Η τεχνητή νοημοσύνη (ΤΝ) αποτελεί ήδη μέρος της πανεπιστημιακής καθημερινότητας. Οι φοιτητές τη χρησιμοποιούν για αναζήτηση πληροφοριών, επεξήγηση εννοιών, μετάφραση, συγγραφή και προγραμματισμό. Οι διδάσκοντες πειραματίζονται με τη δημιουργία εκπαιδευτικού υλικού και την ανατροφοδότηση, ενώ οι ερευνητές την αξιοποιούν στη βιβλιογραφική επισκόπηση, στην ανάλυση δεδομένων και στην ανάπτυξη λογισμικού.
Το κρίσιμο ερώτημα, επομένως, δεν είναι αν η ΤΝ θα εισέλθει στα πανεπιστήμια. Έχει ήδη εισέλθει. Το ερώτημα είναι ποια ΤΝ θα χρησιμοποιούν τα πανεπιστήμια, με ποιους όρους και για ποιον σκοπό.
Το διακύβευμα είναι διπλό. Από τη μία πλευρά, χρειάζεται να διασφαλιστεί ότι η ΤΝ ενισχύει τη μάθηση, την επιστημονική κρίση και τη δημιουργικότητα αντί να υποκαθιστά την ανθρώπινη προσπάθεια. Από την άλλη, τα πανεπιστήμια δεν πρέπει να εξαρτηθούν από λίγες ακριβές και αδιαφανείς πλατφόρμες, στις οποίες δεν ελέγχουν ούτε τα μοντέλα ούτε τα δεδομένα τους. Η εκπαιδευτική πολιτική για την ΤΝ είναι πλέον και πολιτική δημόσιων ψηφιακών υποδομών.
Η καλύτερη εργασία δεν σημαίνει βαθύτερη μάθηση
Ένας φοιτητής μπορεί να παραδώσει με τη βοήθεια της ΤΝ ένα καλογραμμένο κείμενο ή λειτουργικό κώδικα χωρίς να έχει κατακτήσει τις αντίστοιχες γνώσεις. Η αύξηση της ποιότητας του παραδοτέου δεν ισοδυναμεί αυτομάτως με αύξηση της κατανόησης.
Η διεθνής έρευνα προειδοποιεί ότι η ανεξέλεγκτη πρόσβαση σε παραγωγική ΤΝ μπορεί να βελτιώνει την επίδοση κατά την εξάσκηση, αλλά να αποδυναμώνει την αυτόνομη επίδοση όταν το εργαλείο αποσύρεται. Ο κίνδυνος μειώνεται όταν το σύστημα προσφέρει υποδείξεις, ερωτήσεις και ανατροφοδότηση αντί να παραδίδει έτοιμες λύσεις.
Η διαφορά βρίσκεται στον σχεδιασμό του μαθήματος. Η ΤΝ μπορεί να λειτουργήσει είτε ως γνωστικό υποκατάστατο είτε ως υποστήριξη της σκέψης. Στην πρώτη περίπτωση, ο φοιτητής προσφεύγει στο σύστημα μόλις συναντήσει δυσκολία και χάνει την παραγωγική τριβή από την οποία γεννιέται η μάθηση. Στη δεύτερη, καλείται να διατυπώσει το πρόβλημα, να ελέγξει την απάντηση, να συγκρίνει εναλλακτικές λύσεις, να εντοπίσει σφάλματα και να αιτιολογήσει την τελική του επιλογή.
Η βασική αρχή πρέπει να είναι σαφής: ενίσχυση και όχι αυτοματοποίηση της μάθησης.
Σαφείς κανόνες ανά μάθημα και ανά εργασία
Ένας ενιαίος κανόνας για ολόκληρο το πανεπιστήμιο θα ήταν είτε υπερβολικά αυστηρός είτε υπερβολικά ελαστικός. Άλλη σχέση με την ΤΝ έχει ένας πρωτοετής που μαθαίνει τις βασικές αρχές προγραμματισμού και άλλη ένας υποψήφιος διδάκτορας που χρησιμοποιεί υπολογιστικά εργαλεία για την ανάλυση μεγάλων συνόλων δεδομένων.
