मोठा गुणांचा डेटासेट AI-चालित महागाईकडे, विशेषतः निरीक्षण नसलेल्या अभ्यासक्रमीय कामात, निर्देश करतो
UC Berkeley मधील एका नव्या अभ्यासाने उच्च शिक्षणातील वाढत्या चिंतेला अनुभवजन्य आधार दिला आहे: जनरेटिव्ह AI शिकण्यात सुधारणा न करता गुण अधिक चांगले दिसतील असे करू शकते. टेक्सासमधील एका मोठ्या, निवडक सार्वजनिक संशोधन विद्यापीठातील 5,00,000 हून अधिक गुणांच्या आधारे, या अभ्यासात आढळले की नोव्हेंबर 2022 मध्ये ChatGPT लाँच झाल्यानंतर, ज्याठिकाणी AI चांगल्या प्रकारे हाताळू शकते अशा असाइनमेंट्स असलेल्या अभ्यासक्रमांत, विशेषतः लेखन आणि कोडिंगमध्ये, गुण तीव्रतेने वाढले.
ही वाढ सर्व अभ्यासक्रम प्रकारांमध्ये समानपणे पसरली नाही. The Decoder मध्ये वर्णन केल्यानुसार, अंतिम गुणांमध्ये गृहपाठाचा हिस्सा मोठा असलेल्या वर्गांमध्ये हा परिणाम एकवटलेला होता. हा फरक महत्त्वाचा आहे. जर AI साधने खरोखरच विद्यार्थ्यांना अधिक शिकण्यात मदत करत असती, तर संशोधकांना प्रॉक्टर्ड परीक्षांसह सर्व मूल्यांकन प्रकारांमध्ये लाभ दिसण्याची अपेक्षा असती. पण सर्वात मोठी उसळी निरीक्षण नसलेल्या कामात दिसली, जी AI विद्यार्थ्यांच्या श्रमांची जागा घेत असल्याच्या नमुन्याशी अधिक सुसंगत आहे.
बदलाचा आकार
या अभ्यासात 2018 ते 2025 या आठ शरद ऋतूतील सत्रांचा मागोवा घेण्यात आला, ज्यात 84 विभागांतील 319 अभ्यासक्रम समाविष्ट होते. प्रत्येक अभ्यासक्रम जनरेटिव्ह AI साठी किती उघडा होता हे मोजण्यासाठी, संशोधकाने ChatGPT अस्तित्वात येण्यापूर्वी तयार केलेले 2022 शरद ऋतूतील सिलेबस वापरले आणि लेखन व कोडिंग-केंद्रित असाइनमेंट्सचा हिस्सा मोजला. तीच कामे होती ज्यांवर व्यापकपणे उपलब्ध AI साधने आल्यावर सर्वाधिक परिणाम होण्याची शक्यता होती.
ChatGPT नंतरचा बदल लक्षणीय होता. ज्याठिकाणी लेखन आणि कोडिंग असाइनमेंट्सचा वाटा जास्त होता, त्या अभ्यासक्रमांमध्ये A गुणांचा वाटा 13 टक्के गुणांनी वाढला, जो 2022च्या आधाररेषेपेक्षा सुमारे 30 टक्के जास्त आहे. सरासरी GPA 0.12 गुणांनी वाढला. त्याच वेळी, गुणांचे वितरण अरुंद झाले, आणि पूर्वी A- किंवा B+ मिळाले असते अशा विद्यार्थ्यांना अधिकाधिक थेट A मिळू लागले.
हा एक महत्त्वाचा नमुना आहे, कारण तो केवळ कागदावर उच्च सरासरी कामगिरी दाखवत नाही, तर विद्यार्थ्यांमधील फरकही कमी होतो असे सुचवतो. प्रत्यक्षात, गुण हे कोणाने विषय सर्वाधिक आत्मसात केला आणि कोणाने फक्त काम समाधानकारकरीत्या पूर्ण केले हे सांगणारे संकेत म्हणून कमी उपयुक्त ठरू शकतात.
