کلاهبرداری با هوش مصنوعی: ثبتنام دانشجویان ساختگی و برداشت از کمکهای مالی در کالجهای عمومی آمریکا
گزارش نشریه The New Yorker از شکلگیری موجی نوین از کلاهبرداری در کالجهای عمومی ایالات متحده خبر میدهد: گروههایی دانشجویان ساختگی ایجاد و آنها را ثبتنام میکنند، کمکهای مالی دولتی و دانشجویی دریافت میکنند و سپس با ابزارهای هوش مصنوعی تکالیف و آزمونها را بهصورت سیستماتیک انجام میدهند.
شواهد از کلاسهای واقعی
پروفسور دیوید سونگ از کالج ایست لسآنجلس میگوید چند سال پیش ثبتنامهایی با نامهایی کاملاً آنگلوساکسون مشاهده کرد که رفتار و سابقهشان با ترکیب جمعیتی دانشجویان مدرسه همخوانی نداشت. او استفاده از هوش مصنوعی در آموزش را مجاز میداند اما بر شفافیت و برچسبگذاری تأکید میکند؛ موارد متعددی از عدم رعایت این اصول گزارش شده است. این پدیده در دورههای آنلاین غیرهمزمان شدیدتر است، جایی که هویت ثبتشده میتواند پنهان بماند.
اساتید دیگر نیز وضعیت مشابهی را گزارش میکنند: پروفسور دیوید روآچ برآورد میکند بیش از ۵۰٪ از دانشجویان او برای نوشتن مقالات از هوش مصنوعی استفاده میکنند. این پرسش مطرح است که آیا افزایش تقلب ناشی از گرایش ذاتی دانشجویان است یا بهخاطر آسانتر شدن دسترسی به ابزارها شدت گرفته است.
چرا کالجهای عمومی هدف شدند؟
- کالجهای عمومی و کالجهای محلی (community colleges) جمعیتی متنوع دارند و برخی از آنها ظرفیتهای محدود برای بررسی هویت ثبتنامشدگان دارند.
- سامانه کمکهای مالی دانشجویی در ایالات متحده ساختار پیچیدهای دارد و نظارت کامل و لحظهای بر همه درخواستها دشوار است؛ مرجعی دربارهٔ کمکهای مالی دانشجویی این پیچیدگی را نشان میدهد.
- دورههای آنلاین غیرهمزمان امکان پنهانماندن هویت و تقلب سیستماتیک را تسهیل میکنند.
پیچیدگی شناسایی محتوای تولیدشده توسط هوش مصنوعی و ابعاد هویتی
تشخیص قطعی محتوای تولیدشده توسط هوش مصنوعی دشوار است و ابزارهای موجود همواره قابل دورزدن یا دارای نرخ خطای قابلتوجهی هستند. وقتی ثبتنامها و هویتها جعلی باشند، مسئله فراتر از شناسایی محتوای تولیدی میرود و به موضوعات هویتی، مالیاتی و تخلفات پرداختی تبدیل میشود که نیازمند هماهنگی میان مؤسسات آموزشی، سرویسهای پرداخت و نهادهای فدرال است.
راهکارهای عملی برای کالجها و نهادهای مرتبط
- تأیید هویت قویتر: پیادهسازی احراز هویت دو مرحلهای، بررسیهای ویدیویی هنگام ثبتنام یا استفاده از سرویسهای ثالث معتبر برای تایید هویت دریافتکنندگان کمک.
- بازنگری در روشهای ارزیابی: طراحی تکالیف مبتنی بر یادگیری فعال، ارزیابیهای شفاهی و ارائههای زنده که تقلید ماشینی را دشوارتر میکند.
- همکاری بینسازمانی: تبادل اطلاعات دربارهٔ الگوهای مشکوک میان کالجها و نهادهای نظارتی و تسهیل ارتباط با نهادهایی مانند وزارت آموزش ایالات متحده برای شناسایی و مقابله سریعتر با شبکههای کلاهبرداری.
- نظارت و ممیزی مالی: انجام بازرسیهای دورهای روی پرداختهای کمک مالی و تطبیق آنها با شواهد حضور و فعالیت آموزشی واقعی.
- آموزش و تدوین سیاستها: آموزش اساتید و کارکنان درباره روشهای نوین تقلب و تدوین سیاستهای شفاف در مورد استفاده از ابزارهای هوش مصنوعی در تکالیف و آزمونها.
پیامدها و چشمانداز پیش رو
این نوع سوءاستفاده میتواند منابع محدود کالجهای عمومی را هدر دهد و اعتماد عمومی به سیستم کمکهای مالی را تضعیف کند. مقابله مؤثر نیازمند ترکیبی از فناوریهای احراز هویت، سیاستگذاری مناسب و فرایندهای انسانی قابل اجراست. مؤسسات آموزشی باید سیاستهایی مبتنی بر واقعیتهای فناوری تدوین کنند و نهادهای نظارتی فرایندهای رسیدگی و ممیزی را تسریع نمایند تا شبکه مالی آموزش عالی در برابر این شکل نوین کلاهبرداری مقاوم شود.
پیشفرض راهبردی: گسترش دسترسی به ابزارهای هوش مصنوعی میتواند فواید آموزشی قابلتوجهی داشته باشد؛ اما بدون بهروزرسانی همزمان مقررات، پروتکلهای هویتی و سازوکارهای نظارتی، این فرصتها به تهدید تبدیل میشوند.
