Τεχνητή νοημοσύνη και ανθρώπινη νόηση

Η ΤΝ δεν σκέφτεται όπως ο άνθρωπος

Η τεχνητή νοημοσύνη εντυπωσιάζει γιατί υπολογίζει, ταξινομεί, αναζητά μοτίβα, παράγει κείμενα, εικόνες και απαντήσεις με ταχύτητα που ξεπερνά κάθε ανθρώπινη δυνατότητα. Αυτό όμως δεν σημαίνει ότι βρίσκεται πάνω στην ίδια κλίμακα με την ανθρώπινη νόηση, απλώς σε υψηλότερη βαθμίδα. Δεν έχουμε έναν κοινό άξονα όπου από τη μία πλευρά βρίσκεται ο μαθητής, πιο πάνω ο δάσκαλος και ακόμη πιο πάνω το σύστημα τεχνητής νοημοσύνης. Έχουμε δύο διαφορετικές δομές.

Η ανθρώπινη σκέψη δεν είναι μόνο επεξεργασία πληροφορίας. Είναι μνήμη, εμπειρία, σώμα, συναίσθημα, γλώσσα, κοινωνική σχέση, αμφιβολία, ηθική κρίση, ευθύνη. Μαθαίνουμε επειδή δοκιμάζουμε, αποτυγχάνουμε, ξαναπροσπαθούμε, συνομιλούμε, διαφωνούμε, συνδέουμε το νέο με όσα ήδη γνωρίζουμε. Η τεχνητή νοημοσύνη, αντίθετα, δεν έχει βίωμα, πρόθεση, παιδαγωγική ευθύνη ή κατανόηση με την ανθρώπινη έννοια. Παράγει πιθανές απαντήσεις με βάση πρότυπα που έχει αντλήσει από τεράστιους όγκους δεδομένων. Μπορεί να μιμείται πειστικά τη γλώσσα της σκέψης, χωρίς να σκέφτεται όπως σκέφτεται ένας άνθρωπος.

Αυτή η διάκριση είναι κρίσιμη για την εκπαίδευση. Αν δούμε την τεχνητή νοημοσύνη ως «εξυπνότερο μαθητή» ή ως «αυτόματο δάσκαλο», θα οργανώσουμε το σχολείο γύρω από μια παρανόηση. Αν τη δούμε ως ισχυρό, αλλά περιορισμένο υπολογιστικό εργαλείο, τότε μπορούμε να την αξιοποιήσουμε χωρίς να αλλοιώσουμε τον πυρήνα της μάθησης.

Από την υποστήριξη στη γνωσιακή εκχώρηση

Το κείμενο για τη δημόσια διοίκηση επισημαίνει ότι η τεχνητή νοημοσύνη δεν μπορεί να σώσει έναν οργανισμό όταν τα έγγραφα είναι άναρχα, διάσπαρτα, ατεκμηρίωτα και χωρίς διακυβέρνηση. Το ίδιο ισχύει και στην εκπαίδευση. Η ΤΝ δεν μπορεί να ενισχύσει τη μάθηση όταν δεν υπάρχει σαφής παιδαγωγικός σκοπός, όταν οι πηγές δεν ελέγχονται, όταν η εργασία του μαθητή γίνεται απλή ανάθεση σε μια πλατφόρμα και όταν ο εκπαιδευτικός χάνει τον έλεγχο της διαδικασίας.

Ο κίνδυνος δεν είναι μόνο η λογοκλοπή ή οι λανθασμένες απαντήσεις. Ο βαθύτερος κίνδυνος είναι η γνωσιακή εκχώρηση: ο μαθητής να παύει σταδιακά να αναλαμβάνει ο ίδιος την προσπάθεια κατανόησης. Όταν η περίληψη, η επιχειρηματολογία, η μετάφραση, η επίλυση, η διόρθωση και η παραγωγή ιδεών γίνονται κυρίως από ένα σύστημα, τότε αλλάζει ο τρόπος με τον οποίο ο μαθητής μαθαίνει. Δεν ασκείται στον κόπο της διατύπωσης, στην επιλογή επιχειρημάτων, στην αναζήτηση πηγών, στην αμφιβολία, στην επιμονή. Μαθαίνει να ζητά απάντηση, όχι να χτίζει κρίση.

