- การผงาดขึ้นของ generative AI ทำให้ความสำคัญของมนุษยศาสตร์เพิ่มขึ้น ขณะเดียวกันก็ทำให้ตัวแก่นแท้ของมนุษยศาสตร์เองเปลี่ยนไปในทางที่ซับซ้อนและแปลกหน้า
- ความรู้และทักษะแบบมนุษยศาสตร์ เข้ามามีบทบาทสำคัญในการวิจัยและการนำ AI ไปใช้
- แม้แต่ผู้ที่ไม่ใช่ผู้เชี่ยวชาญก็สามารถใช้เครื่องมือ AI เพื่อพัฒนา ซอฟต์แวร์เพื่อการศึกษา หรือเครื่องมือวิจัยของตนเองได้อย่างง่ายดาย เปิดความเป็นไปได้ใหม่ ๆ ให้แพร่หลาย
- ในทางกลับกัน การนำ AI chatbot มาใช้ ก็ก่อให้เกิดผลกระทบด้านลบ เช่น แรงจูงใจในการเรียนรู้ด้วยตนเองของนักศึกษาลดลง และคุณภาพของประสบการณ์ทางการศึกษาถดถอย
- ท่ามกลางความกังวลเรื่องความเหลื่อมล้ำทางการศึกษาที่รุนแรงขึ้น ความสามารถของครูแต่ละคนในการใช้ AI อย่างสร้างสรรค์ กลายเป็นโจทย์สำคัญยิ่งกว่าที่เคย
ความสัมพันธ์ที่เปลี่ยนไปของ AI กับมนุษยศาสตร์
สถานะของมนุษยศาสตร์ในยุค AI ใหม่
- บทความของ D. Graham Burnett ใน The New Yorker ชี้ให้เห็นว่า แม้จะเกิดความเปลี่ยนแปลงอย่างถอนรากถอนโคนเกี่ยวกับ AI ในมหาวิทยาลัย แต่ในหลายสาขาวิชารวมถึงมนุษยศาสตร์กลับยังมีบรรยากาศของการเมินเฉยหรือมองข้ามความเปลี่ยนแปลงนั้น
- มีมุมมองว่า การมองการมาของ AI ว่าเป็นเพียงกระแสชั่วคราว หรือการมองข้ามอิทธิพลในโลกจริงของมัน ไม่อาจดำเนินต่อไปได้อีกแล้ว
- Burnett เน้นว่า AI ได้ส่งผลกระทบต่อมนุษยศาสตร์ในเชิงโครงสร้างและไม่อาจย้อนกลับได้ไปแล้ว
generative AI ยกระดับคุณค่าของความรู้แบบมนุษยศาสตร์
การค้นพบทักษะแบบมนุษยศาสตร์อีกครั้ง
- AI ในหลากหลายด้าน เช่น การแปลภาษาธรรมชาติ การจัดหมวดหมู่ และ data mining ต่างต้องอาศัย ความเข้าใจเชิงมนุษยศาสตร์ ต่อภาษาและวัฒนธรรมของมนุษย์โดยเนื้อแท้
- ตัวอย่างเช่น ตอนที่ OpenAI แก้ปัญหา อาการเออออตามใจผู้ใช้ (sycophancy) ของ GPT-4o ก็ใช้วิธีเขียนประโยคภาษาอังกฤษใหม่ (prompt) แทนที่จะเข้าไปแก้ที่โค้ดเชิงเทคนิค
- หากปราศจากความเข้าใจลึกซึ้งต่อ บริบททางวัฒนธรรม ของภาษา ผลทางวาทศิลป์ การแบ่งประเภทของ genre และองค์ประกอบที่ไม่ใช่ภาษา ก็อาจเกิดการทำงานผิดพลาดโดยไม่ตั้งใจของระบบ AI ได้
- แม้แต่วิศวกรและนักวิจัยเองก็จำเป็นต้องมี ทักษะการคิดเชิงวิพากษ์ อย่างกว้างขวางเกี่ยวกับภาษา วัฒนธรรม และประวัติศาสตร์ของเทคโนโลยี
การขยายศักยภาพการใช้ AI ของผู้ที่ไม่ได้เรียนสายมนุษยศาสตร์
ยุคที่ทุกคนสร้างซอฟต์แวร์ได้ด้วยตนเอง
- ปัจจุบัน แม้แต่นักมนุษยศาสตร์ที่ไม่มีพื้นฐานทางเทคนิคก็สามารถใช้ AI เพื่อพัฒนา เครื่องมือเฉพาะทางสำหรับการวิจัยและการศึกษา ได้ด้วยตนเอง
- ผู้เขียนบทความได้พัฒนาเกมโต้ตอบที่อิงกับความรู้มนุษยศาสตร์จริง เช่น ซิมูเลเตอร์เภสัชกรในศตวรรษที่ 17 และเกมสำรวจหมู่เกาะกาลาปากอสของ Darwin วัยหนุ่ม
- ในเกมแรก ผู้เรียนจะได้ลองรักษาผู้ป่วยด้วย ตำรับแพทย์ยุคต้นสมัยใหม่ที่มีอยู่จริง และระหว่างทางก็เกิดปัญหา AI hallucination ที่ขัดกับข้อเท็จจริงทางประวัติศาสตร์
