده از ابزارهای هوش مصنوعی – مانند تولید متن و کمک‌های تحقیقاتی – بیشتر گزارش شده است که منعکس‌کننده کاربرد فوری این فناوری‌ها برای کتابداران است. بااین‌حال، بخش قابل‌توجهی از شرکت‌کنندگان اغلب از ابزارهای هوش مصنوعی استفاده نمی‌کنند که نشان‌دهنده موانع پذیرش است. این موانع می‌تواند شامل عدم درک یا آشنایی با این ابزارها، عدم لزوم درک شده برای استفاده از آنها، یا محدودیت در منابع لازم برای اجرا و نگهداری باشد. برای غلبه بر این موانع، این رشته ممکن است به چیزی بیش از ارائه آموزش و منابع نیاز داشته باشد. نشان‌دادن مزایا و کارایی‌های ملموس که ابزارهای هوش مصنوعی می‌توانند برای کارهای کتابخانه‌ای به ارمغان بیاورند، می‌تواند نقشی اساسی در پذیرش گسترده‌تر آنها داشته باشد.

داده‌ها نشان‌دهنده اشتیاق شدید در میان کتابداران برای توسعه حرفه‌ای مرتبط با هوش مصنوعی است. درحالی‌که روش‌های آموزشی مقدماتی محبوب هستند، یافته‌ها تقاضا برای آموزش پیشرفته‌تر و عملی را نشان می‌دهد. این نیاز با پیچیدگی و تکامل سریع فناوری‌های هوش مصنوعی همسو می‌شود که نیاز به درک عمیق‌تری برای استفاده کامل در زمینه‌های کتابخانه دارد.

علاوه بر این، یافته‌ها اهمیت ملاحظات اخلاقی و مزایای بالقوه تقویت جوامع تمرینی در آموزش هوش مصنوعی را برجسته می‌کنند. با ادغام فزاینده فناوری هوش مصنوعی در خدمات کتابخانه، مسائل مربوط به اخلاق هوش مصنوعی احتمالاً پیچیده‌تر می‌شود. پرداختن فعالانه به این نگرانی‌ها از طریق آموزش عمیق و متمرکز می‌تواند به کتابخانه‌ها کمک کند تا به‌عنوان مشاوران اخلاقی اطلاعات خدمت کنند. جوامع عملی، بستری را برای یادگیری مشترک، پشتیبانی متقابل، و تجمیع منابع فراهم می‌کنند و کتابداران را برای هدایت بهتر پیچیدگی‌های یکپارچه‌سازی هوش مصنوعی تجهیز می‌کنند.

مهم‌تر از همه، داده‌ها نشان می‌دهند که تنوع در نقش‌ها و زمینه‌های کتابداران، نیازمند رویکردی مناسب برای آموزش هوش مصنوعی است. کتابخانه‌ها در خدمات، مخاطبان هدف، منابع و اهداف استراتژیک متفاوت هستند و نیازهای آموزشی هوش مصنوعی آنها نیز متفاوت است. یک رویکرد یکسان برای آموزش هوش مصنوعی ممکن است کوتاهی کند؛ بنابراین، آموزش هوش مصنوعی آینده می‌تواند این تغییرات را در نظر بگیرد و آهنگ‌ها یا ماژول‌های تخصصی را برای نقش‌ها یا زمینه‌های سازمانی خاص ارائه دهد.

به همین ترتیب، تصورات پیرامون استفاده از ابزارهای مولد هوش مصنوعی در کتابخانه‌ها پیچیده و چندوجهی است. درحالی‌که مزایای بالقوه هوش مصنوعی اذعان شده و اهمیت سرمایه‌گذاری در اجرای آن شناخته شده است، همچنین عدم آمادگی آشکار برای استفاده از این ابزارها وجود دارد. این شکاف آمادگی می‌تواند ناشی از عوامل مختلفی باشد، مانند فقدان مهارت‌های فنی، بودجه ناکافی، یا مقاومت نهادی. تحقیقات آینده باید این احتمالات را برای درک بهتر و رفع این شکاف بررسی کند.

متخصصان کتابخانه نسبت به پیامدهای کوتاه‌مدت هوش مصنوعی برای کتابخانه‌ها تردید دارند. این می‌تواند منعکس‌کننده جدید بودن این فناوری‌ها و فقدان موارد استفاده واضح باشد، یا می‌تواند تجربیات استفاده‌کنندگان اولیه را منعکس کند. این یافته‌ها همچنین بر احساس فوریت در پرداختن به نگرانی‌های اخلاقی و حفظ حریم خصوصی مرتبط با فناوری‌های هوش مصنوعی تأکید می‌کنند. این نگرانی‌ها بر ضرورت گفت‌وگوی مداوم، آموزش و توسعه سیاست در مورداستفاده از هوش مصنوعی در کتابخانه‌ها تأکید می‌کند.

نتیجه‌گیری و جهت‌گیری‌های آینده

نتایج یک چشم‌انداز پیچیده از درک، استفاده و ادراک هوش مصنوعی را در زمینه کتابخانه نشان می‌دهد. درحالی‌که مزایای ابزارهای هوش مصنوعی تأیید شده است، درک جامع و آمادگی برای پیاده‌سازی این فناوری‌ها کمتر از حد ایدئال باقی‌مانده است. این واقعیت بر نیاز مبرم برای سرمایه‌گذاری در استراتژی‌های آموزشی هدفمند و ابتکارات توسعه حرفه‌ای مداوم تأکید می‌کند.

بسیار مهم است که تنوع گسترده در سواد هوش مصنوعی، درک مفاهیم هوش مصنوعی و آشنایی عملی با ابزارهای هوش مصنوعی در میان متخصصان کتابخانه به نیاز به یک رویکرد طبقه‌بندی‌شده و متناسب با آموزش هوش مصنوعی اشاره دارد. هدف برنامه‌های آموزشی آینده باید فراتر از کسب دانش باشد – آنها باید متخصصان کتابخانه را با قابلیت‌هایی مجهز کنند تا فناوری‌های هوش مصنوعی را در نقش‌های خود به طور مؤثر، اخلاقی و مسئولانه به کار ببرند. نگرانی‌های اخلاقی و حفظ حریم خصوصی به‌عنوان ملاحظات مهم در پذیرش فناوری‌های هوش مصنوعی در کتابخانه‌ها ظاهر شد. یافته‌های ما نقش مهمی را که کتابخانه‌ها در طول تاریخ ایفا کرده‌اند، و باید همچنان ایفا کنند، در حمایت از شیوه‌های اطلاعاتی اخلاقی، تقویت می‌کند.

شکاف آمادگی در پذیرش هوش مصنوعی که توسط این مطالعه کشف شد، نشان‌دهنده گسست بین درک پتانسیل هوش مصنوعی و توانایی برای مهار مؤثر آن است. این امر به بررسی عمیق‌تر موانع احتمالی، از جمله مهارت فنی، تخصیص منابع، و فرهنگ‌سازمانی و غیره دعوت می‌کند.

چارچوب و شایستگی‌های کلیدی

این مطالعه چارچوبی را برای تعریف سواد هوش مصنوعی در کتابخانه‌های دانشگاهی ارائه می‌کند که هفت شایستگی کلیدی را در بر می‌گیرد:

  1. درک توانایی‌ها و محدودیت‌های سیستم هوش مصنوعی: شناخت آنچه که هوش مصنوعی می‌تواند انجام دهد و نمی‌تواند انجام دهد، دانستن نقاط قوت و ضعف آن.
  2. شناسایی و ارزیابی موارد استفاده از هوش مصنوعی: کشف و ارزیابی کاربردهای بالقوه هوش مصنوعی در تنظیمات کتابخانه.
  3. استفاده مؤثر و مناسب از ابزارهای هوش مصنوعی: استفاده از فناوری‌های هوش مصنوعی در فعالیت‌های کتابخانه.
  4. ارزیابی انتقادی کیفیت، تعصبات و اخلاق هوش مصنوعی: ارزیابی هوش مصنوعی برای دقت، انصاف و ملاحظات اخلاقی.
  5. مشارکت در بحث‌ها و همکاری‌های هوش مصنوعی آگاهانه: مشارکت آگاهانه در گفتگوها و تلاش‌های مشارکتی مرتبط با هوش مصنوعی.
  6. شناخت مسائل مربوط به حریم خصوصی و امنیت داده‌ها: درک و رسیدگی به نگرانی‌های مربوط به حفاظت و امنیت داده‌ها در سیستم‌های هوش مصنوعی.
  7. پیش بینی تأثیرات هوش مصنوعی بر ذینفعان کتابخانه: آماده شدن برای اینکه چگونه هوش مصنوعی بر کاربران و کارکنان کتابخانه تأثیر می گذارد.

این تعریف چندبعدی از سواد هوش مصنوعی برای کتابخانه‌ها، پایه‌ای را برای توسعه برنامه‌های آموزشی و برنامه‌های درسی جامع فراهم می‌کند. برای مثال، نیاز به درک قابلیت‌ها و محدودیت‌های سیستم هوش مصنوعی که در تعریف مشخص شده است، نشان می‌دهد که آموزش مقدماتی هوش مصنوعی باید زمینه‌ای محکم در مورد نحوه عملکرد فناوری‌های متداول هوش مصنوعی مانند یادگیری ماشین، جایی که آنها برتری دارند و محدودیت‌های آن‌ها را فراهم کند. این درک مفهومی، کتابداران را برای تعیین انتظارات واقع‌بینانه در هنگام ارزیابی یا اجرای هوش مصنوعی مجهز می‌کند.

این تعریف همچنین تأکید می‌کند که کسب مهارت‌های عملی برای استفاده مناسب از ابزارهای هوش مصنوعی باید یک جزء اصلی آموزشی باشد. یادگیری عملی متمرکز بر شناسایی برنامه‌های کاربردی مناسب، استفاده مؤثر از فناوری‌های هوش مصنوعی و ارزیابی انتقادی خروجی‌ها می‌تواند کتابداران را برای استفاده هدفمند از هوش مصنوعی توانمند کند.

علاوه بر این، تأکید بر دیدگاه‌های انتقادی و ملاحظات اخلاقی نشان می‌دهد که آموزش هوش مصنوعی برای کتابداران باید فراتر از مهارت فنی حرکت کند. ترکیب ماژول‌هایی که سوگیری‌ها، پیامدهای حفظ حریم خصوصی، خطرات اطلاعات نادرست و تأثیرات اجتماعی را بررسی می‌کنند، کلیدی برای تقویت یکپارچگی هوش مصنوعی مسئولانه است.

به همین ترتیب، بعد مشارکتی این تعریف نشان می‌دهد که پرورش مهارت‌های نرم برای بحث‌های سازنده هوش مصنوعی و کارگروهی باید بخشی از برنامه درسی باشد. سواد هوش مصنوعی یک عنصر اجتماعی مهم دارد که برنامه‌های آموزشی باید آن را پرورش دهند.

به‌طورکلی، این تعریف چارچوب مهارتی را ارائه می‌کند که می‌تواند آموزش هوش مصنوعی چندجانبه و حساس به زمینه را متناسب با نیازهای متنوع کتابداران ارائه دهد. این یک راهنمای عملی برای توسعه برنامه‌های درسی هوش مصنوعی و توسعه حرفه‌ای است که هر دو جنبه فنی و اجتماعی سواد هوش مصنوعی را ارتقا می‌دهد.

تحقیقات آینده

بر اساس یافته‌ها و محدودیت‌های مطالعه حاضر، توصیه‌های زیر برای تحقیقات آتی ارائه می‌شود:

مطالعات طولی: این مطالعه تصویری از سواد هوش مصنوعی در میان کارمندان کتابخانه دانشگاهی در یک مقطع زمانی خاص ارائه می‌دهد. تحقیقات آینده می‌تواند مطالعات طولی را برای ردیابی تغییرات در سواد هوش مصنوعی در طول زمان انجام دهد که بینش‌هایی را در مورد اثربخشی مداخلات و تکامل سواد هوش مصنوعی در حرفه کتابداری ارائه می‌دهد.

  1. مطالعات تطبیقی: این پژوهش بر روی کارکنان کتابخانه‌های دانشگاهی متمرکز شده است. تحقیقات آینده می‌تواند مطالعات تطبیقی ​​را برای بررسی سواد هوش مصنوعی در میان انواع مختلف کارمندان کتابخانه (به‌عنوان مثال، کارمندان کتابخانه عمومی، کارمندان کتابخانه مدرسه) یا در میان کارکنان کتابخانه در کشورهای مختلف انجام دهد. چنین مطالعاتی می‌تواند بینش‌هایی در مورد عوامل مؤثر بر سواد هوش مصنوعی و استراتژی‌های مؤثر در زمینه‌های مختلف ارائه دهد.
  2. مطالعات مداخله ای: این مطالعه نیاز به آموزش و آموزش هوش مصنوعی را مشخص کرد. تحقیقات آینده می‌تواند مداخلاتی را باهدف افزایش سواد هوش مصنوعی در میان کارکنان کتابخانه طراحی و ارزیابی کند. چنین مطالعاتی می‌تواند توصیه های مبتنی بر شواهد را برای توسعه برنامه ها و منابع آموزشی ارائه دهد.
  3. ملاحظات اخلاقی: این مطالعه نگرانی‌های اخلاقی در مورد استفاده از هوش مصنوعی در کتابخانه‌ها را برجسته کرد. تحقیقات آتی می‌تواند عمیق‌تر به این موضوعات اخلاقی بپردازد و دیدگاه‌های ذینفعان مختلف (به‌عنوان مثال، کاربران کتابخانه، مدیران کتابخانه) را بررسی کند و استراتژی‌هایی را برای رسیدگی به این نگرانی‌ها بررسی کند.
  4. تأثیر هوش مصنوعی بر خدمات کتابخانه: این مطالعه درک کارکنان کتابخانه از تأثیر بالقوه هوش مصنوعی بر خدمات کتابخانه را بررسی کرد. تحقیقات آینده می‌تواند تأثیر واقعی هوش مصنوعی را بر خدمات کتابخانه‌ای، ارزیابی اثربخشی هوش مصنوعی در افزایش تجربه کاربر، ساده‌سازی عملیات و حمایت از یادگیری، بررسی کند.

