تأثیرات مثبت و منفی هوش مصنوعی بر تولید و کیفیت مقالات علمی

به گزارش تحلیل ایران به نقل از مهر در سه سال گذشته، هوش مصنوعی مولد به‌ویژه در قالب مدل‌های زبانی بزرگ، نه‌تنها شیوه‌های نوشتن انسانی را دگرگون کرده، بلکه منطق تولید متن در بخش علمی را نیز به شکل بنیادین تحت فشار قرار داده است. این فناوری با کاهش چشمگیر هزینه زمانی و مهارتی تولید متن، مرز میان نگارش علمی و تولید انبوه متن را تضعیف نموده و الگوی جدیدی از فرایند تولید مقالات تخصصی را پدید آورده است. آن چه در ابتدا به‌عنوان ابزار کمکی برای تسهیل نگارش علمی و به‌ویژه رفع موانع زبانی پژوهشگران غیرانگلیسی‌زبان معرفی می‌شد، امروز به پدیده‌ای ساختاری بدل شده که پیامدهای آن فراتر از بهبود سبک نگارش است.

در این چارچوب، پدیده تولید متون علمی کم‌کیفیت مبتنی بر هوش مصنوعی به وضعیتی اشاره دارد که در آن، حجم عظیمی از متون شبه‌علمی با حداقل مداخله انسانی و بدون عبور از فرایندهای کلاسیک تأمل، بازبینی و خودانتقادی علمی تولید می‌شود. این متون غالباً از نظر ظاهری واجد تمامی مؤلفه‌های آکادمیک، از جمله زبان پیچیده، ساختار صوری منظم، واژگان تخصصی و ارجاع‌سازی متعارف هستند. با این حال، در سطح محتوایی، اغلب نوآوری نظری، مسئله اصیل یا پیشرفت معنادار در دانش موجود ندارند.

پرسش محوری در این وضعیت آن است که آیا گسترش استفاده از این ابزارها به ارتقای کیفیت علم منجر شده یا صرفاً شتاب تولید متون ظاهراً علمی را افزایش داده است. به بیان دقیق‌تر، آیا با پدیده‌ای ناظر بر «دموکراتیزه شدن دانش» مواجه هستیم یا با «تورم زبانی» که ارزش نشانه‌های کلاسیک کیفیت علمی را مستهلک می‌کند. پاسخ این پرسش، بنا بر شواهد تجربی پژوهش‌های جدید، چندان خوش‌بینانه نیست و نشان می‌دهد که دست‌کم در وضعیت کنونی، کفه ترازو به سود افزایش کمّی تولید متن و نه تعمیق محتوای علمی سنگینی می‌کند.

یافته‌های پژوهش جدید درباره نوشتار علمی

مطالعه‌ای که به‌تازگی توسط پژوهشگران دانشگاه‌های برکلی کالیفرنیا و کرنل صورت گرفته و در مجله «Science» منتشر شده، با تحلیل بیش از یک میلیون چکیده مقاله پیش از چاپ، میان سال‌های ۲۰۱۸ تا ۲۰۲۴، کوشیده است تأثیر واقعی استفاده از هوش مصنوعی بر تولید علمی را ارزیابی کند. در این پژوهش، تعداد مقالات هر نویسنده به‌عنوان شاخص بهره‌وری و پذیرش نهایی مقاله در نشریات علمی به‌عنوان شاخص کیفیت در نظر گرفته شده است.

نتایج نشان می‌دهد که با آغاز استفاده نویسندگان از ابزارهای هوش مصنوعی، بهره‌وری آن‌ها به شکل چشمگیری افزایش یافته است. بسته به بستر نشر، تعداد مقالات منتشرشده ماهانه پس از استفاده از هوش مصنوعی بین ۳۶ تا نزدیک به ۶۰ درصد رشد داشته است. این افزایش برای پژوهشگران غیرانگلیسی‌زبان، به‌ویژه نویسندگان آسیایی، بسیار چشمگیرتر بوده و در برخی موارد به حدود ۹۰ درصد نیز می‌رسد.

این داده‌ها نشان می‌دهد که هوش مصنوعی، برای بسیاری از پژوهشگران غیرانگلیسی‌زبان، ابزاری برای رفع موانع زبانی و بهبود نگارش انگلیسی بوده است؛ کارکردی که به‌خودی‌خود می‌تواند عادلانه‌تر شدن دسترسی به نشر علمی را تقویت کند.

پیچیدگی زبانی و وارونگی معیار کیفیت

با این حال، بررسی کیفیت مقالات تصویر نگران‌کننده‌ای از حوزه پژوهش علمی ارائه می‌دهد. مقالاتی که با کمک هوش مصنوعی نوشته شده‌اند، به صورت متوسط از زبان پیچیده‌تری برخوردارند. در مقالات بدون استفاده از هوش مصنوعی، پیچیدگی زبانی بیشتر معمولاً با احتمال بالاتر پذیرش و انتشار همبستگی دارد؛ امری که نشان می‌دهد داوران علمی، زبان دقیق و پیچیده را نشانه‌ای از عمق و کیفیت علمی تلقی می‌کنند.

