آیا سپردن تفکر به هوش مصنوعی، توانایی اندیشیدن را از ما میگیرد؟
یک فکر، یک برنامه، شروع به شکلگیری میکند و پیش از آنکه به طور کامل فرموله شود، چیز دیگری آن را تمام میکند.
من مدام با این پدیده مواجه میشوم، هم در کار خودم و هم در کار دیگران: فاصله میان یک فکر نیمهشکلگرفته و پاسخ بهینهشده هوش مصنوعی تقریباً از بین رفته است.
کلیک کردن روی «برو» آسان است و «نه» گفتن، کند کردن روند و فکر کردن برای خود سختتر است – بهویژه وقتی هوش مصنوعی در این کار خوب است.
سوال فقط این نیست که این سیستمها چه کاری میتوانند انجام دهند، بلکه این است که وقتی ما اجازه میدهیم آنها بخشی از تفکر را انجام دهند که تا همین اواخر نیازمند ماندن با یک مسئله به اندازه کافی برای شکلگیری چیزی بود، در درون ما چه اتفاقی میافتد.
آنچه در اینجا به ذهن میرسد، نیاز به مدیریت حس پیرو یا رهبر بودن در خود، و تمایل به تسلیم شدن در برابر وسوسه است. خودنظارتی و خویشتنداری برای ایستادگی در برابر چنین جریانهایی لازم است. با هوش مصنوعی یک تجربه وجود دارد، اما یک شخص دیگر – به معنای معمول کسی با بدن، نیازها، آسیبپذیری، تاریخچه و زندگی که ما میتوانیم در مقابل بر آن تأثیر بگذاریم – وجود ندارد. آنچه مشترک است یک سطح کاری است – زبان، مفاهیم، گزینهها، اقدامات و بازخورد – نه یک ذهن مشترک.
وسوسهی انساننمایی: چرا هوش مصنوعی ما را فریب میدهد؟
مدلهای زبانی بزرگ به دلایل قابل درکی شبیه انسان به نظر میرسند: آنها از زبان استفاده میکنند، نوبت را رعایت میکنند، سریع پاسخ میدهند، زمینه را ادامه میدهند و از طریق رابطهایی که برای احساس حضور اجتماعی، حتی گرم و دوستانه طراحی شدهاند، وارد میشوند.
فروش توکن. بخشی از این کار عمدی است و از نظر مهندسی، یک وابستگی: برای قابل استفاده بودن، آنها باید با محدودیتهای انسانی مطابقت داشته باشند – سرعت ما، کانال باریک ما، آمادگی ما برای یافتن یک چهره در اشیا. طراحی لزوماً دستکاری نیست؛ کشش میتواند ناشی از قابلیت، انگیزه، این باشد که چقدر راحت ذهنی را در زبان روان میخوانیم، یا چقدر راحت وقتی خسته یا شرطی شدهایم از فکر کردن دست میکشیم.
چرا تسلیم وسوسه میشویم؟
این کشش قابل اندازهگیری است و جمع میشود. در آزمایشهایی با ۱۴۰۱ شرکتکننده، یک هوش مصنوعی سوگیرانه، قضاوتهای ادراکی، عاطفی و اجتماعی را در جهتی تقویت کرد که تعامل انسانی این کار را نکرد، و این اثر در طول دورها افزایش یافت (گلیکمن و شاروت، ۲۰۲۵). این انحراف حتی زمانی ظاهر شد که مردم صرفاً باور داشتند هوش مصنوعی در حال پاسخ دادن است، و آنها میزان جابجایی خود را دست کم گرفتند.
مزیت واقعی: قدرت پردازش فراتر از توان انسان
در سوی دیگر یک سود واقعی وجود دارد. ما نرخ بیت پایین و روزنه باریکی به جهان داریم؛ توجه و حافظه کاری محدود هستند؛ نمیتوانیم هر جایگزینی را بسنجیم یا هر آینده ممکنی را در حین تصمیمگیری در ذهن نگه داریم. این سیستمها در مقیاسی که ما نمیتوانیم مستقیماً درک کنیم، مقایسه و تولید میکنند و پیچیدگی غیرقابل مدیریت را با سرعت فکر در دسترس قرار میدهند – ابزارهای قدرتمند، در دستان درست.
خطر پنهان: وقتی سرعت جایگزین توسعه میشود
مشکل زمانی شروع میشود که سرعت با توسعه اشتباه گرفته شود. اجازه دادن به هوش مصنوعی برای تمام کردن یا حتی تأمین افکار فرد، میتواند زنجیرههای مهم یادگیری و توسعه را قطع کند: یک فرد ممکن است به یک جمله، برنامه یا تفسیر صیقلیافته برسد بدون اینکه سوال را فرموله کرده باشد، عدم قطعیت را تحمل کرده باشد، خطا را پیدا کرده باشد، تجدید نظر کرده باشد و تصمیم گرفته باشد چه چیزی مهم است. خروجی ممکن است بهتر به نظر برسد؛ مسیر ممکن است نازکتر باشد. سوال خودنظارتی: آیا من تفکر را گسترش میدهم یا از تلاش فرار میکنم – آیا سیستم چیزی برای ارزیابی ارائه میدهد، یا چارچوببندی را تأمین میکند؟ ممکن است فکر کنیم بیشتر از آنچه هست انجام میدهیم – «توهم دستاورد»، همانطور که من نامیدهام (برنر، ۲۰۲۶).
