یکپارچگی دانشگاهی و AI: راهنمای دانشجو
مروری عملی بر اینکه استفاده از AI تقریباً همیشه چه زمانی مجاز است، چه زمانی تقریباً هرگز مجاز نیست، ناحیه خاکستری میان این دو چیست، و چگونه از آنچه انجام دادهاید یک ثبت ساده نگه دارید، با آغاز از همان سیاستی که واقعاً بر یک تکلیف حاکم است: سیاست خود درس.
هوش مصنوعی و یکپارچگی دانشگاهی: این عبارت دامنهای را در بر میگیرد که آنقدر گسترده است که هم اجرای یک پاراگراف نهایی از طریق یک ابزار بررسی دستور زبان را شامل میشود و هم درخواست از یک چتبات برای نوشتن همان پاراگراف از ابتدا، و بیشتر دانشجویان هرگز پاسخ روشنی درباره اینکه یک کاربرد از کجا تمام میشود و دیگری از کجا آغاز میشود، دریافت نمیکنند. این مرز یکبار، بهصورت مرکزی، برای همه درسهایی که یک دانشجو ممکن است بگذراند، ترسیم نمیشود. این مرز را هر مدرس، در هر راهنمای درس، جداگانه تعیین میکند، و نسخهای که بر یک تکلیف مشخص حاکم است، بسیار اوقات از هر آنچه سیاست کلی دانشگاه میگوید محدودتر است.
این یک خلأ قانونی نیست. این همان شیوهای است که تقریباً هر نهادی که واقعاً سیاستی را مکتوب کرده است، برای برخورد با این موضوع برگزیده است، زیرا گزارش آزمایشگاهی، مقاله شخصی و تکلیف برنامهنویسی پرسشهای متفاوتی را مطرح میکنند که یک قاعده مرکزی واحد نمیتواند بهخوبی به آنها پاسخ دهد. این راهنما آنچه را که معمولاً در همهجا مجاز است، آنچه را که معمولاً در هیچجا مجاز نیست، ناحیه خاکستری میان این دو، و روشی ساده برای ثبت آنچه واقعاً انجام شده است، بیان میکند. بنابراین پاسخ به یک پرسش مشخص هرگز صرفاً یک حدس نیست.
هوش مصنوعی و یکپارچگی دانشگاهی با سیاست درس شما آغاز میشود، نه با سیاست دانشگاه شما
دانشگاههایی که راهنماییهای تفصیلی درباره هوش مصنوعی منتشر کردهاند، بهطور پیوسته تصمیم واقعی را به واحدی کوچکتر از «دانشگاه» بهعنوان یک کل واگذار میکنند. سیاست Oxford بهصراحت بیان میکند که برای دانشجویان، استفاده از هوش مصنوعی در ارزیابیها فقط زمانی مجاز است که صراحتاً اجازه داده شده باشد و باید مطابق دستورالعملهای دانشکده یا گروه اعلام شود، و استفاده غیرمجاز بهطور پیشفرض تخلف دانشگاهی محسوب میشود. Cambridge قاعده اجرایی را در سطح شرح تکلیفِ هر ارزیابی قرار میدهد: استفاده از محتوای تولیدشده توسط هوش مصنوعی که منبع آن اعلام نشده باشد، در یک ارزیابی نهایی، تخلف محسوب میشود مگر آنکه در همان شرح تکلیف بهطور صریح خلاف آن ذکر شده باشد، و این یعنی همان واحد درسی میتواند یک نوع استفاده را در یک تکلیف مجاز بداند و در تکلیف بعدی آن را ممنوع کند.
MIT Sloan این را حتی صریحتر بیان میکند و میگوید هیچ سیاست قطعیای درباره استفاده از ابزارهای generative AI برای تکمیل تکالیف ندارد، و این که اعضای هیئت علمی قواعد خود را در هر درس بهصورت جداگانه تعیین میکنند، از جمله با مجاز کردن یا ممنوع کردن برخی یا همه این نوع استفاده. Monash تصمیم را به Chief Examiner هر واحد واگذار میکند، که باید مشخص کند AI کجا و چگونه میتواند استفاده شود، و هرگاه چنین استفادهای رخ دهد، ذکر آن همیشه الزامی است. هیچیک از این موارد استثنایی نیستند. اینها شیوهای هستند که چهار دانشگاه متفاوت در سه قاره برای ساختاربندی همان پرسش سیاستی برگزیدهاند، و پیش از آنکه فرض کنیم بیانیه کلی یک دانشگاه تمام ماجرا را بیان میکند، یادآوری این نکته ارزشمند است. نگاهی دقیقتر به سیاست AI دانشگاهی در میان مؤسسات نشان میدهد که همین الگوی واگذارشده تقریباً در همه جا که بررسی شده، دیده میشود.
