Τα ιδιωτικά πανεπιστήμια στην παγίδα της ΑΙ – Το μπάχαλο της αλγοριθμικής αδειοδότησης

Τί συμβαίνει όταν ένα σύστημα αδειοδότησης και αξιολόγησης απαιτεί από τους υποψηφίους να αποδείξουν την ακαδημαϊκή τους επάρκεια μέσα από εκτενείς φακέλους—που μπορούν εύκολα και ταχύτατα πλέον να συνταχθούν από εφαρμογές Τεχνητής Νοημοσύνης – χωρίς όμως να καθορίζει με επαρκή σαφήνεια τα συγκεκριμένα, ποσοτικά και ποιοτικά, κριτήρια με τα οποία αυτή η επάρκεια θα ελεγχθεί στην πράξη.

Στην εποχή της Παραγωγικής Τεχνητής Νοημοσύνης (Generative AI), το πρόβλημα αποκτά μια εξαιρετικά ενδιαφέρουσα διάσταση. Διότι ένα ασαφές ή γενικόλογο κανονιστικό ζητούμενο μπορεί σήμερα να μετατραπεί ταχύτατα σε εκατοντάδες σελίδες εξαιρετικά πειστικού κειμένου από ένα Μεγάλο Γλωσσικό Μοντέλο (Large Language Model – LLM), όπως τα δημοφιλή ChatGPT και Gemini.

Έτσι δημιουργείται ένας νέος κίνδυνος: Με τη χρήση τέτοιων εφαρμογών Τεχνητής Νοημοσύνης (ΑΙ) ένας φάκελος μπορεί να εμφανίζει τυπική πληρότητα σε επίπεδο γλώσσας, δομής και τεκμηρίωσης, χωρίς η λεκτική αυτή πληρότητα να αποδεικνύει κατ’ ανάγκην την πραγματική ακαδημαϊκή επάρκεια που υποτίθεται ότι περιγράφει. Αυτό είναι το πραγματικό μάθημα της ελληνικής υπόθεσης.

Το τεχνικό χρονικό μιας θεσμικής αστοχίας

Η αφετηρία βρίσκεται στην απόφαση 48136/17.12.2024 της Εθνικής Αρχής Ανώτατης Εκπαίδευσης (ΕΘΑΑΕ), η οποία εκδόθηκε κατ’ εξουσιοδότηση του «Νόμου Πιερρακάκη» (ν. 5094/2024) και καθόρισε – υποτίθεται – κριτήρια, δείκτες και προϋποθέσεις για την αξιολόγηση και πιστοποίηση των προπτυχιακών προγραμμάτων των Νομικών Προσώπων Πανεπιστημιακής Εκπαίδευσης (ΝΠΠΕ), κοινώς λεγομένων ιδιωτικών πανεπιστημίων.

Δεν είναι ακριβές να λεχθεί ότι η ΕΘΑΑΕ δεν θέσπισε κανονιστικό πλαίσιο. Θέσπισε. Το κρίσιμο ερώτημα είναι διαφορετικό: Ήσαν τα κριτήρια αυτά αρκετά συγκεκριμένα, μετρήσιμα και ελέγξιμα ώστε να επιτρέπουν ουσιαστική αξιολόγηση των προγραμμάτων σπουδών;

Εδώ ακριβώς βρίσκεται η σημασία της μεταγενέστερης δικαστικής κρίσης. Διότι, εάν το κανονιστικό πλαίσιο περιγράφει κυρίως τι πρέπει να περιέχει ένας φάκελος, αλλά δεν καθορίζει με επαρκή ακρίβεια πώς θα μετρηθεί και θα αποδειχθεί η ουσιαστική εκπλήρωση των απαιτήσεων, τότε δημιουργείται μια θεμελιώδης αδυναμία του συστήματος: Ο υποψήφιος μπορεί να συμμορφώνεται με το κείμενο χωρίς να είναι απολύτως σαφές ότι συμμορφώνεται με την ουσία.

Εδώ υπεισέρχεται η Τεχνητή Νοημοσύνη

Είναι ενδεικτικό ότι και αυτή η ίδια η κανονιστική πράξη της ΕΘΑΑΕ, που ουσιαστικά ακυρώθηκε από το Συμβούλιο της Επικρατείας μαζί με τις άδειες λειτουργίας τριών ιδιωτικών Πανεπιστημίων, εμφανίζει χαρακτηριστικά που, κατά κατά την άποψή μου, είναι συμβατά με κείμενο που συντάχθηκε ή επιμελήθηκε βιαστικά μέσω αλγορίθμων Generative AI, ήτοι: Υψηλός βαθμός τυποποιημένης γενίκευσης: Χρήση αφηρημένης, “ξύλινης” ορολογίας περί «ολιστικής διασφάλισης ποιότητας» και «συνεχούς παρακολούθησης μαθησιακών αποτελεσμάτων», στερημένης κανονιστικού ερείσματος και βάθους.

