چرا دانشجویان برای فریبدهی به سیستمهای تشخیص هوش مصنوعی از غلط املایی عمدی استفاده میکنند؟, گزارشهای اخیر نشان میدهد که دانشجویان برای عبور از فیلترهای تشخیص متنهای تولیدشده توسط هوش مصنوعی، روشی جدید و عجیب را به کار گرفتهاند درج عمدی غلطهای املایی و تایپی در متون. این پدیده در پی گسترش استفاده از چتباتهایی مانند ChatGPT برای نگارش تکالیف و مقالات دانشگاهی رو به رشد است.
تقلب هوشمندانه با تزریق خطا برخلاف انتظار، بسیاری از دانشجویان خروجی خام هوش مصنوعی را مستقیماً کپی نمیکنند. آنها متوجه شدهاند که متون بیش از حد بینقص، منسجم و رسمی، نشانه بارز تولید ماشینی هستند. به همین دلیل، برخی به صورت دستی اشتباهات تایپی، نگارشی یا املایی را در متن تزریق میکنند تا بافت نوشته انسانیتر و طبیعی به نظر برسد.
گروهی دیگر از این روش پیشرفتهتری استفاده میکنند آنها از خود چتبات میخواهند که سطح زبانی متن را پایین بیاورد، لحن را به سبک یک دانشجوی تازهوارد یا کمتجربه در بیاورد و حتی خطاهای منطقی یا واقعبینانه ایجاد کند.
چینش خروجی بین چندین مدل هوش مصنوعی یک ترفند فنی دیگر که در میان دانشجویان دانشگاههای برتر مانند استنفورد رواج یافته، انتقال متوالی خروجی بین چند مدل مختلف هوش مصنوعی است. در این روش، متن ابتدا توسط یک مدل (مثلاً ChatGPT) تولید شده، سپس به مدل دوم داده میشود تا بازنویسی کند، و این چرخه برای چند بار تکرار میشود.
دانشجویان ادعا میکنند که این چینش مدلها الگوهای آماری متنی را به هم میریزد و امتیاز تشخیص هوش مصنوعی (AI ) را به شدت کاهش میدهد. نگرانی اساتید و چالش آکادمیک استادان و دستیاران آموزشی از این روال به شدت نگران هستند. سام ویلیامز، دستیار آموزشی در دانشگاه آیووا، میگوید دانشجویان به هوش مصنوعی روی میآورند چون مسیر کوتاه و راحت است، نه اینکه نتوانند بنویسند.
و بینقص بودند، اما در تکلیف دوم که تحقیق تاریخی درباره جاز نیو اورلئان میطلبد، مقالات پر از اشتباهات فاحش تاریخی (مانند نسبت دادن الویس پریسلی به جاز نیو اورلئان) و تغییر لحن ناگهانی بودند.
او به دانشجویان هشدار داد اگر میخواهید تقلب کنید، حداقل به روش هوشمندانهای انجام دهید، نه کپیبرداری خام. آینده ارزیابی در عصر هوش مصنوعی پدیده تزریق خطای عمدی و چینش مدلها، نشانهای از بحران عمیقتر در سیستم آموزش عالی است. به جای آنکه انرژی خلاقیت برای یادگیری و نگارش صرف شود، در دور زدن ابزارهای نظارتی هزینه میشود.
اساتید معتقدند که تا زمانی که روشهای ارزیابی بر اساس محصول نهایی متنی باقی بماند، این جنگ موش و گربه ادامه خواهد داشت و راهحل اصلی، تغییر نحوه سنجش یادگیری به سمت فرآیندها، شفافیت و تفکر انتقادی است، نه تکیه بر نرمافزارهای تشخیصی که به راحتی فریب داده میشوند.