7 Minutės
Nuo 2022 m. pabaigos, kai pasirodė ChatGPT, milijonai žmonių pradėjo naudoti didelius kalbinius modelius (LLM) klausimams atsakyti, informacijai sintezuoti ir užduotims, kurios anksčiau reikalavo ilgų paieškų, spartinti. Nauji kontroliuojami eksperimentai rodo, kad ši patogumas gali turėti kainą: tie, kurie pasikliauja LLM santraukų pateikimu, linkę įgyti paviršutiniškesnes žinias nei tie, kurie tyrinėja naudodami tradicines interneto paieškas.
Kaip vyko eksperimentai ir ką jie parodė
Tyrėjai Shiri Melumad ir Jin Ho Yun, abu rinkodaros profesoriai, atliko septynis kontroliuojamus tyrimus su daugiau nei 10 000 dalyvių, siekdami išsiaiškinti, kaip skiriasi mokymasis, kai žmonės naudoja LLM, pavyzdžiui, ChatGPT, palyginti su įprasta Google paieška. Dalyviams buvo prašoma mokytis apie kasdienes temas, pavyzdžiui, kaip įkurti daržą ar kaip prižiūrėti naminius augalus, ir jie atsitiktine tvarka buvo paskirstyti naudoti LLM arba naršyti nuorodomis „senamadiškai“ per interneto puslapius. Paieškoms ir užklausoms LLM nebuvo jokių laiko ar užklausų skaičiaus apribojimų.
Po informacijos rinkimo dalyviai rašė patarimą draugui pagal tai, ką buvo sužinoję. Visuose tyrimuose išryškėjo aiški tendencija: tie, kurie naudojo LLM santraukas, pranešė, kad jaučiasi išmokę mažiau, skyrė mažiau pastangų rengdami patarimus ir sukūrė trumpesnius, labiau bendrinius ir mažiau faktinius tekstus nei tie dalyviai, kurie patys perskaitė ir išanalizavo tinklalapius.
Nepriklausomi vertintojai — nežinoję, kuri priemonė buvo naudota — nuosekliai vertino LLM pagrįstus patarimus kaip mažiau informatyvius ir mažiau naudingus, taip pat mažiau linkusiais jų laikytis. Rezultatai buvo stiprūs įvairiose temose ir skirtinguose imčių pavyzdžiuose, rodydami platesnį reiškinio patikimumą.
Skaityti plačiau naudojant Google „senamadiškai“ reiškia platesnį teksto apdorojimą.
Kodėl sintetinti atsakymai gali silpninti gilų mokymąsi
Šių rezultatų pagrindas — gerai žinoma mokymosi mokslo nuostata: aktyvus įsitraukimas kuria tvirtesnes ir universaliai pritaikomą žinias. Tradicinė interneto paieška verčia mokinius skaityti įvairius šaltinius, vertinti jų patikimumą, interpretuoti skirtingas nuomones ir sintetinti gautą informaciją į savo vidinį supratimą. Toks įtemptas apdorojimas sukuria vadinamuosius „pageidaujamus sunkumus“ (desirable difficulties) — trintį, kuri padeda ilgalaikiam mokymuisi.
LLM, priešingai, sutraukia daugybę šaltinių į paruoštą santrauką, praktiškai atlieka interpretaciją ir sintezę už vartotoją. Sąveika tampa pasyvesnė: užduok klausimą, gauk vientisą atsakymą ir pereik prie kito. Patogumas akivaizdus, tačiau kompromisas — mažesnis faktų įsiminimas ir mažiau vidinių ryšių, kurie reikalingi žinioms lanksčiai panaudoti vėliau.
Tyrėjų komanda patikrinusi alternatyvias paaiškinimų priežastis. Viena hipotezių buvo ta, kad LLM iš tikrųjų pateikia siauresnį faktų rinkinį, todėl išvestis mažiau eklektiška. Kad tai išlygintų, kai kurios eksperimentų dalys pateikė identišką faktinę medžiagą abiem grupėms: tiek LLM, tiek svetainių naršymo dalyviams. Kitose studijose paliktas tas pats platformos kontekstas — lyginta tradicinė Google rezultatų puslapio ir AI Overview (apžvalgos) funkcija — ir vis tiek sintetizuotos santraukos rodė paviršutiniškesnį supratimą nei aktyvus informacijos rinkimas iš nuorodų.
Praktinis mokymosi psichologijos požiūriu, procesai kaip atpažinimas (recognition) ir ištraukimas (retrieval) turi skirtingą poveikį atminčiai. Interneto naršymas ir lėtesnis informacijos apdorojimas skatina rekonstrukciją ir tarpinį apdorojimą, o tai pagerina perkeliamumą (transfer) ir gebėjimą taikyti žinias naujose situacijose. Tai paaiškina, kodėl, net turint prieigą prie tų pačių faktų, aktyvus rinkimas gali suformuoti gilesnę ir labiau struktūrizuotą pažinimą.
Norite giliau suprasti temą? LLM gali nebūti tinkamiausias sprendimas.
Praktinės pasekmės mokiniams, dėstytojams ir specialistams
Šie rezultatai nereiškia, kad LLM reikėtų uždrausti. Dideli kalbiniai modeliai yra galingi produktyvumo įrankiai: greiti paaiškinimai, kodavimo pagalba, juodraščių rašymas ir idėjų generavimas yra akivaizdžios naudojimo sritys. Svarbiausia žinia — niuansas: mokiniai ir dirbantieji turėtų strategiškai rinktis, kada pasikliauti AI pagalbininku, o kada skirti pastangų savarankiškam tyrimui.