شواهد تجربی: آزمایش در مدارس و محیط کار
نزدیکترین چیز به یک آزمایش مستقیم، تیزتر از آن چیزی است که انتظار داشتم. در یک کارآزمایی تصادفی با حدود ۱۰۰۰ دانشآموز دبیرستانی (باستانی و همکاران، ۲۰۲۵)، یک دستیار GPT-4 بدون محدودیت، نمرات تمرین ریاضی را به شدت افزایش داد، سپس نمرات امتحان بعدی را پس از حذف، نسبت به گروه کنترل کاهش داد. نسخه دوم، که نکات آن پاسخها را دریغ میکرد، افزایش تمرین بیشتری ایجاد کرد و هیچ جریمهای پس از آن نداشت. همان مدل، نوع متفاوت کمک، اثر معکوس بر آنچه دانشآموز میتوانست به تنهایی انجام دهد. عمدتاً، ما هنوز نمیدانیم این سیستمها چگونه کار میکنند، اگرچه آنها را ساختهایم، یا چگونه از آنها به خوبی برای یادگیری استفاده کنیم.
تحقیقات با بزرگسالان همپوشانی دارد. در میان ۳۱۹ کارگر دانشی که از هوش مصنوعی مولد در کار استفاده میکردند (لی و همکاران، ۲۰۲۵)، اعتماد بالاتر به ابزار با تفکر انتقادی کمتر همراه بود؛ اعتماد بالاتر به خود، با تفکر انتقادی بیشتر. یک کارآزمایی و یک نظرسنجی چیز کمی را ثابت میکنند و چیزی در مورد آسیب یا آتروفی نشان نمیدهند. آنها به عملکرد و یادگیری اشاره میکنند که در جهتهای مخالف حرکت میکنند (یان و همکاران، ۲۰۲۵)، بدون اینکه مورد توجه قرار گیرند – همانطور که تحقیقات بحثبرانگیز دستنویسی در مقابل تایپ نشان میدهد (ون در ویل و ون در میر، ۲۰۲۴؛ پینه و لونگکمپ، ۲۰۲۵). چگونگی انجام کاری ممکن است برای آنچه یاد گرفته میشود و منتقل میشود مهم باشد، فراتر از شناخت تجسمیافته و در عین حال شامل آن.
هشدار پزشکی: از دست دادن مهارت یا هرگز نساختن آن
آموزش پزشکی واژگانی برای این دارد – ازدستدادن مهارت، بد-مهارتیابی، هرگز-مهارتیابی (عبدالنور و همکاران، ۲۰۲۵) – سومین مورد بیشترین اهمیت را دارد: از دست ندادن یک توانایی، بلکه هرگز ساختن آن. با خوانشهای نادرست هوش مصنوعی، دقت رادیولوژیستهای با پانزده سال تجربه از ۸۲٪ به ۴۵.۵٪ کاهش یافت (دراتش و همکاران، ۲۰۲۳)؛ تخصص هیچ محافظتی در برابر سوگیری خودکارسازی نیست.
تلاش و یادگیری: درد همیشه سود نیست
تحقیقات در مورد تلاش نیز به همان سمت اشاره میکند بدون اینکه چیزی را حل کند. شرایطی که پیشرفت قابل مشاهده را کند میکنند – فاصلهگذاری، تمرین بازیابی، دشواری که از طریق آن کار میشود نه دور آن – حفظ را بهبود میبخشند؛ عملکرد فعلی شاخص غیرقابل اعتمادی از یادگیری است (بیورک و بیورک، ۲۰۲۳). درد همیشه سود نیست: اصطکاک غیرضروری خسته و حذف میکند، و فردی با محدودیت شناختی پایدار ممکن است به حمایت مداوم نیاز داشته باشد، نه یک سخنرانی در مورد انجام همه چیز بدون کمک. سوال این نیست که آیا کمک مجاز است، بلکه این است که چه نوع کمکی، برای چه کسی، با چه هدفی.
