تأثیر Generative AI بر Academic Writing و تفکر انتقادی زبان‌آموزان

تأثیر هوش مصنوعی مولد بر نگارش دانشگاهی و تفکر انتقادی زبان‌آموزان رشته زبان

دانلود مقاله  .pdf
چکیده

ظهور هوش مصنوعی مولد (Generative Artificial Intelligence یا GenAI) و ابزارهایی مانند ChatGPT، Claude و Gemini، فرایند یادگیری زبان و به‌ویژه آموزش نگارش دانشگاهی را با تحولی بنیادین مواجه کرده است. این ابزارها می‌توانند در ایده‌پردازی، سازمان‌دهی مطالب، بازخورد زبانی، اصلاح دستور زبان، بازنویسی و ویرایش متون به زبان‌آموزان کمک کنند؛ اما هم‌زمان این نگرانی وجود دارد که اتکای افراطی به خروجی هوش مصنوعی، فرایندهای شناختی لازم برای استدلال، ارزیابی شواهد، شکل‌دهی موضع مستقل و بازنگری انتقادی را تضعیف کند. مسئله اصلی، بنابراین، نه صرفاً «مفید یا مضر بودن» هوش مصنوعی مولد، بلکه چگونگی طراحی تعامل انسان و هوش مصنوعی در فرایند نوشتن است.

شواهد پژوهشی جدید نشان می‌دهد که استفاده ساختاریافته و هدایت‌شده از GenAI می‌تواند به بهبود کیفیت نگارش دانشگاهی و برخی ابعاد تفکر انتقادی در زبان‌آموزان EFL منجر شود؛ در مقابل، استفاده جایگزین‌کننده از AI ــ یعنی واگذاری ایده‌پردازی، استدلال، نگارش و ارزیابی نهایی به ابزار ــ خطر «برون‌سپاری شناختی» و کاهش درگیری ذهنی را افزایش می‌دهد. مطالعات تجربی اخیر در زمینه زبان انگلیسی به‌عنوان زبان خارجی نیز نشان می‌دهند که آموزش دانشجویان برای ارزیابی، راستی‌آزمایی و نقد خروجی AI می‌تواند رابطه‌ای سازنده میان فناوری و رشد شناختی ایجاد کند.

این مقاله استدلال می‌کند که GenAI زمانی برای آموزش نگارش دانشگاهی و تفکر انتقادی زبان‌آموزان سودمند است که از «نویسنده جایگزین» به «داربست شناختی» تبدیل شود. بر این اساس، راهبرد مناسب برای رشته‌های زبان، حذف AI از فرایند نوشتن نیست، بلکه آموزش سواد انتقادی هوش مصنوعی، طراحی تکالیف فرایندمحور، الزام به راستی‌آزمایی منابع، مستندسازی تعامل با AI و ارزیابی فرایند استدلال در کنار محصول نهایی است.

کلیدواژه‌ها: هوش مصنوعی مولد، ChatGPT، نگارش دانشگاهی، تفکر انتقادی، زبان‌آموزان EFL، آموزش زبان انگلیسی، سواد هوش مصنوعی، برون‌سپاری شناختی

۱. مقدمه

نگارش دانشگاهی یکی از مهم‌ترین مهارت‌هایی است که دانشجویان رشته زبان در طول تحصیل باید کسب کنند. این مهارت صرفاً به توانایی تولید جملات صحیح یا استفاده از واژگان پیشرفته محدود نیست؛ بلکه مستلزم توانایی طرح مسئله، انتخاب و ارزیابی شواهد، سازمان‌دهی استدلال، مقایسه دیدگاه‌ها، استنتاج، نتیجه‌گیری و بازنگری مداوم در ایده‌هاست. از این منظر، نوشتن دانشگاهی هم‌زمان یک محصول زبانی و یک فرایند شناختی است.

اهمیت این موضوع در آموزش زبان انگلیسی به‌عنوان زبان خارجی (EFL) بیشتر است؛ زیرا زبان‌آموز باید هم‌زمان با دو چالش مواجه شود: از یک سو باید محتوای علمی و استدلالی تولید کند و از سوی دیگر، آن را در زبانی غیر از زبان اول خود بیان نماید. پژوهش‌های حوزه آموزش نگارش EFL نشان داده‌اند که تفکر انتقادی در مراحل مختلف فرایند نوشتن، از جست‌وجوی اطلاعات و فعال‌سازی دانش پیشین تا ارزیابی استدلال و بازنگری نهایی، نقشی اساسی دارد (Lin & Liu, 2026).