کاربردهایی که تقریباً همیشه بیاشکالاند
روشنترین الگو بیرون از دانشگاهها دیده میشود، در این که ناشران دانشگاهی همان پرسش را برای نویسندگانی که پژوهش نهاییشده خود را ارسال میکنند چگونه扱 میکنند. سیاست Elsevier تصریح میکند که بررسیهای پایهای دستور زبان، املا و نشانهگذاری اصلاً به هیچ اعلامی نیاز ندارند. Wiley ابزارهایی را که صرفاً برای املا، دستور زبان و ویرایش عمومی به کار میروند از الزامات افشای خود مستثنا میکند. IEEE ابزارهای دستور زبان و ویرایش را اصولاً عموماً بیرون از مقصود سیاست AI خود توصیف میکند. هیچیک از اینها قاعده سرقت علمی یک دانشگاه نیست، اما تمایز زیربنایی، یعنی اصلاحی مکانیکی برای متنی که از پیش متعلق به خود دانشجو است در برابر محتوای تازهای که چنین نیست، همان تمایزی است که تقریباً هر سیاست AI در سطح درس نیز بر آن تکیه میکند. یک grammar checker رایگان در تقریباً هر سیاستی که یک دانشجو احتمال دارد با آن روبهرو شود، بهروشنی در همین دسته بیاشکال قرار میگیرد.
این کار با بازخورد درباره ساختار نیز به همان شکل عمل میکند. بازخورد درباره محتوای موجود لازم نیست یک بیانیه سیاستی، جمله به جمله، باشد. یک ابزار میتواند از شما بپرسد که آیا استدلالی که نوشتهاید منطقی است یا آیا جایی خودتان را تکرار کردهاید. این به معنای درخواست محتوای جدید برای جایگزینی محتوای قدیمی نیست. تمایزی که در همه سیاستهای بالا پیوسته تکرار میشود، نویسندگیِ محتوا است، نه این که کدام ابزارها در مسیر رسیدن به پیشنویس نهایی به سند دست زدهاند.
مقاله خود را انسانیسازی کنید
متنِ کمکگرفته از AI خود را دگرگون کنید و کاری کنید طبیعی به نظر برسد، بدون دست زدن به واژههای مهم یا ارجاعها.
کاربردهایی که تقریباً هرگز قابل قبول نیستند
استدلالِ تولیدشده در تقریباً همه جا که به صورت مکتوب آمده است، در سوی دیگر همان خط قرار میگیرد: از یک chatbot خواستن برای خودِ ادعا، خودِ تحلیل یا خودِ تفسیر، و نگه داشتن خروجی آن به عنوان محتوای اصلیِ submission. شواهدِ تولیدشده بدتر است، نه بهتر، زیرا یک آمارِ ساختگی یا یک مطالعهای که وجود ندارد، مسئله سبک نوشتار نیست. این یک ادعای نادرست است که به عنوان واقعیت ارائه میشود. ارجاعات در شکلی دقیقتر همین خطر را دارند: مدلهای زبانی به طور منظم منابعی را جعل میکنند که کاملاً plausible به نظر میرسند، و دقیقاً به همین دلیل does ChatGPT make up references خواندنی است، پیش از آن که حتی یک ارجاعِ تولیدشده به فهرست منابع نزدیک شود.
منطقِ پشت همه اینها از خودِ قواعد منسجمتر است. یک chatbot نمیتواند پشت ادعایی که تولید کرده بایستد، آن را با یک منبع بررسی کند، یا اگر ادعا نادرست از آب درآمد مسئولیت آن را بپذیرد، و دقیقاً به همین دلیل ناشران پژوهشی از یک نویسنده انسانی میخواهند که برای هر ادعا تضمین بدهد، صرف نظر از این که چه چیزی به تولید جمله کمک کرده است. این که Turnitin's AI writing report آیا یک بند مشخص را علامتگذاری میکند یا نه، پرسشی جداگانه و مکانیکی است از این که آیا محتوای زیربنایی اصلاً زمانی متعلق به خودِ دانشجو برای submission بوده است یا نه.