Κάθε μάθημα και, όπου χρειάζεται, κάθε εργασία πρέπει να δηλώνει αν η χρήση ΤΝ είναι:
- ελεύθερη,
- περιορισμένη σε συγκεκριμένες λειτουργίες,
- υποχρεωτική ως αντικείμενο κριτικής χρήσης,
- απαγορευμένη για σαφώς αιτιολογημένους μαθησιακούς λόγους.
Δεν αρκεί η γενική διατύπωση ότι «η χρήση ΤΝ θεωρείται αντιγραφή». Ο διδάσκων οφείλει να εξηγεί ποια γνώση ή δεξιότητα προστατεύει ο περιορισμός και τι ακριβώς πρέπει να δηλώνει ο φοιτητής.
Η διαφάνεια πρέπει να είναι αμοιβαία. Αν οι φοιτητές δηλώνουν τη χρήση ΤΝ, οι διδάσκοντες πρέπει επίσης να γνωστοποιούν αν τη χρησιμοποίησαν για τη δημιουργία υλικού, την ανατροφοδότηση ή την αξιολόγηση. Η τελική βαθμολογική κρίση δεν μπορεί να εκχωρείται σε ένα σύστημα του οποίου τη λειτουργία ο φοιτητής δεν γνωρίζει και δεν μπορεί να αμφισβητήσει.
Αξιολόγηση της μαθησιακής διαδικασίας
Οι εργασίες που εκπονούνται αποκλειστικά εκτός πανεπιστημίου δεν επαρκούν πλέον ως απόδειξη ατομικής μάθησης. Η λύση, όμως, δεν είναι η επιστροφή μόνο σε σύντομες γραπτές εξετάσεις.
Χρειάζεται συνδυασμός προφορικής εξέτασης, ενδιάμεσων παραδοτέων, φακέλου εργασιών, εργαστηριακής δραστηριότητας, ιστορικού εκδόσεων, παρουσιάσεων και συζήτησης του τελικού έργου. Ο φοιτητής πρέπει να μπορεί να εξηγήσει τη μεθοδολογία του, να υπερασπιστεί τις επιλογές του, να αναγνωρίσει τα λάθη του συστήματος και να περιγράψει πότε η ΤΝ βοήθησε ή περιόρισε τη σκέψη του.
Οι ανιχνευτές περιεχομένου ΤΝ δεν πρέπει να χρησιμοποιούνται ως αυτοτελή πειθαρχικά τεκμήρια. Τα αποτελέσματά τους δεν αποδεικνύουν ποιος έγραψε ένα κείμενο και μπορούν να οδηγήσουν σε άδικες κατηγορίες. Η αξιολόγηση της διαδικασίας, η σαφής πολιτική και η ανθρώπινη κρίση αποτελούν ασφαλέστερη και παιδαγωγικά ουσιαστικότερη επιλογή.
Από το ακριβό cloud σε κοινή πανεπιστημιακή υποδομή
Η ισότιμη πρόσβαση δεν μπορεί να εξαρτάται από το αν ένας φοιτητής ή ένα εργαστήριο έχει τη δυνατότητα να πληρώνει συνδρομές σε εμπορικές υπηρεσίες. Ούτε είναι βιώσιμο κάθε ΑΕΙ να διαπραγματεύεται χωριστά με τους ίδιους παρόχους, να δημιουργεί ασύμβατες υποδομές και να παραδίδει πανεπιστημιακά δεδομένα σε αδιαφανή συστήματα.
