AI ಕಾರ್ಯಕ್ಷಮತೆಯ ಅಂತರ: ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡಿದ ಪರೀಕ್ಷೆಗಳು ಸತ್ಯವನ್ನು ಏಕೆ ಬಹಿರಂಗಪಡಿಸುತ್ತವೆ

ಶೈಕ್ಷಣಿಕ ಕ್ಷೇತ್ರದಲ್ಲಿ Large Language Models (LLMs) ಗಳ ವೇಗದ ಏಳಿಗೆಯು ಕಲಿಕೆಯ ಮೇಲಿನ ಒಂದು ಭ್ರಮೆಯನ್ನು ಸೃಷ್ಟಿಸಿದೆ; ಇಲ್ಲಿ ಹೆಚ್ಚಿನ ಅಸೈನ್‌ಮೆಂಟ್ ಅಂಕಗಳು ನಿಜವಾದ ತಿಳುವಳಿಕೆಯ ಕೊರತೆಯನ್ನು ಮರೆಮಾಚುತ್ತಿವೆ. ಬ್ರೌನ್ ವಿಶ್ವವಿದ್ಯಾಲಯದ ಇತ್ತೀಚಿನ ಘಟನೆಯು ಈ ಬೆಳೆಯುತ್ತಿರುವ "ಕಾರ್ಯಕ್ಷಮತೆಯ ಅಂತರ"ವನ್ನು (performance gap) ಎತ್ತಿ ತೋರಿಸಿದ್ದು, ಜನರೇಟಿವ್ AI ಮೇಲೆ ಅತಿಯಾಗಿ ಅವಲಂಬಿತವಾಗುವುದರಿಂದ ಉಂಟಾಗುವ ದೀರ್ಘಕಾಲೀನ ಜ್ಞಾನಾತ್ಮಕ ಅಪಾಯಗಳ ಬಗ್ಗೆ ಎಚ್ಚರಿಕೆ ನೀಡಿದೆ.

ಬ್ರೌನ್ ವಿಶ್ವವಿದ್ಯಾಲಯದ ಕೇಸ್ ಸ್ಟಡಿ: 48% ರಷ್ಟು ವಾಸ್ತವದ ಎಚ್ಚರಿಕೆ

ಬ್ರೌನ್ ವಿಶ್ವವಿದ್ಯಾಲಯದ ಅರ್ಥಶಾಸ್ತ್ರದ ಪ್ರಾಧ್ಯಾಪಕರಾದ ರೊಬರ್ಟೊ ಸೆರಾನೊ ಅವರು ಇತ್ತೀಚೆಗೆ ವಿದ್ಯಾರ್ಥಿಗಳ ಕಾರ್ಯಕ್ಷಮತೆಯಲ್ಲಿನ ಭಾರಿ ಕುಸಿತವನ್ನು ಗಮನಿಸಿದರು, ಇದು ವ್ಯಾಪಕವಾದ AI ಅವಲಂಬನೆಯನ್ನು ಬಯಲಿಗೆಳೆದಿದೆ. ಮನೆಗೆ ಕಳುಹಿಸಲಾದ (take-home) ಮಧ್ಯಂತರ ಪರೀಕ್ಷೆಯ ಸಮಯದಲ್ಲಿ, ಅವರ 86 ವಿದ್ಯಾರ್ಥಿಗಳ ತರಗತಿಯ ಸರಾಸರಿ ಅಂಕಗಳು ಆಶ್ಚರ್ಯಕರವಾಗಿ 96% ರಷ್ಟಿದ್ದವು—ಇದು ಹಿಂದಿನ 65% ರಿಂದ 80% ರಷ್ಟು ಇರುತ್ತಿದ್ದ ಸಾಮಾನ್ಯ ಮಟ್ಟಕ್ಕಿಂತ ಗಣನೀಯವಾಗಿ ಹೆಚ್ಚಾಗಿದೆ.

