ترمیم شکاف دانش و مهارت هوش مصنوعی،گامی به سوی سواد هوش مصنوعی

لیزنا؛ مازیار امیرحسینی، عضو هیات علمی سازمان تحقیقات، آموزش و ترویج کشاورزی وزارت جهاد کشاورزی: دو هفته پیش از کمیته های انجمن نوشتیم و از برنامه کمیته مطالعات صنفی. در نشست کمیته ها، با همکاران گرامی سایر کمیته‌ها که صحبت کردیم،‌ گفتند که نشست توجیهی بگذارید و نظرخواهی کنید که تا کنگره نهم راهی نیست. کمیته مطالعات صنفی به زودی نشست توجیهی خود را خواهد گذاشت و این یادداشت که بیشتر باید گفت مقاله،  پیش درآمد آن نشست است. ما برای موضوع امسال کمیته در کنگره نهم،  به شکاف مهارتی و دانشی و برخورد عملیاتی با سواد  هوش مصنوعی رسیدیم. به قول دکتر امیرحسینی بیائیم با ابزار خودش به مصافش برویم. بیائیم با ابزار هوش مصنوعی، هوش مصنوعی را شناسایی کنیم و به عنوان یک ابزار به کارش بگیریم تا این شکاف مهارتی کنترل شود. اینکه چه مقدماتی لازم است، ‌و چه آموزشهایی و چه نوع ارتباطهایی برای رفتن به سمت شناسایی این شکاف و پر کردن آن نیاز داریم، موضوع کار کمیته و در همکاری با سایر کمیته ها و هم هاعضای انجمن و همه حرفه‌مندان خواهد بود. مقاله را بخوانید و در نشست کمیته مطالعات صنفی شرکت کنید. شاید شما هم بخواهید به کمیته بپیوندید و دستی به کمک پیش بیاورید.

به قول ما کرمانیها قربون دست بسیار چه در خوردن چه در کار. البته این بار وقت کار است، بعدش وقت خوردن هم خواهد رسید. ترجیح کمیته نشست حضوری است. منتظر دیدارتان هستیم.

سردبیر

 **********

ترمیم شکاف دانش و مهارت هوش مصنوعی گامی به سوی سواد هوش مصنوعی

مازیار امیرحسینی

پرداختن به مقوله شکاف دانش و مهارت در فناوری به "فرضیه شکاف دانش[1]" باز می گردد (1). این فرضیه بیان می‌کند که گروه‌هایی با وضعیت اقتصادی-اجتماعی بالاتر، اطلاعات را سریع‌تر از گروه‌های پایین‌تر کسب می‌کنند. پژوهش پیرامون شکاف‌های دانش و مهارت در زمینه هوش مصنوعی از زمان پیدایش فناوری‌های هوشمند در نیمه اول قرن بیستم به‌طور قابل توجهی مورد توجه قرار گرفت. در ابتدا، تحقیقات بیشتر بر روی شکاف‌های دیجیتال-دسترسی به کامپیوتر و اینترنت-تمرکز داشت، اما با پیشرفت فناوری‌های هوش مصنوعی، توجه به تفاوت‌های دانشی و مهارتی در شناخت و استفاده از هوش مصنوعی معطوف شد (2). در این میان، تحقیقات اولیه در حوزه شکاف های پیش گفته عمدتاً بر روی قابلیت‌های فنی نظام های هوشمند متمرکز بود (3). لیکن، توسعه و نفوذ هوش مصنوعی در عرصه های گوناگون در اواخر قرن بیستم و اوایل قرن بیست و یکم، محققان را بر آن داشت که پیامدهای آن را برای مهارت‌ها و دانش نیروی انسانی مورد مطالعه قراردهند. در آغار سال 2000 تاکنون، کنگاش های علمی به سمت تحلیل تأثیرات اجتماعی و اقتصادی هوش مصنوعی و نابرابری‌ها در این خصوص تمرکز یافته است. این نابرابری ها، منجر به ایجاد «الیگارشی هوش مصنوعی» شده است که در آن مزایا و قابلیت‌ها در چند کشور و شرکت محدود متمرکز می‌شود (4). در حال حاضر، اهمیت روز افزون آموزش برای کاهش اینگونه از شکاف‌ها مورد تأکید قرار گرفته است (5). یافته های پژوهشی در سال های اخیر بر اهمیت و فوریت پرداختن به این شکاف‌ها برای حصول اطمینان از دسترسی عادلانه به مزایای هوش مصنوعی و آماده‌سازی نیروی انسانی برای تحقق اقتصاد مبتنی بر هوش مصنوعی تمرکز داشته اند (6).