ورود هوش مصنوعی مولد این فرایند را پیچیده‌تر کرده است. دانشجویی که پیش‌تر برای یافتن ایده، ساختن طرح کلی، انتخاب واژه و اصلاح جمله ناچار بود زمان و تلاش شناختی قابل توجهی صرف کند، اکنون می‌تواند بسیاری از این فعالیت‌ها را در چند ثانیه به یک مدل زبانی بسپارد. این تحول از یک سو می‌تواند موانع زبانی را کاهش دهد و فرصت بیشتری برای تمرکز بر محتوا و استدلال ایجاد کند؛ از سوی دیگر، اگر دانشجو فرایندهای ذهنی خود را کاملاً به AI واگذار کند، ممکن است دقیقاً همان فرایندهایی را تمرین نکند که آموزش دانشگاهی قصد پرورش آنها را دارد.

بنابراین، پرسش اصلی این مقاله چنین است:

هوش مصنوعی مولد چگونه بر کیفیت نگارش دانشگاهی و تفکر انتقادی زبان‌آموزان رشته زبان تأثیر می‌گذارد و چه شرایط آموزشی‌ای می‌تواند منافع آن را افزایش و خطرات آن را کاهش دهد؟

پاسخ این مقاله آن است که اثر GenAI ذاتاً مثبت یا منفی نیست؛ بلکه تابعی از نوع استفاده، میزان استقلال نویسنده، سطح سواد AI، طراحی آموزشی و نوع ارزیابی است.

۲. نگارش دانشگاهی در آموزش زبان: فراتر از صحت زبانی

نگارش دانشگاهی معمولاً با ویژگی‌هایی مانند انسجام، پیوستگی، دقت زبانی، استناد مناسب، ساختار منطقی و توسعه کافی ایده‌ها تعریف می‌شود. بااین‌حال، برای دانشجوی رشته زبان، نگارش دانشگاهی نباید به تمرین گرامر یا تولید متن محدود شود.

در یک مقاله دانشگاهی خوب، نویسنده باید بتواند:

• مسئله‌ای مشخص را تعریف کند؛
• درباره آن موضعی قابل دفاع اتخاذ کند؛
• برای ادعاهای خود شواهد مناسب بیابد؛
• اعتبار و ارتباط شواهد را ارزیابی کند؛
• دیدگاه‌های مخالف را شناسایی و بررسی کند؛
• میان اطلاعات و استدلال تمایز بگذارد؛
• نتیجه‌گیری را از شواهد استخراج کند؛
• و متن را بر اساس بازخورد و ارزیابی مجدد اصلاح کند.

به همین دلیل، نگارش و تفکر انتقادی رابطه‌ای دوسویه دارند. نوشتن مستلزم فکر کردن است و نوشتن منظم نیز می‌تواند به سازمان‌دهی و بازبینی تفکر کمک کند.

مرور نظام‌مند پژوهش‌های مربوط به آموزش تفکر انتقادی در کلاس‌های نگارش EFL که ۲۳ مطالعه تجربی منتشرشده در فاصله ۲۰۱۳ تا ۲۰۲۲ را بررسی کرده است، نشان می‌دهد که پرورش تفکر انتقادی زمانی مؤثرتر است که به‌صورت مستقیم با فرایند نوشتن، ارزیابی، بازنگری و فعالیت‌های تعاملی پیوند بخورد؛ نه اینکه صرفاً به‌عنوان مهارتی مستقل و جدا از نوشتن آموزش داده شود (2023).

این نکته در عصر GenAI اهمیت دوچندان دارد. اگر دانشجو مقاله‌ای را بدون مشارکت جدی در مراحل تولید آن دریافت کند، ممکن است محصول نهایی از نظر زبانی خوب باشد، اما مشخص نیست که آیا دانشجو واقعاً توانایی‌هایی را که این محصول نشان می‌دهد کسب کرده است یا خیر.

۳. تفکر انتقادی و جایگاه آن در نگارش دانشگاهی

تفکر انتقادی مفهومی چندبعدی است. در گزارش مشهور پروژه دلفی انجمن فلسفی آمریکا، تفکر انتقادی به‌عنوان فرایندی هدفمند و خودتنظیم تعریف شده که شامل تفسیر، تحلیل، ارزیابی و استنتاج و همچنین توضیح مبانی و شواهد تصمیم‌هاست (Facione, 1990). در این چارچوب، مهارت‌هایی مانند تحلیل، ارزیابی، استنباط، توضیح و خودتنظیمی در مرکز تفکر انتقادی قرار دارند.

در نگارش دانشگاهی، این مؤلفه‌ها به شکل عملی ظاهر می‌شوند. برای مثال:

تحلیل: دانشجو باید یک ادعا را به اجزای آن تقسیم کند.

ارزیابی: باید تعیین کند آیا منبعی برای پشتیبانی از ادعا معتبر و مرتبط است یا خیر.

استنباط: باید از مجموعه‌ای از شواهد به نتیجه‌ای منطقی برسد.