बदलाचे कारण गृहपाठ, परीक्षा नव्हे
या अभ्यासाचे सर्वात महत्त्वाचे योगदान कदाचित शिकण्यात झालेल्या लाभांपासून बाहेरून करून घेतलेल्या कामाची वेगळी ओळख पटवण्याचा प्रयत्न आहे. अंतिम अभ्यासक्रम गुणांमध्ये गृहपाठाचा किती वाटा होता हे संशोधकाने तपासले. जर AI विद्यार्थ्यांना मजकूर अधिक चांगल्या प्रकारे समजण्यास मदत करत असेल, तर गृहपाठावर अवलंबून वर्गांत आणि प्रत्यक्ष परीक्षांवर अवलंबून वर्गांतही सुधारणा दिसली असती. याउलट, विद्यार्थी AI वापरून थेट असाइनमेंट पूर्ण करत असतील, तर सर्वात मोठा परिणाम जिथे निरीक्षण नसलेले काम सर्वाधिक महत्त्वाचे आहे तिथे दिसायला हवा.
डेटाने दुसऱ्या परिस्थितीला पाठिंबा दिला. ज्या अभ्यासक्रमांमध्ये गृहपाठाचा वाटा अंतिम गुणांच्या मध्यमपेक्षा जास्त होता, तिथे A गुणांमध्ये झालेली वाढ, समान पातळीच्या AI एक्स्पोजर असलेल्या कमी गृहपाठाच्या अभ्यासक्रमांपेक्षा अतिरिक्त 16 टक्के गुणांनी जास्त होती. ज्याठिकाणी गृहपाठाचा प्रभाव कमी होता, तिथे परिणाम लहान होता आणि सांख्यिकीयदृष्ट्या महत्त्वपूर्ण नव्हता.
हा नमुना केवळ विद्यार्थ्यांच्या शिकण्यात झालेल्या व्यापक वाढीप्रमाणे समजावून सांगणे कठीण आहे. तो अनेक अभ्यासक्रमांच्या रचनेतील संरचनात्मक कमकुवतपणाकडे निर्देश करतो: जेव्हा गुण मोठ्या प्रमाणावर घरी करून आणावयाच्या लेखन किंवा कोडिंग कामांवर अवलंबून असतात, तेव्हा AI प्रणाली आता पुरेसे काम करून गुणांचे वितरण बदलू शकतात.
एक प्लेसीबो चाचणी युक्तिवाद मजबूत करते
अभ्यासात एक उपयुक्त तुलना देखील समाविष्ट होती. सध्याच्या AI साधनांचा थेट फारसा उपयोग होत नाही अशा मौखिक सादरीकरण असाइनमेंट्समध्ये तशीच ग्रेड महागाई दिसली नाही. ही प्लेसीबो चाचणी स्वतः कारण सिद्ध करत नाही, पण ती या अर्थाला बळ देते की असाइनमेंटचा प्रकार महत्त्वाचा आहे, आणि निरीक्षण केलेले बदल त्या कामांशी जवळचे संबंधित आहेत जी जनरेटिव्ह AI पूर्ण करू शकते किंवा लक्षणीय मदत करू शकते.
दुसऱ्या शब्दांत, 2022 नंतर संपूर्ण कॅम्पसमध्ये सोप्या गुणांकनाकडे झालेला साधा कल हा नव्हता. वाढ ChatGPTसारख्या प्रणाली ज्या विशिष्ट क्षेत्रांत सर्वाधिक सक्षम आहेत त्यांच्याशी जुळलेली होती.
हे एका विद्यापीठापलीकडे का महत्त्वाचे आहे
विद्यापीठांना दशकांपासून ग्रेड महागाईशी सामना करावा लागतो आहे. या क्षणाला वेगळे बनवते ते म्हणजे जनरेटिव्ह AI ही प्रक्रिया वेगवान करू शकते, ज्यामुळे मूल्यांकनाच्या मूलभूत कार्यांपैकी एक कमकुवत होते. गुणांनी कामगिरी, ज्ञान आणि तुलनात्मक प्रभुत्वाबद्दल काहीतरी सांगायचे असते. जर AI अनेक विद्यार्थ्यांना पुरेशी समज नसताना परिष्कृत गृहपाठ तयार करू देत असेल, तर ती संकेतक्षमता कमकुवत होते.
