AI-प्रेरित ग्रेड इन्फ्लेशन: जास्त गुण हे कमी शिकण्याचे संकेत का असू शकतात?
शैक्षणिक क्षेत्रात जनरेटिव्ह AI (Generative AI) च्या वेगाने होत असलेल्या समावेशामुळे विद्यार्थ्यांच्या गुणांमध्ये मोठी वाढ होत आहे, परंतु नवीन संशोधन असे सुचवते की ही वाढ संज्ञानात्मक क्षमता वाढण्याऐवजी 'आउटसोर्स केलेल्या कामाचे' (outsourced labor) प्रतिबिंब आहे. जसे 'A' ग्रेडचे प्रमाण वाढत आहे, तसे शिक्षक आणि उद्योग क्षेत्रातील दिग्गज "कौशल्य क्षय" (skill atrophy) या धोक्याबद्दल सावध करत आहेत, ज्यामुळे शैक्षणिक प्रमाणपत्रांचा प्रत्यक्ष क्षमतेशी असलेला संबंध तुटू शकतो.
गुणांमधील वाढीमागील डेटा
संशोधक इगोर चिरिकोव्ह (Igor Chirikov) यांनी २०१८ ते २०२५ या काळात ८४ विभागांमधील ३१९ अभ्यासक्रमांचा मागोवा घेणारा एक सर्वसमावेशक अभ्यास केला आहे, ज्यातून शैक्षणिक कामगिरीचा एक धक्कादायक कल समोर आला आहे. नोव्हेंबर २०२२ मध्ये ChatGPT च्या आगमनापासून, 'A' ग्रेडचा वाटा १३ टक्क्यांनी वाढला आहे—जो २०२२ च्या मूळ पातळीपेक्षा अंदाजे ३०% जास्त आहे. या बदलामुळे सरासरी GPA ०.१२ अंकांनी वाढला असून एकूण ग्रेड वितरणात लक्षणीय घट झाली आहे.
हा अभ्यास असे अधोरेखित करतो की ही वाढ सर्व विषयांमध्ये सारखी नाही. त्याऐवजी, ज्या अभ्यासक्रमांमध्ये "AI चा वापर" (AI exposure) जास्त आहे—विशेषतः लेखन आणि कोडिंग असाइनमेंट्सचे प्रमाण जास्त असलेल्या अभ्यासक्रमांमध्ये—तिथे ही वाढ अधिक स्पष्टपणे दिसून येते. विशेष म्हणजे, डेटा असे दर्शवतो की A-minus आणि B-plus ग्रेड वारंवार थेट 'A' मध्ये बदलले जात आहेत, जे मूल्यमापनातील पद्धतशीर वाढ दर्शवते.
गृहपाठ विरुद्ध देखरेखीत परीक्षा (Proctored Exams): मुख्य पुरावा
या संशोधनाचा सर्वात महत्त्वाचा निष्कर्ष हा आहे की गुणांमध्ये ही वाढ नेमकी कुठे होत आहे. जर AI खरोखरच शिक्षण सुधारत असते, तर सर्व प्रकारच्या मूल्यमापनांमध्ये गुणांमध्ये सुधारणा दिसून आली असती. मात्र, डेटा ग्रेड इन्फ्लेशन आणि देखरेख नसलेले असाइनमेंट्स (unsupervised assignments) यांच्यात स्पष्ट संबंध दर्शवतो.
ज्या अभ्यासक्रमांमध्ये गृहपाठाचे अंतिम ग्रेडमधील प्रमाण सरासरीपेक्षा जास्त आहे, तिथे समान AI एक्सपोजर असलेल्या कमी गृहपाठ असलेल्या अभ्यासक्रमांच्या तुलनेत 'A' ग्रेडमध्ये अतिरिक्त १६ टक्क्यांनी वाढ झाली आहे. याउलट, देखरेखीत परीक्षा (proctored exams) किंवा तोंडी सादरीकरणावर अवलंबून असलेल्या अभ्यासक्रमांमध्ये—जिथे AI चा उपयोग लक्षणीयरीत्या कमी आहे—ग्रेड स्थिर राहिले आहेत. यावरून असे सुचते की गुणांमधील ही वाढ ही खऱ्या शैक्षणिक प्रगतीचे प्रतिबिंब नसून, विद्यार्थी देखरेख नसलेली कामे पूर्ण करण्यासाठी AI चा वापर करत असल्याचा थेट परिणाम आहे.
