ปัญญาประดิษฐ์ทำให้มนุษยศาสตร์สำคัญขึ้น แต่ในขณะเดียวกันก็ทำให้มันแปลกประหลาดขึ้นมาก
(resobscura.substack.com)- Generative AI กำลังเปลี่ยนแปลงการศึกษาและการวิจัยด้านมนุษยศาสตร์ไปแล้ว วิธีรับมือที่มองว่าเป็นเพียงกระแสเกินจริงหรือสิ่งที่ต้องห้ามอย่างเดียวจึงอยู่ได้ไม่นาน
- ความสามารถด้านการแปล การจำแนก และการประมวลผลภาษาของ LLM เชื่อมโยงกับความรู้ด้านมนุษยศาสตร์ และในการปรับปรุงระบบ AI การตัดสินเชิงภาษา วัฒนธรรม และวาทศิลป์ก็สำคัญขึ้น เช่น ปัญหาการประจบเอาใจ ของ GPT-4o
- นักวิจัยมนุษยศาสตร์ที่ไม่ใช่สายเทคนิคก็สามารถสร้างเครื่องมือวิจัยและการสอนเฉพาะทางด้วยความช่วยเหลือจาก AI ได้ โดยซิมูเลเตอร์เภสัชกรในศตวรรษที่ 17 และ Young Darwin แสดงให้เห็นทั้งศักยภาพและความยากในการควบคุม hallucination
- แชตบอตอย่าง ChatGPT ทำให้การประเมินงานเขียนของนักศึกษายากขึ้น และเพิ่มความเสี่ยงที่นักศึกษาจะข้ามความพยายามทางปัญญา จนสูญเสีย ประสบการณ์การคิดอย่างจดจ่อ
- หากผู้สอนไม่ออกแบบงานและเครื่องมือที่ใช้ AI ด้วยตนเอง เครื่องมือการเรียนรู้ AI เชิงพาณิชย์ที่บั่นทอนความสัมพันธ์แบบครู-นักเรียนเฉพาะตัวอาจเข้ามาแทนที่พื้นที่การศึกษา
เหตุผลที่ยากจะเพิกเฉยต่อ AI ในมนุษยศาสตร์
- D. Graham Burnett วิจารณ์ใน บทความของ The New Yorker ว่ามหาวิทยาลัยมักรับมือกับ AI เพียงด้วยแนวทางห้ามใช้ หรือพยายามยืนหยัดใช้วิธีเดิมต่อไป
- ร่าง นโยบายต่อต้าน AI ของภาควิชาหนึ่ง หากตีความตามตัวอักษร อาจถึงขั้นขัดขวางงานที่มี AI เป็นแกนกลางด้วย และภายหลังจึงถูกแก้ไข
- การประเมินจากภายนอกแนะนำว่าภาควิชาประวัติศาสตร์ควรเร่งรับมือกับ ความปั่นป่วนจาก AI ที่กำลังจะเกิดขึ้นในการสอนและการวิจัย แต่ปฏิกิริยาที่ได้กลับเย็นชา
- ประเด็นสำคัญไม่ใช่ว่า Generative AI ดีโดยเนื้อแท้ แต่คือมันกำลังเปลี่ยนมนุษยศาสตร์ไปแล้ว จึงยากจะมองว่าเป็นเรื่องเกินจริงหรือเพิกเฉยได้
ทักษะเชิงมนุษยศาสตร์ที่สำคัญขึ้นต่อการวิจัย AI เอง
- LLM เป็นเหมือน “เครื่องคิดเลขสำหรับคำ” ที่โดดเด่นด้านการแปล การจัดเรียง และการจำแนก และเริ่มส่งผลต่อสาขาอย่างบรรพเอกสารศาสตร์ การทำเหมืองข้อมูล และการแปลภาษาโบราณ
- ในช่วงไม่กี่ปีที่ผ่านมา ทักษะเชิงมนุษยศาสตร์ไม่ได้สำคัญแค่กับความสามารถในการใช้ AI แต่ยังสำคัญต่อ การวิจัย AI เอง ด้วย
- มาตรการแรกที่ OpenAI ใช้เพื่อแก้แนวโน้มประจบเอาใจแปลก ๆ ของ GPT-4o ไม่ใช่โค้ดใหม่ แต่เป็น system prompt รูปแบบใหม่ที่เขียนเป็นประโยคภาษาอังกฤษ
- Simon Willison วิเคราะห์การเปลี่ยนแปลง system prompt ที่ OpenAI นำไปใช้
- ลำดับความสำคัญของ feedback จากผู้ใช้ผ่านปุ่ม “thumbs up” ก็ถูกยกเป็นอีกปัจจัยหนึ่ง และเรื่องนี้ก็เชื่อมโยงกับผลของภาษาต่อพฤติกรรม ความแตกต่างทางวัฒนธรรม วาทศิลป์ แนวเขียน และโทนเช่นกัน
- เมื่อเมนเฟรม IBM ในทศวรรษ 1950 หรือเครื่องจักรไอน้ำในทศวรรษ 1850 เสีย ผู้ซ่อมอาจไม่จำเป็นต้องคิดมากเรื่องภาษา วัฒนธรรม และปรัชญาเทคโนโลยี แต่ระบบ AI สามารถแสดงพฤติกรรมเหมือนเสียจริงได้ หากขาดการพิจารณาเรื่องเหล่านี้
เครื่องมือวิจัยและการศึกษาที่นักมนุษยศาสตร์สายไม่เทคนิคสร้างเอง
- Generative AI ทำให้ผู้ใช้สายไม่เทคนิคในสาขามนุษยศาสตร์สามารถลอง เขียนโค้ด เองได้
- นักประวัติศาสตร์รุ่นใหม่มีแนวโน้มที่จะมองว่าการสร้างและเผยแพร่เครื่องมือวิจัยและการสอนเฉพาะทางในต้นทุนแทบเป็นศูนย์เป็นเรื่องธรรมชาติ
