ผลกระทบของ Generative AI ต่อการคิดเชิงวิพากษ์ [PDF]

• งานวิจัยเชิงสำรวจที่ศึกษาว่า Generative AI (ต่อไปนี้เรียก GenAI) ส่งผลต่อ ความสามารถในการคิดเชิงวิพากษ์ และ ความพยายามทางการรับรู้ ของผู้ใช้แรงงานความรู้อย่างไร
• เก็บรวบรวม กรณีใช้งานจริง 936 กรณี ของผู้ใช้แรงงานความรู้ทั้งหมด 319 คนที่นำ GenAI มาใช้ในการทำงาน
• คำถามวิจัยหลัก:
  • RQ1: ระหว่างการใช้ GenAI การคิดเชิงวิพากษ์เกิดขึ้นเมื่อใด และเกิดขึ้นอย่างไร?
  • RQ2: GenAI เปลี่ยนแปลงความพยายามทางการรับรู้ของการคิดเชิงวิพากษ์อย่างไร?

สรุปข้อค้นพบสำคัญ

• ความเชื่อมั่นใน GenAI สูง มีความเกี่ยวข้องกับการคิดเชิงวิพากษ์ที่ลดลง
• การรับรู้ความสามารถของตนเอง (ความมั่นใจ) สัมพันธ์กับการคิดเชิงวิพากษ์ที่เพิ่มขึ้น
• มากกว่า 60% ของงานทั้งหมดตอบว่า ความพยายามในการคิดเชิงวิพากษ์ลดลงเมื่อใช้ GenAI
• รูปแบบของการคิดเชิงวิพากษ์เปลี่ยนไปเป็น การตรวจสอบข้อมูล การผสานคำตอบ และการประสานงานงาน เป็นต้น
• GenAI เปลี่ยนความพยายามทางการรับรู้ของผู้ใช้จาก การลงมือทำงาน (task execution) ไปสู่ การทบทวนผลลัพธ์ (oversight)

นิยามของการคิดเชิงวิพากษ์และพื้นฐานทางทฤษฎี

• การคิดเชิงวิพากษ์คืออะไร?

  • อ้างอิงตาม Bloom’s Taxonomy นิยามการคิดเชิงวิพากษ์เป็น 6 กิจกรรม
    • ความรู้: การจดจำข้อมูล
    • ความเข้าใจ: การจัดระเบียบแนวคิด การสรุปความ
    • การประยุกต์ใช้: การแก้ปัญหา
    • การวิเคราะห์: การแยกองค์ประกอบข้อมูล การเปรียบเทียบ การหาเหตุผลสนับสนุน
    • การสังเคราะห์: การผสานแนวคิด การสร้างความหมายใหม่
    • การประเมิน: การตัดสินและประเมินคุณภาพตามเกณฑ์

• ความแตกต่างจากงานวิจัยก่อนหน้า

  • งานวิจัยเดิมมักเน้นด้านการศึกษา หรือมุ่งที่องค์ประกอบย่อยอย่างความคิดสร้างสรรค์และความจำ
  • งานวิจัยนี้ศึกษาการ ลงมือปฏิบัติการคิดเชิงวิพากษ์ (enaction) ในสภาพแวดล้อมการทำงานจริงของผู้ใช้แรงงานความรู้

RQ1: การคิดเชิงวิพากษ์เกิดขึ้นเมื่อใด และอย่างไร?

• บริบทของการปฏิบัติ

  • การคิดเชิงวิพากษ์มักเกิดขึ้นเพื่อ รักษาคุณภาพของงาน
  • ช่วงที่การคิดเชิงวิพากษ์มักปรากฏระหว่างการใช้ GenAI:
    1. การกำหนดเป้าหมายและสร้างคำถาม: ตั้งเป้าหมายให้ชัดเจน ปรับแต่งพรอมป์ต์ให้เหมาะสม
    2. การทบทวนคำตอบ:
    • ตรวจสอบตามเกณฑ์เชิงวัตถุวิสัย (เช่น มีข้อผิดพลาดในโค้ดหรือไม่)
    • พิจารณาตามเกณฑ์เชิงอัตวิสัย (ความสมเหตุสมผล ความเป็นไปได้ ความเหมาะสมกับบริบท เป็นต้น)
    • ตรวจสอบแหล่งที่มาของข้อมูลและเทียบกับแหล่งข้อมูลภายนอก
    3. การผสานคำตอบ:
    • คัดเลือกเฉพาะข้อมูลที่จำเป็นมาปรับใช้
    • ปรับสไตล์และโทน รวมถึงทำให้เป็นแบบเฉพาะบุคคล