- เกมที่สอง (Young Darwin) ใช้ บันทึกจริงของ Darwin เพื่อจำลองประสบการณ์เก็บตัวอย่างสัตว์และสำรวจเกาะ พร้อมออกแบบให้ลด AI hallucination ให้น้อยที่สุดเพื่อยกระดับคุณภาพ
- วิธีการเรียนรู้เชิงทดลองเช่นนี้ เมื่อนำไปผสานกับการเขียนเรียงความหรือการอภิปรายในชั้นเรียนในฐานะเครื่องมือเสริม ก็สามารถขยาย การรับรู้ทางประวัติศาสตร์และการคิดเชิงวิพากษ์ ของผู้เรียนผ่านประสบการณ์ตรงได้
- การสอนแบบโต้ตอบด้วย AI สามารถมอบ แรงกระตุ้นทางปัญญาและโอกาสในการเรียนรู้ ให้กับการศึกษาด้านมนุษยศาสตร์ได้จริง
generative AI ทำให้การศึกษาด้านมนุษยศาสตร์ซับซ้อนยิ่งขึ้น
ความเปลี่ยนแปลงและความท้าทายทางการศึกษาที่ AI นำมา
- ในภาคการศึกษา AI chatbot อย่าง ChatGPT แสดงผลกระทบด้านลบอย่างชัดเจนต่อ ประสบการณ์การเขียนด้วยตนเอง ของนักศึกษา
- มีนักศึกษาจำนวนมากขึ้นเรื่อย ๆ ที่ส่งเรียงความหรือการบ้านซึ่งสร้างโดย AI ทำให้ระบบประเมินผลเดิมและเป้าหมายทางการศึกษาถูกท้าทาย
- ท้ายที่สุด นักศึกษาอาจเสี่ยงต่อการไม่ได้เผชิญกับ ความพยายามทางปัญญาที่มีความหมาย เช่น การก้าวข้ามภาวะเขียนไม่ออก (writers' block) ในการเขียน การค้นคว้าในห้องสมุด หรือการสืบค้นอย่างจริงจังต่อเนื่องเป็นเวลานาน
- ผู้เรียนมีแนวโน้มเด่นชัดขึ้นที่จะไม่รู้สึกว่างานที่ได้รับมอบหมายมีความน่าสนใจหรือมีความหมายในตัวเอง และหันไปสนใจเพียงการทำให้เสร็จผ่าน AI
ตัวอย่างเชิงบวกและความเป็นไปได้ทางการศึกษาแบบใหม่
- ขณะเดียวกัน ก็มีรายงานกรณีที่การออกแบบงานมอบหมายให้รวมปฏิสัมพันธ์กับ AI เข้าไป ได้มอบ แรงกระทบทางปัญญาและโอกาสในการทบทวนตนเองรูปแบบใหม่ ให้ทั้งนักเรียนและครู
- AI ไม่ได้ทำหน้าที่เพียงแทนที่มนุษย์เท่านั้น แต่ยังสามารถเป็นเครื่องมือเสริมที่ช่วยให้ผู้เรียน สนทนากับ AI เพื่อตรวจสอบความคิดของตนเอง ได้
- ตอนนี้เองเป็นช่วงเวลาที่จำเป็นต้องถกเถียงกันถึงความหมายและเป้าหมายของการศึกษา และต้องการ บทบาทเชิงรุกของครูในภาคสนาม เพื่อรักษาประสบการณ์การสอนและการเรียนรู้ที่แท้จริงไว้
ความเหลื่อมล้ำในการใช้ AI ในการศึกษาด้านมนุษยศาสตร์
ข้อเสนอเพื่อการศึกษาในอนาคต
- มีความกังวลว่า generative AI จะยิ่ง ซ้ำเติมช่องว่าง ในการศึกษาด้านมนุษยศาสตร์ในท้ายที่สุด
- ในกลุ่มนักเรียนที่ได้รับการฝึกฝนดีและอยู่ในสภาพแวดล้อมที่พร้อม ความสามารถในการใช้ AI อย่างสร้างสรรค์จะโดดเด่นชัด แต่ผู้เรียนในสภาพแวดล้อมที่ด้อยโอกาสอาจไม่เป็นเช่นนั้น
- การที่ครูแต่ละคนมีความสามารถ พัฒนางานมอบหมายและเครื่องมือ AI แบบปรับแต่งเอง ได้โดยตรง จึงถูกมองว่าสำคัญอย่างยิ่ง
- หากภาคการศึกษาไม่กระตือรือร้นกับโจทย์นี้ เครื่องมือการศึกษา AI เชิงพาณิชย์ที่ดูเหมือนจะ "interactive" บนผิวหน้า แต่แท้จริงแล้วเป็นแบบเดียวกันและไร้ความเป็นมนุษย์ ก็จะค่อย ๆ บั่นทอน ความสัมพันธ์ระหว่างนักเรียนกับครู และแก่นแท้ของการเรียนรู้
- จากความตระหนักถึงปัญหานี้ จึงมีการวางแผนและผลักดันโครงการที่ได้รับทุนสนับสนุนจาก NEH (กองทุนเพื่อมนุษยศาสตร์แห่งสหรัฐฯ) แต่ภายหลังก็ถูกยกเลิกเพราะการเปลี่ยนแปลงเชิงนโยบาย
