ورود هر رسانه جدید به عرصه تبلیغ دینی معمولاً با این پرسش همراه بوده است که چگونه می‌توان از آن برای گسترش دامنه پیام، مخاطب یا تاثیرگزاری استفاده کرد. چاپ، رادیو، تلویزیون و سپس اینترنت، هرکدام سرعت و مقیاس دسترسی به محتوای دینی را تغییر داده‌اند. هوش مصنوعی مولد نیز در نگاه نخست می‌تواند حلقه دیگری از همین زنجیره تلقی شود: ابزاری سریع‌تر برای ترجمه، تولید محتوا، پاسخ‌گویی و رساندن پیام به مخاطبان بیشتر. بااین‌حال، چنین قیاسی تفاوتی اساسی را پنهان می‌کند. سامانه مولد فقط محتوای ازپیش‌تولیدشده را جابه‌جا نمی‌کند؛ می‌تواند پرسش مخاطب را پردازش کند، اطلاعاتی را برگزیند، مطالب را ترکیب و تلخیص کند و در نهایت پاسخی بسازد که پیش از آن به همین صورت وجود نداشته است. از این منظر، مسئله هوش مصنوعی در تبلیغ دینی صرفاً افزوده‌شدن رسانه‌ای جدید به مجموعه ابزارهای تبلیغ نیست؛ پای نوع تازه‌ای از میانجی‌گری در فرایند شکل‌گیری پیام در میان است.
از رسانه انتقال‌دهنده تا واسطه صورت‌بندی
برای فهم این تفاوت باید میان سه کارکرد تمایز گذاشت. در سطح نخست، فناوری «ابزار انتقال» است؛ محتوای تولیدشده را بدون مداخله اساسی در ساخت آن به مخاطب می‌رساند. در سطح دوم، «ابزار تولید» است؛ برای نمونه، در تدوین صوت، ساخت تصویر یا تبدیل محتوای آماده به قالبی دیگر مشارکت می‌کند. سطح سوم زمانی پدید می‌آید که سامانه در تعیین صورتی که مخاطب نهایتاً از محتوا دریافت می‌کند، نقشی انتخابی و ترکیبی داشته باشد.
ادبیات ارتباطات نیز زمینه نظری این تمایز را فراهم کرده است. هنکاک، نعامان و لوی در مفهوم «ارتباط میانجی‌گری‌شده با هوش مصنوعی» بر وضعیتی تمرکز می‌کنند که عامل محاسباتی، دیگر فقط کانال ارتباط نیست و می‌تواند پیام را تغییر دهد، تکمیل کند یا تولید کند (Hancock, Naaman, & Levy, 2020). قلمرو اصلی نظریه آنان ارتباط انسان با انسان است و نمی‌توان آن را بدون تعدیل بر پاسخ‌گویی دینی انسان ـ ماشین منطبق کرد؛ بااین‌حال، تمایزی که میان انتقال فناورانه و مداخله هوش مصنوعی در تولید پیام برقرار می‌کنند، برای مسئله حاضر راهگشاست.
بر این اساس، استفاده از هوش مصنوعی برای بهبود کیفیت صدای یک سخنرانی با سپردن پاسخ به پرسش «دیدگاه اسلام درباره یک مسئله اخلاقی چیست؟» یک سنخ کنش فناورانه نیست. در حالت دوم، سامانه باید از میان اطلاعات موجود انتخاب کند، میان آن‌ها رابطه برقرار سازد، سطح توضیح را تعیین کند و عبارتی منسجم تولید کند. به همین دلیل، تعبیر «ابزار» اگر بدون تفکیک این سطوح به کار رود، بخشی از مسئله را نامرئی می‌کند.
تولید پاسخ، خود یک فرایند انتخاب است
پاسخ تولیدشده به یک پرسش دینی حاصل بازیابی مکانیکی جمله‌ای ثابت از مخزنی مشخص نیست. مدل زبانی بر اساس ورودی و سازوکارهای خود، صورت خاصی از پاسخ را تولید می‌کند. این صورت‌بندی ممکن است از نظر محتوا درست باشد، اما همین درستی احتمالی نباید نقش میانجی را پنهان کند. انتخاب میزان تفصیل، تقدم و تأخر مطالب، حذف برخی قیود و ترکیب اطلاعات پراکنده، همگی در معنایی که مخاطب دریافت می‌کند دخیل‌اند.
از همین‌جا می‌توان مفهوم «واسطه صورت‌بندی معرفتی» را از مفهوم «مفسر» جدا کرد. مدل زبانی را نمی‌توان صرفاً به دلیل تولید پاسخ، صاحب فهم دینی یا قصد تفسیری دانست. مسئله در اینجا، وضعیت ذهنی ماشین نیست؛ اثر کارکردی آن در زنجیره تولید معرفت است. سامانه می‌تواند بدون برخورداری از فهم انسانی، در شکل نهایی آنچه مخاطب به‌عنوان پاسخ می‌خواند اثر بگذارد. این تمایز مانع دو خطای متقابل می‌شود. خطای نخست، انسان‌انگاری فناوری و نسبت‌دادن فهم و تفسیر انسانی به مدل است. خطای دوم، تصور خنثی‌بودن آن به این دلیل که «ماشین چیزی را نمی‌فهمد». نداشتن فهم انسانی به معنای نداشتن اثر معرفتی نیست.