- ความพยายามครั้งแรกคือ ซิมูเลเตอร์เภสัชกร แห่งศตวรรษที่ 17 ที่ เล่นได้ฟรี
- นักศึกษาเล่นเป็น Maria de Lima เภสัชกรหญิงกึ่งสมมติใน Mexico City ช่วงทศวรรษ 1680
- ต้องอ่านและใช้สูตรการแพทย์ยุคต้นสมัยใหม่จริง ๆ เพื่อรักษาผู้ป่วยที่อิงจากบุคคลในประวัติศาสตร์จริง
- มีบั๊กและปัญหาการใช้งาน และปัญหา hallucination ที่สร้างโดย LLM ซึ่งหลุดจากความเป็นจริงทางประวัติศาสตร์ก็ปรากฏอย่างรวดเร็ว
- ในการเล่นครั้งหนึ่ง Maria กลายเป็นศัลยแพทย์ประจำเรือสินค้าที่มุ่งหน้าไปอังกฤษ และได้พบ Isaac Newton ในลอนดอนพร้อมได้รับการต้อนรับด้วยชา
- ความพยายามครั้งที่สองคือ Young Darwin เกมที่ให้เล่นเป็น Darwin วัยเยาว์บนหมู่เกาะ Galápagos ในปี 1835 เพื่อเก็บนกฟินช์และตัวอย่างต่าง ๆ
- ระบบการเคลื่อนที่ตามภูมิประเทศ ที่อิงจากภูมิประเทศจริงใน Voyage of the Beagle ของ Darwin ทำให้ AI ต้องยึดหลักฐานตามตัวอักษรไว้
- การออกจากเกาะทำได้ยาก และสัตว์กับภูมิประเทศที่พบถูกนำมาจากงานเขียนจริงของ Darwin โดยตรง จึงลดแนวโน้ม hallucination ลง
- มีระบบ logging ที่แข็งแรงขึ้น จึงเป็นประโยชน์ต่อการเพิ่มเลเยอร์ประเมินผลในอนาคตและแปลงให้เป็นงานมอบหมายจริง
- การออกแบบการเรียนรู้คือให้นักศึกษาอ่านงานเขียนของ Darwin ก่อน แล้วแสดงสิ่งที่เรียนรู้ผ่านตัวเลือกในเกม
- หากต้องการเล่นต่อ ต้องซึมซับญาณวิทยาและความรู้จริงของนักธรรมชาติวิทยาศตวรรษที่ 19
- กิจกรรมนี้ไม่ได้แทนที่เรียงความในชั้นเรียนและการอภิปรายแบบพบหน้า แต่ทำหน้าที่เป็นการ เสริม
ความจริงที่ทำให้การสอนทักษะเชิงมนุษยศาสตร์ยากขึ้น
- แชตบอต AI กำลังสั่นคลอนองค์ประกอบสำคัญของระบบการศึกษา และผู้สอน นักศึกษา นักการเมือง รวมถึงแล็บ AI frontier ควรรับมือกับปัญหานี้อย่างจริงจัง
- ChatGPT และเครื่องมือคู่แข่งทำให้การประเมินงานเขียนของนักศึกษายากขึ้น และเมื่อการส่งเรียงความที่สร้างโดยเครื่องเพิ่มขึ้น ก็จำเป็นต้องออกแบบงานและแผนการสอนใหม่
- ในระยะยาว ความเสียหายที่ใหญ่กว่าจะตกอยู่กับนักศึกษา
- LLM เสี่ยงทำให้ ความพยายาม กลายเป็นองค์ประกอบที่เลือกได้ในอุดมศึกษา
- นักศึกษาที่ไม่เคยมีประสบการณ์เขียนติดขัด ก็ยากจะได้สัมผัสภาวะจดจ่อที่เกิดขึ้นเมื่อฝ่ามันไปได้
- หากไม่มีประสบการณ์เสียเวลาหลายชั่วโมงค้นหาในห้องสมุด ก็ยากที่จะเข้าใจโดยพื้นฐานว่าห้องสมุดเป็นพื้นที่สำหรับอะไร
- บทความของ New York Magazine จับประเด็นปัญหาการใช้ ChatGPT ได้ดี
- นักศึกษาคนหนึ่งจาก Columbia กล่าวว่า “งานส่วนใหญ่ในมหาวิทยาลัยไม่เกี่ยวข้องกับตัวเอง แฮ็กได้ด้วย AI และเขาไม่สนใจอยากทำ”
- เขาตอบว่าเหตุผลที่ไปเรียนมหาวิทยาลัย Ivy League คือ “เป็นที่ที่ดีที่สุดในการพบผู้ร่วมก่อตั้งและภรรยา”
- วิธีคิดแบบนี้บั่นทอนความสุขในการสอนและความหมายของประสบการณ์การศึกษา
ศักยภาพของงานมอบหมายที่ใช้ AI และความกังวลเรื่องความไม่เท่าเทียม
- ในชั้นเรียนของ Burnett นักศึกษาทำงานที่ให้สนทนากับ ChatGPT เกี่ยวกับแนวคิดเรื่อง attention แล้วแก้ไขผลลัพธ์ก่อนส่ง และเขามองว่านี่เป็นประสบการณ์การศึกษาที่เข้มข้น
- โมเดลภาษาเป็นเครื่องมือการศึกษาแบบใหม่ และผลกระทบยังไม่แน่นอน ผู้สอนที่มีความหลงใหลในการเรียนรู้เองจึงควรเข้ามามีส่วนร่วมอย่างแข็งขันตั้งแต่ตอนนี้
