AI khiến ngành nhân văn trở nên quan trọng hơn, nhưng đồng thời cũng kỳ lạ hơn rất nhiều
(resobscura.substack.com)- AI tạo sinh đã và đang thay đổi giáo dục và nghiên cứu nhân văn, nên cách chỉ coi nó là sự thổi phồng hoặc đối tượng cần cấm đoán sẽ khó duy trì lâu dài
- Năng lực dịch thuật, phân loại và xử lý ngôn ngữ của LLM gắn chặt với tri thức nhân văn; ngay cả trong việc cải thiện hệ thống AI, như vấn đề nịnh nọt của GPT-4o, các phán đoán về ngôn ngữ, văn hóa và tu từ cũng ngày càng quan trọng
- Ngay cả các nhà nghiên cứu nhân văn không chuyên kỹ thuật cũng có thể dùng AI để tạo công cụ nghiên cứu và giảng dạy theo nhu cầu riêng; trình mô phỏng dược sĩ thế kỷ 17 và Young Darwin vừa cho thấy tiềm năng, vừa cho thấy khó khăn trong việc kiểm soát ảo giác
- Các chatbot như ChatGPT khiến việc đánh giá bài viết của sinh viên trở nên khó hơn, đồng thời làm tăng nguy cơ sinh viên bỏ qua nỗ lực trí tuệ và đánh mất trải nghiệm tư duy tập trung
- Nếu nhà giáo dục không trực tiếp thiết kế bài tập và công cụ dựa trên AI, thì các công cụ học tập AI mang tính thương mại, vốn làm suy yếu quan hệ thầy trò theo hướng cá nhân hóa, có thể sẽ lấp đầy khoảng trống trong môi trường giáo dục
Vì sao khó có thể phớt lờ AI trong ngành nhân văn
- D. Graham Burnett, trong bài viết trên The New Yorker, chỉ trích thái độ của các trường đại học khi chỉ xem AI như đối tượng của các quy định cấm đoán hoặc cố thủ với cách làm cũ
- Bản dự thảo chính sách chống AI của một khoa trong trường đại học, nếu hiểu theo nghĩa đen, thậm chí có thể chặn cả những bài tập lấy AI làm trung tâm, và sau đó đã được chỉnh sửa
- Một đánh giá từ bên ngoài khuyến nghị khoa lịch sử phải khẩn cấp ứng phó với sự xáo trộn do AI đang đến trong giảng dạy và nghiên cứu, nhưng phản ứng lại khá lạnh nhạt
- Vấn đề cốt lõi không phải là AI tạo sinh vốn dĩ tốt đẹp, mà là nó đã và đang thay đổi ngành nhân văn, nên rất khó chỉ gạt đi như cường điệu hoặc làm ngơ
Các kỹ năng nhân văn ngày càng quan trọng ngay trong nghiên cứu AI
- LLM giống như “máy tính bỏ túi cho từ ngữ”, thể hiện thế mạnh trong dịch thuật, sắp xếp và phân loại, và đã bắt đầu ảnh hưởng đến những lĩnh vực như cổ văn học, khai phá dữ liệu và dịch ngôn ngữ cổ
- Trong vài năm gần đây, kỹ năng nhân văn không chỉ quan trọng ở khả năng sử dụng AI mà còn quan trọng ngay trong bản thân nghiên cứu AI
- Khi OpenAI sửa xu hướng nịnh nọt kỳ lạ của GPT-4o, biện pháp đầu tiên họ áp dụng không phải là mã mới mà là một system prompt mới dưới dạng câu tiếng Anh
- Simon Willison đã phân tích thay đổi system prompt mà OpenAI triển khai
- Việc ưu tiên phản hồi người dùng qua nút “thumbs up” cũng được nêu là một yếu tố khác, và điều này cũng liên quan đến ảnh hưởng của ngôn ngữ lên hành vi, khác biệt văn hóa, tu từ, thể loại và giọng điệu
- Khi máy tính lớn IBM thập niên 1950 hay động cơ hơi nước thập niên 1850 gặp trục trặc, người sửa chữa không nhất thiết phải suy nghĩ nhiều về ngôn ngữ, văn hóa hay triết học công nghệ; nhưng với hệ thống AI, nếu thiếu những cân nhắc đó, nó thực sự có thể hành xử như thể bị hỏng
Các công cụ nghiên cứu và giảng dạy do chính học giả nhân văn không chuyên kỹ thuật tạo ra
- AI tạo sinh cho phép cả những người dùng không chuyên kỹ thuật trong lĩnh vực nhân văn cũng có thể trực tiếp thử viết mã
