AI-യുടെ മറഞ്ഞിരിക്കുന്ന വില: പഠനനഷ്ടങ്ങൾ പ്രകടമാകാൻ എന്തുകൊണ്ട് രണ്ട് വർഷമെടുക്കുന്നു?

AI ഉപകരണങ്ങൾ അഭൂതപൂർവമായ കാര്യക്ഷമത വാഗ്ദാനം ചെയ്യുമ്പോഴും, ഒരു പുതിയ പഠനം ആശങ്കാജനകമായ ഒരു വൈരുദ്ധ്യം വെളിപ്പെടുത്തുന്നു: വിദ്യാർത്ഥികൾ അവരുടെ ജോലികൾ എത്രത്തോളം AI-ക്ക് "ഔട്ട്സോഴ്സ്" ചെയ്യുന്നുവോ, അത്രത്തോളം അവരുടെ അടിസ്ഥാന അറിവ് കാലക്രമേണ ഇല്ലാതാകുന്നു. AI ആശ്രിതത്വം ദീർഘകാലാടിസ്ഥാനത്തിൽ ഉണ്ടാക്കുന്ന നാശനഷ്ടങ്ങൾ ഹ്രസ്വകാലത്ത് തിരിച്ചറിയാൻ പ്രയാസമാക്കുന്ന ഒരു നിർണ്ണായകമായ "പഠനത്തിലെ കാലതാമസം" (learning lag) ഈ ഗവേഷണം ചൂണ്ടിക്കാട്ടുന്നു.

കാര്യക്ഷമതയുടെ കെണി: മികച്ച ഹോംവർക്ക്, മോശം പരീക്ഷകൾ

26,000 വിദ്യാർത്ഥികളെ നിരീക്ഷിച്ച ഒരു പഠനത്തിൽ, DeepSeek V2.5, DeepSeek R1 തുടങ്ങിയ മോഡലുകൾ പുറത്തിറങ്ങിയതിന് പിന്നാലെ AI ഉപയോഗം പൂജ്യത്തിൽ നിന്ന് ഏകദേശം 80% ആയി വർദ്ധിച്ചതായി കണ്ടെത്തി. ഉൽപ്പാദനക്ഷമതയിൽ ഉണ്ടായ പെട്ടെന്നുള്ള മാറ്റം നിഷേധിക്കാനാവില്ല. AI ഉപയോഗം തുടങ്ങിയ ആറ് മാസത്തിനുള്ളിൽ, വിദ്യാർത്ഥികളുടെ ഹോംവർക്ക് സ്കോറുകളിൽ 18% വർദ്ധനവുണ്ടായി, എന്നാൽ ഓരോ അസൈൻമെന്റിനും ചെലവഴിക്കുന്ന ശരാശരി സമയം 64 മിനിറ്റിൽ നിന്ന് 45 മിനിറ്റായി കുറഞ്ഞു.

എന്നിരുന്നാലും, ഈ കാര്യക്ഷമത വലിയൊരു ബൗദ്ധിക വില നൽകിയാണ് ലഭിച്ചത്. ഹോംവർക്ക് ഗ്രേഡുകൾ ഉയർന്നപ്പോൾ, മാസത്തിലൊരിക്കൽ നടത്തുന്ന ക്ലോസ്ഡ്-ബുക്ക് പരീക്ഷകളിലെ സ്കോറുകൾ 20% കുറഞ്ഞു. ദീർഘകാലമായി AI ഉപയോഗിക്കുന്നവരിൽ 81% പേർക്കും, ഉയർന്ന ഗ്രേഡുകളും വേഗത്തിലുള്ള ജോലികൾ പൂർത്തിയാക്കുന്നതും അറിവിന്റെ അടയാളങ്ങളല്ല, മറിച്ച് "ഔട്ട്സോഴ്സിംഗിന്റെ" (outsourcing) സൂചനകളാണെന്ന് ഡാറ്റ സൂചിപ്പിക്കുന്നു—അതായത് യഥാർത്ഥ പഠനത്തിന് ആവശ്യമായ മാനസിക പരിശ്രമം ഒഴിവാക്കാൻ AI ഉപയോഗിക്കുന്നു.

