Ar AI nubloškia mūsų mąstymą? Kritinis intelektas rizikoje

Ar dirbtinis intelektas (AI) pavojus mūsų mąstymui — prarasti gebėjimą kritiškai vertinti informaciją, analizuoti ir spręsti problemas savarankiškai? Pastarųjų mėnesių diskusijose ir nedideliuose tyrimuose, pavyzdžiui, MIT Media Lab ataskaitoje, girdima perspėjimų apie galimą „kognityvinę atrofiją“ — sąvoką, reiškiančią, kad pernelyg pasitikint AI sprendimais žmonės gali prarasti praktinius mąstymo įgūdžius. Tačiau eksperto atsakymas dažniausiai yra mažiau juodai baltas: AI gali būti tiek įrankis, tiek ramentas. Svarbu suprasti, kaip dirbtinis intelektas veikia, kur jis stiprus, o kur — ribotas.

Kur slypi grėsmė kritiniam mąstymui?

Vienas pagrindinių argumentų — technologijų naudojimo modeliai keičia mūsų darbo ir mąstymo būdus. Istorinių paralelių yra daug: navigacijos programėlės sumažino vietinės miesto orientacijos įgūdžius, rašymo redaktoriai su automatinio pataisymo funkcijomis pakeitė mūsų kalbos rašybos praktiką, o ranka rašytų užrašų ir skaitmeninių užrašų palyginimai parodė skirtumus atmintyje. Panašiai ir dideli kalbos modeliai (LLM) bei generatyvus AI gali peraugti į „patogią gudrybę“ – sprendimų gavimą be gilios analizės.

MIT Media Lab tyrimas, nors ir nedidelis bei neperžiūrėtas recenzentų, pateikė įspėjimą, kurį verta aptarti: ar „per didelis pasikliovimas AI“ gali sumažinti kritinio mąstymo įgūdžius? Atsakymas nėra vienareikšmis. Daug kas priklauso nuo to, kaip technologiją naudojame. ChatGPT ir kiti AI asistentai patys pažymi skirtumą tarp „pagalbininko“ ir „ramentų“ rolės: jei mes AI traktuojame kaip ramentą, galime pasimesti priimant sprendimus be aktyvaus proto įsitraukimo.

Žmogaus protas prieš statistinį modelį

Keletas tyrėjų pabrėžia, kad žmonių protas nėra vien tik statistinis arba Bayeso aparato atvaizdas. Antonio Damasio ir kiti neurologai kalba apie somatinius žymenis — kūno pojūčius ir emocijas, kurie greitai nukreipia sprendimus netgi be suvokiamo analitinio proceso. Tai reiškia, kad žmonės daro intuicinius šuolius, atpažįsta kontekstines subtilybes ir aptinka išimtis, kurios gali nepasiskaidyti per griežtą statistinę modeliavimą.

Pavyzdžiui, ankstyvųjų vaikų žaidimų tyrimai rodo, kad darželinukai dažnai priima strateginius sprendimus greičiau nei vien tik Bayesinis modelis būtų prognozavęs. Tokie atradimai pabrėžia žmogaus stiprybes: analoginis mąstymas, kontekstinė atpažinimo intuicija, refleksyvumas ir emocinė prasmė. Ši žmogiškoji patirtis — viena iš priežasčių, kodėl AI, nors ir galingas duomenų apdorojime, negali pilnai pakeisti žmogaus gebėjimo kurti naujas prasmes ir moralines nuostatas.

AI mokymuisi: pagalbininkas ar sutrukdantis veiksnys?

Pedagogai pastebi, kad AI poveikis mokymuisi priklauso nuo to, kaip jis integruojamas į ugdymo procesą. Jei studentas naudoja AI tam, kad „padarytų už jį darbą“, mokymosi efektas bus minimalus. Tik kai smegenys aktyviai dalyvauja prasmės kūrimo procese — užduodant klausimus, vertinant rezultatus, reflektuojant — vyksta tikrasis mokymasis. Kita vertus, AI gali nuimti nuo rankų monotonišką darbą, palikdamas laiko gilesniam mąstymui ir tyrimams; tokiu būdu technologija gali tapti produktyviu įrankiu.