اما در مورد مقالاتی که با پشتیبانی هوش مصنوعی نگارش شده‌اند، این رابطه معکوس می‌شود؛ به عبارت دیگر، هرچه زبان پیچیده‌تر باشد، احتمال پذیرش مقاله کاهش می‌یابد. این وارونگی معنادار حاکی از آن است که پیچیدگی زبانی مبتنی بر هوش مصنوعی، در بسیاری موارد نه بازتاب عمق علمی، بلکه پوششی برای ضعف‌های روش‌شناختی و محتوایی پژوهش بوده است.

به بیان دیگر، آنچه پیش‌تر نشانه کیفیت تلقی می‌شد، اکنون می‌تواند ابزار استتار «ابتذال علمی» باشد؛ متونی که آراسته به واژگان فنی و ساختارهای پیچیده هستند، اما نوآوری، استدلال محکم یا روش علمی معتبر ندارند.

هوش مصنوعی و تنوع منابع علمی

پژوهش یادشده همچنین به تأثیر هوش مصنوعی بر الگوی دسترسی پژوهشگران به منابع علمی پرداخته و نشان می‌دهد که این فناوری صرفاً ابزار تولید متن نیست، بلکه به‌تدریج در حال بازآرایی سازوکار توزیع و دیده‌شدن دانش علمی است. در این بخش، با مقایسه داده‌های مربوط به دانلود مقالات از طریق موتور جستجوی گوگل و موتور جستجوی بینگ مایکروسافت که از اوایل سال ۲۰۲۳ به قابلیت گفت‌وگوی هوشمند مبتنی بر هوش مصنوعی مجهز شده، مشخص شد کاربران بینگ به طیف متنوع‌تر و جدیدتری از مقالات و نشریات علمی دسترسی یافته‌اند.

این تفاوت از آن جهت اهمیت دارد که موتورهای جستجو در عمل به دروازه‌بانان نامرئی دانش تبدیل شده‌اند و الگوی پیشنهاد آن‌ها می‌تواند به‌طور مستقیم بر آنچه خوانده، ارجاع داده و در نهایت بازتولید می‌شود اثر بگذارد. افزایش تنوع منابع در جستجوی مبتنی بر هوش مصنوعی نشان می‌دهد که این فناوری بالقوه قادر است تمرکز سنتی بر مجموعه‌ای محدود از مقالات پرارجاع و نشریات مسلط را تا حدی تضعیف کند و امکان دیده‌شدن پژوهش‌های جدیدتر یا کمتر شناخته‌شده را افزایش دهد.

این تنوع بیشتر احتمالاً ناشی از استفاده بینگ از روش «تولید تقویت‌شده با بازیابی» است؛ روشی که در آن، نتایج کلاسیک جستجو با فرایندهای تولید متن هوش مصنوعی ترکیب می‌شود و پاسخ نهایی نه صرفاً بر اساس محبوبیت یا تعداد ارجاعات، بلکه بر مبنای بازیابی فعال اطلاعات مرتبط شکل می‌گیرد. برخلاف نگرانی‌های اولیه مبنی بر آن که جستجوی مبتنی بر هوش مصنوعی به بازتولید منابع قدیمی و تثبیت‌شده محدود خواهد شد، شواهد این پژوهش نشان می‌دهد که چنین سامانه‌هایی می‌توانند دسترسی به ادبیات علمی متنوع‌تر و به‌روزتر را تسهیل کنند.

با این حال، این تحول واجد یک پیامد دوگانه است. چنین شرایطی از یک سو، می‌تواند به پویایی بیشتر گردش دانش و کاهش انحصار منابع منجر شود و از سوی دیگر، قدرت انتخاب و برجسته‌سازی منابع را بیش از پیش در اختیار الگوریتم‌ها قرار می‌دهد؛ امری که ضرورت شفافیت، نظارت و فهم انتقادی سازوکارهای جستجوی مبتنی بر هوش مصنوعی را در سپهر علم دوچندان می‌کند.

پیامدهای راهبردی برای داوری علمی

مهم‌ترین پیامد این تحولات برای علم، تضعیف اعتبار زبان به‌عنوان شاخص سریع و کم‌هزینه ارزیابی کیفیت علمی است. در سنت رایج داوری دانشگاهی، کیفیت نگارش، انسجام زبانی و پیچیدگی واژگانی اغلب به‌عنوان نشانه‌هایی ضمنی از دقت مفهومی، عمق نظری و بلوغ پژوهشی تلقی می‌شدند. این اتکا تا حد زیادی ناشی از آن بود که تولید زبان علمی دقیق و پیچیده مستلزم تسلط واقعی بر موضوع، صرف زمان قابل توجه و عبور از فرایندهای فکری پرهزینه است.

