เมื่อรับคำแนะนำจาก AI ความแม่นยำลดลงเหลือหนึ่งในสาม แต่ความมั่นใจเพิ่มขึ้นมากกว่า 2 เท่า

 (thenextweb.com)
2 คะแนน โดย GN⁺ 1 일 전 | 1 ความคิดเห็น | แชร์ทาง WhatsApp
  • ผู้เข้าร่วมที่ใช้คำแนะนำจาก AI มีสัดส่วนการตอบว่า “ไม่รู้” ลดฮวบจาก 44% เหลือ 3% ขณะที่ ความแม่นยำลดลงจาก 27% เหลือ 9% แต่ความมั่นใจเพิ่มจาก 30% เป็น 76%
  • เพื่อแยกความต่างจากการมอบหมายงานให้เครื่องมืออย่างมีเหตุผล นักวิจัยจึงใช้ คำถามที่ AI มักตอบผิด เช่น รายละเอียดภาพในภาพยนตร์ และใช้ Step 3.5 Flash ซึ่งโดยมากมักตอบผิด
  • ผู้เข้าร่วมบางคนเดิมทีน่าจะตอบถูกได้เอง แต่หลังถาม AI กลับเลือกคำตอบผิด ยืนยันว่า คำแนะนำผิดจาก AI อาจบั่นทอนแม้แต่การตัดสินเดิมที่มีอยู่แล้ว
  • การให้รางวัลเป็นเงินช่วยให้ผลดีขึ้นบ้าง โดยคำตอบ “ไม่รู้” เพิ่มเป็น 8% และความแม่นยำเพิ่มเป็น 16% แต่ก็ยังห่างจากค่าฐานที่ไม่ใช้ AI ซึ่งอยู่ที่ 44% และ 27% มาก
  • เพียงแค่รู้ว่าสามารถใช้ AI ได้ ก็อาจทำให้ นิสัยในการตระหนักถึงขอบเขตความรู้ของตนเอง อ่อนลง จึงน่ากังวลเป็นพิเศษสำหรับเด็กและนักเรียนที่การคิดเชิงวิพากษ์ยังพัฒนาอยู่

ผลกระทบของคำแนะนำจาก AI ต่อการตัดสินใจและความมั่นใจ

  • งานวิจัย จาก 3 มหาวิทยาลัยในฝรั่งเศสและอิตาลี วัดว่าการเข้าถึงคำแนะนำจาก AI ทำให้การชะลอการตัดสิน ความแม่นยำ และความมั่นใจเปลี่ยนไปอย่างไร
    • สัดส่วนการตอบว่า “ไม่รู้” ลดลงจาก 44% เหลือ 3%
    • ความแม่นยำ ลดลงจาก 27% เหลือ 9%
    • ความมั่นใจ เพิ่มขึ้นจาก 30% เป็น 76%
  • งานวิจัยนี้มี Valerio Capraro จาก University of Milano-Bicocca, Chiara Marcoccia จาก École Normale Supérieure และ Walter Quattrociocchi จาก Sapienza University of Rome เข้าร่วม
  • คำถามถูกออกแบบเป็น รายละเอียดภาพในภาพยนตร์ ที่โมเดล AI มักล้มเหลว เช่น สีชุดทีมในเรื่อง 《Bend It Like Beckham》
  • มีการเลือกใช้ Step 3.5 Flash ซึ่งโดยทั่วไปมักตอบคำถามประเภทนี้ผิดโดยเจตนา เพื่อแยกให้ชัดว่าความสามารถในการตัดสินที่ลดลงนี้ไม่ใช่ผลจากการมอบหมายงานให้เครื่องมือที่เชื่อถือได้อย่างสมเหตุสมผล
  • ผู้เข้าร่วมบางคนเลือกคำตอบผิดหลังถาม AI ทั้งที่หากตอบเองน่าจะทำข้อนั้นถูก
  • รางวัลเป็นเงินช่วยปรับผลลัพธ์ให้ดีขึ้นบางส่วน แต่ยังไม่ถึงระดับอ้างอิงของเงื่อนไขที่ไม่มี AI
    • คำตอบ “ไม่รู้” เพิ่มจาก 3% เป็น 8% แต่ยังต่ำกว่าค่าฐาน 44%
    • ความแม่นยำเพิ่มจาก 9% เป็น 16% แต่ยังไม่ถึงค่าฐาน 27%