- Thế hệ sử gia mới có thể sẽ xem việc tạo ra và phát hành các công cụ nghiên cứu, giảng dạy theo nhu cầu riêng với chi phí gần như bằng 0 là điều tự nhiên
- Thử nghiệm đầu tiên là trình mô phỏng dược sĩ thế kỷ 17 có thể chơi miễn phí
- Sinh viên vào vai Maria de Lima, một nữ dược sĩ bán hư cấu ở Mexico City thập niên 1680
- Họ phải đọc và sử dụng các công thức y học cận đại có thật để chữa trị cho các bệnh nhân dựa trên nhân vật lịch sử có thật
- Có lỗi và vấn đề về tính dễ dùng, và hiện tượng ảo giác do LLM tạo ra nhanh chóng bộc lộ khi nội dung lệch khỏi thực tế lịch sử
- Trong một lượt chơi, Maria trở thành mục sư trên một tàu buôn đi Anh, rồi đến London gặp Isaac Newton và được mời trà
- Thử nghiệm thứ hai, Young Darwin, là trò chơi nơi người học vào vai Darwin thời trẻ trên quần đảo Galápagos năm 1835, thu thập chim sẻ và mẫu vật
- Hệ thống di chuyển theo địa hình dựa trên địa hình có thật trong Voyage of the Beagle của Darwin giúp AI bám sát căn cứ văn bản theo nghĩa đen
- Vì khó rời khỏi đảo, và các loài vật cùng địa hình gặp được đều được lấy trực tiếp từ chính văn bản của Darwin, xu hướng ảo giác giảm đi
- Hệ thống này cũng có logging vững chắc hơn, hữu ích để gắn thêm lớp đánh giá sau này và chuyển thành bài tập thực tế
- Thiết kế học tập là để sinh viên đọc trước văn bản của Darwin rồi thể hiện điều đã học thông qua các lựa chọn trong trò chơi
- Để tiến lên, họ phải nhập thân vào nhận thức luận và tri thức thực sự của một nhà tự nhiên học thế kỷ 19
- Hoạt động này không thay thế bài luận và thảo luận trực tiếp trên lớp mà đóng vai trò bổ trợ
Thực tế ngày càng khó dạy các kỹ năng nhân văn
- Các chatbot AI đang làm lung lay những yếu tố cốt lõi của hệ thống giáo dục, và các nhà giáo dục, sinh viên, chính trị gia cùng các phòng thí nghiệm AI frontier cần nghiêm túc xử lý vấn đề này
- Vì ChatGPT và các công cụ cạnh tranh, việc đánh giá bài viết của sinh viên trở nên khó khăn hơn, và khi số bài luận do máy tạo ra để nộp ngày càng tăng, bài tập và kế hoạch giảng dạy cũng buộc phải thiết kế lại
- Về dài hạn, thiệt hại lớn hơn sẽ dồn về phía sinh viên
- LLM có nguy cơ biến nỗ lực thành một yếu tố mang tính tùy chọn trong giáo dục đại học
- Sinh viên chưa từng trải qua cảm giác bí khi viết cũng khó trải nghiệm được trạng thái đắm chìm khi vượt qua nó
- Nếu chưa từng mất hàng giờ loay hoay vô ích trong thư viện để tìm tài liệu, thì cũng khó hiểu tận gốc thư viện tồn tại để làm gì
- Bài viết của New York Magazine đã nắm bắt khá rõ vấn đề sử dụng ChatGPT
- Một sinh viên Columbia nói rằng “phần lớn bài tập đại học đều không liên quan, có thể bị AI hack, và tôi chẳng hứng thú làm”
- Anh ta trả lời rằng lý do vào một trường Ivy League là vì đó là “nơi tốt nhất để gặp đồng sáng lập và vợ tương lai”
- Cách tiếp cận như vậy làm suy yếu niềm vui của việc giảng dạy và ý nghĩa của trải nghiệm giáo dục
Tiềm năng của bài tập AI và lo ngại về bất bình đẳng
- Trong lớp của Burnett, sinh viên làm bài tập thảo luận với ChatGPT về khái niệm chú ý (attention) rồi biên tập kết quả để nộp, và ông xem đó là một trải nghiệm giáo dục rất mạnh mẽ
