Pasak KTU tyrėjos V.Sukackės, galima pastebėti, kad siekiant optimizuoti procesus, disruptyvias (griaunančias) informacines ir komunikacines technologijas pirmiausia bando „prisijaukinti“ ir taikyti verslo sektorius.
Kituose sektoriuose, kur galimybės investuoti į šių technologijų kūrimą, taikymą ir darbuotojų apmokymą yra ribotos, inovacijų diegimo procesas ir pritaikomumo paieškos vyksta kiek lėčiau.
Švietimo problemų neišsprendžia
V.Sukackė teigia, kad švietimo sektoriuje pastebima tendencija, kad vos tik atsiranda nauja technologija, kurią neretai pirmiausia diegia įvairios verslo šakos, tikimasi, kad jos pagalba bus išspręstos visos švietimo problemos.
„Gartnerio technologijų brandumo ciklas (angl. Gartner Hype Cycle, GHC) rodo, kad po bet kokios technologinės inovacijos atsiradimo įprastai seka didelis lūkesčių pikas. Pavyzdžiui, paplitus Masiniams atviriesiems internetiniams kursams (angl. MOOC), virtualiajai realybei (angl. VR), mokymosi analitikai (angl. Learning Analytics), žaidybinimui (angl. gamification) tikėtasi, kad bus galima užtikrinti aukšto lygio, įtraukų, inovatyvų švietimą, pereiti iš mokymo į mokymosi paradigmą “, – teigia KTU tyrėja.
V.Sukackės teigimu, nors moksliškai įrodyta, kad šios inovacijos yra naudingos ir duodančios teigiamų pokyčių, visgi jos nėra panacėja ir dažniausiai pasitarnauja tik konkrečiose, siaurose veiklos srityse.
„ChatGPT“ – pike
„Turbūt nėra šiuolaikines naujienų medijas vartojančio žmogaus, kuris nebūtų girdėjęs dažnai kalbančių ekspertų apie pasaulį per naktį pakeitusią dideliu kalbos modeliu grįstą technologiją – „ChatGPT“. Jau minėtas GHC ciklasrodo, kad „ChatGPT“ technologija vis dar pike – puikiai naudojamas įrankis verslo, švietimo ir kituose sektoriuose. Šiuo metu aktyviai siekiama įvertinti, kur optimaliai galima pritaikyti šią technologiją ir identifikuoti jos galimybes ir ribotumus“, – sako V.Sukackė.
Jos teigimu, mokslininkų susidomėjimas dirbtinio intelektu (DI), „ChatGPT“ ir kitomis technologijomis tyrimuose sparčiai auga. Daug dėmesio skiriama disrupcinių technologijų potencialui, įskaitant mechaninių darbų optimizavimą, greitą didžiųjų duomenų apdorojimą ir automatizuotą analizę bei tarpdisciplininių tyrimų palengvinimą.
Visgi, pasak KTU tyrėjos, reikėtų pastebėti, kad mokslininkai į DI taikymą reaguoja kiek atsargiau, įtariau ir, galbūt galima teigti, realistiškiau – patirtis diktuoja, kokie įrankiai ar technologijos turi kokias galimybes ir kokius ribotumus, ir kokį pasirengimą turėtų turėti su duomenimis dirbantis tyrėjas.
„Kartu su automatizuota duomenų gavyba ir analize didėja galimybės prisidėti prie duomenų mokslo ir mokslinių tyrimų jaunuoliams, kurie galbūt nesieja savęs su matematika, statistika, informatika. Gausu ir vis atsiranda įrankių, kurie skaičiavimus atlieka vos kelių mygtukų paspaudimu“, – sako ji.
Pasak KTU mokslininkės, tyrėjui lieka tik gautą rezultatą paaiškinti, interpretuoti, susieti su kitų mokslinių tyrimų rezultatais, kas nors gali atrodyti priešingai, visgi nėra pati lengviausia mokslinio tyrimo atlikimo dalis, todėl reikalingas tinkamas pasirengimas.
DI – asistentas ar vergas?
Viena iš temų, kuriomis pastaruoju metu diskutuoja mokslininkai – DI asistentų taikymo etika.