با دنبال‌کردن این راه‌ها برای تحقیقات آتی، می‌توانیم به تعمیق درک خود از سواد هوش مصنوعی در حرفه کتابداری ادامه دهیم، استراتژی‌هایی را برای افزایش سواد هوش مصنوعی ارائه کنیم، و استفاده مؤثر و اخلاقی از هوش مصنوعی در کتابخانه‌ها را تر

Loading

کاربرد ربات‌های گفتگو (چت‌بات‌ها) در کتابخانه‌های دانشگاهی

ما در عصر روبات‌ها زندگی می‌کنیم. به لطف پیشرفت‌های موجود در هوش مصنوعی، اکنون می‌توانیم یک فیلم کامل را بدون استخدام یک نفر برای نوشتن فیلمنامه و بدون استخدام بازیگر یا آهنگ‌ساز بسازیم. در واقع، هوش مصنوعی تقریباً در تمام جنبه‌های زندگی، از جمله دانشگاه، راه پیدا کرده است. اگرچه استفاده از هوش مصنوعی در دانشگاه‌ها کاملاً بدون بحث نیست، هوش مصنوعی و خودکارسازی (اتوماسیون) کاربردهای عملی زیادی در کتابخانه‌های دانشگاهی دارد؛ به عبارتی، این ابزارها قابلیت تغییر کتابخانه‌های دانشگاهی را برای بهترشدن دارند. به‌عنوان‌مثال، برای پاسخ به سؤالات کاربران و هدایت آنها به منابع خاص، چت‌بات‌ها می‌توانند کارکنان کتابخانه را قادر سازند تا روی سؤالات دشوارتر تمرکز کنند و کارهایی را انجام دهند که نیاز به هوش واقعی دارند.

موارد استفاده از فناوری ربات‌های گفتگو

پیاده‌سازی ربات‌های گفتگو در کتابخانه دانشگاهی می‌تواند تجربه کاربر را تا حد زیادی افزایش دهد، دسترسی به خدمات کتابخانه‌ها را بهبود بخشد و به کتابداران اجازه دهد تا زمان بیشتری را به پشتیبانی عمیق و سایر فعالیت‌های کتابخانه اختصاص دهند. مری الن بیتس در یکی از پست‌های وبلاگ Springer Nature به این نکته اشاره کرد که دانشجویان و محققان دانشگاهی می‌توانند از ربات‌های گفتگو (چت‌بات‌ها) به طور مؤثرتری استفاده کنند:

هوش مصنوعی مولد به‌ویژه در مرحله اولیه پژوهش مفید است، زمانی که جستجوگر هنوز دامنه و عمق پژوهش‌های موجود در این زمینه را درک نکرده باشد. دستیاران تحقیق مجازی مانند Elicit.com، Scite و Consensus برای بررسی و مرور مقالات آموزش‌دیده‌اند و می‌توانند به جستجوگران کمک کنند تا در متون علمی پیمایش کنند، مقالات مرتبط را شناسایی و ارزیابی کنند، و دیدگاه و خلاصه راجع به مقاله تولید کنند.

کاربردهای دیگر ربات‌های گفتگو در کتابخانه‌های دانشگاهی عبارت‌اند از:

  • کمک 24 ساعته: ربات‌های گفتگو  بصورت شبانه‌روزی از دانشجویان و اساتید پشتیبانی  می‌کنند و می‌توانند به سؤالات متداول درباره ساعت های کاری کتابخانه و محل های دسترسی به منابع اطلاعاتی پاسخ دهند. دستیارهای دیجیتال به مراجعان اجازه می دهد تا خارج از ساعات معمول کتابخانه کمک دریافت کنند.
  • پیمایش و مرور منابع: ربات‌های گفتگو به مراجعان کتابخانه کمک می‌کنند تا کتاب‌ها، مجلات، پایگاه‌های اطلاعاتی و سایر منابع کتابخانه را در فهرست کتابخانه پیدا کنند. آنها می‌توانند راهنمایی‌های گام‌به‌گام را برای استفاده از نظام‌های جستجوی کتابخانه و یافتن منابع دیجیتال ارائه دهند.
  • پشتیبانی پژوهشی: ربات‌های گفتگو می‌توانند به مراجعان کتابخانه کمک تا پایگاه‌های اطلاعاتی مرتبط را شناسایی کنند، استراتژی‌های جستجو را پیشنهاد کنند و پیوندهایی به راهنماها یا دوره‌های آموزشی ارائه دهند. این ویژگی به‌ویژه برای پژوهشگران تازه‌کار یا کسانی که با فهرست کتابخانه آشنایی ندارند مفید خواهد بود.
  • اطلاع‌رسانی رویدادها و کارگاه‌ها: ربات‌های گفتگو می‌توانند کاربران را درباره رویدادهای کتابخانه، کارگاه‌ها و سمینارهای آتی آگاه کنند. آنها می‌توانند ثبت‌نام‌ها را انجام دهند، یادآوری ارسال کنند و جزئیات جلسات را ارائه دهند.
  • مدیریت حساب در نرم‌افزار کتابخانه: کاربران می‌توانند با ربات‌های گفتگو برای بررسی وضعیت حساب خود، تمدید کتاب‌های امانت گرفته شده، نگهداری مطالب و دریافت تاریخ سررسید یا جریمه‌ها تعامل داشته باشند. این امر مدیریت حساب کاربری را ساده می‌کند و نیاز به حضور فیزیکی را کاهش می‌دهد.
  • پشتیبانی فنی: ربات‌های گفتگو می‌توانند برای مسائل فنی رایج مانند دسترسی به منابع الکترونیکی، پیمایش وب‌سایت کتابخانه یا استفاده از تجهیزات کتابخانه، کمک کنند.
  • بازخورد و نظرسنجی: گرفتن بازخورد و انجام نظرسنجی از طریق ربات‌های گفتگو می‌تواند به شما در جمع‌آوری بینش‌های ارزشمند در مورد رضایت کاربر و شناسایی زمینه‌های بهبود کمک کند. ربات‌های گفتگو می‌توانند از کاربران بخواهند تجربیات خود را به اشتراک بگذارند و پیشنهاداتی ارائه دهند.
  • توصیه‌های شخصی‌سازی‌شده: با تجزیه‌وتحلیل ترجیحات و تعاملات گذشته کاربر، ربات‌های گفتگو می‌توانند کتاب‌ها، مقالات و سایر مطالبی که با علایق و نیازهای آکادمیک کاربر مطابقت دارند توصیه کنند.
  • دسترس‌پذیری: ربات‌های گفتگو می‌توانند با ارائه قالب‌های جایگزین برای اطلاعات و کمک به ناوبری و دسترسی به منابع، به شیوه‌ای کاربرپسند، از کاربران دارای معلولیت پشتیبانی کنند.
  • تعامل و ارتباط: ربات‌های گفتگو می‌توانند با کاربران تعامل داشته باشند و خدمات و رویدادها را از طریق پلتفرم‌های رسانه‌های اجتماعی و وب‌سایت کتابخانه تبلیغ کنند. آنها همچنین می‌توانند فعالیت‌های تعاملی مانند آزمون‌ها یا مسابقاتی را که مشارکت کاربر را تشویق می‌کنند، تسهیل کنند.

ربات‌های گفتگو چگونه کار می‌کنند؟

برای برقراری ارتباط با کاربران، ربات‌های گفتگو از چیزی به نام پردازش زبان طبیعی (NLP) استفاده می‌کنند. به گفته پاتریک رافیل و آیزاک فریتاس از دانشگاه تولین، پردازش زبان طبیعی «استفاده از فناوری رایانه برای کمک به کارهایی است که شامل پردازش، طبقه‌بندی، تجزیه‌وتحلیل یا تفسیر معنای زبان انسان است». پردازش زبان طبیعی در ربات‌های گفتگو دو کارکرد اصلی دارد: درک زبان طبیعی (NLU) داده‌های ورودی را تفسیر می‌کند و تولید زبان طبیعی (NLG) پاسخ‌های زبانی را ایجاد می‌کند.

باتوجه‌به ماهیت محاوره‌ای ربات‌های گفتگو که نشان‌دهنده عادت انسان به برقراری ارتباط است، بسیاری از افراد فناوری‌های پردازش زبان طبیعی را به طور مستقیم قابل‌استفاده می‌دانند.

به گفته محققان دانشگاه کلگری، «محبوبیت فزاینده فناوری پردازش زبان طبیعی همچنین به این معنی است که وقتی کاربران با یک ربات گفتگو در یک محیط دیجیتالی مواجه می‌شوند، احتمالاً با نحوه تعامل با آن آشنا هستند.

نرخ پذیرش ربات‌های گفتگو نسبتاً پایین است. علی‌رغم کاربردهای بالقوه ربات‌های گفتگو توسط کتابخانه‌های دانشگاه، بسیاری از آنها به طور کامل از آنها استفاده نمی‌کنند.

برای مثال، محققان دانشگاه کلگری که در بالا اشاره شد، یک نظرسنجی آنلاین از 106 وب‌سایت کتابخانه دانشگاهی کانادا برای تجزیه‌وتحلیل شیوع و ویژگی‌های ربات‌های گفتگو و خدمات گفتگوی زنده که ارائه می‌دهند، انجام دادند. از بین تمام مؤسساتی که آنها بررسی کردند، آنها دریافتند که تنها دو مؤسسه از ربات‌های گفتگو برای ارائه خدمات مرجع استفاده می‌کنند درحالی‌که 78 مؤسسه خدمات گفتگوی زنده را ارائه می‌دهند. انتظار یک “انفجار” در استفاده از ربات‌های گفتگوی هوش مصنوعی را داشته باشید.

در مقاله‌ای که برای مجله فناوری اطلاعات و کتابخانه‌ها نوشته شده است، محققان برخی از دلایل احتمالی این نرخ پایین پذیرش ربات‌های گفتگو مانند دسترسی، حریم خصوصی، هزینه و توسعه هویت حرفه‌ای را موردبحث قرار دادند. می‌توان انتظار داشت که با ادامه تکامل فناوری، ربات‌های گفتگو توسط مؤسسات بیشتری پذیرفته شوند.

نقش‌های دیگر برای ربات‌های گفتگو

در پست وبلاگ Springer Nature که در بالا ذکر شد، بیتس چند راه را که کتابداران و سایر متخصصان اطلاعات می‌توانند از هوش مصنوعی و ربات‌های گفتگو مولد به‌عنوان دستیاران اداری استفاده کنند بیان کرد:

یک ربات گفتگو می‌تواند اولین پیش‌نویس انواع مختلف محتوا، از جمله مکاتبات تجاری معمول، مواد بازاریابی و شرح شغل را ایجاد کند. ربات‌های گفتگو می‌تواند اشتباهات گرامری یا نحو نامشخص را در گزارش تصحیح کنند. یک ربات گفتگو قادر است ایمیل‌ها را بر اساس اهمیت آنها اولویت‌بندی کند. همچنین می‌تواند قالب‌هایی برای ایمیل‌های استاندارد و برای پاسخ به ایمیل و ارسال ایمیل ارائه دهد. پلتفرم‌های کنفرانس ویدئویی می‌توانند از افزونه‌های مبتنی بر هوش مصنوعی برای رونویسی و خلاصه‌نویسی بلادرنگ استفاده کنند.

هوش مصنوعی تنها یکی از ابزارهای ضروری فناوری است.

علاوه بر ربات‌های گفتگو، باید پذیرفت که مؤسسات در قرن بیست و یکم به دنبال راه‌های نوآورانه‌ای برای ادغام فناوری در خدمات خود هستند. بسیاری از کتابخانه‌ها مجموعه‌های خود را به‌گونه‌ای گسترش داده‌اند که کتاب‌های دیجیتال، کتاب‌های صوتی، و سایر منابع دیجیتالی را برای پاسخگویی به نیازهای در حال‌ رشد جامعه‌شان شامل شود. تعداد فزاینده‌ای از کتابخانه‌ها نیز پلتفرم‌های خبری دیجیتالی مانند PressReader را ارائه می‌دهند که به ذهن‌های علاقه‌مند برای دسترسی به هزاران روزنامه و مجله از سراسر جهان قدرت می‌دهد. دریابید که چگونه PressReader به کتابخانه‌ها و مؤسسات کمک می‌کند تا نیازهای جوامع خود را بهتر برآورده کنند.

منبع: https://blog.pressreader.com/libraries-institutions/artificial-intelligence-in-academia-chatbot-applications-in-libraries

Loading

مفهوم‌بخشی به سواد هوش مصنوعی: یک بررسی اکتشافی

چکیده

هوش مصنوعی (AI) در صنایع (به‌عنوان‌مثال، کسب‌وکار، علم، هنر، آموزش) گسترش‌یافته است تا تجربه کاربر را افزایش دهد، اثربخشی کار را بهبود بخشد و فرصت‌های شغلی زیادی را در آینده ایجاد کند. بااین‌حال، درک عمومی از فناوری‌های هوش مصنوعی و نحوه تعریف سواد هوش مصنوعی بررسی نشده است. این چشم‌انداز چالش‌های مبرمی را برای نسل بعدی برای یادگیری هوش مصنوعی ایجاد می‌کند. در این مقاله، یک بررسی اکتشافی برای مفهوم بخشی به مفهوم جدید “سواد هوش مصنوعی” و ایجاد یک‌پایه نظری محکم برای تعریف، آموزش و ارزیابی سواد هوش مصنوعی انجام شد. با بررسی 30 مقاله مروری موجود، چهار بعد (یعنی دانش و درک، استفاده و کاربرد، ارزیابی و ایجاد، و مسائل اخلاقی) را برای تقویت سواد هوش مصنوعی برمبنای سازگاری با سوادهای کلاسیک پیشنهاد می‌کند. این مطالعه یک تعریف تلفیقی، آموزش و نگرانی‌های اخلاقی درباره سواد هوش مصنوعی را روشن می‌کند و زمینه را برای پژوهش‌های آینده مانند توسعه قابلیت‌ها و معیارهای ارزیابی درباره سواد هوش مصنوعی فراهم می‌کند.

منبع: 

Ng, D. T. K., Leung, J. K. L., Chu, S. K. W., & Qiao, M. S. (2021). Conceptualizing AI literacy: An exploratory review. Computers and Education: Artificial Intelligence, 2. Retrieved from https://doi.org/10.1016/j.caeai.2021.100041

ترجمه دکتر مریم اسدی

مقدمه

هوش مصنوعی (AI) برای اولین‌بار در سال 1956 به‌عنوان “علم و مهندسی ساخت ماشین‌های هوشمند” تعریف شد (مک کارتی، 2007، ص.2). در طول چندین دهه از قرن بیستم، هوش مصنوعی به تدریج به ماشین‌ها و الگوریتم‌های هوشمندی تبدیل شده است که می‌توانند بر اساس مجموعه‌ای از قوانین و محیطی که هوش انسانی را تقلید می‌کنند استدلال کرده و تطبیق دهند (مک کارتی، 2007). وانگ (2019) تعریف هوش مصنوعی را گسترش داد که می‌تواند وظایف شناختی به ویژه یادگیری و حل مسئله را با نوآوری های فن‌آورانه هیجان انگیز مانند یادگیری ماشینی، پردازش زبان طبیعی و شبکه های عصبی انجام دهد (Zawacki-Richter، Marín، Bond و Gouverneur، 2019). هوش مصنوعی در نهایت بر بسیاری از جنبه های زندگی انسان، نه صرفاً بر صنایع رایانه، تأثیر می گذارد و همه باید هوش مصنوعی را یاد بگیرند. در حال حاضر، استفاده از هوش مصنوعی در صنایع (به‌عنوان‌مثال، کسب و کار، علم، هنر، آموزش) برای افزایش تجربه کاربر و بهبود کارایی گسترش یافته است. کاربردهای هوش مصنوعی در بسیاری از بخش‌های زندگی روزمره ما وجود دارد (به‌عنوان‌مثال، لوازم خانگی هوشمند، تلفن‌های هوشمند، گوگل، سیری Siri). اکثریت مردم وجود خدمات و دستگاه‌های هوش مصنوعی را تأیید می‌کنند، اما به ندرت از مفاهیم و فناوری پشت سر آن اطلاع دارند یا از مسائل اخلاقی بالقوه مرتبط با هوش مصنوعی آگاهی دارند (Burgsteiner, Kandlhofer, & Steinbauer, 2016; Ghallab, 2019). هوش مصنوعی مزایای قابل توجهی را برای کاربران، کسب‌وکارها و اقتصادها ایجاد می‌کند و بهره‌وری و رشد اقتصادی را افزایش می‌دهد؛ اما آن آماده کاهش یا حذف میلیون‌ها شغل است (Davenport & Ronanki، 2018؛ Manyika et al., 2017).