Η αλλοίωση της γνωστικής λειτουργίας δεν συμβαίνει από τη μια μέρα στην άλλη. Συμβαίνει αθόρυβα, όταν η ευκολία αντικαθιστά τη μαθησιακή προσπάθεια. Όπως η διαρκής εξάρτηση από την αναζήτηση στο διαδίκτυο άλλαξε τη σχέση μας με τη μνήμη, έτσι και η διαρκής εξάρτηση από γεννήτριες απαντήσεων μπορεί να αλλάξει τη σχέση μας με την κρίση, τη συγκέντρωση και τη γλωσσική ακρίβεια.

Η παιδαγωγική απάντηση δεν είναι απαγόρευση, είναι δημοκρατικός έλεγχος

Το σχολείο δεν μπορεί να αγνοήσει την τεχνητή νοημοσύνη. Οι μαθητές ήδη τη χρησιμοποιούν. Το ερώτημα είναι με ποιους κανόνες, με ποια εργαλεία και με ποια παιδαγωγική στόχευση. Η απάντηση δεν είναι η γενική απαγόρευση, αλλά η δημόσια, ανοιχτή και παιδαγωγικά ελεγχόμενη ένταξη.

Πρώτον, χρειάζεται καθαρή διάκριση ανάμεσα στη χρήση της ΤΝ ως βοηθήματος και στη χρήση της ως υποκατάστατου της σκέψης. Ένα εργαλείο μπορεί να βοηθήσει έναν μαθητή να οργανώσει σημειώσεις, να συγκρίνει πηγές, να εντοπίσει ασάφειες σε ένα κείμενο ή να προτείνει ερωτήματα. Δεν πρέπει όμως να μετατρέπεται στον πραγματικό συγγραφέα της εργασίας, στον αόρατο λύτη των ασκήσεων ή στον τελικό κριτή της γνώσης.

Δεύτερον, η ΤΝ στην εκπαίδευση πρέπει να στηρίζεται σε ανοιχτές τεχνολογίες, ανοιχτά πρότυπα και ελεγχόμενες δημόσιες υποδομές. Δεν μπορεί η μαθησιακή διαδικασία να εξαρτάται από κλειστά εμπορικά συστήματα που συλλέγουν δεδομένα, αλλάζουν όρους χρήσης και λειτουργούν ως μαύρα κουτιά. Το δημόσιο σχολείο χρειάζεται εργαλεία που μπορούν να ελεγχθούν, να προσαρμοστούν στην ελληνική γλώσσα, να υπηρετούν το αναλυτικό πρόγραμμα και να προστατεύουν τα δεδομένα μαθητών και εκπαιδευτικών.

Τρίτον, χρειάζεται επιμόρφωση των εκπαιδευτικών. Ο εκπαιδευτικός δεν πρέπει να μείνει μόνος απέναντι σε μια τεχνολογία που αλλάζει ταχύτατα. Χρειάζεται να γνωρίζει πότε η ΤΝ βοηθά, πότε παραπλανά, πότε ενισχύει τη μαθησιακή διαδικασία και πότε την αδειάζει από περιεχόμενο. Χρειάζεται επίσης να μπορεί να σχεδιάζει δραστηριότητες όπου ο μαθητής εξηγεί τη σκέψη του, τεκμηριώνει τις επιλογές του και αξιολογεί κριτικά την απάντηση της μηχανής.

