داخلی
»مقاله های روز
لیزنا: دکتر جعفر مهراد، استاد پیشکسوت دانشگاه شیراز و چهره ماندگار علمی کشور: آموزش، موتور محرک توسعه پایدار و مدیریت سرمایه های فکری کشور است (۱). دانشگاهها و مراکز پژوهشی که برای شکوفایی مهارت های اطلاعاتی، تحلیلی و فناوری محور متخصصان خود سرمایه گذاری می کنند، در بهینه سازی جریان دانش، کارآفرینی اطلاعاتی و ارتقای دیپلماسی علمی گام های بلند و پایدار بر می دارند. به همین دلیل، سیاست گذاری های آموزشی در این حوزه همیشه گره کوری با توان رقابتی کشورها و حفظ حاکمیت اطلاعاتی (۲) آن ها در بلندمدت داشته است.
با این حال، قلمرو علم اطلاعات و دانش شناسی در ایران امروز با چالش بازتعریف هویت دست و پنجه نرم میکند. هوش مصنوعی مولد (۳) و مدلهای زبانی بزرگ (۴) تمام معیارهای نحوه تولید، سازماندهی، بازیابی و اشاعه دانش را دگرگون ساخته؛ پدیدهای که یک سوال بنیادین را پیش روی دانشگاهها و نهاد های متولی سیاست گذار مانند کمیته برنامه ریزی علم اطلاعات و دانش شناسی می گذارد:
سیستم های آموزشی و برنامه های درسی رشته علم اطلاعات چگونه باید متخصصان آینده را برای مدیریت نظام های دانش هوش مصنوعیمحور آماده کنند؟
در ادامه تحلیلی کوتاه را در این زمینه با هم می خوانیم:
۱. فرسایش مهارت های تحلیلی پایه در برابر راحت طلبی اطلاعاتی:
بزرگ ترین تهدید هوش مصنوعی در این حوزه، تضعیف مهارت های شناختیِ پایه و روش های اصیل پژوهش است. در دو دهه گذشته، تغییر پارادایم از محیط های چاپی به دیجیتال، نگرانی های زیادی را بابت کاهش عمق مطالعه (۵)، ضعف در تحلیل متون و کاهش دقت در نمایه سازی دستی (۶) ایجاد کرده بود. اکنون، ابزارهای هوش مصنوعی یا به قول دکتر فریبرز خسروی "هوشواره ها" (۷) که در یک چشم به هم زدن پیشینه پژوهش مینویسند، داده ها را تحلیل میکنند یا مرور ادبیات آماده تحویل می دهند، می توانند این وضعیت را وخیم تر کنند. این ابزارها عملاً جایگزین آن تلاش فکری و روشمندی می شوند که برای یادگیری فرآیند های حیاتی نظیر ارزیابی انتقادی منابع، اعتبارسنجی اطلاعات (۸) و تحلیل های ساختاریافته محتوایی لازم است. مثالی می زنم: دانشجویی را تصور کنید که برای نگارش پروپوزال خود، به جای جستجوی روشمند در پایگاه های اطلاعاتی ایرانی (مانند پایگاه اطلاعات علمی جهاد دانشگاهی (SID) یا مگ ایران یا موسسه ISC) و تحلیل استنادی پیشینه ها، تدوین بخش پیشینه تحقیق را کاملاً به یک هوشواره می سپارد. نتیجه این امر، مواجهه با پدیده توهم هوش مصنوعی (۹)، ارجاعات جعلی به مقالات غیرموجود ایرانی، و در نهایت سقوط کیفیت پایان نامه ها و شیوع ناخواسته سرقت علمی مدرن (۱۰) خواهد بود.