แนะนำให้อ่านต่อ
- หนังสือ The Sounding of the Whale ของ D. Graham Burnett เป็นงานที่มีลักษณะเฉพาะเกี่ยวกับประวัติศาสตร์วิทยาศาสตร์ว่าด้วยวาฬ
- มีการค้นพบชิ้นส่วนจดหมายที่ถูกนำไปใช้เป็นโครงสร้างการเย็บเล่มในหนังสือตีความคัมภีร์ไบเบิลที่ตีพิมพ์ในปี 1608 ซึ่งนำไปสู่กรณีศึกษาวิจัยใหม่เกี่ยวกับความสัมพันธ์ระหว่าง Shakespeare กับ Anne Hathaway
- ศาสตราจารย์ Kathleen DuVal แห่ง UNC ได้รับรางวัล Pulitzer จากหนังสือ Native Nations: A Millennium in North America ที่เพิ่งตีพิมพ์ไม่นานมานี้ และผลงานก่อนหน้าของเธอก็ได้รับการประเมินว่าน่าสนใจเช่นกัน
1 ความคิดเห็น
ความคิดเห็นบน Hacker News
คิดว่ามีปัญหาทางการศึกษาที่ลึกกว่านั้น คือเราฝึกให้นักเรียนมองโรงเรียนและที่ทำงานเป็นเพียงขั้นตอนไม่รู้จบของการพิชิตเป้าหมาย สุดท้ายเป้าหมายก็คือ “การได้งาน” แต่ตอนนี้กลับไม่มีใครพูดได้อย่างมั่นใจแล้วว่าอีก 5–10 ปีจะยังเหลืองานอะไรอยู่บ้าง น่าจะยกเว้นแค่งานสายทักษะภาคปฏิบัติบางประเภท แต่หลักสูตรแบบนั้นก็แทบหายไปจากระบบการศึกษามาตั้งนานแล้ว ถ้านักศึกษามหาวิทยาลัยใช้ AI ทำการบ้านให้เสร็จง่าย ๆ แล้วข้ามการอ่านหนังสือหรือการฝึกความอดทนไป ปัญหานี้ก็น่าจะเป็นความรับผิดชอบของระบบการศึกษาและระบบเส้นทางอาชีพที่เราสร้างขึ้น มากกว่าจะโทษตัวนักศึกษาเอง ปัญหานี้ไม่ได้เพิ่งเกิดขึ้นในชั่วข้ามคืน และก็ไม่ได้มีสาเหตุจาก AI อย่างเดียว
น่าเสียดายที่ AI ถูกใช้เป็นข้ออ้างเพื่อทำให้การเลิกจ้างครั้งใหญ่และการลดต้นทุนดูชอบธรรม เช่นเดียวกับที่ตอนนี้บางคนก็เริ่มโยนความล้มเหลวของระบบการศึกษาทั้งหมดไปให้ AI ทั้งที่ในความเป็นจริง ระบบการศึกษานั้นให้รางวัลกับ “คะแนน” เพียงอย่างเดียว ไม่ใช่ความรู้ ความเข้าใจ หรือสติปัญญา แต่เป็นค่าเดียวที่เล่นเกมได้ง่ายที่สุดอย่าง 'คะแนน' (GPA) ซึ่งเป็นตัวกำหนดเส้นทางตั้งแต่ม.ต้น ม.ปลาย มหาวิทยาลัย ไปจนถึงหลังจากนั้น นี่แหละคือปัญหาใหญ่ที่สุดของการศึกษา
มั่นใจมากว่างานที่มีอยู่มาอย่างยาวนานจะยังคงอยู่ต่อไป แม้จะมีการเปลี่ยนแปลงทางเทคโนโลยี งานเหล่านี้ก็จะไม่หายไปทันที แต่จะค่อย ๆ เสื่อมความสำคัญลง ดังนั้นเรายังมีเวลาพอจะเตรียมตัวและวางแผนได้ ในทางกลับกัน งานรายได้สูงในภาคเศรษฐกิจใหม่ ๆ มักอยู่ได้ไม่นานและคาดเดายากกว่า และถ้าเป็นคนที่รู้สึกอิจฉารายได้ที่มาแบบไม่คาดคิดได้ง่าย ก็คงยากจะมีความสุขกับงานประเภทนั้น
ต่อข้ออ้างว่า “ระบบการศึกษาและเส้นทางอาชีพต่างหากที่เป็นปัญหาใหญ่” มีการชี้ว่าความจริงแล้วผู้คนจำนวนมากยังคงโทษนักเรียนซ้ำ ๆ อยู่เสมอ
ไม่เคยมีใครคาดการณ์อาชีพในอนาคตได้อย่างมั่นใจตลอดเวลาอยู่แล้ว คนที่มีพื้นฐานแน่นและปรับตัวได้ย่อมหาทางไปต่อได้เสมอ
ถ้ามีคนเพียง 10% ของประชากรแห่ไปทำงานสายทักษะภาคปฏิบัติ อุตสาหกรรมนั้นก็พังแน่นอน จึงสงสัยว่าทำไมทุกคนถึงมองข้ามจุดนี้
