دیدگاهی انتقادی درباره چالش‌های سواد هوش مصنوعی مولد

لیزنا؛ داریوش علیمحمدی، عضو هیات علمی دانشگاه فناوری اطلاعات تاشکند، ازبکستان:

مطلبی که می خوانید روایتی متفاوت از این مقاله به زبان انگلیسی در نوبت انتشار در یکی از ژورنال‌های آمریکایی است:

 مقدمه

هوش مصنوعی مولد (GAI) در میان همه مردم رایج‌تر می‌شود (گاروفالو و فارنگا، ۲۰۲۴). توجه متخصصان و عموم مردم به هوش مصنوعی مولد در مقایسه با قبل از نوامبر ۲۰۲۲ ده‌ها برابر شده است. من قصد ندارم مراحل متوالی تکامل هوش مصنوعی را بررسی کنم. این موضوع قبلاً مورد مطالعه قرار گرفته است (اسپکتور، ۲۰۰۶؛ لو، ۲۰۱۹؛ دلیپتروف و همکاران، ۲۰۲۰). تاریخچه ظهور هوش مصنوعی به آغاز دهه شصت میلادی برمی‌گردد (ریدیک، ۱۹۹۰). در طول شصت سال گذشته، هوش مصنوعی از یک حوزه ناشناخته، پیچیده، توسعه‌نیافته و پر از مسائل حل‌نشده به یک فناوری باز، قابل‌دسترس، تقریباً جهانی و به‌سرعت در حال توسعه تکامل یافته است. تکامل هوش مصنوعی در این دوره شصت‌ساله روند جالبی داشته است. در واقع، تکامل هوش مصنوعی به صورت تصاعدی رخ داده است و از نوامبر ۲۰۲۲ با یک پیشرفت باورنکردنی روبرو بوده‌ایم (سعیدنیا، ۲۰۲۳؛ لی و کوتس، ۲۰۲۴؛ یانگ، ۲۰۲۴). به نظر می‌رسد که سد فناوری هوش مصنوعی شکسته شده و تمام انرژی ذخیره‌شده در پشت آن آزاد شده است. درست مانند یک سیل یا جریان پرفشار، که اکنون بدون مانع است، هم سایر موانع فناوری را فرو می‌ریزد و هم از جهات دیگر آسیب می‌رساند. فناوری هوش مصنوعی به طرز باورنکردنی بر همه مشاغل تأثیر گذاشته است.

ما باید این واقعیت را درک کنیم و با آن کنار بیاییم. مقاومت در برابر توسعه علم و فناوری هرگز ثمربخش نبوده است (لامر و اکهارت، ۲۰۱۲). در این مقاله، استدلال خواهم کرد که مقاومت فردی و سازمانی در برابر یادگیری هوش مصنوعی خطرناک است و توسعه هوش مصنوعی الزاماتی را بر ما تحمیل می‌کند. این فناوری را می‌توان از دیدگاه‌های اقتصادی، آموزشی، فرهنگی و حتی سیاسی بررسی کرد، زیرا تأثیر و نفوذ عجیب فناوری هوش مصنوعی در این زمینه‌ها را به راحتی می‌توان یافت. بنابراین، به عنوان متخصصان اطلاعات، باید برای همراهی و استفاده مؤثر از هوش مصنوعی برنامه‌ریزی کنیم.

قصد ندارم در مورد پیامدهای اقتصادی و سیاسی هوش مصنوعی بحث کنم. آثار مرتبطی در این زمینه‌ها موجود است (آگراوال و همکاران، ۲۰۱۹؛ جورج، ۲۰۲۳؛ زکُس، ۲۰۲۲). حتی نمی‌خواهم از نظر جامعه‌شناسی در مورد تأثیر هوش مصنوعی بر تغییرات اجتماعی بحث کنم. این موضوع نیز توسط جامعه‌شناسان مورد مطالعه قرار گرفته است (جویس و همکاران، ۲۰۲۱؛ شوارتس، ۱۹۸۹؛ لیو، ۲۰۲۱). این زمینه‌ها از محدوده این مقاله انتقادی و تخصص نویسنده دور هستند. در این مقاله، فقط بر یادگیری هوش مصنوعی و به طور خاص بر چالش‌هایی که کتابداران برای قابل فهم‌تر کردن فناوری و ابزارهای هوش مصنوعی با آن مواجه هستند، تمرکز می‌کنم. در سال‌های اخیر، این مفهوم به عنوان سواد هوش مصنوعی تعریف و ابداع شده است.

عناصر سواد هوش مصنوعی مولد

سواد هوش مصنوعی مولد به زبان ساده، مجموع دانش و مهارت‌هایی است که به کاربران اجازه می‌دهد بهترین ابزار هوش مصنوعی را برای برآوردن نیازهای اطلاعاتی خود در زمان مناسب انتخاب کنند (کونگ و همکاران، ۲۰۲۱؛ لاپیچلر و همکاران، ۲۰۲۲؛ سو و همکاران، ۲۰۲۳). در این تعریف اولیه، چندین مؤلفه مهم وجود دارد. اول، هم دانش نظری و هم مهارت‌های عملی مورد نیاز است. این بدان معناست که کاربران هوش مصنوعی مولد، صرف نظر از سطح سواد عمومی/دانشگاهی و حوزه تخصص خود، باید اصول اولیه هوش مصنوعی را آموخته باشند (گوپتا و مانگلا، ۲۰۲۰). منظورم از دروس پایه، مجبور کردن میلیون‌ها کاربر عمومی به یادگیری تحلیل آماری، یادگیری ماشین، یادگیری عمیق و زبان‌شناسی محاسباتی در سطح دانشجویان تحصیلات تکمیلی علوم کامپیوتر نیست. با این حال، کاربران باید یاد گرفته باشند که چگونه یک ابزار هوش مصنوعی از یادگیری ماشین برای تجزیه و تحلیل و مدل‌سازی داده‌ها استفاده می‌کند و چگونه زبان‌شناسی محاسباتی می‌تواند به ابزار هوش مصنوعی در درک و پاسخ به سؤالات کاربر کمک کند. دانش پایه هوش مصنوعی برای جامعه کاربران شامل درک نحوه عملکرد ابزارهای هوش مصنوعی است که به عنوان مثال از طریق خواندن کتاب‌های درسی و تماشای آموزش‌های مرتبط در یوتیوب قابل دسترسی است.

علاوه بر دانش پایه، مهارت‌های عملی در استفاده از ابزارهای هوش مصنوعی مولد نیز مهم هستند. این مهارت‌ها به مرور زمان کسب می‌شوند. کاربران می‌توانند از کارگاه‌های آموزشی حضوری و همچنین منابع متنی و چندرسانه‌ای موجود برای کسب مهارت عملی در استفاده از ابزارهای مختلف هوش مصنوعی مولد بهره‌مند شوند. گزارش‌های متعددی وجود دارد که نشان می‌دهد کتابخانه‌ها به طور جدی در آموزش سواد هوش مصنوعی مشارکت دارند (واتکینز، ۲۰۲۰؛ جانگ و نام، ۲۰۲۳؛ لو، ۲۰۲۴؛ تزانووا، ۲۰۲۴). البته، آموزش کاربر سال‌هاست که یکی از فعالیت‌های حرفه‌ای کتابداران بوده است (تیفل، ۱۹۹۵). آنها از اولین روزهایی که ابزارهای مکانیکی و نیمه‌خودکار در کتابخانه‌ها مورد استفاده قرار گرفتند، بر کمک به کاربران تمرکز داشتند. روش‌ها و مدل‌های مختلف آموزش کاربر قبلاً به کار گرفته شده‌اند (نیتیاناندام و همکاران، ۲۰۰۶؛ باتی، ۲۰۱۰؛ کاتو، ۲۰۱۵؛ چیا و همکاران، ۲۰۲۳). اخیراً، همین ایده برای بهینه‌سازی استفاده از ابزارهای هوش مصنوعی مولد پیشنهاد شده است (مارکوس و همکاران، ۲۰۲۴). در نتیجه، کتابداران تلاش کرده‌اند تا نقش خود را به عنوان تسهیل‌کنندگان استفاده از اطلاعات در یک زمینه جدید ایفا کنند. در گام اول، آنها به طور جدی در استفاده از هوش مصنوعی مولد مشارکت دارند (امیری، ۲۰۲۳) و در گام دوم، به کاربران کمک می‌کنند تا ابزارهای باکیفیت متناسب با پروژه خود را انتخاب کنند و به کار گیرند (جها، ۲۰۲۳). در واقع، کتابداران هنوز هم در انتخاب و انتشار بهترین‌ها پیشرو هستند. در گذشته، آنها منابع اطلاعاتی را انتخاب و منتشر می‌کردند و اخیراً شروع به توصیه ابزارهای هوش مصنوعی‌ای به کاربران کرده‌اند که نقش همان منابع اطلاعاتی را ایفا می‌کنند. بنابراین، توانایی استفاده از ابزارهای هوش مصنوعی مولد (فیتریا، ۲۰۲۱؛ بیلاد، ۲۰۲۳) یک مهارت کلیدی است که انتظار می‌رود همه کاربران داشته باشند.