دوم، مطالعات نشان می‌دهد که ظهور هوش مصنوعی فرصت‌های شغلی زیادی در صنایع مختلف ایجاد می‌کند و احتمالاً هوش مصنوعی جایگزین محل کار فردا خواهد شد. حتی اگر قرار نیست همه رشته‌ها با هوش مصنوعی جایگزین شوند، افرادی که دانش هوش مصنوعی دارند در آینده جایگزین افرادی می‌شوند که این دانش را دارند. در گزارش مکنزی، مانیکا و همکاران (2017) تخمین زده است که 15 درصد از ساعات کاری جهانی تا سال 2030 اتوماسیونی خواهد شد و 47 درصد از مشاغل آمریکایی در معرض خطر بالای اتوماسیون قرار دارند. علاوه بر این، این وضعیت می‌تواند برای زنان بدتر باشد، زیرا بیش از 160 میلیون زن در سراسر جهان ممکن است نیاز داشته باشند که به نقش‌هایی با مهارت‌های بالاتر منتقل شوند. در میان مشاغل مختلف کاری، مشاغل اداری مانند منشی و دفتردار به‌راحتی با هوش مصنوعی حذف می‌شوند، باتوجه‌به اینکه 72 درصد از این مشاغل در اقتصادهای پیشرفته در اختیار زنان است (Manyika et al., 2017). به‌این‌ترتیب، برای به‌دست‌آوردن مزیت رقابتی در محل کار، مشابه سواد کلاسیک که شامل خواندن/نوشتن و توانایی‌های ریاضی است، سواد هوش مصنوعی نیز به‌عنوان مجموعه مهارت‌های جدید پدیدآمده است که همه باید در پاسخ به این عصر جدید، هوشمندی را بیاموزند.

عموماً سواد به‌عنوان توانایی خواندن و نوشتن شناخته شد (مک براید، 2015). در عصر دیجیتال امروزی، ظهور جامعه مبتنی بر دانش بیانگر این است که هر شهروندی باید «سواد دیجیتالی» و توانمندی‌های اساسی داشته باشد تا در شرایط فرصت‌های برابر در محل کار خود در جایگاه بهتری قرار گیرد (باودن، 2008، ص. 102). این اصطلاح به سوادهای جدید مانند سواد رسانه، سواد دیجیتال، سواد اطلاعاتی، سواد کامپیوتر و هوش مصنوعی تعمیم داده شده است (Kong et al., 2021). در قرن بیست و یکم، دانش‌آموزانی که به این مهارت‌ها مجهزند، می‌توانند از فناوری‌ها و رایانه‌های مرتبط به روش‌های بسیار پیشرفته برای یادگیری دانش و مهارت‌های جدید با همتایان خود استفاده کنند (بل، 2010؛ گریفین و کر، 2014؛ لارسون و میلر، 2011). امروزه، فناوری هوش مصنوعی ظهور کرده و به مهارت‌های ضروری برای ایفای نقش‌های حیاتی در رشته‌ها و صنایع تبدیل شده است (Ng et al., 2021; Touretzky et al., 2019). دانش‌آموزان باید یاد بگیرند که چگونه از فناوری‌های هوش مصنوعی به طور عاقلانه استفاده کنند و همچنین بین شیوه‌های اخلاقی و غیراخلاقی تمایز قائل شوند (رابینسون، 2020؛ رودریگز-گارسیا، مورنو-لئون، رومان-گونزالس، و روبلز، 2020). هوش مصنوعی به طور بالقوه به یکی از مهارت‌های مهم فناوری در قرن بیست و یکم تبدیل می‌شود. به‌این‌ترتیب، با ترکیب هوش مصنوعی و سواد، سواد هوش مصنوعی به دست می‌آید که به معنای داشتن توانایی‌های ضروری است که افراد برای زندگی، یادگیری و کار در دنیای دیجیتال از طریق فناوری‌های مبتنی بر هوش مصنوعی به آن نیاز دارند، و این باید در سطوح آموزشی K-12 اعمال شود ]به دوره پیش‌دبستانی تا دوره راهنمایی در آمریکا اطلاق می‌شود. مترجم. [(Steinbauer et al. .، 2021).

یادگیری هوش مصنوعی در آموزش دانشگاهی علوم کامپیوتر شروع شد که به مهارت‌های برنامه‌نویسی پیشرفته نیاز داشت که برای یادگیرندگان K-12 مناسب نبود. مربیان در بافت کودکان K-12 برای درک مفاهیم هوش مصنوعی از طریق برنامه‌نویسی مبتنی بر نحو با چالش‌هایی مواجه شدند (به‌عنوان‌مثال، مک کارتی، 2007؛ وونگ و همکاران، 2020). ظهور سخت‌افزارها و نرم‌افزارهای متناسب با سن، مربیان را قادر ساخت تا در سال‌های اخیر فرایند یادگیری را برای دانش‌آموزان جوان‌تر بهبود بخشند. دسترسی به طیف وسیعی از فناوری‌ها در زندگی روزمره، مانند ربات‌های گفتگو و برنامه‌های ترجمه، فرصت‌هایی را برای همه فراهم می‌کند تا هوش مصنوعی را در زندگی روزمره درک کنند و از آن استفاده کنند. این امر به مربیان امکان می‌دهد تا از دردسترس‌بودن فناوری‌های هوش مصنوعی برای القای سواد هوش مصنوعی به یادگیرندگان جوان استفاده کنند. به‌عنوان‌مثال، مطالعات قبلی در مورد ظرفیت گنجاندن یادگیری هوش مصنوعی در آموزش K-12 STEAM از طریق تجربه‌های بازی؛ مانند ابزارهای بازی‌سازی و رسانه‌های اجتماعی برای آماده‌سازی کودکان برای نیروی کار آینده علم، فناوری، مهندسی، هنر و ریاضیات بحث کرده‌اند (به‌عنوان‌مثال، Ng، 2021; نگ و چو، 2021؛ زو، وانگ، و ژائو، 2019).

سواد هوش مصنوعی فقط به شناخت و استفاده از هوش مصنوعی برای مشاغل آینده نیست و آن فقط یکی از جنبه‌های آموزش سواد هوش مصنوعی برای مربیان است. هر فناوری به قدرتمندی هوش مصنوعی نیز خطرات جدیدی را به دلیل سوگیری الگوریتمی و استفاده مخرب از هوش مصنوعی به همراه خواهد داشت (Brundage et al., 2018). سوگیری الگوریتمی به نتایج غیرمنصفانه یا تبعیض‌آمیزی اشاره دارد که می‌تواند درنتیجه استفاده از الگوریتم‌های هوش مصنوعی حاصل شود (هاگندورف، 2020). این نبود توجه به اخلاق هوش مصنوعی می‌تواند منجر به عدم مسئولیت‌پذیری و بی‌اهمیتی اخلاقی در میان توسعه‌دهندگان نرم‌افزار شود. انگیزه‌های اقتصادی به‌راحتی می‌توانند تعهد به اصول و ارزش‌های اخلاقی در توسعه فناوری‌های هوش مصنوعی را نادیده بگیرند (هاگندورف، 2020). به‌این‌ترتیب، آموزش اخلاق هوش مصنوعی به شهروندان و به دانشمندان رایانه برای تقویت مسئولیت اجتماعی آنها ضروری است، و این آموزش باید بر اهمیت تنوع اجتماعی هنگام استفاده از هوش مصنوعی برای منافع اجتماعی تأکید کند (دیگنیوم، 2019). در این بررسی، مقالات را برای ارزیابی نگرانی‌های اخلاقی در حوزه سواد هوش مصنوعی بررسی می‌کنیم.

با جستجو در گوگل اسکالر، افزایش چشمگیری در انتشارات سواد هوش مصنوعی از سال 2014 تا 2021 را شاهد هستیم (شکل 1 را ببینید). همانطور که هوش مصنوعی در محیط‌های کاری و زندگی روزمره اهمیت بیشتری پیدا می‌کند، پژوهشگران نیز شروع به تعریف سواد هوش مصنوعی بر اساس اصطلاح “سواد” کردند که در تعریف مجموعه مهارت‌ها در رشته‌های مختلف به کار رفته است (لانگ و مگرکو، 2020).

 

بااین‌حال، مطالعات کمی شرح مفصلی از نحوه مفهوم‌سازی سواد هوش مصنوعی ارائه کرده‌اند. برای دستیابی به درک بهتری از مفهوم سواد هوش مصنوعی، شیوه تعریف این اصطلاح توسط پژوهشگران را در چهار بعد، با الهام از حوزه‌های شناختی و طبقه‌بندی بلوم، دسته‌بندی می‌کنیم. سپس، ارزیابی می‌کنیم که چگونه مربیان به یادگیرندگان کمک می‌کنند تا مهارت‌های سواد هوش مصنوعی را با ابزارهای فناوری در حال ظهور توسعه می‌دهند و ارزیابی آن‌ها را براین‌اساس بررسی می‌کنیم. برای پر کردن این شکاف، مطالعه حاضر مروری بر ادبیات مرتبط درباره اینکه چگونه پژوهشگران «سواد هوش مصنوعی» را تعریف می‌کنند؟ چگونه می‌توان آن را یاد گرفت؟ و نگرانی‌های اخلاقی چیست؟ است. به طور خاص، پژوهش حاضر چهار سؤال پژوهشی زیر را مطرح می‌کند:

  1. پژوهشگران اصطلاح “سواد هوش مصنوعی” را چگونه تعریف می‌کنند؟
  2. چگونه مربیان به یادگیرندگان کمک می‌کنند تا سواد هوش مصنوعی را در چارچوب محصولات یادگیری، رویکردها و مباحث مربوط به شیوه آموزش توسعه دهند؟
  3. پژوهشگران چگونه مهارت‌های سواد هوش مصنوعی دانش‌آموزان را ارزیابی می‌کنند؟
  4. نگرانی های اخلاقی در حوزه سواد هوش مصنوعی چیست؟

روش

جستجو و فرآیند انتخاب منبع

ازآنجایی‌که سواد هوش مصنوعی یک زمینه نوظهور در قرن بیست و یکم است، ادبیات موجود در این زمینه محدود است. برای جستجوی ادبیات مربوط به سواد هوش مصنوعی، مقالات علمی داوری شده و مقالات کنفرانسی از K-12 تا سطوح آموزش عالی، در فاصله زمانی 2016 تا 2021 ، از طریق پایگاه های اطلاعاتی  Web of Science، Scopus، ProQuest Education Collection،  IEEE و کتابخانه دیجیتال ACM  بررسی شدند. اولین مقاله منتشر شده در پایگاه‌های اطلاعاتی مربوط به 2016 بود. پایگاه‌های اطلاعاتی فوق‌الذکر جزو قابل اعتمادترین و معتبرترین پلتفرم‌ها و پایگاه اطلاعاتی در جهان برای پژوهش های علمی در نظر گرفته شدند و از این رو به ما کمک کردند تا از اعتبار محتوا و مقالات مطمئن باشیم(Mongeon & Paul-Hus, 2016). مقالاتی که شامل عبارت AI literacy یا literacy Artificial intelligence  در عنوان، چکیده، متن اصلی یا کلمات کلیدی بودند، دانلود و بررسی شدند. این جستجو به 46 مقاله منجر شد.

پس از حذف مطالعات غیرمرتبط، تا 11 آوریل 2021، در مجموع 30 مقاله شناسایی شد. مقالات دانلود و بررسی شدند. سپس مقالات انتخاب شده، توسط دو پژوهشگر دیگر بررسی شدند تا مشخص شود که آیا برای هدف این مطالعه مناسب هستند یا خیر. در طول بررسی، مجموعه‌ای از معیارها برای اطمینان از تعمیم یافته‌ها و اجتناب از سوگیری در انتخاب مطالعات اتخاذ شد (جدول 1 را ببینید). به‌عنوان‌مثال، شارما (2019) به جای ادغام هوش مصنوعی در محیط های آموزشی، بر تأثیر هوش مصنوعی در فعالیت های کارآفرینانه از جمله تشویق نوآوری اجتماعی، بهبود محیط سازمانی و جلب حمایت سازمان های بین المللی تمرکز کرد.

جدول 1: معیارهای در نظر گرفته شده و در نظگر گرفته نشده

معیارهای در نظر گرفته شده

 

معیارهای در نظر گرفته نشده

 

(1) مطالعات باید مقالات، مقالات تجربی، مقالات مرو.ری ، مطالعات موردی، یا مقالات کنفرانس منتشر شده در مجلات نمایه شده توسط پایگاه های اطلاعاتی فوق الذکر را بررسی می کردند. 1) سرمقاله ها و کتاب ها به دلیل عدم داوری حذف می‌شوند.
(2) مطالعات باید در زمینه آموزشی باشد که با سواد هوش مصنوعی مرتبط است. (2) مقالاتی که اصطلاح “سواد هوش مصنوعی” را ذکر می‌کنند در واقع در مورد نحوه کاربرد هوش مصنوعی در زمینه های تخصصی است و غیر مرتبط با آموزش است.
(3) مطالعات باید توصیفی از نظریه و روش‌های مهم را ارائه دهند.
فرایندهای کدگذاری و تجزیه‌وتحلیل داده‌ها

این مطالعه با فرمول‌بندی اهداف مطالعه آغاز شد و با بررسی و تحلیل روندهای پژوهش سواد هوش مصنوعی بر پایه چهار سؤال پژوهش دنبال شد. سپس، متن کامل مقالات انتخاب شده با استفاده از روش تطبیقی ثابت مورد حمایت گلاسر (1965)، که در دیگر بررسی های سیستماتیک اخیر استفاده شد، به صورت کیفی طبقه‌بندی شد (به‌عنوان‌مثال، هیو و چونگ، 2014؛ تراس و وارویک، 2013). با مطالعه محتوای مقالات انتخابی، مفاهیم معنادار مشابه شناسایی و برای تحلیل موضوعی بیشتر استخراج شدند. بخش‌هایی از متن با طرح‌های کدگذاری در هر سؤال پژوهش کدگذاری شدند. برای ایجاد پایایی کدگذاری، شش مقاله (30درصد) به طور تصادفی انتخاب و توسط دو پژوهشگر، کدگذاری و تحلیل شد. سپس دو پژوهشگر با تجربه دیگر مقالات را بر اساس طرح کدگذاری مطالعه و دسته بندی کردند. موارد اختلاف با بحث درباره مقالات مورد مناقشه حل شد. ضریب کاپا کوهن (9/0) برای نشان دادن قابلیت اطمینان بین کدگذاران ارزیابی شد (مایلز و هابرمن، 1994) . پس از اعتبارسنجی طرح کدگذاری، داده‌ها به صورت توصیفی تحلیل و بر حسب فراوانی، درصد و مضامین (تم ها) شناسایی شده خلاصه شدند. در صورت مغایرت، کدگذاران این موضوع را حل کردند و با بحث و گفتگو به تصمیم نهایی رسیدند.