ബൗദ്ധിക തകർച്ചയിലെ രണ്ട് വർഷത്തെ കാലതാമസം

ഈ പഠനത്തിലെ ഏറ്റവും പ്രധാനപ്പെട്ട കണ്ടെത്തൽ പഠനനഷ്ടങ്ങൾ വൈകി പ്രകടമാകുന്നു എന്നതാണ്. സാധാരണ പരീക്ഷകളിലെ പ്രകടനം ആറ് മാസത്തിനുള്ളിൽ കുറഞ്ഞുവെങ്കിലും, Zhongkao, Gaokao തുടങ്ങിയ പ്രധാന പ്രവേശന പരീക്ഷകളിൽ ഇതിന്റെ ആഘാതം പൂർണ്ണമായി കാണാൻ ഏകദേശം രണ്ട് വർഷമെടുത്തു. ഈ രണ്ട് വർഷത്തെ കാലയളവിന് ശേഷം മാത്രമാണ് പ്രവേശന പരീക്ഷാ സ്കോറുകളിൽ 18% മുതൽ 24% വരെ കുറവ് ഗവേഷകർ നിരീക്ഷിച്ചത്.

വിദ്യാഭ്യാസ വിദഗ്ധരും നയരൂപകർത്താക്കളും പ്രതികരിക്കാൻ വൈകാൻ കാരണം ഈ "മറഞ്ഞിരിക്കുന്ന വില" ആണ്. വിദ്യാർത്ഥികളുടെ ശരാശരിയിൽ ഉണ്ടാകുന്ന ആകെത്തുകയായ ആഘാതം സാവധാനത്തിലാണ് രൂപപ്പെടുന്നത് എന്നതിനാൽ, നാശനഷ്ടങ്ങൾ ആഴത്തിൽ പതിഞ്ഞതുവരെ വിദ്യാഭ്യാസ പ്രതിസന്ധിയുടെ പൂർണ്ണമായ വ്യാപ്തി തിരിച്ചറിയാൻ സാധിക്കില്ല.

ആഘാതത്തിന്റെ വിശകലനം: വിഷയങ്ങളും ജനസംഖ്യാവിവരങ്ങളും

അറിവിന്റെ ഈ ഇടിവ് എല്ലാ വിഷയങ്ങളിലും ഒരുപോലെയല്ല. AI പ്രധാനമായും ഗണിതത്തെയോ കോഡിംഗിനെയോ ആണ് ബാധിക്കുന്നത് എന്ന പൊതുധാരണയ്ക്ക് വിരുദ്ധമായി, സോഷ്യൽ സയൻസ് വിഷയങ്ങളാണ് ഏറ്റവും വലിയ ഇടിവ് നേരിട്ടതെന്ന് പഠനം കണ്ടെത്തി:

• സാമൂഹ്യശാസ്ത്രം (രാഷ്ട്രീയം, ഭൂമിശാസ്ത്രം): 27% കുറവ്
• STEM വിഷയങ്ങൾ: 22% കുറവ്
• ഇംഗ്ലീഷ്: 17% കുറവ്
• ചൈനീസ്: 9% കുറവ്

ജനസംഖ്യാവിവരങ്ങളും പ്രത്യേക വെല്ലുവിളികൾ വെളിപ്പെടുത്തിയിട്ടുണ്ട്. മുതിർന്ന വിദ്യാർത്ഥികളേക്കാൾ (17%) ലോവർ സെക്കൻഡറി സ്കൂളുകളിലെ ചെറിയ കുട്ടികളിലാണ് (24%) കൂടുതൽ നഷ്ടം ഉണ്ടായത്. കൂടാതെ, ഉയർന്ന ഉപയോഗ നിരക്ക് കാരണം പെൺകുട്ടികളേക്കാൾ (18.4%) ആൺകുട്ടികൾ (21.6%) കൂടുതൽ ഇതിന്റെ ഫലമായി ബാധിക്കപ്പെട്ടു. ഏറ്റവും ശ്രദ്ധേയമായ കാര്യം, മികച്ച പ്രകടനം കാഴ്ചവെക്കുന്ന വിദ്യാർത്ഥികളാണ് ഏറ്റവും കൂടുതൽ തകർച്ച നേരിട്ടത് എന്നതാണ്; മികച്ച മൂന്നിലൊന്ന് വിദ്യാർത്ഥികളുടെ പരീക്ഷാ പ്രകടനത്തിൽ 24% കുറവ് രേഖപ്പെടുത്തി.