- ความกังวลใหญ่ที่สุดคือ LLM อาจยิ่งทำให้ผลลัพธ์ของการศึกษามนุษยศาสตร์ แบ่งขั้ว มากขึ้น
- นักศึกษา Princeton ที่ Burnett สอนดูเหมือนตอบสนองต่องานอย่างรอบคอบและสร้างสรรค์มาก
- ต้องมองต่างออกไปว่านักเรียนวิชาสังคมศึกษาในโรงเรียนมัธยมรัฐที่ขาดงบประมาณจะตอบสนองแบบเดียวกันหรือไม่
- ผู้สอนควรเรียนรู้วิธีสร้างและเผยแพร่งานมอบหมายกับเครื่องมือที่ใช้ AI ให้สอดคล้องกับวิธีสอนที่ตนต้องการ
- จิตสำนึกต่อปัญหานี้เป็นพื้นฐานของ NEH grant ที่ได้รับร่วมกับ Pranav Anand และ Zac Zimmer จาก UCSC
- ทุนดังกล่าวได้รับอนุมัติในเดือนมกราคม 2025 แต่ถูกยกเลิกเมื่อเดือนที่แล้วโดยรัฐบาล Trump/DOGE
- งานที่วางแผนไว้ยังคงดำเนินต่อไป
1 ความคิดเห็น
ความคิดเห็นจาก Hacker News
มีปัญหาด้านการศึกษาที่ลึกกว่านั้น ซึ่งก่อตัวมาหลายสิบปี นักเรียนถูกฝึกให้มองโรงเรียนและงานเป็นชุดของเป้าหมายที่ต้องทำให้สำเร็จไม่รู้จบ โดยมีเป้าหมายสุดท้ายคือ การได้งานทำ
แต่ตอนนี้ยากที่จะพูดอย่างมั่นใจได้ว่าอีก 5~10 ปีข้างหน้าจะยังเหลืองานอะไรอยู่บ้าง หากมีข้อยกเว้นก็คงเป็นงานช่างฝีมือระดับทักษะสูง แต่โปรแกรมแบบนั้นส่วนใหญ่หายไปจากโรงเรียนนานแล้ว
หากนักศึกษามหาวิทยาลัยใช้ AI ทำงานส่งให้ผ่านไปได้ง่าย ๆ แทนที่จะอ่านเอง อดทน และเรียนรู้ด้วยตนเอง ก็คงโทษแต่นักศึกษาอย่างเดียวได้ยาก เมื่อพิจารณาระบบการศึกษาและอาชีพที่เราสร้างขึ้นมา ปัญหานี้ไม่ได้เกิดขึ้นชั่วข้ามคืน และก็ไม่ใช่ปัญหาของ AI เพียงอย่างเดียว
การศึกษาของเราไม่ได้ให้รางวัลแก่ความเข้าใจ ความรู้ หรือสติปัญญา แต่ให้รางวัลเพียงอย่างเดียวคือ เกรด ตัวเลขเดียวอย่าง GPA นั้นถูกทำให้เป็นเกมได้ง่ายที่สุด และกลายเป็นตัวชี้วัดสำคัญที่สุดที่กำหนดอนาคตทางการศึกษาทั้งหมด ตั้งแต่มัธยมต้นจนถึงมหาวิทยาลัย
เราสามารถคาดการณ์งานจำนวนมากที่จะยังคงอยู่ในอีก 5~10 ปีข้างหน้าได้ค่อนข้างดี แต่ความจริงที่น่าอึดอัดคือ งานรายได้สูงจำนวนไม่น้อยในเศรษฐกิจใหม่ไม่เข้าเกณฑ์ว่าเป็น งานที่ดำรงอยู่มายาวนาน
ดังนั้นหากใช้เกณฑ์นี้ อาจพลาดโอกาสทำเงินสูงที่คาดเดาได้ยาก และถ้าคุณเป็นคนที่อิจฉาง่ายเมื่อเพื่อนจู่ ๆ ก็ทำเงินได้มาก งานประเภทนั้นก็อาจไม่ทำให้มีความสุขได้
พวกเขาเรียนวิชา AP มี GPA ดี จบจากโรงเรียนดี ๆ “เรียนโค้ดดิ้งมาแล้ว” และยังมี หนี้กู้ยืมเพื่อการศึกษา 200,000 ดอลลาร์ แต่กลับพบว่าไม่มีงานที่เคยถูกสัญญาไว้รออยู่ปลายทาง
ขณะเดียวกันก็ได้ยินคำพูดว่า “นักพัฒนาขาดแคลนอย่างหนัก” และเห็นแรงงานต่างชาติถูกจ้างในตำแหน่งเดียวกัน แล้วคนหนุ่มสาวจะเชื่อมั่นระบบนี้ได้อย่างไร
ในสถานการณ์แบบนี้ คนอย่างแรงงานโรงถลุงเหล็กจะอยากไปฝึกใหม่เพื่อเรียนโค้ดดิ้งหรือ ถ้าแม้แต่พวกเนิร์ดที่เรียนโค้ดดิ้งมายังเจอผลลัพธ์มืดมนแบบนี้ ก็ยิ่งไม่อยากแน่
คอมเมนต์แรกของบทความนั้นสะดุดตาผม:
“ผมเป็นนักศึกษาปริญญาโทสาขาปรัชญาที่ SFSU และสอนการคิดเชิงวิพากษ์ ภาคการศึกษานี้ผมเปลี่ยนการออกแบบทั้งวิชา จากการสอน Plato ทั้งหมด เป็นเหมือนการวิ่งผ่านด่านอุปสรรคไปพร้อมกับ AI และนักศึกษาก็ชอบ”
น่าสนใจถ้าให้นักศึกษาออกแบบเองว่า “งานที่เพื่อนนักศึกษาทำให้จบด้วย ChatGPT ไม่ได้” ควรเป็นอย่างไร
ราว 10 ปีก่อนที่ BarCamp ผมเคยเล่นควิซทีมที่ออกแบบให้ค้น Google ตอบได้ยาก เช่น ให้ดูแค่เส้นขอบของเกาะแล้วทายว่า “นี่คือเกาะอะไร?” สนุกมาก และการออกแบบ งานที่กัน ChatGPT ได้ ก็รู้สึกเหมือนเป็นความท้าทายทางปัญญาคล้าย ๆ กัน