از دیگر مؤلفه‌های تعریف سواد هوش مصنوعی، شناسایی نیاز به اطلاعات و انتخاب بهترین ابزار در زمان مناسب است. این دو مؤلفه در واقع از مشکلات همیشگی کتابداران بوده‌اند (دگنر و همکاران، ۱۹۹۷؛ کایف، ۱۹۹۶؛ گودمن و جونز، ۱۹۶۸). بخش قابل توجهی از آموزش حرفه‌ای کتابداران بر شناسایی نیازهای اطلاعاتی کاربر و برآورده کردن آن‌ها با استفاده از اطلاعات مرتبط متمرکز بوده است (امباگوو و همکاران، ۲۰۱۸؛ کوزمینیخ و لانک، ۲۰۱۹؛ یوسف و همکاران، ۲۰۱۳). بحث‌های نظری ارزشمندی در مورد مفهوم نیاز اطلاعاتی وجود دارد (ویبسون، ۱۹۸۱؛ ویلسون، ۱۹۹۴) و محققان مدل‌های خوبی برای توصیف رفتار جستجوی اطلاعات توسعه داده‌اند (فوستر، ۲۰۰۴؛ کریکلاس، ۱۹۸۳؛ کیم، ۲۰۰۹). علاوه بر این، مفهوم ربط در ارتباط با مسئله نیازهای اطلاعاتی توسعه یافته است (بورلند، ۲۰۰۳؛ هجورلند، ۲۰۱۰). طراحی سیستم‌های اطلاعاتی کاربرمحور نیز برای تحقق ربط در فرایند بازیابی اطلاعات و برآورده کردن نیازهای اطلاعاتی کاربران مورد بحث قرار گرفته است (لوکاس، ۱۹۷۱؛ پارک، ۲۰۲۰). همان‌طور که پیشینه پژوهش نشان می‌دهد، موضوع نیازهای اطلاعاتی سابقه‌ای چند دهه‌ای دارد و امروزه با نفوذ ابزارهای هوش مصنوعی مولد در تمام فعالیت‌های آموزشی و پژوهشی، بار دیگر با اهمیت بیشتری مطرح شده است. نیاز به اطلاعات همیشه با بشر بوده و هرگز از بین نخواهد رفت (فایبیسوف و الی، ۱۹۷۴؛ در، ۱۹۸۳؛ کول، ۲۰۱۱). با این حال، توسعه فناوری‌ها، سیستم‌ها و ابزارهای جدید، برآورده کردن جدی‌تر و ملموس‌تر نیاز به اطلاعات را ضروری می‌سازد. نیاز اطلاعاتی که نقش و اهمیت غیرقابل‌انکاری در زندگی روزمره مردم دارد، باید در کوتاه‌ترین زمان ممکن برآورده شود. نظریه اطلاعات جنبه‌های مختلف پاسخگویی به نیازهای کاربر را توضیح می‌دهد (رضا، ۱۹۹۴؛ اش، ۲۰۱۲). هرگونه تأخیر در برآورده کردن نیازهای اطلاعاتی کاربر منجر به عدم اطمینان او و تأخیر در تصمیم‌گیری خواهد شد (بایراکتار و اگامی، ۲۰۰۷). عدم تصمیم‌گیری در زمان مناسب گاهی اوقات بسیار آسیب‌زا است (هانسون، ۱۹۹۶). تأکید بر پاسخگویی به نیازهای کاربر در کوتاه‌ترین زمان ممکن به این دلیل است که سیستم‌های اطلاعاتی نمی‌توانند فوریت یک نیاز را به طور کامل و صحیح تشخیص دهند (مصطفی و پاول، ۲۰۲۱). بنابراین، بهتر است برای کنترل ریسک، تمام تلاش خود را بر پاسخگویی به کاربران در کوتاه‌ترین زمان متمرکز کنند.

به طور کلی، سواد هوش مصنوعی طیف گسترده‌ای از ابزارها و تکنیک‌ها را شامل می‌شود. می‌توان گفت که یک بسته آموزشی واحد تحت عنوان سواد هوش مصنوعی برای همه مناسب نیست. سواد هوش مصنوعی باید بر اساس نیازهای کاربر تعریف شود (استولپ و هالستروم، ۲۰۲۴). نیازهای کاربران کتابخانه آموزشگاهی با نیازهای مهندسان شاغل در یک شرکت حفاری نفت متفاوت است. کاربران کتابخانه دانشگاه، که عمدتاً دانشجو هستند، پروژه‌های متفاوتی نسبت به پروژه‌های محققان حرفه‌ای دارند. ابزارهای هوش مصنوعی مولد بسیار متنوع هستند. تقریباً در هر زمینه‌ای، می‌توان فهرست بلندی از ابزارهای هوش مصنوعی با قابلیت‌های مختلف تهیه کرد. آموزش زبان، آموزش ریاضی و علوم، تجزیه و تحلیل داده‌های آماری، تهیه کتابشناسی، نگارش دانشگاهی، خلاصه‌سازی متن، مصورسازی داده‌ها و تشخیص سرقت ادبی از جمله خدماتی هستند که توسط ابزارهای هوش مصنوعی مولد ارائه می‌شوند. این فهرست ساده از خدمات مختلف، نیازهای مختلف افراد را نشان می‌دهد. برخی از این خدمات برای دانشجویان مناسب هستند. برخی دیگر برای کارکنان غیردانشگاهی و برخی دیگر بسته به مأموریت سازمانی که کاربران در آن کار می‌کنند، برای محققان مناسب هستند. به همین دلیل، درک ما از مفهوم سواد هوش مصنوعی باید زمینه‌محور باشد. کتابداران وظیفه دارند بسته‌های آموزشی سواد هوش مصنوعی مولد خاص را توسعه دهند که به نیازهای واقعی هر گروه از کاربران بپردازند. سواد هوش مصنوعی مولد شامل دانش و مهارت‌های ضروری است که کاربران را قادر می‌سازد تا به‌طور مؤثر ابزارهای هوش مصنوعی متناسب با نیازهای اطلاعاتی خود را انتخاب کنند. این سواد مستلزم درک نظری و مهارت عملی است، با تأکید بر مفاهیم اساسی در هوش مصنوعی، مانند یادگیری ماشین و زبان‌شناسی محاسباتی، که می‌توان از طریق منابع در دسترس مانند کتاب‌های درسی و آموزش‌های آنلاین آن‌ها را فرا گرفت. علاوه بر این، تجربه عملی از طریق کارگاه‌های آموزشی برای تسلط بر این ابزارها حیاتی است. کتابخانه‌ها در ترویج سواد هوش مصنوعی نقش محوری دارند و آموزش‌هایی را بر اساس زمینه‌های منحصر به فرد کاربران، چه برای دانشجویان، محققان یا متخصصان، ارائه می‌دهند. چارچوب سواد هوش مصنوعی شامل شناسایی نیازهای اطلاعاتی و انتخاب ابزارهای مناسب به‌طور مؤثر است که بر نقش تاریخی کتابداران در تسهیل دسترسی به اطلاعات تأکید می‌کند. همچنان که هوش مصنوعی مولد به نفوذ خود در حوزه‌های مختلف ادامه می‌دهد، تقاضا برای برنامه‌های آموزشی متناسب و زمینه‌محور برای برآورده کردن نیازهای متنوع کاربران در چشم‌انداز فناوریِ همواره در حال تکامل، به‌طور فزاینده‌ای حیاتی می‌شود.