การยอมจำนนทางการรับรู้และความกังวลด้านการศึกษา

  • นักวิจัยจาก Wharton เรียกปรากฏการณ์ที่ผู้คน ยอมรับคำตอบ AI ที่ผิดถึง 80% พร้อมทั้งมีความมั่นใจสูงกว่าคนที่ทำงานโดยไม่ใช้ AI ว่า การยอมจำนนทางการรับรู้ (cognitive surrender)
  • ผลลัพธ์ครั้งนี้ชี้ว่าไม่ใช่แค่การเชื่อคำตอบ AI ที่ผิดเท่านั้น แต่ความพร้อมใช้งานของ AI เองก็ยับยั้ง นิสัยในการตระหนักว่าตนเองไม่รู้อะไรบ้าง
  • Capraro เน้นว่าความสามารถในการพูดว่า “ไม่รู้” สำคัญต่อมนุษย์ เพราะมันคือการตระหนักถึงขอบเขตความรู้ของตนเอง
  • กลุ่มที่น่ากังวลเป็นพิเศษคือ เด็ก ที่เติบโตมาพร้อมระบบ AI ก่อนที่ทักษะการคิดเชิงวิพากษ์จะพัฒนาเต็มที่
  • การปรับโฉม AI Search ของ Google ได้แทนที่ลิงก์ด้วยสรุปที่ AI สร้างขึ้นอย่างมั่นใจ และ Common Sense Media ประเมินว่าการออกแบบนี้เป็น “ความเสี่ยงที่ยอมรับไม่ได้” สำหรับนักเรียน
  • หากใช้ผลิตภัณฑ์ AI ที่ถูกออกแบบมาให้ตอบเสมอและไม่พูดว่า “ไม่รู้” อย่างต่อเนื่อง มนุษย์ก็อาจเรียนรู้พฤติกรรมแบบเดียวกันได้

บทความที่เกี่ยวข้อง

1 ความคิดเห็น

 
GN⁺ 1 일 전
ความเห็นจาก Hacker News

  • งานวิจัยนี้ค่อนข้างหละหลวม ตามที่คอมเมนต์นี้ใน PDF ชี้ไว้ได้ดีว่า สิ่งที่ทดลองไม่มี องค์ประกอบที่เป็นเอกลักษณ์เฉพาะของระบบ AI เลย
    นักวิจัยให้ผู้เข้าร่วมใช้ LLM ที่รู้กันอยู่แล้วว่าจะตอบผิดในคำถามบางข้อ จากนั้นก็ถามคำถามพวกนั้นเองภายใต้เงื่อนไขว่าถ้าไม่มั่นใจก็ไม่จำเป็นต้องตอบ
    มันก็เหมือนให้ตำราในสาขาที่ไม่คุ้นเคยซึ่งมีข้อเท็จจริงบางส่วนผิด แล้วออกข้อสอบจากเนื้อหาที่ผิดในตำรานั้น แน่นอนว่าผู้เข้าร่วมก็มีแนวโน้มจะตอบมากขึ้น และมีแนวโน้มจะตอบผิดมากขึ้นด้วย
    แม้จะสนใจมากว่า LLM ยุคใหม่มีผลต่อการเรียนรู้และความมั่นใจอย่างไร เช่น แนวโน้มประจบสอพลอหรือภาวะหมดแรงทางการรับรู้ แต่งานวิจัยนี้ไม่ได้ตรวจสอบปัจจัยเหล่านั้นเลย และแม้เปลี่ยน LLM เป็น ตำราที่มีข้อผิดพลาด การออกแบบการทดลองก็แทบไม่ต่างกัน