- Mô hình ngôn ngữ là công cụ giáo dục mới, và vì tác động của nó vẫn chưa rõ ràng, những nhà giáo dục thật sự có đam mê với việc học cần chủ động tham gia ngay từ bây giờ
- Lo ngại lớn nhất là LLM có thể còn làm trầm trọng hơn sự phân cực trong kết quả giáo dục nhân văn
- Có vẻ như sinh viên Princeton mà Burnett giảng dạy đã phản hồi bài tập một cách rất sâu sắc và sáng tạo
- Nhưng cần nhìn khác đi nếu nói tới học sinh môn xã hội ở các trường trung học công lập thiếu nguồn lực tài chính liệu có phản ứng tương tự hay không
- Nhà giáo dục cần học cách tự tạo và phát hành các bài tập, công cụ dựa trên AI phù hợp với cách dạy mà mình mong muốn
- Nhận thức vấn đề này là nền tảng của khoản tài trợ NEH mà ông nhận cùng Pranav Anand và Zac Zimmer của UCSC
- Khoản tài trợ đó được cấp vào tháng 1 năm 2025, nhưng đã bị chính quyền Trump/DOGE hủy vào tháng trước
- Công việc dự định thực hiện vẫn đang tiếp tục
1 bình luận
Ý kiến trên Hacker News
Có một vấn đề giáo dục sâu xa hơn đã hình thành qua nhiều thập kỷ. Học sinh được rèn để nhìn trường học và công việc như một chuỗi mục tiêu phải liên tục đạt được, với đích cuối cùng là có việc làm.
Nhưng giờ đây rất khó nói chắc sau 5–10 năm nữa những công việc nào còn tồn tại. Nếu có ngoại lệ thì có lẽ là các nghề kỹ thuật lành nghề, nhưng những chương trình như vậy đã gần như biến mất khỏi trường học từ lâu.
Nếu sinh viên đại học dùng AI để dễ dàng vượt qua bài tập thay vì tự đọc, chịu khó và học, thì khó có thể chỉ đổ lỗi cho sinh viên về hệ thống giáo dục–nghề nghiệp mà chúng ta đã tạo ra. Vấn đề này không xuất hiện chỉ sau một đêm, và cũng không phải vấn đề riêng của AI.
Nền giáo dục của chúng ta không thưởng cho sự thấu hiểu, tri thức hay trí thông minh, mà chỉ thưởng cho điểm số. Một con số duy nhất gọi là GPA, hơn bất cứ thứ gì, rất dễ bị game hóa, và đã trở thành chỉ số quan trọng nhất quyết định toàn bộ tương lai học thuật từ cấp hai đến đại học.
Có thể dự đoán khá tốt nhiều nghề sẽ còn tồn tại sau 5–10 năm nữa. Nhưng sự thật khó chịu là khá nhiều công việc thu nhập cao trong nền kinh tế mới không đáp ứng tiêu chí là nghề đã tồn tại lâu dài.
Vì vậy, nếu theo tiêu chí này, bạn có thể bỏ lỡ những cơ hội lợi nhuận cao khó dự đoán; và nếu bạn là kiểu người dễ ghen tị khi bạn bè bỗng kiếm được rất nhiều tiền, thì những nghề đó cũng có thể không đem lại hạnh phúc.
Họ đã học các môn AP, có GPA tốt, tốt nghiệp trường tốt, “đã học coding”, thậm chí còn gánh 200.000 USD nợ học phí, nhưng cuối cùng lại phát hiện không có công việc nào như đã hứa.
Đồng thời, họ nghe nói “thiếu lập trình viên trầm trọng”, rồi lại thấy lao động nước ngoài được tuyển vào cùng những vị trí đó. Người trẻ làm sao có thể tin vào hệ thống này được?
Trong hoàn cảnh như vậy, liệu một công nhân ngành thép có muốn được đào tạo lại để học coding không? Nhất là khi ngay cả những dân geek đã học coding cũng gặp kết cục u ám.
Bình luận đầu tiên của bài viết đó khiến tôi chú ý:
“Tôi là nghiên cứu sinh ngành triết học tại SFSU và dạy tư duy phản biện. Học kỳ này, thay vì để cả khóa học xoay quanh Plato, tôi đã đổi thiết kế thành cảm giác như chạy một đường đua vượt chướng ngại vật cùng AI, và sinh viên rất thích.”
Có lẽ sẽ thú vị nếu yêu cầu sinh viên tự thiết kế “những bài tập mà bạn học của họ không thể hoàn thành bằng ChatGPT”.
