در دهه‌های اخیر، حوزه هوش مصنوعی (AI) و زیرشاخه‌های اصلی آن مانند یادگیری ماشین (ML) و پردازش زبان طبیعی (NLP)، شاهد رشد انفجاری بوده است. هر روزه مدل‌های جدیدی معرفی می‌شوند که رکوردهای پیشین را در معیارهای مختلف جابجا می‌کنند. اما آیا این پیشرفت سریع، تصویری کامل از وضعیت این حوزه علمی به ما می‌دهد؟ آیا جامعه علمی تنها بر ساختن و بهبود بخشیدن تمرکز کرده یا زمانی را نیز برای نقد، بازنگری و زیر سؤال بردن روش‌های موجود صرف می‌کند؟

مقاله “آیا هوش مصنوعی اخیراً انتقادی‌تر شده است؟” به قلم دومینیک بیز و همکارانش، تلاشی نوآورانه برای پاسخ به این پرسش اساسی است. این پژوهش، یک تحلیل کلان‌نگر (meta-analysis) از گفتمان علمی در حوزه هوش مصنوعی ارائه می‌دهد و تلاش می‌کند تا نبض جامعه تحقیقاتی را از طریق بررسی مقالات منتشر شده درک کند. اهمیت این تحقیق در آن است که فراتر از نتایج فنی و الگوریتمی، به خودِ «فرایند علم» می‌پردازد و نشان می‌دهد که چگونه توازن میان نوآوری و نقد، سلامت و بلوغ یک حوزه علمی را تعیین می‌کند. درک این روندها نه تنها برای پژوهشگران، بلکه برای سیاست‌گذاران علمی، نهادهای تأمین بودجه و صنعت نیز حیاتی است.

این مقاله حاصل همکاری تیمی از پژوهشگران به نام‌های دومینیک بیز (Dominik Beese)، بگوم آلتونباش (Begüm Altunbaş)، گورکم گوزلر (Görkem Güzeler) و استفن ایگر (Steffen Eger) است. زمینه تخصصی این تحقیق در تقاطع سه حوزه کلیدی قرار دارد:

• پردازش زبان طبیعی (NLP): این شاخه از هوش مصنوعی بر درک و تولید زبان انسان توسط ماشین‌ها تمرکز دارد. ابزارهای NLP برای تحلیل متون علمی در این پژوهش نقشی اساسی داشته‌اند.
• یادگیری ماشین (ML): به عنوان موتور محرک هوش مصنوعی مدرن، یادگیری ماشین شامل الگوریتم‌هایی است که به سیستم‌ها امکان یادگیری از داده‌ها را می‌دهند. این مقاله روندهای موجود در این حوزه را بررسی می‌کند.
• شبکه‌های اجتماعی و اطلاعاتی: این دیدگاه به محققان کمک می‌کند تا جامعه علمی را به عنوان یک شبکه از ایده‌ها و پژوهشگران تحلیل کنند و نحوه انتشار و تأثیرگذاری مقالات را بسنجند.

تمرکز مقاله بر دو حوزه NLP و ML است، زیرا این دو شاخه در سال‌های اخیر پیشرفت‌های چشمگیری داشته‌اند و بخش بزرگی از تحقیقات هوش مصنوعی را به خود اختصاص داده‌اند. بنابراین، تحلیل روندها در این دو حوزه می‌تواند نمایانگر وضعیت کلی هوش مصنوعی باشد.

ایده اصلی این مقاله، دسته‌بندی مقالات علمی در حوزه هوش مصنوعی به دو گروه اصلی بر اساس «رویکرد» (stance) آن‌ها نسبت به کارهای پیشین است:

1. رویکرد مثبت (Positive Stance): مقالاتی که هدف اصلی آن‌ها معرفی یک تکنیک، مدل یا الگوریتم جدید برای شکستن رکوردهای پیشین (State-of-the-Art) است. این مقالات عموماً بر ساختن و بهبود تمرکز دارند. برای مثال، مقاله‌ای که مدلی جدید برای ترجمه ماشینی با دقت بالاتر ارائه می‌دهد، دارای رویکرد مثبت است.
2. رویکرد منفی (Negative Stance): مقالاتی که هدف اصلی آن‌ها نقد و به چالش کشیدن وضعیت موجود است. این مقالات ممکن است به ضعف در روش‌های ارزیابی، مشکلات موجود در مجموعه داده‌ها، یا فرضیات نادرست در تعریف یک مسئله بپردازند. برای مثال، مقاله‌ای که نشان می‌دهد مدل‌های تشخیص احساسات فعلی در مواجهه با متون کنایه‌آمیز شکست می‌خورند، دارای رویکرد منفی است.