AI-യെ പ്രതിരോധിക്കാൻ ശേഷിയുള്ള പഠനരീതികളിലേക്ക്

AI അടിസ്ഥാനപരമായി ദോഷകരമല്ലെന്നും, മറിച്ച് സ്വതന്ത്രമായ ചിന്തയെ അത് മാറ്റിസ്ഥാപിക്കുമ്പോഴാണ് നാശനഷ്ടങ്ങൾ സംഭവിക്കുന്നതെന്നും പഠനം നിഗമനത്തിലെത്തുന്നു. ഒരു ട്യൂട്ടറെപ്പോലെ AI ഉപയോഗിച്ച വിദ്യാർത്ഥികൾ—അതായത് AI ഉപയോഗിക്കാത്തവരുടേതിന് സമാനമായ സമയം ഹോംവർക്ക് പൂർത്തിയാക്കാൻ എടുത്തവർ—പരീക്ഷകളിൽ മികച്ച പ്രകടനം കാഴ്ചവെച്ചു.

ഈ "ഔട്ട്സോഴ്സിംഗ്" മഹാമാരിയെ നേരിടാൻ, അധ്യാപന രീതികളിൽ അടിസ്ഥാനപരമായ മാറ്റം വരുത്തണമെന്ന് വിദഗ്ധർ നിർദ്ദേശിക്കുന്നു. AI ഉപയോഗിച്ച് തയ്യാറാക്കിയ ഹോംവർക്കുകളെ നിരീക്ഷിക്കുന്നതിന് പകരം, നേരിട്ടുള്ള ക്ലോസ്ഡ്-ബുക്ക് മൂല്യനിർണ്ണയത്തിന് കൂടുതൽ പ്രാധാന്യം നൽകണം. ഡാറ്റ തെളിയിക്കുന്നത് പോലെ, ഹോംവർക്ക് ഗ്രേഡുകളുടെ "സന്ദേശം" AI വഴി തെറ്റായിപ്പോകുമ്പോൾ, യഥാർത്ഥ ബുദ്ധിശക്തി അളക്കാനുള്ള ഏക വിശ്വസനീയമായ മാർഗ്ഗം ഡിജിറ്റൽ സഹായമില്ലാതെ പ്രവർത്തിക്കാനുള്ള കഴിവാണെന്ന് മാത്രം.

പ്രധാന കാര്യങ്ങൾ

• ഔട്ട്സോഴ്സിംഗ് സൂചന: ഉയർന്ന ഹോംവർക്ക് ഗ്രേഡുകളും വേഗത്തിലുള്ള ജോലികൾ പൂർത്തിയാക്കുന്നതും എന്നാൽ കുറഞ്ഞ പരീക്ഷാ സ്കോറുകളും യഥാർത്ഥ പഠനത്തിന് പകരം AI-യെ ആശ്രയിക്കുന്നതിന്റെ പ്രധാന സൂചനകളാണ്.
• വൈകി പ്രകടമാകുന്നത്: പ്രധാനപ്പെട്ട അക്കാദമിക് പ്രകടനങ്ങളിൽ AI ഉണ്ടാക്കുന്ന യഥാർത്ഥ ആഘാതം പൂർണ്ണമായി പുറത്തുവരാൻ രണ്ട് വർഷം വരെ എടുത്തേക്കാം, ഇത് ദീർഘകാലാടിസ്ഥാനത്തിലുള്ള വിദ്യാഭ്യാസ നഷ്ടത്തെ മറച്ചുവെക്കുന്നു.
• വിഷയങ്ങളിലെ ആഘാതം: AI സംവാദങ്ങളിൽ STEM വിഷയങ്ങൾക്കാണ് പ്രാധാന്യം നൽകുന്നതെങ്കിലും, സോഷ്യൽ സയൻസ് വിഷയങ്ങളാണ് 27% എന്ന നിരക്കിൽ ഏറ്റവും വലിയ പഠനനഷ്ടം നേരിട്ടത്.