نتایج و بحث

در ابتدا در این بخش، اطلاعات زمینه‌ای (به‌عنوان‌مثال، سال انتشار، کشور، مقطع تحصیلی و روش پژوهش) 30 مطالعه انتخاب شده شرح داده شده است (جدول 2 را ببینید). سپس نتایج را ارائه می کنیم و باتوجه‌به چهار سوال پژوهش، این نتایج را مورد بحث قرار می دهیم. انتشار مقالات سواد هوش مصنوعی از سال 2016 (2 مقاله) تا سال 2019 (8 مقاله) افزایش یافته است. نوزده مقاله بین سال های 2020 تا آوریل 2021 بدست آمد.

جدول 2: بسامد (فراوانی و درصد) مشخصات مقالات بررسی شده

تعداد انتشارات به‌دست‌آمده در پایگاه‌های اطلاعاتی فوق محدود بود، اما روند افزایشی انتشارات با روند گوگل اسکالر مطابقت دارد. علاوه بر این، اطلاعات ملیت نویسنده اول را در مقاله سواد هوش مصنوعی فهرست کردیم و مشاهده کردیم که بسیاری از کشورها به مفهوم سواد هوش مصنوعی پرداختند. کشورهایی که دو یا چند مقاله درباره سواد هوش مصنوعی منتشر کردند عبارت‌اند از: ایالات متحده (9)، چین (4)، هنگ کنگ (4)، اسپانیا (3) و اتریش (3) است.

پژوهشگران مطالعاتی را انجام دادند و مداخلات مربوط به سواد هوش مصنوعی را در سطوح مختلف آموزشی اجرا کردند. بیشتر مقالات بر دانش‌آموزان مقطع ابتدایی (14) و دبیرستان (14) متمرکز بودند که تقریباً نیمی از مطالعات بررسی‌شده را پوشش می‌داد. فقط چند مطالعه برای شهروندان (4)، دانشجویان دانشگاه (4) و معلمان (2) اجرا شد. در نهایت، برخی از مقاله‌ها، سواد هوش مصنوعی را در محیط‌های کمتر متعارف از جمله کتابخانه‌ها (1)، پزشکی (1) و هواشناسی (1) در هوش مصنوعی مطالعه کردند تا دانش‌آموزان را برای کارهای آینده خود تربیت کنند. حدود یک سوم از مطالعات (9) در یک محیط غیررسمی انجام شد که شامل برنامه‌های بعد از مدرسه، فعالیت های خارج از مدرسه و ارائه پوستر بود. هفت مطالعه در دروس عادی در یک محیط رسمی انجام شد. بقیه مقالات مشخص نکرده اند که آیا در یک بافت رسمی است یا غیر رسمی. یکی از دلایل احتمالی این کار این است که سواد هوش مصنوعی یک زمینه نوظهور است و بیشتر پژوهشگران تمایل دارند مطالعات اولیه را در یک محیط غیررسمی انجام دهند یا صرفاً مقالات نظری را بر اساس مشاهدات خود بنویسند.

به‌طورکلی، 1 مقاله مروری، 4 مقاله مفهومی و 25 مطالعه تجربی وجود داشت. در مورد روش پژوهش، اکثر مطالعات تجربی از روش‌های کیفی (12) استفاده کردند (جدول 3 را ببینید). پژوهشگران، روش‌های کمی (5) را برای ارزیابی مفاهیم هوش مصنوعی، قابلیت‌های درک شده و سایر ساختارهای دانش‌آموزی مانند اطمینان در استفاده از هوش مصنوعی و مهارت‌های اجتماعی استفاده کردند. هفت مطالعه، روش پژوهش آمیخته (8) را برای جمع‌آوری داده‌ها از طریق منابع داده‌ای متعدد از جمله آزمون‌های توانایی، نظرسنجی‌های پرسشنامه‌ای، یادداشت‌های میدانی، مصاحبه و مشاهده‌ای استفاده کردند. یک مقاله مروری پیدا کردیم (یعنی لانگ و ماگرکو، 2020) که در آن، از عبارات گسترده تری مانند “آموزش هوش مصنوعی”، “آموزش درباره هوش مصنوعی” و “مدرسه هوش مصنوعی” استفاده کردند تا مفاهیم کلیدی زیربنای سواد هوش مصنوعی را در فهرست پستی AI4K12 و مقالات منتخب خود ترسیم کنند. ازآنجایی‌که مقالات مربوط به سواد هوش مصنوعی در این چند سال پدیدار شدند، این بررسی به این موضوع می‌پردازد که چگونه پژوهشگران از اصطلاح تخصصی “سواد هوش مصنوعی” به جای “آموزش و یادگیری هوش مصنوعی” استفاده می‌کنند.

جدول 3: روش‌های پژوهش

پرسش 1. پژوهشگران چگونه اصطلاح”سواد هوش مصنوعی” را تعریف می‌کنند؟

از 30 مقاله، 17 مقاله سواد هوش مصنوعی را بر اساس ایده های “سواد” تعریف کردند. قبل از سواد هوش مصنوعی، اصطلاح “سواد دیجیتال” برای توصیف مفاهیم و مهارت‌های اساسی رایانه پدیدار شد قبل از انکه برنامه‌های کاربردی رایانه ای در صنایع در دهه 1970 محبوبیت یابند. لازم بود که کاربران در استفاده از نظام های رایانه ای مرتبط با وظیفه یا شغل خاص خود صلاحیت داشته باشند. اهمیت سواد دیجیتال افزایش یافته بود؛ زیرا افراد بیشتری برای ایجاد فرصت‌های اجتماعی و اقتصادی جدید به استفاده از فناوری‌های رایانه ای وابسته بودند (لیهی و دولان، 2010).

در پی پیشرفت‌های دیجیتال، هوش مصنوعی شروع به ظهور و تقلید از هوش انسانی کرد تا رایانه‌ها بتوانند آن را یاد بگیرند، استدلال کنند و درک کنند. در ابتدا در پژوهش‌های علمی و محیط‌های دانشگاهی استفاده می‌شد، اما اکنون در زندگی روزمره ما، همه‌جا حاضرند. به طور خلاصه، این بررسی چهار بعد از توسعه سواد هوش مصنوعی را شناسایی کرد. (جدول 4 را ببینید).

جدول 4: چارچوب کدگذاری سواد هوش مصنوعی

 

سواد هوش مصنوعی تعاریف تعداد نمونه مراجع نمونه مطالعات
دانش و درک هوش مصنوعی

 

عملکردهای اساسی هوش مصنوعی و نحوه استفاده از برنامه‌های کاربردی هوش مصنوعی را بشناسید.

27 اگرچه شفافیت در الگوریتم‌ها و به‌طورکلی هوش مصنوعی از نظر اخلاقی مهم است، اما عموم مردم حتی از عملکردهای اساسی هوش مصنوعی نیز آگاه نیستند. تلاش‌هایی برای درک بیشتر هوش مصنوعی وجود دارد (رابینسون، 2020). Lin et al. (2021)Lin et al. (2021); Kandlhofer et al., 2016; Robinson (2020).
استفاده و کاربرد هوش مصنوعی به‌کارگیری دانش، مفاهیم و کاربردهای هوش مصنوعی در سناریوهای مختلف. 30 خوشه‌بندی k-means را در زمینه‌های علمی اعمال کنید. رابطه نقشه‌برداری بین ویژگی‌های چهره و مقادیر داده را بررسی کنید و این مفهوم را برای طوفان مغزی اشیا دیگر مانند لگو به کار ببرید (Wan et al., 2020). Druga et al. (2019); Julie et al. (2020); Vazhayil et  al. (2019).
ارزیابی و ایجاد هوش مصنوعی مهارت‌های تفکر درجه بالاتر (به‌عنوان‌مثال، ارزیابی، مقایسه، پیش‌بینی، طراحی) با برنامه‌های کاربردی هوش مصنوعی. 19 تجارب طراحی و ساخت: فعالیت‌های اکتشاف و ایجاد فناوری از دانش‌آموزان برای درک مفاهیم زیربنایی هوش مصنوعی را باید حمایت کرد. (لی، 2020).

Druga et al. (2019); Han et al. (2018); How and Hung (2019).

اخلاق هوش مصنوعی ملاحظات انسان‌محور (به‌عنوان‌مثال، انصاف، پاسخگویی، شفافیت، اخلاق، ایمنی). 19

“هوش مصنوعی برای خیر اجتماعی” ادراک فرد از محیط اجتماعی پیرامون رفتار را که با هنجارهای ذهنی مرتبط است، اندازه‌گیری می‌کند (چای و همکاران، 2020).

Chai et al. (2020); Druga et al. (2019); Gong et al. (2020).

هوش مصنوعی را بشناسید و درک کنید

بیست و هفت مقاله، سواد هوش مصنوعی را به‌عنوان آموزش یادگیرندگان در کسب مفاهیم اساسی، مهارت‌ها، دانش و نگرش‌هایی که نیازی به دانش قبلی ندارند، مفهوم‌سازی می‌کنند. فراگیران علاوه بر اینکه کاربران برنامه‌های هوش مصنوعی هستند، باید فناوری‌های پشت آن را درک کنند. بورگشتاینر و همکاران (2016) و کاندلهوفر و همکاران (2016) سواد هوش مصنوعی را به‌عنوان توانایی درک فنون و مفاهیم زیربنای هوش مصنوعی در محصولات و خدمات مختلف تعریف کرد. علاوه بر این، برخی از پژوهشگران، سواد هوش مصنوعی را با توانایی‌های درک شده، اعتمادبه‌نفس و آمادگی در یادگیری هوش مصنوعی مرتبط می‌دانند. در آموزش K-12، داروگا و همکاران (2019) و لین و همکاران (2021) برنامه‌های درسی و فعالیت‌های سواد هوش مصنوعی را طراحی کردند که بر نحوه یادگیری مفاهیم هوش مصنوعی از سوی یادگیرندگان تمرکز دارد.

استفاده و کاربرد هوش مصنوعی

همه 30 مقاله بر اهمیت آموزش دانش‌آموزان برای استفاده از مفاهیم هوش مصنوعی در زمینه‌های مختلف و کاربردهای روزمره تأکید داشتند. برای مثال، رودریگز-گارسیا و همکاران (2020) LearningML، سازنده مدل یادگیری ماشینی را ارزیابی کرد تا به عموم مردم بیاموزندکه کاربردهای هوش مصنوعی و تأثیر آنها بر زندگی را درک کنند و از مسائل اخلاقی مرتبط با فناوری‌های هوش مصنوعی آگاه شوند. علاوه بر این، نیمی از مطالعات (19) ملاحظات اخلاقی و انسان محور را مورد بحث قرار دادند و بر استفاده از مفاهیم و کاربردهای هوش مصنوعی به لحاظ اخلاقی متمرکز شدند که در سوال پژوهشی چهارم بیشتر بحث می‌شود. هشت مقاله ایده‌های تفکر محاسباتی درباره اثر متقابل سواد هوش مصنوعی و تفکر هوش مصنوعی را به عاریت گرفتند (جدول 5 را ببینید). تفکر هوش مصنوعی به ساخت منطق و الگوریتم‌ها برای حمایت از درک دانش‌آموزان از نحوه استفاده از پایگاه‌های دانشی برای حل مسئله، پردازش معناشناسی و مدیریت داده‌های بدون ساختار اشاره دارد (واژیل و همکاران، 2019). برای مثال، ها و هانگ (2019) با تحلیل داده‌ها با رایانه و تفسیر یافته‌های جدید، با کشف الگوهای پنهان در داده های آموخته شده توسط ماشین، از تفکر هوش مصنوعی بهره بردند.

جدول 5: تعامل بین هوش مصنوعی و تفکر محاسباتی برنان-رزنیک (2012).

عناصر توصیف مثال‌ها

مفاهیم هوش مصنوعی

درک فنی و مفهومی مفاهیم اساسی هوش مصنوعی ·         مفاهیم اولیه هوش مصنوعی و ریشه‌های آنها مانند یادگیری ماشینی، یادگیری عمیق و شبکه عصبی را درک کنید.

·         توجه به کاربردهای دنیای واقعی مفاهیم هوش مصنوعی مانند تشخیص گفتار، روباتیک

عملکردهای هوش مصنوعی تکنیک‌ها و استراتژی‌های مورداستفاده در هنگام استفاده از هوش مصنوعی. ·         آموزش، اعتبارسنجی و آزمایش.

·         ترکیب مجدد یا استفاده مجدد از کد.

چشم‌انداز هوش مصنوعی نگرش‌ها و گرایش‌های اتخاذ شده در حل مشکلات.

·         همکاری برای حل مشکلات، درک فناوری به‌عنوان یک ابزار حل مسئله.