Να προστατεύσουμε τη σκέψη ως κοινό αγαθό

Η εκπαίδευση δεν υπάρχει για να παράγει γρήγορες απαντήσεις. Υπάρχει για να καλλιεργεί ανθρώπους ικανούς να σκέφτονται, να συνεργάζονται, να αμφισβητούν, να δημιουργούν και να συμμετέχουν στη δημοκρατική ζωή. Αν η τεχνητή νοημοσύνη χρησιμοποιηθεί χωρίς όρια, μπορεί να φτωχύνει τη γλώσσα, να μειώσει την αντοχή στην πνευματική δυσκολία και να κάνει τη γνώση επιφανειακή.

Γι’ αυτό η βασική αρχή πρέπει να είναι απλή: η ΤΝ στην εκπαίδευση να υπηρετεί τη μάθηση, όχι να την αντικαθιστά. Να ενισχύει τον εκπαιδευτικό, όχι να τον υποκαθιστά. Να βοηθά τον μαθητή να σκέφτεται καλύτερα, όχι να σκέφτεται λιγότερο. Και κυρίως, να σχεδιάζεται ως δημόσια παιδαγωγική υποδομή, με ανοιχτότητα, διαφάνεια, λογοδοσία και ανθρώπινη ευθύνη.

Πηγές άρθρου:

Think Digital Partners, “AI won’t save government until it gets control of its documents”: Το άρθρο τεκμηριώνει ότι η ΤΝ δεν μπορεί να λειτουργήσει αξιόπιστα πάνω σε άναρχο, αδόμητο και αδιακυβέρνητο πληροφοριακό υλικό, προσφέροντας χρήσιμη αναλογία για την ανάγκη παιδαγωγικής και γνωσιακής διακυβέρνησης στην εκπαίδευση: https://www.thinkdigitalpartners.com/news/2026/03/31/ai-wont-save-government-until-it-gets-control-of-its-documents/,

UNESCO, “Guidance for Generative AI in Education and Research”: Η UNESCO διατυπώνει διεθνές πλαίσιο για ανθρωποκεντρική, παιδαγωγικά ελεγχόμενη και θεσμικά υπεύθυνη χρήση της παραγωγικής ΤΝ στην εκπαίδευση και την έρευνα: https://www.unesco.org/en/articles/guidance-generative-ai-education-and-research,

Microsoft Research, “The Impact of Generative AI on Critical Thinking”: Η έρευνα εξετάζει πώς η εμπιστοσύνη στα συστήματα παραγωγικής ΤΝ μπορεί να συνδέεται με μειωμένη ενεργοποίηση κριτικής σκέψης σε εργασιακές και γνωσιακές ροές: https://www.microsoft.com/en-us/research/publication/the-impact-of-generative-ai-on-critical-thinking-self-reported-reductions-in-cognitive-effort-and-confidence-effects-from-a-survey-of-knowledge-workers/,

Betsy Sparrow, Jenny Liu, Daniel M. Wegner, “Google Effects on Memory: Cognitive Consequences of Having Information at Our Fingertips”: Κλασική ερευνητική εργασία για το πώς η εύκολη πρόσβαση σε εξωτερικές πηγές πληροφορίας επηρεάζει τη μνήμη και τη γνωσιακή εξάρτηση από τεχνολογικά μέσα: https://www.science.org/doi/10.1126/science.1207745.

 

Πηγή

Ανοιχτή Επιστολή 22 φορέων σχετικά με τη Συνεργασία του Υ.ΠΑΙ.Θ.Α με την OpenAI

Την Δευτέρα 30 Μαρτίου, με Ανοιχτή Επιστολή προς την Υπουργό Παιδείας, Θρησκευμάτων και Αθλητισμού, κα Σοφία Ζαχαράκη, 22 φορείς της Κοινωνίας των Πολιτών και ειδικοί, ζήτησαν επίσημη ενημέρωση για τα προγράμματα «AI for Greece» και «Education for Countries» της εταιρείας OpenAI στην Ελλάδα.

Τον Σεπτέμβριο του 2025 το Υπουργείο ανακοίνωσε τη σύναψη μνημονίου συνεργασίας με την OpenAI στο πλαίσιο του προγράμματος «AI for Greece», χωρίς να προηγηθεί ανοικτή και διαφανής διαβούλευση με εκπαιδευτικούς, μαθητές, γονείς και συναφείς οργανώσεις της κοινωνίας των πολιτών.