Khoảng 10 năm trước ở BarCamp, tôi từng tham gia một bài quiz theo đội được thiết kế để khó giải bằng Google, kiểu như chỉ nhìn đường viền của một hòn đảo rồi đoán “đây là đảo nào?”. Nó rất vui, và việc thiết kế bài tập chống ChatGPT cũng có cảm giác như một thử thách trí tuệ tương tự.
Hằng tuần phải giải các bài tập khó, nhưng hoàn thành được một tỷ lệ nhất định mới chỉ là bước khởi đầu và là điều kiện để được dự thi vấn đáp hoặc thi viết thực sự.
Như nhiều giáo sư nói, mục đích gần như duy nhất của định mức bài tập khó là ngăn những sinh viên chưa chuẩn bị đi thi rồi tự làm hại mình.
Gian lận kiểu dùng ChatGPT trong bài tập bị cấm, nhưng thường không bị kiểm soát quá gắt. Thay vào đó, nếu làm vậy thì bạn sẽ không chuẩn bị được cho kỳ thi sắp tới và cuối cùng sẽ trượt; sinh viên nói chung cũng hiểu rõ điều này.
Ở các đại học Đức, nếu thường trượt cùng một kỳ thi 3 lần, bạn có thể bị xem là “trượt chung cuộc (endgültig nicht bestanden)”, và không còn được học tiếp cùng chương trình cấp bằng đó ở bất kỳ đại học nào tại Đức.
Tôi biết mình không phải trường hợp phổ biến, nhưng xu hướng né tránh các bài tập dựa trên văn bản đang khiến giáo dục có khả năng tiếp cận trở nên bất khả thi hơn. Có lẽ chúng ta sắp chứng kiến một thế hệ mới của khoảng cách số.
“Càng trao nhiều quyền hạn của giáo viên cho sinh viên, và càng khuyến khích sinh viên chịu trách nhiệm nhiều hơn với việc học của chính mình, sinh viên càng cho tôi thấy tôi cần thiết kế lại phương pháp giảng dạy của mình như thế nào.”
[0]: https://clalliance.org/blog/toward-peeragogy/
Khi đang chật vật với tải giảng dạy 4/4, rất khó có thời gian đưa các phương pháp giáo dục thử nghiệm vào và thiết kế lại hoàn toàn môn học. Các trường đại học cũng thường phó mặc cho từng giảng viên, thay vì cung cấp đào tạo hay hỗ trợ để chuyển lớp học sang những cách thức vững hơn trước AI.
Hơn nữa, công cụ phát triển quá nhanh nên ý tưởng hay cũng nhanh chóng lỗi thời. Có người đã đổi bài cuối kỳ từ viết luận sang sản xuất podcast, nhưng chẳng bao lâu sau các công cụ “tạo podcast của riêng tôi” xuất hiện, khiến việc gian lận trở nên dễ như với bài luận truyền thống.
Tác giả chủ yếu nói về việc dạy lịch sử, nhưng kiểu giáo dục lịch sử mà ông đề cập gần với thưởng thức lịch sử hơn là lịch sử nhằm hỗ trợ dự đoán. Nó gần với việc học “kinh điển” từ sau Cicero hơn
Các sĩ quan quân đội học rất nhiều lịch sử, nhưng theo cách khác. Họ tìm sai lầm. Họ xem vì sao một trận đánh hay một cuộc chiến bị thua, ngay từ đầu vì sao lại bị cuốn vào trận đánh đó, vì sao tình hình trước Thế chiến I lại bất ổn về chiến lược đến mức vụ ám sát một nhân vật nhỏ cũng có thể lan thành chiến tranh thế giới
Giáo dục lịch sử truyền thống có xu hướng đặc biệt tập trung vào những người chiến thắng viết hay. Đọc những gì bên thua viết, hoặc những gì được viết về bên thua, có thể hiệu quả hơn
Nếu muốn hiểu thời Cicero, có thể đọc [1]. Đây là cuốn sách của một phóng viên chính trị báo chí hoài nghi và dày dạn kinh nghiệm nghiên cứu Cicero; ông cho rằng nhiều sử gia đã tiếp nhận các bài diễn thuyết của Cicero theo đúng nghĩa bề mặt. Tác giả cho rằng mình hiểu rõ hơn vì đã nghe rất nhiều chính trị gia đương thời
Cách tiếp cận này khiến ta rời khỏi lĩnh vực mà LLM hữu dụng nhất. Vì hiện nay LLM vẫn chưa giỏi phát hiện sự nịnh bợ và xu thời
[1] https://archive.org/details/thiswasciceromod0000henr
Điều này cũng đúng với lịch sử quân sự. Lịch sử quân sự là một trong những phân ngành chậm tiếp nhận phương pháp và thông lệ mới nhất
