DOI: https://doi.org/10.1145/3685680
تاريخ النشر: 2024-08-03
المؤلف: Ravinithesh Reddy Annapureddy وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في الرعاية الصحية والتعليم
نظرة عامة
تقدم هذه الورقة نموذجًا قائمًا على الكفاءات لمحو الأمية في الذكاء الاصطناعي التوليدي، حيث تحدد اثني عشر كفاءة أساسية تشمل المعرفة الأساسية، وهندسة المطالبات، ومهارات البرمجة، والاعتبارات الأخلاقية والقانونية. تم تصميم هذا الإطار لجمهور متنوع، بما في ذلك الأفراد وصانعي السياسات والمعلمين والمسؤولين الحكوميين، لتسهيل المشاركة المسؤولة مع تقنيات الذكاء الاصطناعي التوليدي. من خلال دمج هذه الكفاءات في البرامج التعليمية والتدريب المهني، يهدف النموذج إلى تمكين المستخدمين ليصبحوا مبدعين ومستخدمين مطلعين على الذكاء الاصطناعي التوليدي، مما يعزز فهمًا أعمق لقدراته وقيوده.
تؤكد الخاتمة على أن محو الأمية في الذكاء الاصطناعي التوليدي يتجاوز المهارات التقنية البسيطة؛ بل يتطلب مزيجًا من الاستخدام التكيفي، والوعي الأخلاقي، والمعرفة القانونية. تعتبر الكفاءات الموضحة بمثابة خارطة طريق لتعزيز اتخاذ القرارات المستنيرة والمشاركة النشطة في المبادرات المدفوعة بالذكاء الاصطناعي. مع استمرار تطور تقنيات الذكاء الاصطناعي، تدعو الورقة إلى مراجعة مستمرة لهذه الكفاءات لتعكس التطورات الجديدة. يدعو المؤلفون إلى جهود تعاونية بين أصحاب المصلحة لتنفيذ مبادرات تعليمية تعزز محو الأمية في الذكاء الاصطناعي التوليدي، بهدف تحقيق معيار عالمي يزرع جيلًا من الأفراد الملمين بالذكاء الاصطناعي الذين يمكنهم المساهمة بشكل هادف في هذا المجال.
الطرق
في هذا القسم، يحدد المؤلفون منهجيتهم للتحقيق في محو الأمية في الذكاء الاصطناعي التوليدي. بدأوا أبحاثهم ببحث أولي في قاعدة بيانات عبر خمس قواعد بيانات علمية: مكتبة ACM الرقمية، IEEExplore، ويب كلاريفيت للعلوم، سكوبس، وأبعاد. استخدم البحث الاستعلام “محو الأمية في الذكاء الاصطناعي التوليدي” أو “محو الأمية في الذكاء الاصطناعي التوليدي”، والذي أسفر عن إجمالي ستة سجلات ذات صلة فقط، كما هو موضح في الجدول 1. يبرز هذا العدد المحدود من النتائج حداثة المفهوم ويشير إلى فجوة كبيرة في الأدبيات الأكاديمية الحالية.
نظرًا لندرة النتائج، قرر المؤلفون أن مراجعة تقليدية طويلة الأمد حول محو الأمية في الذكاء الاصطناعي التوليدي لم تكن ممكنة. بدلاً من ذلك، اختاروا إجراء مراجعة أدبية شاملة غير منهجية تشمل الدراسات المكتوبة باللغة الإنجليزية، بما في ذلك الأوراق الأساسية والمراجعات المنهجية المتعلقة بمحو الأمية في الذكاء الاصطناعي. يسمح هذا النهج بفهم أوسع للموضوع مع الاعتراف بالقيود الحالية في الأدبيات.