Μάλιστα, το Υπουργείο σιωπηρώς αρνήθηκε να απαντήσει σε επίσημο αίτημα πρόσβασης σε σχετικά έγγραφα που κατατέθηκε ενώπιον του από τη Homo Digitalis, παρότι αυτό αφορούσε κρίσιμα ζητήματα, όπως η προστασία των προσωπικών δεδομένων μαθητών και εκπαιδευτικών κατά τη χρήση του ChatGPT Edu στα δημόσια σχολεία.

Σύμφωνα με διαθέσιμες πληροφορίες, το πρόγραμμα εφαρμόζεται πιλοτικά σε 20 δημόσιες σχολικές μονάδες δευτεροβάθμιας εκπαίδευσης και εξελίσσεται σε τρία στάδια. Το πρώτο περιλαμβάνει την εκπαίδευση εκπαιδευτικών (Οκτώβριος 2025 – Νοέμβριος 2025), το δεύτερο τη χρήση των εργαλείων ΤΝ από τους ίδιους τους εκπαιδευτικούς (Δεκέμβριος 2025 – Φεβρουάριος 2026) και, τέλος, το τρίτο την εισαγωγή εργαλείων ΤΝ στη μαθησιακή διαδικασία και τη χρήση τους από μαθητές (Μάρτιος – Ιούνιος 2026).

Τις τελευταίες εβδομάδες, η OpenAI βρέθηκε στο επίκεντρο της διεθνούς επικαιρότητας λόγω συνεργασίας με το Υπουργείο Άμυνας των ΗΠΑ, προκαλώντας ερωτήματα για τις πιθανές χρήσεις των τεχνολογιών της εκτός αμερικανικών συνόρων, καθώς δεν υπήρξε σαφής τοποθέτηση για ζητήματα όπως η συλλογή δεδομένων υπηκόων τρίτων χωρών για σκοπούς παρακολούθησης.

Παράλληλα, την ώρα που σε επίπεδο Ευρωπαϊκής Ένωσης εντείνεται η συζήτηση για την ψηφιακή κυριαρχία στην εποχή της τεχνητής νοημοσύνης, με το ευρωπαϊκό πλαίσιο να προκρίνει διαφανείς, ελέγξιμες και ανεξάρτητες λύσεις, η Ελλάδα φαίνεται να κινείται προς την αντίθετη κατεύθυνση. Η επιλογή κλειστών εμπορικών συστημάτων τεχνολογικών εταιριών, όπως η OpenAI, σε ευαίσθητους τομείς, όπως η εκπαίδευση, εντείνει τους προβληματισμούς.

Στην ανοιχτή επιστολή, σκιαγραφείται ένα τοπίο με περισσότερα ερωτήματα παρά απαντήσεις γύρω από την είσοδο της τεχνητής νοημοσύνης στα ελληνικά σχολεία. Ζητείται να αποσαφηνιστεί πώς συνδέονται μεταξύ τους τα δύο προγράμματα της OpenAI στην Ελλάδα, ποια σχολεία συμμετέχουν και με ποια κριτήρια επιλέχθηκαν, αλλά και αν η επιλογή αυτή έγινε με γνώμονα την ισότητα ή κινδυνεύει να διευρύνει υπάρχουσες ανισότητες.

Την ίδια στιγμή, αναδεικνύεται η ανάγκη να γίνει σαφές τι σημαίνει στην πράξη η χρήση του ChatGPT Edu μέσα στην τάξη και αν εξετάστηκαν άλλες, εναλλακτικές και ελέγξιμες λύσεις, βασισμένες στις αρχές του ελεύθερου λογισμικού.