توضیح: باید بتواند روشن کند چرا یک نتیجه را پذیرفته است.

خودتنظیمی: باید بتواند استدلال خود را دوباره بررسی و در صورت مشاهده ضعف، اصلاح کند.

بنابراین، اگر هوش مصنوعی فقط به جای دانشجو این عملیات را انجام دهد، ممکن است محصول نوشتاری بهتر شود اما یادگیری شناختی الزاماً رخ ندهد.

این تمایز برای آموزش زبان بسیار مهم است: ارتقای کیفیت متن با ارتقای توانایی نویسنده یکسان نیست.

۴. قابلیت‌های هوش مصنوعی مولد در نگارش دانشگاهی

GenAI می‌تواند در تقریباً تمام مراحل فرایند نگارش مداخله کند. مهم‌ترین کاربردهای آن را می‌توان چنین دسته‌بندی کرد.

۴.۱. ایده‌پردازی و پیش‌نویس اولیه

دانشجو می‌تواند از AI بخواهد درباره موضوعی خاص چند پرسش پژوهشی یا دیدگاه احتمالی پیشنهاد دهد. این قابلیت به‌ویژه برای زبان‌آموزانی که به دلیل محدودیت واژگان یا تجربه کم در نوشتن دانشگاهی دچار «انسداد نویسندگی» می‌شوند، مفید است.

بااین‌حال، ایده تولیدشده توسط AI باید نقطه شروع باشد، نه پاسخ نهایی. دانشجو باید بتواند میان ایده‌های پیشنهادی تمایز بگذارد و توضیح دهد چرا یک مسیر استدلالی را انتخاب کرده است.

۴.۲. سازمان‌دهی و طرح کلی

AI می‌تواند ساختار احتمالی مقاله، ترتیب استدلال‌ها یا رابطه میان بخش‌های مختلف را پیشنهاد کند. این کاربرد در آموزش writing مفید است، زیرا به دانشجو کمک می‌کند رابطه میان thesis، topic sentences، evidence  و conclusion را مشاهده کند.

اما خطر زمانی آغاز می‌شود که دانشجو ساختار پیشنهادی AI را بدون تحلیل بپذیرد. در چنین شرایطی، تصمیم‌گیری ساختاری از نویسنده به ابزار منتقل می‌شود.

۴.۳. بازخورد زبانی

یکی از کم‌خطرترین کاربردهای آموزشی GenAI، ارائه بازخورد درباره گرامر، واژگان، انسجام و سبک است؛ مشروط بر اینکه دانشجو صرفاً اصلاحات را کپی نکند.

برای مثال، اگر AI جمله‌ای را اصلاح کند، فعالیت آموزشی ارزشمند این است که دانشجو بپرسد:

چرا این ساختار بهتر است؟
چه قاعده‌ای در اینجا اعمال شده است؟
آیا پیشنهاد AI با معنای موردنظر من سازگار است؟

در این حالت، AI از یک «ویرایشگر خودکار» به ابزار یادگیری تبدیل می‌شود.

۴.۴. بازنگری و ارزیابی متن

دانشجو می‌تواند متن خود را به AI بدهد و از آن بخواهد ضعف‌های استدلالی، تکرار، فقدان شواهد یا مشکلات سازمان‌دهی را شناسایی کند.

مطالعه‌ای در سال ۲۰۲۶ بر ۴۱ دانشجوی کارشناسی نشان داد که کیفیت تعامل انتقادی با GenAI در فرایند بازنگری اهمیت دارد؛ یعنی مسئله فقط این نیست که دانشجو از AI استفاده می‌کند، بلکه مهم است که آیا پیشنهادهای آن را ارزیابی می‌کند یا بدون بررسی می‌پذیرد (Sun & Yin, 2026).

۵. تأثیر مثبت GenAI بر نگارش دانشگاهی زبان‌آموزان

شواهد جدید نشان می‌دهد که استفاده هدایت‌شده از AI می‌تواند به بهبود برخی مؤلفه‌های نگارش کمک کند.

یک مطالعه شبه‌آزمایشی در سال ۲۰۲۶ روی ۷۰ دانشجوی رشته زبان انگلیسی در چین که طی یک مداخله ۱۶ هفته‌ای از GenAI استفاده کردند، نشان داد گروه آزمایشی نسبت به گروه کنترل پیشرفت بیشتری در عملکرد کلی نوشتن داشت. اندازه اثر برای سازمان‌دهی متن ۰٫۸۱ و برای توسعه محتوا ۰٫۷۳ گزارش شد؛ در واژگان، کاربرد زبان و مکانیک نیز اثرهای متوسط مشاهده شد (Moradi, 2026).