المناقشة
تسلط قسم المناقشة في المخطوطة الضوء على المفهوم الناشئ لمحو الأمية في الذكاء الاصطناعي التوليدي، والذي يشمل مجموعة من الكفاءات اللازمة لفهم واستخدام تقنيات الذكاء الاصطناعي التوليدي بشكل فعال. بعد مراجعة منهجية للأدبيات، حدد المؤلفون الكفاءات الرئيسية التي تعرف محو الأمية في الذكاء الاصطناعي التوليدي، مؤكدين على الحاجة إلى نموذج كفاءة مصمم خصيصًا للذكاء الاصطناعي التوليدي، حيث غالبًا ما تخلط الأطر الحالية بينه وبين محو الأمية العامة في الذكاء الاصطناعي. توضح الورقة اثني عشر كفاءة، مرتبة في تقدم منطقي، يجب على الأفراد تطويرها للتنقل في تعقيدات أدوات الذكاء الاصطناعي التوليدي، بما في ذلك المهارات في هندسة المطالبات، وتقييم المحتوى، والاعتبارات الأخلاقية.
يجادل المؤلفون بأن التقدم السريع في أدوات الذكاء الاصطناعي التوليدي يتطلب نهجًا متميزًا لمحو الأمية يعالج التحديات الفريدة التي تطرحها هذه التقنيات. يشيرون إلى أنه بينما يوجد عدد متزايد من الأدبيات حول الذكاء الاصطناعي التوليدي، لا يزال مفهوم محو الأمية في الذكاء الاصطناعي التوليدي غير مستكشف بشكل كافٍ، حيث تفشل الدراسات الحالية في التمييز بين النماذج التوليدية والتنبؤية. يهدف نموذج الكفاءة المقترح إلى سد هذه الفجوة من خلال توفير إطار شامل لا يحدد فقط المهارات والمعرفة اللازمة، بل يبرز أيضًا الآثار الإيجابية والسلبية المحتملة لاكتساب أو عدم اكتساب هذه الكفاءات. يهدف هذا النهج المنظم إلى تسهيل تجربة تعليمية موجهة نحو المستخدم، مما يعد الأفراد في النهاية للمشاركة بشكل مسؤول وفعال مع تقنيات الذكاء الاصطناعي التوليدي.
القيود
يؤكد قسم القيود على أهمية فهم كل من القدرات والقيود لأدوات الذكاء الاصطناعي التوليدي. يجب أن يكون المستخدمون على دراية بالمخاطر المحتملة المرتبطة بهذه التقنيات، بما في ذلك مخاوف الخصوصية والأمان، مثل سرقة الهوية التي تسهلها الصور المزيفة العميقة وخطر المعلومات المضللة، حيث قد تمزج مخرجات نماذج مثل ChatGPT المعلومات الواقعية مع المحتوى المفبرك. هذه الوعي أمر حيوي لتخفيف المخاطر التي تطرحها الذكاء الاصطناعي التوليدي، خاصة في سياقات مثل التصيد الاحتيالي والهندسة الاجتماعية.
علاوة على ذلك، يحدد القسم إطارًا لمحو الأمية في الذكاء الاصطناعي التوليدي يهدف إلى تمكين الأفراد من الانتقال من مستهلكين سلبيين إلى مفسرين نشطين للمحتوى الذي تم إنشاؤه بواسطة الذكاء الاصطناعي. يشجع هذا الإطار على المشاركة المسؤولة والأخلاقية مع الذكاء الاصطناعي التوليدي، مما يعزز فهمًا أعمق لتطبيقاته عبر مجالات مختلفة. ومع ذلك، فإنه يعترف أيضًا بالطبيعة المتطورة بسرعة لتقنيات الذكاء الاصطناعي التوليدي، مما يشير إلى أن الكفاءات الموضحة قد تتطلب مراجعات مستمرة لتظل ذات صلة مع ظهور نماذج وتقنيات جديدة. هذه القابلية للتكيف ضرورية لتعزيز مجموعة مهارات متعددة الاستخدامات تدعم التطوير الأخلاقي وتطبيق الذكاء الاصطناعي التوليدي في صناعات متنوعة.
DOI: https://doi.org/10.1145/3685680
Publication Date: 2024-08-03
Author(s): Ravinithesh Reddy Annapureddy et al.
