Jak Umělé Inteligence Ovlivňují Učení: Nový Pohled na Znalosti
Od vydání ChatGPT na konci roku 2022 začaly miliony lidí používat velké jazykové modely k přístupu k znalostem. Je snadné pochopit jejich přitažlivost: Položit otázku, získat ucelenou odpověď a jít dál – zdá se to jako beznáma učení. Nicméně, nová studie, na které jsem se spolupodílel, přináší experimentální důkazy, že tato snadnost může mít svou cenu: Když lidé spoléhají na velké jazykové modely, aby shrnuly informace o nějakém tématu, mají tendenci rozvíjet méně hluboké znalosti ve srovnání s učením pomocí běžného vyhledávání na Googlu.
Spoluautor této studie, Jin Ho Yun, a já, oba profesoři marketingu, jsme uvedli tento nález v práci založené na sedmi studiích s více než 10 000 účastníky. Většina studií použila stejnou základní metodologii: Účastníci měli za úkol naučit se o určitém tématu – například jak pěstovat zeleninovou zahradu – a byli náhodně přiřazeni k tomu, aby použili buď LLM jako ChatGPT, nebo „staromódní“ přístup, tedy procházení odkazů pomocí běžného vyhledávání na Googlu.
Na účastníky nebyly uvaleny žádné omezení ohledně způsobu, jakým využívali nástroje; mohli vyhledávat na Googlu tak dlouho, jak chtěli, a mohli nadále vyzývat ChatGPT, pokud měli pocit, že potřebují více informací. Jakmile dokončili svůj výzkum, byli požádáni, aby napsali radu příteli na dané téma na základě toho, co se naučili.
Data odhalila konzistentní vzor: Lidé, kteří se dozvěděli o tématu prostřednictvím LLM ve srovnání s webovým vyhledáváním, měli pocit, že se naučili méně, vynaložili méně úsilí při psaní své rady a nakonec napsali kratší, méně faktické a obecnější rady. A když byla tato rada představena nezávislé skupině čtenářů, kteří nevěděli, jaký nástroj byl použit k naučení se o tématu, považovali radu za méně informativní a méně užitečnou a měli menší pravděpodobnost, že ji přijmou.
Tyto rozdíly se ukázaly jako robustní v rozmanitých kontextech. Například jedním z možných důvodů, proč uživatelé LLM psali stručnější a obecnnější rady, je to, že výsledky LLM představily uživatelům méně různorodé informace než výsledky Googlu. Abychom tomu předešli, provedli jsme experiment, kde byli účastníci vystaveni identickému souboru faktů jak ve výsledcích Googlu, tak v ChatGPT vyhledávání. Podobně v jiném experimentu jsme udrželi konstantní platformu vyhledávání – Google – a měnili jsme, zda účastníci získali znalosti ze standardních výsledků Googlu nebo z AI přehledu Google.
Tato zjištění potvrdila, že i když byly fakta a platforma konstantní, učení ze syntetizovaných odpovědí LLM vedlo k mělkým znalostem, ve srovnání se shromažďováním, interpretací a syntézou informací pro sebe prostřednictvím standardních webových odkazů.
Proč na tom záleží
Proč se zdá, že používání LLM oslabuje učení? Jedním z nejzákladnějších principů rozvoje dovedností je to, že lidé se učí nejlépe, když jsou aktivně zapojeni do materiálu, který se snaží naučit.
Když se učíme o tématu prostřednictvím Google vyhledávání, čelíme mnohem většímu „frikčnímu“ odporu: Musíme se orientovat mezi různými webovými odkazy, číst informační zdroje a interpretovat a syntetizovat je sami. I když je to náročnější, tento frikční odpor vede k rozvoji hlubší, originálnější mentální reprezentace daného tématu. Ale s LLM je celý tento proces prováděn za uživatele, což transformuje učení z aktivního procesu na pasivní.
Co dál?
Abychom byli jasní, nevěříme, že řešením těchto problémů je vyhnout se používání LLM, zejména vzhledem k nepopiratelným výhodám, které nabízejí v mnoha kontextech. Naším poselstvím je, že lidé se jednoduše musí stát chytřejšími nebo strategičtějšími uživateli LLM – což začíná pochopením oblastí, ve kterých jsou LLM prospěšné versus škodlivé pro jejich cíle.
Potřebujete rychlou, faktickou odpověď na otázku? Klidně využijte svého oblíbeného AI pomocníka. Ale pokud je vaším cílem rozvíjet hluboké a přenositelné znalosti v určité oblasti, spoléhat se pouze na syntézy LLM bude méně užitečné.
V rámci svého výzkumu na psychologii nových technologií a nových médií se také zajímám o to, zda je možné učinit učení s LLM aktivnějším procesem. V jiném experimentu jsme to testovali tím, že jsme měli účastníky, kteří interagovali se specializovaným GPT modelem, který nabízel odkazy na web v reálném čase vedle jeho syntetizovaných odpovědí. Nicméně jsme zjistili, že jakmile účastníci dostali shrnutí LLM, nebyli motivováni prozkoumat originální zdroje hlouběji. Výsledkem bylo, že účastníci si opět rozvinuli shallower knowledge ve srovnání s těmi, kteří používali standardní Google.
Na základě tohoto plánu, v budoucím výzkumu se zaměřím na generativní AI nástroje, které vyžadují zdravý frikční odpor pro úkoly učení – konkrétně prozkoumání, které typy opatření nebo překážek nejúspěšněji motivují uživatele k aktivnímu učení více než pouze k získání snadných, syntetizovaných odpovědí. Takové nástroje by se zdály obzvlášť důležité v sekundárním vzdělávání, kde je pro pedagogy velkou výzvou, jak nejlépe vybavit studenty k rozvoji základních čtecích, psacích a matematických dovedností, zatímco se také připravují na skutečný svět, kde pravděpodobně budou LLM nedílnou součástí jejich každodenního života.