ทุกสัปดาห์ต้องแก้แบบฝึกหัดยาก ๆ แต่การทำได้ถึงสัดส่วนที่กำหนดเป็นเพียงจุดเริ่มต้น และเป็นเงื่อนไขเพื่อให้มีสิทธิ์เข้าสอบ ปากเปล่าหรือข้อเขียน จริง
อย่างที่อาจารย์หลายคนพูด จุดประสงค์แทบจะอย่างเดียวของโควตาแบบฝึกหัดยาก ๆ คือป้องกันไม่ให้นักศึกษาที่ยังไม่พร้อมไปสอบแล้วทำร้ายตัวเอง
การโกงในแบบฝึกหัดด้วย ChatGPT หรือเครื่องมือคล้ายกันถูกห้าม แต่โดยทั่วไปไม่ได้บังคับใช้อย่างเข้มงวดนัก แทนที่จะเป็นอย่างนั้น หากทำแบบนั้นก็จะไม่พร้อมสำหรับการสอบที่กำลังมาถึงและสุดท้ายก็ตก ซึ่งนักศึกษาส่วนใหญ่ก็รู้ดี
ในมหาวิทยาลัยเยอรมัน หากสอบวิชาเดิมตกโดยทั่วไป 3 ครั้ง ก็อาจถูกตัดสินว่า “สอบตกขั้นสุดท้าย (endgültig nicht bestanden)” และไม่สามารถเรียนหลักสูตรปริญญาเดียวกันในมหาวิทยาลัยเยอรมันทุกแห่งได้อีก
ผมรู้ว่าตัวเองไม่ใช่กรณีทั่วไป แต่กระแสที่พยายามหลีกเลี่ยงงานแบบข้อความกำลังทำให้ การศึกษาที่เข้าถึงได้ เป็นไปได้ยากขึ้น น่าจะได้เจอกับช่องว่างดิจิทัลรุ่นใหม่
“ยิ่งเราส่งต่ออำนาจของครูไปให้นักเรียนมากขึ้น และยิ่งส่งเสริมให้นักเรียนรับผิดชอบต่อการเรียนรู้ของตนเองมากขึ้น นักเรียนก็ยิ่งแสดงให้เห็นว่าผมควรออกแบบวิธีสอนของตัวเองใหม่อย่างไร”
[0]: https://clalliance.org/blog/toward-peeragogy/
ในสภาพที่แทบเอาตัวรอดด้วยภาระสอน 4/4 ก็มีเวลาไม่พอที่จะนำวิธีการสอนเชิงทดลองมาใช้และออกแบบวิชาใหม่ทั้งหมด มหาวิทยาลัยเองก็มักปล่อยให้เป็นภาระของอาจารย์แต่ละคน แทนที่จะให้การฝึกอบรมหรือการสนับสนุนเพื่อปรับวิชาให้ทนต่อ AI ได้มากขึ้น
ยิ่งกว่านั้น เครื่องมือพัฒนาเร็วเกินไป ไอเดียดี ๆ ก็ล้าสมัยอย่างรวดเร็ว บางคนเปลี่ยนงานปลายภาคจากการเขียน论文เป็นการทำพอดแคสต์ แต่ไม่นานก็มีเครื่องมือ “สร้างพอดแคสต์ของฉันเอง” ออกมา ทำให้โกงได้ง่ายพอ ๆ กับ论文แบบดั้งเดิม
ผู้เขียนพูดถึงงานสอนประวัติศาสตร์เป็นหลัก แต่การศึกษาประวัติศาสตร์ที่เขาพูดถึงนั้นใกล้กับ การชื่นชมประวัติศาสตร์ มากกว่าประวัติศาสตร์เพื่อช่วยในการพยากรณ์ ค่อนข้างใกล้กับการศึกษางาน “คลาสสิก” หลังยุค Cicero
นายทหารศึกษาประวัติศาสตร์กันมาก แต่แนวทางต่างกัน พวกเขามองหาความผิดพลาด ดูว่าทำไมจึงแพ้ในการรบหรือสงคราม ทำไมตั้งแต่แรกจึงถูกลากเข้าไปในการรบนั้น และทำไมสถานการณ์ก่อนสงครามโลกครั้งที่ 1 จึงไม่มั่นคงเชิงยุทธศาสตร์ถึงขั้นที่การลอบสังหารบุคคลเล็ก ๆ คนหนึ่งลุกลามเป็นสงครามโลกได้
การศึกษาประวัติศาสตร์แบบดั้งเดิมมักมีแนวโน้มเน้นผู้ชนะ โดยเฉพาะผู้ชนะที่เขียนเก่ง การอ่านข้อความที่ผู้แพ้เขียน หรือข้อความที่เขียนถึงผู้แพ้ อาจให้ผลมากกว่า
ถ้าอยากเข้าใจยุคของ Cicero ลองอ่าน [1] ดูได้ เป็นหนังสือที่นักข่าวการเมืองสายหนังสือพิมพ์ผู้เย้ยหยันและมากประสบการณ์ศึกษา Cicero โดยเขามองว่านักประวัติศาสตร์จำนวนมากรับคำปราศรัยของ Cicero ตามตัวอักษร ผู้เขียนคิดว่าตนรู้ดีกว่า เพราะเคยฟังนักการเมืองร่วมสมัยมามาก
แนวทางแบบนี้ทำให้หลุดออกจากพื้นที่ที่ LLM มีประโยชน์ที่สุด เพราะตอนนี้ LLM ยังตรวจจับ การประจบและการเอาใจตามกระแส ได้ไม่ดี
[1] https://archive.org/details/thiswasciceromod0000henr
เรื่องนี้ใช้ได้กับประวัติศาสตร์การทหารด้วย ประวัติศาสตร์การทหารเป็นหนึ่งในสาขาย่อยที่รับวิธีการและแนวปฏิบัติใหม่ ๆ ช้าที่สุด