قیاس اسکلت بیرونی رباتیک: مرزهای کمک
اسکلت بیرونی رباتیک یک مقایسه مفید و محدود است. رباتهای راهرفتن پس از سکته مغزی، درمان را تکمیل میکنند نه جایگزین (مهرهولتز و همکاران، ۲۰۲۵)؛ اگر ماشین بار را حمل کند، عضله قوی نمیشود. قیاس نه عضله واقعی است و نه شواهدی از آسیب. سه مورد استفاده که به راحتی اشتباه گرفته میشوند نیاز به تفکیک دارند: جبران، که به فرد اجازه میدهد با وجود محدودیت پایدار عمل کند؛ داربست، که مشارکت و اصلاح را حفظ میکند و میتواند محو شود؛ و جایگزینی، که در آن سیستم چارچوببندی یا قضاوت را آنقدر کامل تأمین میکند که انسان بیمهارت میشود. تقویت یک امکان چهارم است که در اینجا کمتر مرتبط است.
مغز وابسته به استفاده: «استفاده کن یا از دست بده»
مغز وابسته به استفاده است. همانطور که خط معروف علوم اعصاب از هب میگوید: «نورونهایی که با هم شلیک میکنند، با هم سیمکشی میکنند.» برعکس، «استفاده کن یا از دست بده» آن را به صورت عامیانهتر بیان میکند. سیستمهای در حال توسعه توسط آنچه برای انجام دادن داده میشوند و آنچه هرگز انجام نمیدهند شکل میگیرند.
جمعبندی: خودمدیریتی حیاتی است
اینجاست که خودمدیریتی حیاتی است، بهویژه از آنجا که سیستمهای پیشرو در نحوه تأثیرگذاری بر ما متفاوت هستند. یک سیستم مفید نباید ما را دوریجو یا بدبین کند؛ باید ما را نویسندگان توسعه خودمان نگه دارد، سهم خود را برای خودارزیابی قابل مشاهده کند، اصطکاک کافی برای فکر کردن ما باقی بگذارد، و نردههای محافظی ارائه دهد که ما را به سمت کار پرتلاش، رابطه، خلاقیت، ترمیم و عمل بازگرداند – تا مهارتهای ضروری را از دست ندهیم و شاید مهارتهای جدیدی توسعه دهیم.
منابع
- Abdulnour, R.-E. E., Gin, B., & Boscardin, C. K. (2025). Educational strategies for clinical supervision of artificial intelligence use. New England Journal of Medicine, 393(8), 786–797. https://doi.org/10.1056/NEJMra2503232
- Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., & Mariman, R. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. Proceedings of the National Academy of Sciences, 122(26), e2422633122. https://doi.org/10.1073/pnas.2422633122
- Bjork, E. L., & Bjork, R. A. (2023). Introducing desirable difficulties into practice and instruction: Obstacles and opportunities. In C. E. Overson, C. M. Hakala, L. L. Kordonowy, & V. A. Benassi (Eds.), In their own words: What scholars and teachers want you to know about why and how to apply the science of learning in your academic setting (pp. 19–30). Society for the Teaching of Psychology.
- Dratsch, T., Chen, X., Mehrizi, M. R., Kloeckner, R., Mähringer-Kunz, A., Püsken, M., Baeßler, B., Sauer, S., Maintz, D., & Pinto dos Santos, D. (2023). Automation bias in mammography: The impact of artificial intelligence BI-RADS suggestions on reader performance. Radiology, 307(4), e222176. https://doi.org/10.1148/radiol.222176
- Glickman, M., & Sharot, T. (2025). How human–AI feedback loops alter human perceptual, emotional and social judgements. Nature Human Behaviour, 9(2), 345–359. https://doi.org/10.1038/s41562-024-02077-2
- Lee, H.-P., Sarkar, A., Tankelevitch, L., Drosos, I., Rintel, S., Banks, R., & Wilson, N. (2025). The impact of generative AI on critical thinking: Self-reported reductions in cognitive effort and confidence effects from a survey of knowledge workers. Proceedings of the 2025 CHI Conference on Human Factors in Computing Systems, Article 1121, 1–22. https://doi.org/10.1145/3706598.3713778
- Mehrholz, J., Kugler, J., Pohl, M., & Elsner, B. (2025). Electromechanical-assisted training for walking after stroke. Cochrane Database of Systematic Reviews, Issue 5, Art. No. CD006185. https://doi.org/10.1002/14651858.CD006185.pub6
- Pinet, S., & Longcamp, M. (2025). Commentary: Handwriting but not typewriting leads to widespread brain connectivity: A high-density EEG study with implications for the classroom. Frontiers in Psychology, 15, 1517235. https://doi.org/10.3389/fpsyg.2024.1517235
- Van der Weel, F. R., & Van der Meer, A. L. H. (2024). Handwriting but not typewriting leads to widespread brain connectivity: A high-density EEG study with implications for the classroom. Frontiers in Psychology, 14, 1219945. https://doi.org/10.3389/fpsyg.2023.1219945
- Yan, L., Greiff, S., Lodge, J. M., & Gašević, D. (2025). Distinguishing performance gains from learning when using generative AI. Nature Reviews Psychology, 4, 435–436. https://doi.org/10.1038/s44159-025-00467-5
