Αυτό το άρθρο βασίζεται σε μια πρόσφατη μελέτη από τους Shiri Melumad και Jin Ho Yun, η οποία εξετάζει τον τρόπο που μαθαίνουμε καλύτερα: μέσω εφαρμογών τεχνητής νοημοσύνης ή μέσω παραδοσιακής αναζήτησης όπως η Google;
Από την εμφάνιση του ChatGPT στα τέλη του 2022, εκατομμύρια χρήστες αξιοποιούν τα μεγάλα μοντέλα γλώσσας για να αποκτήσουν γνώση. Είναι κατανοητό γιατί αυτά τα εργαλεία είναι δημοφιλή: με μια απλή ερώτηση, διατυπωμένη φυσικά, οι απαντήσεις έρχονται άμεσα, χωρίς διαφημίσεις ή χορηγούμενα αποτελέσματα. Η μάθηση φαίνεται να είναι πιο προσιτή από ποτέ!
Μαθαίνουμε καλύτερα μέσω τεχνητής νοημοσύνης;
Ωστόσο, η μελέτη αποκαλύπτει ότι αυτή η ευκολία έχει κόστος στην ποιότητα. Όταν οι χρήστες βασίζονται σε μεγάλα γλωσσικά μοντέλα για πληροφορίες, αναπτύσσουν συχνά πιο επιφανειακές γνώσεις συγκριτικά με τη μάθηση μέσω μιας τυπικής αναζήτησης στη Google.
Οι δύο καθηγητές χρησιμοποίησαν επτά μελέτες με πάνω από 10.000 συμμετέχοντες. Στις περισσότερες από αυτές, οι συμμετέχοντες κλήθηκαν να μάθουν για ένα θέμα (π.χ. πώς να καλλιεργήσουν ένα λαχανόκηπο) και κατηγοριοποιήθηκαν τυχαία σε δύο ομάδες: μία που χρησιμοποιούσε το ChatGPT και μία που αναζητούσε στα αποτελέσματα της Google.
Δεν υπήρχαν περιορισμοί στη χρήση των εργαλείων. Οι συμμετέχοντες μπορούσαν να ερευνούν όσο ήθελαν, και όταν ολοκληρώσουν την αναζήτησή τους, τους ζητήθηκε να γράψουν συμβουλές για έναν φίλο σχετικά με το θέμα που εξερεύνησαν.
AI εναντίον Google
Οι συμμετέχοντες που χρησιμοποίησαν LLM ένιωσαν ότι δεν έμαθαν τόσα πολλά και κατέβαλαν λιγότερη προσπάθεια. Όταν έγραψαν τις συμβουλές τους, αυτές ήταν πιο σύντομες, λιγότερο ουσιαστικές και πιο γενικές.
Επιπλέον, όταν οι συμβουλές αξιολογήθηκαν από ανεξάρτητους αναγνώστες, βρέθηκαν λιγότερο κατατοπιστικές και χρήσιμες, με χαμηλότερη πιθανότητα υιοθέτησής τους.
Αυτές οι διαφορές εντοπίστηκαν σε διάφορες περιπτώσεις. Ένας πιθανός λόγος για τις πιο γενικές συμβουλές των χρηστών LLM είναι ότι τα αποτελέσματα τους παρέχουν λιγότερες επιλεγμένες πληροφορίες από τις αναζητήσεις Google.
Και τι γίνεται με την επισκόπηση της Google;
Σε ένα άλλο πείραμα, οι συμμετέχοντες εκτέθηκαν σε κοινά δεδομένα από την Google και το ChatGPT. Διαπιστώθηκε ότι, ανεξαρτήτως του αν οι συμμετέχοντες έμαθαν από τις συμβατικές αναζητήσεις ή από τη λειτουργία Επισκόπησης AI της Google, οι αυτοί που χρησιμοποιούσαν τις συνθετικές αποκρίσεις του LLM ανέπτυξαν πιο περιορισμένες γνώσεις.
Αυτό σημαίνει ότι, ακόμα και με σταθερά γεγονότα και πηγές, οι μαθητές που στηρίζονταν σε LLM είχαν λιγότερη αυθεντική κατανόηση.
Γιατί η χρήση των LLM φαίνεται να μειώνει τη μάθηση;
Μία από τις βασικές αρχές της μάθησης είναι ότι οι άνθρωποι κατανοούν καλύτερα όταν αλληλεπιδρούν ενεργά με το υλικό τους. Κατά την αναζήτηση μέσω Google, οι χρήστες πρέπει να ερευνήσουν διαφορετικές πηγές, να τις ερμηνεύσουν και να συνθέσουν την πληροφόρηση μόνοι τους. Αυτή η διαδικασία, αν και πιο απαιτητική, προάγει τη βαθύτερη γνώση.
Αντίθετα, με τα LLM, όλη αυτή η διαδικασία αναλαμβάνεται από το εργαλείο, μετατρέποντας τη μάθηση σε παθητική εμπειρία. Αν και κερδίζουμε χρόνο, αυτό έρχεται εις βάρος της ποιότητας της γνώσης.
Τι ακολουθεί;
Η λύση δεν είναι να αποφεύγουμε την τεχνητή νοημοσύνη. Η AI προσφέρει σημαντικά οφέλη σε πολλές πτυχές. Δεν πρόκειται για αντιπαράθεση AI ή Google, αλλά για το πώς μπορούμε να χρησιμοποιήσουμε και τα δύο εργαλεία στρατηγικά.
Οι συγγραφείς της μελέτης υπογραμμίζουν ότι οι χρήστες πρέπει να βελτιώσουν τη στρατηγική τους χρήση των LLM. Το πρώτο βήμα είναι να κατανοήσουμε πότε είναι επωφελή τα LLM.
Αν χρειάζεστε άμεσες, τεκμηριωμένες απαντήσεις, τα LLM είναι χρήσιμα. Ωστόσο, για την απόκτηση βαθειάς γνώσης, η αποκλειστική στήριξη στα LLM δεν είναι επαρκής. Ο σκοπός είναι να μαθαίνουμε καλύτερα.
Το άρθρο “AI vs Google: Πότε μαθαίνουμε καλύτερα;” δημοσιεύθηκε πρώτα στο GizChina Greece.
Related Posts
Χρησιμοποίησα το NotebookLM για να θεραπεύσω τα δεινά μου για τα ψώνια — αλλά μόνο αφού έμαθα αυτό το δύσκολο μάθημα
Τρεις προκλήσεις που θα αντιμετωπίσει ο νέος κορυφαίος τεχνητής νοημοσύνης της Apple από την πρώτη μέρα
Το σχέδιο της Microsoft να διορθώσει το πρόβλημα με το chip είναι, εν μέρει, να αφήσει το OpenAI να κάνει τη βαριά ανύψωση