تعاریف شکاف دانش و شکاف مهارت

تفاوت در اطلاعات، آگاهی و درک افراد یا گروه‌های مختلف در زمینه آشنایی با هوش مصنوعی به شکاف دانش (Knowledge gap) تعبیر می شود که معمولاً تحت تأثیر وضعیت اجتماعی-اقتصادی، سطح تحصیلات و دسترسی به اطلاعات قرار می‌گیرد (2). این شکاف می‌تواند به صورت تفاوت در آشنایی و شناخت از فناوری‌های هوش مصنوعی، کاربردها و پیامدهای آن‌ها بروز کند (7)  و بر توانایی افراد یا سازمان‌ها برای تعامل مؤثر با سیستم‌های هوش مصنوعی تأثیر گذارد. در مقابل، شکاف مهارتی (Skill gap) به تفاوت بین مهارت‌های کارکنان و شایستگی‌های فنی مورد نیاز برای انجام مؤثر وظایف شغلی با استفاده از هوش مصنوعی تمرکز دارد. این شکاف معمولاً نیاز به احراز صلاحیت‌های جدید در تحلیل داده‌ها، مهارت های کاربرد هوش مصنوعی (8)، توانایی مدیریت سیستم‌های هوش مصنوعی، توسعه مهارت‌های مکمل مانند حل مسئله و در نظر گرفتن اخلاق هوش مصنوعی دارد (9). این شکاف‌ها پویا، متحول و چندوجهی هستند و نه تنها دانش فنی بلکه نگرش‌ها و دسترسی به زیرساخت‌های هوش مصنوعی را شامل می‌شوند که به طور کلی بر مشارکت در اقتصاد مبتنی بر هوش مصنوعی تاثیر می گذارند (10).

وضعیت شکاف مهارتی و دانشی در ایران و جهان

در یک مطالعه جامع که توسط مجمع جهانی اقتصاد در سال 2020  صورت گرفت (11)، یافته ها نشان داد که تقریباً ۸۵ میلیون شغل ممکن است به دلیل شکاف های دانشی و مهارتی در حوزه شناخت و کاربری هوش مصنوعی تا سال ۲۰۲۵ از بین برود. در مقابل، یافته های آینده پژوهشی، پیش بینی می کنند که ۹۷ میلیون فرصت شغلی جدید از طریق تقسیم کار بین انسان‌ها و ماشین به ویژه ‌ها در عبور از موانع شکاف های شغلی و مهارتی پدید می آید. نتایج نظر سنجی ها به ویژه در کشورهای اروپایی نشان می دهد که ۵۴ درصد از کارکنان و کارگران از آمادگی برای تغییرات ناشی از توسعه نظام های هوشمند برخوردار نیستند (12). شرکت چند ملیتی مشاروه مدیریت مک کینزی نشان داد که ۸۷ درصد از شرکت‌ها، شکاف‌های مهارتی در نیروی کار خود را در کاربری فناوری‌های هوشمند گزارش کرده‌اند (13).   

ایران با سرمایه‌گذاری دولتی حدود ۱۱۵ میلیون دلار در زمینه تحقیق و توسعه هوش مصنوعی در تلاش است که به یک کشور پیشرو در منطقه‌ در حوزه هوش مصنوعی تبدیل شود (14). لیکن، این کشور با چالش‌های رایج کشورهای در حال توسعه مانند محدودیت‌های زیرساخت دیجیتال و کمبود نیروی کار ماهر در حوزه هوش مصنوعی مواجه است که منجر به شکاف‌های دانش و مهارتی پایدار می‌شود. زیست‌بوم هوش مصنوعی در ایران هنوز در مراحل ابتدایی خود قرار دارد و شکاف‌های نهادی و عملکردی مانع توسعه آن شده‌اند. تحقیقات نشان می‌دهند که سطح آگاهی از هوش مصنوعی در میان متخصصان پایین است و برنامه‌های آموزش ساختاریافته هوش مصنوعی ناکافی هستند (15). علاوه براین، مفاهیم و تاثیرات شکاف های مهارت و دانش، به‌طور جامع مورد تحقیق قرار نگرفته است. یافته های پژوهشی مبین این مطلب است که ۷۰ درصد از کارگران ایرانی در بخش‌های فناوری احساس می‌کنند که مهارت‌های لازم را برای انجام کار مؤثر با ابزارهای هوش مصنوعی ندارند (16). پیرامون مرتفع ساختن شکاف دانشی دانشجویان در حوزه آموزش عالی در کشور اقداماتی صورت گرفته است. به عنوان مثال، دوره های آموزشی برای توانمند سازی اعضاء هیات علمی و بازنگری برنامه های درسی دانشگاه ها به ویژه در حوزه رشته علم اطلاعات و دانش شناسی در همسویی با فناوری های نوین مبتنی بر هوش مصنوعی تحقق یافته است (17).