Viena diskurso linija tokia, kad DI yra tiesiog paprastas įrankis, kitos pusės šalininkai visgi labiau „sužmogina“ DI ir kelia klausimus apie DI kaip nemokamo darbuotojo taikymo etiką. Taip pat keliami klausimai apie išteklių, kurie eikvojami atsakant nereikšmingas ar nevykusiai pateiktas užklausas (angl. prompts) pokalbių robotams, jų poveikį aplinkai (t.y. sugeneruojama šiluma, naudojami elektros ištekliai ir t.t.).
V.Sukackės teigimu, tarptautinės konferencijos ir moksliniai tyrimai apie žmogaus ir robotų arba kompiuterių bendrą darbą kartu nėra naujas reiškinys, tačiau mažai diskutuojama apie mokslininkų darbą kartu su DI kaip mokslinio tyrimo atlikimo asistentu, pagalbininku.
„Mokslinių tyrimų atlikimo procese turėti asistentų nėra nauja – tam tikras procedūras dažnai atlikdavo ir vis dar atlieka studentai, jaunesnieji mokslo darbuotojai“, – sako ji.
Jos teigimu, galime kelti klausimą – kokią DI naudą kaip tam tikrą pagalbininką šiuo metu gali išnaudoti mokslininkai? Vienas iš gero mokslinio tyrimo kokybės kriterijų – stiprus teorinis pamatas, paremtas kitų mokslininkų atliktais darbais, sukurtomis teorijomis, koncepcijomis.
DI pagalba galima sutaupyti daug laiko resursų tą pagrindą sudarant. Šiuo metu yra prieinamos įvairios platformos, kurios vos kelių mygtukų paspaudimu identifikuoja, pavyzdžiui, tarpusavyje susijusius mokslinius tyrimus, mokslininkų grupes ir kt.
Gerbiamos ir skirtingų disciplinų atstovams pažįstamos duomenų bazės, kaip, pavyzdžiui, SCOPUS, kuria savo DI įrankius, kurių pagalba galima pasirinktai temai sugeneruoti santraukas su nuorodomis į šaltinius, ką tik gan retais atvejais korektiškai gali padaryti „ChatGPT“, sugeneruoti interaktyvius koncepcijų žemėlapius, identifikuoti labiausiai cituojamus mokslinius darbus ir tam tikrų temų ekspertus.
DI negali atpažinti sarkazmo
V.Sukackės teigimu, visais atvejais svarbu kritiškai įvertinti, kokia metodika remiantis buvo sugeneruoti ir pateikti rezultatai.
„DI pagalba dar galima automatizuotai surinkti ir apdoroti duomenis, atlikti jų analizę, atvaizduoti rezultatus. Pavyzdžiui, vienos iš pasaulyje lyderiaujančių kokybinių ir mišrių tyrimų atlikimui naudojamos programinės įrangos MAXQDA DI asistentas gali pasiūlyti temas ir kategorijas duomenų analizei, paaiškinti terminus ir pateikti duomenimis paremtus atsakymus, perfrazuoti teksto dalis ir dar daugiau“, – pabrėžia KTU tyrėja.
Tokių platformų kaip ZOOM ir „MS Teams“ pagalba galima automatizuotai transkribuoti interviu. Verta susimąstyti, ar vardan tam tikrų procesų optimizavimo pažado reikėtų atsisakyti komandos, sudarytos iš nuolat augančių profesionalų ir galimybės labiau patyrusiems mokslininkams ir tyrėjams auginti jaunuosius kolegas?
Šioje diskusijoje ne ką mažiau svarbu ir tai, kad pirminis duomenų apdorojimas reikšmingai prisideda prie vėlesnės duomenų analizės. Kuo daugiau mokslininkas asmeniškai „prisiliečia“ prie duomenų, tuo gilesnės analizės ir įžvalgų galima tikėtis.
Neretai negalima ir nevertėtų tiesiog aklai pasikliauti DI atliktos analizės rezultatais. Geras pavyzdys būtų pastaraisiais dešimtmečiais vis populiarėjanti automatizuota sentimentų analizė. Jeigu pagalvosime, kad mes, kaip žmonės, ne visada gebame atpažinti sarkazmą, ironiją, skaityti tarp eilučių, tai to tobulai padaryti DI, bent jau kol kas, dar irgi negali.