این یافته قابل توجه است، زیرا نشان می‌دهد AI لزوماً فقط برای «اصلاح گرامر» مفید نیست و می‌تواند در سطح کلان‌ترِ سازمان‌دهی و توسعه محتوا نیز نقش داشته باشد.

مطالعه دیگری که بر ۲۱۳ دانشجو با پیشینه‌های زبانی مختلف انجام شد، استفاده هدایت‌شده از ChatGPT برای خودارزیابی طی ۱۲ هفته را بررسی کرد و بهبود مهارت نوشتاری را در گروه‌های زبانی مختلف گزارش کرد؛ شرکت‌کنندگان بازخورد فوری و پیشنهادهای اصلاحی را از مزایای اصلی این رویکرد دانستند.

برای زبان‌آموزان، این مزیت اهمیت ویژه‌ای دارد؛ زیرا دریافت بازخورد فردی از مدرس معمولاً زمان‌بر است، در حالی که AI می‌تواند بازخورد فوری ارائه کند. البته «فوری بودن» به معنای «صحیح بودن» نیست؛ این تمایز باید محور آموزش قرار گیرد.

۶. تأثیر GenAI بر تفکر انتقادی: فرصت یا تهدید؟

مهم‌ترین مناقشه علمی درباره GenAI در آموزش، تأثیر آن بر تفکر انتقادی است.

از یک طرف، AI می‌تواند دانشجو را با پرسش‌های بیشتر، دیدگاه‌های رقیب و استدلال‌های متفاوت مواجه کند. دانشجو می‌تواند از مدل بخواهد درباره یک مسئله دو موضع مخالف ارائه کند، سپس شواهد هر دو طرف را بررسی نماید. چنین فرایندی می‌تواند تمرین مناسبی برای ارزیابی استدلال باشد.

از طرف دیگر، اگر دانشجو پاسخ نخست AI را حقیقت تلقی کند، دقیقاً فرایند ارزیابی‌ای که قرار بود تقویت شود حذف خواهد شد.

یک مرور نظام‌مند در سال ۲۰۲۴ که حدود ۳۰ مطالعه را درباره تأثیر GenAI بر تفکر انتقادی دانشجویان کارشناسی بررسی کرد، نشان داد حدود نیمی از مطالعات مزایایی برای تفکر انتقادی گزارش کرده‌اند؛ بااین‌حال، محدودیت‌های روش‌شناختی مطالعات مانع از تعمیم ساده این نتایج شده است (Premkumar et al., 2024).

این یافته یک پیام مهم دارد: نباید از وجود همبستگی میان استفاده از AI و عملکرد بهتر نتیجه گرفت که خود فناوری عامل بهبود تفکر انتقادی است.

نوع استفاده تعیین‌کننده است.

۷. برون‌سپاری شناختی؛ مهم‌ترین خطر آموزشی

یکی از مفاهیم کلیدی در تحلیل تأثیر GenAI، «برون‌سپاری شناختی» (Cognitive Offloading) است. منظور آن انتقال بخشی از فعالیت ذهنی به ابزار خارجی است.

انسان‌ها همیشه از ابزارها برای کاهش بار شناختی استفاده کرده‌اند؛ یادداشت‌برداری، ماشین‌حساب و موتور جست‌وجو نمونه‌های قدیمی آن هستند. مشکل GenAI این است که برخلاف ابزارهایی که معمولاً یک عملیات محدود انجام می‌دهند، می‌تواند زنجیره‌ای از عملیات شناختی را یکجا انجام دهد: ایده‌پردازی، خلاصه‌سازی، مقایسه، استدلال، نگارش و بازنویسی.

مطالعات کیفی اخیر درباره تجربه دانشجویان نشان داده‌اند که برخی دانشجویان استفاده از GenAI را با درگیری سطحی‌تر با محتوای دانشگاهی، کاهش تنظیم تلاش شناختی و وابستگی فزاینده به تفکر مبتنی بر AI مرتبط می‌دانند.

برای دانشجوی رشته زبان، این مسئله می‌تواند به شکل زیر ظاهر شود:

مرحله نخست: دانشجو نمی‌داند درباره موضوع چه بنویسد.

مرحله دوم: از AI می‌خواهد ایده بدهد.

مرحله سوم: از AI می‌خواهد یکی از ایده‌ها را توسعه دهد.

مرحله چهارم: از AI می‌خواهد مقاله را بنویسد.

مرحله پنجم: از AI می‌خواهد مقاله را اصلاح کند.

در پایان، دانشجو ممکن است متنی با کیفیت ظاهری بالا تحویل دهد، اما فرصت بسیار کمی برای تمرین مهارت‌هایی مانند استدلال، انتخاب شواهد و سازمان‌دهی مستقل داشته باشد.