शैक्षणिक संकेत आणि चिकित्सक विचारसरणीचा ऱ्हास
दशकांपासून, हार्वर्डसारख्या संस्थांमध्ये ग्रेड इन्फ्लेशन ही एक चिंताजनक बाब राहिली आहे, जिथे २००५ मध्ये 'A' ग्रेडचे प्रमाण २४% होते आणि २०२५ पर्यंत ते ६०% च्या वर गेले आहे. तथापि, चिरिकोव्ह यांचा असा युक्तिवाद आहे की AI एक मूलभूतपणे वेगळी समस्या निर्माण करते. पूर्वी ग्रेड इन्फ्लेशनची कारणे ग्रेडिंगच्या टप्प्यावर घडत होती, परंतु AI उत्पादन (production) टप्प्यात बदल करते, ज्यामुळे शिक्षक काम पाहण्यापूर्वीच ते कसे तयार केले जाते यामध्ये बदल होतो.
यामुळे व्यापक तंत्रज्ञान आणि व्यावसायिक क्षेत्रासाठी दोन मोठे धोके निर्माण होतात:
- मूल्यहीन प्रमाणपत्रे (Devalued Credentials): जर कोडिंग आणि लेखन-प्रधान अभ्यासक्रमांमधील ग्रेड मानवी कौशल्याऐवजी AI च्या आउटपुटचे प्रतिबिंब असतील, तर नियोक्ते आणि पदवी कार्यक्रम अचूक निवड निर्णय घेण्यास संघर्ष करतील.
- कौशल्य क्षय (Skill Atrophy): OpenAI चे CEO सॅम ऑल्टमॅन यांनी इशारा दिला आहे की, पद्धतशीर शैक्षणिक बदल केल्याशिवाय, चिकित्सक विचार करण्याच्या कौशल्यांचा "मोठा क्षय" होण्याचा धोका आहे. जर विद्यार्थ्यांनी मेंदूला प्रशिक्षित करणाऱ्या नेमक्या कामांवर—जसे की लेखन आणि प्रोग्रामिंग—आउटसोर्सिंग केले, तर ते ज्या साधनांवर प्रभुत्व मिळवण्यासाठी आवश्यक असलेले मूलभूत तर्कशास्त्र (logic) नसतानाच पदवी घेऊन बाहेर पडू शकतात.
मुख्य निष्कर्ष
- देखरेख नसलेल्या कामाशी संबंध: ग्रेड इन्फ्लेशन अशा अभ्यासक्रमांमध्ये सर्वाधिक तीव्र आहे जिथे गृहपाठाचे महत्त्व जास्त आहे, यावरून असे सूचित होते की AI चा वापर शिक्षण वाढवण्यासाठी नाही, तर ते टाळण्यासाठी केला जात आहे.
- विशिष्ट धोके: लेखन आणि कोडिंग-प्रधान अभ्यासक्रमांमध्ये "आउटसोर्स केलेल्या" ग्रेड इन्फ्लेशनचा सर्वाधिक धोका आहे, कारण या क्षेत्रांमध्ये LLMs ची कार्यक्षमता खूप जास्त आहे.
- संकेत संकट (Signaling Crisis): हा बदल शैक्षणिक ग्रेड्सचा प्रत्यक्ष कौशल्य पातळीशी असलेला संबंध तोडण्याचा धोका निर्माण करतो, ज्यामुळे संभाव्यतः असा कार्यबल तयार होऊ शकते ज्यामध्ये जटिल समस्या सोडवण्यासाठी आवश्यक असलेली मूलभूत चिकित्सक विचारसरणीचा अभाव असेल.