งานวิจัยจีน 26,811 คน ใช้ AI ทำการบ้านแล้วคะแนนสอบตก และเงื่อนไขที่ทำให้ไม่ตก

งานวิจัยของ David Strömberg (มหาวิทยาลัยสตอกโฮล์ม) กับ Victor Lei และ Yanhui Wu (มหาวิทยาลัยฮ่องกง) ติดตามนักเรียนมัธยม 26,811 คนในอำเภอหนึ่งทางภาคกลางของจีน ตลอด 30 เดือนตั้งแต่เดือน ก.ย. 2565 ถึงเดือน มิ.ย. 2568 เผยแพร่เป็นเอกสารเพื่อการอภิปรายของ CEPR หมายเลข DP21577 และเป็นเอกสารก่อนตีพิมพ์บน SSRN

นี่เป็นชุดข้อมูลที่ใหญ่ที่สุดชุดหนึ่งที่มีอยู่ตอนนี้สำหรับคำถามว่าการใช้ AI ทำงานแทน กระทบความสามารถของคนที่ใช้หรือไม่ แต่ตัวเลขพาดหัวของมันถูกเล่าผิดกรอบได้ง่ายมาก หน้านี้จึงแยกให้ชัดว่าตัวเลขไหนหมายถึงใคร

ตัวเลขหลัก และตัวเลขนั้นเป็นของใคร

ผลในกลุ่มที่ใช้ AI เมื่อครบหกเดือน คะแนนการบ้านขึ้น 18% ขณะที่คะแนนสอบปิดตำรารายเดือนตกลง 20% สองตัวนี้คือตัวเลขพาดหัวที่สื่อทุกเจ้าหยิบไปใช้

ผลระดับทั้งอำเภอ ต่างกันมาก เมื่อคูณผลของกลุ่มที่ใช้กลับด้วยสัดส่วนคนที่ใช้จริง ผู้เขียนประเมินว่าคะแนนสอบเฉลี่ยของทั้งอำเภอลดลง 3.4% ในช่วงสองปีการศึกษาแรก แล้วเป็น 9.9% ภายในเดือน มิ.ย. 2568 เมื่ออัตราการใช้แตะ 80% (ppc.land)

ผลต่อการสอบเข้าเป็นสองสอบคนละตัว ไม่ใช่ช่วงตัวเลขเดียว สอบเข้าชั้นมัธยมปลายตกลง 24% และสอบเข้ามหาวิทยาลัยตกลง 18% (SCMP)

เวลาที่ใช้ทำการบ้าน ลดจากเฉลี่ย 64 นาทีเหลือ 45 นาที ซึ่งเป็นตัวเลขที่ยืนยันตรงกันมากที่สุดในบรรดารายละเอียดทั้งหมด

กลไกที่ผู้เขียนชี้ และเงื่อนไขที่ทำให้ผลกลับด้าน

กลไกไม่ใช่ว่า AI ทำให้คนโง่ลง แต่คือการโยนงานทั้งชิ้นให้มันทำแทน บทคัดย่อประเมินว่าราว 80% ของผู้ใช้ AI มีพฤติกรรมเข้าข่ายโยนงาน โดยดูจากร่องรอยในระบบ ไม่ใช่จากบันทึกการสนทนา ตัวเลขนี้มีการตรวจความทนทานด้วยเกณฑ์เวลาด้วย คือถ้าใช้เกณฑ์ 50 นาทีจะได้ 58% และถ้าใช้เกณฑ์ 45 นาทีจะได้ 34%

ประโยคที่กลับข้อสรุปของทั้งเรื่อง อยู่ในบทคัดย่อเอง คือผู้ใช้ AI ที่ยังใช้เวลาทำการบ้านพอๆ กับคนที่ไม่ใช้ เสียการเรียนรู้เพียงเล็กน้อยเท่านั้น แปลว่าสิ่งที่ทำร้ายการเรียนรู้คือการลดเวลาคิด ไม่ใช่การมีเครื่องมือ

มีรายงานเสริมว่าผลขึ้นกับปริมาณการใช้ด้วย คือกลุ่มที่ใช้ราว 0 ถึง 1 ชั่วโมงต่อสัปดาห์คะแนนตกเฉลี่ยราว 5% เทียบกับราว 30% ในกลุ่มที่ใช้ตั้งแต่ 5 ชั่วโมงขึ้นไป และขนาดของผลลบนี้ลดลงตามเวลา จากราว 25% ต้นปี 2566 เหลือราว 16% ในเดือน มิ.ย. 2568

เครื่องมือที่นักเรียนใช้ ไม่ใช่ ChatGPT

ณ เดือน มิ.ย. 2568 สัดส่วนการใช้คือ Doubao 47% DeepSeek 36% ChatGLM 14% Ernie Bot 9% และ Qwen 8% ทั้งหมดเป็นโมเดลจีน และการใช้พุ่งขึ้นในช่วงที่ DeepSeek ปล่อยรุ่นใหม่ ผู้อ่านไทยที่เห็นพาดหัวมักเดาว่าเป็น ChatGPT ซึ่งไม่ตรงกับข้อมูล