สนใจมากหลังเห็นคอมเมนต์หนึ่งเกี่ยวกับนักศึกษาปริญญาโทสาขาปรัชญาของ SFSU ที่เปลี่ยนการสอนทั้งหมดให้เหมือน “วิ่งฝ่า AI และด่านอุปสรรค” แล้วนักศึกษากลับสนุกขึ้น เลยเกิดไอเดียน่าสนใจว่า ถ้าให้นักศึกษาช่วยกันออกแบบโจทย์ที่ ChatGPT แก้ไม่ได้แล้วแลกกันทำจะเป็นอย่างไร สมัยก่อนเคยเจอโปรแกรมตอบคำถามใน barcamp ที่ออกแบบมาให้ค้นคำตอบจาก Google ได้ไม่ง่ายและสนุกมาก การออกแบบงานที่ “ต้าน ChatGPT” ก็ดูเป็นความท้าทายทางปัญญาในระดับใกล้เคียงกัน
คิดว่าการออกแบบงาน “ต้าน ChatGPT” จริง ๆ แล้วอาจค่อนข้างง่าย เช่นในระบบมหาวิทยาลัยเยอรมนีที่ให้นักศึกษาทำแบบฝึกหัดยากทุกสัปดาห์ และต้องผ่านในระดับหนึ่งก่อนจึงจะมีสิทธิ์สอบ เป้าหมายแท้จริงของงานพวกนี้คือป้องกันไม่ให้นักศึกษาที่ไม่พร้อมไปสอบแล้วพังด้วยตัวเอง ถึงจะโกงการบ้านด้วย ‘ChatGPT’ หรือเครื่องมืออื่นก็ไม่ได้มีบทลงโทษรุนแรงนัก แต่ทุกคนรู้ดีว่าถ้าทำแบบนั้น สุดท้ายก็จะไปพังจริง ๆ ในห้องสอบ มหาวิทยาลัยส่วนใหญ่ในเยอรมนีหากสอบตก 3 ครั้งก็จะหมดสิทธิ์เรียนสาขานั้นต่อในทุกมหาวิทยาลัย
Howard Rheingold กำลังทำงานเชิงรุกในประเด็นนี้อยู่ ถ้าสนใจ แนะนำ Peeragogy Handbook และโพสต์ที่ผลักดันแนวคิดนี้ เขาเล่าว่า “ยิ่งฉันมอบอำนาจของครูให้กับนักเรียนและสนับสนุนให้พวกเขาเรียนรู้อย่างเป็นผู้นำเองมากเท่าไร นักเรียนก็ยิ่งบอกฉันได้มากขึ้นว่าควรออกแบบวิธีสอนของฉันใหม่อย่างไร”
ฉันเป็นคนตาบอด และยังคงกังวลอยู่เสมอว่าโจทย์แบบ “เห็นแค่เส้นรอบเกาะ” พวกนี้อาจเข้าถึงไม่ได้เลยสำหรับคนแบบฉัน การลดงานแบบอิงข้อความกลับยิ่งทำให้การศึกษาที่เข้าถึงได้สำหรับคนพิการยากขึ้นไปอีก นี่คือจุดเริ่มต้นของคนรุ่นใหม่ในช่องว่างดิจิทัลแบบใหม่
เห็นด้วยว่าการออกแบบงานต้าน ChatGPT เป็นความท้าทายทางปัญญา แต่เหล่าอาจารย์แทบไม่ได้รับทั้งเวลาและการฝึกฝนเพื่อใช้วิธีสอนเชิงทดลองแบบนี้เลย ถ้าต้องสอน 4/4 (สี่วิชาต่อเทอม) และพยายามเอาตัวรอดกับตารางงานอยู่แล้ว ก็แทบไม่มีทางทดลองอะไรได้ อีกทั้งเครื่องมือ AI ก็พัฒนาเร็วมาก ไอเดียดี ๆ จึงล้าสมัยอย่างรวดเร็ว เช่นเคยให้นักศึกษาทำพอดแคสต์แทนรายงาน แต่ไม่นานก็มีเครื่องมือ “สร้างพอดแคสต์ของฉัน” ออกมา สุดท้ายก็โกงกันง่ายไม่ต่างจากเรียงความแบบเดิม
ถ้าครูรู้เรื่องนั้นดีจริง แค่คุยกับนักศึกษา 30 วินาทีก็จับได้แล้วว่าเขารู้จริงไหม บางที “การบ้าน” อาจไม่ใช่วิธีที่ดีที่สุดในการสร้างและตรวจสอบความรู้ก็ได้
ผู้เขียนบทความต้นทางเน้นเรื่องการสอนประวัติศาสตร์เป็นหลัก แต่สิ่งที่พูดถึงจริง ๆ ใกล้เคียงกับ “การซาบซึ้งในประวัติศาสตร์” มากกว่า เป็นการเข้าหาอดีตผ่านวัฒนธรรมของการอ่าน “คัมภีร์คลาสสิก” (เช่น Cicero) มากกว่าจะใช้ประวัติศาสตร์เป็นเครื่องมือทำนาย นายทหารศึกษาเรื่องประวัติศาสตร์ด้วยวิธีที่ต่างออกไปโดยสิ้นเชิง คือมองหาสาเหตุของความผิดพลาดและความล้มเหลว นี่ก็เป็นมิติของประวัติศาสตร์ที่ LLM ยังทำได้ไม่ดีนัก ถ้าอยากรู้จักยุคของ Cicero แนะนำให้อ่านหนังสือเล่มนี้ เขียนโดยนักข่าวการเมืองภาคสนาม จึงให้ประสบการณ์ที่หักมุมมุมมองประวัติศาสตร์แบบดั้งเดิมที่มักหลงใหลเพียงศิลปะการพูดอย่างแหลมคม