هدف پژوهشگران این است که با استفاده از این دسته‌بندی، روندهای بلندمدت در جامعه علمی هوش مصنوعی را تحلیل کنند. آیا جامعه به سمت تولید مقالات مثبت بیشتر حرکت کرده است یا فضای نقد و بررسی عمیق‌تر نیز در حال گسترش است؟

برای انجام چنین تحلیل گسترده‌ای، محققان یک فرایند چندمرحله‌ای هوشمندانه را طراحی کردند:

• مرحله اول: ساخت مجموعه داده برچسب‌دار: در ابتدا، تیم تحقیق بیش از ۱,۵۰۰ مقاله از کنفرانس‌ها و ژورنال‌های معتبر NLP و ML را به صورت دستی بررسی و آن‌ها را به دو دسته «مثبت» و «منفی» طبقه‌بندی کرد. این مجموعه داده انسانی، به عنوان استاندارد طلایی (Ground Truth) برای آموزش مدل کامپیوتری عمل می‌کند.
• مرحله دوم: آموزش مدل طبقه‌بند: محققان از یک مدل زبانی پیشرفته به نام SciBERT استفاده کردند. این مدل، نسخه‌ای از معماری معروف BERT است که به طور خاص بر روی میلیون‌ها مقاله علمی آموزش دیده و درک عمیقی از زبان و ساختار متون آکادمیک دارد. آن‌ها این مدل را با استفاده از داده‌های برچسب‌دار مرحله قبل، آموزش دادند تا بتواند به طور خودکار و تنها با خواندن عنوان و چکیده یک مقاله، رویکرد آن (مثبت یا منفی) را پیش‌بینی کند.
• مرحله سوم: تحلیل کلان‌مقیاس: پس از اطمینان از دقت مدل، آن را بر روی یک مجموعه داده بسیار بزرگ شامل بیش از ۴۱ هزار مقاله منتشر شده در طی ۳۵ سال اخیر در حوزه‌های NLP و ML اعمال کردند. این کار به آن‌ها اجازه داد تا روندهای تاریخی را با دقتی که تحلیل دستی هرگز نمی‌توانست فراهم کند، شناسایی کنند.

نتایج این تحلیل گسترده، تصویری چندبعدی و شگفت‌انگیز از جامعه هوش مصنوعی ارائه می‌دهد:

۱. روند کلی به سمت مقالات مثبت‌تر است: برخلاف تصور اولیه، یافته اصلی این است که در طول زمان، مقالات به طور قابل توجهی مثبت‌تر شده‌اند. این یعنی سهم مقالاتی که بر ارائه مدل‌های جدید و بهبود نتایج تمرکز دارند، پیوسته در حال افزایش بوده است. این پدیده ممکن است ناشی از فرهنگ «چاپ کن یا نابود شو» (Publish or Perish) در فضای آکادمیک باشد که در آن، انتشار مقالات با نتایج افزایشی و مشخص، ساده‌تر از مقالات انتقادی و بنیادی است.

۲. رشد چشمگیر مقالات منفی در سال‌های اخیر: با وجود روند کلی مثبت، پژوهش نشان می‌دهد که تعداد مقالات با رویکرد منفی نیز در سال‌های اخیر افزایش قابل توجهی داشته است. این نشان می‌دهد که با بلوغ حوزه هوش مصنوعی، جامعه علمی به طور فزاینده‌ای به اهمیت نقد، بازنگری و شناسایی محدودیت‌های مدل‌های موجود پی برده است.