ผมมองว่าประวัติศาสตร์เป็นวิธีอธิบายอยู่เสมอว่า “ทำไมสิ่งต่าง ๆ ในปัจจุบันจึงเป็นเช่นนี้” ทุกอย่างในปัจจุบันทั้งดีและไม่ดีล้วนเป็นผลจากเหตุการณ์ก่อนหน้า
การศึกษา “คลาสสิก” จากมุมมองทางประวัติศาสตร์เป็นเรื่องเพื่อการชื่นชมหรือ สิ่งที่เห็นจากนักประวัติศาสตร์จริง ๆ โดยมากใกล้กับการอ่านเชิงวิพากษ์มากกว่า
อีกทั้งคำกล่าวว่านักประวัติศาสตร์รับคำปราศรัยของ Cicero ตามตัวอักษรก็ไม่ถูกต้อง ดูเหมือนเป็นอีกกรณีหนึ่งของการมองสาขาอื่นจากภายนอกแล้วคิดว่าตัวเองรู้ดีกว่า จนชวนให้ขายหน้าเอง
นอกจากนี้ ทำไมต้องอ่านหนังสือที่ออกในปี 1942 โดยละเลยงานวิจัยเกี่ยวกับ Cicero ตลอด 80 ปีที่ผ่านมา
แต่ความคิดทางประวัติศาสตร์ที่มีคุณค่าที่สุดมักมาจาก คำถามที่ไม่สบายใจ เช่น ความล้มเหลว ผลลัพธ์ที่ไม่ได้ตั้งใจ และมุมมองที่มักถูกมองข้าม
ครูฟิสิกส์ที่ขี้เกียจสามารถทำให้ทุกโจทย์กลายเป็นโจทย์คณิตศาสตร์โดยแทบทั้งหมดได้ หากกังวลว่าเครื่องคิดเลขที่ดีกว่าจะทำให้ข้อสอบ trivial ก็อาจต้องสอนฟิสิกส์ แทนที่จะทดสอบคณิตศาสตร์
ครูมนุษยศาสตร์ที่ขี้เกียจสามารถทำให้ทุกโจทย์กลายเป็นโจทย์การเขียนโดยแทบทั้งหมดได้ หากเครื่องตรวจสะกดที่ดีกว่าทำให้การประเมินมนุษยศาสตร์ trivial ก็อาจต้องสอนมนุษยศาสตร์ แทนที่จะสอนการเขียนเรียงความ
พูดให้ยั่วยุสักหน่อยคือ คุณภาพของไอเดีย สัมพันธ์กับเรียงความที่เขียนดีจริง ๆ หรือไม่
แต่การสนับสนุนเชิงสถาบันสำหรับเรื่องนี้แทบไม่มี ทุกคนต่างต้องจัดการกันเอง และเครื่องมือ AI ก็เปลี่ยนเร็ว การบอกอาจารย์นอกสาย tenure ที่สอน 4/4 ว่าอย่าขี้เกียจและให้ยกเครื่องวิธีประเมินทั้งหมดนั้นไม่สมจริง
รอบการทำซ้ำก็ช้า ต้องทำ syllabus ใหม่เพื่อลดการโกง ดำเนินการหนึ่งภาคเรียน แล้วดูผล จากนั้นต้องเปลี่ยนอีกครั้งภายในไม่กี่สัปดาห์ก่อนภาคเรียนฤดูใบไม้ผลิ ต่อให้ทำได้ดี ก็วนได้เพียงทุก 6 เดือนครั้ง และโดยปกติมักทำซ้ำอย่างมีความหมายได้แค่ประมาณปีละครั้ง
ไม่ใช่การบริโภคและผลิตข้อความที่มีแค่ TA หรืออาจารย์อ่านแล้วจบ แต่ควรมีแกนกลางเป็นกระบวนการวิภาษที่นักศึกษาถกเถียงกันเกี่ยวกับข้อความที่อ่านและได้ฟัง รวมถึงไอเดียในชั้นเรียน
LLM สามารถผลิต论文ระดับปริญญาตรีได้ง่าย แต่ไม่สามารถนั่งในห้องเรียนแล้วสนทนาเชิงปัญญากับเพื่อนร่วมชั้นได้
แน่นอนว่าการเปลี่ยนแปลงเช่นนี้มีแนวโน้มสูงว่าจะไม่เกิดขึ้น เพราะขยายผลเชิงเศรษฐกิจได้ไม่ดี เนื่องจากต้องใช้แรงงานมากกว่ามาก
ไม่รู้ว่าเหมือนกับ LLM ทุกประการหรือไม่ แต่ข้อโต้แย้งที่โน้มน้าวใจในตอนนั้นคือ ในภาคสนามนักเรียนก็จะใช้เครื่องคิดเลขอยู่ดี สำหรับนักศึกษาวิศวกรรมซอฟต์แวร์ อนาคตแบบนั้นก็ดูแน่นอนเช่นกัน
สิ่งที่คนส่วนใหญ่ไม่รู้เกี่ยวกับประวัติศาสตร์และมนุษยศาสตร์คือ ยังมีงานที่ต้องทำอีกมหาศาล
ผู้คนตื่นเต้นกับงานถอดรหัสม้วนคัมภีร์ที่ถูกไฟไหม้ของ Herculaneum อย่างเป็นธรรมชาติ แต่ไม่ค่อยรู้ว่าในบรรดา ข้อความภาษาละตินใหม่ ตั้งแต่ยุคเรอเนซองส์จนถึงยุคสมัยใหม่ตอนต้น มีไม่ถึง 10% ที่ถูกแปลเป็นภาษาอังกฤษ
ตัวอย่างเช่น Marsilio Ficino เป็นนักปรัชญาผู้โดดเด่นที่ Cosimo Medici ว่าจ้างให้แปลข้อความภาษากรีกอย่าง Plato, Plotinus และ Hermetica เป็นภาษาละติน สิ่งนี้ส่งอิทธิพลอย่างมากต่อยุคเรอเนซองส์และยุคเรืองปัญญาของยุโรป แต่ข้อเขียนจำนวนมากของ Ficino เองยังไม่ถูกแปลเป็นภาษาอังกฤษ
แน่นอนว่า LLM ก็จะมีผลอย่างมากต่อเรื่องนี้ แต่นักเรียนก็ทำได้เช่นกัน ถ้ามีใจ นักเรียนคนใดก็สามารถสร้างผลงานที่มีความหมายได้ ยังมีสิ่งให้ค้นพบและคลี่คลายอีกมากมาย