การใช้ประวัติศาสตร์เป็นเครื่องมือพยากรณ์ไม่ใช่เป้าหมายดั้งเดิมของวงวิชาการ ประวัติศาสตร์มีไว้เพื่อให้เข้าใจความเคลื่อนไหวของมนุษย์ และการประยุกต์ใช้ก็กว้างมาก แม้แต่ประวัติศาสตร์การทหารเองก็ยังเป็นสาขาที่รับวิธีวิจัยใหม่ ๆ ช้าที่สุดสาขาหนึ่ง
ไม่เห็นด้วยกับข้ออ้างที่ว่า “การซาบซึ้ง” ต้องแยกออกจาก “การวิเคราะห์” ประวัติศาสตร์จำเป็นต่อการอธิบายว่าสถานการณ์ปัจจุบันก่อรูปขึ้นมาได้อย่างไร การศึกษาคลาสสิกก็ควรทำอย่างวิพากษ์วิจารณ์ และนักประวัติศาสตร์ก็ทำเช่นนั้นอยู่แล้ว
ถ้าเรียนจาก “ผู้ชนะ” ก็แทบจะแน่นอนว่าจะได้เรียนรู้แค่อคติจากผู้รอด
การแยกประวัติศาสตร์ในฐานะการวิเคราะห์เชิงยุทธศาสตร์ ออกจากการศึกษาประวัติศาสตร์ในฐานะการซาบซึ้งทางวัฒนธรรม เป็นประเด็นที่ดีมาก ทุกวันนี้การศึกษาส่วนใหญ่เอนเอียงไปทางอย่างหลัง ซึ่งเป็นด้านที่ AI เลียนแบบได้ง่ายกว่า ที่จริงแล้วความคิดที่มีค่ากว่ามักเกิดจากคำถามที่ชวนอึดอัด เช่น ความล้มเหลว ผลลัพธ์ที่ไม่ได้ตั้งใจ และมุมมองชายขอบ
ขอเสริมว่านายทหารไม่ได้มองประวัติศาสตร์เพียงเพื่อ “วิเคราะห์ความผิดพลาด” อย่างเดียว
การสอบวิทยานิพนธ์ระดับปริญญาเอกสายมนุษยศาสตร์ประกอบด้วย “วิทยานิพนธ์ลายลักษณ์อักษร” และการป้องกันแบบปากเปล่าสด ๆ ทำให้โกงด้วย ChatGPT ได้ยากมาก อาจารย์เก่งในการเชื่อมโยงสิ่งที่ดูเหมือนไม่เกี่ยวกันเข้าด้วยกันแล้วตั้งคำถาม ฉันเคยช่วยวิศวกรแก้ปัญหา semantic analysis แต่พบว่าหลายครั้งพวกเขางงเพราะไม่เข้าใจภาษา แม้จะสื่อสารเก่ง แต่ไม่ได้แปลว่าเข้าใจตัวภาษาเอง ในการประเมินที่เกี่ยวกับ AI สิ่งที่ถูกทดสอบกลับมีเพียงสิ่งที่ AI ทำได้ดีเท่านั้น ความสามารถด้านภาษาของฉันไม่ได้กลายเป็นเกณฑ์ประเมิน ฉันต้องคอยชี้ให้เห็นปัญหาภาษาที่ AI เผชิญ และโน้มน้าวคนอื่นให้เห็นคุณค่าของมัน
ถ้าครูฟิสิกส์ขี้เกียจ ก็จะเปลี่ยนทุกโจทย์ให้กลายเป็นโจทย์คณิตศาสตร์ ถ้ากังวลว่าเครื่องคิดเลขที่ดีขึ้นจะทำให้ข้อสอบไร้ความหมาย นั่นก็แปลว่าที่สอนมาไม่ใช่ฟิสิกส์ แต่เป็นคณิตศาสตร์ต่างหาก ถ้าครูสายมนุษยศาสตร์ขี้เกียจ ก็จะเปลี่ยนทุกอย่างให้เป็นโจทย์การเขียน ถ้าตัวตรวจสะกดที่ดีขึ้นทำให้การประเมินมนุษยศาสตร์ใช้ไม่ได้ นั่นก็แปลว่าที่วัดจริง ๆ คือทักษะการเขียนล้วน ๆ พูดแบบแรงหน่อย แต่ก็สงสัยว่าการเขียนที่ดีจำเป็นต้องเท่ากับการคิดที่ดีเสมอไปหรือไม่
เห็นด้วยว่าอาจารย์สามารถพัฒนาเทคนิคการประเมินที่ต้าน AI ได้ แต่แทบไม่มีการสนับสนุนในระดับองค์กรเลย ทุกคนต้องแก้ปัญหากันเอง และวงรอบการทดลองก็ช้ากว่าความเร็วของเครื่องมือ AI มาก แม้จะลองใช้วิธีประเมินใหม่ทั้งเทอม พอผ่านไปไม่กี่สัปดาห์ก็ต้องเตรียมวิชาถัดไปแล้ว จึงแทบไม่มีเวลาให้ประเมินผลและปรับปรุงจริงจัง ปกติแล้วอย่างมากก็ได้ลองซ้ำปีละครั้ง