با گسترش هوش مصنوعی مولد، این پیوند تاریخی میان زبان و محتوا به صورت جدی مخدوش شده است. اکنون تولید متونی با ظاهر آکادمیک، ساختار منسجم و واژگان تخصصی، بدون برخورداری از فهم عمیق علمی یا مشارکت واقعی در پیشبرد دانش امکان‌پذیر شده است. در چنین شرایطی، اتکا به کیفیت نگارش برای غربال اولیه مقالات نه‌تنها غیرقابل اعتماد، بلکه بالقوه گمراه‌کننده محسوب می‌شود و می‌تواند به پذیرش متونی منجر گردد که ضعف‌های اساسی آن‌ها در سطح زبان پنهان مانده است.

در نتیجه، فرآیند داوری علمی ناگزیر است از ارزیابی‌های سطحی و زبان‌محور فاصله گرفته و به سمت بررسی‌های عمیق‌تر روش‌شناختی حرکت کند. از همین روی تمرکز بر منطق طراحی پژوهش، اعتبار داده‌ها، شفافیت روش‌های تحلیلی، قابلیت بازتولید نتایج و سهم واقعی مقاله در حل یک مسئله علمی مشخص، به مؤلفه‌های مرکزی داوری تبدیل می‌شوند. این جابه‌جایی معیارها، هرچند از منظر علمی ضروری است، اما هم‌زمان بار کاری داوران و سردبیران نشریات را به شکل چشمگیری افزایش می‌دهد.

این ضرورت در شرایطی مطرح می‌شود که نظام نشر علمی پیشاپیش با سیل فزاینده ارسال مقالات، کمبود داوران متخصص و فشار زمانی مزمن مواجه است و تضعیف اعتبار زبان به‌عنوان شاخص کیفیت، نه‌فقط یک چالش معرفتی، بلکه یک بحران نهادی برای سازوکار داوری علمی به شمار می‌آید که بدون بازاندیشی ساختاری در فرایند ارزیابی، قابل مدیریت نخواهد بود.

مبارزه با هوش مصنوعی از طریق هوش مصنوعی

در چنین وضعیتی، استفاده از ابزارهای داوری مبتنی بر هوش مصنوعی به‌عنوان یک راه‌حل محتمل و تا حدی اجتناب‌ناپذیر مطرح می‌شود. منطق این رویکرد آن است که همان فناوری که به افزایش کمّی و بعضاً افت کیفی متون علمی دامن زده، می‌تواند به‌صورت معکوس در خدمت پالایش و غربال‌گری این انباشت قرار گیرد. نمونه‌ای شاخص از این رویکرد، ابزارهای بازبینی مقاله محسوب می‌شود که اخیراً توسط دانشگاه استنفورد معرفی شده‌اند و هدف آن‌ها نه جایگزینی داور انسانی، بلکه تقویت ظرفیت تشخیصی فرآیند داوری است.

این ابزارها می‌توانند در مراحل اولیه ارزیابی، الگوهای زبانی کلیشه‌ای، ناهماهنگی‌های روش‌شناختی، ضعف در صورت‌بندی مسئله پژوهش، یا نشانه‌های فقدان انسجام میان داده‌ها و نتایج را شناسایی کنند. به این ترتیب، بار شناختی داوران انسانی کاهش یافته و تمرکز آن‌ها به‌جای پالایش ابتدایی متون، بر ارزیابی عمیق‌تر نوآوری علمی، اعتبار استنتاج‌ها و ارزش افزوده پژوهش معطوف می‌شود. با این حال، کاربست چنین ابزارهایی خود مستلزم احتیاط نهادی است تا فرآیند داوری بیش از پیش به یک سازوکار الگوریتمی غیرشفاف فروکاسته نشود.

در این معنا، استعاره «مبارزه با آتش از طریق آتش» صرفاً یک تمثیل فناورانه نیست، بلکه بیانگر یک ضرورت نهادی در عصر انباشت متون علمی است. حفظ استانداردهای علم دیگر از مسیر حذف یا طرد کامل هوش مصنوعی نمی‌گذرد، بلکه مستلزم بازتعریف معیارهای کیفیت، بازطراحی چندلایه فرآیند داوری و استقرار نوعی همزیستی انتقادی و کنترل‌شده با این فناوری است. آینده نشر علمی در گرو آن است که هوش مصنوعی نه به‌عنوان داور نهایی حقیقت، بلکه به‌مثابه ابزاری پشتیبان در خدمت عقلانیت علمی و قضاوت انسانی مهار و تنظیم شود.