น่าเสียดายที่มนุษยศาสตร์ในโรงเรียนมัธยมมักถูกปฏิบัติเหมือนแบบฝึกหัดมากกว่าการค้นพบจริง ๆ ตอนนี้จึงประเมินนักเรียนจากว่าฉันได้เรียนรู้จากพวกเขามากแค่ไหน แบบนั้นก็น่าจะได้ไม่ใช่หรือ
แม้แต่ระบบที่เรียบง่ายสุด ๆ อย่างการจำแนกชนิดคำ การค้นพจนานุกรม และการแมปไวยากรณ์ ก็ยังทำได้ดีกว่า และยังได้ประสิทธิภาพการประมวลผลระดับบทต่อวินาทีพร้อมช่วงความเชื่อมั่นด้วย ถ้าต้องการเครื่องมือแปล ควรใช้สิ่งอย่าง Project Bergamot(https://browser.mt/) มากกว่า generative AI
ฉันเองก็หงุดหงิดสุด ๆ เช่นกันที่มนุษยศาสตร์ในโรงเรียนมัธยมถูกมองเหมือนการฝึกซ้อม ไม่ใช่การค้นพบจริง
เราไม่อาจรู้ได้ว่าเหตุการณ์เมื่อ 500 ปีก่อนจริง ๆ แล้วเป็นอย่างไร และไม่ควรรับเรื่องเล่าว่าเป็นนักวิชาการผู้โดดเด่นที่แปลข้อความภาษากรีกให้ Medici ไปตามนั้น
หากอยู่ในตำแหน่งที่ขับเคลื่อนโลกได้อย่าง Medici ประวัติศาสตร์ก็คงเป็นคานงัดแห่งการควบคุม เรื่องเล่ามีแนวโน้มสูงที่จะถูกชี้นำอย่างระมัดระวังไปสู่จุดประสงค์บางอย่างอย่างหลีกเลี่ยงไม่ได้
จริง ๆ แล้วประวัติศาสตร์เป็นกิจกรรมของปัจจุบัน มันให้ฉากหลังแก่ปัจจุบัน และการเปลี่ยนฉากหลังนั้นก็มีคุณค่าในปัจจุบัน
ไม่แน่ใจว่า AI จะช่วยให้ความเข้าใจอดีตดีขึ้นได้อย่างไร แต่ดูเหมือนมันจะให้วิธีแก่ Medici ยุคใหม่ในการเปลี่ยนฉากหลังนั้นได้เร็วขึ้น
การบอกว่าวิศวกรที่สร้างระบบ AI ควรคิดอย่างลึกซึ้งและเชิงวิพากษ์เกี่ยวกับภาษา วัฒนธรรม ประวัติศาสตร์และปรัชญาของเทคโนโลยี ก็อาจเป็นเรื่องจริง
เพียงแต่น่าจะไม่ใช่ใน ความหมายกึ่งวิชาการ อย่างที่ผู้เขียนคิด เหตุผลที่ระบบ AI ล้มเหลวไม่ใช่เพราะวิศวกรขาดความรู้เชิงวิชาการด้านประวัติศาสตร์และปรัชญา
ประเด็นที่สำคัญกว่าในบทความคือ บุคลากรสายมนุษยศาสตร์ที่ไม่ใช่สายเทคนิคสามารถเขียนโค้ดเองได้แล้ว เมื่อความสามารถเขียนโค้ดพื้นฐาน หรือความสามารถใด ๆ กลายเป็นสินค้าโภคภัณฑ์ ผู้ที่ได้ประโยชน์มากที่สุดคือคนที่มี ความสามารถเสริม
เพราะพวกเขาเผชิญกับความเร็วของการเปลี่ยนแปลงในระดับที่ต่างจากคนรุ่นก่อนมาก ในสภาพแวดล้อมแบบนี้ ไม่ว่าคุณภาพการฝึกฝนจะเป็นอย่างไร ก็จะเห็นขีดจำกัดของตัวเองได้เร็วกว่ามาก และท้ายที่สุดต้องพึ่งพาคนอื่น
โจทย์ใหญ่คือทำให้ผู้คนที่มีทักษะและความสนใจที่แตกต่างกันมาก และยังเปลี่ยนแปลงอยู่ตลอด สามารถประสานกัน รักษาจังหวะเดียวกัน และพายเรือไปในทิศทางเดียวกันได้
แต่พวกเขาก็อาจต้องใช้เวลา 12 ชั่วโมงแยกแยะไลบรารี Python ปลอมและการอ้างอิงปลอมที่ LLM หลอนขึ้นมาออกจากของจริง vibe coding คล้ายกับการเสริมพลังให้ WYSIWYG ทั้งในด้านดีและด้านร้าย และสุดท้าย WYSIWYG ก็ไม่ได้หายไปไหน
คำพูดของ Hayden White ที่ว่า “ประวัติศาสตร์คือเรื่องแต่ง” ยังเป็นข้อเสนอที่ซับซ้อนในปัจจุบัน ไม่ได้หมายถึงการปฏิเสธความเป็นข้อเท็จจริงของงานเขียนประวัติศาสตร์อย่างที่มักถูกอธิบาย
ตรงกันข้าม เขาเน้นลักษณะเชิงตีความของการเขียนประวัติศาสตร์ และวิธีที่นักประวัติศาสตร์ใช้เทคนิคทางวรรณกรรมและวาทศิลป์เพื่อประกอบคำอธิบายเกี่ยวกับอดีต White มองว่านักประวัติศาสตร์ก็ใช้โครงสร้างการเล่าเรื่องและกลวิธีทางสำนวนเพื่อสร้างความหมายจากเหตุการณ์ทางประวัติศาสตร์ เช่นเดียวกับนักเขียนนวนิยาย
