- Anthropic วิเคราะห์ข้อมูลบทสนทนาแบบไม่ระบุตัวตนจำนวน 1 ล้านรายการที่เกิดขึ้นบน Claude.ai เพื่อศึกษาว่านักศึกษามหาวิทยาลัยใช้ AI อย่างไรในสภาพแวดล้อมการศึกษาจริง
- นี่คือการวิเคราะห์ การใช้งานจริงขนาดใหญ่ ครั้งแรกที่ช่วยเติมเต็มข้อจำกัดของงานวิจัยแบบสำรวจหรือการทดลองก่อนหน้านี้
สรุปข้อค้นพบสำคัญ
- นักศึกษาในสาย STEM เป็นกลุ่มที่นำ Claude ไปใช้มากที่สุด โดยเฉพาะสาขา Computer Science ซึ่งคิดเป็น 36.8% ของบทสนทนาทั้งหมด (ขณะที่สัดส่วนปริญญาในสหรัฐฯ มีเพียง 5.4%)
- รูปแบบการใช้ AI ของนักศึกษาแบ่งได้เป็น 4 ประเภท: การแก้ปัญหาโดยตรง, การสร้างผลลัพธ์โดยตรง, การแก้ปัญหาแบบร่วมมือ, การสร้างผลลัพธ์แบบร่วมมือ
- นักศึกษาส่วนใหญ่ใช้ Claude กับงานด้านการรับรู้ระดับสูง เช่น 'การสร้างสรรค์(Creating)' และ 'การวิเคราะห์(Analyzing)'
- สิ่งนี้อยู่ในระดับบนของกรอบการจัดหมวดหมู่เป้าหมายการศึกษาของ Bloom และก่อให้เกิดความกังวลว่า การพึ่งพา AI อาจทำให้ทักษะการคิดเชิงวิพากษ์อ่อนแอลง
วิธีระบุรูปแบบการใช้ AI เพื่อการศึกษา
- ใช้เครื่องมือวิเคราะห์ภายในชื่อ Clio เพื่อจัดหมวดหมู่บทสนทนาใน Claude ตามหัวข้อ จากนั้นลบข้อมูลส่วนบุคคลและรวมผล
- จาก 1 ล้านรายการ มี 574,740 รายการที่ถูกระบุว่าเป็นบทสนทนาที่เกี่ยวข้องโดยตรงกับการเรียนหรือการวิจัย
- Clio จะจัดหมวดหมู่เพื่อการวิเคราะห์โดยอัตโนมัติเป็นแนวคิดระดับบน เช่น ‘การดีบักโค้ด’, ‘การอธิบายแนวคิดเศรษฐศาสตร์’
จุดประสงค์ที่นักศึกษาใช้ Claude
- 39.3% ของบทสนทนาทั้งหมดถูกใช้เพื่อสร้างและปรับปรุงเนื้อหาการศึกษา (เช่น สร้างแบบฝึกหัด แก้ไขเรียงความ สรุปความ เป็นต้น)
- 33.5% ถูกใช้เพื่อแก้โจทย์งานและอธิบายด้านเทคนิค (เช่น ดีบักโค้ด พัฒนาอัลกอริทึม แก้โจทย์คณิตศาสตร์ เป็นต้น)
- วัตถุประสงค์การใช้งานอื่น ๆ:
- การวิเคราะห์และการทำภาพข้อมูล: 11.0%
- การออกแบบงานวิจัยและพัฒนาเครื่องมือ: 6.5%
- การสร้างไดอะแกรมทางเทคนิค: 3.2%
- การแปลภาษาและตรวจแก้: 2.4%
เปรียบเทียบสัดส่วนการใช้ Claude ตามสาขาวิชา
- สาขาที่ใช้มากเกินสัดส่วน:
- Computer Science: สัดส่วนปริญญา 5.4% → สัดส่วนบทสนทนา 38.6%
- วิทยาศาสตร์ธรรมชาติและคณิตศาสตร์: สัดส่วนปริญญา 9.2% → สัดส่วนบทสนทนา 15.2%
- สาขาที่ใช้น้อยกว่าสัดส่วน:
- Business: 18.6% → 8.9%
- Health Professions: 13.1% → 5.5%
- มนุษยศาสตร์: 12.5% → 6.4%
- นักศึกษา STEM กำลังยอมรับ Claude อย่างรวดเร็ว
การวิเคราะห์รูปแบบปฏิสัมพันธ์ระหว่างนักศึกษากับ AI
- กำหนดรูปแบบปฏิสัมพันธ์ 4 แบบจาก 2 แกนหลัก:
- โดยตรง vs ร่วมมือ (ต้องการคำตอบอย่างรวดเร็ว vs ทำงานร่วมกับ AI แบบโต้ตอบ)
- การแก้ปัญหา vs การสร้างผลลัพธ์ (หาทางออกให้คำถาม vs สร้างผลลัพธ์อย่างเรียงความ)
- ทั้ง 4 รูปแบบมีสัดส่วนใกล้เคียงกัน โดยแต่ละแบบคิดเป็น 23~29% ของบทสนทนาทั้งหมด
- ตัวอย่างการเรียนรู้เชิงบวก:
- การอธิบายแนวคิดปรัชญา
- การจัดทำสื่อการสอนเคมี
- การอธิบายแนวคิดกายวิภาคของกล้ามเนื้อ
ความเป็นไปได้ของการทุจริตด้วย AI
- ราว 47% ของบทสนทนาเป็นปฏิสัมพันธ์แบบโดยตรง ซึ่งอาจมีความเป็นไปได้ในการทุจริต
- เช่น ขอคำตอบโจทย์ machine learning ขอคำตอบข้อสอบ ขอให้เขียนประโยคใหม่เพื่อหลบเลี่ยงการลอกผลงาน
- แม้แต่บทสนทนาแบบร่วมมือก็อาจมีส่วนช่วยต่อการเรียนรู้น้อย
- เช่น ขอให้ช่วยแก้การบ้านวิชาสถิติ
รูปแบบปฏิสัมพันธ์ตามสาขาวิชา
- วิทยาศาสตร์ธรรมชาติและคณิตศาสตร์: เน้นการแก้ปัญหา (เช่น ขอวิธีทำทีละขั้น)
- วิศวกรรมคอมพิวเตอร์, วิศวกรรม, วิทยาศาสตร์ธรรมชาติ: ชอบปฏิสัมพันธ์แบบร่วมมือ
- มนุษยศาสตร์, ธุรกิจ, สายสุขภาพ: สมดุลระหว่างแบบโดยตรงและแบบร่วมมือ
- สาขาศึกษาศาสตร์: มีสัดส่วนการสร้างผลลัพธ์สูงที่สุด (74.4%)
- รวมถึงกรณีที่ครูใช้ Claude เพื่อจัดทำสื่อการสอนและแผนการสอน
การวิเคราะห์งานด้านการรับรู้ที่นักศึกษามอบหมายให้ AI
- วิเคราะห์หน้าที่ทางการรับรู้ที่ Claude ทำตามกรอบ Bloom’s Taxonomy
- สัดส่วนงานการรับรู้ระดับสูง:
- การสร้างสรรค์(Creating): 39.8%
- การวิเคราะห์(Analyzing): 30.2%
- สัดส่วนงานการรับรู้ระดับล่าง:
- การประยุกต์ใช้(Applying): 10.9%
- ความเข้าใจ(Understanding): 10.0%
- การจดจำ(Remembering): 1.8%
- การที่ generative AI สามารถทำงานด้านการคิดระดับสูงได้มีนัยสำคัญทางการศึกษา แต่ก็อาจทำให้ความสามารถของผู้เรียนลดลง
ข้อจำกัดของงานวิจัย
- มีความเป็นไปได้สูงว่าข้อมูลจะสะท้อนผู้ใช้งานกลุ่มแรกเป็นหลัก
- ไม่ได้สะท้อนการใช้ AI อื่น ๆ นอกเหนือจาก Claude
- ข้อมูลบางส่วนอาจเป็นบทสนทนาของอาจารย์หรือเจ้าหน้าที่
- ไม่ได้สะท้อนความแตกต่างของการใช้งานตามช่วงเวลาระหว่างภาคการศึกษา
- ไม่ได้วิเคราะห์ว่าผลลัพธ์จาก AI มีส่วนต่อผลสัมฤทธิ์ทางการเรียนจริงหรือไม่
- ไม่ได้จัดหมวดหมู่กรณีการใช้งานแบบบูรณาการข้ามสาขา
- มีข้อจำกัดในการนำกรอบ Bloom ไปใช้กับ AI
บทสรุปและโจทย์ในอนาคต
- AI มอบความเป็นไปได้มากมายต่อการเรียนรู้ แต่ก็มีความท้าทายอย่างมากในด้านการคิดเชิงวิพากษ์และจริยธรรมการเรียน
- คำถามสำคัญ:
- ในยุค AI จะทำอย่างไรให้นักศึกษายังคงมีความสามารถพื้นฐานด้านการรับรู้?
- จะนิยามเกณฑ์การสอบและการประเมินใหม่อย่างไร?
- ในยุคที่ AI สามารถเขียนเรียงความและแก้ปัญหาซับซ้อนได้ ความหมายของการเรียนรู้คืออะไร?
- Claude ถูกใช้อยู่แล้วในฐานะเครื่องมือการเรียนรู้ที่มีความหมายในภาคการศึกษา และมีแผนขยายความร่วมมือกับนักการศึกษาเพิ่มเติม
แนวทางด้านการศึกษาของ Anthropic
- กำลังวิจัยบทบาทของ AI ต่อการศึกษาอย่างต่อเนื่องผ่านความร่วมมือกับมหาวิทยาลัย
- กำลังทดลอง 'Learning Mode' ที่เน้นความเข้าใจแนวคิดมากกว่าการให้คำตอบโดยตรง
- มีแผนศึกษาผลกระทบของ AI ต่อการเรียนรู้อย่างลึกซึ้งต่อไป
1 ความคิดเห็น
ความคิดเห็นจาก Hacker News