Η απάντηση δεν είναι μια απόλυτη επιλογή ανάμεσα στο cloud και στην τοπική εγκατάσταση. Οι υπηρεσίες cloud παραμένουν χρήσιμες για πειραματισμό, προσωρινές ανάγκες και αιχμές ζήτησης. Τα τοπικά ανοιχτά μοντέλα, όμως, προσφέρουν μεγαλύτερο έλεγχο, προστασία ευαίσθητων δεδομένων, δυνατότητα προσαρμογής και μικρότερη εξάρτηση από έναν προμηθευτή.
Η τοπική λειτουργία δεν είναι δωρεάν. Απαιτεί εξοπλισμό, ενέργεια, ψύξη, κυβερνοασφάλεια, συντήρηση και εξειδικευμένο προσωπικό. Όταν, όμως, η χρήση είναι σταθερή και η υποδομή μοιράζεται από πολλά ιδρύματα, το κόστος ανά χρήση μπορεί να γίνει πιο προβλέψιμο και η επένδυση να παραμένει στο δημόσιο πανεπιστημιακό σύστημα.
Μια εθνική πανεπιστημιακή υποδομή ΤΝ θα μπορούσε να οργανωθεί σε τρία επίπεδα:
- Μια κοινή πύλη πρόσβασης σε διαφορετικά μοντέλα, με ενιαία ταυτοποίηση, ελεγχόμενη χρέωση και δυνατότητα αλλαγής παρόχου.
- Τοπικά ή εθνικά φιλοξενούμενα μοντέλα ανοιχτών βαρών για εφαρμογές με προσωπικά, ερευνητικά ή διοικητικά δεδομένα.
- Ένα πλήρως ανοιχτό ελληνικό μοντέλο, το οποίο θα αναπτύσσεται ως κοινό δημόσιο ψηφιακό αγαθό.
Η υποδομή αυτή θα μπορούσε να λειτουργήσει ομοσπονδιακά, με συνεργασία της ΕΕΛΛΑΚ, του GUNET και της ΕΔΥΤΕ, των πανεπιστημίων, των ερευνητικών κέντρων, των ακαδημαϊκών βιβλιοθηκών και των κοινοτήτων ανοιχτού λογισμικού.
Τα ανοιχτά βάρη δεν αρκούν
Ένα μοντέλο δεν γίνεται πλήρως ανοιχτό μόνο επειδή επιτρέπει τη λήψη των βαρών του. Για να μπορεί η επιστημονική κοινότητα να το μελετήσει, να το αναπαραγάγει και να το βελτιώσει, χρειάζεται ανοιχτότητα σε ολόκληρη την αλυσίδα ανάπτυξης.
Αυτό περιλαμβάνει δεδομένα με σαφή προέλευση και άδειες, κώδικα συλλογής και καθαρισμού, tokenizer, συνταγές εκπαίδευσης, βάρη και ενδιάμεσα σημεία ελέγχου, τεχνική τεκμηρίωση, αξιολογήσεις, κάρτες μοντέλου και δεδομένων, καθώς και δημοσιοποιημένους περιορισμούς. Χωρίς αυτά, η ανεξάρτητη έρευνα και ο ουσιαστικός δημόσιος έλεγχος παραμένουν περιορισμένοι.
Σε αυτό το πεδίο, το GlossAPI δείχνει τη σημασία της ανοιχτής υποδομής δεδομένων. Η ανάπτυξη ελληνικής ΤΝ απαιτεί τεκμηριωμένες και επαναλήψιμες διαδικασίες για τη συλλογή, μετατροπή, καθαρισμό, επισημείωση και αδειοδότηση ελληνικών κειμένων. Τα δεδομένα δεν είναι απλώς πρώτη ύλη. Είναι ερευνητική υποδομή που πρέπει να μπορεί να ελεγχθεί, να διορθωθεί και να επαναχρησιμοποιηθεί.
Τα πανεπιστήμια ως παραγωγοί ελληνικής ΤΝ
Τα ελληνικά ΑΕΙ δεν πρέπει να περιοριστούν στον ρόλο του πελάτη. Διαθέτουν γλωσσική, επιστημονική και τεχνική γνώση που είναι αναγκαία για την ανάπτυξη αξιόπιστων ελληνικών μοντέλων.
