Οι φοιτητικές εργασίες έχουν αλλάξει σημαντικά με την είσοδο της τεχνητής νοημοσύνης στην καθημερινότητα των φοιτητών. Εργαλεία παραγωγικής τεχνητής νοημοσύνης μπορούν σήμερα να εξηγήσουν μια δύσκολη θεωρία, να προτείνουν τη δομή μιας εργασίας, να δημιουργήσουν λέξεις-κλειδιά για βιβλιογραφική αναζήτηση, να βοηθήσουν στη διατύπωση ερευνητικών ερωτημάτων, να σχολιάσουν ένα κείμενο ή ακόμη και να παράγουν ολόκληρες σελίδες μέσα σε λίγα δευτερόλεπτα. Είναι επομένως λογικό πολλοί φοιτητές να αναρωτιούνται όχι πλέον αν μπορούν να χρησιμοποιήσουν AI στις σπουδές τους, αλλά μέχρι πού μπορούν να φτάσουν με αυτή.
Η απάντηση δεν είναι τόσο απλή όσο «ναι» ή «όχι». Η τεχνητή νοημοσύνη μπορεί πράγματι να γίνει ένα εξαιρετικά χρήσιμο εργαλείο κατά την εκπόνηση μιας φοιτητικής εργασίας. Αυτό όμως εξαρτάται από τον τρόπο με τον οποίο χρησιμοποιείται. Υπάρχει μεγάλη διαφορά ανάμεσα στη χρήση της για να κατανοήσουμε καλύτερα ένα θέμα και στην ανάθεση σε αυτήν ολόκληρης της διαδικασίας της έρευνας και της συγγραφής.
Το βασικότερο ίσως πλεονέκτημά της εμφανίζεται πριν ακόμη ξεκινήσει η συγγραφή. Ένας φοιτητής που βρίσκεται μπροστά σε ένα γενικό θέμα συχνά δεν γνωρίζει από πού να αρχίσει. Μπορεί να δυσκολεύεται να εντοπίσει τις βασικές έννοιες, να περιορίσει το αντικείμενο ή να καταλάβει ποια επιμέρους ζητήματα αξίζει να διερευνήσει. Σε αυτό το στάδιο η AI μπορεί να λειτουργήσει σαν ένας γρήγορος «συνομιλητής» που βοηθά στην οργάνωση της σκέψης. Μπορεί, για παράδειγμα, να προτείνει διαφορετικές οπτικές προσέγγισης ενός θέματος ή να εξηγήσει πώς συνδέονται μεταξύ τους δύο έννοιες.
Αυτό δεν σημαίνει ότι η πρώτη δομή που θα προτείνει πρέπει να μεταφερθεί αυτούσια στην εργασία. Η χρησιμότητά της βρίσκεται κυρίως στο ότι μπορεί να ανοίξει πιθανές διαδρομές σκέψης. Ο φοιτητής μπορεί στη συνέχεια να αξιολογήσει ποιες από αυτές ταιριάζουν στις απαιτήσεις της εργασίας, στις οδηγίες του διδάσκοντα και στη βιβλιογραφία που πραγματικά υπάρχει.
Αντίστοιχα χρήσιμη μπορεί να είναι στην αρχική βιβλιογραφική αναζήτηση, όχι όμως απαραίτητα με τον τρόπο που πολλοί φαντάζονται. Το ισχυρότερο σημείο της δεν είναι να δημιουργεί έτοιμες λίστες βιβλιογραφικών αναφορών, αλλά να βοηθά τον φοιτητή να καταλάβει τι ακριβώς πρέπει να αναζητήσει. Ένα γενικό θέμα μπορεί να μετατραπεί σε επιμέρους έννοιες, συνώνυμα, αγγλικούς επιστημονικούς όρους και συνδυασμούς λέξεων-κλειδιών που μπορούν στη συνέχεια να χρησιμοποιηθούν στο Google Scholar ή σε ακαδημαϊκές βάσεις δεδομένων.
Αυτή είναι μια σημαντική διάκριση. Άλλο είναι να ζητήσει κάποιος «δώσε μου δέκα πηγές για το θέμα μου» και άλλο να ζητήσει «βοήθησέ με να δημιουργήσω λέξεις-κλειδιά για να αναζητήσω επιστημονική βιβλιογραφία». Στη δεύτερη περίπτωση η AI υποστηρίζει την πραγματική ερευνητική διαδικασία χωρίς να την αντικαθιστά.