Primary Topic: Artificial Intelligence in Healthcare and Education
Overview
This paper presents a competency-based model for generative artificial intelligence (AI) literacy, identifying twelve essential competencies that encompass foundational knowledge, prompt engineering, programming skills, and ethical and legal considerations. This framework is designed for a diverse audience, including individuals, policymakers, educators, and government officials, to facilitate responsible engagement with generative AI technologies. By integrating these competencies into educational and professional training programs, the model aims to empower users to become informed creators and users of generative AI, promoting a deeper understanding of its capabilities and limitations.
The conclusion emphasizes that generative AI literacy extends beyond mere technical skills; it necessitates a combination of adaptive usage, ethical awareness, and legal knowledge. The competencies outlined serve as a roadmap for fostering informed decision-making and active participation in AI-driven initiatives. As AI technologies continue to evolve, the paper advocates for the ongoing revision of these competencies to reflect new developments. The authors call for collaborative efforts among stakeholders to implement educational initiatives that promote generative AI literacy, ultimately aiming for a global standardization that cultivates a generation of AI-literate individuals who can contribute meaningfully to the field.
Methods
In this section, the authors outline their methodology for investigating generative AI literacy. They initiated their research with a preliminary database search across five scientific databases: ACM Digital Library, IEEExplore, Clarivate Web of Science, Scopus, and Dimensions. The search utilized the query “generative AI literacy” OR “generative artificial intelligence literacy,” which yielded a total of only six relevant records, as detailed in Table 1. This limited number of results underscores the novelty of the concept and indicates a significant gap in the existing academic literature.
Due to the scarcity of findings, the authors determined that a traditional long-standing review on generative AI literacy was not feasible. Instead, they opted for a non-systematic, comprehensive literature review that encompasses studies written in English, including seminal papers and systematic reviews related to AI literacy. This approach allows for a broader understanding of the topic while acknowledging the current limitations in the literature.
Discussion
The discussion section of the manuscript highlights the emerging concept of generative AI literacy, which encompasses a set of competencies necessary for effectively understanding and utilizing generative AI technologies. Following a systematic review of the literature, the authors identified key competencies that define generative AI literacy, emphasizing the need for a competency model tailored specifically to generative AI, as existing frameworks often conflate it with general AI literacy. The paper outlines twelve competencies, structured in a logical progression, that individuals should develop to navigate the complexities of generative AI tools, including skills in prompt engineering, content assessment, and ethical considerations.
The authors argue that the rapid advancement of generative AI tools necessitates a distinct approach to literacy that addresses the unique challenges posed by these technologies. They note that while there is a growing body of literature on generative AI, the concept of generative AI literacy remains underexplored, with existing studies failing to differentiate between generative and predictive models. The proposed competency model aims to fill this gap by providing a comprehensive framework that not only outlines the necessary skills and knowledge but also highlights the potential positive and negative implications of acquiring or lacking these competencies. This structured approach is intended to facilitate a user-centric learning experience, ultimately preparing individuals to engage responsibly and effectively with generative AI technologies.
Limitations
The section on limitations emphasizes the importance of understanding both the capabilities and constraints of generative AI tools. Users must be aware of the potential risks associated with these technologies, including privacy and security concerns, such as identity theft facilitated by deep fakes and the risk of misinformation, where outputs from models like ChatGPT may blend factual information with fabricated content. This awareness is crucial for mitigating the dangers posed by generative AI, particularly in contexts such as phishing and social engineering.
Furthermore, the section outlines a framework for generative AI literacy that aims to empower individuals to transition from passive consumers to active interpreters of AI-generated content. This framework encourages responsible and ethical engagement with generative AI, promoting a deeper understanding of its applications across various domains. However, it also acknowledges the rapidly evolving nature of generative AI technologies, suggesting that the competencies outlined may require ongoing revisions to remain relevant as new models and techniques emerge. This adaptability is essential for fostering a versatile skill set that supports the ethical development and application of generative AI in diverse industries.