Τέλος, στο επίκεντρο βρίσκεται και το ζήτημα των προσωπικών δεδομένων, καθώς τίθεται στην κα. Υπουργό καίρια ερωτήματα για τα δεδομένα τα οποία συλλέγονται, τους σκοπούς επεξεργασίας τους και τους ιδιώτες που τα διαχειρίζονται.

Μπορείτε να διαβάσετε το κείμενο της επιστολής εδώ.

Ονόματα Φορέων (με αλφαβητική σειρά)
Δίκτυο για τα Δικαιώματα του Παιδιού,
Ελληνική Ένωση για τα Δικαιώματα του Ανθρώπου (ΕλΕΔΑ),
Ελληνικό Φόρουμ Μεταναστών (ΕΦΜ),
Ένωση Καταναλωτών για την “Ποιότητα της Ζωής” (ΕΚΠΟΙΖΩ),
Ένωση Πληροφορικών Ελλάδας (ΕΠΕ),
Ινστιτούτο Έρευνας Ρυθμιστικών Πολιτικών,
Οργανισμός Ανοιχτών Τεχνολογιών (ΕΕΛΛΑΚ),
ΑΜΚΕ REVMA,
Homo Digitalis,
Ιn_contACT org,
OmniaTV,
Open Lab Athens,
Reporters United,
SolidarityNow,
Visible Machines – AI Research and Social Awareness Center,
Vouliwatch,
WHEN Equity Empowerment Change

 

Πηγή

Θερινό Σχολείο – Μηχανική Μάθηση και Τεχνητή Νοημοσύνη

Διάρκεια: Δευτέρα 15/6 με Παρασκευή 19/6, 10:00 π.μ. – 4:00 μ.μ.Απευθύνεται σε: Μαθητές που έχουν ολοκληρώσει τη Γ΄ Γυμνασίου έως και τη Γ΄ Λυκείου, που ενδιαφέρονται να μάθουν τις βασικές ιδέες της μηχανικής μάθησης (Machine Learning), των νευρωνικών δικτύων (Neural Networks) και των μεγάλων γλωσσικών μοντέλων (LLMs) και πώς εφαρμόζονται σε Python.

Προαπαιτούμενα: Κάποια βασική γνώση προγραμματισμού (ιδανικά, σε Python), εξοικείωση με το υλικό που παρουσιάζεται σε αυτή τη σειρά διαλέξεων και λογαριασμός Gmail για χρήση του Google Colab.

Στόχος του προγράμματος: Οι μαθητές να αποκτήσουν μια πρώτη ουσιαστική επαφή με τη σύγχρονη τεχνητή νοημοσύνη, τόσο σε θεωρητικό όσο και σε πρακτικό επίπεδο.


Οι 5 μέρες θα συνδυάζουν:

(1) Βασικές ιδέες και έννοιες από τη μηχανική μάθηση – εκπαίδευση αλγορίθμων, επιτηρούμενη/επιβλεπόμενη μάθηση, κ.λπ.

(2) Υλοποίηση αλγορίθμων στην Python, με διάφορα σύνολα δεδομένων, με παραδείγματα σε επεξεργασία φυσικής γλώσσας (natural language processing) και μηχανική όραση (computer vision).

(3) Βαθιά Νευρωνικά Δίκτυα (Deep Learning).

(4) Χρήση και εκπαίδευση αυτών των μοντέλων μέσω της Python, PyTorch και Hugging Face.

(5) Ανάλογα με τα ενδιαφέροντα των μαθητών, κάποιες από τις διδακτικές ώρες θα αφιερωθούν σε πιο προχωρημένο μαθηματικό και αλγοριθμικό υλικό σχετικό με τη μηχανική μάθηση.