چالش‌های سواد هوش مصنوعی مولد در یک کشور در حال توسعه

سواد هوش مصنوعی به راحتی آموخته نمی‌شود. در واقع، این نوع جدیدی از سواد است که کاملاً با انواع قبلی متفاوت است. تاکنون انواع مختلفی از سواد را تجربه کرده‌ایم. اولین نوع سواد در تعریف اولیه یونسکو گنجانده شده بود، که در آن خواندن و نوشتن مهم‌ترین توانایی‌های مورد انتظار بودند (جونزف، ۱۹۸۸؛ واگتر، ۲۰۱۱؛ واگنر، ۲۰۱۳). این نوع سواد در زمانی که اکثر جمعیت کشورهای فقیر و حتی در حال توسعه بی‌سواد بودند، از اهمیت بین‌المللی برخوردار بود. پس از اجرای برنامه‌های توسعه در سال‌های پس از جنگ جهانی دوم و تحت حمایت کشورهای ثروتمند، بسیاری از جوامع توانستند فرآیند نوسازی را آغاز کرده و برنامه سوادآموزی را در سطح جامعه اجرا کنند. قبل از سال ۲۰۰۰، یونسکو تعریف خود از سواد را اصلاح کرد و توانایی کار با رایانه را در آن گنجاند (مک‌میلان، ۱۹۹۶). در دو دهه اول قرن بیست و یکم، انواع جدیدتر سواد، از جمله سواد دیجیتال، مورد بحث قرار گرفته‌اند (باودن، ۲۰۰۸؛ ردی و همکاران، ۲۰۲۰؛ تیمماز و همکاران، ۲۰۲۲). در کنار تمرکز یونسکو و سایر سازمان‌های غیردولتی ملی و بین‌المللی بر مفهوم سواد، کتابداران همواره به سواد در سطح عمیق‌تری توجه داشته‌اند (اونوواکپور، ۲۰۰۵؛ لایمن، ۱۹۷۹). آن‌ها از سواد اطلاعاتی صحبت می‌کنند که بر توانایی جست‌وجو، بازیابی، ارزیابی و استفاده از اطلاعات مناسب (اسناولی و کوپه، ۱۹۹۷؛ بهرنس، ۱۹۹۴؛ سارانتو و هوونگا، ۲۰۰۴؛ مارکوم، ۲۰۰۲) فراتر از مهارت استفاده از ابزارهای دیجیتال تأکید دارد. امروزه، سواد هوش مصنوعی مولد به عنوان ترکیبی از تمام سوادهای قبلی پیشنهاد می‌شود. در سواد هوش مصنوعی، ترکیب مهارت‌های فنی و شناختی برای کار با اطلاعات و ابزارها اهمیت دارد. ماهیت چندبعدی سواد هوش مصنوعی مولد، آموزش و یادگیری آن را دشوار می‌کند.

چالش آموزش سواد هوش مصنوعی صرفاً به محتوای این سواد مربوط نمی‌شود. در واقع، این تصور غلطی است که معرفی دسته‌های مختلف ابزارهای هوش مصنوعی مولد و قابلیت‌های آنها کافی است. این سطح از سواد هوش مصنوعی حتی در کشورهای توسعه‌یافته که درصد بالایی یا حتی کل جمعیت سواد پایه و دیجیتال و توانایی استفاده از ابزارها را دارند، کافی نیست. سواد هوش مصنوعی فقط در مورد به‌کارگیری ابزارها نیست. طیف گسترده‌ای از مشکلات وجود دارد که آموزش افراد باسواد هوش مصنوعی مولد را دشوار، اگر نگوییم غیرممکن، می‌کند. این چالش‌ها در کشورهای در حال توسعه بزرگتر و بزرگتر می‌شوند.

اولین چالشی که باید در نظر گرفته شود، هزینه بالای ارائه ابزارهای هوش مصنوعی مولد است (کوییرا، ۲۰۱۹). تصوری غلط در میان اکثر کاربران وجود دارد. در طول بیست و پنج سال گذشته و با در دسترس بودن حجم زیادی از اطلاعات رایگان در وب، ایده نادرست دسترسی به هر چیزی در بین کاربران رواج یافته است (استرن، ۲۰۲۱). امروزه نیز می‌توان همین تصور غلط در مورد در دسترس بودن هوش مصنوعی را نشان داد. اکثر کاربران فرض می‌کنند که ابزارهای هوش مصنوعی رایگان هستند و به راحتی می‌توان از آن‌ها نهایت استفاده را برد (کیم و همکاران، ۲۰۲۴). این تصور درست نیست. مانند هر سرویس آنلاین دیگری، دو نسخه از ابزارهای هوش مصنوعی مولد وجود دارد: یک نسخه رایگان که از طریق وب در دسترس عموم کاربران قرار می‌گیرد و یک نسخه مبتنی بر اشتراک که فقط مشترکین مجاز به استفاده از آن هستند (لی و همکاران، ۲۰۲۲). ابزارهای هوش مصنوعی خرد-مقیاس به نظر می‌رسند، یعنی کاربران تصور می‌کنند که فقط با یک اپلیکیشن موبایل میکروسکوپی کار می‌کنند. این در حالی است که این ابزارها در واقع مجموعه‌ای کامل از پایگاه‌های داده، فناوری مهندسی دانش، رابط‌های کاربری، برنامه‌های موبایل و مکانیسم‌های بازخورد کاربر هستند. به عبارت ساده، یک برنامه هوش مصنوعی حجم و ارزش بسیار بیشتری نسبت به یک پایگاه داده دانشگاهی دارد و نمونه کاملی از یک سیستم اطلاعاتی است که نیازهای اطلاعاتی را تشخیص داده و آن‌ها را به‌طور کامل و هوشمندانه برآورده می‌کند. چنین ابزاری قطعاً نمی‌تواند رایگان باشد. اساساً، طرح تجاری پروژه ابزار هوش مصنوعی مولد نمی‌تواند بدون در نظر گرفتن سرمایه‌گذاران و درآمد نهایی شود (آشر، ۲۰۲۴). اکثریت قریب به اتفاق ابزارهای هوش مصنوعی مولد توسط شرکت‌های خصوصی بزرگ و پیشرفته توسعه داده می‌شوند که حق اشتراک این ابزارها را در بازار می‌فروشند (ریکپ و لوندوال، ۲۰۲۱؛ بسن و همکاران، ۲۰۱۸). با درک این واقعیت، مشکل شکاف دیجیتالی که از دهه ۱۹۹۰ در سطوح ملی و بین‌المللی مطرح و حل‌نشده باقی مانده است (کالن، ۲۰۰۱؛ وارشاور، ۲۰۱۰؛ راجرز، ۲۰۰۱؛ ون دایک، ۲۰۲۰) قابل درک‌تر می‌شود. شکاف دیجیتالی با ظهور ابزارهای هوش مصنوعی مولد تشدید شده است. با توجه به هزینه بالای ابزارهای دیجیتال و هزینه بالای اطلاعات باکیفیت، که پرداخت هزینه فناوری و محتوا را برای جوامع فقیر غیرممکن می‌کرد (ون دایک و هکر، ۲۰۰۳)، فقرا فقیرتر و ثروتمندان ثروتمندتر شدند (ون دایک، ۲۰۱۷). اکنون خرید یا اشتراک ابزارهای هوش مصنوعی مولد ضروری است. با این حال، شکاف دیجیتال به عنوان نمادی از جدایی طبقات اقتصادی از یکدیگر در عصر دیجیتال گسترش یافته است و هوش مصنوعی که در روزهای اولیه تغییر پارادایم نوامبر ۲۰۲۲ ناجی به نظر می‌رسید، اکنون واقعیت تلخ خود را بر انسان‌ها و جوامع فقیر تحمیل می‌کند. هزینه بالای این ابزارها، دستیابی به آن‌ها را غیرممکن می‌کند و در نتیجه، مشکل بی‌سوادی همچنان حل‌نشده باقی مانده است. در واقع، با ظهور هر نوع سواد جدید، گروه جدیدی از بی‌سوادان را می‌یابیم (نگی و همکاران، ۲۰۲۴). آخرین گروه از بی‌سوادان می‌توانند بخوانند، بنویسند و با ابزارهای دیجیتال کار کنند. اما متأسفانه، آن‌ها نمی‌توانند مشکلات ادغام با سیستم‌های جدید را حل کنند یا با استفاده از هوش مصنوعی از سد موانع جدید عبور کنند. به زودی، میلیون‌ها کاربری که در بسیاری از زمینه‌ها راه‌حل مناسبی ندارند، ناگزیر در رقابت با افراد غنی از هوش مصنوعی شکست خواهند خورد.