بخش میانیِ خاکستری، و چگونگی برخورد با آن
برخی کاربردها میان دو دسته روشن بالا قرار میگیرند، و دقیقاً در همینجا است که یک سیاست ویژهٔ درس بیشترین اهمیت را پیدا میکند. ترجمهٔ یک عبارت دشوار، یا بررسی اینکه آیا یک جمله در زبان دوم طبیعی به نظر میرسد یا نه، برای یک دانشجوی دوزبانه با دانشجویی که فقط به زبان اول مینویسد، وضعیت متفاوتی دارد، و سیاستی که اصلاً به این موضوع اشاره نکند، معمولاً صرفاً برای آن دانشجو نوشته نشده است که هنگام تدوین آن در برابر نویسندهٔ سیاست قرار داشته است. درخواست از یک ابزار برای توضیح یک مفهوم پیش از نوشتن دربارهٔ آن با واژههای اصیل، به استفاده از یک کتاب درسی نزدیکتر است تا تولید یک تکلیف، اما همهٔ ارزیابان با این نظر موافق نخواهند بود، و دقیقاً به همین دلیل است که این دسته همان چیزی است که ارزش دارد مستقیماً دربارهاش پرسیده شود، نه اینکه حدس زده شود.
طوفان فکری برای فهرستی از زاویههای ممکن، یا درخواست یک طرح کلی اولیه پیش از نوشتن هر جمله از صفر، در همان فضای خاکستری قرار میگیرد. برخی مدرسان آن را هیچ متفاوت از گفتوگو دربارهٔ یک ایده با یک همکلاسی نمیدانند. برخی دیگر میخواهند هر مرحله از یک تکلیف بهطور آشکار کار خود دانشجو باشد. تنها راه قابل اعتماد برای دانستن اینکه کدام مورد دربارهٔ یک تکلیف مشخص صدق میکند، همان راهی است که این راهنما با آن آغاز شد: بپرسید، یا شرح تکلیف را به اندازهٔ کافی دقیق بخوانید تا مطمئن شوید.
ثبت کنید، بدون آنکه آن را به یک تکلیف دوم تبدیل کنید
یک عادت ساده بیشتر این موارد را پوشش میدهد، بیآنکه خود به پروژهای مستقل تبدیل شود. تاریخ، آنچه از ابزار خواسته شد، و آنچه واقعاً نگه داشته شد در برابر آنچه بازنویسی شد را یادداشت کنید، همانگونه که یک منبع به جای خاطرهای مبهم از اینکه یکبار چیزی خوانده شده است، به یک ارجاع نیاز دارد. اگر یک درس اجازه دهد، گفتوگو را ذخیره کنید، یا اگر اجازه ندهد، یک تصویر از صفحه بگیرید. هر جا که یک درس به یک بیانیهٔ رسمی افشای استفاده از AI نیاز داشته باشد، آن قالب را خود درس تعیین میکند، نه این راهنما، و پیروی از عبارتبندی دقیق آن از نوشتن نسخهای طولانیتر یا کاملتر که بهطور مستقل طراحی شده باشد، مهمتر است.
پرسشهای عملی زیرِ این اصل، صفحات خود را دارند: اینکه آیا یک استاد میتواند تشخیص دهد شما از ChatGPT استفاده کردهاید، و نسخهٔ صریحتر آن، آیا هنگام استفاده از ChatGPT گیر میافتم.
هیچیک از اینها جای خواندن همان سندی را که واقعاً بر یک تکلیف مشخص حاکم است نمیگیرد, یعنی handbook ماژول یا خود brief, نه یک برداشت کلی از اینکه به نظر میرسد دیگر دانشجویان از چه چیزهایی بدون پیامد عبور میکنند. AI humanizer for students در TextPulse برای آن بخش از این موضوع وجود دارد که واقعاً به نوشتن مربوط است, نه به اجازه. این ابزار یک Human Score برآوردی گزارش میکند که از شکل آماری خودِ پیشنویس ساخته شده است, و برای بررسی نوشتار اصیل پیش از ارسال مفید است, دقیقاً در همان دستههای استفادهای که یک policy از پیش اجازه میدهد.
سؤالات متداول
پرسشهای مربوط به یکپارچگی دانشگاهی AI معمولاً به نویسندگیِ محتوا برمیگردند، نه اینکه کدام ابزارها به یک سند دست زدهاند. استفاده از AI برای بررسی املا، دستور زبان یا روانیِ استدلالی که از پیش نوشته شده است، طبق تقریباً همه سیاستهای منتشرشده مجاز است. اما استفاده از آن برای تولید خودِ استدلال، شواهد یا ارجاعات، و نگه داشتن همان خروجی بهعنوان متنِ تحویلی، تقریباً در همه جا که این پرسش واقعاً بهصورت مکتوب پاسخ داده شده است، سوءرفتار تلقی میشود.
PhD in natural language processing, with years spent building NLP applications end to end. Moe works on text analysis: lexical and syntactic structure, and what separates machine-generated prose from human prose statistically. He has been experimenting with computational linguistics since the early days of NLTK, spaCy and WordNet, and still writes most of his tooling in Python.