Rutininėms faktų užklausoms ar situacijoms, kur svarbu greitis, LLM gali būti naudingas pradinis žingsnis. Tačiau jei tikslas — įgyti gilų, bendro pobūdžio supratimą, pakankamą mokyti kitus, argumentuoti ar taikyti žinias naujose situacijose, vien tik sintetizuotų atsakymų naudojimas greičiausiai šį tikslą silpnins.
Praktinės rekomendacijos įvairiems naudotojams:
- Naudojant LLM kaip pirmą sprendimą, verta atlikti gilesnį patikrinimą — perskaityti originalius šaltinius ir patikrinti citatas bei nuorodas.
- Mokytojai ir dėstytojai turėtų integruoti užduotis, skatinančias šaltinių naudojimą, citavimą ir argumentavimą, siekiant atkurti aktyvų mąstymą.
- Profesionalai, ypač sprendžiantys sudėtingas problemas, turėtų derinti LLM greitumą su giliais literatūros peržiūros etapais arba ekspertiška konsultacija.
Tyrėjai taip pat patikrino, ar mišrus požiūris — santraukų ir tradicinio naršymo derinimas — galėtų padėti. Viename eksperimente dalyviai bendravo su specializuotu GPT, kuris kartu su santrauka pateikdavo realaus laiko nuorodas. Net turėdami nuorodas, gavę išbaigtą santrauką dalyviai dažniau neperžiūrėjo pirminių šaltinių, o žinios liko paviršutiniškesnės nei tų, kurie nuo pradžių naršė nuorodas patys.
Todėl praktiniu požiūriu svarbu abordar pagrįstai: naudoti LLM, kai reikia greitos orientacijos, bet planuoti papildomas fazes (pvz., išsamų šaltinių patikrinimą arba praktinę pritaikymo užduotį), jei siekiama gilios kompetencijos.
Eksperto įžvalga
Dr. Elena Morales, kognityvinė mokslininkė, besispecializuojanti mokymosi ir technologijų srityje, pažymi: "Automatinės santraukos taupo laiką, bet gali apeiti tą psichinį darbą, kuris yra būtinas tvarioms žinioms susiformuoti. Mokytojų ir įrankių kūrėjų užduotis — sukurti sveiką trintį: struktūrizuotus raginimus, ištraukimo pratimus arba privalomą kontaktą su pirminiais šaltiniais, kurie nukreiptų vartotojus mąstyti aktyviai, o ne pasyviai priimti atsakymą."
Ši ekspertė taip pat atkreipia dėmesį į vertinimo praktiką: įtraukti užduotis, kurios reikalauja aiškiai nurodyti, iš kur gauta informacija, atlikti trumpus faktų tikrinimus ir praktines demonstracijas, leidžiančias pademonstruoti žinių perdavimą į naujas situacijas.
Kaip būtų galima pagerinti mokymąsi, remiantis LLM
Melumad ir Yun siūlo tyrimų programą, orientuotą į dizaino intervencijas, kurios išsaugotų generatyvinio AI efektyvumą, bet sugrąžintų produktyvią trintį, reikalingą giluminiam mokymuisi. Potencialios priemonės apima įrankius, kurie ragina mokinius paaiškinti atsakymus savo žodžiais, reikalauja bandymų prisiminti prieš pateikiant santrauką arba išryškina įvairias šaltinio nuorodas ir pateikia tikslius papildomus klausimus, skatinančius patvirtinimą ir gilų tyrimą.
Techninės priemonės, galinčios pagerinti LLM palaikomą mokymąsi:
- Interaktyvios užklausos, reikalaujančios dalinio atsakymo prieš pateikiant pilną santrauką (retrieval-first prompt), siekiančios suaktyvinti atmintį.
- Automatiniai raginimai patikrinti citatas ir pateikti pirminių šaltinių nuorodas su paaiškinimu apie jų patikimumą (source provenance ir citation transparency).
- Uždaviniai, kuriuose santraukos turi būti išplėtotos į konkretų taikymą ar projekto planą, taip reikalaujant žinių transformacijos į praktinius veiksmus.
- Hibridiniai mokymo būdai, derinantys LLM pagalbą su mokymosi strategijomis: interleaving, spaced repetition ir retrieval practice.
Tokios apsaugos priemonės ypač svarbios vidurinio ir aukštojo mokslo kontekste, kur pagrindinių skaitymo, rašymo ir argumentavimo įgūdžių formavimas išlieka esminis. Mokytojai gali derinti LLM sukurtas santraukas su užduotimis, kuriose studentai privalo cituoti pirminius šaltinius, apginti teiginius arba išplėsti santrauką į taikomą projektą, tokiu būdu priversdami įsitraukti aktyviai.
Išvados
ChatGPT ir kitų didelių kalbinių modelių augimas žymi reikšmingą pokytį žinių prieigos būduose. Eksperimentiniai duomenys rodo, kad patogumas gali ateiti iš dalies aukojant gylį. Vietoj šių įrankių atsisakymo prioritetas turėtų būti išmanesnis naudojimas: parinkti įrankį pagal užduotį ir projektuoti mokymosi patirtis, kurios atkurtų aktyvų apdorojimą, reikalingą giluminiam supratimui.
Taigi praktinis vadovas naudotojams: naudokite LLM kaip greitą orientaciją ar produktyvumo įrankį, bet planuokite papildomas fazes — pirminių šaltinių analizę, atminties išbandymus ir taikomas užduotis — kai tikslas yra įgyti perkeliamas ir tvarias žinias. Toks derinys leidžia išlaikyti technologijų teikiamą efektyvumą, kartu stiprinant mokymosi rezultatus ir kompetencijas.
Šaltinis: sciencealert
Palikite komentarą