چالش مهم بعدی، دانش ناکافی است. میلیون‌ها کاربری که در حال حاضر از ابزارهای هوش مصنوعی مولد استفاده می‌کنند، تنها دانش سطحی از هوش مصنوعی دارند. آزمون‌های استاندارد ارزیابی سواد هوش مصنوعی مولد و مقیاس‌های اندازه‌گیری قبلاً توسعه یافته‌اند (هورنبرگر و همکاران، ۲۰۲۳؛ یوان و همکاران، ۲۰۲۴). یک مطالعه جدید گزارش داده است که حتی متخصصان اطلاعات نیز در سطح مطلوب، مهارت کافی در سواد هوش مصنوعی مولد ندارند (سوباویراپندیان و همکاران، ۲۰۲۴). به وضوح می‌توان درک کرد که ضعف مهارت کاربران غیرمتخصص بسیار بیشتر است. ما طیف وسیعی از کاربران، از جمله زنان خانه‌دار با مدرک دیپلم دبیرستان، بازنشستگان، کودکان و حتی متخصصان پزشکی و مهندسی شاغل در مراکز بهداشتی و صنعتی را در نظر می‌گیریم. تقریباً اکثریت قریب به اتفاق این افراد فاقد دانش پایه کافی در هوش مصنوعی مولد هستند. در ارزیابی‌های استاندارد مشخص شده است که آن‌ها نمی‌دانند هوش مصنوعی چگونه کار می‌کند و همچنین بهترین ابزارهای هوش مصنوعی مولد که متناسب با نیازهای آن‌ها باشد، کدام‌اند (جینا و همکاران، ۲۰۲۴). دلیل این کمبود دانش این است که آن‌ها به صورت پراکنده یاد گرفته‌اند و هرگز یک دوره آموزشی سیستماتیک را تجربه نکرده‌اند. به عنوان مثال، مدارس ابتدایی و دبیرستان عموماً فاقد دوره‌های هوش مصنوعی هستند (لی و همکاران، ۲۰۲۱؛ کیت نگ و همکاران، ۲۰۲۳). دانش‌آموزان با آزمون و خطا یاد می‌گیرند که برخی از ابزارهای هوش مصنوعی مولد به حل مسائل درسی کمک می‌کنند یا سرگرم‌کننده هستند. با این حال، آن‌ها در هیچ موضوعی آموزش مرتبطی دریافت نمی‌کنند. فقدان آموزش مناسب برای زنان خانه‌دار و بازنشستگان آشکارتر است (سونا و هافمن، ۲۰۲۴). حتی متخصصان دانشگاهی در حال حاضر فاقد آموزش استاندارد هوش مصنوعی هستند زیرا یادگیری هوش مصنوعی در بسیاری از برنامه‌های درسی دانشگاه‌ها گنجانده نشده است (وود و همکاران، ۲۰۲۱؛ سالحاب، ۲۰۲۴؛ تولنتینو و همکاران، ۲۰۲۴) و اساتید و دانشجویان فقط از طریق ارتباطات روزانه و خواندن اخبار با برخی از ابزارهای هوش مصنوعی مولد آشنا می‌شوند و از آن‌ها استفاده می‌کنند. بنابراین، فقدان دانش پایه در مورد هوش مصنوعی به‌طور کلی همه را آزار می‌دهد. تا زمانی که دانش پایه از طریق یک برنامه استاندارد منتقل نشود، مهارت‌های سواد هوش مصنوعی مولد به درستی در افراد توسعه نخواهد یافت. در نتیجه، ما با میلیون‌ها کاربر مواجه خواهیم شد که دانش بسیار کمی دارند و در عین حال، تحت توهم دانش هوش مصنوعی هستند (مسری و کراکت، ۲۰۲۴). آن‌ها تمایلی به یادگیری اصولی ندارند (تروبریج، ۲۰۲۴) و ممکن است در شرایط نابرابر در معرض خطر تبدیل شدن به افراد فقیر در هوش مصنوعی قرار گیرند.

چالش سوم را می‌توان در میان کارمندان یافت. هر کارمند چندین وظیفه از پیش تعیین‌شده دارد. درست مانند خط تولید یک کارخانه، فرآیندهای سازمانی در حال انجام هستند و نمی‌توان آنها را متوقف کرد (مونژ، ۱۹۹۰). به عبارت ساده، استخدام به معنای پیوستن به یک یا چند فرآیند سازمانی دائمی (چپمن و مایرز، ۲۰۱۵) و اجرای دستورات صادر شده در سطح مدیریت ارشد است. طبق این درک از استخدام، فردی که به صورت تمام‌وقت استخدام می‌شود، وقت آزاد برای اختصاص دادن به مسائل دیگر مانند یادگیری را ندارد. در واقع، فرض سازمان‌ها و شرکت‌ها این است که نیروی انسانی استخدام‌شده قبلاً آموزش‌های مرتبط کافی را دریافت کرده است و اکنون می‌توان از دانش و مهارت‌های او در جهت استراتژی شرکت استفاده کرد (نوایک و اوبیکوه، ۲۰۱۷). بر اساس این ایده، شرکت‌ها خود را مالک زمان منابع انسانی می‌دانند و به خود حق و اجازه می‌دهند که از صبح تا عصر زمان پرسنل را در اختیار بگیرند و از آن به هر شکلی که صلاح می‌دانند استفاده کنند. در نتیجه، افرادی که در یک ساختار سازمانی مسئول یک وظیفه هستند، نمی‌توانند در مورد نحوه استفاده از زمان خود تصمیمات مستقلی بگیرند (دوو و ففر، ۲۰۰۷). پیوستن به بدنه سازمان و کار تمام وقت پس از مدتی، هر کسی را با هر تخصص و مدرکی به فردی فرسوده تبدیل می‌کند (هالبسلبن و باکلی، ۲۰۰۴) که به تدریج دانش اولیه در تمام زمینه‌های تخصص خود را از دست می‌دهد و مهارت‌هایش محدود به وظیفه خاصی می‌شود که به او محول شده است. اگرچه توصیه می‌شود که به صورت دوره‌ای پرسنل در سازمان جابجا شوند تا تجربه جدیدی کسب کنند (کین و رینک، ۲۰۲۰)، اما در نهایت، دامنه یادگیری کارمند به وظایفی که به او سپرده شده است، محدود می‌شود. فلسفه آموزش ضمن خدمت (OJT) در واقع تجهیز منابع انسانی به دانش و مهارت‌هایی است که به دلیل اشتغال تمام وقت و جدا شدن از سیستم آموزش عالی، فرصتی برای یادگیری آنها ندارند (اسکریبنر و ساکس، ۱۹۹۰). چالش سواد هوش مصنوعی مولد در میان افراد شاغل در اینجا برجسته می‌شود. از یک سو، پرسنل توسط مقررات کار محدود شده‌اند و از سوی دیگر، سازمان یا شرکتی که باید برای آموزش ضمن خدمت آنها برنامه‌ریزی کند، هنوز در برابر پدیده هوش مصنوعی مولد مردد است و نمی‌داند چه دانش هوش مصنوعی و کدام ابزارهای هوش مصنوعی را باید به کارمندان آموزش دهد. فقدان دانش و مهارت‌های هوش مصنوعی مولد در بین کارمندان، خطر بقا در بازار کار، بیکاری، تغییر شغل و ارتقای شغلی را افزایش می‌دهد (موتاسکو، ۲۰۲۱) و کارمندان را به افرادی محافظه‌کار تبدیل می‌کند که از ترس بیکاری، خود را فقط وقف انجام وظایف روزانه می‌کنند (خان و همکاران، ۲۰۲۳) و از کسب سواد هوش مصنوعی اجتناب می‌ورزند.

