Дослідження показало, що люди, які використовують «великі мовні моделі» для пошуку інформації, гірше розуміють тему після цього ChatGPT та інші «великі мовні моделі» (LLM) обіцяють зробити навчання простішим, ніж будь-коли. Та нове дослідження свідчить: те, що легко вивчається, гірше запам'ятовуються .
LLM — це різновид генеративного штучного інтелекту, що спілкується мовою, подібною до людської. Але у серії експериментів, проведених у Вортонській школі при Пенсильванському університеті, понад 4500 учасників, які використовували LLM для дослідження звичних тем, продемонстрували гірше розуміння цих тем і створили менше оригінальних ідей у порівнянні з тими, хто користувався звичайним пошуком Google.
Ці результати викликають занепокоєння щодо способів, якими люди шукають і вчаться, каже Ширі Мелумад, професорка маркетингу у Вортоні та перша авторка дослідження. «Це наче ефект Google, але в гігантському масштабі», — пояснює вона, натякаючи на попередні дослідження, які показували, що люди менше запам’ятовують інформацію, коли її легко знайти. З LLM, додає Мелумад, «ми ще більше відходимо від активного навчання».
Чотири експерименти
У чотирьох експериментах Мелумад та співавтор Джін Хо Юн випадково розподілили учасників на дві групи — ті, хто використовував Google Search, і ті, хто працював з LLM, щоб дослідити звичні теми і написати поради на їх основі.
Перший експеримент залучив понад 1100 учасників, які мали знайти інформацію про вирощування овочевого городу за допомогою Google або ChatGPT. Користувачі Google витрачали більше часу на пошук, докладали більше зусиль і писали довші, детальніші відповіді. Аналіз природної мови показав, що їхні поради містили більше унікальних фраз і фактів.
Щоб виключити можливість, що різниця була в самій інформації, а не в способі подання, другий експеримент показав майже 2000 учасникам однакові сім порад із садівництва: у вигляді єдиного підсумку від AI або розбитих на шість вебсторінок, як це зазвичай відображається у Google. Знову ж таки, користувачі Google проявили більшу зацікавленість, краще запам’ятали інформацію і написали більш продумані та оригінальні поради.
Два інші експерименти дали схожі результати.
Проблема мотивації
Деніел Оппенгеймер, професор психології та науки про прийняття рішень в університеті Карнегі-Меллон, зазначає, що ці результати резонують із його дослідженнями: студенти, які користуються AI для виконання завдань, краще справляються з домашньою роботою, але гірше — із тестами. «Вони отримують правильні відповіді, але не вчаться», — каже він.
Оппенгеймер вважає, що сама віра в те, що інформація отримана від LLM, знижує мотивацію до навчання. «Вони вважають, що система розумніша за них, тому припиняють старатися», — пояснює він. Це — проблема мотивації, а не лише когнітивна.
Втім, він попереджає не відкидати AI повністю. Якщо його використовувати правильно — наприклад, критично оцінювати відповіді, які генерує AI, або ставити йому глибокі питання — він може допомогти у навчанні. «ШІ не мусить робити нас пасивними, але зараз саме так його і використовують», — каже професор.
Виклики та можливості
Мелумад теж занепокоєна впливом AI на освіту та професії, що базуються на критичному мисленні. Але, як і Оппенгеймер, вона визнає перспективи, які відкриває штучний інтелект.
«Молодь усе частіше звертається спочатку до великих мовних моделей, — каже Мелумад. — Але якщо ми не навчимо їх синтезувати і інтерпретувати інформацію самостійно, ризикуємо втратити здатність до глибокого навчання взагалі».
Авторка: Дар’я Бровченко