·         هنگام استفاده از فناوری‌های هوش مصنوعی در برنامه‌های کاربردی دنیای واقعی، نگرانی‌های اخلاقی و ایمنی را در نظر بگیرید

ارزیابی و ایجاد هوش مصنوعی

هوش مصنوعی، هوش انسانی را با خودکارسازی دیجیتال تقویت می‌کند و 19 مقاله به سواد هوش مصنوعی اشاره می‌کنند تا یادگیرندگان را در فعالیت‌های تفکر سطح بالاتر درگیر کند. این موضوع با دانش و استفاده از هوش مصنوعی که شامل مفاهیم و اعمال است، متفاوت است. ، برخی از مطالعات، سواد هوش مصنوعی را به دو قابلیت دیگر گسترش داده‌اند که افراد را قادر می‌سازد تا فناوری‌های هوش مصنوعی را به‌طور انتقادی ارزیابی کنند، با هوش مصنوعی ارتباط برقرار کنند و به طور مؤثر با آن همکاری کنند (به‌عنوان‌مثال، لانگ و ماگرکو، 2020). به‌عنوان‌مثال، هان و همکاران (2018) دانش علمی و فناوری دانش‌آموزان را افزایش داد که در یادگیری مبتنی بر پژوهش علمی برای حل مشکلات عملی استفاده شد. به‌طورکلی، اگرچه این مقالات در تعریف سواد هوش مصنوعی کمی متفاوت هستند، اما از این ایده حمایت می‌کنند که همه، به ویژه کودکان K-12، باید دانش و مهارت‌های اولیه هوش مصنوعی را کسب ‌کنند، که انگیزه شغلی آینده را افزایش می‌دهد و همچنین از فناوری مبتنی بر هوش مصنوعی استفاده می‌کنند.

چای، لین، و همکاران، (2020). سواد هوش مصنوعی علاوه بر دانش و استفاده اخلاقی از هوش مصنوعی، به‌عنوان مجموعه‌ای از شایستگی‌ها عمل می‌کند که افراد را قادر می‌سازد تا فناوری‌های هوش مصنوعی را به‌طور انتقادی ارزیابی کنند، با هوش مصنوعی ارتباط برقرار کنند و به طور مؤثر با آن همکاری کنند (لانگ و ماگرکو، 2020).

طبقه‌بندی بلوم

به طور خاص، تعریفی برای یادگیری سواد هوش مصنوعی در سه بعد ذکر شده ارائه شده است. در واقع، توانایی‌ها و مهارت‌های درگیر در هر بعد را می‌توان به طور بالقوه با حوزه‌های شناختی در طبقه‌بندی بلوم ترسیم کرد. طبقه‌بندی بلوم رویکردی برای طبقه‌بندی سطح مهارت‌های استدلال و تفکر سازمان‌یافته موردنیاز در موقعیت‌های مختلف یادگیری است. شش سطح در طبقه‌بندی وجود دارد و هر سطح به سطح بالاتری از پیچیدگی و تفکر سازمان‌یافته دانش‌آموزان نیاز دارد. سطوح، متوالی درک می‌شوند، به‌طوری‌که برای رسیدن به سطح بعدی، ابتدا باید در یک سطح تسلط پیدا کرد (بلوم، 1956؛ هویت، 2011). دلیل اینکه ما معماری بلوم را پذیرفتیم این است که سواد هوش مصنوعی برای مربیان، جدید است و هنوز طبقه‌بندی سطوح فرایندهای شناختی در زمینه یادگیری هوش مصنوعی ایجاد نشده است. بااین‌حال، این مدل یک نظریه کلاسیک آموزشی است که پایه اصلی آموزش هوش مصنوعی به یادگیرندگان جوان را تشکیل می‌دهد. در بررسی ما، پیشنهاد شده است که این سه بعد (یعنی دانش و درک، استفاده، ارزیابی و ایجاد هوش مصنوعی) را به سطوح شناختی طبقه‌بندی بلوم اختصاص دهیم. “دانش و درک هوش مصنوعی” به دو سطح پایین اختصاص داده شده است. “استفاده و به‌کارگیری هوش مصنوعی” در بکارگیری مفاهیم و برنامه‌ها به سطح “کاربرد” اختصاص دارد. “ارزیابی و ایجاد هوش مصنوعی” به سه سطح بالایی تحلیل، ارزیابی و ایجاد هوش مصنوعی اختصاص دارد (شکل 2 را ببینید).

شکل 2: طبقه‌بندی بلوم و سواد هوش مصنوعی

در بررسی ما، بیشتر مطالعات بر چگونگی ارتقای توانایی سواد هوش مصنوعی یادگیرندگان برای دانش و درک هوش مصنوعی (27)، و همچنین نحوه استفاده از برنامه‌های کاربردی هوش مصنوعی در زندگی روزمره و به اعمال مفاهیم اساسی در موقعیت‌های مختلف تمرکز دارند (30). تنها 19 مقاله (63.3درصد) به نحوه کمک به دانش‌آموزان در تحلیل، ارزیابی و ساخت برنامه‌های کاربردی هوش مصنوعی از طریق فعالیت های تفکر سطح بالاتر اشاره کردند. یکی از دلایل احتمالی اینکه چرا مطالعات سواد هوش مصنوعی موجود بیشتر بر مهارت‌ها و دانش عمومی درباره هوش مصنوعی متمرکز شده اند این است که سواد هوش مصنوعی به همه، از جمله کودکان و شهروندان، کمک می‌کند تا مجموعه‌ای از مهارت‌ها و توانایی‌های اساسی را کسب کنند و به کار بگیرند. آنها لزوماً در انتزاع و تجزیه مشکلات هوش مصنوعی یا توسعه برنامه‌های کاربردی هوش مصنوعی مهارت ندارند. در عوض، شما باید مفاهیم اولیه را درک کنید و از هوش مصنوعی به طور اخلاقی استفاده کنید.

به‌این‌ترتیب، اکثر مطالعات سواد هوش مصنوعی منتخب ما تأکید بیشتری بر درگیرکردن یادگیرندگان در فعالیت‌های تفکر سطح پایین دارند. بااین‌حال، هنگامی که دانش‌آموزان به مدارس متوسطه و دانشگاه ارتقا می‌یابند، می‌توانند از دانش قبلی برای ایجاد مواد آموزشی و از برنامه‌ها و الگوریتم‌های هوش مصنوعی برای توجیه تصمیمات خود استفاده کنند.

پرسش 2. چگونه مربیان به یادگیرندگان کمک می‌کنند تا سواد هوش مصنوعی را در چارچوب محصولات یادگیری، رویکردهای آموزشی و محتوای آموزشی توسعه دهند؟

هدف این بررسی پرکردن شکاف‌های دانشی شناسایی شده است؛ اینکه چگونه سواد هوش مصنوعی می‌توانند به طور مؤثر در برنامه‌های درسی مدارس گنجانده شوند و چگونه مربیان می‌توانند از یادگیرندگان برای توسعه سواد هوش مصنوعی حمایت کنند. عناصر موجود در پژوهشمان، درون چارچوب دانش فناورانه، آموزشی و محتوایی (TPACK) باتوجه‌به محصولات یادگیری، رویکردهای آموزشی، و محتوای آموزشی طبقه‌بندی می‌شوند (شکل 3 را ببینید).

شکل 3: چارچوب سواد هوش مصنوعی TPACK

دلیل اینکه چارچوب دانش فناورانه، آموزشی و محتوایی (TPACK) را اتخاذ می‌کنیم این است که این مدل به طور گسترده در مطالعات زیادی استفاده شده است تا مشخص کند چگونه مربیان می‌توانند فناوری‌ها را در روش‌های آموزشی و دانش محتوایی خود بگنجانند و مهارت‌ها و دانش موردنیاز برای ادغام آموزش سواد هوش مصنوعی مرتبط با فناوری را مفهوم‌سازی کنند (به‌عنوان‌مثال. گراهام، 2011؛ کوهلر و همکاران، 2013). این مدل نقشه ای برای درک چگونگی ادغام سواد هوش مصنوعی در کلاس های درس ارائه می‌دهد. به‌عنوان‌مثال، کیم و همکاران (2021، صفحات 1-13) بر اساس منابع یادگیری هوش مصنوعی، چارچوب دانش فناورانه، آموزشی و محتوایی (TPACK) را برای بهبود آموزش های هوش مصنوعی به K-12 و آموزش اصول اولیه هوش مصنوعی توسعه دادند.

در میان این سه دانش، دانش فناوری دربرگیرنده امکانات و استفاده از ابزارهای یادگیری تخصصی حوزه مانند سخت‌افزار و نرم‌افزار در آموزش سواد هوش مصنوعی، ابزارهایی با قابلیت هوش مصنوعی (مانند ابزارهای هوشمند)، و ابزارهای یادگیری (مانند یادگیری با بازی) است. دوم، دانش شیوه آموزش به روش‌های تدریس و کاربرد آن‌ها برای ترویج یادگیری سواد هوش مصنوعی دانش‌آموز مربوط می‌شود که مستلزم استراتژی‌های آموزشی، بازخورد فرایندهای یادگیری دانش‌آموزان است (جانسن و همکاران، 2019). سوم، دانش محتوا مربوط به دانش درباره موضوع سواد هوش مصنوعی است که مباحث تخصصی باید در برنامه درسی قرار گیرد.

محصولات یادگیری

باتوجه‌به پیچیدگی هوش مصنوعی، محصولات آموزشی متناسب با سن، برای درک دانش‌آموزان از مفاهیم هوش مصنوعی و ایجاد انگیزه و علاقه آنها به یادگیری هوش مصنوعی مهم بودند. در سال‌های اخیر، سخت‌افزار و نرم‌افزارهایی افزایش‌یافته است که مفاهیم هوش مصنوعی را برای دانش‌آموزان جوان‌تر در دسترس قرار می‌دهد. جدول 6 یک نمای کلی از انواع محصولات یادگیری هوش مصنوعی از سخت افزار (8) تا محصولات مبتنی بر نرم‌افزار (6)، عوامل هوشمند (11) و ابزارهای یادگیری بدون پلاگ (5) ارائه می‌دهد. دموکراتیک کردن فناوری‌های هوش مصنوعی فعلی، دانش‌آموزان را تشویق می‌کند تا عوامل هوشمند و مدل‌های یادگیری ماشینی را بدون نیاز به برنامه‌هایی مانند ML-for-kids و Teachable Machine بسازند (کاسبرسن و همکاران، 2021؛ لانگ و مگرگو، 2020). در این زمینه، می توانیم فرصتی را برای مربیان فراهم کرد تا دسترسی به سواد هوش مصنوعی را دموکراتیک کرده و مفاهیم هوش مصنوعی را از طریق این ابزارهای نو ظهور تقویت کنند. علاوه بر این، ابزارهای مبتنی بر هوش مصنوعی مانند چت بات، دستیاران نوشتن و نقشه‌برداری وب، دانش‌آموزان را تشویق می‌کنند تا تأثیر اجتماعی و قابلیت‌های فناوری برنامه‌های هوش مصنوعی را تجربه کنند. پنج مطالعه دیگر برای تقویت سواد هوش مصنوعی دانش‌آموزان بدون استفاده از رایانه از طریق رویکردهای جذاب مانند مطالعه موردی، ایفای نقش و داستان‌گویی، فعالیت‌های یادگیری بدون پلاگین را طراحی کردند (به‌عنوان‌مثال، جولی و همکاران، 2020؛ رودریگز-گارسیا و همکاران، 2020). در کل، بیشتر پژوهشگران توسعه مهارت‌های سواد هوش مصنوعی را در محصولات یادگیری مرتبط با علوم رایانه محدود کردند، در حالی که برخی از پژوهشگران مهارت‌های سواد هوش مصنوعی را به عناصر غیر CS مانند ایفای نقش و داستان‌گویی گسترش دادند.

جدول 6: محصولات یادگیری

رویکرد آموزشی

شیوه آموزش شامل روش‌ها و راهبردهای آموزشی بر اساس سطوح تحصیلی طبقه‌بندی می‌شوند. یکی از اهداف آموزش سواد هوش مصنوعی برای مدارس ابتدایی، آشنایی کودکان با مفاهیم اولیه هوش مصنوعی/علوم رایانه و تشویق آنها به کشف ارتباط بین برنامه‌های کاربردی هوش مصنوعی و مفاهیم اساسی است. به‌عنوان‌مثال، پژوهشگران از طریق فعالیت‌های تفکر سطح بالا مانند ایجاد داستان‌های دیجیتال (کادلهوفر، 2016)، انجام تست تورینگ با عوامل هوشمند، ایجاد ربات چت و الگوریتم‌های استنتاج (وانگ و همکاران، 2020)، و ساخت برنامه‌های کاربردی از طریق برنامه‌نویسی مبتنی بر بلوک (هانگ و همکاران، 2020) دانش‌آموزان را با مفاهیم هوش مصنوعی آشنا کردند. دانش‌آموزان دبیرستانی علاوه بر درک ارتباط بین فنون هوش مصنوعی و کاربردهای رایج هوش مصنوعی، باید توانایی به‌کارگیری دانش قبلی درباره هوش مصنوعی در پروژه‌های گروهی عملی برای تجزیه‌وتحلیل و حل مسائل مستقل را داشته باشند (کادلهوفر و همکاران، 2016)؛ بنابراین، مربیان می‌توانند پروژه‌های مشارکتی و در دنیای واقعی را بر اساس اصول ساخت‌گرایی و آموزش گرایی طراحی کنند (کادلهوفر و همکاران، 2016). پژوهشگران فعالیت‌های عملی مختلفی مانند ساخت ربات (ویلیامز و همکاران، 2019)، داده‌ها و تجسم مقایسه‌ای (ون و همکاران، 2020)، و همچنین آموزش مدل‌های هوش مصنوعی (واژشلی و همکاران، 2019) را برای ترویج سواد هوش مصنوعی در سطوح دبیرستانی پیشنهاد می‌کنند.

فراگیران بزرگسال به‌عنوان دانشجویان دانشگاه و عموم مردم طبقه‌بندی می‌شوند. ازآنجایی‌که دانشجویان دانشگاه به درک اساسی هوش مصنوعی دست یافته‌اند، آمادگی بیشتری برای پیشرفت‌های بیشتر در این زمینه دارند. آنها می‌توانند پروژه‌ها یا پژوهش‌هایی را برای بیان مشکلات و در سطح انتزاعی بالاتر انجام دهند (کادلهوفر و همکاران، 2016). به‌این‌ترتیب، آنها می‌توانند مهارت‌ها و دانش هوش مصنوعی را برای حل مشکلات دنیای واقعی و برای چالش‌های تحصیلی و شغلی آینده به کار گیرند (چت و همکاران، 2020). برای آموزش عموم مردم برای درک و استفاده اخلاقی از برنامه‌های هوش مصنوعی، منابع و دوره‌های آنلاین رایگان (رابینسون؛ 2020)، تأسیسات هنری عمومی و نمایشگاه‌های موزه (رودریگز-گارسیا و همکاران، 2020) رویکردهای مناسبی هستند تا شاهد جامعه‌ای قوی و ایمن، خلاق و مشارکتی باشیم.