چالش چهارم، مقاومت فردی و سازمانی در برابر یادگیری و نوآوری است. برخی افراد ترجیح می‌دهند پس از اتمام یک دوره آموزشی، چالش یادگیری را تکرار نکنند (آثرتون، ۱۹۹۹). این یک ویژگی ذاتی است که تغییر آن دشوار است. به راحتی نمی‌توان ادعا کرد که این افراد در اقلیت یا اکثریت هستند. با این حال، همیشه با کسانی مواجه می‌شویم که نمی‌خواهند درس‌های جدید را بیاموزند. این افراد در برابر هر دانش و فناوری جدیدی مقاومت می‌کنند. هنگامی که مدیریت سازمان در کنترل این افراد تعلل می‌کند، سازمان را به اندازه خودشان در برابر تغییر مقاوم می‌کنند (وینس، ۲۰۱۸). برخی سازمان‌ها حاضر به یادگیری نیستند. یک برنامه جدید لزوماً سازمان را از فروپاشی نجات نمی‌دهد. تا زمانی که پرسنل در برابر یادگیری مقاومت کنند، سازمان نمی‌تواند برنامه جدید را اجرا و تغییر مورد نظر را ایجاد کند. حتی اگر مقاومت در برابر تغییر و نوآوری نتیجه تردید مدیران در مورد پیامدهای آن باشد، پرسنل مقاوم در برابر یادگیری از این فرصت استفاده می‌کنند تا نوآوری را کندتر و بی‌اثر کنند.

سخنان پایانی از دیدگاه یک منتقد

چالش‌های ذکر شده که نشان‌دهنده ابعاد اقتصادی، آموزشی، سازمانی و فردی سواد هوش مصنوعی مولد هستند، کم و بیش در همه کشورهای در حال توسعه دیده می‌شوند. با این حال، در کشورهای توسعه‌یافته، که در آن‌ها حقوق میانگین ​​به همه فرصت یک زندگی استاندارد و پایدار را می‌دهد، وضعیت متفاوت است. پرداخت هزینه‌های اشتراک فردی و سازمانی ابزارهای محبوب هوش مصنوعی مولد در آنجا چندان دشوار نیست. همچنین، همگام شدن با توسعه این ابزارها غیرممکن نیست. زیرا دانشگاه‌های معتبر پیشگامان توسعه برنامه درسی هستند (ماتکوویچ و همکاران، ۲۰۱۴). آن‌ها تقریباً در هر سال تحصیلی موضوعات جدیدی را در برنامه‌های درسی می‌گنجانند تا تحولات نوظهور بازار کار را پوشش دهند و به نیازهای متغیر اشتغال صنعت پاسخ دهند. بنابراین، فراگیران کشورهای توسعه‌یافته می‌توانند زودتر از برنامه‌های درسی دانشگاهی در حال تکامل از سواد هوش مصنوعی مولد بهره‌مند شوند. علاوه بر این، تحول دیجیتال شرکت‌ها در این کشورها دشواری کمتری دارد. زیرا الزامات، از جمله بودجه، پرسنل مشتاق و سازمان یادگیرنده، در دسترس هستند. اینها فرصت‌هایی برای کشورهای توسعه‌یافته است تا سواد هوش مصنوعی مولد را به موقع یاد بگیرند.

با این حال، سناریو در کشورهای در حال توسعه یا حتی توسعه نیافته متفاوت است. آنها همیشه با بحران کسری بودجه مواجه هستند (باریشیک و باریس، ۲۰۱۷؛ روبینی، ۱۹۹۱). تولید ثروت آنها با رشد جمعیت متعادل نیست (کول، ۲۰۱۹). علاوه بر این، عدم شفافیت، فساد را افزایش می‌دهد و بودجه موجود به درستی استفاده نمی‌شود (اولکن و پانده، ۲۰۱۲). در نتیجه، فرصت پرداخت هزینه‌های اشتراک ابزارهای هوش مصنوعی مولد از بین می‌رود. دانشگاه‌های کشورهای در حال توسعه در نهایت کارکنان اداری بخش‌های دولتی و خصوصی را آموزش می‌دهند یا نسل جوان را برای ادامه تحصیلات تکمیلی خود در خارج از کشور آماده می‌کنند (لی، ۲۰۱۳). آنها عمدتاً فاقد اصالت و امکانات توسعه برنامه‌های درسی تحول‌آفرین هستند (پریمروزه و الکساندر، ۲۰۱۳؛ علی و بیگ، ۲۰۱۲). به همین دلیل است که آنها در امور برنامه درسی تنها از دانشگاه‌های معتبر پیروی می‌کنند که یحتمل با نیازهای محلی آنها کاملاً مطابقت ندارد. آموزش ضمن خدمت کارکنان نیز یک چالش مداوم در کشورهای در حال توسعه است (شافنر، ۲۰۰۱). تا زمانی که کسری بودجه و کمبود مدرسان واجد شرایط ادامه داشته باشد، آموزش ضمن خدمت مؤثر نخواهد بود. در نهایت، مقاومت در برابر یادگیری، نوآوری و تحول ریشه در ویژگی‌های شخصیتی دارد (کیچیک‌قره‌گز و میلانی، ۲۰۲۳) که برای تغییر به سال‌ها تمرین در سیستم‌های آموزشی و فرهنگی نیاز دارند.

راه‌حل‌هایی که قبلاً در مقالات پیشنهاد شده‌اند، برای جوامع در حال توسعه چندان مناسب نیستند. به عنوان مثال، خودآموزی به عنوان یک راه‌حل مورد بحث قرار گرفته است. این راه‌حل لزوماً برای همه یادگیرندگان مناسب نیست و در زمان‌های مختلف تأثیر متفاوتی دارد. همچنین، استفاده روزانه به عنوان یک راه‌حل در غیاب ابزارهای استاندارد کافی قابل اجرا نیست. پیشنهاد دیگر، تعامل با همکاران برای افزایش یادگیری است. این امر تنها در ارتباط با پرسنلی که مشتاق یادگیری دانش و مهارت‌های جدید هستند، مؤثر است. در حالی که مشارکت دادن همه کارکنان در فرآیند یادگیری به هیچ وجه آسان نیست. به عنوان راه‌حل چهارم، مستندسازی آموخته‌های حوزه عمل و خدمات روزانه پیشنهاد شده است. اجرای آن نیز دشوار است. زیرا ابزارهای با کیفیت کافی در دسترس نیست. به نظر می‌رسد کتابداران در کشورهای در حال توسعه موظف به اتخاذ رویکردی جدید برای حل چالش‌های سواد هوش مصنوعی مولد هستند. آنها باید به دنبال راه‌حل‌های نوآورانه باشند یا حداقل از راه‌حل‌های فعلی به روشی متفاوت استفاده کنند. راه‌حل‌های مناسب برای این جوامع باید با توجه به محدودیت‌ها و پتانسیل‌های آنها تدوین شود. همچنین، آنها باید تا حد امکان آینده را کنترل کنند. بحث در مورد این مشکل در کنفرانس‌ها و مجلات می‌تواند ایده سواد هوش مصنوعی مولد را با زمینه اقتصادی، فرهنگی، آموزشی و سازمانی نه چندان آماده کشورهای در حال توسعه تطبیق دهد.