• แรงจูงใจในการปฏิบัติ vs ปัจจัยยับยั้ง

  • ปัจจัยที่ส่งเสริมการคิดเชิงวิพากษ์
    • การปรับปรุงคุณภาพงาน (เช่น แก้ไขข้อความที่ดูสูตรสำเร็จ ใส่ความรู้เฉพาะโดเมน)
    • การป้องกันผลลัพธ์เชิงลบที่อาจเกิดขึ้น (เช่น ข้อผิดพลาดของโค้ด ความเสี่ยงทางกฎหมาย)
    • แรงจูงใจในการเรียนรู้เพื่อ พัฒนาศักยภาพ ระยะยาว
  • ปัจจัยที่ยับยั้งการคิดเชิงวิพากษ์
    • มองว่าเป็น งานที่ไม่สำคัญ (เช่น การเขียนโพสต์ SNS)
    • เชื่อมั่นใน GenAI มากเกินไป
    • ผู้ใช้รับรู้ว่า ตนเองขาดความสามารถ (เช่น ไม่สามารถตัดสินประโยคเชิงกฎหมายได้)
    • เวลาไม่เพียงพอ และ ไม่สอดคล้องกับเป้าหมายงาน

RQ2: GenAI ส่งผลต่อความพยายามทางการรับรู้ของการคิดเชิงวิพากษ์อย่างไร?

• แนวโน้มของคำตอบ

  • ในทั้ง 6 กิจกรรมทางการรับรู้ สัดส่วนผู้ตอบที่ระบุว่า เมื่อใช้ GenAI ความพยายามทางการรับรู้ลดลง อยู่ในระดับสูงมาก
    • การระลึกความรู้: 72% ตอบว่า “ความพยายามลดลง”
    • ความเข้าใจ: 79%
    • การประยุกต์ใช้: 69%
    • การวิเคราะห์: 72%
    • การสังเคราะห์: 76%
    • การประเมิน: 55%

• การตีความการลดลงของความพยายาม

  1. รับรู้ว่า GenAI มีบทบาทเป็น ผู้ช่วยสนับสนุน (ยังคิดแบบเดิมแต่ทำได้ง่ายขึ้น)
  2. มอบหมายการคิดให้ GenAI (บางรายแทบไม่ได้ทำการคิดเชิงวิพากษ์จริง)
  3. เพียงแค่สับสนระหว่างการที่ ความพยายามทางการรับรู้โดยรวม ลดลง กับการที่ความพยายามในการคิดเชิงวิพากษ์ลดลง

ข้อพิจารณาด้านการออกแบบเครื่องมือ GenAI

• ต้องเพิ่ม ความมั่นใจในตนเอง ของผู้ใช้ เพื่อให้การคิดเชิงวิพากษ์เพิ่มขึ้นด้วย
• ในทางกลับกัน ความเชื่อมั่นใน GenAI มากเกินไป จะบั่นทอนการคิดเชิงวิพากษ์
• ควรมี การชี้นำด้านการออกแบบ ให้ผู้ใช้มอง GenAI ไม่ใช่เป็น “เครื่องตอบอัตโนมัติ” แต่เป็น “พาร์ตเนอร์ในการทบทวนและประสานงาน”
• ควรเน้นให้ผู้ใช้เห็นว่า ความสามารถในการประเมินคำตอบสำคัญกว่าการแก้ไขพรอมป์ต์

บทสรุป

• GenAI ช่วยเพิ่มประสิทธิภาพของงานความรู้ แต่ก็มาพร้อมกับ ความเสี่ยงที่การคิดเชิงวิพากษ์จะลดลง
• การออกแบบเครื่องมือที่ช่วยให้ การคิดเชิงวิพากษ์กลายเป็นนิสัยและคงอยู่ได้ เป็นสิ่งสำคัญ
• เพื่อใช้ GenAI ได้อย่างมีประสิทธิภาพ จำเป็นต้องพิจารณา UX โดยรวม รวมถึงการฝึกอบรมผู้ใช้และวงจรป้อนกลับ (data flywheel)