Απουσία αντικειμενικών δεικτών: Αντί για μετρήσιμα ποσοτικά και ποιοτικά όρια (κατώτατες προδιαγραφές εργαστηρίων, ακαδημαϊκά προσόντα, ελάχιστες ερευνητικές επιδόσεις/δημοσιεύσεις, συντελεστές αναλογίας διδασκόντων/διδασκομένων, παγκόσμια διαβάθμιση του ξένου Πανεπιστημίου κ.λπ.), η απόφαση της ΕΘΑΑΕ αυτοπεριορίζεται σε μια θεματική λίστα αυτοαξιολόγησης των αιτούντων Νομικών Προσώπων Πανεπιστημιακής Εκπαίδευσης (ΝΠΠΕ) – αντί για εξειδικευμένο και σαφή προσδιορισμό των δικών της κριτηρίων αξιολόγησης των ΝΠΠΕ.

Συντακτική ομοιομορφία και ισομερής ανάπτυξη: Όλες οι θεματικές ενότητες της απόφασης της ΕΘΑΑΕ – από τον εξοπλισμό των εργαστηρίων μέχρι την έρευνα και τη φοιτητική μέριμνα – αναπτύσσονται με την ίδια ακριβώς συντακτική δομή και παράλληλη έκταση. Αυτό αποτελεί τυπικό αλγοριθμικό “αποτύπωμα” των LLM, τα οποία, όταν τροφοδοτούνται με λίστες σημείων, παράγουν παραγράφους απόλυτα ισοσταθμισμένου όγκου, χωρίς τις αναμενόμενες διακυμάνσεις βάθους που εισάγει φυσικά ο ανθρώπινος νομοθέτης.

Μεταφραστικά κατάλοιπα αγγλοσαξονικών προτύπων (Translation Artifacts): Στο κείμενο αφθονούν αυτούσιες μεταφράσεις εννοιών της αγγλικής ακαδημαϊκής ορολογίας (π.χ. learning outcomes, constructive alignment, quality enhancement), οι οποίες αποδόθηκαν στην ελληνική με συντακτική δομή που προδίδει άμεση μετάφραση από αγγλόφωνη βάση δεδομένων μέσω εντολών (prompts) σε συστήματα AI, χωρίς την απαραίτητη προσαρμογή στους όρους και τις έννοιες του ελληνικού Διοικητικού Δικαίου. Στην ουσία, η ΕΘΑΑΕ δεν θεσμοθέτησε κανονιστικό πλαίσιο ελέγχου, αλλά παρείχε στους αιτούντες μια λίστα από “θεματικές εκθέσεις ιδεών”.

Ο αλγοριθμικός αντικατοπτρισμός

Ας υποθέσουμε τώρα ότι ένα υποψήφιο ΝΠΠΕ πρέπει να απαντήσει σε μια σειρά γενικών απαιτήσεων (θεμάτων) που ορίζονται στην παραπάνω απόφαση της ΕΘΑΑΕ: Πριν από την εποχή των LLM, η σύνταξη ενός τέτοιου φακέλου απαιτούσε σημαντικό χρόνο –
πολλών μηνών ή και ετών–, ανθρώπινο δυναμικό και ακαδημαϊκή εργασία. Σήμερα, όμως, υπάρχει μια δραματικά διαφορετική δυνατότητα. Τα θεματικά ζητούμενα μπορούν να μετατραπούν σε prompts.

Ένα LLM μπορεί να παράγει σε ελάχιστο χρόνο, αυθημερόν ή και ακαριαία, εκτενείς περιγραφές προγραμμάτων, μαθησιακών αποτελεσμάτων, διαδικασιών διασφάλισης ποιότητας, μηχανισμών αξιολόγησης, οργανωτικών δομών και πλήθος άλλων στοιχείων που ανταποκρίνονται γλωσσικά στις απαιτήσεις ενός κανονιστικού κειμένου.