جدول 7: ارزیابی ابزارها و ساختارها برای ارزیابی یادگیری هوش مصنوعی دانش‌آموزان

دانش محتوا

در آموزش K-12، مطالعاتی که شامل طراحی برنامه‌های درسی و فعالیت‌های یادگیری می‌شد، بر چگونگی دستیابی دانش‌آموزان به مفاهیم هوش مصنوعی و نحوه استفاده از هوش مصنوعی در زمینه‌های موردعلاقه تمرکز می‌کنند (به‌عنوان‌مثال، دراگا و همکاران، 2019؛ لین و همکاران، 2019). لانگ و ماگرکو (2020) و رودریگز-گارسیا و همکاران (2020) به پنج “ایده بزرگ” هوش مصنوعی تورتزکی و همکاران (2019) اشاره کردند که چارچوبی مناسب برای پژوهش‌های آینده در زمینه تقویت سواد هوش مصنوعی است:

  • تصورات: کامپیوترها با استفاده از حسگرها دنیا را درک می‌کنند.
  • بازنمایی و استدلال: عوامل بازنمایی جهان را حفظ می‌کنند و از آنها برای استدلال استفاده می‌کنند.
  • یادگیری: رایانه‌ها می‌توانند از داده‌ها یاد بگیرند.
  • تعامل طبیعی: عوامل هوشمند برای تعامل طبیعی با انسان به انواع مختلفی از دانش نیاز دارند.
  • تأثیر اجتماعی: هوش مصنوعی می‌تواند به دو روش مثبت و منفی بر جامعه تأثیر بگذارد.

با الهام از این چارچوب، وانگ و همکاران. (2020) سواد هوش مصنوعی را در K-12 در سه بعد طبقه‌بندی کردند: مفاهیم هوش مصنوعی، کاربردها و اخلاق. در مطالعه دیگری، رودریگز-گارسیا و همکاران (2020) LearningML، سازنده مدل یادگیری ماشینی را برای توسعه تفکر انتقادی ارزیابی کرد. این سازنده مدل به دانش‌آموزان K-12 اصول هوش مصنوعی را آموزش می‌دهد تا کاربردهای هوش مصنوعی، نحوه تأثیرگذاری آن بر زندگی آنها و مسائل اخلاقی ناشی از فناوری‌های هوش مصنوعی را درک کنند.

در آموزش عالی، دانش و مهارت‌های هوش مصنوعی برای برآوردن نیازهای شغلی آینده پیشرفته‌تر می‌شوند. کاندلهوفر و همکاران (2016) و بورگشتاینر و همکاران (2016) مجموعه‌ای از مفاهیم هوش مصنوعی را فهرست کردند که ظرفیت تبدیل‌شدن به اصولی برای مشاغل در علم و مهندسی را دارند: ماشین‌های خودکار، عوامل هوشمند، نمودارها و ساختارهای داده‌ای، مبانی علوم کامپیوتر، یادگیری ماشین و غیره، بر اساس “هوش مصنوعی: یک رویکرد مدرن نوشته راسل استوارت و نورویگ (2009).

چهار مطالعه به اهمیت آموزش شهروندان در مورد مفاهیم اساسی هوش مصنوعی و تأثیرات فناوری‌های هوش مصنوعی بر زندگی روزمره آنها اشاره کردند. به‌عنوان‌مثال، رابینسون (2020) اشاره کرد که سند خط‌مشی نروژ، در بخشی با عنوان “هوش مصنوعی برای همه: عناصر هوش مصنوعی” (ص. 44) تاکید می‌کند که دولت دوره های آموزشی هوش مصنوعی را در سال 2020 در دسترس جهانی قرار می‌دهد، که سواد هوش مصنوعی را به‌عنوان آموزش شهروندان خود در مورد عناصر هوش مصنوعی که نیازی به دانش قبلی ندارند مفهوم‌سازی می‌کند (رابینسون، 2020). علاوه بر این، سه مطالعه بر یادگیری هوش مصنوعی در رشته‌های تخصصی (به‌عنوان‌مثال، هواشناسی، پزشکی و کتابداری) متمرکز شدند تا چگونگی استفاده از هوش مصنوعی را در آموزش حرفه‌ای و استفاده در محل کار (مانند استفاده از فناوری‌های هوش مصنوعی در مراقبت‌های بهداشتی در موارد پیشگیری، تشخیص، درمان و خدمات توانبخشی) نشان دهد (کاراکا و همکاران، 2021؛ ریورو، 2020؛ زو و همکاران، 2019).

 آموزش مربیان

در این باره، چهارمقاله بحث کردند که چگونه برنامه‌های یادگیری می‌توانند آمادگی مربیان را به‌ویژه برای کسانی که دانش قبلی ندارند تقویت کند تا بتوانند سواد هوش مصنوعی را در برنامه‌های درسی مدرسه بگنجانند (وزهیل و همکاران، 2019؛زو، 2020). وزهیل و همکاران (2019) به بررسی چگونگی درک 34 معلم هندی از یادگیری سواد هوش مصنوعی پس از کارگاه آموزشی پرداختند.

کارگاه آموزشی (به‌عنوان‌مثال، “روش‌های آموزشی مورداستفاده در طول تدریس را چگونه پیدا کردید؟”، “فکر می‌کنید این کارگاه بیشترین فایده را برای شما خواهد داشت؟”) (ص.74). اول مربیان باید دانش خود را درباره مفاهیم هوش مصنوعی که در مدارس مطرح می‌شود به روز کنند. سپس، روش‌ها و راهبردهای آموزشی مناسب را طراحی ‌کنند (مثلاً حل مسئله مشارکتی) و مواد آموزشی متناسب سن را برای برانگیختن علاقه دانش‌آموزان انتخاب ‌کنند. آن‌ها همچنین باید چالش‌های آموزشی مختلف مانند بودجه ناکافی، برنامه‌های درسی هوش مصنوعی نابالغ، ابزارها و روش‌های ارزشیابی را در نظر بگیرند (گونگ و همکاران، 2020)، و همچنین نگرانی‌های فنی در مورد اینکه آیا زیرساخت اینترنت مدارس برای دانش‌آموزان برای تدوین الگوریتم‌ها و برنامه‌های کاربردی هوش مصنوعی آماده است یا خیر (وزهیل و همکاران، 2019).

جدا از به‌روزرسانی دانش هوش مصنوعی مربیان برای حل چالش‌های آموزشی، مربیان باید فناوری‌های مبتنی بر هوش مصنوعی مانند سیستم‌های یادگیری تطبیقی را برای تسهیل و مدیریت روزانه تدریس و ترویج یادگیری و برای درک پیشرفت یادگیری و نیازهای دانش‌آموزان بدانند و از آنها استفاده کنند. زو (2020) به اهمیت یادگیری هوش مصنوعی برای مربیان به شرح زیر اشاره کرد: “هوش مصنوعی می‌تواند معلمان را توانمند کند و تغییر نقش را تسهیل کند، بنابراین معلمانی که می‌دانند چگونه از هوش مصنوعی استفاده کنند می‌توانند جایگزین کسانی شوند که این کار را نمی‌کنند و “مدیریت و سطح تصمیم‌گیری” به طور قابل‌توجهی بهبود می‌یابد (ص.290). علاوه بر این، معلمان باید دانش‌آموزان را آموزش دهند تا از ابزارهای یادگیری هوش مصنوعی مانند مربیان هوشمند و سیستم‌های یادگیری تطبیقی برای تسهیل یادگیری (مانند تشخیص خود، ارائه بازخورد خودکار و ترویج همکاری آنلاین بین فراگیران) استفاده کنند (کاوالکانتی و همکاران، 2021).

 پرسش3. پژوهشگران چگونه مهارت‌های سواد هوش مصنوعی دانش‌آموزان را ارزیابی می‌کنند؟

در 30 مطالعه، پژوهشگران نحوه ارزیابی مهارت‌های دانش‌آموزان و کاربرد مهارت‌های مرتبط با دانش هوش مصنوعی را با استفاده از روش‌های ارزیابی کمی (13) و کیفی (18) بررسی کردند (جدول 7)، مشروط بر اینکه روش پژوهش آمیخته را می توان درون روش‌های ارزیابی کمی و روش‌های ارزیابی کیفی تقسیم کرد. علاوه بر این، رابینسون (2020) در سوال 3 کدگذاری نشده است زیرا این مطالعه با هدف مقایسه نحوه تعریف و بررسی اعتماد، شفافیت و باز بودن در اسناد خط مشی دولتی درباره هوش مصنوعی در کشورهای مختلف انجام شده است.

روش‌های کمی: برای ارزیابی سواد هوش مصنوعی دانش‌آموزان K-12، یکی از مؤلفه‌های مهم این است که قصد آن‌ها را برای یادگیری و کسب دانش اولیه در مورد هوش مصنوعی ارتقا دهیم. سیزده مطالعه از روش‌های کمی برای ارزیابی کسب دانش K-12 و دانشجویان دانشگاه از طریق پیش‌وپس آزمون (مثلاً ویژگی‌های جستجوی عمیق چیست؟) و توانایی‌های درک شده دانشجویان (مثلاً چگونه دانش خود را در مورد الگوریتم‌های جستجو رتبه‌بندی کنید؟) استفاده کردند. (کندهوفر و غیره، 2020؛ ون و همکاران، 2020). علاوه بر این، مطالعات جنبه‌های کمی دیگر را از طریق نظرسنجی‌ها موردبحث قرار دادند تا درک دانش‌آموزان (جنبه‌های غیرشناختی) نسبت به آموزش سواد هوش مصنوعی مانند اعتماد به استفاده از هوش مصنوعی، انگیزه و هوش مصنوعی برای منافع اجتماعی را موردبحث قرار دهند.

روش‌های کیفی: نوزده پژوهشگر با گرفتن عکس، یادداشت‌های میدانی در حین تدریس و مصاحبه با دانش‌آموزان، داده‌های کیفی را جمع‌آوری کردند تا انگیزه‌ها، انتظارات و درس‌های آموخته‌شده را درک کنند. به‌عنوان‌مثال، داروگا (2019) تعامل دانش‌آموزان با عوامل هوش مصنوعی را از طریق مشاهدات میدانی ثبت کرد و یک پرسش‌نامه ادراکی هوش مصنوعی سه مشخصه‌ای برای ارزیابی نحوه تعامل و درک 102 کودک (7 تا ۱۲ساله) از عوامل هوش مصنوعی در درس‌های خود را اتخاذ کرد. این سه مشخصه باهوش‌تر، صادق‌تر بودن و درک عوامل را اندازه‌گیری می‌کنند (به‌عنوان‌مثال، «نظر شما در مورد Google Voice، ایجنتی مبتنی بر هوش مصنوعی چیست؟»). بچه‌ها پاسخ دادند که سرگرم‌کننده‌ترین ویژگی‌ها پخش بیت باکس و موسیقی، عکس‌گرفتن و بازی‌کردن است. واتکینز (2020) بازخورد نمایشگاه را از 367 شرکت‌کننده جمع‌آوری کرد تا متداول‌ترین سؤالات پرسیده شده را در یک جلسه ارائه کند (به‌عنوان‌مثال، «آیا کتابداران می‌توانند برنامه‌نویسی را با این ابزار توسعه دهند؟») (ص. 17).

ابزارها برای ارزیابی سواد هوش مصنوعی

پژوهشگران و مربیان هوش مصنوعی در حال حاضر از ابزارهای کمی و کیفی برای ارزیابی توسعه سواد هوش مصنوعی دانش‌آموزان استفاده می‌کنند. اکنون مطالعات بر بررسی تغییرات در نگرش‌ها، رفتارها و شناخت‌ها ورای آمارها در زمینه‌های آموزشی مختلف هوش مصنوعی متمرکز شده‌اند تا درک بهتری از رابطه بین جنبه‌های شناختی و غیرشناختی پرورش سواد هوش مصنوعی به دست آورند. جدول 7 ساختارها و ابزارهای ارزیابی را برای ارزیابی رشد شناختی و غیرشناختی هوش مصنوعی دانش‌آموزان نشان می‌دهد. برای درک بیشتر نحوه بررسی سواد هوش مصنوعی از طریق ابزارهای کمی و کیفی، ما سه نوع ارزیابی اصلی را که در ادبیات یافت شده است، از جمله آزمون‌های دانش، نظرسنجی، ارزیابی نمونه کارها و مصاحبه‌های مبتنی بر محصول طبقه‌بندی کردیم. برخی از مطالعات بیش از یک نوع ارزیابی را برای چندوجهی کردن نتایج یادگیری سواد هوش مصنوعی دانش‌آموزان اتخاذ کردند.

آزمون دانش: شش مطالعه سؤالات پاسخ گزینشی یا ساخته شده مانند سؤالات چندگزینه‌ای و ساختاریافته را ایجاد کردند که با درستی و کامل‌بودن ارزیابی می‌شوند. کاندلهوفر و همکاران (2016) از تمرین‌های کاغذ و مداد برای ارزیابی دانش موجود دانش‌آموزان از مفاهیم هوش مصنوعی مانند نمودارها و ساختارهای داده به‌عنوان مدرکی برای مهارت هوش مصنوعی دانش‌آموز استفاده کرد. کسب دانش هوش مصنوعی و حفظ مهارت‌های هوش مصنوعی دانشجویان در مطالعات لین و همکاران (2021)، وان و همکاران. (2020) و رودریگز-گارسیا، مورنو-لئون، رومان-گونزالز، و روبلز، از طریق آزمون‌های پیش از پس از آن ارزیابی شد. لین و همکاران (2021) آزمایش‌های مفاهیم هوش مصنوعی را برای بررسی مفاهیم اصلی هوش مصنوعی از جمله درخت تصمیم، سیستم منطقی، شبکه عصبی و یادگیری ماشین اجرا کردند.

وان و همکاران (2020) پرسشنامه‌های پیش از پس‌آزمایی را با پاسخ‌های کتبی به سؤالات مربوط به خوشه‌بندی، مقایسه شباهت و فرآیند خوشه‌بندی k-means انجام دادند در حالی که رودریگز-گارسیا، مورنو-لئون، رومان-گونزالس و روبلز، 2021 چهارده سؤال اصلاح شده از سایر آزمون‌های موجود و منابع آنلاین، مانند وب‌سایت یادگیری ماشینی برای کودکان و پلتفرم‌های موک در هوش مصنوعی انتخاب کردند. ویلیامز و همکاران (2019) سه یا چهار سؤال چندگزینه‌ای را روی یک تبلت یا کاغذ نوشتند تا بفهمد کودکان مهدکودک در مورد دانش هوش مصنوعی مانند طبقه‌بندی و هوش مصنوعی مولد چه می‌دانند تا مشاهدات رفتار یادگیری دانش‌آموزان در فعالیت‌های مربوطه را دسته بندی کنند.

استفاده از این آزمون سنتی دانش نشان می‌دهد که سواد هوش مصنوعی می‌تواند به‌عنوان دانش و مهارت‌های به‌دست‌آمده در نظر گرفته شود. ازآنجایی‌که هوش مصنوعی به طور گسترده‌تری در برنامه‌های دانشگاه K-12 و علوم غیر کامپیوتری آموزش داده می‌شود، مشاهده می‌شود که ارزیابی دانش معتبرتر و قابل‌اعتمادتری وجود خواهد داشت که می‌تواند به‌راحتی در مداخلات یادگیری برای درک دانش هوش مصنوعی دانش‌آموزان تطبیق داده شود.