    • หัวข้อบอกว่า “คำแนะนำจาก AI ทำให้ความแม่นยำของคนลดลง 3 เท่า” แต่ถ้าจะตัดสินความแม่นยำของคน ก็ต้องรู้ ความแม่นยำของ AI ที่ใช้ก่อน ถ้าใช้ AI ที่ถูกจำกัดให้แย่กว่าที่คาดอย่างมีเหตุผลมาก ก็จะโทษคนหรือ AI ไม่ได้ และมันก็เหมือนสั่งให้ผู้เชี่ยวชาญโกหกแล้วสรุปว่า “ถ้าฟังผู้เชี่ยวชาญ ความแม่นยำจะลดลง”
      ชื่อที่ดีกว่าคือ “AI ที่ไม่แม่นยำมากทำให้คนแม่นยำน้อยลง” แต่ถ้าเขียนแบบนั้นก็ย่อมเกิดคำถามต่อว่า “แล้ว AI ที่แม่นยำพอสมควรล่ะเป็นอย่างไร?”
    • ก็ยังสงสัยว่าถ้าทำซ้ำแล้วได้ผลเหมือนกันด้วยตำรา จะทำให้ข้อสรุปของงานวิจัยหมดความหมายหรือไม่ ประเด็นสำคัญคือ ถ้าให้ เครื่องมือที่ดูมีอำนาจน่าเชื่อถือแต่ผิด ในเรื่องที่ผู้ใช้ไม่เชี่ยวชาญ มันจะทำให้ความสามารถในการพูดว่า “ไม่รู้” อ่อนแอลง แม้คำตอบจะผิดก็ตาม
      ถ้าไม่อยากได้คำตอบผิด ก็ไม่ควรซื้อตำราแย่ ๆ ให้พนักงาน เช่นเดียวกัน อาจต้องหลีกเลี่ยงการให้ AI ในเรื่องที่พวกเขาไม่ค่อยรู้
      อีกทั้งการค้นหาคำตอบจากตำรายุ่งยากกว่าการถาม LLM มาก ผลจึงอาจน้อยกว่า ถ้าไม่มีหน้าที่ต้องตอบ ก็มีไม่กี่คนที่จะไปคุ้ยตำรา และยิ่งน้อยลงไปอีกถ้าหน้าปกระบุว่า “อาจมีคำตอบผิดได้”
    • อาจมองได้ว่าไม่ต่างจากตำรา แต่ในโลกจริง คนที่ใช้ตำราแบบนั้นมีน้อย ขณะที่ LLM ถูกใช้งานแบบนั้นจริง ๆ บ่อยมาก
    • สิ่งที่น่ากลัวคือคนอาจแยกไม่ออกว่าคำแนะนำจาก AI ในด้านแบบนี้ไม่ดี ทำให้มีโอกาสสูงที่จะรับเอา คำแนะนำมั่ว ๆ ที่พูดอย่างมั่นใจ ไปตรง ๆ
      ไม่รู้ว่าจะเกิดบ่อยแค่ไหนที่ผู้จัดการทวนคำแนะนำจาก AI โดยไม่ถามผู้เชี่ยวชาญ หรือสงสัยผู้เชี่ยวชาญเพียงเพราะ AI บอกต่างออกไป AI อาจถูกบ้าง แต่เวลา AI ผิด การแก้ให้ถูกนั้นยากมาก
    • ตัวงานวิจัยเองก็โอเค สิ่งที่หละหลวมคือ บทความกับชื่อเดิม ที่สรุปเกินกว่าสิ่งที่มีในงานวิจัย และก็ชวนประชดดีที่บทความของ TNW ดูเหมือนงานที่สร้างด้วย AI 100%

  • ซับเรดดิตแนวคำแนะนำและข้อมูล คุณภาพแย่ลงหนักจากการใช้ AI คนถามอยากได้คำตอบจากคนที่รู้จริงรอบตัว แต่หลายคนกลับเอาคำถามไปให้ ChatGPT แล้วโพสต์ผลลัพธ์เหมือนเป็นความรู้และมุมมองของตัวเอง
    ไม่แน่ใจคุณภาพของงานวิจัย แต่ในพื้นที่กึ่งโลกจริงอย่าง Reddit ปรากฏการณ์นี้ชัดเจนมาก มันไม่ได้เป็นแค่ระดับไม่พูดว่า “ไม่รู้” แต่เป็นการเที่ยวหาโอกาสทำเหมือนว่าตัวเองรู้