Δεν υποστηρίζω ότι αποδεικνύεται από τα διαθέσιμα στοιχεία πως οι συγκεκριμένοι φάκελοι των ΝΠΠΕ συντάχθηκαν όλοι με αυτόν τον τρόπο. Το ερώτημα, όμως, είναι αναπόφευκτο. Διότι όσο γενικότερα και ασαφέστερα είναι τα κριτήρια, τόσο ευκολότερα μπορεί ένα σύγχρονο LLM να δημιουργήσει ένα κείμενο που μοιάζει να τα ικανοποιεί. Και εδώ δημιουργείται ένας ιδιότυπος αλγοριθμικός αντικατοπτρισμός (ΑΙ feedback loop):

ΑΙ κανονιστικό κείμενο → prompts → AI παραγόμενο κείμενο → φάκελος υποψηφίου → αξιολόγηση βάσει του ίδιου κανονιστικού λεξιλογίου

Εάν το σύστημα ελέγχει κυρίως την πληρότητα και τη δομή της γραπτής τεκμηρίωσης, ο κίνδυνος είναι προφανής: το ίδιο λεξιλόγιο που χρησιμοποιείται για να περιγράψει την απαίτηση μπορεί να αναπαραχθεί από ένα LLM για να δημιουργήσει την απάντηση. Το αποτέλεσμα τότε μπορεί να είναι μια επίφαση ουσιαστικής συμμόρφωσης, η οποία στην πραγματικότητα αποτελεί κυρίως συμμόρφωση σε επίπεδο κειμένου.

Το Φαινόμενο της Συνθετικής Πληρότητας

Για τις ανάγκες της ανάλυσης, ονομάζουμε το φαινόμενο αυτό “Συνθετική Πληρότητα” (Synthetic Completeness). Πρόκειται για την κατάσταση κατά την οποία ένα κείμενο εμφανίζεται πλήρες επειδή περιέχει όλα τα απαιτούμενα στοιχεία, όρους, ενότητες και περιγραφές, χωρίς όμως η πληρότητα αυτή να αποτελεί από μόνη της απόδειξη ότι οι πραγματικές προϋποθέσεις που περιγράφονται υπάρχουν και λειτουργούν.

Η διάκριση είναι θεμελιώδης. Ένα πρόγραμμα σπουδών μπορεί να περιγράφεται ως διαθέτον μηχανισμούς διασφάλισης ποιότητας, διαδικασίες αξιολόγησης, επαρκές διδακτικό προσωπικό, κατάλληλες υποδομές, συγκεκριμένα μαθησιακά αποτελέσματα, διαδικασίες εσωτερικής αξιολόγησης, και όλα αυτά να περιγράφονται άψογα σε έναν φάκελο.

Όμως η ύπαρξη μιας φαινομενικά άψογης περιγραφής δεν είναι ταυτόσημη με την ύπαρξη της πραγματικής υποδομής, του πραγματικού προσωπικού, της πραγματικής εκπαιδευτικής λειτουργίας, ή των πραγματικών δυνατοτήτων για διεθνώς αναγνωρισμένη επιστημονική έρευνα. Αυτό ίσχυε και πριν από την Τεχνητή Νοημοσύνη. Με την Generative AI, όμως, η δυνατότητα παραγωγής πειστικής τεκμηρίωσης σε τεράστια κλίμακα και σε μηδενικό χρόνο καθιστά το πρόβλημα πολύ πιο έντονο. Εντούτοις, η Τεχνητή Νοημοσύνη δεν δημιουργεί το θεσμικό κενό. Το θεσμικό κενό δημιουργεί τις συνθήκες υπό τις οποίες η Τεχνητή Νοημοσύνη μπορεί να το εκμεταλλευθεί.

Η δικαστική βάσανος του ΣτΕ

Εδώ βρίσκεται, κατά τη γνώμη μου, η βαθύτερη σημασία των αποφάσεων του Συμβουλίου της Επικρατείας. Το Συμβούλιο της Επικρατείας δεν αρκέστηκε στην επιφανειακή πληρότητα των φακέλων. Εξέτασε το ίδιο το κανονιστικό θεμέλιο πάνω στο οποίο στηρίχθηκε η πιστοποίηση. Και η κρίση του είναι αποκαλυπτική.

Όπως αναφέρεται στις αποφάσεις, τα στοιχεία του Παραρτήματος της 48136/2024 της ΕΘΑΑΕ «δεν συνιστούν συγκεκριμένα ποσοτικά και ποιοτικά κριτήρια, προς τα οποία οφείλουν να συμμορφώνονται τα προγράμματα σπουδών των ΝΠΠΕ».

Η διατύπωση αυτή είναι εξαιρετικά σημαντική, διότι ουσιαστικά θέτει το όριο μεταξύ περιγραφής και αξιολόγησης. Ένας φάκελος μπορεί να περιγράφει. Η διοίκηση, όμως, πρέπει να μπορεί να αξιολογήσει. Και για να αξιολογήσει, πρέπει να διαθέτει συγκεκριμένα κριτήρια. Αυτό είναι ακριβώς είναι το σημείο στο οποίο η λογική της Generative AI συναντά τη λογική του διοικητικού δικαίου. Ένα LLM είναι εξαιρετικά καλό στην παραγωγή κειμένου που μοιάζει να απαντά σε μια απαίτηση. Δεν είναι, όμως, ο μηχανισμός που αποδεικνύει ότι η πραγματικότητα ανταποκρίνεται στην απαίτηση.