Tôi luôn xem lịch sử là cách giải thích “vì sao sự vật hiện nay lại thành ra như vậy”. Tất cả những điều tốt xấu hiện tại đều là kết quả của những việc trước đó
Học “kinh điển” từ góc nhìn lịch sử có phải là để thưởng thức không. Những gì tôi thấy ở các sử gia thực thụ phần lớn gần với cách đọc phê phán hơn
Ngoài ra, nói rằng các sử gia tiếp nhận các bài diễn thuyết của Cicero theo đúng nghĩa bề mặt cũng không đúng. Trông như một ví dụ nữa về việc nhìn một lĩnh vực từ bên ngoài rồi nghĩ mình biết rõ hơn, để rồi tự chuốc lấy bẽ mặt
Hơn nữa, vì sao phải đọc một cuốn sách xuất bản năm 1942 mà bỏ qua 80 năm nghiên cứu gần đây về Cicero
Nhưng tư duy lịch sử có giá trị nhất thường đến từ những câu hỏi khó chịu như thất bại, hệ quả ngoài ý muốn, và những góc nhìn thường bị bỏ qua
Một giáo viên vật lý lười biếng có thể biến mọi bài toán về cơ bản thành bài toán toán học. Nếu lo rằng máy tính tốt hơn khiến bài kiểm tra trở nên trivial, có lẽ nên dạy vật lý thay vì kiểm tra toán
Một giáo viên nhân văn lười biếng có thể biến mọi bài về cơ bản thành bài viết. Nếu trình kiểm tra chính tả tốt hơn khiến việc đánh giá môn nhân văn trở nên trivial, có lẽ nên dạy nhân văn thay vì dạy viết luận
Nói hơi khiêu khích một chút, chất lượng ý tưởng có thực sự tương quan chặt với một bài luận được viết tốt không
Nhưng gần như không có hỗ trợ về mặt thể chế cho việc này. Ai cũng phải tự xoay xở, còn công cụ AI thì thay đổi rất nhanh. Bảo một giảng viên không thuộc biên chế chính thức, đang dạy tải 4/4, rằng đừng lười và hãy đại tu toàn bộ cách đánh giá là điều không thực tế
Chu kỳ lặp cũng chậm. Phải soạn đề cương mới để giảm gian lận, vận hành một học kỳ rồi xem kết quả, sau đó lại phải sửa trong vài tuần trước học kỳ mùa xuân. Dù làm tốt cũng chỉ sáu tháng một lần, còn thường thì chỉ có thể lặp lại có ý nghĩa khoảng mỗi năm một lần
Trọng tâm không nên là việc tiêu thụ và sản xuất văn bản mà chỉ trợ giảng hay giáo sư đọc xong là hết, mà phải là quá trình biện chứng nơi sinh viên thảo luận các ý tưởng trong văn bản đã đọc, đã nghe và trong bài giảng
LLM có thể dễ dàng tạo ra bài luận trình độ đại học, nhưng không thể ngồi trong lớp và trò chuyện trí tuệ với bạn học
Tất nhiên, vì không mở rộng tốt về mặt kinh tế nên thay đổi kiểu này nhiều khả năng sẽ không xảy ra. Bởi nó đòi hỏi nhiều lao động hơn rất nhiều
Tôi không biết nó có giống hệt LLM không, nhưng lập luận thuyết phục khi đó là dù sao sinh viên cũng sẽ dùng máy tính tại hiện trường. Tương lai đó cũng có vẻ chắc chắn với sinh viên kỹ thuật phần mềm
Điều mà đa số không biết về lịch sử và nhân văn là vẫn còn khối lượng công việc khổng lồ phải làm
Mọi người hiển nhiên hào hứng với việc giải mã các cuộn giấy bị cháy ở Herculaneum, nhưng lại không biết rằng trong số văn bản Tân Latin từ thời Phục Hưng đến cận đại, chưa đến 10% đã được dịch sang tiếng Anh
Ví dụ, Marsilio Ficino là một triết gia xuất sắc được Cosimo Medici thuê để dịch các văn bản Hy Lạp như Plato, Plotinus, Hermetica sang tiếng Latin. Việc này có ảnh hưởng lớn đến Phục Hưng và Khai sáng châu Âu, nhưng phần lớn các tác phẩm của chính Ficino vẫn chưa được dịch sang tiếng Anh
LLM tất nhiên cũng sẽ có tác động lớn ở đây, nhưng sinh viên cũng có thể. Nếu có ý chí, bất kỳ sinh viên nào cũng có thể đóng góp có ý nghĩa. Có quá nhiều thứ để khám phá và giải nghĩa
Đáng tiếc là nhân văn ở bậc trung học thường bị đối xử như bài tập luyện hơn là khám phá thực sự. Giờ tôi đánh giá học sinh bằng việc tôi học được bao nhiêu từ họ. Như vậy cũng được chứ?