ಸೆರಾನೊ ಅವರು ಪರೀಕ್ಷೆಯ ಪ್ರಶ್ನೆಗಳನ್ನು ChatGPT ಮೂಲಕ ಪರಿಶೀಲಿಸಿದಾಗ ಅವರ ಅನುಮಾನಗಳು ನಿಜವಾದವು ಎಂಬುದು ಸಾಬೀತಾಯಿತು; ಅದರಿಂದ ಅವರು ಬಹುತೇಕ ಅಚ್ಚುಕಟ್ಟಾದ ಫಲಿತಾಂಶಗಳನ್ನು ಪಡೆದರು. ಗಮನಾರ್ಹವಾಗಿ, ಅನೇಕ ವಿದ್ಯಾರ್ಥಿಗಳು ಮಾನವ ವಿದ್ಯಾರ್ಥಿಗಳಿಂದ ನಿರೀಕ್ಷಿಸುವ ಸರಳ ಮತ್ತು ನೇರ ವಿಧಾನದ ಬದಲಾಗಿ, ChatGPT ಬಳಸುವ ಸಂಕೀರ್ಣವಾದ ಗಣಿತದ ಪುರಾವೆಗಳನ್ನು (mathematical proof) ಬಳಸಿದ್ದರು.

ತಮ್ಮ ಸಂಶೋಧನೆಯನ್ನು ದೃಢೀಕರಿಸಲು, ಸೆರಾನೊ ಅವರು ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡಿದ (proctored), ನೇರ ಪರೀಕ್ಷೆಯನ್ನು ನಡೆಸಿದರು. ಅದರ ಫಲಿತಾಂಶಗಳು ಭೀಕರವಾಗಿದ್ದವು: ತರಗತಿಯ ಸರಾಸರಿ ಅಂಕಗಳು 48.6% ಕ್ಕೆ ಕುಸಿಯಿತು, ಇದು ಆ ಕೋರ್ಸ್‌ನ ಇತಿಹಾಸದಲ್ಲೇ ಅತ್ಯಂತ ಕಡಿಮೆ ಮಟ್ಟವಾಗಿದೆ. ಹತ್ತೊಂಬತ್ತು ವಿದ್ಯಾರ್ಥಿಗಳು ಪರೀಕ್ಷೆಯಲ್ಲಿ ಅನುತ್ತೀರ್ಣರಾದರು ಮತ್ತು ಮನೆಗೆ ಕಳುಹಿಸಿದ ಪರೀಕ್ಷೆ ಹಾಗೂ ನೇರ ಪರೀಕ್ಷೆಯ ಅಂಕಗಳ ನಡುವಿನ ವ್ಯತ್ಯಾಸವು, ಹಿಂದಿನ ಹೆಚ್ಚಿನ ಅಂಕಗಳು ಕೃತಕವಾಗಿದ್ದವು ಎಂಬುದನ್ನು ಸಾಬೀತುಪಡಿಸಿತು.

ಜಾಗತಿಕ ಪ್ರವೃತ್ತಿಗಳು: AI ಬಳಕೆ ಮತ್ತು ಜ್ಞಾನಾತ್ಮಕ ಕುಸಿತದ ನಡುವಿನ ಸಂಬಂಧ

ಬ್ರೌನ್ ವಿಶ್ವವಿದ್ಯಾಲಯದ ಘಟನೆಯು ಕೇವಲ ಒಂದು ವಿಶಿಷ್ಟ ಘಟನೆಯಲ್ಲ, ಬದಲಾಗಿ ಇದು ವ್ಯಾಪಕವಾದ ಮತ್ತು ದಾಖಲಿತ ಪ್ರವೃತ್ತಿಯ ಭಾಗವಾಗಿದೆ. AI ಪರಿಕರಗಳು ಕಲಿಕೆಯ ಫಲಿತಾಂಶಗಳ ಮೇಲೆ ಹೇಗೆ ಪರಿಣಾಮ ಬೀರುತ್ತವೆ ಎಂಬುದಕ್ಕೆ ಎರಡು ಪ್ರಮುಖ ಅಧ್ಯಯನಗಳು ಪ್ರಮಾಣಾತ್ಮಕ ಪುರಾವೆಗಳನ್ನು ನೀಡುತ್ತವೆ:

• ಚೀನಾ ಅಧ್ಯಯನ: 7 ರಿಂದ 12 ನೇ ತರಗತಿಯ 26,000 ವಿದ್ಯಾರ್ಥಿಗಳನ್ನು ಗಮನಿಸಿದ ದೀರ್ಘಕಾಲೀನ ಅಧ್ಯಯನವು, AI ಅಳವಡಿಸಿಕೊಂಡ ನಂತರ ಹೋಮ್‌ವರ್ಕ್ ಅಂಕಗಳು 18% ಹೆಚ್ಚಾಗಿವೆ ಮತ್ತು ಅದನ್ನು ಪೂರ್ಣಗೊಳಿಸುವ ಸಮಯವು 64 ನಿಮಿಷಗಳಿಂದ 45 ನಿಮಿಷಗಳಿಗೆ ಇಳಿಕೆಯಾಗಿದೆ ಎಂದು ಕಂಡುಕೊಂಡಿದೆ. ಆದರೆ, ಪರೀಕ್ಷೆಯ ಅಂಕಗಳು 20% ರಷ್ಟು ಇಳಿಕೆಯಾಗಿವೆ. ದೀರ್ಘಕಾಲೀನ ಸಂದರ್ಭಗಳಲ್ಲಿ, ಪ್ರವೇಶ ಪರೀಕ್ಷೆಯ (entrance exam) ಕಾರ್ಯಕ್ಷಮತೆಯು 24% ರಷ್ಟು ಕುಸಿತ ಕಂಡಿದೆ ಮತ್ತು ಅತ್ಯುತ್ತಮ ಸಾಧನೆ ಮಾಡುವ ವಿದ್ಯಾರ್ಥಿಗಳು ಇದರಿಂದ ಹೆಚ್ಚು ತೊಂದರೆ ಅನುಭವಿಸಿದ್ದಾರೆ.
• UC Berkeley/Texas ಅಧ್ಯಯನ: ಟೆಕ್ಸಾಸ್‌ನ ದೊಡ್ಡ ಸಂಶೋಧನಾ ವಿಶ್ವವಿದ್ಯಾಲಯದಲ್ಲಿ 5,00,000 ಕ್ಕೂ ಹೆಚ್ಚು ಅಂಕಗಳ ವಿಶ್ಲೇಷಣೆಯು, ಬರವಣಿಗೆ ಮತ್ತು ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಅಂಶಗಳು ಹೆಚ್ಚಿರುವ ಕೋರ್ಸ್‌ಗಳಲ್ಲಿ, ChatGPT ಬಿಡುಗಡೆಯಾದ ನಂತರ "A" ಗ್ರೇಡ್‌ಗಳ ಪ್ರಮಾಣವು 13 ಶೇಕಡಾ ಪಾಯಿಂಟ್‌ಗಳಷ್ಟು ಏರಿಕೆಯಾಗಿದೆ ಎಂದು ಬಹಿರಂಗಪಡಿಸಿದೆ. ಈ ಅಂಕಗಳ ಏರಿಕೆಯು ಮೇಲ್ವಿಚಾರಣೆ ಇಲ್ಲದ ಹೋಮ್‌ವರ್ಕ್ ಅಸೈನ್‌ಮೆಂಟ್‌ಗಳಲ್ಲಿ ಹೆಚ್ಚು ಕಂಡುಬಂದಿದೆ.

AI ಮತ್ತು ಶಿಕ್ಷಣದ ಮೇಲಿನ ವ್ಯಾಪಕ ಪರಿಣಾಮಗಳು

ಡೆವಲಪರ್‌ಗಳು ಮತ್ತು ಶಿಕ್ಷಣ ತಜ್ಞರಿಗೆ, ಈ ಸಂಶೋಧನೆಗಳು "ಮಾನವ-AI ಸಹಯೋಗ" (Human-AI Collaboration) ಚರ್ಚೆಯಲ್ಲಿ ಒಂದು ನಿರ್ಣಾಯಕ ತಿರುವು ಎನಿಸಿಕೊಡುತ್ತವೆ. AI ಒಂದು ಶಕ್ತಿಯುತ ಉತ್ಪಾದಕತೆಯ ವರ್ಧಕವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸಿದರೂ, ದೀರ್ಘಕಾಲೀನ ಕಲಿಕೆಗೆ ಅಗತ್ಯವಾದ ಶ್ರಮವನ್ನು ತಪ್ಪಿಸುವ "ಜ್ಞಾನಾತ್ಮಕ ಆಸರೆ"ಯಾಗಿ (cognitive crutch) ಇದು ಪ್ರಸ್ತುತ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತಿದೆ ಎಂದು ದತ್ತಾಂಶಗಳು ಸೂಚಿಸುತ್ತವೆ.