نظرسنجی: نظرسنجی‌ها به طور گسترده برای بررسی توانایی درک شده، پیامدهای یادگیری عاطفی و غیرشناختی (مانند انگیزه‌ها، نگرش‌ها نسبت به یادگیری هوش مصنوعی) در تحقیقات آموزشی مورداستفاده قرار می‌گیرند. یازده مطالعه، نظرسنجی‌هایی را توسعه دادند که گزینه‌های کمی را برای فهمیدن درک دانش‌آموزان از هوش مصنوعی و سؤالات باز برای جمع‌آوری پاسخ‌های دانش‌آموز طراحی کردند. اگرچه از نظرسنجی‌ها اغلب برای بررسی نتایج غیرشناختی دانش‌آموزان استفاده می‌شد، اما چندین مطالعه از نظرسنجی‌ها برای استخراج درک دانش‌آموزان از هوش مصنوعی استفاده کردند. به‌عنوان‌مثال، زو، وانگ و چیا (2020) و چیا، لین و همکاران (2020)، یک پرسش‌نامه 6 ماده‌ای برای درک اعتماد دانش‌آموزان، یادگیری هوش مصنوعی و آمادگی برای هوش مصنوعی طراحی کردند. سپس نظرسنجی توسط لین و همکاران (2021) اصلاح شد که از مدل‌سازی معادلات ساختاری برای اعتبارسنجی انگیزه دانش‌آموزان ابتدایی برای یادگیری هوش مصنوعی برای توسعه آینده برنامه‌های درسی و آموزش هوش مصنوعی استفاده کرد. مشخص شده است که سواد هوش مصنوعی به طور قابل‌توجهی با جنبه‌هایی از جمله هنجارهای ذهنی، سودمندی درک شده از هوش مصنوعی، هوش مصنوعی برای خیر اجتماعی، نگرش به استفاده از هوش مصنوعی، خوش‌بینی هوش مصنوعی و اعتمادبه‌نفس در یادگیری هوش مصنوعی مرتبط است (چای، وانگ، و زو، 2020؛ لین و همکاران، 2021). مطالعه دیگری ریجیستر و کو (2020) تحلیل موضوعی کیفی پاسخ‌های باز دانش‌آموزان را در مورد نحوه عملکرد سیستم‌های یادگیری ماشین و همچنین جنبه‌های دیگر از جمله شفافیت مدل یادگیری ماشین، تفکر انتقادی و علایق و پیشینه‌های یادگیرندگان به کاربرد. یکی از مزیت‌های استفاده از نظرسنجی این است که جمع‌آوری داده‌ها از حجم نمونه بزرگ است که می‌تواند نتایج قابل‌اندازه‌گیری تولید کند. بااین‌حال، توصیف غنی دانش‌آموزان را از مواجهه یادگیری آنها محدود می‌کند. برای پر کردن این شکاف، استفاده از تجزیه‌وتحلیل پورتفولیوی پروژه و مصاحبه‌های مبتنی بر مصنوعات می‌تواند در آزمون‌های دانش و نظرسنجی‌ها برای مثلث‌بندی یادگیری هوش مصنوعی دانش‌آموزان گنجانده شود.

تجزیه‌وتحلیل پورتفولیو[1] پروژه و مصاحبه مبتنی بر مصنوعات: تجزیه‌وتحلیل پورتفولیو پروژه به فرایندی هدفمند و سیستماتیک از جمع‌آوری و ارزیابی انواع مختلف مصنوعات یادگیری دانش‌آموزان مانند محصولات، پروژه‌ها و برنامه‌ها اشاره دارد (مک میلان، 2013). با استفاده از نمونه کارهای پروژه‌های دانش‌آموزان، محققان و مربیان می‌توانند با دانش‌آموزان مصاحبه کنند تا مفاهیم و شیوه های هوش مصنوعی آنها را بررسی کنند. پنج مطالعه از تجزیه‌وتحلیل پورتفولیوی پروژه با مصاحبه بعدی برای بررسی دستیابی به اهداف یادگیری استفاده کردند. به‌عنوان‌مثال، کسپرسن و همکاران. (2021) مدل‌های هوش مصنوعی و طراحی رابط کاربری دانش‌آموزان را از طریق جمع‌آوری و برچسب‌گذاری داده‌ها و ساخت، آزمایش و ارزیابی مدل‌ها ارزیابی کرد. پس از تجزیه‌وتحلیل مصنوعات در پروژه‌های دانش‌آموزان، محققان دریافتند که کودکان می‌توانند دانش جدید خود را از یادگیری ماشین در زندگی خود به کار ببرند و با استفاده از یادگیری ماشین به برنامه‌های کاربردی معنادار شخصی بیاندیشند. مطالعه دیگری واتکینز (2020) از شرکت‌کنندگان خواست تا تجسم دو بعدی و برنامه‌های کاربردی کیوسک را ایجاد کنند که در فضاهای سازندگان و کتابخانه‌های دانشگاه‌ها نشان داده شد و بازدیدکنندگان را دعوت کرد تا کاربردهای هوش مصنوعی خود را در کیهان‌شناسی درک کنند. کاندلهوفر و همکاران (2021) عکس گرفتن دانش‌آموزان را مطالعه کرد، یادداشت های میدانی، تعامل و نمایش پروژه در طول هر واحد آموزشی. سپس، آنها مصاحبه‌های نیمه ساختاریافته و تجزیه‌وتحلیل محتوا را برای بررسی اینکه چگونه دانش‌آموزان درک هوش مصنوعی خود را تقویت می‌کنند، انجام دادند.

از طریق مصاحبه‌های مبتنی بر مصنوعات، درک این نکته مفید است که دانش‌آموزان می‌توانند از طریق ارتباطات و پروژه‌های دانش‌آموزی کدام مؤلفه‌های هوش مصنوعی را بفهمند و بیشتر استفاده کنند. ازآنجایی‌که یادگیری هوش مصنوعی برای مربیان K-12 مبتدی است، استفاده از ارزیابی پورتفولیو و مصاحبه‌های بعدی می‌تواند دیدگاهی جامع از میزان دانش و مهارت‌هایی که دانش‌آموزان باید به دست آورند، و چگونه مربیان مواد و ابزارهای آموزشی خود را طراحی و انتخاب می‌کنند، به تصویر بکشد. طراحی یادگیری آنها علاوه بر این، این امر همچنین مربیان را تشویق می‌کند تا در کلاس‌های درس و در سراسر پلتفرم‌ها برای ارزیابی شکلی دانش‌آموزان برای ارائه بازخوردی که به طور بالقوه برای یادگیری هوش مصنوعی آینده آنها مفید است، استفاده کنند.

با پتانسیل بسیار زیاد استفاده از مصاحبه‌های مبتنی بر مصنوعات، محققان، معمولاً از مصاحبه‌ها برای پشتیبانی و تشریح ارزیابی نمونه کارها دانش‌آموزان با مشخص‌کردن فرایندهای تفکر آنها در استفاده از مهارت‌های هوش مصنوعی برای حل مشکلات استفاده می‌شود (به‌عنوان‌مثال، چگونه شروع کردند، چگونه پروژه تکامل یافت، چه چیزی برای آنها مهم بود که برای ساختن پروژه بدانند، چه چیزی. مشکلاتی که در طول فرایند با آن‌ها مواجه شدند و نحوه برخورد با آن مشکلات). علاوه بر این، دانش‌آموزان می‌توانند هنگام کار بر روی پروژه‌های عملی، مانند آنچه که بیشتر از همه به آن اطمینان دارند، چه چیزی را می‌خواهند بیشتر بهبود بخشند و چه چیزی آنها را درگیر می‌کند، درباره خود فکر کنند. بااین‌حال، چالش‌های استفاده از مصاحبه شامل هزینه بالا و زمان طولانی صرف شده برای مصاحبه و کدگذاری داده‌ها و همچنین توزیع کم آن بین دانش‌آموزان است که تعیین کمیت آن را دشوار می‌کند (تانگ و همکاران، 2020). در طول مصاحبه‌های مبتنی بر مواد، محققان می‌توانستند در مورد عناصر مختلف هوش مصنوعی در پروژه‌های دانش‌آموزان بحث‌های مفصلی داشته باشند و توصیف‌های غنی از شیوه‌های توسعه آنها ایجاد کنند.

پرسش 4. نگرانی های اخلاقی در حوزه سواد هوش مصنوعی چیست؟

ازآنجایی‌که هوش مصنوعی نقش مهمی در تصمیم‌گیری روزانه ایفا می‌کند، استفاده نادرست یا طراحی ضعیف هوش مصنوعی می‌تواند صدمات جبران‌ناپذیری به انسان‌ها و جامعه وارد کند (فورتان، 2020). دانشمندان و مهندسان مرتبط با هوش مصنوعی مانند ایلان ماسک ترسهایی را که فناوری‌های هوش مصنوعی آینده ممکن است در دهه‌های آینده بر بشریت وارد کنند توضیح می‌دهند (جانسون، 2019). در بررسی ما، شاپر و همکاران (2020) نشان دادند که سازمان‌های بین‌المللی مانند یونیسف و OECD بر اهمیت شفافیت و قابلیت در سیستم‌های هوش مصنوعی، تعاملات کاربر و پیامدهای اجتماعی تاکید کردند (وینست لنسرین و ون در والیز، 2020؛ یونیسف، 2019). ). نوزده مطالعه بر ملاحظات انسان محور تاکید کردند و توجه را به آموزش شهروندان برای تبدیل‌شدن به کاربرانی با مسئولیت اجتماعی و اخلاقی جلب کردند (احمد، تردسای و اکرت، 2020). گونگ و همکاران (2020) دریافتندکه دانشجویان به نگرانی های اخلاقی مانند سوگیری در هوش مصنوعی و مسئولیت قانونی و مالکیت معنوی توجه کمی دارند.

در این راستا، پژوهشگران متوجه اهمیت نگرانی‌های انسان‌محور در هوش مصنوعی مانند فراگیر بودن، انصاف، مسئولیت‌پذیری، شفافیت و اخلاق شدند، به‌جای اینکه صرفاً توانایی‌ها و علایق هوش مصنوعی دانش‌آموزان را افزایش دهند (هاگندورف، 2021؛ مایکروسافت، 2021). به‌عنوان‌مثال، لین و همکاران. (2021) برنامه درسی دوره راهنمایی را برای توسعه سواد هوش مصنوعی از طریق ترکیب مفاهیم، اخلاق، آگاهی و مشاغل هوش مصنوعی طراحی کرد. مطالعه آنها پیشنهاد می‌کند که صنایع آینده هوش مصنوعی بر اصولی مانند فراگیر بودن، ارائه دسترسی عادلانه با درنظرگرفتن سهام‌داران متعدد و کاربران بالقوه و به‌حداقل‌رساندن سوگیری‌ها ایجاد شوند (ص.191). به طور خلاصه، مفهوم‌سازی سواد هوش مصنوعی با ملاحظات انسان‌محور برای ساختن یک جامعه فراگیر آینده بسیار مهم است.

به‌منظور پرورش شهروندانی مسئول و مسلط در استفاده از هوش مصنوعی به شیوه‌ای قابل‌اعتماد و عادلانه، گسترش مشارکت در هوش مصنوعی و اجرای چارچوب‌های یادگیری هوش مصنوعی فراگیر ضروری است. هنگام آموزش هوش مصنوعی، مربیان باید توجه به نیازهای آموزشی جوامع به حاشیه رانده شده را در اولویت قرار دهند. هدف ایجاد محیطی است که در آن همه افراد از فرصت‌های برابر برای کسب مهارت‌ها و دانش هوش مصنوعی برخوردار باشند و جامعه آینده را تضمین کند که هوش مصنوعی را مسئولانه و منصفانه بپذیرد. به‌عنوان‌مثال، دراگا (2019) دریافت که کودکانی که از نظر اقتصادی-اجتماعی پایین هستند، برای پیشبرد مفاهیم هوش مصنوعی مشکل بیشتری دارند، زیرا آنها تجربه کمتری در کدنویسی و تعامل با این فناوری‌ها در زندگی روزمره خود داشتند. به‌منظور ترویج یادگیری فراگیر هوش مصنوعی، او اجرای مجموعه‌ای از دستورالعمل‌ها را پیشنهاد کرد که از استفاده از فناوری‌های فریبنده جلوگیری می‌کند. او همچنین بر اهمیت‌دادن به کودکان برای شخصی‌سازی ماشین‌های خود به‌عنوان راهی برای افزایش تجربه یادگیری خود تأکید کرد. علاوه بر این، او همکاری بین فراگیران را برای تقویت به‌اشتراک‌گذاری کار و ایده‌های آنها تشویق کرد (دراگا، 2019).

نتیجه گیری

در این بررسی، تعاریف مختلفی از سواد هوش مصنوعی شناسایی شد. بیشتر تعاریف از سواد هوش مصنوعی بر اساس انواع مختلف «سواد» است که اخیراً برای تعریف مجموعه‌های مهارتی در رشته‌های دیگر به کار گرفته شده است. بیشتر پژوهشگران معتقدند که به‌جای اینکه یادگیرندگان فقط بدانند چگونه از برنامه‌های هوش مصنوعی استفاده کنند، باید درباره مفاهیم بنیادی هوش مصنوعی برای مشاغل آینده خود بیاموزند و نگرانی‌های اخلاقی را برای استفاده مسئولانه از هوش مصنوعی درک کنند.

سواد هوش مصنوعی یک‌رشته نوظهور است و درنتیجه مجلات تخصصی در این زمینه کم است. جستجوی کلیدواژه به دامنه اختصاصی در زمینه هوش مصنوعی محدود شد که منجر به حذف سایر زیرشاخه‌های هوش مصنوعی مانند یادگیری ماشین، شبکه‌های عصبی و غیره از بررسی حاضر شد. دوم، چندین مقاله در این بررسی بر مداخلات و برنامه‌های آموزشی مرتبط مصنوعات سواد هوش مصنوعی متمرکز بود. بااین‌حال، مقالات به‌صراحت اصطلاح سواد هوش مصنوعی را تعریف نکردند. سوم، مجموعه بزرگ‌تری از مطالعات درباره یادگیری و آموزش هوش مصنوعی بدون ذکر عبارت “سواد هوش مصنوعی” بود که در این بررسی کنار گذاشته شدند. بااین‌حال، مداخلات آنها به طور بالقوه می‌تواند معادل طراحی آموزشی سواد هوش مصنوعی تلقی شود که نشان‌دهنده نیاز به جستجوی گسترده‌تر در بررسی‌های آینده برای گنجاندن ادبیات مرتبط با هوش مصنوعی در زمینه آموزش و یادگیری است. این پژوهش شکاف‌ها و نیازهای موجود در پژوهش‌های سواد هوش مصنوعی را برجسته می‌کند و بینش‌هایی را برای مطالعات آینده ارائه می‌دهد. اکثر مقالات (22) مقالات کنفرانسی بودند و 8 مقاله دیگر از مجلات بودند.