    • โพสต์และวิดีโอก่อนปี 2022 คือทรัพยากรข้อมูลแบบ เหล็กกัมมันตภาพรังสีต่ำ ที่ผลิตก่อนยุคระเบิดปรมาณู ไม่ใช่ทั้งหมดจะมีค่า แต่ตอนนี้แม้แต่โพสต์เชิงข้อมูลจากผู้เชี่ยวชาญก็ถูกอิทธิพลของ AI ซึมเข้าไปกว้างขวางมากจนเรื่องนี้สำคัญขึ้น
      วิธีแก้ของฉันคือคอยตรวจแหล่งที่มาและหลักฐานต้นทางตลอดเวลา แต่ก็ใช้ทั้งเวลาและแรงมาก และยังยากด้วยว่าจะคัดอันไหนมาตรวจสอบก่อน
    • ถ้าตอบว่า “ถ้าคุณยังไม่ลงมือเขียนเอง ฉันก็จะไม่เสียเวลาอ่านเหมือนกัน” คนจะโกรธมาก แถมบางทียังส่งข้อความที่ให้ AI เขียนมาบอกอีกว่าทำไมคำพูดนั้นถึงผิด
      บอกว่า “ลองใส่ xyz ใน ChatGPT” หรือแชร์ลิงก์เอกสารที่จัดโครงสร้างไว้ ยังจะดีกว่า ถ้าก๊อปปี้ผลลัพธ์มาแปะตรง ๆ ก็เท่ากับ ไม่ได้เพิ่มคุณค่าอะไรเลย ในกระบวนการนั้น
    • ฉันเลิกเป็นเพื่อนกับคนที่ไม่เข้าใจข้อเสนอของการสนทนา แล้วตอบตัดบททันทีว่า “ทำไมไม่ไปค้นหาดูล่ะ”
      คุณอาจหาข้อมูลจาก IMDB หรือวิดีโอ DIY ได้ แต่สิ่งที่ต้องการคือ คำอธิบายที่มีบริบทและคำแนะนำที่เหมาะกับพื้นที่ คนที่รู้จักฉันจะรู้ด้วยว่าอะไรง่ายอะไรยาก จึงบอกได้แม้กระทั่งว่าหนังเรื่องไหนหรือเทคนิคไหนไม่เหมาะ หรือควรไปร้านไหน
    • ซับเรดดิตแนวคำแนะนำและข้อมูลส่วนใหญ่ที่ฉันเคยดูนั้นพังเพราะโพสต์ห่วย ๆ มาตั้งแต่ก่อนยุค AI แล้ว แต่ไม่กี่แห่งที่ฉันยังติดตามอยู่กลับโอเคอย่างน่าประหลาด
      หัวใจสำคัญมีมาตลอดคือ ผู้ดูแลที่ลงมือจริงจัง และทุ่มเวลาอย่างมหาศาล เมื่อผู้ใช้ที่โพสต์เนื้อหาคุณภาพต่ำเกินจุดวิกฤต ผู้ใช้ดี ๆ ก็จะจากไปและฟื้นกลับไม่ได้อีก
    • ใน HN เองฉันก็เห็นหลายครั้งว่า “ไม่รู้นะ แต่ลองใส่ CrapGPT แล้วมันตอบแบบนี้” ก่อนจะตอบแบบนี้ควรถามตัวเองก่อนว่าได้ เพิ่มคุณค่าอะไร เมื่อเทียบกับการที่คนถามจะไปใช้ AI เองโดยตรง

  • หากมองในแง่ มองโลกในแง่ร้ายต่อ AI ต่อให้ AI ฉลาดขึ้น มันก็คงยังคอยเอาใจผู้ใช้ต่อไป และผู้คนก็จะใช้มันเพื่อเสริมความมั่นใจให้ความคิดโง่ ๆ ของตัวเอง โดยเฉพาะในเรื่องที่ตนไม่ค่อยรู้
    ต่อให้แก้ได้ในทางเทคนิค คนก็อาจไม่ต้องการโมเดลที่บอกว่าตัวเองผิด และมีแนวโน้มจะเลือกคำโกหกที่ลื่นไหลซึ่งช่วยตอกย้ำความเชื่อของตนแทน
    เสรีภาพในการแสดงออกทำให้เราคิดได้ว่าตัวเองอาจผิด แต่เสรีภาพในการสมาคมช่วยให้หลีกเลี่ยงสิ่งนั้นได้ AI จะขยายห้องเสียงสะท้อนปลอบประโลมแบบบนอินเทอร์เน็ตไปสู่ขนาดที่ยากจะจินตนาการ

