دانش‌آموزان‌‌تان خسته‌اند؟ شاید هوش مصنوعی جوابش را بداند

استاد خطابه درسی خود در کلاس را به پایان می‌رساند و به رایانه‌اش نگاهی می‌اندازد. نرم‌افزار روی رایانه نشان می‌دهد که اکثر دانشجویان نیم‌ساعت پس از آغاز خطابه استاد علاقه‌شان را به موضوع از دست داده‌اند، یعنی تقریبا همان موقعی که استاد خواست سراغ یک [معادله]تانژانت‌ برود. استاد با ارائه توضیحی ورود به مبحث تانژانت‌ها را متوقف می‌کند. فناوری به کار رفته در این کلاس خیالی هنوز موجودیت نیافته است، اما دانشمندان برای واقعیت‌بخشی به آن در تلاشند. پژوهشگران در مقاله‌ای که ژانویه 2020 در نشریه دانشگاهی IEEE Transactions on Visualization and Computer Graphics منتشر شد، از نوعی سامانه هوش مصنوعی‌ سخن گفته‌اند که از روی ویدیوهایی که از حالات چهره دانشجویان ضبط شده است، احساسات آن‌‌ها را تحلیل می‌کند. 

«هوامین کو» از دانشمندان علوم رایانه دانشگاه علم و فناوری هنگ‌کنگ می‌گوید: «این سامانه درباره میزان توجه دانشجویان در کلاس ارزیابی‌های سریع و سهل‌الوصولی در اختیار استادان قرار می‌دهد. دانستن این‌که آیا خطابه‌های درسی زیادی سخت هستند و این‌که دانشجویان چه زمانی خسته می‌شوند، می‌تواند به ارتقای تدریس کمک کند.» «کو» و همکارانش سامانه هوش مصنوعی خود را در دو کلاس یکی متشکل از کودکان در ژاپن و دیگری متشکل از دانشجویان در هنگ‌کنگ آزمودند. آموزگاران هر یک از این کلاس‌ها درباره احساسات شخصی هر دانش‌آموز و احساسات جمعی آن‌ها هنگام ارائه خطابه درسی گزارشی دریافت کردند. این سامانه تحلیل‌گر بصری در تشخیص احساسات واضحی همچون شادی عملکرد خوبی داشت، اما وقتی دانشجویان دقیقا بر خطابه استاد متمرکز شده بودند، این مدل اغلب به‌اشتباه آن‌ها را خشمگین یا غمگین تشخیص می‌داد. (چنانچه موقعیت زمانی و مکانی جاری لحاظ نشود، حتا انسان‌ها‌ نیز ممکن است اخمی را که اغلب هنگام متمرکز شدن بر موضوع بر چهره فرد می‌نشیند، به‌سادگی با خشم اشتباه بگیرند.) کو می‌گوید: «جهت رفع این مشکل باید دسته‌بندی‌های جدیدی به حالات موجود اضافه کنند، داده‌های‌شان را از نو برچسب بزنند و مدل را مجددا آموزش دهند.»

 به‌گفته چارلز تونگ، معمار ارشد شرکت Squirrel AI Learning، اخم ناشی از تمرکز و دیگر حالات گیج‌کننده چهره تقریبا برای هر کسی که در حوزه تشخیص احساسات کار می‌کند، چالش‌برانگیز است. او با اشاره به الگوریتم‌های تحلیلگر رفتاری چندحالته که شرکت متبوع او همراه شرکایش در حال توسعه آن است می‌گوید: «ما در آزمایش‌های خودمان هم مشکل مشابهی داشتیم.»

تونگ که ریاست کمیته استانداردهای فناوری یادگیری انجمن مهندسان برق و الکترونیک را نیز عهده‌دار است می‌گوید، گروه‌های زیادی فناوری‌های تشخیص رفتار یا احساسات را برای [استفاده در] کلاس در دست اقدام دارند. اما به‌گفته وی، این نوع تحلیل برای آموزگارانی که در کلاس‌های سنتی تدریس می‌کنند استفاده محدودی دارد.  

تونگ می‌گوید، آموزگاران به‌ویژه در مدارس دولتی همین‌ حالا هم سرشان شلوغ است. برای آن‌ها خیلی سخت است اطلاعات تحلیلی مربوط به هر دانش‌آموز را بخوانند، چون آن‌ها برای این کار آموزش ندیده‌اند و وقتش را هم ندارند. 
در عوض، تونگ در اندیشه آن است که از تشخیص احساسات و دیگر شیوه‌های تحلیل رفتاری برای متحول کردن مربیان [ماشینی]هوش مصنوعی بهره ببرد. این مربیان نفربه‌‌‌نفر (در تعامل یک‌به‌یک با دانش‌آموزان) و مبتنی بر رایانه، طوری آموزش خواهند دید که بتوانند بر اساس سرنخ‌های فیزیکی یا رفتاری دانش‌آموزان تشخیص ‌دهند چه چیزی دانش‌آموز را به انگیزش وامی‌دارد و چه زمانی دانش‌آموز علاقه خود را از دست می‌دهد. آن‌گاه هوش مصنوعی می‌تواند بر این اساس راهبرد آموزشی خود را تنظیم کند.  تونگ روزی را در دنیای مربیان هوش مصنوعی تصور می‌کند که در آن، آموزگاران واقعی سرپرستی ماموران (مربیان) هوش مصنوعی را بر عهده دارند و آن مربیان ماشینی در تعامل یک‌به‌یک با دانش‌آموزان کار می‌کنند. اما به‌گفته تونگ، برای این منظور هوش مصنوعی باید توان‌مند‌تر از آن‌چیزی شود که اکنون هست. استقرار دوربین‌های ویدیویی در کلاس از نظر حریم خصوصی مشکلاتی ایجاد می‌کند. کو می‌گوید، آشکارسازی [نتیجه] تحلیل احساسات یک فرد در کلاس ممکن است پیامدهای پیش‌بینی‌ نشده‌ای داشته باشد و دانش‌آموزان را آزار دهد. 

 این شیوه می‌تواند برای آموزگاران نیز پیامد نامطلوبی داشته باشد و به‌گفته کو ممکن است حواس دانش‌آموزان و آموزگاران را پرت کند و برای یادگیری مضر باشد، زیرا ممکن است دانش‌آموزان و آموزگاران حس کنند کسی آن‌ها را می‌پاید و شاید نتوانند آزادانه نظرات‌شان را بیان کنند. کو می‌گوید، مسئله حریم خصوصی برای همه مهم است و باید به‌دقت به آن توجه شود.