Υπάρχει όμως και η άλλη πλευρά. Τα εργαλεία παραγωγικής τεχνητής νοημοσύνης παράγουν απαντήσεις με βάση γλωσσικά πρότυπα και μπορούν να παρουσιάσουν λανθασμένες πληροφορίες με τρόπο εξαιρετικά πειστικό. Το γεγονός ότι μια παράγραφος είναι καλογραμμένη, χρησιμοποιεί επιστημονικούς όρους και φαίνεται λογική δεν αποτελεί απόδειξη ότι το περιεχόμενό της είναι σωστό.
Αυτό έχει ιδιαίτερη σημασία σε μια ακαδημαϊκή εργασία, όπου δεν αρκεί μια πρόταση να «ακούγεται σωστή». Πρέπει να μπορεί να τεκμηριωθεί. Εάν, για παράδειγμα, η AI ισχυριστεί ότι μια συγκεκριμένη έρευνα κατέληξε σε κάποιο αποτέλεσμα, ο φοιτητής χρειάζεται να εντοπίσει την πραγματική μελέτη και να ελέγξει τι ακριβώς αναφέρει. Το ίδιο ισχύει για αριθμητικά δεδομένα, θεωρητικές θέσεις, νομοθεσία, ιστορικές πληροφορίες ή οποιονδήποτε άλλο ισχυρισμό πρόκειται να ενσωματωθεί στην εργασία.
Η βιβλιογραφία θέλει ιδιαίτερη προσοχή
Ένα από τα σοβαρότερα προβλήματα εμφανίζεται όταν ζητάμε από ένα σύστημα AI να μας δώσει έτοιμη βιβλιογραφία. Είναι δυνατό να παραχθούν αναφορές που φαίνονται απολύτως αληθινές: πραγματικά ονόματα ερευνητών, τίτλοι που ακούγονται εύλογοι, ονόματα επιστημονικών περιοδικών, τόμοι, τεύχη, σελίδες ή ακόμη και στοιχεία που μοιάζουν με DOI. Παρ’ όλα αυτά, η συγκεκριμένη δημοσίευση μπορεί να μην υπάρχει.
Το πρόβλημα γίνεται ακόμη πιο δύσκολο όταν η αναφορά υπάρχει πραγματικά. Η ύπαρξη μιας πηγής δεν σημαίνει αυτομάτως ότι αυτή υποστηρίζει τον ισχυρισμό δίπλα στον οποίο τοποθετήθηκε. Μπορεί ένα άρθρο να είναι πραγματικό αλλά να αφορά διαφορετικό πληθυσμό, διαφορετική χρονική περίοδο ή ακόμη και διαφορετικό ερευνητικό ερώτημα από αυτό που παρουσιάζει η AI.
Γι’ αυτό ο έλεγχος μιας πηγής έχει τουλάχιστον δύο στάδια: πρώτα επιβεβαιώνουμε ότι η πηγή υπάρχει πραγματικά και στη συνέχεια ότι λέει πραγματικά αυτό για το οποίο θέλουμε να τη χρησιμοποιήσουμε. Η απλή εύρεση ενός τίτλου ή ενός DOI δεν ολοκληρώνει τον έλεγχο.
Η AI μπορεί επίσης να βοηθήσει κατά τη συγγραφή, αρκεί να χρησιμοποιείται προσεκτικά. Ένας φοιτητής μπορεί να της δώσει μια παράγραφο που έχει ήδη γράψει και να ζητήσει να εντοπιστούν σημεία που δεν είναι σαφή, επαναλήψεις ή προβλήματα συνοχής. Μπορεί να ζητήσει μια απλούστερη εξήγηση μιας περίπλοκης έννοιας ή να συγκρίνει διαφορετικούς τρόπους οργάνωσης ενός επιχειρήματος.
Εδώ όμως υπάρχει μια λεπτή αλλά ουσιαστική γραμμή. Όσο περισσότερο μεταφέρεται στην AI η ίδια η παραγωγή του περιεχομένου, τόσο μεγαλύτερος γίνεται ο κίνδυνος να χαθεί η προσωπική ακαδημαϊκή σκέψη. Μια πανεπιστημιακή εργασία δεν αξιολογείται μόνο επειδή περιλαμβάνει σωστή γραμματική και καλοσχηματισμένες προτάσεις. Αξιολογείται επειδή ο φοιτητής επιλέγει πληροφορίες, συνδέει πηγές, αναπτύσσει επιχειρήματα, αξιολογεί διαφορετικές θέσεις και καταλήγει σε τεκμηριωμένα συμπεράσματα.