۳. مقالات منفی، منفی‌تر شده‌اند: یکی دیگر از یافته‌های جالب این است که مقالات انتقادی جدید، نقدهای عمیق‌تر و شدیدتری را مطرح می‌کنند. به عبارت دیگر، نقدهای امروزی دیگر صرفاً به ضعف‌های جزئی نمی‌پردازند، بلکه بنیان‌های یک مسئله، روش ارزیابی یا یک مجموعه داده را به کلی زیر سؤال می‌برند.

۴. تأثیرگذاری بیشتر مقالات منفی: شاید مهم‌ترین یافته این تحقیق این باشد که مقالات با رویکرد منفی، به طور میانگین ارجاعات (Citations) بیشتری دریافت می‌کنند. این بدان معناست که جامعه علمی برای کارهای انتقادی ارزش بالایی قائل است. یک مقاله که یک نقص اساسی را در یک رویکرد رایج آشکار می‌کند، می‌تواند الهام‌بخش ده‌ها تحقیق جدید برای حل آن مشکل باشد و مسیر پژوهش را تغییر دهد. این مقالات اغلب به نقاط عطف فکری در رشته خود تبدیل می‌شوند.

این مقاله صرفاً یک تحلیل توصیفی نیست، بلکه دستاوردهای عملی و مفهومی مهمی نیز به همراه دارد:

• ابزاری برای علم‌سنجی (Scientometrics): مدل SciBERT آموزش‌داده‌شده در این پژوهش، خود یک ابزار ارزشمند است که می‌تواند توسط دیگر محققان برای تحلیل روندهای علمی در سایر حوزه‌ها نیز به کار گرفته شود.
• آینه‌ای برای جامعه هوش مصنوعی: این پژوهش مانند آینه‌ای عمل می‌کند که تصویری مبتنی بر داده از رفتار جمعی محققان هوش مصنوعی ارائه می‌دهد. این یافته‌ها می‌توانند به بحث‌های درونی جامعه در مورد جهت‌گیری‌های پژوهشی، معیارهای موفقیت و اهمیت کارهای انتقادی دامن بزنند.
• راهنمایی برای سیاست‌گذاری علمی: این یافته که مقالات انتقادی تأثیرگذاری بالایی دارند، می‌تواند برای کمیته‌های داوری کنفرانس‌ها، هیئت تحریریه ژورنال‌ها و نهادهای تأمین بودجه یک پیام مهم داشته باشد: باید برای پژوهش‌هایی که وضعیت موجود را به چالش می‌کشند، ارزش بیشتری قائل شد و از آن‌ها حمایت کرد.

مقاله “آیا هوش مصنوعی اخیراً انتقادی‌تر شده است؟” نشان می‌دهد که چشم‌انداز تحقیقاتی هوش مصنوعی پیچیده‌تر از یک مسابقه صرف برای کسب امتیاز بالاتر است. در حالی که جریان غالب همچنان به سمت ساخت مدل‌های جدید و قدرتمندتر (رویکرد مثبت) حرکت می‌کند، یک جریان زیرین اما قدرتمند و تأثیرگذار از تحقیقات انتقادی (رویکرد منفی) در حال شکل‌گیری و رشد است.

این دوگانگی، یعنی همزیستی نوآوری سریع و نقد عمیق، نشانه یک حوزه علمی بالغ است. همان‌طور که یک ساختمان برای بلندتر شدن نیاز به پایه‌هایی مستحکم‌تر دارد، حوزه هوش مصنوعی نیز برای پیشرفت پایدار، نیازمند بازنگری و نقد مداوم بنیادهای خود است. این پژوهش به زیبایی نشان می‌دهد که مقالاتی که این پایه‌ها را به چالش می‌کشند، هرچند ممکن است در اقلیت باشند، اما اغلب بیشترین تأثیر را بر آینده این حوزه می‌گذارند و مسیرهای جدیدی را برای نسل بعدی محققان می‌گشایند. در نهایت، سلامت بلندمدت هوش مصنوعی در گرو حفظ تعادل میان ساختن و شکستن، میان نوآوری و تأمل انتقادی است.