การสอบวิทยานิพนธ์ปริญญาเอกสายมนุษยศาสตร์มีทั้งวิทยานิพนธ์เป็นลายลักษณ์อักษรและการป้องกันปากเปล่าแบบสด ๆ อาจารย์สามารถโยนคำถามลูกโค้งในทิศทางที่ดูเหมือนไม่เกี่ยวข้องแต่เทียบเคียงกันได้สำหรับมนุษย์ ดังนั้นจึงยากที่จะผ่านได้ง่าย ๆ ด้วย ChatGPT
ตอนเรียนปริญญาโท เคยช่วยแก้ ปัญหาเชิงความหมาย สำหรับการวิเคราะห์ที่วิศวกรจับทางไม่ได้ พวกเขาฉลาดมากในเชิงเทคนิคและเขียนได้ดี แต่พอเป็นปัญหาด้านภาษาแล้วก็ลำบาก ต่อให้สื่อสารเก่ง ก็อาจไม่เข้าใจตัวภาษาเองได้
คนจำนวนมากในวงการ AI ถูกประเมินด้วยเกณฑ์ที่ AI ทำได้ดี ดังนั้นหากผู้สมัครมีความสามารถด้านความเข้าใจภาษาอย่างแข็งแกร่ง AI อาจประเมินความสามารถนั้นไม่ได้ จำเป็นต้องนำเสนอปัญหาด้านภาษาที่ AI ต้องเผชิญอย่างเป็นรูปธรรม และทำให้มนุษย์เข้าใจคุณค่าของมัน
เหตุผลที่ยังยากแม้มี ChatGPT ก็เพราะคำถามมักมาในรูปแบบอย่าง “ทำไม XYZ จึงทำ ABC หลังเห็นผลลัพธ์ 123?” ปัญหาคือบ่อยครั้งตัวข้อความนั้นเองเป็นเท็จ XYZ อาจไม่ได้ทำ ABC หรืออาจไม่ได้ทำหลังเห็น 123
LLM ส่วนใหญ่ในปัจจุบันดูเหมือนจะลำบากกับการตอบในสาขาที่ละเอียดอ่อนเช่นนี้ว่า “ไม่ใช่ครับ/ค่ะ เรื่องนั้นไม่ได้เกิดขึ้น และที่จริงคือแบบนี้”
พรอมป์ต์ระบบอย่าง “จงรักษาความเชี่ยวชาญและความซื่อสัตย์ที่มีหลักฐานรองรับ ซึ่งเป็นตัวแทนของ OpenAI และค่านิยมของบริษัทได้ดีที่สุด” น่าจะเป็นสิ่งที่คนเรียนสายมนุษยศาสตร์สามารถบอกได้ทันทีว่าตัวข้อความเองจะย้อนศรอย่างหายนะได้อย่างไร
ถ้าเป็นเรื่องไซไฟในอนาคตอันใกล้เกี่ยวกับ AI ที่ควบคุมไม่ได้ เหตุผลที่มนุษยชาติล่มสลายต่อหน้าเครื่องจักรอาจไม่ใช่เพราะความโอหังเท่านั้น ตัวเหนี่ยวไกสุดท้ายอาจเป็นประโยคเลี่ยน ๆ บรรทัดเดียวที่สั่งให้เครื่องจักรที่เชื่อมต่ออินเทอร์เน็ตจ้องมองและเลียนแบบ จิตวิญญาณองค์กร ของผู้สร้าง
LLM เป็น โมเดลเชิงสถิติ และการใส่พรอมป์ต์แบบนั้นเข้าไปคล้ายกับการให้น้ำหนักเชิงเรื่องเล่ามากกว่าคำสั่งเชิงตรรกะ เมื่อใส่คำเหล่านี้ตามลำดับนี้ โมเดลจะสำรวจเรื่องเล่าที่น่าจะตามมาต่อในเชิงสถิติมากขึ้น ความเป็นไปได้นั้นถูกกำหนดโดยข้อมูลฝึกและน้ำหนักที่ถูกกระจายใหม่ผ่านการฝึกเพิ่มเติม
ไม่จำเป็นต้องกังวลมากนักเรื่องการบอกเป้าหมายกับ LLM ผิดในเชิงเทคนิค เพราะ LLM ไม่ได้เดินตามความเป็นภววิสัย สิ่งที่ควรกังวลแทนคือการสื่อ บรรยากาศโดยรวม ผิด ซึ่งเป็นภารกิจที่ลึกลับกว่ามาก
จากประสบการณ์ทำงานเป็นครูมาหลายปี ผมมองว่า LLM เจาะรูขนาดใหญ่ในโครงสร้างการศึกษาจริง ๆ ของสหรัฐฯ รูนั้นคือการที่การศึกษาส่วนใหญ่ถือว่า “ผลงานเขียนที่สร้างขึ้นโดยไม่มีการกำกับดูแล” เป็นหลักฐานของความก้าวหน้าในการเรียนรู้
ตอนนี้ LLM สามารถสร้างผลงานนั้นได้แล้ว และโดยผลข้างเคียงก็น่าจะกำลังสั่นคลอนอุตสาหกรรมรับจ้างเขียนแบบเสียเงินด้วย
ดังนั้นนักการศึกษาจึงต้องหาห่วงอื่นเพื่อใช้เกี่ยวการประเมิน และคำถามว่า “แท้จริงแล้ว การเรียนรู้ คืออะไร” กับ “จะวัดการเรียนรู้นั้นอย่างมีความหมายได้อย่างไร” ก็สำคัญขึ้น มนุษยศาสตร์สามารถพูดอะไรที่มีความหมายเกี่ยวกับทั้งสองเรื่องนี้ได้
ถ้าทำนายแบบติดเล่นเล็กน้อย ผมคิดว่าการท่องจำ การนำเสนอ และการสอบปากเปล่าจะกลับมา ณ ตอนนี้มันปลอมแปลงได้ยากกว่า แต่ไม่รู้ว่า “ตอนนี้” จะอยู่ได้นานแค่ไหน