ترجمه و شخصی‌سازی؛ کارآمدی همراه با میانجی‌گری
این مسئله در ترجمه ماشینی آشکارتر می‌شود. قابلیت مدل‌های زبانی برای عبور از مرزهای زبانی می‌تواند دامنه ارتباط دینی را به‌طور چشمگیری گسترش دهد، اما ترجمه مفاهیم وابسته به سنت، تاریخ و فرهنگ، صرفاً جایگزینی واژه‌های دو زبان نیست. پژوهش یائو درباره ترجمه آگاه از فرهنگ، نشان داده است که عناصر خاص فرهنگی گاه فاقد معادل لفظی مستقیم‌اند. یافته آنان، درعین‌حال، مانع داوری بدبینانه کلی درباره مدل‌های زبانی است: در معیارهای مورد بررسی، مدل‌های زبانی در استفاده از دانش فرهنگی برای ترجمه برخی از این عناصر، از سامانه‌های ترجمه متعارف بهتر عمل کرده‌اند (Yao et al., 2024).
نتیجه مهم برای ارتباط دینی این نیست که ترجمه هوش مصنوعی ضرورتاً موجب تحریف می‌شود؛ چنین ادعایی پشتوانه کافی ندارد. نکته این است که افزایش کیفیت ترجمه، مسئله میانجی‌گری را از میان نمی‌برد. انتخاب معادل برای مفاهیمی که در شبکه‌ای از معانی کلامی، فقهی یا اخلاقی قرار دارند، می‌تواند بر صورت معنایی دریافت‌شده اثر بگذارد. بنابراین، سنجش ترجمه متون دینی تنها با روانی زبان مقصد کافی نیست؛ میزان حفظ تمایزهای مفهومی نیز باید موضوع ارزیابی قرار گیرد.
شخصی‌سازی نیز صورت دیگری از همین وضعیت است. هنگامی که یک سامانه متناسب با پرسش، دانش پیشین یا ویژگی‌های کاربر، نسخه متفاوتی از پاسخ تولید می‌کند، دیگر همه مخاطبان با یک متن ثابت مواجه نیستند. این قابلیت می‌تواند ارتباط را فهم‌پذیرتر کند، اما هم‌زمان نشان می‌دهد فناوری در تعیین «کدام صورت از پیام برای کدام مخاطب» نقش یافته است. بنابراین، مزیت ارتباطی شخصی‌سازی و ضرورت نظارت بر سازوکار آن، دو روی یک واقعیت‌اند، نه دو ادعای متناقض.
پاسخ از کجا آمده است؟
مسئله مهم‌تر هنگامی پدیدار می‌شود که مخاطب بخواهد منشأ یک مدعای دینی را تشخیص دهد. در کتاب، مقاله یا سخنرانی، معمولاً می‌توان میان گزاره و گوینده یا منبع آن رابطه‌ای برقرار کرد. پاسخ مولد، اما، ممکن است ترکیبی از اطلاعات متعدد باشد که در قالب متنی واحد ارائه شده است. در چنین وضعی، «درست به نظر رسیدن» پاسخ با «قابل ردیابی بودن» آن یکسان نیست.
پژوهش معرفت‌شناختی درباره چت‌بات‌های مبتنی بر مدل‌های زبانی نیز بر اهمیت نسبت میان شفافیت، اعتماد و اعتمادپذیری تأکید کرده است. هیرسمینک نشان می‌دهد که مواجهه کاربر با چنین سامانه‌هایی، مسائل معرفتی ویژه‌ای ایجاد می‌کند؛ از جمله اینکه بر چه اساسی باید خروجی آن‌ها را قابل اعتماد تلقی کرد (Heersmink et al., 2024). این مسئله در حوزه دینی حساس‌تر می‌شود، زیرا تفاوت میان «گزارش یک دیدگاه»، «تفسیر»، «استنباط» و «حکم» تفاوتی صوری نیست.
ازاین‌رو، کیفیت پاسخ دینی هوش مصنوعی را نمی‌توان با یک معیار واحد سنجید. ممکن است گزاره‌ای صحیح باشد، اما معلوم نباشد به کدام منبع مستند است؛ ممکن است منبعی ذکر شود، اما نسبت میان مدعای تولیدشده و آن منبع روشن نباشد؛ یا پاسخ، اختلاف‌نظر موجود را به‌صورت یک نظر واحد بازنمایی کند.
قابلیت ردیابی معرفتی یعنی بتوان، متناسب با اهمیت مدعا، روشن کرد که پاسخ بر چه شواهدی استوار است و کدام بخش نقل، تلخیص یا صورت‌بندی سامانه است.
