AI จะช่วยเพิ่ม "ความคุ้มค่าในการเรียน" ได้หรือไม่? "ได้คะแนนเท่ากัน แต่ภาระน้อยลง" ― การเพิ่มประสิทธิภาพการเรียนรู้ที่เห็นได้ในชั้นเรียนที่อนุญาตให้ใช้ AI

มหาวิทยาลัยแมสซาชูเซตส์แอมเฮิร์สต์ (UMass Amherst) ได้เปิดเผยการทดลองที่เปรียบเทียบระหว่าง "คลาสที่อนุญาตให้ใช้ AI" และ "คลาสที่ห้ามใช้ AI" โดยใช้หลักสูตรและการสอบเดียวกัน ผลลัพธ์ที่ได้มีความท้าทายคือ ไม่มีความแตกต่างอย่างมีนัยสำคัญในคะแนนสอบและเกรดสุดท้าย อย่างไรก็ตาม ในขณะเดียวกัน การมีส่วนร่วมในชั้นเรียน ความรู้สึกมีประสิทธิภาพในตนเอง ความพึงพอใจ และประสิทธิภาพการเรียนรู้เพิ่มขึ้นอย่างต่อเนื่องในคลาสที่อนุญาตให้ใช้ AI การวิจัยนี้ได้เผยแพร่เป็นพรีปรินต์ (SSRN) และมีรายงานจากมหาวิทยาลัยและ Phys.org SSRNumass.edu

จุดสำคัญของการวิจัย: เปรียบเทียบอะไรและอย่างไร

• กลุ่มเป้าหมายคือวิชาเศรษฐศาสตร์ต่อต้านการผูกขาดขั้นสูง สองชั้นเรียนต่อเนื่อง (รวมถึงช่วงบ่าย) การบรรยาย งานที่ได้รับมอบหมาย และการให้คะแนนเหมือนกัน หนึ่งกลุ่ม (n=29) ได้รับอนุญาตให้ใช้ AI ในการสร้าง (โดยมีแนวทางการใช้งานและข้อกำหนดการเปิดเผยที่ชัดเจน) อีกกลุ่ม (n=28) ห้ามใช้ AI การสอบใช้กระดาษและดินสอ ห้ามใช้โน้ตหรือ AI ในฐานะการออกแบบที่อนุรักษ์นิยม คลาสที่มีประวัติการเรียนที่ต่ำกว่าถูกจัดให้ใช้ AI ในช่วงบ่าย Phys.org

• ผลลัพธ์: ไม่มีความแตกต่างที่ตรวจพบได้ในคะแนนสอบและเกรดสุดท้าย ในขณะเดียวกัน การมีส่วนร่วมในชั้นเรียน ความมั่นใจและประสิทธิภาพในการเรียนรู้ ความพึงพอใจสูงขึ้นในคลาสที่อนุญาตให้ใช้ AI นอกจากนี้ การเพิ่มขึ้นของความสนใจในอาชีพที่เกี่ยวข้องกับ AI และ การเติบโตของพฤติกรรมการรับรู้เมตา เช่น การแก้ไข การตรวจจับข้อผิดพลาด และการให้ความสำคัญกับคำตอบของตนเอง ก็ถูกสังเกตเห็นด้วย SSRN

• ในมุมมองของผู้สอน ข้อความที่เน้นคือ **"หากอนุญาต ควรมี 'โครงสร้างรองรับ (scaffolding)' และกฎการเปิดเผย"** umass.edu

• ข้อจำกัด: ขนาดตัวอย่างเล็กและรวมถึงตัวชี้วัดการรายงานตนเอง นักวิจัยเองได้เตือนถึงจุดนี้ Phys.org
  
  

"คะแนนไม่เพิ่มขึ้น แต่ความพึงพอใจเพิ่มขึ้น" หมายความว่าอย่างไร

AI เปลี่ยน "ปริมาณการเรียนรู้" ไม่ใช่ "สัมผัสการเรียนรู้" — ข้อสังเกตในครั้งนี้สามารถอ่านได้เช่นนั้น นักศึกษา ใช้ AI ในช่วงเวลาที่มีสมาธิ 15-30 นาที และ มีแนวโน้มที่จะเลือกคำตอบของตนเองผ่านการตรวจสอบและแก้ไขผลลัพธ์ นี่คือการเปลี่ยนแปลงทัศนคติที่เกิดขึ้นเมื่อ AI ทำหน้าที่เป็น **คู่คิด (copilot)** ไม่ใช่ "เครื่องผลิตคำตอบ" SSRN

การประเมินที่เน้นการทดสอบกระดาษก็สำคัญเช่นกัน แนวคิดการออกแบบที่นำการประเมินกลับไปสู่การใช้แรงงานคนและการพบปะในขณะที่ยอมรับการใช้ AI ในกระบวนการเรียนรู้ ได้รับการสนับสนุนอย่างมากในชุมชนวิศวกรรม Hacker News

ความสอดคล้องกับการวิจัยอื่นๆ และกรณีล่าสุด

• ในด้านการให้คะแนน มีรายงานว่า GPT-4 แสดงประสิทธิภาพเทียบเท่ากับผู้ให้คะแนนมนุษย์ในการจัดอันดับคำตอบแบบบรรยาย AI กำลังขยายความเป็นไปได้ในการใช้เป็น "ผู้ช่วยในการประเมิน" Phys.org