همچنین 19 مقاله از روش تحقیق کیفی استفاده کرده و به‌عنوان مطالعات مقدماتی برای پژوهش های اکتشافی استفاده شده است. در سال های آینده، پیش بینی تغییر در طراحی پژوهش به سمت رویکرد تجربی و مداخله ای بیشتر وجود دارد. این ممکن است شامل استفاده از شبه آزمایش ها و پژوهش های مبتنی بر طراحی، با گروه های درمان و کنترل به خوبی مستند شده باشد. -علاوه بر این ، تأکید بیشتری بر استفاده از روشهای متنوع تجزیه‌وتحلیل داده‌ها مانند آزمون T ، تجزیه‌وتحلیل یک طرفه واریانس، تجزیه‌وتحلیل عاملی ، رگرسیون و مدل سازی معادلات ساختاری وجود خواهد داشت. علاوه بر این، نیاز به بررسی کیفیت ارزیابی‌های مختلف سواد هوش مصنوعی وجود دارد. تنها سه مطالعه، پایایی و اعتبار مقیاس‌ها را برای مهارت‌های سواد هوش مصنوعی با انجام تحلیل عاملی اکتشافی و تأییدی بررسی کردند (چای و همکاران، 2020a، 2020b؛ دای و همکاران، 2020). بر اهمیت توسعه چارچوب های روشن برای راهنمایی مربیان برای طراحی درس های متمرکز بر هوش مصنوعی با روش‌های آموزشی مناسب، مواد آموزشی و معیارهای ارزیابی تأکید کنید. امیدواریم این بررسی الهام بخش پژوهشگران، مربیان و مقامات دولتی برای شروع گفتگو در مورد تعریف، اجرا و ارزیابی سواد هوش مصنوعی باشد.

 توصیه‌هایی برای آموزش سواد هوش مصنوعی در آینده

 یافته‌های این بررسی مروری مقدماتی از ادبیات تحقیق تجربی درباره مطالعات سواد هوش مصنوعی در حوزه آموزش ارائه می‌کند. این مطالعه به شکاف‌های پژوهشی در این حوزه توجه می‌کند و دستورالعمل‌هایی را برای پژوهش‌های آینده درباره آموزش سواد هوش مصنوعی بر اساس سؤالات پژوهشی مطالعه حاضر ارائه می‌کند:

  • هوش مصنوعی برای همه، نه فقط برای دانشمندان کامپیوتر، به یک مهارت اساسی تبدیل می‌شود. علاوه بر خواندن، نوشتن، مهارت‌های حساب و دیجیتال، باید هوش مصنوعی را به سواد فناوری قرن بیست و یکم هر فراگیر در محیط‌های کاری و زندگی روزمره اضافه کنیم.
  • با الهام از طبقه‌بندی بلوم، سواد هوش مصنوعی دارای قابلیت‌های اساسی برای دانش و درک، استفاده و کاربرد، و نیز ارزیابی و ایجاد هوش مصنوعی است. مردم باید خود را از نظر شناختی برای چالش‌های فناورانه آینده در محل کارشان مجهز کنند. درعین‌حال، توجه به مسئولیت اجتماعی و آگاهی اخلاقی‌شان برای استفاده از هوش مصنوعی برای منافع اجتماعی مهم است.
  • دانش‌آموزان نه‌تنها کاربران نهایی هستند، بلکه به طور بالقوه برای استفاده از فناوری‌های هوش مصنوعی در سناریوهای مختلف، یا حتی ایجاد راه‌حل‌های سخت‌افزاری و نرم‌افزاری مبتنی بر هوش مصنوعی برای تبدیل جامعه به مکانی بهتر برای زندگی، حل‌کننده مشکلات هستند.
  • سواد هوش مصنوعی علم داده، تفکر محاسباتی و دانش چندرشته‌ای را برای اثر متقابل سواد هوش مصنوعی و تفکر هوش مصنوعی ترکیب می‌کند.
  • برای تسهیل آموزش مربیان، باید چارچوب دانش فنی، آموزشی و محتوایی در نظر گرفته شود تا نقشه‌ای برای درک چگونگی ادغام سواد هوش مصنوعی در کلاس‌های درس ارائه شود. مواد و برنامه‌های آموزشی متناسب با سن باید به‌گونه‌ای طراحی شوند که درک مفهومی از هوش مصنوعی در دانش‌آموزان K-12 را ایجاد کنند و انگیزه و علاقه آنها را به یادگیری هوش مصنوعی تحریک کنند.
  • مربیان باید دانش هوش مصنوعی خود را برای حل چالش‌های آموزشی از قبیل دانش و استفاده از فناوری‌های تقویت‌شده با هوش مصنوعی مانند سیستم‌های یادگیری تطبیقی که مدیریت روزانه تدریس آنها را تسهیل می‌کند، به‌روز کنند و یادگیری فردی را برای درک پیشرفت آموزش و نیازهای دانش‌آموزان ترویج کنند.
  • محققان و مربیان آینده راهبردهای آموزشی (مانند یادگیری مبتنی بر پروژه مشارکتی، گیمیفیکیشن) و مدل‌های نظری (مانند تئوری خود تعیین‌کننده، ساخت‌گرایی) را برای افزایش انگیزه و مشارکت دانش‌آموزان، ترویج تعامل و همکاری، افزایش انگیزه و نگرش و توسعه مهارت‌های یادگیری در بافت سواد هوش مصنوعی توسعه خواهند داد.
  • محققان و مربیان آینده ارزیابی‌های کمی و کیفی را برای بررسی عملکرد یادگیری دانش‌آموزان از طریق آزمون‌های پس از دانش، نظرسنجی‌های خود ادراک شده، مواد آموزشی یادگیرندگان، پروژه‌ها و گفتگوها ایجاد خواهند کرد.

● ملاحظات انسان‌محور مانند انصاف، مسئولیت‌پذیری، شفافیت و اخلاق برای توجه به آموزش شهروندان و برای تبدیل‌شدن به کاربرانی مسئولیت‌پذیر اجتماعی و اخلاقی مهم است، به‌جای اینکه صرفاً توانایی‌ها و علایق هوش مصنوعی دانش‌آموزان را افزایش دهد

[1] –  پورتفولیو مجموعه ای طرح ریزی شده و هدفمند از مدارک و شواهدی است که چگونگی پیشرفت دانشجو و گام های لازم برای رسیدن به آن را شامل می شود. پورتفولیو، مجموعه ای از کارهایی است که توسط دانشجو انجام شده است و نمایانگر دست یابی او به سطح از پیش تعیین شده ای از توانایی و شایستگی است. به طور شاخص یک پورتفولیو، شامل مدارک و مستندات مکتوب است، اما می توان فیلم ویدئویی، نوار صدای ضبط شده، عکس و سایر انواع اطلاعات را در آن قرار داد (مترجم).

https://civilica.com/note/3672/

Loading

ابزارهای هوش مصنوعی برای بررسی متون

مرور نوشتارها یا بررسی متون (literature review) فعالیتی فکری و تحلیلی است که طی آن پژوهشگر؛ متون و آثار موجود در زمینه پژوهش خود را شناسایی می کند تا در راستای پژوهش خود از آنها استفاده کند. مرور نوشتارها خلاصه ی پژوهش های پیشین نیست؛ بلکه مطالعه ای است که ضمن خلاصه کردن پژوهش های پیشین؛ آن را ارزیابی و ارتباط آنها را با یکدیگر و با پژوهش در دست انجام مشخص می کند. توانایی شناسایی، بازیابی، مرور، تحلیل و نوشتن از جایگاه مهمی در تدوین پیشینه است (برای اطلاعات بیشتر مقاله زیر را ببینید). در این پست در قالب یک اینفوگراف، ابزارهای هوش مصنوعی که می‌تواند در مرور نوشتارها یا بررسی متون به پژوهشگران کمک کند، معرفی می‌شود.

فایل pdf اینفوگراف

Loading

هوش مصنوعی و کتابخانه‌های دانشگاهی

هوش مصنوعی (AI) این توانایی را دارد که نحوه عملکرد کتابخانه‌های دانشگاهی و خدمات‌رسانی به کاربران را تغییر دهد. نظام‌های هوش مصنوعی می‌توانند به کتابداران در انجام وظایفی مانند مدیریت مجموعه، فهرست‌نویسی و خدمات مرجع یاری کنند و به آنها کمک کنند تا بر وظایف سطح بالاتری مانند آموزش سواد اطلاعاتی و پشتیبانی پژوهشی از پژوهشگران تمرکز کنند.

امروزه یکی از راه‌های استفاده از هوش مصنوعی در کتابخانه‌های دانشگاهی استفاده از چت‌بات‌ها است. این دستیاران مجازی می‌توانند در انجام طیف وسیعی از وظایف، از پاسخ به سؤالات مرجع گرفته تا جستجو در فهرست‌های آنلاین کمک کنند. چت‌بات‌ها می‌توانند بیست و چهارساعته و در تمام ایام هفته در دسترس کاربران باشند، به این معنی که کاربران می‌توانند حتی خارج از ساعات کاری از کتابخانه کمک بگیرند.

هوش مصنوعی می‌تواند به مدیریت مجموعه‌های کتابخانه نیز کمک کند. با تحلیل داده‌های امانت یا تراکنش‌های پایگاه‌های اطلاعاتی، درباره الگوهای گردش و رفتار کاربر اطلاعاتی بدست آوریم. نظام‌های مبتنی بر هوش مصنوعی می‌توانند براساس این داده‌ها، کتاب‌ها یا مقالاتی را توصیه کنند که کاربران احتمالاً به آن‌ها علاقه‌مندند. این موضوع می‌تواند به کتابداران کمک کند تا تصمیم‌های آگاهانه‌تری درباره توسعه مجموعه خود بگیرند و اطمینان حاصل کنند که منابع کتابخانه با نیازها و علائق کاربران همسو است.

همچنین هوش مصنوعی می‌تواند به بهبود دسترسی به منابع کتابخانه کمک کند. الگوریتم‌های یادگیری ماشینی می‌توانند به کارهایی مانند تشخیص تصویر و متن کمک کنند و به کاربران کم‌بینا امکان دسترسی آسان‌تر به اسناد دیجیتال را بدهد. علاوه بر این، با استفاده از پردازش زبان طبیعی ایجاد خودکار زیرنویس یا  استخراج متن از محتوای چندرسانه‌ای فراهم شده و این امکان را برای طیف وسیع‌تری از کاربران فراهم می‌کند تا به محتوا دسترسی داشته باشند.

یکی از امیدوارکننده‌ترین کاربردهای هوش مصنوعی در کتابخانه‌های دانشگاهی، خودکارسازی وظایف رایج مانند فهرست‌نویسی و رده‌بندی و نمایه‌سازی است. هوش مصنوعی را می‌توان آموزش داد تا این وظایف را سریعتر و دقیق‌تر از انسان انجام دهد و خطاها و ناهماهنگی‌ها را در مجموعه کتابخانه کاهش دهد.

هوش مصنوعی ظرفیت تغییر کتابخانه‌های دانشگاهی را دارد؛ اما نگرانی‌های متعددی وجود دارد که باید مورد توجه قرار گیرد. یکی از بزرگترین چالش‌ها فقدان استانداردها و بهترین شیوه‌ها برای پیاده‌سازی هوش مصنوعی در کتابخانه‌ها است. همچنین این نگرانی وجود دارد که هوش مصنوعی جایگزین مشاغل کتابداری شود و تعامل انسانی را که جنبه مهم کتابداری  و فرآیند کشف اطلاعات است کاهش دهد.

واضح است که هوش مصنوعی با بهبود دسترسی به منابع، بهبود خدمات مرجع و کارآمدتر کردن مدیریت مجموعه، این ظرفیت را دارد که به کتابخانه‌های دانشگاهی کمک کند. با این حال، مهم است که با دقت به پیاده‌سازی هوش مصنوعی نزدیک شویم و اطمینان حاصل کنیم که این فناوری به گونه‌ای استفاده می‌شود که با ارزش‌ها و اهداف کتابخانه سازگار است.

در پیاده‌سازی نظام‌های هوش مصنوعی در کتابخانه‌های دانشگاهی کشور با چالش‌های زیادی از جمله کمبود منابع، زیرساخت‌های ضعیف و کمبود نیروی انسانی متخصص و ماهر روبرو هستیم. همچنین برای تحقق کامل آن به سرمایه‌گذاری قابل توجهی در این زمینه نیاز است. نظام‌های هوش مصنوعی برای عملکرد موثر به میزان قابل‌توجهی به توان محاسباتی، ذخیره‌سازی داده و زیرساخت شبکه‌ای نیاز دارند که پیاده‌سازی و نگهداری آن می‌تواند پرهزینه باشد. علاوه بر این، آموزش و نگهداری نظام‌های هوش مصنوعی نیز نیازمند دانش و مهارت‌های تخصصی است.

با وجود این چالش‌ها، هنوز راه‌هایی برای استفاده از  هوش مصنوعی در کتابخانه‌های دانشگاهی وجود دارد. برای مثال، می‌توانید چت‌بات‌های ساده‌ای را طراحی کنید که نیازی به برنامه‌نویسی یا منابع پیشرفته ندارند و کتابداران می‌توانند از آنها برای پاسخ به سؤالات مرجع استفاده کنند. علاوه بر این، نرم‌افزارها و قالب‌های کتابخانه‌ای مبتنی بر هوش مصنوعی منبع باز وجود دارند که می‌تواند به کاهش هزینه‌های پیاده‌سازی هوش مصنوعی در کتابخانه‌های دانشگاهی کمک کند.

رویکرد دیگر، همکاری با نهادهای خصوصی و خارجی (دانشگاه‌ها، مؤسسات و شرکت‌ها) است که منابع و تخصص لازم را برای پیاده‌سازی هوش مصنوعی در کتابخانه‌ها دارند. می‌توان از آنها برای راهنمایی و مشاوره درمورد پیاده‌سازی نظام‌های هوش مصنوعی در کتابخانه‌ها استفاده کرد. این موضوع می‌تواند فرصت‌های همکاری و شبکه‌سازی را افزایش دهد. مهم است درباره چالش‌ها و محدودیت‌های پیاده‌سازی هوش مصنوعی در یک کتابخانه‌های دانشگاهی واقع‌بین باشیم و با یک ذهنیت راهبردی و عمل‌گرایانه به این فرآیند نزدیک شویم. خلاصه اینکه هوش مصنوعی برای بهبود خدمات در کتابخانه‌ها فرصت‌هایی ایجاد می‌کند، اما به برنامه‌ریزی دقیق، همکاری و بودجه کافی نیاز دارد.

نوشته شده : دکتر مریم اسدی

 

Loading