بنابراین، مسئله اصلی «استفاده از AI» نیست؛ بلکه استفاده جایگزین‌کننده از AI است.

۸. مشکل اعتبار اطلاعات و منابع

یکی دیگر از چالش‌های مهم برای  Academic Writing، قابلیت اعتماد خروجی AI است. مدل‌های زبانی برای تولید متن طراحی شده‌اند، نه برای تضمین حقیقت گزاره‌ها.

یکی از نمونه‌های مهم، تولید منابع علمی ساختگی است. مطالعه Walters و Wilder (2023) درباره ۶۳۶ ارجاع تولیدشده در ۸۴ متن تولیدشده توسط GPT-3.5 و GPT-4 نشان داد که مدل‌ها می‌توانند ارجاعات کتاب‌شناختی جعلی یا نادرست تولید کنند.

این مسئله در رشته زبان اهمیت زیادی دارد، زیرا دانشجو ممکن است به‌دلیل ظاهر دانشگاهی متن، ارجاع ساختگی را واقعی تصور کند.

ازاین‌رو، یکی از اصول اساسی آموزش Academic Writing در عصر GenAI باید این باشد:

هیچ ادعا، نقل‌قول یا منبع تولیدشده توسط AI نباید بدون راستی‌آزمایی مستقل وارد متن دانشگاهی شود.

دانشجو باید منبع اصلی را پیدا کند، عنوان، نویسنده، سال انتشار، مجله و در صورت امکان DOI را بررسی کند و سپس مشخص کند که آیا منبع واقعاً ادعای موردنظر را پشتیبانی می‌کند یا خیر.

این فرایند خود می‌تواند به یک تمرین قدرتمند تفکر انتقادی تبدیل شود.

۹. تفاوت «AI برای نوشتن» و «نوشتن با AI»

از نظر آموزشی باید میان دو رویکرد تفاوت قائل شد.

رویکرد اول: AI برای نوشتن

در این رویکرد، دانشجو موضوع را وارد می‌کند و تقریباً کل متن را تحویل می‌گیرد. نقش دانشجو عمدتاً به ویرایش سطحی محدود می‌شود.

این مدل بیشترین خطر را برای یادگیری دارد، زیرا بخش عمده فرایند شناختی به AI منتقل شده است.

رویکرد دوم: نوشتن با AI

در این رویکرد، دانشجو نویسنده اصلی باقی می‌ماند. AI نقش مشاور، بازخورددهنده، منتقد یا ابزار زبان را ایفا می‌کند.

برای مثال:

1. دانشجو ابتدا thesis خود را می‌نویسد.
2. شواهد اولیه را خودش جمع‌آوری می‌کند.
3. طرح کلی را تهیه می‌کند.
4. از AI می‌خواهد سه ضعف احتمالی استدلال را شناسایی کند.
5. هر پیشنهاد را بررسی می‌کند.
6. منابع را مستقل راستی‌آزمایی می‌کند.
7. نسخه نهایی را خودش تنظیم می‌کند.
8. توضیح می‌دهد که کدام پیشنهادهای AI را پذیرفته و چرا.

در این مدل، AI  می‌تواند حتی تفکر انتقادی را بیشتر کند، زیرا دانشجو دائماً باید میان پیشنهاد AI و قضاوت خود مقایسه انجام دهد.

۱۰. شواهد تجربی درباره مدل «داربست شناختی»

یکی از جدیدترین شواهد در این زمینه، مطالعه‌ای شبه‌آزمایشی روی ۵۳ دانشجوی دانشگاه در عربستان سعودی است. در این پژوهش، گروه آزمایشی طی ۱۰ تا ۱۱ هفته از یک فرایند ساختاریافته همکاری انسان و AI استفاده کرد که شامل تعریف مسئله، طراحی prompt، نگارش تکرارشونده، بازنگری، راستی‌آزمایی ادعاها و منابع و تنظیم استفاده مسئولانه بود.

در پس‌آزمون، میانگین عملکرد نوشتاری گروه آزمایشی ۱۵٫۲۳ در برابر ۱۱٫۹۱ در گروه کنترل بود. همچنین میانگین امتیاز تفکر انتقادی دیجیتال ۸۹٫۸۴ در گروه آزمایشی در برابر ۵۶٫۱۸ در گروه کنترل گزارش شد. نویسندگان تأکید کرده‌اند که به دلیل حجم نمونه نسبتاً کوچک و تک‌مؤسسه‌ای بودن پژوهش، نتایج باید مقدماتی تلقی شوند؛ بااین‌حال، یافته‌ها از ایده استفاده از AI به‌عنوان داربست آموزشی حمایت می‌کنند، نه جایگزین شناختی.