त्याचे परिणाम ट्रान्सक्रिप्टपुरते मर्यादित नाहीत. नियोक्ता, पदव्युत्तर शाळा, शिष्यवृत्ती समित्या, आणि पुढील अभ्यासक्रमांतील शिक्षकही विद्यार्थ्यांना काय जमतं याचा अंदाज घेण्यासाठी गुणांवर अवलंबून असतात. जर A increasingly AI-सहाय्यित आउटपुटची गुणवत्ता दर्शवत असेल, तर त्या संकेताची विश्वासार्हता कमी होते.
हा अभ्यास एक अध्यापनात्मक आव्हानही समोर ठेवतो. आधुनिक विद्यापीठांमध्ये लेखन आणि कोडिंग हे गौण असाइनमेंट्स नाहीत; अनेक विषय विश्लेषण, समस्या सोडवणे आणि संवाद कसा शिकवतात याच्या केंद्रस्थानी ती आहेत. त्यामुळे संस्था प्रभावित स्वरूपे काढून टाकून शिक्षणाचे मूळ स्वरूप न बदलता चालणार नाही. त्याऐवजी, त्यांना असाइनमेंट्स नव्याने डिझाइन कराव्या लागू शकतात, प्रत्यक्ष किंवा निरीक्षित मूल्यांकन वाढवावे लागू शकते, किंवा मौखिक बचाव, मसुदे, प्रक्रिया दस्तऐवजीकरण आणि शिकणे दिसून येईल अशा इतर पद्धतींवर अधिक भर द्यावा लागू शकतो.
संशोधन काय दावा करत नाही
स्रोत सामग्रीत दिलेल्या सारांशानुसार, हा अभ्यास सर्व विद्यार्थी AIचा गैरवापर करत आहेत किंवा कोणतीही AI मदत आपोआप शिक्षणाला बाधा आणते असा दावा करत नाही. तसेच सर्व विद्यार्थ्यांसाठी शिकणे सुधारलेच नाही असेही तो म्हणत नाही. काही विद्यार्थी AIचा वापर ट्यूटर, संपादक किंवा डीबगिंग सहाय्यक म्हणून करून समज वाढवू शकतात.
पण एकूण पातळीवर, येथे सादर केलेले पुरावे वेगळ्या दिशेकडे निर्देश करतात. सर्वात तीव्र ग्रेड बदल तिथे दिसतात जिथे AI निरीक्षण नसलेल्या विद्यार्थ्यांच्या कामाची सर्वात सहज जागा घेऊ शकते, तिथे नाही जिथे विद्यार्थ्यांनी नियंत्रित परिस्थितीत स्वतंत्रपणे ज्ञान दाखवावे लागते.
उच्च शिक्षणाच्या पुढील टप्प्यासाठी इशारा
जनरेटिव्ह AI आता शैक्षणिक वातावरणाचा भाग बनले आहे. प्रश्न आता विद्यार्थ्यांना त्याचा प्रवेश आहे का याचा नाही, तर संस्था कशा प्रतिसाद देतात याचा आहे. हा अभ्यास सूचित करतो की जर अभ्यासक्रम रचना बदलली नाही, तर गुण वरच्या दिशेने सरकत राहतील, पण ते कमी अर्थपूर्ण होत जातील.
ही फक्त शिस्तीची समस्या नाही. ही मूल्यांकन-रचना समस्या देखील आहे. ज्यांना गुणांचे मूल्य टिकवायचे आहे अशा विद्यापीठांना मदत आणि पर्याय यांच्यात फरक लवकर ओळखावा लागू शकतो, आणि विद्यार्थ्यांना मुख्य बौद्धिक काम बाहेरून न करून काय करता येते हे दाखवण्याचे अधिक मार्ग तयार करावे लागू शकतात.
या अभ्यासाचे व्यापक महत्त्व असे की, 2022च्या उत्तरार्धापासून अनेक शिक्षकांना वाटत असलेल्या बदलाचे ते मापन करते. ChatGPT युग फक्त विद्यार्थी कसे काम करतात हेच बदलत नाही. ते शैक्षणिक गुण प्रत्यक्षात काय मोजतात तेही बदलू शकते.
हा लेख The Decoder च्या वार्तांकनावर आधारित आहे. मूळ लेख वाचा.
Originally published on the-decoder.com