ಹೋಮ್‌ವರ್ಕ್ ಪೂರ್ಣಗೊಳಿಸುವಲ್ಲಿ ಸಿಗುವ "ದಕ್ಷತೆ"ಯು—ಕೆಲವು ಅಧ್ಯಯನಗಳಲ್ಲಿ ಕಾರ್ಯದ ಸಮಯವು ಸುಮಾರು 30% ರಷ್ಟು ಕಡಿಮೆಯಾಗಿರುವುದು ಕಂಡುಬಂದಿದೆ—ಜ್ಞಾನವನ್ನು ನೆನಪಿಟ್ಟುಕೊಳ್ಳುವ ಸಾಮರ್ಥ್ಯದ ಮೇಲೆ ನೇರ ಪರಿಣಾಮ ಬೀರುತ್ತದೆ. LLMಗಳು ವೃತ್ತಿಪರ ಕೆಲಸದ ಹರಿವಿನಲ್ಲಿ (workflows) ಹೆಚ್ಚು ಸಂಯೋಜಿತವಾಗುತ್ತಿದ್ದಂತೆ, ತಮ್ಮ ಕೌಶಲ್ಯಗಳನ್ನು ಹೆಚ್ಚಿಸಿಕೊಳ್ಳಲು AI ಬಳಸುವವರ ನಡುವೆ ಮತ್ತು ತಮ್ಮ ಆಲೋಚನೆಯನ್ನು ಬದಲಿಸಲು AI ಬಳಸುವವರ ನಡುವಿನ ಅಂತರವು ಭವಿಷ್ಯದ ಉದ್ಯೋಗಿಗಳ ನಡುವಿನ ಪ್ರಮುಖ ವ್ಯತ್ಯಾಸವಾಗಲಿದೆ.

ಪ್ರಮುಖ ಅಂಶಗಳು

• ಕಾರ್ಯಕ್ಷಮತೆಯ ಅಂತರ: ಮೇಲ್ವಿಚಾರಣೆ ಇಲ್ಲದ, AI ಲಭ್ಯವಿರುವ ಅಸೈನ್‌ಮೆಂಟ್‌ಗಳಲ್ಲಿ ಸಿಗುವ ಹೆಚ್ಚಿನ ಅಂಕಗಳು ವಿದ್ಯಾರ್ಥಿಯ ನಿಜವಾದ ಸಾಮರ್ಥ್ಯವನ್ನು ಅಳೆಯುವ ವಿಶ್ವಾಸಾರ್ಹ ಮಾನದಂಡಗಳಾಗುತ್ತಿಲ್ಲ.
• ಜ್ಞಾನಾತ್ಮಕ ಬದಲಾವಣೆ (Cognitive Substitution): AI ಹೋಮ್‌ವರ್ಕ್ ವೇಗ ಮತ್ತು ಅಂಕಗಳನ್ನು ಹೆಚ್ಚಿಸಿದರೂ, ಇದು ಪರೀಕ್ಷೆಯ ಕಾರ್ಯಕ್ಷಮತೆ ಮತ್ತು ದೀರ್ಘಕಾಲೀನ ಜ್ಞಾನದ ಉಳಿವಿನಲ್ಲಿ 20% ಕುಸಿತಕ್ಕೆ ಸಂಬಂಧಿಸಿದೆ ಎಂದು ಅಧ್ಯಯನಗಳು ತೋರಿಸುತ್ತವೆ.
• ಹೊಸ ಮೌಲ್ಯಮಾಪನ ಮಾದರಿಗಳ ಅಗತ್ಯ: AI ಸೃಷ್ಟಿಸಿದ ಫಲಿತಾಂಶ ಮತ್ತು ಮಾನವನ ಪರಿಣತಿಯ ನಡುವಿನ ವ್ಯತ್ಯಾಸವನ್ನು ಗುರುತಿಸಲು ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡಿದ, ನೇರ ಅಥವಾ ಅತ್ಯಂತ ವಿಶೇಷವಾದ ಮೌಲ್ಯಮಾಪನಗಳತ್ತ ಬದಲಾಗುವುದು ಅತ್ಯಗತ್ಯವಾಗುತ್ತಿದೆ.