همچنین مطالعه‌ای در سال ۲۰۲۵ روی ۲۵۰ زبان‌آموز EFL، یک مداخله نوشتاری مبتنی بر تفکر انتقادی و ChatGPT را بررسی کرد. ارزیابی نوشتار بر ابعادی مانند وضوح، دقت، ارتباط، عمق، گستره، منطق، اهمیت و انصاف استوار بود.

این شواهد در کنار هم نشان می‌دهند که ارزش آموزشی AI بیشتر از خود فناوری، به معماری فعالیت آموزشی وابسته است.

۱۱. پیامدهای ویژه برای دانشجویان رشته زبان

برای دانشجویان رشته زبان، تأثیر GenAI را می‌توان در چهار سطح بررسی کرد.

الف) سطح زبانی

AI می‌تواند دسترسی زبان‌آموز به بازخورد سریع درباره دستور زبان، واژگان، سبک و انسجام را افزایش دهد.

ب) سطح گفتمانی

AI می‌تواند به دانشجو کمک کند تفاوت میان سبک‌های مختلف نوشتار دانشگاهی، مانند argumentative essay، literature review و research report را بهتر تشخیص دهد.

ج) سطح شناختی

دانشجو می‌تواند از AI برای مقایسه استدلال‌ها، تولید دیدگاه مخالف و شناسایی ضعف‌های استدلالی استفاده کند.

د) سطح فراشناختی

دانشجو باید درباره فرایند یادگیری خود بیندیشد: کدام بخش کار را خودش انجام داده؟ چه چیزی را به AI سپرده؟ کدام پیشنهاد را رد کرده و چرا؟

سطح چهارم احتمالاً مهم‌ترین بخش است؛ زیرا هدف آموزش دانشگاهی صرفاً تولید یک متن بهتر نیست، بلکه تربیت نویسنده‌ای مستقل و خودتنظیم است.

۱۲. سواد انتقادی هوش مصنوعی؛ مهارت جدید زبان‌آموز

در محیط آموزشی جدید، مهارت زبانی بدون سواد AI کافی نیست. دانشجوی رشته زبان باید بتواند نه‌تنها متن تولید کند، بلکه عملکرد ابزار تولید متن را نیز ارزیابی کند.

سواد انتقادی AI شامل دست‌کم پنج توانایی است:

1. درک قابلیت‌ها و محدودیت‌های مدل
2. تشخیص اطلاعات مشکوک یا نادرست
3. راستی‌آزمایی منابع و ادعاها
4. تشخیص سوگیری یا یک‌جانبه‌نگری
5. تصمیم‌گیری اخلاقی درباره میزان استفاده از AI

پژوهش سال ۲۰۲۶ درباره سواد انتقادی AI در نگارش دانشگاهی دانشجویان EFL نیز نشان می‌دهد که این سواد در عمل شامل آگاهی انتقادی، راهبردهای استفاده، ارزیابی خروجی و مذاکره اخلاقی درباره استفاده از فناوری است.

بنابراین، آموزش زبان در عصر AI باید از «چگونه بهتر بنویسیم؟» به پرسش گسترده‌تری برسد:

چگونه با کمک AI بهتر فکر کنیم، بهتر ارزیابی کنیم و سپس بهتر بنویسیم؟

۱۳. راهبرد پیشنهادی برای ادغام GenAI در آموزش Academic Writing

بر اساس شواهد موجود، می‌توان یک مدل پنج‌ مرحله‌ای برای کلاس‌های نگارش دانشگاهی پیشنهاد کرد.

مرحله اول: تولید مستقل

دانشجو ابتدا بدون AI مسئله، موضع و ایده اولیه خود را تولید کند.

مرحله دوم: تعامل انتقادی با AI

دانشجو از AI بخواهد دیدگاه مخالف، پرسش‌های چالش‌برانگیز یا ضعف‌های احتمالی استدلال را ارائه کند.

مرحله سوم: راستی‌آزمایی

دانشجو ادعاها و منابع را با منابع علمی معتبر مقایسه کند.

مرحله چهارم: نگارش و بازنگری

نسخه اصلی مقاله توسط دانشجو نوشته شود و AI در نقش بازخورددهنده مورد استفاده قرار گیرد.

مرحله پنجم: بازتاب فراشناختی

دانشجو در یک reflection کوتاه توضیح دهد:

• از AI در کدام مراحل استفاده کرده است؛
• چه پیشنهادهایی را پذیرفته است؛
• کدام پیشنهادها را رد کرده است؛
• چگونه صحت اطلاعات را بررسی کرده است؛
• و استفاده از AI چگونه بر فرایند فکر کردن او اثر گذاشته است.

این مرحله اهمیت ویژه‌ای دارد، زیرا استفاده از AI را از یک فعالیت پنهان به یک فرایند آموزشی قابل مشاهده تبدیل می‌کند.