علیمحمدی، داریوش(1404).  «دیدگاهی انتقادی درباره چالش‌های سواد هوش مصنوعی مولد»سخن هفته لیزنا، شماره 744، 5 خردادماه ماه ۱۴۰۴.

 --------------------------------------------------------

References

Agrawal, Ajay; Gans, Joshua And Avi Goldfarb (2019). The Economics of Artificial Intelligence: An Agenda. Chicago: The University of Chicago Press.

Ali, Syeda Kauser And Lubna A. Baig (2012). “Problems and Issues in Implementing Innovative Curriculum in the Developing Countries: The Pakistani Experience.” BMC Medical Education 12 (31). Available at: https://bmcmededuc.biomedcentral.com/counter/pdf/10.1186/1472-6920-12-31.pdf

Ash, Robert B (2012). Information Theory. New York: Dover Publications.

Atherton, James (1999). “Resistance to Learning: A Discussion based on Participants in in-service Professional Training Programmes.” Journal of Vocational Education and Training 51 (1): 77-90.

Barişik, Salih and Abdullah Baris (2017). “Impact of Governance on Budget Deficit in Developing Countries.” Theoretical and Applied Economics 2: 111-130.

Bawden, David (2008). Origins and Concepts of Digital Literacy. In: Lankshear, Colin; Knobel, Michele (eds.). Digital literacies: Concepts, Policies and Practices (pp. 17-32). Lausanne: Peter Lang Publishing.

Bayraktar, Erhan and Masahiko Egami (2007). “The Effects of Implementation Delay on Decision-making under Uncertainty.” Stochastic Processes and Their Applications 117 (3): 333-358.

Behrens, Shirley J (1994). “A Conceptual Analysis and Historical Overview of Information Literacy.” College and Research Libraries 55 (4): 309-322.

Bessen, James; Impink, Stephen Michael; Seamans, Robert and Lydia Reichensperger (2018). The Business of AI Startups. Boston University, School of Law, and Economics Research Paper: 18-28.

Bhatti, Rubina (2010). “An Evaluation of User-Education Programmes in the University Libraries of Pakistan.” Library Philosophy and Practice. Available at: https://core.ac.uk/download/pdf/188046481.pdf

Bilad, Muhammad Roil; Yaqin, Lalu Nurul and Siti Zubaidah (2023). “Recent Progress in the Use of Artificial Intelligence Tools in Education.” Jurnal Penelitian Dan Pengkajian Ilmu Pendidikan: E-Saintika 7 (3): 279–314.

Borlund, Pia (2003). “The Concept of Relevance in IR.” Journal of the American Society for Information Science and Technology 54 (10): 913-925.

Chapman, D. S. And D Mayers (2015). “Recruitment Processes and Organizational Attraction.” In: Nikolaou, Ioannis; Oostrom, Janneke K. (eds.). Employee Recruitment, Selection, and Assessment. East Sussex: Psychology Press.

Chiya, Katlego Petrus; Onyancha, Omwoyo Bosire and Ifeanyi J Ezema (2023). “Students' Perceptions of the User Education Programmes at a South African University.” IFLA Journal 49 (2): 419-431.

Coiera, Enrico (2019). “The Price of Artificial Intelligence.” Yearbook of Medical Informatics 28 (01): 014-015.

Cole, Charles (2011). “A Theory of Information Need for Information Retrieval that Connects Information to Knowledge.” Journal of the American Society for Information Science and Technology 62 (7): 1216-1231.

Cole, Wade M (2019). “Wealth and Health Revisited: Economic Growth and Wellbeing in Developing Countries, 1970 to 2015.” Social Science Research 77: 45-67.

Cullen, Rowena (2001). “Addressing the Digital Divide.” Online Information Review 25 (5): 311-320.

Degner, L. F.; Kristjanson, L. J.; Bowman, D.; Sloan, J. A.; Carriere, K. C.; O'Neil, J.; Bilodeau, B.; Watson, P.; and Mueller, B (1997). “Information Needs and Decisional Preferences in Women with Breast Cancer.” Journal of the American Medical Association 277 (18): 1485-1492.

Delipetrev, Blagoj; Tsinaraki, Chrysi and Uros Kostic (2020). “Historical Evolution of Artificial Intelligence.” Publications Office of the European Union, Technical Report. Available at: https://eprints.ugd.edu.mk/28050/

Derr, Richard L (1983). “A Conceptual Analysis of Information Need.” Information Processing and Management 19 (5): 273-278.

DeVoe, S. E; and J. Pfeffer (2007). “Hourly Payment and Volunteering: The Effect of Organizational Practices on Decisions about Time Use.” Academy of Management Journal 50 (4): 799–820.

Emiri, Ogochukwu T (2023). “Adoption and Utilisation of Artificial Intelligence by Librarians in University Libraries in Southern Nigeria.” Library Philosophy and Practice. Available at: https://digitalcommons.unl.edu/libphilprac/7570/

Faibisoff, Sylvia G. and Donald P. Ely (1974). “Information and Information Needs.” Available at: https://eric.ed.gov/?id=ED100311

Fitria, Tira Nur (2021). “Artificial Intelligence (AI) in Education: Using AI Tools for Teaching and Learning Process.” Prosiding Seminar Nasional and Call for Paper STIE AAS 4 (1): 134–147.

Foster, Allen (2004). “A Nonlinear Model of Information-seeking Behavior.” Journal of the American Society for Information Science & Technology 55 (3): 228-237.

Garofalo, Salvatore G. and  Stephen J. Farenga (2024). “Science Teacher Perceptions of the State of Knowledge and Education at the Advent of Generative Artificial Intelligence Popularity.” Science and Education. Available at: https://link.springer.com/content/pdf/10.1007/s11191-024-00534-y.pdf

George, A. Shaji (2023). “Future Economic Implications of Artificial Intelligence.” Partners Universal International Research Journal 2 (3): 20–39.

Goodman, A. F. and S. O. Jones (1968). “User Information Needs: The Challenge and a Response.” Presented at the 31st Annual Meeting of the American Society for Information Science, Columbus, Ohio, October 1968. Available at: https://eric.ed.gov/?id=ED029804

Gupta, N. And R. Mangla (2020). Artificial Intelligence Basics: A Self-teaching Introduction. Virginia: Mercury Learning and Information.

Halbesleben, Jonathon R. B. and M. Ronald Buckley (2004). “Burnout in Organizational Life.” Journal of Management 30 (6): 859-879.

Hansson, Sven Ove (1996). “Decision Making under Great Uncertainty.” Philosophy of the Social Sciences 26 (3): 369-386.

Hjørland, Birger (2010). "The Foundation of the Concept of Relevance." Journal of the American Society for Information Science and Technology 61 (2): 217-237.

Hornberger, Marie; Bewersdorff, Arne and Claudia Nerdel (2023). “What Do University Students Know about Artificial Intelligence? Development and Validation of an AI Literacy Test.” Computers and Education: Artificial Intelligence 5: 100165.

Jang, S. H. and Y. J. Nam (2023). “A Study on the Role of University Libraries in the Cultivation of Generative AI Literacy by Users.” Journal of the Korean Society for information Management 40 (2): 263-282.

Jha, Sanjay Kumar (2023). “Application of Artificial Intelligence in Libraries and Information Centers Services: Prospects and Challenges.” Library Hi Tech News 40 (7): 1-5.

Jina, Yueqiao; Martinez-Maldonadoa, Roberto; Gaševića, Dragan and Lixiang Yana (2024). “GLAT: The Generative AI Literacy Assessment Test.” Available at: https://arxiv.org/pdf/2411.00283

Jones, Phillip W. (1988). International Policies for Third World Education: UNESCO, Literacy and Development. Oxfordshire: Routledge.

Joyce, Kelly; Smith-Doerr, Laurel; Alegria, Sharla; Susan Bell; Taylor Cruz; Hoffman, S Steve G.; Noble, Safiya Umoja; Benjamin Shestakofsky and Sidra Bell (2021). “Toward a Sociology of Artificial Intelligence: A Call for Research on Inequalities and Structural Change.” Socius: Sociological Research for a Dynamic World 7: 1-11.