۲. پتانسیل تحول آفرین در سازماندهی و بازیابی هوشمند دانش:
اما روی دیگر سکه این است که همین فناوری، در صورت بومی سازی و ادغام هوشمندانه، می تواند کارآمدی نظام های اطلاعاتی را به اوج برساند. هوش مصنوعی می تواند به شخصی سازی نظام های بازیابی اطلاعات و توسعه هستی شناسی های پویا کمک کند. هوشواره ها قادرند رفتار اطلاعاتی کاربر ایرانی را تحلیل کرده و منابع را نه فقط بر اساس کلید واژهها، بلکه بر پایه معنا شناسی و متناسب با سطح تخصص کاربر بازیابی کنند. در این پارادایم جدید، جایگاه کارشناسان اطلاعات و کتابداران متزلزل نمیشود، بلکه نقش آن ها از اپراتورهای جستجو و فهرست نویسان سنتی به مهندسان دانش (۱۱) و مشاوران سواد هوش مصنوعی ارتقا می یابد. هوش مصنوعی با خودکارسازی فرآیندهای تکراری مانند فهرست نویسی اولیه، تولید داده های ساختاریافته و قالب بندی استناد ها، بار سنگین کارهای مکانیکی را از دوش متخصصان بر می دارد و این یعنی حذف بوروکراسی اطلاعاتی. در این حالت است که متخصص اطلاعات با تمرکز بر اصل جنس وقت خود را صرف معماری کلان دانش، فراتحلیل های علم سنجی برای اسناد بالادستی کشور، و حل چالش های پیچیده دسترسی اطلاعاتی می کند. به مثال دیگری توجه کنید: در یک کتابخانه دانشگاهی یا در سازمان اسناد و کتابخانه ملی ایران، هوش مصنوعی می تواند با اسکن و تحلیل خودکار نسخه های خطی یا اسناد قدیمی، کار نمایه سازی موضوعی و استخراج مفاهیم کلیدی را در چند ثانیه انجام دهد؛ کاری که پیش از این نیازمند ماه ها تلاش کارشناسی بود. در این حالت، متخصص اطلاعات به عنوان "ناظر کیفی و کالیبره کننده الگوریتم" عمل می کند تا سوگیری های فرهنگی یا خطا های زبانی هوش مصنوعی را اصلاح کند.
۳. ابهام ساختاری و ضرورت تکثرگرایی در سرفصل های آموزشی ایران:
هرچند هوش مصنوعی افق های جدیدی باز کرده، اما هنوز در ایران هیچ الگوی قطعی و آزمایش شده ای برای نحوه تدریس و بکارگیری این فناوری در گروه های علم اطلاعات و دانش شناسی وجود ندارد. سرعت تحول فناوری بسیار فراتر از سرعت به روزرسانی سرفصل های مصوب شورای عالی برنامه ریزی آموزشی است. در مواجهه با این دشواری، بزرگ ترین خطای استراتژیک نهادهای متولی، پناه بردن به رویکردهای متمرکز و قفل کردن دانشگاه ها در یک پلتفرم یا ساختار صلب (۱۲) است. تنوع رویکردها و ایجاد فضای رقابتی میان دانشگاه های پیشرو (نظیر دانشگاه تهران، دانشگاه فردوسی مشهد، دانشگاه شیراز و...) فرآیند کشف بهترین مدل های آموزشی را سرعت می بخشد. یادگیری عمیق در این رشته همواره نیازمند عرق ریختن ذهنی (۱۳)است. فهم فرمول های پیچیده علم سنجی، درک عمیق استانداردهای ذخیره و بازیابی (مثل مارک ۲۱)، و تحلیل فلسفی رفتارهای اطلاعاتی جامعه، با هوشواره ها به دست نمی آید. دانشگاه ها باید کشف کنند که کجای فرآیند آموزشی باید از هوش مصنوعی به عنوان دستیار استفاده کرده و کجا باید دانشجو را با چالشهای تحلیلی تنها بگذارند.