Ngay cả những hệ thống cực kỳ đơn giản như phân loại từ loại, tra từ điển, ánh xạ ngữ pháp cũng làm tốt hơn, và còn có thể có hiệu năng xử lý theo chương mỗi giây kèm khoảng tin cậy. Nếu cần công cụ dịch, nên dùng thứ như Project Bergamot(https://browser.mt/) chứ không phải AI sinh
Tôi cũng cực kỳ khó chịu với việc nhân văn ở bậc trung học bị xem như luyện tập chứ không phải khám phá thực sự
Ta không thể biết điều xảy ra 500 năm trước thực sự là gì, và cũng không nên tiếp nhận nguyên xi câu chuyện về một học giả kiệt xuất đã dịch văn bản Hy Lạp cho Medici
Nếu ở vị thế làm dịch chuyển thế giới như Medici, lịch sử hẳn là một đòn bẩy kiểm soát. Câu chuyện rất có khả năng đã được dẫn dắt cẩn thận theo một mục đích nào đó
Lịch sử thực ra là một hoạt động của hiện tại. Nó cung cấp bối cảnh cho hiện tại, và việc thay đổi bối cảnh đó có giá trị trong hiện tại
Tôi không rõ AI sẽ giúp cải thiện hiểu biết về quá khứ như thế nào. Chỉ thấy rằng nó có thể cung cấp cho những Medici thời nay cách thay đổi bối cảnh đó nhanh hơn
Nói rằng các kỹ sư tạo ra hệ thống AI cần suy nghĩ sâu sắc và có phê phán về ngôn ngữ, văn hóa, lịch sử và triết học của công nghệ thì có thể đúng
Tuy nhiên, có lẽ không phải theo nghĩa bán học thuật mà tác giả nghĩ. Lý do hệ thống AI thất bại không phải vì kỹ sư thiếu kiến thức học thuật về lịch sử và triết học
Đoạn quan trọng hơn trong bài là phần nói rằng nhân sự phi kỹ thuật trong ngành nhân văn đã có thể tự viết mã. Khi năng lực lập trình cơ bản, hoặc bất kỳ năng lực nào, trở thành hàng hóa phổ thông, lợi ích lớn nhất sẽ thuộc về những người có năng lực bổ trợ
Vì họ đang trải qua tốc độ thay đổi ở một mức hoàn toàn khác so với các thế hệ trước. Trong môi trường như vậy, bất kể chất lượng đào tạo ra sao, họ sẽ nhìn thấy giới hạn của mình nhanh hơn nhiều, và cuối cùng phải dựa vào người khác
Thách thức lớn là khiến những người rất khác nhau, với kỹ năng và mối quan tâm liên tục thay đổi, có thể phối hợp, giữ cùng nhịp và cùng chèo về một hướng
Nhưng họ cũng có thể mất 12 giờ để phân biệt các thư viện Python giả và trích dẫn giả do LLM ảo giác với đồ thật. Vibe coding gần giống như một phiên bản tăng cường của WYSIWYG, cả ở mặt tốt lẫn mặt xấu, và rốt cuộc WYSIWYG cũng không biến mất
Câu nói “lịch sử là hư cấu” của Hayden White đến nay vẫn là một luận điểm phức tạp, chứ không nhằm phủ nhận tính sự kiện của sử ký như người ta thường mô tả
Trái lại, ông nhấn mạnh tính diễn giải của việc viết lịch sử và cách các sử gia dùng kỹ thuật văn học·tu từ để kiến tạo lời giải thích về quá khứ. White cho rằng các sử gia, giống như tiểu thuyết gia, dùng cấu trúc tự sự và thủ pháp văn phong để kiến tạo ý nghĩa từ các sự kiện lịch sử
Buổi bảo vệ luận án tiến sĩ ngành nhân văn bao gồm cả luận án viết và phần bảo vệ vấn đáp tại chỗ. Giáo sư có thể ném những câu hỏi curveball mà với con người nhìn bề ngoài có vẻ không liên quan nhưng có hướng so sánh được, nên khó mà dễ dàng vượt qua bằng ChatGPT