Όταν η τεχνική διόρθωση δεν αρκεί

Ιδιαίτερο ενδιαφέρον έχει επί του προκειμένου η δημόσια αντίδραση ιδιωτικών πανεπιστημίων μετά τις αποφάσεις του Συμβουλίου της Επικρατείας. Κάποια εξ αυτών φέρονται να προσπαθούν (ματαίως) να υποβαθμίσουν την υπόθεση ως “τεχνικό ζήτημα” κάποιων εγγράφων ή “χαρτιών” που “θα διορθωθούν”. Αυτές όμως οι δηλώσεις προκαλούν ένα εύλογο ερώτημα περί του κατά πόσον τα ακυρωθέντα ιδιωτικά πανεπιστήμια έχουν αντιληφθεί την ουσία των αποφάσεων του ΣτΕ:

Εάν το πρόβλημα ήταν απλώς η παράλειψη ορισμένων εγγράφων ή “χαρτιών”, τότε πράγματι η λύση μπορεί να είναι μια νέα υποβολή ή μια διορθωμένη διαδικασία προς θεραπεία των ελλείψεων ή παραλείψεων. Εάν, όμως, το πρόβλημα βρίσκεται στο ίδιο το κανονιστικό πλαίσιο και στην ανεπάρκεια συγκεκριμένων ποσοτικών και ποιοτικών κριτηρίων, όπως επεσήμανε το Συμβούλιο της Επικρατείας, τότε η οριακή διόρθωση των φακέλων δεν αντιμετωπίζει το πρόβλημα στη ρίζα του.

Και αυτό είναι ίσως το σημαντικότερο σημείο της υπόθεσης. Δεν μπορείς να διορθώσεις με περισσότερες σελίδες ένα σύστημα που δεν έχει ορίσει με ακρίβεια τι πρέπει να μετρήσει. Και ασφαλώς δεν μπορείς να μετατρέψεις την περιγραφική πληρότητα ενός κειμένου σε πραγματική ακαδημαϊκή επάρκεια απλώς προσθέτοντας περισσότερο κείμενο.

Ένα διεθνές ακαδημαϊκό case study

Η υπόθεση δεν αφορά μόνο την Ελλάδα. Αφορά ένα πρόβλημα που πρόκειται να αντιμετωπίσουν πολλά εκπαιδευτικά συστήματα στα επόμενα χρόνια. Η Generative AI έχει πλέον καταστήσει εξαιρετικά φθηνή και γρήγορη την παραγωγή πολύπλοκων διοικητικών και ακαδημαϊκών κειμένων.

Αυτό σημαίνει ότι τα συστήματα πιστοποίησης και αδειοδότησης δεν μπορούν πλέον να βασίζονται υπερβολικά στην ποσότητα, τη δομή και τη γλωσσική ποιότητα της γραπτής τεκμηρίωσης. Πρέπει να είναι σχεδιασμένα έτσι ώστε να ελέγχουν την πραγματικότητα που βρίσκεται πίσω από το κείμενο.

Αυτό αφορά τόσο τις εθνικές αρχές όσο και τα πανεπιστήμια. Και αφορά ιδιαίτερα τα ξένα πανεπιστήμια που επιλέγουν να επεκτείνουν τη δραστηριότητά τους σε άλλες χώρες μέσω συνεργασιών ή παραρτημάτων. Η ακαδημαϊκή ευθύνη δεν τελειώνει με την υπογραφή ή την αποδοχή ενός φακέλου. Ένα πανεπιστήμιο που συνδέει το όνομά του με ένα εκπαιδευτικό εγχείρημα πρέπει να είναι σε θέση να γνωρίζει ότι πίσω από τον φάκελο υπάρχει πραγματική ακαδημαϊκή υποδομή και όχι απλώς ένα άρτια διατυπωμένο κείμενο. Αλλιώς το ξένο πανεπιστήμιο ερωτοτροπεί με τον παγκόσμιο διασυρμό του στην εποχή του διαδικτύου.

Διότι η Τεχνητή Νοημοσύνη μπορεί να γράψει έναν άριστο φάκελο. Δεν μπορεί όμως να δημιουργήσει, μόνο με λέξεις, ένα έγκριτο πανεπιστήμιο. Και αυτή είναι ίσως η σημαντικότερη προειδοποίηση που προκύπτει από την ελληνική υπόθεση.