Svarbu, kad akademinės užduotys būtų suformuluotos taip, jog prioritetą teiktų mokymosi procesui, o ne vien tik rezultatui. Jei studentai mokomi siekti tik „gerų išėjimų“ (gera esė, pateikta užduotis), jie linkę naudoti AI kaip automatizuotą turinio gamybos priemonę. Tačiau jei kursai skatina refleksiją, proceso dokumentavimą, pakartotinį tikrinimą ir argumentaciją, AI gali padėti plėsti studentų gebėjimus — pavyzdžiui, surenkant literatūrą, pateikiant alternatyvias perspektyvas ar palengvinant eksperimentinių idėjų bandymus.

Technologijų įtaka: pamokos iš praeities

Įrankių poveikis žmogaus kognityvai nėra nauja tema. Tyrimai parodė, kad skirtingos priemonės transformuoja mąstymo schemas: ranka rašant užrašus įsitraukimas ir atmintis dažnai būna stipresni nei naudojantis kompiuteriu; automatinis žodžių siūlymas keičia stilistiką ir žodyną; GPS brėžia kitokį erdvinės orientacijos suvokimą. Jeigu LLM taps kasdieniu pagalbininku daugelyje kontekstų, natūralu, kad keisis ir tai, kaip žmogus prieina prie sprendimų.

Yra ir verslo bei technologijų susidomėjimo klausimas: kompanijos, kurios kuria LLM, turi komercines paskatas pabrėžti modelių galimybes ir universalias taikymo sritis. Toks rinkodaros tonas gali pervertinti AI pajėgumus ir skatinti perteklinį pasitikėjimą automatizuotais atsakymais. Todėl būtina skaidrumo ir kritinio požiūrio kultūra: suprasti treniruočių duomenis, modelių ribotumus ir galimus šališkumus.

Ekspertų balso įvairumas

Interviu su mokslininkais ir dėstytojais rodo platų požiūrių spektrą. Kai kurie akcentuoja žmogaus protui būdingą pranašumą — gebėjimą kurti reikšmę, generuoti inovacijas ir taikyti moralinį diskursą. Kiti primena, kad AI gali pagerinti klaidų aptikimą (pavyzdžiui, medicinoje), suteikti greitą prieigą prie didžiulio informacijos kiekio ir paskatinti naujus mokslo darbo srautus. Tačiau dauguma sutinka, kad rizika kyla tuomet, kai AI naudojimas išimamas iš to konteksto, kuriame jis turi padėti, o tampa pakaitalu žmogiškai mintijimo praktikai.

Tina Grotzer pabrėžia, jog mokydami studentus apie AI, turime ne tik aiškinti modelių veikimo principus, bet ir gilinti supratimą apie jų pačių „įtvirtintą“ žmogišką protą — jo stipriąsias puses (intuicija, analogijos, išimčių atpažinimas). Dan Levy primena skirtumą tarp „išėjimo (output)“ ir tikro mokymosi proceso; AI gali generuoti išėjimus, bet tai negarantuoja, kad smegenys iš tikrųjų mokosi. Christopher Dede siūlo įsivaizduoti AI kaip išminties pelėdą ant peties — ji gali papildyti sprendimus, bet neturi užimti vietos žmogaus mąstyme.

Ateities perspektyvos: ką daryti praktiškai?

Kaip sistemingai mažinti riziką ir didinti AI teikiamą naudą? Pavyzdžiui:

• Įdiegti AI raštingumą (AI literacy) švietime — mokyti, kaip veikia modeliai, kokie šaltiniai juos formuoja, kaip vertinti atsakymų patikimumą.
• Perdaryti užduotis taip, kad jos skatintų refleksiją, proceso dokumentavimą ir kritinę evaluaciją: vertinimas turi įvertinti ne tik rezultatą, bet ir mąstymo grandinę.
• Naudoti AI kaip „pradinį variklį“ idėjoms arba kaip faktų patikrinklį, bet reikalauti, kad galutiniai sprendimai ir interpretacijos ateitų iš žmogaus ekspertiškumo.
• Skatinti daugialypį informacijos šaltinių naudojimą ir verifikavimą, o ne aklai pasitikėti vienu AI atsakymu; palyginti atsakymus tarp skirtingų platformų ir ieškoti pirminių šaltinių.
• Sukurti akademines praktikas, kurios ribotų neteisėtą arba pernelyg didelį AI panaudojimą, tuo pačiu leidžiant naudą ten, kur AI padidina produktyvumą ar saugumą (pvz., medicinos diagnostika, astronominių duomenų apdorojimas, kuriuose reikia didelio skaičiavimo pajėgumo).