Kai, J. (1996). “Parents' Difficulties and Information Needs in Coping with Acute Illness in Preschool Children: A Qualitative Study.” British Medical Journal 313” 987.

Kane, Aimée A. And Floor Rink (2020). “Personnel Movement as a Mechanism for Learning in Organizations and Teams.” In: Argote, Linda; Levine, John M. (eds.). The Oxford Handbook of Group and Organizational Learning (pp. 355-364). Oxford: Oxford University Press.

Katuu, Shadrack (2015). “User Studies and User Education Programmes in Archival Institutions.” Aslib Journal of Information Management 67 (4): 442-457.

Khan, Ali Nawaz; Fauzia Jabeen; Khalid Mehmood; Soomro, Mohsin Ali and Stefano Bresciani (2023). “Paving the Way for Technological Innovation through Adoption of Artificial Intelligence in Conservative Industries.” Journal of Business Research 165: 114019.

Kim, Jeonghyun (2009). “Describing and Predicting Information-seeking Behavior on the Web.” Journal of the American Society for Information Science and Technology 60 (4): 679-693.

Kim, Jisu;  Lee, Sang Mee; Kim, Da Eun; Kim, Sungjin; Chung, Myung Jin; Kim, Zero;  Taeyoung, Kim and  Kyeong-Tae Lee (2024). “Development of an Automated Free Flap Monitoring System based on Artificial Intelligence.” Journal of the American Medical Association Netw Open 7 (7): e2424299.

Kit Ng, Davy Tsz; Su, Jiahong; Lok Leung, J Jac Ka; and Chu, Samuel Kai Wah (2023). “Artificial Intelligence (AI) Literacy Education in Secondary Schools: A Review.” Interactive Learning Environments, (forthcoming).

Kong, Siu-Cheung; Cheung, William Man-Yin and Zhang, Guo (2021). “Evaluation of an Artificial Intelligence Literacy Course for University Students with Diverse Study Backgrounds.” Computers and Education: Artificial Intelligence 2: 100026.

Krikelas, James (1983). “Information-Seeking Behavior: Patterns and Concepts.” Drexel Library Quarterly 19 (2): 5-20.

Küçükkaragöz, Hadiye and  Rusen Meylani (2023). “Resistance to Learning: A Comprehensive Review of Contributing Factors.” Journal of Education and Learning 19 (1): 294-313.

Kuzminykh, Anastasia and Edward Lank (2019). “How Much is Too Much? Understanding the Information Needs of Parents of Young Children.” Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies 3 (2): 1-21.

Laumer, Sven and Andreas Eckhardt (2012). “Why Do People Reject Technologies: A Review of User Resistance Theories.” Information Systems Theory 63-86.

Laupichler, Matthias Carl; Alexandra Aster; Jana Schirch and Tobias Raupach (2022). “Artificial Intelligence Literacy in Higher and Adult Education: A Scoping Literature Review.” Computers and Education: Artificial Intelligence 3: 100101.

Lee, Dongwon; Nam, Kihwan; Han, Ingoo and Kanghyun Cho (2022). “From Free to Fee: Monetizing Digital Content through Expected Utility-based Recommender Systems.” Information and Management 59 (6): 103681.

Lee, Irene; Ali, Safinah; Zhang, Helen; DiPaola, Daniella and Cynthia Breazeal (2021). “Developing Middle School Students' AI Literacy.” SIGCSE '21: Proceedings of the 52nd ACM Technical Symposium on Computer Science Education 191-197.

Lee, Jeongwoo (2013). “Creating World-Class Universities: Implications for Developing Countries.” Prospects 43: 233-249.

Li, LiLi and Kay Coates (2024). “The Future of Academic Reference Services in the Age of Artificial Intelligence: An Overview.” Library Faculty Presentations 303.

Liu, Zheng (2021). “Sociological Perspectives on Artificial Intelligence: A Typological Reading.” Sociology Compass 15 (3). Available at: https://compass.onlinelibrary.wiley.com/doi/full/10.1111/soc4.12851

Lo, Leo. S (2024). “Evaluating AI Literacy in Academic Libraries: A Survey Study with a Focus on US Employees.” Availabvle at: https://digitalrepository.unm.edu/ulls_fsp/203/

Lu, Yang (2019). “Artificial Intelligence: A Survey on Evolution, Models, Applications and Future Trends.”  Journal of Management Analytics 6 (1): 1-29.

Lucas, Henry. C (1971). “A User-oriented Approach to Systems Design.” ACM '71: Proceedings of the 26th Annual Conference 325-338.

Lyman, Helen Huguenor (1979). “Literacy Education as Library Community Service.” Library Trends 28 (2): 193-217.

Marcum, James. W (2002). “Rethinking Information Literacy.” The Library Quarterly 72 (1): 1-26.

Markus, André; Pfister, Jan; Carolus, Astrid; Hotho, Andreas and Carolin Wienrich (2024). “Effects of AI Understanding-training on AI Literacy, Usage, Self-determined Interactions, and Anthropomorphization with Voice Assistants.” Computers and Education 6: 100176.

Matkovic, Predrag; Tumbas, Pere; Sakal, Marton and Veselin Pavlicevic (2014). “Curriculum Development Process Redesign based on University-Industry Cooperation.” EDULEARN14: Proceedings of the 6th International Conference on Education and New Learning Technologies, 7-9 July, 2014. Barcelona, Spain.

Mbagwu, Francisca; Benson, Oyemike Victor and Charis Onuoha (2018). “Challenges of Meeting Information Needs of Rural Farmers through Internet-based Services: Experiences from Developing Countries in Africa.” IFLA WLIC 2018 – Kuala Lumpur, Malaysia – Transform Libraries, Transform Societies Session 166 - Emerging Trends in Internet-based Information Services for Urban and Rural Agricultural Development: an International Perspective - Agricultural Libraries SIG. Available at: https://library.ifla.org/id/eprint/2195/

McMillan, Seamus (1996). “Literacy and Computer Literacy: Definitions and Comparisons.” Computers and Education 27 (3-4): 161-170.

Messeri, Lis and M. J. Crockett (2024). “Artificial Intelligence and Illusions of Understanding in Scientific Research.” Nature 627: 49-58.

Monge, Peter. R (1990). “Theoretical and Analytical Issues in Studying Organizational Processes.” Organization Science 1 (4): 339-431.

Mustafee, Nav and John Powell (2021). “Providing Real-Time Information for Urgent Care.” Impact 2021 (1): 25-29.

Mutascu, Mihai (2021). “Artificial Intelligence and Unemployment: New Insights.” Economic Analysis Policy 69: 653-667.

Negi, Prerna; Shrivastava, V. K.; Pandey, Shweta; Chythanya, Kanegonda Ravi; Negi, Prafful and Manish Gupta (2024). “Intervention of Artificial Intelligence in Education to Reduce Illiteracy.” Presented at the 2024 3rd International Conference on Sentiment Analysis and Deep Learning (ICSADL).

Nithyanandam, K; Kanniyappan, E.; Dhanakar, M. A and V. Rajasekar (2006). “User Education Programmes and Academic Libraries: The Experience of the International Islamic University Malaysia Students.” Library Philosophy and Practice 774. Available at: p. http://digitalcommons.unl.edu/libphilprac/774

Nwaeke, L. I. and Onyebuchi Obiekwe (2017). “Impact of Manpower Training and Development on Organizational Productivity and Performance: A Theoretical Review.” European Journal of Business and Management 9 (4): 153-159.

Olken, Benjamin A. and Rohini Pande (2012). “Corruption in Developing Countries.” Annual Review of Economics 4: 479-509.

Onohwakpor, Josephine (2005). “The Role of Library Services in Adult Literacy Education.” Library Philosophy and Practice 7 (2): 1-4.

Park, Minsoo (2020). “User-oriented Information System: Focusing on STEM Field.” The Journal of the Convergence on Culture Technology 6 (1): 249-253.

Primrose, K. and C. R. Alexander (2013). “Curriculum Development and Implementation: Factors Contributing towards Curriculum Development in Zimbabwe Higher Education System.” European Social Sciences Research Journal 1 (1): 55-65.