۱۴. تغییر در شیوه ارزیابی

اگر دانشگاه‌ها همچنان صرفاً «محصول نهایی» را ارزیابی کنند، AI می‌تواند به‌سادگی فرایند یادگیری را پنهان کند. در نتیجه، ارزیابی باید از Product-based Assessment به سمت ترکیبی از Process + Product Assessment حرکت کند.

برای مثال، نمره یک مقاله می‌تواند شامل موارد زیر باشد:



 

در چنین مدلی، دانشجو نمی‌تواند صرفاً با تحویل یک متن روان و از نظر زبانی بی‌نقص نمره بالایی کسب کند. بخش قابل توجهی از ارزیابی به تفکر پشت متن اختصاص می‌یابد.

این رویکرد همچنین با ماهیت واقعی نگارش دانشگاهی سازگارتر است؛ زیرا نویسنده دانشگاهی صرفاً تولیدکننده جمله نیست، بلکه ارزیاب شواهد و سازنده استدلال است.

۱۵. چالش‌های اخلاقی و آموزشی

استفاده از GenAI پرسش‌های اخلاقی متعددی ایجاد می‌کند.

تمامیت علمی

اگر دانشجو متنی را که عمدتاً AI تولید کرده به‌عنوان اثر مستقل خود ارائه کند، مسئله‌ای جدی درباره authorship و academic integrity ایجاد می‌شود.

عدالت آموزشی

دسترسی برابر به ابزارهای پیشرفته AI تضمین‌شده نیست. برخی دانشجویان به نسخه‌های پولی یا امکانات بهتر دسترسی دارند، در حالی که دیگران ممکن است به ابزارهای محدودتر وابسته باشند. پژوهش درباره دانشجویان EAP نیز نگرانی‌هایی درباره دسترسی نابرابر، حریم خصوصی و وابستگی بیش از حد را گزارش کرده است.

 

حریم خصوصی

دانشجو ممکن است متن پژوهشی، اطلاعات شخصی یا داده‌های حساس را وارد سامانه‌های AI کند، بدون اینکه پیامدهای پردازش داده را بداند. یونسکو نیز در راهنمای خود بر رویکرد انسان‌محور، حفاظت از حریم خصوصی، استفاده اخلاقی و ایجاد چارچوب‌های نهادی برای GenAI در آموزش تأکید کرده است (UNESCO, 2023).

وابستگی

حتی اگر استفاده از AI از نظر مقررات مجاز باشد، استفاده مداوم و بدون هدف آموزشی می‌تواند استقلال نویسنده را کاهش دهد.

بنابراین، سیاست دانشگاهی مناسب نه «ممنوعیت مطلق» و نه «آزادی مطلق» است؛ بلکه باید استفاده مجاز، شفاف و آموزشی را تعریف کند.

۱۶. محدودیت‌های شواهد موجود

با وجود رشد سریع پژوهش‌ها، هنوز نباید درباره اثرات بلندمدت GenAI بر تفکر انتقادی با قطعیت صحبت کرد.

بخش قابل توجهی از پژوهش‌های موجود:

• نمونه‌های نسبتاً کوچک دارند؛
• در یک دانشگاه یا کشور انجام شده‌اند؛
• از دوره‌های مداخله کوتاه‌مدت استفاده کرده‌اند؛
• بر خودگزارشی دانشجویان تکیه دارند؛
• یا به جای سنجش واقعی تفکر انتقادی، نگرش دانشجویان را بررسی می‌کنند.

حتی مطالعات مثبت‌تر نیز اغلب به محدودیت‌هایی مانند تخصیص غیرتصادفی گروه‌ها، حجم نمونه کم یا تک‌مؤسسه‌ای بودن اشاره می‌کنند.

ازاین‌رو، نتیجه‌گیری علمی مناسب این نیست که «ChatGPT تفکر انتقادی را افزایش می‌دهد» یا «ChatGPT تفکر انتقادی را از بین می‌برد». نتیجه دقیق‌تر این است که نوع تعامل آموزشی با GenAI متغیر تعیین‌کننده‌ای است که می‌تواند پیامد شناختی استفاده از آن را تغییر دهد.

۱۷. نتیجه‌گیری

هوش مصنوعی مولد یکی از مهم‌ترین تغییرات فناورانه در آموزش نگارش دانشگاهی در سال‌های اخیر است. این فناوری می‌تواند موانع زبانی را کاهش دهد، بازخورد فوری فراهم کند، به سازمان‌دهی ایده‌ها کمک نماید و فرصت‌های جدیدی برای بازنگری و خودارزیابی ایجاد کند. شواهد تجربی جدید در زمینه EFL نیز نشان می‌دهند که استفاده هدایت‌شده از AI می‌تواند با بهبود کیفیت نگارش همراه باشد.