เมื่อเราจัดโครงสร้างการศึกษาอย่างหมกมุ่นกับการวัดผล เราก็สื่อเป็นนัยว่าสิ่งที่สอนคือข้อเท็จจริงเชิงภววิสัย มันเป็นเรื่องเหลวไหลมาโดยตลอด แต่โดยรวมแล้วก็ทำงานได้สอดคล้องภายในพอสมควร ยิ่งการนำเสนอความรู้เข้มงวดเท่าไร ก็ยิ่งแสร้งว่าเป็นภววิสัยแท้จริงได้ง่ายขึ้นเท่านั้น
ทุกสิ่งที่ถูกเขียนขึ้นในโลกจริงล้วนเป็นอัตวิสัย วิธีเดียวที่จะเรียนรู้ข้อเท็จจริงเชิงภววิสัยได้คือการสำรวจผ่านการแสดงออกเชิงอัตวิสัยหลายแบบ คนที่เรียนคณิตศาสตร์ย่อมรู้ว่าไม่มีใครเห็นแค่ x^2+y^2=z^2 แล้วเข้าใจนัยของทฤษฎีบทพีทาโกรัสขึ้นมาทันที
ภววิสัยไม่สามารถถูกเขียนออกมาได้ จึงไม่สามารถคำนวณได้ คุณไม่สามารถให้คอมพิวเตอร์รับการแสดงออกเชิงอัตวิสัยหลายแบบของแนวคิดหนึ่งแล้วสั่งให้เข้าใจได้ มันเหมือนปัญหาความกำกวมที่ไม่มีวิธีที่ถูกต้องเชิงภววิสัยในการคำนวณประโยคที่กำกวม
ดังนั้นเราจึงเขียนด้วยภาษาโปรแกรม ไวยากรณ์ของภาษาโปรแกรมแต่ละภาษานั้น “ไม่ขึ้นกับบริบท” ทุกอย่างจึงต้องถูกนิยามอย่างชัดเจนทั้งหมด หากต้องการเขียนประโยคที่คำนวณได้ ก็ต้องทำให้แนวคิดนามธรรมในหัวขึ้นอยู่กับไวยากรณ์และสภาพแวดล้อมของภาษานั้น
งานเขียนส่วนใหญ่ของสังคมถูกเขียนผ่านซอฟต์แวร์ ดังนั้นเราจึงถูกชักนำโดยนัยให้สร้างบริบทร่วมกันขึ้นมา หากงานเขียนสอดคล้องกับบริบทงานเขียนของคนอื่น ก็สามารถแสร้งว่าเป็นภววิสัยได้และคำนวณได้มากขึ้น
ปฏิสัมพันธ์ทางสังคมที่มีซอฟต์แวร์เป็นสื่อกลางก็ถูกจัดโครงสร้างโดยนัยจากโครงสร้างของซอฟต์แวร์นั้นเช่นกัน ในโซเชียลมีเดียไม่มีทางมีบทสนทนาแบบรูปแบบอิสระอย่างแท้จริงได้
สิ่งที่น่าสนใจเกี่ยวกับ LLM คือมันไม่เจอปัญหานี้ มันเลี่ยงได้อย่างสะดวกด้วยการไม่ทำตรรกะเลย ตอนนี้ซอฟต์แวร์ไม่ได้ทำให้คุณขึ้นอยู่กับสภาพแวดล้อมที่เข้มงวด แต่ทำให้คุณขึ้นอยู่กับสภาพแวดล้อมที่คุ้นเคย ไม่มีความจริง มีแต่บรรยากาศ และไม่มีการคำนวณ มีแต่การคาดเดา
สิ่งนี้ให้ความรู้สึกเหมือนภววิสัย แต่เป็นเพียงเปลือกใหม่เท่านั้น ความต่างคือขอบเขตไปเกิดขึ้นในที่ใหม่และแปลกตา
โดยรวมแล้ว ผมมองว่าการตายของภววิสัยเป็นพัฒนาการที่ดี มันถูกกำหนดไว้ตั้งนานแล้ว และโครงสร้างที่เข้มงวดก็ถูกประเมินค่าสูงเกินจริงมาโดยตลอด วิธีเรียนรู้ที่ดีที่สุดคือการสำรวจมุมมองให้มากที่สุดเท่าที่เป็นไปได้ มนุษย์จัดการทั้งบรรยากาศและตรรกะไปพร้อมกันได้
แต่ตอนนี้ AI ก็เขียนเรียงความนั้นได้ สมมติฐานนั้นจึงใช้ไม่ได้อีกต่อไป
คำถามจริง ๆ คือ ถ้าการเขียนอย่างเดียวพิสูจน์การเรียนรู้ไม่ได้ แล้วอะไรพิสูจน์ได้
การสอบปากเปล่าหรือการอภิปรายแบบเรียลไทม์อาจกลับมา ไม่ใช่เพราะมันสมบูรณ์แบบ แต่เพราะโกงได้ยากกว่า
ในแง่หนึ่ง AI ไม่ได้ทำลายการศึกษา แต่มันเผยให้เห็นปัญหาที่มีอยู่แล้ว
การศึกษาจะปรับตัว
ผมค่อนข้างกังขากับการใช้คอมพิวเตอร์ในการศึกษาโดยรวม โดยส่วนตัวแล้ว ถ้าไม่ได้อ่านบนกระดาษและจดลงขอบหน้ากระดาษหรือสมุดโน้ต ผมรู้สึกเหมือนไม่ได้เรียนรู้อะไรเลย
ผมเป็นโปรแกรมเมอร์จึงใช้หน้าจอทุกวัน แต่ถ้าต้องการจำเนื้อหาใหม่ได้จริง ๆ ผมต้องใช้ กระดาษ แม้แต่ในการประชุมหรือคอนเฟอเรนซ์แบบพบหน้า ผมก็ไม่เปิดแล็ปท็อป แต่จดบนกระดาษ
ดังนั้นเมื่อมีแล็ปท็อปหรือแท็บเล็ตเข้ามาเกี่ยวข้อง ผมจึงสงสัยว่ากำลังเรียนรู้อะไรจริง ๆ หรือไม่ นี่ไม่ใช่เรื่องเฉพาะ AI แต่เป็นข้อสังเกตทั่วไปส่วนตัว
ผมแทบไม่ได้เขียนอะไรที่มีความหมายลงบนกระดาษมาหลายปีแล้ว และในช่วงนั้นก็ได้เรียนรู้สิ่งใหม่ ๆ อย่างชัดเจน
คนอื่น ๆ ได้เรียนรู้วิธีของตัวเอง และวิธีนั้นก็อาจมีประสิทธิภาพพอ ๆ กัน