Reddy, Pritika; Sharma, Bibhya  and Kaylash Chaudhary (2020). “Digital Literacy: A Review of Literature.” International Journal of Technoethics 11 (2): 65-94.

Reza, Fazlollah M (1994). An Introduction to Information Theory. New York: Dover Publications.

Riddick, John F (1990). “Reference Librarians and Serial Publications in the Age of Artificial Intelligence.” The Reference Librarian 12 (27-28): 281-287.

Rikap, Cecilia and Bengt-Åke Lundvall (2021). “Tech Giants and Artificial Intelligence as a Technological Innovation System.” The Digital Innovation Race: 65-90.

Rogers, E. M. (2001). “The Digital Divide. Convergence.” The International Journal of Research into New Media Technologies 7 (4): 96-111.

Roubini, Nouriel (1991). “Economic and Political Determinants of Budget Deficits in Developing Countries.” Journal of International Money and Finance 10 (Supplement 1): S49-S72.

Saeidnia, Hamid Reza (2023). “Using ChatGPT as a Digital Smart Reference Robot: How May ChatGPT Impact Digital Reference Services.” Information Matters 3 (5). Available at: https://informationmatters.org/2023/05/using-chatgpt-as-digital-smart-reference-robot-how-may-chatgpt-impact-digital-reference-services/

Salhab, Reham (2024). “AI Literacy across Curriculum Design: Investigating College Instructors' Perspectives.” Online Learning 28 (2). Available at: https://files.eric.ed.gov/fulltext/EJ1428258.pdf

Saranto, Kaija and  Evelyn J.S Hovenga (2004). “Information Literacy—What It Is About?: Literature Review of the Concept and the Context.” International Journal of Medical Informatics 73 (6): 503-513.

Schaffner, Julie Anderson (2001). “Turnover and Job Training in Developing and Developed Countries: Evidence from Colombia and the United States.” Available at: https://citeseerx.ist.psu.edu/document?repid=rep1&type=pdf&doi=f1af4286c93726ae3f536b8ac62fd2742555c7cd

Schwartz, Ronald David (1989). “Artificial Intelligence as a Sociological Phenomenon.” The Canadian Journal of Sociology 14 (2): 179-202.

Scribner, Scribner and Patricia Sachs (1990). A Study of On-the-job Training. Sydney: Generic.

Snavely, Loanne and Natasha Cooper (1997). The Information Literacy Debate. The Journal of Academic Librarianship 23 (1): 9-14.

Spector, Lee (2006). “Evolution of Artificial Intelligence.” Artificial Intelligence 170” 1251-1253.

Stern, David (2021). “Op Ed-Random Ramblings—Open Access: Misconceptions and Misdirections.” Against the Grain 31 (2): 36.

Stolpe, Karin and Jonas Hallström (2024). “Artificial Intelligence Literacy for Technology Education.” Computers and Education 6 (100159).

Su, Jiahong; Kit Ng, Davy Tsz and Samuel Kai Wah Chu (2023). “Artificial Intelligence (AI) Literacy in Early Childhood Education: The Challenges and Opportunities.” Computers and Education: Artificial Intelligence 4: 100124.

Subaveerapandiyan A.; Paladhi, Monali Mitra; and Vijayalatchumy Maruthaveeran (2024). “Evaluating AI Literacy Proficiency among LIS Researchers in ASEAN.” Library Hi Tech News 41 (4): 6-8.

Sūna, Laura; and Dagmar Hoffmann (2024). “From AI Imaginaries to AI Literacy: Artificial Intelligence Technologies in the Everyday Lives of Migrants in Germany.” MedieKultur: Journal of Media and Communication Research 40 (76): 53-76.

Tiefel, Virginia M. (1995). “Library User Education: Examining its Past, Projecting its Future.” Library Trends 44 (2): 318-338.

Tinmaz, Hasan; Lee, Yoo-Taek; Fanea-Ivanovici, Mina and Hasnan Baber (2022). “A Systematic Review on Digital Literacy.” Smart Learning 9 (21): 1-18.

Tolentino, Raymond; Baradaran, Ashkan; Gore, Genevieve; Pluye, Pierre and Samira Abbasgholizadeh-Rahimi, S. (2024). “Curriculum Frameworks and Educational Programs in AI for Medical Students, Residents, and Practicing Physicians: Scoping Review.” JMIR Medical Education 10 (e54793): 1-17. Available at: https://mededu.jmir.org/2024/1/e54793/PDF

Trowbridge. C. J. (2024). “The Illusion of Understanding: Deconstructing AI Metaphors.” Available at: https://cjtrowbridge.com/The_Illusion_of_Understanding_-_Deconstructing_AI_Metaphors.pdf

Tzanova, Stefka (2024). “AI in Academic Libraries: Success, Pitfalls, Perceptions, and Why We Need AI Literacy.” In: Khamis, Iman (ed.). Applications of Artificial Intelligence in Libraries (pp. 19-44). IGI Global.

Usher, landen (2024). “Forya.AI Business Plan.” Finance Undergraduate Honors Theses, University of Arkansas, Fayetteville. Available at: https://scholarworks.uark.edu/cgi/viewcontent.cgi?article=1118&context=finnuht

Van Dijk, Jan and Kenneth Hacker (2003). “The Digital Divide as a Complex and Dynamic Phenomenon.” The Information Society: An International Journal 19 (4): 315-326.

Van Dijk, Jan (2017). “Digital Divide: Impact of Access.” In: Rössler, Patrick; Hoffner, Cynthia A.; van Zoonen, Liesbet (eds.). The International Encyclopedia of Media Effects. New Jersey: John Wiley & Sons, Inc.

Van Dijk, Jan (2020). The Digital Divide. New Jersey: John Wiley & Sons, Inc.

Vince, Russ (2018). “The Learning Organization as Paradox: Being for the Learning Organization also Means Being Against It.” The Learning Organization 25 (4): 273-280.

Wagner, Daniel A (2011). “What Happened to Literacy? Historical and Conceptual Perspectives on Literacy in UNESCO.” International Journal of Educational Development 31 (3): 319-323.

Wagner, Daniel A (2013). “Literacy and UNESCO: Conceptual and Historical Perspectives.” New Directions for Adult and Continuing Education 138: 19-27.

Warschauer, Mark (2010). “Digital Divide.” In: Bates, ByMarcia J. and Niles Maack, Mary (eds.). Encyclopedia of Library and Information Sciences. Boca Raton, FL: CRC Press.

Watkins, T. (2020). Cosmology of Artificial Intelligence Project: Libraries, Makerspaces, Community and AI Literacy. AI Matters, 5(4), 14-17.

Wilson, Thomas D (1981). “On User Studies and Information Needs.” Journal of Documentation 37 (1): 3-15.

Wilson, Thomas D (1994). “Information Needs and Uses: Fifty Years of Progress.” Available at: https://proftomwilson.wordpress.com/wp-content/uploads/2018/07/1994jdocrev.pdf

Wood, Elena A; Ange, Brittany L. and  D Douglas Miller (2021). “Are We Ready to Integrate Artificial Intelligence Literacy into Medical School Curriculum: Students and Faculty Survey.” Journal of Medical Education and Curricular Development.

Yang, Sharon Q. (2024). “ChatGPT: Unleashing the Power of Conversational AI for Library Reference Services.” International Journal of Librarianship 9 (1): 109-115.

Yuan, Chien Wen; Tsai, Hsin-yi Sandy and TsaiYu-Ting Chen (2024). “Charting Competence: A Holistic Scale for Measuring Proficiency in Artificial Intelligence Literacy.” Journal of Educational Computing Research 62 (7).

Yusuf, Folaranmi; Patrick, Masika and Ikponmwosa Ighodaro (2013). “Agricultural Information Needs of Rural Women Farmers in Nkonkobe Municipality: The Extension Challenge.” Journal of Agricultural Science 5 (5): 107-114.

Zekos, Georgios I (2022). Political, Economic and Legal Effects of Artificial Intelligence: Governance, Digital Economy and Society. Berlin: Springer.