Taip pat verta akcentuoti, kad kai kurios įgūdžių grupės taps dar vertingesnės: aiškus vertinimas, šaltinių patikrinimas, etinė refleksija, kūrybinis sprendimų ieškojimas ir sudėtingų sistemų analizė — tai įgūdžiai, kurių ne taip lengva automatizuoti.

Praktiniai pavyzdžiai ir scenarijai

Pavyzdžiui, karinėje ar kosminėje misijoje (NASA, ESA scenarijai) AI gali apdoroti milžiniškus duomenų kiekius ir pasiūlyti modelius, tačiau sprendimas, kaip reaguoti į neatitikimus ar nežinomas anomalijas, priklauso nuo žmonių, turinčių kontekstinį supratimą ir moralinę atsakomybę. Panašiai moksliniuose eksperimentuose AI palengvina datų analizę ar instrumentų valdymą, bet eksperimentų dizainą, hipotezių formulavimą ir teorinę interpretaciją dar vis dar atlieka žmonės.

Tyrimams apie dirbtinį intelektą erdvėje svarbu atskirti dvi reikšmes: techninę pajėgą (duomenų analizė, modeliavimas, signalo atranka) ir epistemologinę vertę (ką duomenys reiškia platesniame moksliniame kontekste). AI stiprus ten, kur reikia greito skaičiavimo, bet silpnesnis ten, kur reikia naujos sampratų kūrybos ar vertybinio sprendimo.

Ekspertų įžvalga

Dr. Jonas Petrauskas, kognityvinės psichologijos specialistas ir buvęs kosmoso misijų duomenų analitikas, sako: „AI jau tapo nepakeičiamu įrankiu moksle ir inžinerijoje — ypač ten, kur reikia modeliuoti sudėtingus duomenis arba atrasti retus signalus tarp triukšmo. Tačiau skirtumas tarp geros analizės ir tikrojo supratimo dažnai priklauso nuo žmogaus: kiek mes klausome savo intuicijos, žinome šaltinius ir galime reflektuoti etinius aspektus. Geras AI naudojimas — tai ne robotizuotas perdavimas atsakomybės, o bendradarbiavimas, kai AI siūlo variantus, o žmogus priima sprendimą.“

Rekomendacijos mokytojams, studentams ir sprendimų priėmėjams

Praktiniai žingsniai, kuriuos gali imtis institucijos ir individai:

• Plėtoti užduotis, kurios vertina mąstymo procesą (pvz., portfeliai, refleksiniai dienoraščiai, žurnalai apie AI panaudojimą sprendimų priėmime).
• Integruoti AI kaip tema kursuose: privaloma suprasti, kaip modeliai mokomi, kokios jų ribos, kaip vertinti patikimumą ir šališkumą.
• Skatinti tarpdisciplininius projektus, kur AI specialistai dirba kartu su etikos, psichologijos ir disciplinų ekspertais, kad sprendimai būtų subalansuoti.
• Įdiegti „garantuoto mąstymo“ (thinking-guarantee) praktiką: reikalauti, kad bet koks AI sugeneruotas atsakymas būtų paremta žmogaus-komentaru ar papildoma kontrolės grandimi.
• Skatinti kultūrą, kur klaidos yra mokymosi šaltinis: kai AI suklysta, analizuokite priežastis ir diskutuokite, ką tai moko apie modelio ribotumus.

Išvados

Dirbtinis intelektas nėra nei vienareikšmiškai naudingas, nei vienareikšmiškai kenksmingas kritiniam mąstymui. Jis atspindi mūsų sprendimus, kaip jį naudoti. Pavojus kyla ne tiek iš technologijos savyje, kiek iš mūsų įpročio pasiduoti automatiniams atsakymams be refleksijos. Jeigu AI bus integruotas kaip partneris — padedantis susisteminti duomenis, siūlyti alternatyvas ir atitolinti rutininius darbus — jis gali sustiprinti mūsų intelektualias galias. Jei AI taps ramentu, kuris pakeis aktyvų mąstymą, prarasime svarbius įgūdžius. Todėl atsakomybė tenka švietimui, politikams ir kiekvienam vartotojui: kurkime taisykles ir praktiką, kuri leidžia AI būti pelningu įrankiu, bet ne pakaitalu mąstymui.