🔵این مقاله با عنوان “Artificial Intelligence and Grade Inflation” نوشتهٔ Igor Chirikov است و یکی از…
انتشار: 2026/07/18 17:07 UTC
🔵این مقاله با عنوان “Artificial Intelligence and Grade Inflation” نوشتهٔ Igor Chirikov است و یکی از مهمترین بحثهای تازه در آموزش عالی را بررسی میکند: آیا هوش مصنوعی مولد، مخصوصاً بعد از ظهور ChatGPT، باعث شده نمرههای دانشگاهی بالاتر بروند بدون اینکه یادگیری واقعی به همان اندازه رشد کرده باشد؟ پاسخ نویسنده به این پرسش، بر اساس دادههای گسترده، تا حد زیادی مثبت است.نویسنده در این پژوهش بیش از ۵۰۰ هزار نمره را در یک دانشگاه بزرگ پژوهشی در فاصلهٔ سالهای ۲۰۱۸ تا ۲۰۲۵ بررسی کرده است. ایدهٔ اصلی مقاله این است که برخی درسها بیشتر از بقیه در معرض استفاده از AI قرار دارند؛ برای مثال، درسهایی که در آنها نوشتن، کدنویسی، یا تولید متن اهمیت زیادی دارد. در مقابل، بعضی درسها مثل درسهای شفاهی یا عملی، کمتر قابل جایگزینی با هوش مصنوعی هستند. همین تفاوت باعث شده که نویسنده بتواند اثر AI را جدا از روندهای معمول آموزشی بررسی کند.روش تحقیق مقاله، difference-in-differences یا «تفاوت در تفاوتها» است. این روش در علوم اجتماعی و اقتصاد بسیار رایج است، چون به پژوهشگر اجازه میدهد تغییرات یک گروه را با گروهی دیگر مقایسه کند و اثر یک شوک بیرونی را بسنجد. در اینجا، گروه اول درسهایی هستند که بهطور طبیعی بیشتر در معرض AI هستند، و گروه دوم درسهایی هستند که کمتر در معرض آن قرار دارند. اگر بعد از انتشار ChatGPT فقط در گروه اول افزایش نمره دیده شود، میتوان گفت که هوش مصنوعی احتمالاً نقش مهمی داشته است.نتیجهٔ اصلی مقاله روشن و قابل توجه است: در درسهایی که بیشتر با AI درگیرند، سهم نمرههای A بعد از انتشار ChatGPT بهطور جدی بالا رفته است. بر اساس یافتههای مقاله، این سهم حدود ۱۳ واحد درصد افزایش یافته، یعنی چیزی حدود ۳۰ درصد نسبت به سطح پایهٔ ۲۰۲۲. این افزایش، از نظر آماری و آموزشی، کوچک نیست. چنین تغییری نشان میدهد که بعد از رایج شدن ابزارهای مولد، بسیاری از دانشجویان توانستهاند تکالیف را به شکلی ارائه کنند که بهتر از توان واقعیشان به نظر برسد.اما نکتهٔ مهمتر این است که این رشد نمرهها لزوماً به معنای یادگیری بیشتر نیست. نویسنده استدلال میکند که اگر AI واقعاً یادگیری را تقویت میکرد، باید در همه نوع درسها اثر مشابهی میگذاشت. ولی دادهها چنین چیزی را نشان نمیدهند. افزایش نمره بیشتر در درسهایی دیده شده که تکلیفهای خانه در آنها وزن بیشتری در نمرهٔ نهایی دارد. این الگو بهخوبی با این فرض سازگار است که AI بخشی از کار دانشجو را انجام داده، نه اینکه فقط به او کمک کرده باشد بهتر یاد بگیرد.در واقع، مقاله به یک تفاوت مهم اشاره میکند: بهبود عملکرد ظاهری با بهبود واقعی مهارت یکی نیست. دانشجو ممکن است اکنون متن بهتری تحویل دهد، یا کد تمیزتری بنویسد، اما اگر این نتیجه را با تکیه بر AI به دست آورده باشد، شاید در یک موقعیت مستقل نتواند همان کار را انجام دهد. به همین دلیل است که نویسنده میگوید نمرهها ممکن است بخشی از ارزش اطلاعاتی خود را از دست بدهند.این مسئله فقط یک دغدغهٔ آموزشی نیست، بلکه از منظر اقتصاد آموزش و سنجش سرمایهٔ انسانی هم اهمیت دارد. نمرهها در نظام آموزشی نقش سیگنال دارند؛ یعنی به دانشگاهها، کارفرماها و خود دانشجوها میگویند که فرد تا چه اندازه واقعاً یاد گرفته است. اگر هوش مصنوعی باعث شود این سیگنالها ضعیف یا مخدوش شوند، آنگاه نمرهٔ بالا دیگر الزاماً نشاندهندهٔ توانایی بالای فرد نخواهد بود. به زبان ساده، سیستم ارزیابی ممکن است هنوز عدد بدهد، اما آن عدد دیگر همان معنای قبلی را نداشته باشد.یکی از جنبههای مهم مقاله این است که افزایش نمرهها در همهٔ درسها یکسان نبوده است. در درسهایی که نوشتن و کدنویسی بخش اصلی کار هستند، اثر AI بسیار قویتر دیده شده است. این نکته از نظر منطقی هم قابل فهم است، چون ابزارهای مولد دقیقاً در چنین کارهایی قدرت زیادی دارند. در مقابل، در درسهایی که به ارائهٔ شفاهی، آزمون حضوری یا کار عملی وابستهاند، چنین جهشی در نمره دیده نمیشود. همین تفاوت به نفع این تفسیر است که AI بیشتر باعث جایگزینی کار دانشجو شده تا افزایش عمومی یادگیری.از نظر سیاستگذاری آموزشی، مقاله چند پیام مهم دارد. نخست اینکه دانشگاهها باید در ارزیابیهای خود بازنگری کنند. اگر تکلیفهای خانگی بهراحتی با AI قابل انجام باشند، تکیهٔ زیاد بر آنها میتواند منجر به تورم نمره شود. دوم اینکه باید بین تکالیفی که هدفشان یادگیری است و تکالیفی که هدفشان سنجش است فرق گذاشت. شاید لازم باشد از آزمونهای حضوری، ارزیابیهای شفاهی، پروژههای مرحلهای، یا تکالیفی که استفاده از AI در آنها شفاف و مستند است بیشتر استفاده شود.