Ένα κείμενο μπορεί λοιπόν να είναι γλωσσικά άψογο και ταυτόχρονα ακαδημαϊκά αδύναμο. Αυτό συμβαίνει συχνά όταν αποτελείται από γενικές διατυπώσεις, επαναλαμβάνει αυτονόητα σημεία ή παρουσιάζει διαδοχικές πληροφορίες χωρίς πραγματική σύνθεση της βιβλιογραφίας. Η καλή ακαδημαϊκή γραφή δεν είναι απλώς «ωραία γραφή». Είναι τεκμηριωμένη σκέψη.
Ανάλογη προσοχή απαιτείται στη μεθοδολογία. Η AI μπορεί να εξηγήσει τη διαφορά μεταξύ ποσοτικής και ποιοτικής έρευνας, να βοηθήσει στην κατανόηση της έννοιας της δειγματοληψίας ή να παρουσιάσει τα χαρακτηριστικά διαφορετικών ερευνητικών σχεδιασμών. Δεν μπορεί όμως να αποφασίσει αξιόπιστα ποια μεθοδολογία είναι κατάλληλη χωρίς να ληφθούν υπόψη το συγκεκριμένο ερευνητικό ερώτημα, ο πληθυσμός, τα διαθέσιμα δεδομένα, οι περιορισμοί της έρευνας και οι απαιτήσεις του προγράμματος σπουδών.
Το ίδιο ισχύει ακόμη περισσότερο για τη στατιστική ανάλυση. Ένα εργαλείο AI μπορεί να εξηγήσει τι σημαίνει ένας συντελεστής συσχέτισης, ένα p-value ή μια ανάλυση παλινδρόμησης. Μπορεί επίσης να βοηθήσει έναν φοιτητή να κατανοήσει ορισμένα αποτελέσματα από το SPSS, το JASP ή άλλο στατιστικό λογισμικό. Η επιλογή όμως της σωστής ανάλυσης προϋποθέτει γνώση του ερευνητικού σχεδιασμού, του είδους των μεταβλητών, των υποθέσεων κάθε στατιστικού ελέγχου και της ποιότητας των δεδομένων. Εάν αυτά δεν έχουν αξιολογηθεί σωστά, ακόμη και μια πολύ πειστική ερμηνεία μπορεί να οδηγήσει σε λανθασμένα συμπεράσματα.
Παρόμοιο ζήτημα υπάρχει και στις ποιοτικές έρευνες. Η AI μπορεί να βοηθήσει στην οργάνωση μεγάλου όγκου κειμένου ή να προτείνει πιθανούς τρόπους κωδικοποίησης. Η θεματική ανάλυση όμως δεν είναι απλή αναζήτηση επαναλαμβανόμενων λέξεων. Προϋποθέτει ερμηνεία του νοήματος, κατανόηση του πλαισίου και συστηματικές αναλυτικές αποφάσεις που πρέπει να μπορούν να αιτιολογηθούν από τον ερευνητή.
Μπορεί λοιπόν η AI να γράψει φοιτητικές εργασίες;
Εάν με τη λέξη «γράψει» εννοούμε να παράγει πολλές σελίδες κειμένου, η απάντηση είναι προφανώς ναι. Εάν όμως εννοούμε να πραγματοποιήσει με αξιοπιστία ολόκληρη την επιστημονική διαδικασία που απαιτεί μια καλή πανεπιστημιακή εργασία, η εικόνα είναι πολύ διαφορετική.
Μια ακαδημαϊκή εργασία απαιτεί να γνωρίζουμε από πού προέρχεται κάθε ουσιαστικός ισχυρισμός, να αξιολογούμε την ποιότητα των πηγών, να εντοπίζουμε αντιφάσεις στη βιβλιογραφία, να ξεχωρίζουμε τα δεδομένα από τις ερμηνείες και να μπορούμε να αιτιολογήσουμε τις επιλογές μας. Απαιτεί επίσης συνέπεια από το ερευνητικό ερώτημα μέχρι τη μεθοδολογία, τα αποτελέσματα και τα συμπεράσματα.
Αυτή ακριβώς είναι η περιοχή όπου ο ανθρώπινος έλεγχος παραμένει καθοριστικός.