بااین‌حال، این مزایا خودکار نیستند. اگر دانشجو تولید ایده، ساخت استدلال، ارزیابی منابع و نگارش را به AI واگذار کند، ممکن است محصول نهایی از نظر زبانی بهتر شود، اما فرایند یادگیری تضعیف گردد. خطر اصلی نه خودکارشدن بخشی از نوشتن، بلکه جایگزین شدن قضاوت انسان با خروجی ماشین است.

در مقابل، زمانی که AI در نقش داربست شناختی مورد استفاده قرار گیرد، می‌تواند محیطی برای تمرین تفکر انتقادی ایجاد کند. دانشجو می‌تواند از AI بخواهد استدلال مخالف ارائه دهد، ضعف‌های متن را شناسایی کند، پرسش‌های چالش‌برانگیز مطرح کند و پیشنهادهای زبانی ارائه دهد؛ اما تصمیم نهایی درباره اعتبار، ارتباط و پذیرش این پیشنهادها باید همچنان بر عهده نویسنده باشد.

از این منظر، آینده آموزش Academic Writing در رشته زبان احتمالاً نه «بدون AI» خواهد بود و نه «تحت سلطه AI». مدل مطلوب، همکاری انتقادی انسان و هوش مصنوعی است؛ همکاری‌ای که در آن فناوری ظرفیت زبانی و شناختی دانشجو را تقویت می‌کند، اما جایگزین استقلال فکری او نمی‌شود.

بنابراین، مهم‌ترین هدف آموزش زبان در عصر GenAI باید تربیت دانشجویی باشد که بتواند سه کار را هم‌زمان انجام دهد: خوب بنویسد، عمیق فکر کند و خروجی هوش مصنوعی را به‌طور انتقادی ارزیابی کند. در چنین چارچوبی، GenAI نه تهدیدی برای Academic Writing، بلکه فرصتی برای بازتعریف آن به‌عنوان فرایندی عمیق‌تر، تعاملی‌تر و آگاهانه‌تر خواهد بود.

نکات کلیدی

• اثر GenAI بر نگارش دانشگاهی وابسته به شیوه استفاده است، نه ذاتاً مثبت یا منفی.
• استفاده هدایت‌شده از AI می‌تواند کیفیت سازمان‌دهی، توسعه محتوا و صحت زبانی نوشتار را بهبود دهد.
• استفاده جایگزین‌کننده می‌تواند به برون‌سپاری شناختی و کاهش استقلال فکری منجر شود.
• راستی‌آزمایی ادعاها و منابع باید بخش جدایی‌ناپذیر Academic Writing در عصر AI باشد.
• آموزش Critical AI Literacy برای دانشجویان رشته زبان به اندازه آموزش گرامر، واژگان و ساختار متن اهمیت پیدا کرده است.
• ارزیابی دانشگاهی باید از محصول نهایی به سمت ارزیابی فرایند، استدلال، بازنگری و reflection حرکت کند.
• ممنوعیت کامل AI راه‌حل پایداری نیست؛ استفاده شفاف، هدفمند و اخلاقی رویکرد مناسب‌تری است.
• مهم‌ترین اصل آموزشی این است: AI باید تفکر دانشجو را تحریک کند، نه اینکه جایگزین آن شود.

منابع

Facione, P. A. (1990). Critical thinking: A statement of expert consensus for purposes of educational assessment and instruction. American Philosophical Association.

Lin, Y., & Liu, M. (2026). From self-prepared writers to strategy effectiveness evaluators: Mediation of critical thinking during self-regulated EFL writing. International Journal of Applied Linguistics.

Mehta, S. R., & Al-Mahrooqi, R. (2015). Can thinking be taught? Linking critical thinking and writing in an EFL context. RELC Journal, 46(1).

Moradi, H. (2026). GenAI integration and EFL academic writing: A quasi-experimental study of performance gains and developmental error patterns in Chinese higher education. Journal of Educational Computing Research.

Premkumar, P. P., Yatigammana, M. R. K. N., & Kannangara, S. (2024). Impact of generative AI on critical thinking skills in undergraduates: A systematic review. Journal of Desk Research Review and Analysis, 2(1), 199–215.

Sun, Q., & Yin, S. (2026). Exploring critical interaction with GAI in academic writing: A mixed-methods study. TechTrends, 70, 834–845.

UNESCO. (2023). Guidance for generative AI in education and research. UNESCO.

Walters, W. H., & Wilder, E. I. (2023). Fabrication and errors in the bibliographic citations generated by ChatGPT. Scientific Reports, 13, 14045.

Yin, C., et al. (2023). A systematic review of critical thinking instructional pedagogies in EFL writing: What do we know from a decade of research? Thinking Skills and Creativity, 49, 101363.