سواد هوش مصنوعی

شکاف‌های دانش و مهارت در حضور هوش مصنوعی، موانع و  چالش‌های مهمی هستند که نیاز به پژوهش در این عرصه ها را اجتناب ناپذیر می سازد. اینگونه چالش ها و موانع، عامل نابرابری های اجتماعی-اقتصادی و عدم مشارکت عادلانه در اقتصاد ملی و جهانی مبتنی بر هوش مصنوعی می شود. تعاریف ارائه شده در این بحث، نکات ظریف در شناسایی شباهت ها و تفادت میان شکاف های دانشی و مهارتی را نمایان می سازد. آمارهای ارائه شده، نشان دهنده ضریب تاثیر اینگونه از شکاف ها در توسعه و کاربری فناوری های هوش مصنوعی در حوزه های مختلف علمی و مشاغل گوناگون است. این تاثیر به گونه ای است که ملاک سواد در قرن بیست و یکم، آگاهی از امکانات هوش مصنوعی و تبحر در کاربرد آن در نظر گرفته می شود. شناخت هوش مصنوعی و دانش کاربرد آن در عصر حاضر به عنوان سواد هوش مصنوعی (Artificial intelligence literacy) تبیین می شود، یعنی، توانایی درک، استفاده، نظارت و تأمل انتقادی در مورد کاربردهای هوش مصنوعی. این بدان معنا نیست که می بایست همگان به یک متخصص هوش مصنوعی تبدیل شوند، بلکه تجهیز افراد به دانش و مهارت‌های لازم برای تعامل مسئولانه و مؤثر با هوش مصنوعی است.

سواد هوش مصنوعی را می توان در دو فرایند خلاصه کرد، سواد نظری که افراد را با دانش پایه‌ای برای درک مفاهیم هوش مصنوعی، تجهیز می‌کند و سواد عملی که بر توسعه مهارت ها و شایستگی کاربرد هوش مصنوعی در عمل تاکید دارد. این دو سطح از سواد، علاوه بر توانمند سازی نیروی انسانی از دیدگاه کیفیت دانش، آنها را برای بازار کار در یک اقتصاد مبتنی بر هوش مصنوعی آماده می کند. سواد نظری و عملی هوش مصنوعی به عنوان دو مؤلفه کلیدی برای کاهش شکاف‌های دانش و مهارت در عصر هوش مصنوعی در نظر گرفته می شوند.  ترکیب این دو رویکرد، از طریق آموزش‌های مبتنی بر تجربه و توسعه مهارت‌های انتقادی، به افراد و سازمان‌ها کمک می‌کند تا به سرعت با تغییرات فناوری همگام شوند و از فرصت‌های هوش مصنوعی بهره‌مند شوند. عدم ترمیم این شکاف ها می‌تواند به نابرابری‌های گسترده‌تر در بازار کار و جامعه منجر شود. بنابراین، مجامع ملی، سیاست‌گذاران، آموزش‌دهندگان و صنایع باید سرمایه‌گذاری مستمر در توسعه سواد هوش مصنوعی در نظر و عمل را در اولویت قرار دهند تا منابع انسانی توانمند و آماده برای تعامل موثر با هوش مصنوعی شکل گیرند.

 به این ترتیب، توسعه سواد هوش مصنوعی برای اساتید، دانشجویان و کارکنان در مشاغل گوناگون به عنوان یک ضرورت در نظر گرفته می شود. در این میانه، مسئولیت متخصصان و کارکنان در حوزه علم اطلاعات و دانش شناسی با عنایت به ماهیت حوزه تخصصی آنها در گردآوری، سازماندهی و اشاعه دانش در همسویی با تحولات هوش مصنوعی دو چندان است. یکی از برنامه های کمیته مطالعات صنفی انجمن کتابداری و اطلاع رسانی ایران در کنگره هشتم (1403)،  تبیین نگاه کلان و رویکردی به هوش مصنوعی در مطالعات صنفی بوده است. در این کنگره، مباحث بنیادین در تاثیر هوش مصنوعی بر مشاغل حوزه علم اطلاعات و دانش شناسی مورد بحث و بررسی قرارگرفت  (18 و 19). امید است که این حرکت صنفی در سال جاری با تکیه بر تبیین شکاف های دانشی و مهارتی در راستای توسعه سواد هوش مصنوعی دانشجویان و شاغلین این حوزه، گامی موثر به منظور چیره شدن بر این موانع بر دارد.