• ในขณะเดียวกัน ความเสี่ยงในการดำเนินการให้คะแนนด้วย AI ก็เป็นเรื่องจริง การทดสอบมาตรฐานของรัฐแมสซาชูเซตส์ (MCAS) มีการให้คะแนนผิดพลาดในบทความประมาณ 1,400 บทความเนื่องจากข้อบกพร่องทางเทคนิคในการให้คะแนนด้วย AI และมีการให้คะแนนใหม่ในภายหลัง การดูแลของมนุษย์และการออกแบบที่สมบูรณ์เป็นสิ่งจำเป็น Boston.com

• ความไม่ไว้วางใจและปัญหาการตรวจจับผิดพลาดเกี่ยวกับการจัดการ AI ในมหาวิทยาลัย ได้กลายเป็นประเด็นสำคัญในหนังสือพิมพ์อังกฤษและชุมชนตั้งแต่ปีที่แล้ว ความไม่แน่นอนของเครื่องตรวจจับ, ความเสียหายต่อนักศึกษาจากการเข้าใจผิด, ความจำเป็นในการทบทวนวิธีการประเมิน ยังคงถูกอภิปรายต่อไป Guardian
  
  

ปฏิกิริยาบนโซเชียลมีเดีย (การสังเกตเบื้องต้น)

เนื่องจากการเผยแพร่ยังใหม่ ปริมาณโพสต์เฉพาะยังมีจำกัด แต่ในข่าวที่เกี่ยวข้องและกระทู้สนทนาที่มีอยู่มีประเด็นต่อไปนี้ที่กลับมาเป็นที่สนใจอีกครั้ง

• "สามารถใช้ในการเรียนรู้ได้ แต่การประเมินควรเน้นการพบปะ" — มีเสียงที่เห็นการออกแบบครั้งนี้เป็น "ทางออกที่เป็นจริง" การออกแบบหลักสูตรควรมุ่งเน้นไปที่ การสอบหรือการสอบปากเปล่า ซึ่งสอดคล้องกับข้อเสนอที่ว่าควรเน้นที่การประเมิน Hacker News

• "การให้คะแนนด้วย AI สะดวกแต่มีความเสี่ยง" — กรณีการให้คะแนนผิดพลาดของ MCAS ถูกนำมาเปรียบเทียบ การนำ AI มาใช้ควรมี "การทำซ้ำสองครั้งของมนุษย์" เป็นพื้นฐาน Boston.com

• "การปรับปรุงประสบการณ์นักศึกษาไม่ควรละเลย" — รายงานท้องถิ่นในบอสตันเน้นที่ **"คะแนนเท่ากัน แต่ประสบการณ์เรียนดีขึ้น" จุดนี้ คำสรุปที่ว่า "ผลลัพธ์เดียวกันด้วยความพยายามน้อยลง (the same for less)"** กำลังแพร่หลาย CBS News

• "ความกังวลเกี่ยวกับการโกง AI และการตรวจจับผิดพลาด" — ความเชื่อมั่นในเครื่องตรวจจับ AI ถูกตั้งคำถาม เสียงของนักศึกษาที่ถูกบังคับให้ "พิสูจน์ความบริสุทธิ์" ความต้องการในการปรับปรุงการออกแบบการประเมิน Guardian

หมายเหตุ: การสังเกตการณ์บนโซเชียลมีเดียในบทความนี้ เป็นการสรุป "แนวโน้มเบื้องต้น" ที่อิงจากโพสต์สาธารณะที่ใกล้เคียงกับหัวข้อและกระทู้ขนาดใหญ่ที่มีอยู่ ไม่ได้มุ่งหมายที่จะครอบคลุมการอ้างอิงเฉพาะเกี่ยวกับการวิจัยนี้

ข้อเสนอแนะสำหรับการปฏิบัติ: "หากอนุญาต ควรออกแบบ"

นักวิจัยจาก UMass แนะนำ "การอนุญาต + โครงสร้างรองรับ (scaffolding) + การเปิดเผย" โดยควรระบุบทบาท ขอบเขตการใช้งาน ขั้นตอน และรูปแบบการเปิดเผยของ AI ในชั้นเรียนให้ชัดเจน การประเมินควรเน้นที่การสอบกระดาษ การสอบปากเปล่า และการแสดงจริง ซึ่งเป็นการออกแบบสองชั้นที่สำคัญ **"เรียนรู้ด้วย AI และพิสูจน์โดยไม่มี AI"** umass.edu

มาตรการเฉพาะ (รายการตรวจสอบ)

1. ระบุแนวนโยบาย AI ในหลักสูตร (งานที่อนุญาต/งานที่ห้าม/เทมเพลตการเปิดเผย)

2. การนำเสนอคำสั่งและแนบเหตุผล (สั่งอะไร ทำไม และอย่างไรกับ AI)

3. ส่งบันทึกการแก้ไข/การประเมินตนเอง (ร่องรอยการตรวจสอบ แ