جدول مقایسه رویکرد سنتی و نوین در آموزش علم اطلاعات و دانششناسی:
|
شاخص |
رویکرد سنتی / متمرکز |
رویکرد نوین هوش مصنوعیمحور (رقابتی) |
|
محور آموزش |
مهارت های مکانیکی (فهرست نویسی، جستجوی ساده) |
مهارتهای استراتژیک (مهندسی پرامپت، تفکر انتقادی اطلاعاتی) |
|
نوع بازیابی |
بازیابی کلید واژهای و نمایه سازی صلب نظاممند |
بازیابی معنایی و استفاده از مدل های زبانی بومی سازیشده |
|
نقش استاد/متخصص |
انتقال دهنده منابع و بررسی کننده اصالت صوری |
منتور فرآیند تحلیل، ارزیاب اعتبار داده ها و اخلاق اطلاعاتی |
|
سیاستگذاری |
بخشنامه های کلان یکپارچه و پلتفرمهای ملی دولتی |
ایجاد آزمایشگاه های مستقل تحلیلی و رقابت دانشگاهی در نوآور |
افق پیش رو:
کشورهایی در توسعه سرمایه انسانی خود موفق خواهند بود که دست گروه های آموزشی خود را برای آزمایش، خطا و تدوین برنامههای درسی چابک باز بگذارند. آینده مدیریت دانش در ایران به این بستگی دارد که هوش مصنوعی را نه یک تهدید برای حذف رشته، بلکه به عنوان کاتالیزوری برای جهش از کتابداری مرسوم به مهندسی پیشرفته دانش بپذیریم.
منابع:
۱. غفاری، هادی، یونسی، علی، و رفیعی، مجتبی. تحلیل نقش سرمایه گذاری در آموزش جهت تحقق توسعه پایدار؛ با تاکید ویژه بر آموزش محیط زیست. فصلنامه آموزش محیط زیست و توسعه پایدار. سال پنجم، شماره اول، پاییز ۱۳۹۵. ص. ۷۹-۹۸.
۲. Information Sovereignty
۳. Generative AI
۴. Large Language Models
۵. ناصری، زهرا، و نوروزی، علیرضا. تاثیر محیط دیجیتال بر عادت و روش های خواندن جوانان. تحقیقات اطلاع رسانی و کتابخانه های عمومی. دوره ۲۲، شماره ۲، تابستان ۱۳۹۵. ص. ۲۱۴-۲۲۷.
۶. نیاکان، شهرزاد. بررسی کاربرد نمایه سازی ماشینی در کتابخانه ها. فصلنامه اطلاع رسانی، دوره ۱۷، شماره ۳ و ۴.
۷. خسروی، فریبرز. طامات بافی هوشواره ها: سوگیری و تفاهم. خبرگزاری لیزنا، دوشنبه ۲۵ خرداد ۱۴۰۵.
۸. Fact-checking
۹. AI Hallucination
۱۰. AI-generated Plagiarism
۱۱. Knowledge Engineers
۱۲. در مدیریت، ساختار صلب، به نهادی گفته می شود که دارای قوانین زیاد، اختیارات متمرکز و سلسله مراتبی است. در این ساختار انعطاف پذیری کم است.
۱۳. عرق ریختن ذهنی، در فارسی یک اصطلاح رایج و استعاری است، یعنی فشار و زحمت و تلاش و درگیری شدید ذهنی برای فکر کردن و حل مساله یا انجام یک کار دشوار. مثلا وقتی می گوییم: برای نوشتن این مقاله خیلی عرق ریختم، منظور فقط زحمت جسمی نیست بلکه تلاش فکری است. بهترین معادل این مفهوم در زبان انگلیسی، آن هم در مبحث علم اطلاعات Cognitive Efforts است.
ولی دانشگاه های پیشرو را خوب اومدی
سه دانشگاهی که نام بردی شاید در زمان فعالیت حضرتعالی و برخی بزرگان مطرح بودند ولی در حال حاضر حداقل وضعیت علم سنجی و همین طور تولید علم و نشر اطلاعات در رشته خودمان گواهی می دهد که در چندسال اخیر نتوانسته اند حرف جدی داشته باشند شاید من اشتباه می کنم ولی مشتاقم شما یک پژوهش، مقاله یا رساله جدی از این دانشگاه هایی که نام بردین در سال اخیر را نام ببرین که تونسته حرف نو حداقل در سطح داخلی و ملی بزند تا ما هم استفاده کنیم