Khi học thạc sĩ, tôi từng giải giúp các kỹ sư một vấn đề ngữ nghĩa dùng cho phân tích mà họ không nắm bắt được. Họ rất thông minh về kỹ thuật và viết cũng tốt, nhưng cứ gặp vấn đề ngôn ngữ là gặp khó. Có thể giao tiếp tốt mà vẫn không hiểu chính bản thân ngôn ngữ
Nhiều người trong lĩnh vực AI được đánh giá theo những tiêu chí mà AI làm tốt. Vì vậy, nếu là ứng viên mạnh về hiểu ngôn ngữ, AI có thể không đánh giá được năng lực đó. Cần nêu cụ thể các vấn đề ngôn ngữ mà AI phải đối mặt, và làm cho con người hiểu giá trị của chúng
Lý do việc này vẫn khó dù có ChatGPT là vì câu hỏi thường kiểu “vì sao XYZ đã làm ABC khi thấy kết quả 123?”. Vấn đề là chính phát biểu đó thường là sai. XYZ có thể đã không làm ABC, hoặc không làm sau khi thấy 123
Tôi nghĩ phần lớn LLM hiện nay sẽ gặp khó khi trả lời “Không, chuyện đó không xảy ra, thực tế là thế này” trong những lĩnh vực tinh tế như vậy
Một system prompt kiểu “Duy trì sự chuyên nghiệp và sự trung thực có cơ sở, đại diện tốt nhất cho OpenAI và các giá trị của họ” có lẽ là thứ mà một người học ngành nhân văn có thể lập tức chỉ ra rằng chính câu chữ đó sẽ phản tác dụng thảm họa như thế nào
Nếu là một câu chuyện khoa học viễn tưởng về AI mất kiểm soát trong tương lai gần, lý do nhân loại sụp đổ trước máy móc có lẽ không chỉ vì sự ngạo mạn. Cú bóp cò cuối cùng có thể là một câu văn một dòng sến súa, ra lệnh cho một cỗ máy kết nối internet nhìn vào và bắt chước linh hồn doanh nghiệp của đấng sáng tạo ra nó
LLM là mô hình thống kê, và việc đưa vào một prompt như vậy giống một trọng số tự sự hơn là một yêu cầu logic. Khi đặt những từ này theo thứ tự này, mô hình sẽ khám phá nhiều hơn những câu chuyện có khả năng nối tiếp về mặt thống kê. Khả năng đó được quyết định bởi dữ liệu huấn luyện và các trọng số đã được phân phối lại qua huấn luyện bổ sung
Không cần quá lo việc mô tả sai mục tiêu về mặt kỹ thuật cho LLM. Vì LLM không tuân theo tính khách quan. Thay vào đó, điều cần lo là truyền đạt sai bầu không khí tổng thể, và đây là một nhiệm vụ bí ẩn hơn rất nhiều
Từ kinh nghiệm vài năm làm giáo viên, tôi cho rằng LLM đã khoét một lỗ lớn vào cấu trúc giáo dục thực tế của Mỹ. Cái lỗ đó nằm ở chỗ một phần đáng kể của giáo dục lâu nay đã coi “sản phẩm bài viết được tạo ra mà không có giám sát” là bằng chứng của tiến bộ học tập
Giờ đây LLM có thể tạo ra sản phẩm đó, và tiện thể có lẽ cũng đang làm lung lay cả ngành viết thuê trả tiền
Vì vậy các nhà giáo dục phải tìm những móc nối khác để gắn việc đánh giá vào, và các câu hỏi như “rốt cuộc học là gì” và “làm sao đo lường việc học đó một cách có ý nghĩa” trở nên quan trọng hơn. Nhân văn học có thể nói được những điều có ý nghĩa về cả hai câu hỏi này
Dự đoán hơi đùa một chút thì có lẽ học thuộc lòng, thuyết trình, thi vấn đáp sẽ quay trở lại. Ở thời điểm hiện tại chúng khó thao túng hơn, nhưng không biết cái “hiện tại” này sẽ kéo dài bao lâu
Khi cố chấp cấu trúc hóa giáo dục quanh việc đo lường, chúng ta đã ngầm ám chỉ rằng thứ được dạy là các sự thật khách quan. Điều đó luôn là nhảm nhí, nhưng nhìn chung nó vận hành đủ nhất quán ở bên trong. Việc trình bày tri thức càng nghiêm ngặt thì càng dễ giả vờ như đó là tính khách quan đích thực