เรื่องที่คนเข้าใจผิดบ่อย

เอา 20% ไปเล่าว่าเป็นผลของนักเรียนทุกคน ตัวเลขนั้นเป็นผลของกลุ่มที่ใช้ AI ผลระดับทั้งอำเภอคือ 3.4% แล้วเป็น 9.9%
เขียนผลสอบเข้าเป็นช่วง 18 ถึง 24% ทำให้อ่านเหมือนช่วงความเชื่อมั่น ความจริงคือสองสอบคนละตัว คนละตัวเลข
เล่าว่าเป็นการทดลองที่พิสูจน์เหตุและผล บทคัดย่อเขียนเองว่าใช้การเทียบกลุ่มที่เริ่มใช้ต่างเวลากัน คือ "We exploit staggered AI adoption in a difference-in-differences design" การตีความเชิงสาเหตุจึงขึ้นกับสมมติฐานว่าสองกลุ่มจะเดินขนานกันถ้าไม่มี AI
สรุปว่าใช้ AI แล้วเรียนแย่ลงเสมอ ซึ่งขัดกับข้อค้นพบของผู้เขียนเองว่าคนที่ยังลงเวลาเท่าเดิมแทบไม่เสียอะไร
อ้างว่าผ่านการตรวจของผู้ทรงคุณวุฒิแล้ว ยังไม่ผ่าน ยังเป็นเอกสารเพื่อการอภิปรายที่แก้ไขได้

ข้อจำกัดที่ผู้เขียนและผู้วิจารณ์ระบุไว้

การเริ่มใช้ AI ไม่ได้ถูกสุ่ม ผลเชิงสาเหตุจึงขึ้นกับสมมติฐานเส้นขนาน
วัดพฤติกรรมโยนงานจากร่องรอยในระบบ ไม่ใช่จากบันทึกการสนทนาจริง
ความสัมพันธ์ระหว่างเวลาทำการบ้านกับคะแนนสอบ ผู้เขียนระบุเองว่าไม่ใช่ความสัมพันธ์เชิงสาเหตุ
เวลาที่เริ่มใช้เป็นการรายงานย้อนหลังด้วยตัวนักเรียนเอง
เป็นข้อมูลอำเภอเดียว และส่วนที่วัดผลการสอบเข้าอ่อนกว่าส่วนอื่นเพราะวัดได้ครั้งเดียวหรือสองครั้งต่อคน
ตัวเครื่องมือ AI เองเปลี่ยนไปมากตลอดช่วงที่เก็บข้อมูล
ผู้เขียนไม่สามารถตัดความเป็นไปได้ที่ปัจจัยภายนอกมีส่วน ผลจริงจึงอาจเล็กกว่าที่รายงาน
ผู้เขียนเตือนเองว่าไม่ควรเหมารวมไปยังผู้เรียนทุกกลุ่ม ทุกวิชา หรือระบบติวที่มีการควบคุม

งานอีกชิ้นที่ห้ามเอาไปปนกัน และเป็นด้านที่สร้างสรรค์กว่า

มีงานอีกชิ้นที่มักถูกอ้างคู่กัน คือ "Generative AI without guardrails can harm learning: Evidence from high school mathematics" ของ Bastani และคณะ ตีพิมพ์ใน PNAS เมื่อเดือน มิ.ย. 2568 ซึ่งผ่านการตรวจของผู้ทรงคุณวุฒิแล้ว ต่างจากงานจีน เป็นการทดลองสุ่มกับนักเรียนมัธยมปลายในตุรกีราวหนึ่งพันคน (PNAS)

ผลที่คนชอบยกคือกลุ่มที่ได้ใช้ AI แบบไม่มีการควบคุม ทำโจทย์ฝึกได้ดีขึ้น 48% แต่พอสอบโดยไม่มี AI ช่วย คะแนนตก 17%

แต่นั่นเป็นผลของกลุ่มเดียวเท่านั้น อีกกลุ่มที่ได้ใช้รุ่นที่ครูออกแบบกรอบไว้ให้ คือให้คำใบ้แต่ไม่ให้คำตอบ ทำโจทย์ฝึกได้ดีขึ้น 127% และไม่มีผลลบต่อคะแนนสอบเลย ข้อสรุปจริงของงานจึงอยู่ในชื่อเรื่องเอง คือปัญหาอยู่ที่การไม่มีกรอบ ไม่ใช่ที่ตัว AI ใครที่ยกแค่ 48% กับ 17% ไปเล่า กำลังกลับหัวข้อสรุปของงานวิจัยนั้น

คำถามที่ยังไม่มีคำตอบ

ยังไม่มีงานลักษณะนี้ในบริบทที่ผู้ใหญ่ทำงานจริง ตัวเลขทั้งหมดมาจากห้องเรียน
ยังไม่รู้ว่าผลจะเหมือนกันไหมถ้าเปลี่ยนไปเป็นภาษาและระบบการศึกษาอื่น เพราะเป็นข้อมูลอำเภอเดียวในจีน
ยังไม่มีการโต้แย้งเชิงวิธีวิทยาที่ตีพิมพ์ ณ วันที่ตรวจ ซึ่งอาจแปลว่ายังไม่มีใครตรวจอย่างจริงจัง มากกว่าจะแปลว่าไม่มีข้อโต้แย้ง