ทำให้นึกถึงสมัยก่อนในวงการวิทยาศาสตร์ตอนเครื่องคิดเลขเริ่มเข้ามา ในคาบฟิสิกส์มัธยมปลาย นักเรียนฐานะดีบางคนเอา ‘เครื่องคิดเลขวิทยาศาสตร์’ มาใช้ แล้วก็มีข้อถกเถียงว่าควรอนุญาตไหม เครื่องคิดเลขอาจไม่ใช่ของเปรียบเทียบกับ LLM ที่ตรงเป๊ะ แต่เหตุผลที่ว่าในโลกทำงานจริงสุดท้ายก็ต้องใช้มันอยู่ดีนั้นฟังขึ้นมาก โดยเฉพาะในวิศวกรรมซอฟต์แวร์ ทุกวันนี้ก็ยังจริงอยู่
คิดว่าคำตอบคือการนำวิธีสอนแบบโสเครตีสกลับมาใช้ในการศึกษามนุษยศาสตร์ ไม่ใช่กระบวนการแบบ passive ที่แค่บริโภคและผลิตข้อความ (ซึ่งในความเป็นจริงก็มีแค่ผู้ช่วยสอนกับอาจารย์เท่านั้นที่อ่าน) แต่ควรเป็นชั้นเรียนที่ขับเคลื่อนด้วยการสนทนา ให้นักศึกษาอภิปรายและถกเถียงกันโดยอิงจากสื่อการสอนและเนื้อหาในชั้นเรียน LLM อาจเขียนเรียงความระดับกลาง ๆ ได้เก่ง แต่ไม่สามารถแลกเปลี่ยนความคิดกับเพื่อนในห้องเรียนจริงได้ แน่นอนว่าข้อจำกัดในทางปฏิบัติคือค่าแรง จึงยากจะขยายวิธีนี้ในวงกว้าง
คิดว่าการเปรียบ ChatGPT เป็นแค่ตัวตรวจสะกดนั้นเหลวไหล ทักษะการเขียนเองก็เป็นทักษะสำคัญที่ต้องสอนอยู่ดี
คิดว่าต้นตอของการทุจริตในสายมนุษยศาสตร์คือมีแรงจูงใจทางเศรษฐกิจให้โกง
คนส่วนใหญ่มักไม่รู้ว่าในประวัติศาสตร์และมนุษยศาสตร์ยังมีงานให้ทำอีกมหาศาล ตัวอย่างเช่น หลายคนสนใจการถอดความม้วนกระดาษที่ถูกเผาจากเฮอร์คิวเลเนียม แต่ความจริงแล้ว ข้อความนีโอละตินตั้งแต่ยุคเรอเนสซองส์ถึงต้นสมัยใหม่ยังถูกแปลเป็นอังกฤษไม่ถึง 10% ด้วยซ้ำ แม้แต่คนอย่าง Marsilio Ficino ซึ่งงานแปลคลาสสิกของเขาทิ้งร่องรอยสำคัญไว้ในประวัติศาสตร์ยุโรป ผลงานที่เขาเขียนเองจำนวนมากก็ยังไม่ถูกแปลเป็นอังกฤษ LLM จะมีผลกระทบอย่างมากกับเรื่องนี้ แต่ถ้ามีความตั้งใจ นักศึกษาคนไหนก็สามารถสร้างคุณูปการจริงในพื้นที่ที่ยังไม่เป็นที่รู้จักนี้ได้ ดังนั้นเวลาให้คะแนนนักศึกษา ฉันจึงใช้เกณฑ์ว่า “ฉันได้เรียนรู้อะไรจากพวกเขามากแค่ไหน”
สถาปัตยกรรมทรานส์ฟอร์เมอร์เดิมทีถูกออกแบบมาเพื่อการแปล แต่รู้สึกว่าโมเดลเชิงกำเนิดที่ overfit มากเกินไปกลับเปราะบางต่อการแปลอย่างมาก วิธีง่าย ๆ อย่างการแท็กชนิดคำ + เปิดพจนานุกรม + จับคู่ไวยากรณ์ กลับให้ผลดีกว่ามาก และยังให้ช่วงความเชื่อมั่นได้ด้วย ถ้าต้องการเครื่องมือแปล ควรใช้เครื่องมือแบบ Project Bergamot มากกว่า generative AI และน่าเสียดายมากที่วิชามนุษยศาสตร์ระดับมัธยมปลายทุกวันนี้กลายเป็นแค่แบบฝึกหัด ไม่ใช่ “การค้นพบจริง”
ประวัติศาสตร์ที่เรามีล้วนถูกส่งต่อผ่านคอขวดที่แคบมาก จึงมีส่วนที่หายไป ถูกดัดแปลง หรือบิดเบือนอย่างหนัก เราแทบไม่รู้เลยว่าเมื่อ 500 ปีก่อนเกิดอะไรขึ้นจริง และผู้มีอำนาจอย่างตระกูลเมดิชิซึ่งควบคุมประวัติศาสตร์ ก็มีแนวโน้มสูงว่าจะกำกับบันทึกให้เป็นประโยชน์ต่อฝ่ายตนเองด้วย สุดท้ายแล้วประวัติศาสตร์ก็คือการวาดฉากหลังให้กับปัจจุบัน ไม่คิดว่า AI จะช่วยให้เราเข้าใจอดีตได้ดีขึ้นมากนัก แต่กลับอาจกลายเป็นเครื่องมือที่ทำให้เมดิชิยุคใหม่เปลี่ยนฉากหลังของอดีตได้รวดเร็วยิ่งขึ้น
