تیمی از محققان آمریکایی در یک مقاله تحقیقاتی که در مجله PNAS Nexus آکادمی ملی علوم ایالات متحده منتشر شده است، اظهار داشت: وقتی افراد با استفاده از مدل های زبانی بزرگ هوش مصنوعی به دنبال موضوعی می گردند، حتی زمانی که حقایق اساسی در نتایج یکسان باشند، خطر کسب دانش سطحی بیشتری نسبت به زمانی که از طریق جست و جو های اینترنتی سنتی یاد می گرفتند، دارند.

چت بات های هوش مصنوعی مانند ChatGBT، Gemini و برنامه های مشابه، نحوه نوشتن متون و یافتن اطلاعات توسط دانش آموزان را در مدارس و دانشگاه ها تغییر داده اند. با این حال، محققان شری ملوماد از دانشگاه پنسیلوانیا و جین-هو یون از دانشگاه ایالتی نیومکزیکو استدلال می کنند که کاربران چت بات خود را از فرصت های کشف اطلاعات برای خودشان محروم می کنند.

محققان در مقاله تحقیقاتی خود، با استناد به هفت آزمایش آنلاین و آزمایشگاهی، اظهار داشتند: کسانی که از مدل های زبان بزرگ هوش مصنوعی (در مقایسه با لینک های وب سنتی) یاد می گیرند، کمتر به تدوین توصیه های خود اهمیت می دهند و مهم تر از آن، توصیه های کلی تر و غیر بدیع تری ارائه می دهند، بنابراین احتمال پذیرش آنها توسط گیرندگان کمتر است.

تیم تحقیقاتی توضیح داد: افرادی که در این مطالعه شرکت داشتند، گزارش دادند که از طریق استفاده از مدل های زبان بزرگ، حتی زمانی که نتایج با لینک های وب در زمان واقعی بهبود یافته بود، دانش عمیق تری کسب کرده اند.

به گفته میلومند و ژان، در حالی که جست و جو از طریق مدل های زبان بزرگ بدون شک کسب اطلاعات را تسهیل می کند ممکن است همزمان یادگیری را در مقایسه با خواندن مواردی که در موتور های جستجوی سنتی ظاهر می شوند، تضعیف کند.

این تیم افزود: یکی از خطرات تکیه بر مدل های زبان بزرگ به جای لینک های جستجوی وب سنتی این است که ممکن است یادگیری را از یک فعالیت فعال تر به یک فعالیت غیرفعال تبدیل کند، که نشان داده شده است که منجر به نتایج یادگیری کمتر مؤثر در محیط های دیگر می شود.