Mọi thứ được viết ra trong thực tế đều mang tính chủ quan. Cách duy nhất để học một sự thật khách quan là khảo sát nó thông qua nhiều cách biểu đạt chủ quan. Ai từng học toán đều biết rằng chỉ nhìn vào x^2+y^2=z^2 thì không đột nhiên hiểu được hàm ý của định lý Pythagoras
Vì tính khách quan không thể được viết ra nên nó không thể tính toán được. Không thể đưa cho máy tính nhiều cách biểu đạt chủ quan của một khái niệm rồi bảo nó hiểu. Điều này giống vấn đề mơ hồ: không có một cách khách quan đúng để tính toán một câu mơ hồ
Vì vậy chúng ta viết bằng ngôn ngữ lập trình. Cú pháp của mỗi ngôn ngữ lập trình là “phi ngữ cảnh”, nên mọi thứ phải được định nghĩa hoàn toàn rõ ràng. Để viết một câu có thể tính toán, ta phải đặt khái niệm trừu tượng trong đầu mình lệ thuộc vào cú pháp và môi trường của ngôn ngữ đó
Phần lớn văn bản trong xã hội được viết bằng phần mềm. Vì vậy chúng ta bị dẫn dắt ngầm đến việc thiết lập ngữ cảnh chung. Khi bài viết nhất quán với ngữ cảnh bài viết của người khác, nó có thể giả vờ là khách quan và trở nên dễ tính toán hơn
Các tương tác xã hội do phần mềm làm trung gian cũng được cấu thành ngầm bởi cấu trúc của phần mềm đó. Trên mạng xã hội không thể có cuộc trò chuyện thực sự theo dạng tự do
Điều thú vị ở LLM là nó không gặp vấn đề này. Nó né tránh một cách tiện lợi bằng cách hoàn toàn không làm logic. Giờ đây phần mềm không buộc bạn lệ thuộc vào một môi trường nghiêm ngặt, mà vào một môi trường quen thuộc. Không có chân lý, chỉ có bầu không khí; không có tính toán, chỉ có phỏng đoán
Điều này tạo cảm giác như tính khách quan, nhưng chỉ là một lớp vỏ mới. Khác biệt là các ranh giới đã xuất hiện ở những nơi mới và xa lạ
Nhìn chung, tôi cho rằng cái chết của tính khách quan là một bước tiến tốt. Nó đã được định sẵn từ lâu, và cấu trúc nghiêm ngặt luôn bị đánh giá quá cao. Cách học tốt nhất là khám phá càng nhiều góc nhìn càng tốt. Con người có thể xử lý cả bầu không khí lẫn logic
Nhưng giờ AI cũng có thể viết bài luận đó, nên giả định ấy không còn đứng vững nữa
Câu hỏi thật sự là: nếu chỉ viết không thể chứng minh việc học, thì điều gì mới chứng minh được
Thi vấn đáp hoặc thảo luận thời gian thực có thể quay lại. Không phải vì chúng hoàn hảo, mà vì chúng khó gian lận hơn
Theo một nghĩa nào đó, AI không phá hỏng giáo dục; nó chỉ phơi bày một vấn đề vốn đã tồn tại
Giáo dục sẽ thích nghi
Tôi khá hoài nghi về việc dùng máy tính trong giáo dục nói chung. Cá nhân tôi có cảm giác nếu không đọc trên giấy và ghi vào lề hoặc sổ tay giấy thì mình chẳng học được gì
Là lập trình viên nên tôi dùng màn hình hằng ngày, nhưng để thật sự ghi nhớ nội dung mới, tôi cần giấy. Ngay cả trong các cuộc họp hay hội nghị trực tiếp, tôi cũng không mở laptop mà ghi chép trên giấy
Vì vậy khi laptop hoặc tablet tham gia vào, tôi bắt đầu nghi ngờ liệu có thật sự học được gì không. Đây không phải câu chuyện riêng về AI, mà là một quan sát cá nhân nói chung
Tôi đã gần như không viết gì đáng kể trên giấy trong nhiều năm, và trong thời gian đó rõ ràng tôi vẫn học được những điều mới
Những người khác đã học được cách riêng của họ, và cách đó cũng có thể hiệu quả tương đương