Jak wynika z niedawnego badania, w którym wzięło udział ponad 10 000 uczestników, poleganie na dużych modelach językowych (LLM) w celu podsumowania informacji może utrudniać zdobywanie wiedzy. Profesorowie marketingu Jin Ho Yun i Shiri Melumad są współautorami artykułu szczegółowo opisującego te wnioski z siedmiu badań. Uczestnicy mieli za zadanie nauczyć się jakiegoś tematu, np. ogrodnictwa warzywnego, za pomocą LLM, takiego jak ChatGPT, lub standardowej wyszukiwarki Google. Badacze nie nałożyli żadnych ograniczeń na czas korzystania z narzędzi ani na interakcję uczestników. Następnie uczestnicy napisali radę dla przyjaciela w oparciu o zdobyte informacje. Dane konsekwentnie wykazały, że osoby, które korzystały z kształcenia ustawicznego w celach edukacyjnych, postrzegały, że nauczyły się mniej i włożyły mniej wysiłku w tworzenie porad. Ich rady były krótsze, mniej oparte na faktach i bardziej ogólne. Niezależna próba czytelników uznała, że porady uzyskane w ramach LLM są mniej pouczające, mniej pomocne i rzadziej je stosują. Różnice te utrzymywały się w różnych kontekstach. W jednym eksperymencie kontrolowano potencjalne różnice w eklektyzmie informacji, udostępniając uczestnikom identyczne fakty z wyszukiwań w Google i ChatGPT. W innym eksperymencie utrzymano stałą platformę wyszukiwania – Google – zmieniając jednocześnie to, czy uczestnicy uczyli się na podstawie standardowych wyników Google, czy funkcji przeglądu sztucznej inteligencji Google. Nawet przy standaryzacji faktów i platformy uczenie się na podstawie zsyntetyzowanych odpowiedzi LLM skutkowało płytszą wiedzą w porównaniu do gromadzenia, interpretowania i syntezowania informacji za pośrednictwem standardowych łączy internetowych. Badanie przypisuje to zmniejszonemu procesowi uczenia się zmniejszonemu aktywnemu zaangażowaniu. Wyszukiwania Google wiążą się z większym „tarciem” i wymagają nawigacji, czytania, interpretacji i syntezy różnych linków internetowych, co sprzyja głębszej reprezentacji mentalnej. LLM wykonują ten proces za użytkownika, zmieniając proces uczenia się z aktywnego na pasywny. Naukowcy nie opowiadają się za unikaniem studiów LLM ze względu na korzyści, jakie przynoszą w innych kontekstach. Zamiast tego sugerują, że użytkownicy przyjęli bardziej strategiczne podejście, rozumiejąc, gdzie LLM są korzystne, a które szkodliwe dla ich celów. Aby uzyskać szybkie, rzeczowe odpowiedzi, odpowiednie są LLM. Jednak w przypadku rozwijania głębokiej, możliwej do uogólnienia wiedzy poleganie wyłącznie na syntezach LLM jest mniej skuteczne. Dalsze eksperymenty obejmowały wyspecjalizowany model GPT zapewniający łącza internetowe w czasie rzeczywistym wraz z syntetycznymi odpowiedziami. Uczestnicy otrzymujący podsumowanie LLM nie byli zmotywowani do eksplorowania oryginalnych źródeł, co prowadziło do płytszej wiedzy w porównaniu z tymi, którzy korzystali ze standardowego Google. Przyszłe badania będą dotyczyć narzędzi generatywnej sztucznej inteligencji, które wprowadzają „zdrowe tarcia”, aby zachęcić do aktywnego uczenia się wykraczającego poza łatwe do syntezy odpowiedzi, szczególnie w szkołach średnich. Ten artykuł został ponownie opublikowany z Rozmowa.