مسئله تلخیص؛ حذف جزئیات همیشه بی‌اثر نیست
یکی از مزیت‌های آشکار مدل‌های زبانی، تبدیل متون طولانی و تخصصی به پاسخ‌هایی کوتاه و فهم‌پذیر است. اما تلخیص فرایندی کاملاً کمی نیست؛ کوتاه‌کردن مستلزم حذف است و اهمیت معرفتی آن به این بستگی دارد که چه چیزی حذف می‌شود. پژوهش پیترز و چین‌یی درباره ۴۹۰۰ خلاصه تولیدشده از متون علمی توسط ده مدل زبانی نشان داد که مدل‌ها ممکن است جزئیاتی را حذف کنند که دامنه اعتبار نتایج پژوهش را محدود می‌کنند و در نتیجه، نتیجه در خلاصه گسترده‌تر از آنچه متن اصلی مجاز می‌داند جلوه کند (Peters & Chin-Yee, 2025). این مطالعه درباره متون علمی است و نمی‌توان یافته آن را مستقیماً به متون دینی تعمیم داد؛ اهمیت آن برای بحث حاضر در نشان‌دادن یک سازوکار است: حذف قید در جریان تلخیص می‌تواند ماهیت مدعا را تغییر دهد. در پاسخ دینی نیز برخی قیود بخشی از خود معرفت‌اند. تفاوت دیدگاه‌ها، شرایط صدق یک حکم، زمینه تاریخی، درجه اعتبار یک نقل یا وابستگی پاسخ به فرض‌های مقدماتی را نمی‌توان همیشه جزئیاتی زائد دانست. اگر منطق تعامل با چت‌بات، پرسش‌های پیچیده را به الگوی «یک سؤال ـ یک جواب کوتاه» نزدیک کند، مسئله فقط کاهش حجم اطلاعات نیست؛ ممکن است ساختار مسئله نیز ساده‌تر از واقعیت معرفتی آن بازنمایی شود.
حکمرانی واسطه
در چنین وضعیتی، سیاست مناسب برای تبلیغ دینی را نمی‌توان به دو توصیه «استفاده از هوش مصنوعی» یا «احتیاط در استفاده از آن» فروکاست. نوع کاربرد تعیین‌کننده است. ابزار بهبود صوت، مترجم، مولد پیش‌نویس و سامانه پاسخ‌گوی مستقل، درجات یکسانی از مداخله در صورت‌بندی معرفتی ندارند و در نتیجه نمی‌توان برای همه آن‌ها سطح واحدی از نظارت تعریف کرد. هرچه نقش سامانه از انتقال به انتخاب، ترکیب و تولید پاسخ نزدیک‌تر شود، چهار مؤلفه اهمیت بیشتری پیدا می‌کند: ردیابی منبع، امکان راستی‌آزمایی، آشکارکردن حدود اطمینان و مسئولیت انسانی در انتشار نهایی. این معیارها از توصیه کلی به «نظارت انسانی» دقیق‌ترند، زیرا مشخص می‌کنند نظارت باید ناظر به چه چیزی باشد.
بر این مبنا، پرسش اصلی درباره آینده هوش مصنوعی در تبلیغ دینی این نیست که آیا فناوری می‌تواند پیام را سریع‌تر، ارزان‌تر و گسترده‌تر منتقل کند؛ پاسخ به این پرسش در بسیاری از کاربردها مثبت است. پرسش تعیین‌کننده این است که کدام بخش از زنجیره صورت‌بندی معرفت دینی را می‌توان به سامانه سپرد و هر سطح از واگذاری به چه سازوکار اعتبارسنجی نیاز دارد؟
هنگامی که هوش مصنوعی فقط پیام را حمل نمی‌کند و در صورتی که مخاطب از پیام دریافت می‌کند سهم می‌یابد، مدیریت آن دیگر صرفاً مسئله سواد رسانه‌ای نیست. موضوع از مدیریت ابزار به حکمرانی یک واسطه معرفتی منتقل می‌شود؛ واسطه‌ای که نباید به جای مفسر انسانی نشانده شود، اما اثر آن بر صورت فهم مخاطب را نیز نمی‌توان به خنثی‌بودن یک کانال ارتباطی تقلیل داد.
پی‌نوشت‌ها و منابع
- Hancock, J. T., Naaman, M., & Levy, K. (2020). “AI-Mediated Communication: Definition, Research Agenda, and Ethical Considerations.” Journal of Computer-Mediated Communication, 25(1), 89–100. https://doi.org/10.1093/jcmc/zmz022.
- Heersmink, R., de Rooij, B., Clavel Vázquez, M. J., & Colombo, M. (2024). “A Phenomenology and Epistemology of Large Language Models: Transparency, Trust, and Trustworthiness.” Ethics and Information Technology, 26, Article 41. https://doi.org/10.1007/s10676-024-09777-3.
- Peters, U., & Chin-Yee, B. (2025). “Generalization Bias in Large Language Model Summarization of Scientific Research.” Royal Society Open Science, 12(4), 241776. https://doi.org/10.1098/rsos.241776.
- Yao, B., Jiang, M., Bobinac, T., Yang, D., & Hu, J. (2024). “Benchmarking Machine Translation with Cultural Awareness.” Findings of the Association for Computational Linguistics: EMNLP 2024, 13078–13096. https://doi.org/10.18653/v1/2024.findings-emnlp.765.
افزودن دیدگاه جدید