Ακαδημαϊκά συγγράμματα ανοιχτής πρόσβασης, επιστημονικά περιοδικά, εκπαιδευτικό υλικό, ψηφιακές συλλογές και ερευνητικά δεδομένα μπορούν, όπου το επιτρέπουν οι άδειες και τα δικαιώματα, να συμβάλουν στη δημιουργία ποιοτικών σωμάτων κειμένων. Οι φοιτητικές εργασίες, οι διατριβές και τα προσωπικά δεδομένα δεν πρέπει να συλλέγονται αδιακρίτως. Απαιτούνται νόμιμη βάση, σαφής ενημέρωση, έλεγχος πρόσβασης και, όπου χρειάζεται, συναίνεση.
Ένα ελληνικό μοντέλο πανεπιστημιακής χρήσης πρέπει να αξιολογείται όχι μόνο στη νεοελληνική καθημερινή γλώσσα, αλλά και στην επιστημονική ορολογία, στα διαφορετικά γνωστικά πεδία και στις ιστορικές μορφές της ελληνικής. Χρειάζονται ανοιχτά σύνολα αξιολόγησης για ακρίβεια, τεκμηρίωση πηγών, μεροληψίες, προσβασιμότητα, κυβερνοασφάλεια και παραγωγή ανυπόστατων απαντήσεων.
Παράλληλα, μικρότερα εξειδικευμένα μοντέλα και συστήματα που αναζητούν πρώτα σε ελεγμένες πανεπιστημιακές πηγές μπορούν να είναι χρησιμότερα από ένα γενικό σύστημα. Ένας βοηθός μαθήματος, για παράδειγμα, θα πρέπει να αντλεί απαντήσεις από το εγκεκριμένο υλικό, να παραπέμπει στις πηγές του και να δηλώνει καθαρά πότε δεν διαθέτει επαρκή στοιχεία.
Έρευνα, ανθρώπινη ευθύνη και ακαδημαϊκή κοινότητα
Κάθε πτυχιακή, διπλωματική και διδακτορική διατριβή πρέπει να περιλαμβάνει σαφή δήλωση για τον τρόπο χρήσης της ΤΝ. Το σύστημα δεν μπορεί να αναφέρεται ως συγγραφέας. Η ευθύνη για τις πηγές, τη μεθοδολογία, τα δεδομένα, τον κώδικα και τα συμπεράσματα παραμένει στον ερευνητή.
Τα πανεπιστήμια πρέπει επίσης να προστατεύσουν την έρευνα ως διαδικασία μαθητείας. Η αντικατάσταση προπτυχιακών ή μεταπτυχιακών βοηθών από πράκτορες ΤΝ μπορεί να περιορίζει το άμεσο κόστος, αλλά στερεί από νέους ερευνητές τη συμμετοχή σε εργαστήρια και επιστημονικές κοινότητες. Εκεί μαθαίνουν πώς διατυπώνεται ένα ερευνητικό ερώτημα, πώς αντιμετωπίζεται ένα αποτυχημένο πείραμα και πώς ασκείται υπεύθυνη επιστημονική κρίση.
Από τις αρχές στην εφαρμογή
Οι ευρωπαϊκές αρχές της ανθρώπινης αξιοπρέπειας, της δικαιοσύνης, της αξιοπιστίας, της ακαδημαϊκής ακεραιότητας και της τεκμηριωμένης επιλογής πρέπει να μετατραπούν σε συγκεκριμένους κανόνες.
Κάθε ΑΕΙ χρειάζεται μόνιμη επιτροπή για την ΤΝ, ομάδα παιδαγωγικής και τεχνικής υποστήριξης, συμμετοχή φοιτητών και διαδικασία αξιολόγησης πιλοτικών εφαρμογών. Οι προμήθειες πρέπει να απαιτούν ανοιχτά πρότυπα και διεπαφές, φορητότητα δεδομένων, ανεξάρτητο έλεγχο, σαφείς όρους εξόδου και απαγόρευση εκπαίδευσης εμπορικών μοντέλων με πανεπιστημιακά δεδομένα χωρίς νόμιμη βάση.