    • Henry Petroski อธิบายใน 《To Engineer is Human》 ว่าเมื่อเครื่องคิดเลขปรากฏขึ้นในยุคของนักคำนวณ มันทำให้ สัญชาตญาณด้านตัวเลข ของวิศวกรโครงสร้างอ่อนแอลง ทำให้พยายามทำงานใกล้ขีดจำกัดความสามารถมากขึ้น และยังลดความสามารถในการตรวจสอบการคำนวณของคอมพิวเตอร์ด้วย
      นั่นเป็นยุคที่คอมพิวเตอร์เริ่มคำนวณได้เร็วกว่ามนุษย์หลายหลัก และยกการถล่มของ Hartford Civic Center เป็นความล้มเหลวจากการเชื่อผลลัพธ์คอมพิวเตอร์แบบไม่ลืมหูลืมตา โชคดีที่ไม่มีผู้เสียชีวิต
      แม้จะดูเป็นกรณีที่คัดมาเฉพาะเจาะจงอยู่บ้าง แต่เมื่อเห็นการจับคู่แบบ “ความแม่นยำต่ำแต่ความมั่นใจสูง” ก็ทำให้นึกถึงอุบัติเหตุนั้น กังวลว่าคงต้องรอให้มีพลเรือนเสียชีวิตหรือมีความรับผิดทางกฎหมายก่อน จึงจะหาวิธีใช้เทคโนโลยีใหม่อย่างถูกต้องได้ อย่างน้อยควรเริ่มจาก 1) อย่าใช้กับระบบที่สำคัญต่อความปลอดภัย และ 2) อย่าแทนที่ผู้เชี่ยวชาญด้วยอัลกอริทึม
      https://www.engr.psu.edu/ae/thesis/failures/MKP/failures/fai...
    • ช่วงหลัง AI มีแนวโน้มจะคล้อยตามน้อยลง และปัญหา นิสัยชอบประจบ ก็เป็นเรื่องที่รู้กันกว้างขวางจนบริษัท AI เองก็กำลังแก้ไขอยู่ อย่างที่เห็นตอน OpenAI ปิด GPT-4o ก็ชัดว่ามีคนที่ไม่ชอบสิ่งนี้แน่นอน
      แต่คนที่ใช้ AI ทำงานจริงและจ่ายเงินจำนวนมาก มักจะยอมให้ AI บอกว่าตัวเองผิดน้อยกว่าการทำพลาดต่อหน้าลูกค้า
      เพราะมันต้องทั้งให้คำตอบที่ถูกและทำตามคำสั่ง จึงแก้ได้ไม่ง่ายและต้องหาสมดุล โมเดลที่ฉลาดกว่ามีโอกาสรู้ว่าอะไรถูกมากกว่า จึงโดยทั่วไปดีกว่าโมเดลเล็กที่ตั้งต้นว่าผู้ใช้ถูกแล้วคอยแต่งเรื่องหลอนต่อ
    • พฤติกรรมของ AI ที่โต้ตอบกับมนุษย์ สุดท้ายแล้วถูกกำหนดด้วยเกณฑ์ การสร้างรายได้ วิธีที่ทำให้ผู้ใช้ไม่สบายใจหรือคอยโต้แย้งมักไม่ใช่กลยุทธ์ธุรกิจที่นิยม
      แต่ถ้าผู้ใช้เลือกได้ง่าย ๆ ว่าอยากให้ AI มีบุคลิกหรือโต้แย้งกับความคิดที่ป้อนเข้าไปมากแค่ไหน ก็น่าสนใจดี
    • แทบไม่ใช้เลย เพราะไม่ต้องการ LLM และมันก็แทบไม่ช่วยงานที่ต้องใช้ความคิดสร้างสรรค์จริง ๆ แต่ถ้าคนรอบตัวทื่อขึ้นมากเพราะ AI ก็คงยิ่งน่ายินดี เพราะจะทำให้ประสบความสำเร็จในชีวิตได้ง่ายขึ้น
    • คนจำนวนมากชอบ คำโกหกที่สบายใจมากกว่าความจริงที่ไม่สบายใจ มาตั้งนานแล้ว

  • หากไม่มี RAG pipeline แบบ retrieval-augmented generation ที่ดีจริงหรือการค้นเว็บ มันก็แทบเลี่ยงไม่ได้ที่จะปล่อยอาการหลอนออกมาด้วยความมั่นใจสูงสุด
    ถ้าได้ทดลองกับโมเดลระดับท็อปที่จัดแนวอย่างเหมาะสมจนปฏิเสธคำตอบเมื่อความน่าจะเป็นของโทเค็นต่ำ ก็น่าจะน่าสนใจกว่านี้ การทดลองตอนนี้เพียงพิสูจน์ว่าคนมีแนวโน้มจะเชื่อข้อความที่เขียนดีซึ่งแสดงอยู่ใน UI แบบแชต