Be to, atlikdamas analizę, DI nebūtinai atpažįsta specifinių bendruomenių komunikacijos raišką. Dažniausiai DI yra kultūriškai „kvailas“. Jis taip greitai nesupranta ir neišmoksta kalbos, kuri yra kintantis organizmas, niuansų, kultūrinių elementų, negeba skaityti tarp eilučių ir t.t.
„Ryškiausias to pavyzdys galėtų būti pasaulyje populiarios meno ir pramogų šakos atstovų, „drag“ karalienių (angl. drag queens) vartojami kreipiniai, kurie ne bendruomenės nariams gali pasirodyti įžeidžiantys, netinkami, tačiau bendruomenės narių yra vartojami kaip mažybiniai, maloniniai žodžiai“, – sako V.Sukackė.
Kuriami įstatymai
Mokslininkai DI taiko ne tik duomenų rinkimui, apdorojimui ir automatizuotai analizei, bet ir duomenų generavimui. Sintetinių duomenų kūrimas leidžia modeliuoti ir simuliuoti įvairias situacijas, procesus, apie kuriuos duomenų surinkti nėra įmanoma arba egzistuoja tam tikri apribojimai, pavyzdžiui, laiko, finansiniai, žmogiškieji resursai ir kt.
Vėlgi, reikia nepamiršti tam tikros ironijos – padėdamas tausoti vienus resursus DI eikvoja kitus, pavyzdžiui, išskiria šilumą ir t.t., taigi, prisideda prie globalinio atšilimo ir kitų darnios raidos iššūkių.
Svarbu ir tai, kad DI įrankiai ar jų pagalba sugeneruoti duomenys bet kuriuo atveju yra grindžiami žmonių sugeneruotais duomenimis, dėl to iškyla subjektyvumo, stereotipizavimo, diskriminacijos įvairiu pagrindu, pavyzdžiui, rasė, amžius, lytis pavojus.
„Jeigu duomenys sintetiniai, t.y. sugeneruoti DI, užklausą vis tiek turi sukurti žmogus, kuriam sunku atsiriboti nuo savo turimų patirčių, išsilavinimo, žinojimo apie tam tikrus kontekstus, jų vertinimo per savo vertybinių nuostatų prizmę“, – sako KTU tyrėja.
Jos teigimu, reikia atkreipti dėmesį į tai, kad verslai ir mokslininkai turi kiek skirtingas prieigas prie duomenų rinkimo, analizės, skaidrumo ir atsakomybės asmenims, kurių duomenys renkami ir apdorojami. Siekiant suvienodinti „žaidimo taisykles“ ir apsaugoti ES piliečių asmens duomenis, 2024 m. kovo mėn. Europos Parlamentas patvirtino DI aktą.
Juo siekiama užtikrinti, kad DI taikymas nepažeistų asmenų teisių, demokratijos principų. Be šio akto, skirtingos šalys ir jose veikiančios institucijos taip pat renkasi savo vietinę DI (ne)taikymo politiką.
Kai kurios šalys renkasi draudimo politiką – pavyzdžiui, Italija uždraudė prieigą prie „ChatGPT“ šalies mastu, Olandijoje ši technologija draudžiama akademinėse institucijose. Lietuvoje, konkrečiau, KTU, laikomasi požiūrio, kad disruptyvių technologijų visgi nereikėtų vengti, bijoti ar jų drausti, tačiau itin svarbus gebėjimas jas taikyti etiškai, sąžiningai ir pasitelkiant kritinį mąstymą.
„Disruptyvių technologijų plėtros ir pritaikomumo mokslinių tyrimų atlikimo kontekste kyla tam tikras pavojus ateities mokslininkų kartoms – tai yra ir nemažas iššūkis mums, kaip mokslinių tyrimų metodų dėstytojams ir patirties perdavėjams akademinėje bendruomenėje. KTU DAtA centre bandome atliepti akademinės, mokslininkų ir tyrėjų bendruomenės poreikius ugdant ne tik mokslines kompetencijas, bet ir 21-ojo amžiaus gebėjimus, kurie bent jau kol kas mus vis dar daro pranašesnius už mums asistuojančius DI pagalbininkus“, – teigia V.Sukackė.