به یاد داشته باشیم که آموزش های رسمی، همواره یک گام از تحولات جهانی عقب تر هستند. در نتیجه، خودآموزی، بازآموزی و یادگیری مدوام با تکیه بر زمینه های انگیزشی شخصی در توانمندسازی مهارت و دانش به ویژه در تصاحب فرصت های شغلی، یک رکن اساسی در مقوله سواد هوش مصنوعی در نظر گرفته می شود.     

امیرحسینی، مازیار (۱۴۰۴). «ترمیم شکاف دانش و مهارت هوش مصنوعی گامی به سوی سواد هوش مصنوعی: به کمیته مطالعات صنفی انجمن بپیوندید». سخن هفته لیزنا، شماره ۷۴3، ۲9 اردیبهشت ماه ۱۴۰۴.

فهرست منابع

• Tichenor, P., Donohue, G., & Olien, C. (1970) Mass Media Flow and Differential Growth in Knowledge. Public Opinion Quarterly, 34(2), 159-170.
• Lee, J., et al. (2024) 'Bridging the Knowledge Gap in Artificial Intelligence', Science Advances, [online] Available at: https://journals.sagepub.com/doi/abs/10.1177/10755470241232352 (Accessed: May 2025).
• McCarthy, J. (1956). Proposal for the Dartmouth Summer Research Project on Artificial Intelligence.
• IEEE Technology and Society (2025) ‘The Hidden Multiplier: Unraveling the True Cost of the Global AI Skills Gap’, IEEE Technology and Society, 28 February. Available at: https://technologyandsociety.org/the-hidden-multiplier-unraveling-the-true-cost-of-the-global-ai-skills-gap/ (Accessed: May 2025).
• Chui, M., Manyika, J., & Miremadi, M. (2016). Where machines could replace humans—and where they can’t (yet). McKinsey Quarterly.
• Bessen, J. (2019). AI and Jobs: The Role of Demand. Boston University School of Law.
• Hwang, J., Kim, S., & Lee, J. (2020). Understanding the Knowledge Gap in AI Adoption: A Review of the Literature. Journal of Business Research, 119, 98-106.
• Brynjolfsson, E., & McAfee, A. (2014). The Second Machine Age: Work, Progress, and Prosperity in a Time of Brilliant Technologies. W. W. Norton & Company.
• Carioli, P., Czarnitzki, D. and Fernández, G.P. (2024) 'Evidence on the adoption of Artificial Intelligence: The role of skills shortage', ZEW Discussion Papers, No. 24-013. Available at: https://hdl.handle.net/10419/289448 (Accessed: May 2025).
• IEEE Technology and Society (2025) ‘The Hidden Multiplier: Unraveling the True Cost of the Global AI Skills Gap’, IEEE Technology and Society, 28 February. Available at: https://technologyandsociety.org/the-hidden-multiplier-unraveling-the-true-cost-of-the-global-ai-skills-gap/ (Accessed: May 2025).
• World Economic Forum. (2020). The Future of Jobs Report 2020. Geneva: World Economic Forum.
• European Commission. (2021). The Future of Jobs: Employment and Social Developments in Europe. Brussels: European Union.
• McKinsey & Company. (2021). The Future of Work After COVID-19.
• Boltuc, Silvia (2025) ‘Silicon Persia: Iran’s AI Aspirations and Challenges’, 24 March. Available at: https://www.specialeurasia.com/2025/03/24/iran-ai-silicon-persia/ (Accessed: May 2025).
• Kanani, F., Rasoulian, P., Hafezi, R., & Ahangari, S.S. (2023). Analysis of the Artificial Intelligence Ecosystem in Iran and Identifying Institutional and Functional Gaps. Journal of Science and Technology Policy.
• Rahimi, S., Zare, M., & Ghorbani, M. (2022). Assessing the Impact of AI on Employment in Iran: A Sectoral Analysis. Iranian Journal of Economic Studies, 11(2), 45-67.
• حسن زاده (1404) گزارش عملکرد کمیته برنامه‌ریزی و گسترش علم‌اطلاعات و دانش‌شناسی در ۱۴۰۳: اتمام بازنگری سرفصل‌های دروس علم‌اطلاعات از کارشناسی تا دکتری. لیزنا، 15 فروردين 1404.
• عمرانی، ابراهیم (1403) گزارش برگزاری پیش‌نشست “هوش مصنوعی و مشاغل حوزه علوم اطلاعات: یک بارش فکری. کنگره سالانه متخصصان علوم اطلاعات (هشتمین: تهران)، کمیته مطالعات صنفی، 21 مرداد 1403.
• عمرانی، ابراهیم (1403) هوش مصنوعی و مطالعات صنفی: نگاه کلان ، نگاه رویکردی. کنگره سالانه متخصصان علوم اطلاعات (هشتمین: تهران)، کمیته مطالعات صنفی، 17 مهر 1403.

[1] Knowledge Gap Hypothesis