Υπάρχει επίσης το ζήτημα της ακαδημαϊκής δεοντολογίας. Δεν πρέπει να θεωρούμε ότι υπάρχει ένας ενιαίος κανόνας για τη χρήση AI που ισχύει σε όλα τα πανεπιστήμια. Τα ιδρύματα, τα τμήματα και ακόμη και οι επιμέρους διδάσκοντες μπορούν να εφαρμόζουν διαφορετικές οδηγίες. Μια μορφή χρήσης μπορεί να επιτρέπεται σε ένα μάθημα και να περιορίζεται σε κάποιο άλλο. Σε ορισμένες περιπτώσεις μπορεί επίσης να απαιτείται γνωστοποίηση του τρόπου με τον οποίο χρησιμοποιήθηκε ένα εργαλείο τεχνητής νοημοσύνης.
Επομένως, πριν χρησιμοποιηθεί AI σε οποιοδήποτε σημαντικό στάδιο μιας εργασίας, χρειάζεται να ελέγχονται οι συγκεκριμένες οδηγίες που ισχύουν. Το ότι ένα εργαλείο είναι διαθέσιμο δεν σημαίνει από μόνο του ότι κάθε πιθανή χρήση του είναι αποδεκτή.
Υπάρχει και κάτι ακόμη που συχνά παραβλέπεται: τα δεδομένα που δίνουμε σε ένα σύστημα AI. Ερευνητικά δεδομένα, πλήρεις συνεντεύξεις, προσωπικά στοιχεία συμμετεχόντων ή άλλο εμπιστευτικό υλικό δεν πρέπει να μεταφέρονται άκριτα σε εξωτερικά εργαλεία. Σε μια πραγματική ερευνητική εργασία υπάρχουν ζητήματα προστασίας προσωπικών δεδομένων, συγκατάθεσης των συμμετεχόντων και ερευνητικής δεοντολογίας που προηγούνται της ευκολίας που μπορεί να προσφέρει οποιοδήποτε εργαλείο.
Τελικά, ίσως η χρησιμότερη ερώτηση δεν είναι «μπορεί η AI να κάνει την εργασία μου;». Η καλύτερη ερώτηση είναι «σε ποιο σημείο της εργασίας μπορεί να με βοηθήσει χωρίς να αντικαταστήσει αυτό που πρέπει να κάνω εγώ;»
Η τεχνητή νοημοσύνη μπορεί να είναι εξαιρετική για brainstorming, για αποσαφήνιση εννοιών, για δημιουργία λέξεων-κλειδιών, για οργάνωση ιδεών, για γλωσσική υποστήριξη και για την κατανόηση δύσκολων μεθοδολογικών ή στατιστικών εννοιών. Μπορεί να λειτουργήσει σαν ένας διαθέσιμος βοηθός στον οποίο μπορούμε να κάνουμε ερωτήσεις και να δοκιμάζουμε διαφορετικές προσεγγίσεις.
Δεν είναι όμως επιστημονική πηγή, δεν εγγυάται την ακρίβεια των πληροφοριών που παράγει, δεν μπορεί να αναλάβει την ευθύνη μιας ερευνητικής επιλογής και δεν γνωρίζει αυτομάτως τις απαιτήσεις της συγκεκριμένης εργασίας ή του συγκεκριμένου πανεπιστημίου.
Ο πιο ασφαλής τρόπος χρήσης της μπορεί να συνοψιστεί σε μία απλή λογική:
AI για υποστήριξη της διαδικασίας — επιστημονικές πηγές για τεκμηρίωση — ανθρώπινη κρίση για την τελική απόφαση.
Όταν χρησιμοποιείται με αυτόν τον τρόπο, η τεχνητή νοημοσύνη δεν χρειάζεται να αντιμετωπίζεται ούτε ως «μαγική λύση» ούτε ως κάτι που πρέπει να αποφεύγεται σε κάθε περίπτωση. Είναι ένα ισχυρό εργαλείο. Και, όπως κάθε ισχυρό εργαλείο, η αξία του εξαρτάται κυρίως από το αν γνωρίζουμε πού μας βοηθά, πού μπορεί να μας παραπλανήσει και πότε πρέπει να σταματήσουμε να το εμπιστευόμαστε και να επιστρέψουμε στην πηγή.
Αν χρειάζεσαι υποστήριξη για την οργάνωση και την εκπόνηση της ακαδημαϊκής σου εργασίας, μπορείς να δεις αναλυτικά τις υπηρεσίες υποστήριξης φοιτητών του Hub4Ergasies.