Θα καλύψουμε επίσης ύλη σχετική με τα θέματα της Διεθνούς Ολυμπιάδας Τεχνητής Νοημοσύνης


Τι θα καλύψουμε:

Η μοντέρνα μηχανική μάθηση χρησιμοποιεί κατά κύριο λόγο βαθιά νευρωνικά δίκτυα (deep neural nets), τόσο για προβλήματα μηχανικής όρασης όσο και για επεξεργασία φυσικής γλώσσας. Το ChatGPT και άλλα παρόμοια μοντέλα είναι χτισμένα ως συνδυασμός πολλών γραμμικών και μη γραμμικών επιπέδων, όπως τα γραμμικά επίπεδα (fully-connected layers), τα συνελικτικά επίπεδα (convolutional layers), τα επίπεδα self-attention, και τα ReLU. Θα μάθουμε τι είναι αυτά, πότε τα χρησιμοποιούμε και πώς λειτουργούν στο πλαίσιο των βασικών ιδεών της μηχανικής μάθησης.

Ιατρική Απεικόνιση Το μάθημα έχει ως αφετηρία την υλοποίηση συνελικτικών δικτύων (CNNs) και τη μέθοδο του Transfer Learning, όπως την παρουσιάσαμε στα τελευταία διαδικτυακά μαθήματα. Θα αρχίσουμε με την υλοποίηση ενός προγράμματος που λύνει ένα θεμελιώδες πρόβλημα στη μηχανική όραση (Computer Vision) – την ταξινόμηση. Θα χρησιμοποιήσουμε ένα σύνολο δεδομένων ιατρικής απεικόνισης (medical imaging). Η ιατρική απεικόνιση είναι ένας τομέας όπου η μηχανική μάθηση και η τεχνητή νοημοσύνη έχουν ήδη κάνει αισθητή πρόοδο: συστήματα τεχνητής νοημοσύνης βοηθούν στη διάγνωση διαφόρων καρκίνων και άλλων παθήσεων, με αποτέλεσμα η αποδοτικότητα να ξεπερνά κατά πολύ τις δυνατότητες που είχαμε μέχρι και πριν λίγα χρόνια.

  • Το σύνολο δεδομένων μας προέρχεται από το πρόβλημα της διάγνωσης του καρκίνου του μαστού. Θα χρησιμοποιήσουμε ένα ανωνυμοποιημένο σύνολο δεδομένων με υπερηχογραφήματα.
  • Θα αναπτύξουμε τα απαραίτητα εργαλεία από τη μηχανική όραση:
    • PyTorch
    • Fully Connected Layers and ReLU
    • Convolutional Neural Networks
    • Transfer Learning

Από το Transfer Learning στην Παραγωγική Τεχνητή Νοημοσύνη Η τεχνική του Transfer Learning είναι θεμελιώδης στη μηχανική μάθηση, και οι περισσότερες εφαρμογές που έχουμε δει και θα δούμε τα επόμενα χρόνια χρησιμοποιούν ιδέες από Transfer Learning. Είναι επίσης η γέφυρα προς την παραγωγική τεχνητή νοημοσύνη (Generative AI). Θα συνεχίσουμε την εβδομάδα μιλώντας για:

  • Σημασιολογικές ενσωματώσεις για εικόνες
  • Σημασιολογικές ενσωματώσεις για λέξεις (Word2Vec)
  • Σημασιολογικές ενσωματώσεις για κείμενο

Οι σημασιολογικές ενσωματώσεις μας οδηγούν στα μεγάλα γλωσσικά μοντέλα (Large Language Models / LLMs). Θα δούμε πώς χτίζονται και πώς εκπαιδεύονται, και θα μιλήσουμε για το πολύ σημαντικό πρόβλημα της αναζήτησης σε βάση γνώσεων.

Με την ολοκλήρωση της εβδομάδας, στόχος είναι οι μαθητές να έχουν τις απαιτούμενες γνώσεις ώστε να μπορούν να εφαρμόσουν τις ιδέες και τον κώδικα που αναπτύξαμε, για να χτίσουν και να λύσουν προβλήματα που αντιστοιχούν στα ενδιαφέροντά τους.

Διδακτικό Προσωπικό

Κωνσταντίνος Καραμανής – Καθηγητής στη Σχολή Ηλεκτρολόγων Μηχανικών, The University of Texas at Austin, και Archimedes AI.”