هوش مصنوعی واقعا ما را تنبل می کند حداقل در پزشکی !

 طبق یک مطالعه جدید، استفاده از ابزارهای هوش مصنوعی برای تحلیل داده‌ها و مدل‌سازی نتایج تأثیر بزرگی بر چشم‌انداز شغلی دانشمندان جوان دارد و به طور قابل توجهی شانس آن‌ها را برای دستیابی به موقعیت‌های تأثیرگذار در زمینه‌های مرتبط با تحصیل و دانششان را افزایش می‌دهد. اما این مزیت فردی برای پژوهشگران به نظر می‌رسد که هزینه گسترده‌تری برای علم به همراه داشته باشد.

پژوهشگرانی از دانشگاه شیکاگو و دانشگاه تسینگهوا در چین، نزدیک به ۶۸ میلیون مقاله پژوهشی در شش حوزه علمی (به جز علوم کامپیوتر) را تحلیل کردند و دریافتند مقالاتی که از تکنیک‌های هوش مصنوعی استفاده می‌کنند بیشتر مورد استناد قرار می‌گیرند، این مقالات اما بر مجموعه‌ای محدودتر از موضوعات تمرکز دارند و تکراری‌تر هستند. به عبارتی، هر چه دانشمندان بیشتر از هوش مصنوعی استفاده کنند، بیشتر بر روی همان مجموعه مشکلاتی تمرکز می‌کنند که با داده‌های بزرگ و موجود قابل حل هستند و کمتر به سؤالات بنیادی می‌پردازند که می‌توانند به ایجاد زمینه‌های کاملاً جدید تحقیقاتی منجر شوند.

جیمز ایوانز، یکی از نویسندگان این مقاله پیش‌چاپ و مدیر آزمایشگاه دانش در دانشگاه شیکاگو، گفت: «من از مقیاس گسترده این یافته شگفت‌زده شدم. [هوش مصنوعی] به طور چشمگیری ظرفیت افراد را برای ماندن و پیشرفت در سیستم افزایش می‌دهد.» وی افزود: «این نشان می‌دهد که یک انگیزه بزرگ برای افراد وجود دارد تا این نوع سیستم‌ها را در کار خود به کار بگیرند... این مسئله بین پیشرفت کردن و خارج شدن از میدان رقابتی تحقیق است.»

این مسئله ، که بین پیشرفت علمی و اینکه بتوانید محتوایی ایمن از لحاظ استانداردهای مقاله نویسی تهیه کنید باعث کاهش سرعت پیشرفت علم می شود ، چرا که هوش مصنوعی که از آن کمک گرفته می شود در حال کاویدن دانش گذشته ما ، توانسته کارایی کسب کند و برای ایجاد پیشرفت نیازی به واکاوی دانش گذشته و تکرار دانسته ها نیستیم. 

این مطالعه مقالات منتشرشده بین سال‌های ۱۹۸۰ تا ۲۰۲۴ را در حوزه‌های زیست‌شناسی، پزشکی، شیمی، فیزیک، علم مواد، و زمین‌شناسی بررسی کرده است. نتایج بدست آمده نشان میدهد دانشمندانی که از ابزارهای هوش مصنوعی استفاده کردند، به طور متوسط ۶۷ درصد مقالات بیشتری در سال منتشر کردند و مقالات آن‌ها بیش از سه برابر بیشتر از مقالاتی که از هوش مصنوعی استفاده نکرده بودند، مورد استناد قرار گرفتند.

ایوانز و همکارانش همچنین مسیرهای شغلی ۳.۵ میلیون دانشمند را بررسی کردند و آن‌ها را به دو دسته دانشمندان جوان (کسانی که هنوز تیم تحقیقاتی خود را رهبری نکرده‌اند) و دانشمندان برجسته (کسانی که رهبری تیم تحقیقاتی را بر عهده داشتند) تقسیم کردند. آن‌ها دریافتند که دانشمندان جوانی که از هوش مصنوعی استفاده کردند، ۳۲ درصد بیشتر احتمال دارد که به رهبری یک تیم تحقیقاتی برسند و سریع‌تر به این مرحله از حرفه خود پیشرفت کنند، در حالی که همتایان غیرهوش‌مصنوعی آن‌ها بیشتر احتمال دارد که به کلی از دانشگاه خارج شوند.

سپس نویسندگان از مدل‌های هوش مصنوعی برای دسته‌بندی موضوعات مورد بررسی در پژوهش‌های با هوش مصنوعی و بدون هوش مصنوعی و همچنین برای تحلیل نحوه استناد این دو نوع مقالات به یکدیگر و اینکه آیا این پژوهش‌ها شاخه‌های جدیدی از تحقیق را ایجاد کرده‌اند، استفاده کردند.

آن‌ها دریافتند که در تمام شش حوزه علمی، پژوهشگرانی که از هوش مصنوعی استفاده می‌کردند، ۵ درصد از گستره موضوعاتی که مورد بررسی قرار می‌دادند کاسته‌اند، در مقایسه با پژوهشگرانی که از هوش مصنوعی استفاده نمی‌کردند.

به همین ترتیب، ایوانز و همکارانش - فنگلی شو، یونگ لی و چیانیو هائو - دریافتند که تحقیقات با هوش مصنوعی ۲۴ درصد کمتر از تحقیقات بدون هوش مصنوعی، در قالب مقالاتی که به یکدیگر و مقاله اصلی استناد می‌کردند، تعامل و مشارکت ایجاد کرده اند.

آن‌ها نوشتند: «این یافته‌ها نشان می‌دهد که هوش مصنوعی در علم بیشتر حول موضوعاتی مورد استفاده قرار میگیرد که مشکلات عمده و کلان را بررسی می کنند . این تمرکز منجر به ایده‌های تکراری و نوآوری‌های همپوشان شده و باعث کاهش گستره و تنوع دانش در سراسر علم می‌شود.»

ایوانز، که تخصص او در مطالعه نحوه یادگیری و انجام تحقیقات توسط افراد است، گفت که این اثر کوچک‌کننده بر تحقیقات علمی شبیه به آن چیزی است که با ظهور اینترنت و آنلاین شدن مجلات علمی رخ داد. او در سال ۲۰۰۸ مقاله‌ای در مجله Science منتشر کرد که نشان می‌داد وقتی ناشران دیجیتالی شدند، نوع مطالعاتی که پژوهشگران به آن‌ها استناد می‌کردند تغییر کرد. آن‌ها به مقالات کمتری، از گروه کوچکتری از مجلات، و به تحقیقات جدیدتر استناد کردند.

ایوانز، که خود از کاربران پرشور تکنیک‌های هوش مصنوعی است، گفت که او ضد فناوری نیست؛ اینترنت و هوش مصنوعی هر دو مزایای آشکاری برای علم دارند. اما یافته‌های آخرین مطالعه او نشان می‌دهد که نهادهای تأمین بودجه دولتی، شرکت‌ها و مؤسسات آکادمیک باید سیستم‌های انگیزشی برای دانشمندان را اصلاح کنند تا پژوهش‌هایی که کمتر بر استفاده از ابزارهای خاص متمرکز است و بیشتر بر ایجاد پیشرفت‌های جدید برای نسل‌های آینده متمرکز است، تشویق کنند.

او گفت: «یک فقر تخیل وجود دارد. ما باید شیوه های سنتی تحقیق و توسعه را در کنار هوش مصنوعی بهره ببریم نه اینکه کلا تکیه گاه ما هوش مصنوعی باشد.»