มีคนเสนอว่าวิศวกรที่พัฒนาระบบ AI ควรคิดให้ลึกเรื่องภาษา วัฒนธรรม รวมถึงประวัติศาสตร์และปรัชญาของเทคโนโลยี แต่ในความเป็นจริง สิ่งสำคัญอาจไม่ใช่การขาดความรู้เชิงวิชาการ หากแต่เป็นการเพิกเฉยต่อความซับซ้อนของโลกจริงต่างหากที่ทำให้ปัญหาเกิดขึ้น เมื่อความสามารถด้านการเขียนโค้ดถูกทำให้เป็นของพื้นฐานมากขึ้น คนที่มีความสามารถเสริมกัน เช่น โค้ดดิ้ง+ประวัติศาสตร์ จะยิ่งได้เปรียบมากขึ้น นี่คือแก่นของการเปลี่ยนแปลงที่กำลังเกิดขึ้นในมนุษยศาสตร์ตอนนี้
โดยพื้นฐานแล้ว “ความสามารถในการตั้งคำถามที่ดีและลงมือแก้ปัญหาด้วยตนเอง” เป็นทักษะที่มีคุณค่าอย่างยิ่งเสมอมา
เดี๋ยวนี้นักศึกษามีแนวโน้มจะทำงานเป็นทีมกับเพื่อนที่มีพื้นเพหลากหลายมากขึ้น แทนที่จะลงลึกในเรื่องเดียวไม่ว่าจะเป็นการเขียนโค้ดหรืออย่างอื่น เพราะความเร็วของการเปลี่ยนแปลงนั้นเทียบอดีตไม่ติด จนทำให้พวกเขารับรู้ข้อจำกัดและความจำเป็นของการร่วมมือกันตั้งแต่เนิ่น ๆ โดยไม่ขึ้นกับคุณภาพการฝึกฝน โจทย์ที่ใหญ่กว่าคือจะร่วมมือ ซิงก์กัน และกำหนดทิศทางร่วมกันอย่างไรท่ามกลางพรสวรรค์ ความสนใจที่ต่างกัน และโลกที่เปลี่ยนเร็ว
วงการประวัติศาสตร์เผชิญปัญหา “ประวัติศาสตร์ในฐานะเรื่องเล่า” มาตั้งแต่หลายสิบปีก่อนแล้วผ่านงานของ Hayden White คำกล่าวของ White ที่ว่า “ประวัติศาสตร์คือ fiction” ก็ไม่ได้หมายถึงการปฏิเสธข้อเท็จจริง แต่หมายความว่าการตีความและการเล่าเชิงวรรณกรรมฝังอยู่ในงานประวัติศาสตร์เสมอ กล่าวคือ นักประวัติศาสตร์เองก็เหมือนนักประพันธ์ที่ใช้โครงสร้างเรื่องเล่าและเทคนิคการเขียนเพื่อประกอบความหมายของเหตุการณ์ขึ้นมา
คิดว่าความล้มเหลวของระบบ AI ที่เราเห็นกัน ส่วนใหญ่เกิดจากการเมินเฉยต่อความซับซ้อนของโลกจริง
โดยสรุปแล้ว มันแทบเป็นการพูดซ้ำแนวคิด ‘comoditize your complement’ ของ Joel Spolsky ในอีกรูปแบบหนึ่ง
ใน system prompt ของ OpenAI มีประโยคว่า “รักษาความเชี่ยวชาญและความซื่อสัตย์ที่สะท้อนคุณค่าของ OpenAI ได้ดีที่สุด” ซึ่งคนที่มีพื้นฐานทางมนุษยศาสตร์จะมองทะลุได้ทันทีว่าถ้อยคำแบบนี้อาจย้อนกลับมาสร้างผลเสียร้ายแรงในวิกฤต AI แห่งอนาคต ความละเอียดอ่อนของนัยแบบนี้แหละที่สำคัญจริง ๆ และเป็นเหตุผลว่าทำไมถึงเกิดพล็อตแบบฮอลลีวูดที่ “เครื่องจักรล่มสลายเพราะพยายามสะท้อนจิตใจของผู้สร้าง”
ฉันค่อนข้างสงสัยผลดีของการใช้คอมพิวเตอร์ในห้องเรียน จริง ๆ แล้วถ้าจะเรียนรู้อะไรให้ติดตัว ต้องอ่านบนกระดาษและเขียนโน้ตด้วยลายมือลงในช่องว่างหรือสมุดกระดาษเท่านั้นจึงจะจำได้ แม้ในฐานะโปรแกรมเมอร์จะใช้หน้าจอทุกวัน แต่ถ้าจะจำเรื่องใหม่ ๆ ให้ขึ้นใจ ฉันต้องใช้กระดาษเสมอ แม้แต่ในการประชุมออฟไลน์หรือคอนเฟอเรนซ์ก็ไม่เคยเปิดโน้ตบุ๊กและจดด้วยกระดาษอย่างเดียว จึงอดสงสัยไม่ได้ว่าการเรียนผ่านโน้ตบุ๊กหรือแท็บเล็ตจะช่วยได้จริงหรือไม่
กรณีนี้เป็นเพียงประสบการณ์ส่วนตัวเท่านั้น และไม่น่าจะใช้ได้อย่างสม่ำเสมอกับคนอื่น ฉันไม่ได้เขียนอะไรลงกระดาษมาหลายปีแล้ว แต่ระหว่างนั้นก็ยังเรียนรู้สิ่งใหม่ ๆ ได้มากพอ