Πρέπει επίσης να δημοσιοποιούνται οι πολιτικές καταγραφής, ο χρόνος διατήρησης των αιτημάτων, τα πρόσωπα που έχουν πρόσβαση, το πραγματικό κόστος και το ενεργειακό αποτύπωμα κάθε συστήματος.
Το ζητούμενο δεν είναι ένα πανεπιστήμιο χωρίς ΤΝ. Είναι ένα πανεπιστήμιο που διατηρεί τον έλεγχο των υποδομών, των δεδομένων και των εκπαιδευτικών του στόχων. Ένα πανεπιστήμιο που χρησιμοποιεί την ΤΝ για να διευρύνει τη γνώση και όχι για να αυτοματοποιήσει την απόκτησή της.
Η επιτυχία δεν θα μετρηθεί από τον αριθμό των διαθέσιμων εφαρμογών. Θα μετρηθεί από το αν οι φοιτητές μαθαίνουν βαθύτερα, αν οι ερευνητές μπορούν να ελέγχουν τα εργαλεία τους και αν η παραγόμενη τεχνογνωσία παραμένει κοινό αγαθό για την ακαδημαϊκή κοινότητα και την κοινωνία.
Πηγές:
- MIT, Report of the Ad Hoc Committee on AI Use in Teaching, Learning, and Research Training: Η έκθεση προτείνει επανασχεδιασμό της πανεπιστημιακής διδασκαλίας, της αξιολόγησης και της ερευνητικής μαθητείας, με επίκεντρο την ανθρώπινη μάθηση και την κοινότητα. MIT, AI and education: A watershed moment,
- European Commission, Guidelines on the ethical use of artificial intelligence and data in teaching and learning for Educators: Παρέχει το πλαίσιο ανθρώπινης αξιοπρέπειας, δικαιοσύνης, αξιοπιστίας, ακαδημαϊκής ακεραιότητας και τεκμηριωμένης επιλογής. European Commission,
- European Union, Regulation (EU) 2024/1689, Artificial Intelligence Act: Καθορίζει τις απαγορευμένες πρακτικές και τις υποχρεώσεις για εφαρμογές ΤΝ υψηλού κινδύνου, συμπεριλαμβανομένων συγκεκριμένων χρήσεων στην εκπαίδευση. EUR-Lex,
- OECD, Digital Education Outlook 2026, Exploring Effective Uses of Generative AI in Education: Εξετάζει τη διαφορά ανάμεσα στην άμεση αύξηση της απόδοσης και στην πραγματική μάθηση και υπογραμμίζει την ανάγκη παιδαγωγικού σχεδιασμού. OECD,
- Bastani et al., Generative AI without guardrails can harm learning: Η μελέτη δείχνει ότι η ανεξέλεγκτη χρήση παραγωγικής ΤΝ μπορεί να αποδυναμώσει την αυτόνομη επίδοση, ενώ οι παιδαγωγικές δικλίδες περιορίζουν τον κίνδυνο. PNAS,
- Τοπικά ανοιχτά μοντέλα ΤΝ, από το ακριβό cloud στη δημόσια υποδομή: Αναδεικνύει τις δυνατότητες τοπικής λειτουργίας ανοιχτών μοντέλων, τον έλεγχο του κόστους και τη σημασία κοινών δημόσιων υποδομών. GlossAPI,
- Πώς μπορεί να αναπτυχθεί ένα πλήρως ανοιχτό ελληνικό LLM: Παρουσιάζει την ανάγκη ανοιχτών δεδομένων, βαρών, διαδικασιών εκπαίδευσης και τεκμηρίωσης, καθώς και τον ρόλο του GlossAPI στη δημιουργία επαναχρησιμοποιήσιμης ελληνικής γλωσσικής υποδομής. GlossAPI.