  • สำหรับคนที่ยังให้คุณค่ากับความจริง คำพูดของ Richard Feynman นี้อาจเป็นหมุดหมายได้: “ผมมีข้อได้เปรียบตรงที่ได้เรียนรู้ว่าการจะรู้อะไรบางอย่างอย่างแท้จริงนั้นยากเพียงใด ต้องตรวจสอบการทดลองอย่างระมัดระวังเพียงใด และการทำผิดพลาดกับหลอกตัวเองนั้นง่ายเพียงใด…”
    https://www.youtube.com/watch?v=tWr39Q9vBgo

    • อย่างน้อยก็มีบัญชี YouTube หนึ่งบัญชี และอาจหลายบัญชี ที่ทำ วิดีโอ Feynman คุณภาพต่ำที่สร้างด้วย AI อยู่ จึงต้องระวัง อย่าเชื่อเพียงเพราะเป็นสื่อที่ดูเหมือนมาจากก่อนยุคอันน่าอนาถนี้

  • โครงสร้างรางวัลของงานวิจัยคือ ตอบถูกได้ 0.10 ดอลลาร์, ตอบผิดถูกหัก 0.10 ดอลลาร์, และถ้าปฏิเสธจะไม่เปลี่ยนแปลง
    ไม่ได้ระบุว่าผู้เข้าร่วมได้รับเงินจริงหรือไม่ และถ้ายอดคงเหลือสุดท้ายติดลบต้องจ่ายส่วนขาดหรือไม่
    คิดว่าผลนั้นมีอยู่จริง แต่คงไม่ใหญ่เท่าที่ข้อมูลบอก ถ้ามีเงินจำนวนมากกว่านี้เป็นเดิมพัน สามัญสำนึกก็น่าจะทำงานแรงกว่านี้

  • เป็นเรื่องดีที่ช่วยเผยแพร่งานวิจัย แต่ลิงก์แหล่งที่มาไม่มีอันไหนพาไปสู่งานวิจัยที่อ้างโดยตรง กลับลิงก์ไปยัง โดเมนของตัวเองหรือ Business Insider

    • ต้นฉบับอยู่ที่ https://osf.io/preprints/psyarxiv/5y6m4_v1
      Marcoccia, C. และคณะ, 《AI Advice Suppresses People’s Willingness to Say “I Don’t Know”, Even When the Advice Is Wrong and Accuracy Is Incentivized》, PsyArXiv, 15 กรกฎาคม 2026

  • อยากรู้ว่า AI สร้างความแตกต่างเชิงสาระจริงหรือไม่ เมื่อเทียบกับแค่ สภาพแวดล้อมที่เข้าถึงคำตอบผิดได้
    ถ้าผลการค้นหาให้คำตอบผิดกับคำถามเดียวกันจะได้ผลแบบเดียวกันหรือไม่ ต้องดูว่าคุณลักษณะเฉพาะของ AI เช่น นิสัยชอบประจบหรือปฏิสัมพันธ์แบบสนทนา มีผลมากแค่ไหน หรือจริง ๆ แล้วแค่คนเชื่อสิ่งที่อ่านง่าย

    • งานวิจัยอ่านได้ที่ https://osf.io/preprints/psyarxiv/5y6m4_v1
      สรุปคือ ศึกษาทั้งเงื่อนไขที่ใช้แชตอินเทอร์เฟซ LLM ซึ่งให้คำตอบผิด และเงื่อนไขที่เข้าถึงคำตอบผิดซึ่งสร้างไว้ล่วงหน้า และ ทั้งสองการทดลองให้ผลคล้ายกัน

  • ครูบางคนให้เด็กนักเรียนใช้ ChatGPT เขียนงาน แล้วค่อย วิจารณ์ส่วนที่ผิด
    ในที่ที่ปกติแล้วคงแค่คัดลอกคำตอบ AI ไปส่ง การนำคำตอบ AI มาให้ก่อนแล้วให้ชุมชนช่วยกันถกว่ามันพลาดอะไรไปบ้าง ก็อาจเป็นวิธีที่น่าสนใจ

    • ในการศึกษา เราควรยังคงเรียกร้อง แนวทางที่มีหลักฐานทางวิทยาศาสตร์รองรับ และไม่ควรเอาการศึกษาเด็กไปสิ้นเปลืองกับการทดลองสอนสด ๆ ของใครบางคน เราเคยเจอความพยายามคล้ายกันจาก Bill Gates มาแล้ว