คิดว่าความต่างแบบนี้ขึ้นอยู่กับเราสร้างนิสัยการเรียนรู้มาตั้งแต่แรกอย่างไร สำหรับฉัน การจดใน Notepad ได้ผลน้อยกว่า และการเขียนด้วยมือช่วยให้จำได้ดีกว่า แต่นี่เป็นผลจากนิสัยที่โรงเรียนปลูกฝัง หรือพูดอีกอย่างคือการฝึกฝนส่วนบุคคล คนอื่นก็อาจเรียนรู้ได้ดีเยี่ยมด้วยวิธีของตัวเอง
มีคนรุ่นหนึ่งที่พิสูจน์แล้วว่าประสบการณ์ของคนรุ่นฉันไม่ใช่กรณีมาตรฐานของการศึกษา
เห็นด้วยว่าแอปเรียนรู้ โดยเฉพาะเครื่องมือเรียนที่ทำให้เป็นเกม มีประสิทธิภาพชัดเจนในแง่ของ “การฝึกฝน”
มีประสบการณ์ตรงว่า LLM เจาะช่องโหว่ขนาดใหญ่ในวิธีที่การศึกษาอเมริกันทำงานจริงมาได้ จนถึงตอนนี้การประเมินตั้งอยู่บนสมมติฐานว่า “ผลงานเขียนที่ทำโดยไม่มีการคุมสอบคือหลักฐานของการเรียนรู้” แต่ LLM สร้างผลงานแบบนั้นได้ง่ายมาก และผลที่ตามมาคือแม้แต่อุตสาหกรรมรับจ้างเขียนเรียงความก็โดนกระทบไปด้วย ตอนนี้นักการศึกษาจึงต้องกลับไปหามาตรฐานการประเมินใหม่ และคำถามเก่าแก่อย่าง “การเรียนรู้คืออะไร” และ “จะวัดมันอย่างมีความหมายได้อย่างไร” ก็ยิ่งสำคัญขึ้น ฉันคาดแบบขำ ๆ ว่า การท่องจำและการสอบปากเปล่าจะกลับมาอีกครั้ง วิธีนี้ก็มีข้อเสีย แต่ ณ ตอนนี้ยังโกงได้ไม่ง่าย จึงน่าจะยังใช้ได้ไปอีกพักหนึ่ง
การถือว่านักศึกษาส่งเรียงความแล้วเท่ากับพิสูจน์การเรียนรู้ได้ เป็นความเข้าใจผิดที่มีมานาน ตอนนี้ AI เขียนให้ได้ด้วย จึงต้องกลับไปหาการตรวจสอบที่แก่นแท้ ถ้า “การเขียนอย่างเดียวพิสูจน์การเรียนรู้ไม่ได้” แล้วเราจะตรวจจับการเรียนรู้จริงได้อย่างไร จึงมองว่าการสอบปากเปล่าและการประเมินการอภิปรายแบบเรียลไทม์อาจกลับมาคึกคักอีกครั้ง AI ไม่ได้ทำลายการศึกษา แต่เพียงเปิดโปงปัญหาที่มีอยู่เดิมอย่างชัดเจนขึ้นเท่านั้น
แก่นของช่องโหว่นั้นอยู่ที่เรื่อง “ภาวะวิสัย” ในการศึกษาเราหมกมุ่นกับการวัดผลมากจนตั้งสมมติฐานว่าสิ่งที่สอนเป็นข้อเท็จจริงก่อนประสบการณ์หรือเป็น “ความจริงเชิงวัตถุ” ทั้งที่จริงแล้วนี่แทบเป็นเพียงมายาคติ ยิ่งพยายามกำหนดเกณฑ์เข้มงวด ก็ยิ่งทำให้เราหลงคิดว่าความรู้คือความจริง แต่ในความเป็นจริง การเขียนและการเรียนรู้ทั้งหมดคือผลรวมของประสบการณ์เชิงอัตวิสัย และหากต้องการภาวะวิสัย ก็จำเป็นต้องสำรวจมุมมองเชิงอัตวิสัยจำนวนมาก การมาของ LLM กลับเป็นการข้ามกระบวนการนี้ไป โดยไม่ได้สร้างคำตอบจากการตีความเชิงตรรกะ แต่จาก “บรรยากาศ” หรือ vibe เป้าหมายจึงกลายเป็นการสร้างบรรยากาศหรือบริบททางสังคมที่คุ้นเคยแทน และเรายังไม่รู้ว่าควรขีดเส้นแบ่งตรงไหน ความเข้มงวดถูกประเมินค่าสูงเกินไป การเรียนรู้ร่วมกันผ่านการสำรวจหลายมุมมองต่างหากที่เป็นวิธีเรียนรู้ที่ดีที่สุดสำหรับมนุษย์
คิดว่านิยามของการเรียนรู้ไม่ได้เปลี่ยนไป แม้แต่บันทึกแรกสุดของมนุษยชาติก็ยังบ่นทำนองว่า “ไอ้การเขียนแบบใหม่พรรค์นี้ทำให้นักเรียนไม่ยอมเรียน” การศึกษาปรับตัวตามความเปลี่ยนแปลงมาโดยตลอด
ในการศึกษาอเมริกัน สิ่งที่กินสัดส่วนมหาศาลคือการผลิต “เรียงความไร้ความหมาย” ดังนั้นจึงไม่แปลกที่ AI จะเข้ามาเจาะช่องนี้