對認知卸載的影響與批判性思維的未來

人工智能工具在社會中的應用：對認知卸載的影響與批判性思維的未來

AIToolsinSociety:ImpactsonCognitiveOf?oadingandtheFutureofCriticalThinking

https://www.researchgate.net/publication/387701784_AI_Tools_in_Society_Impacts_on_Cognitive_Offloading_and_the_Future_of_Critical_Thinking

摘要：

人工智能（AI）工具的普及已改變了日常生活的諸多方面，但其對批判性思維的影響仍未得到充分探討。本研究考察了AI工具使用與批判性思維能力之間的關系，重點關注認知卸載作為中介因素。采用混合方法，我們對來自不同年齡群體和教育背景的666名參與者進行了問卷調(diào)查和深度訪談。定量數(shù)據(jù)采用方差分析和相關分析進行分析，而定性洞見則通過對訪談文本的主題分析獲得。研究結(jié)果發(fā)現(xiàn)，頻繁使用AI工具與批判性思維能力之間存在顯著負相關，這一關系由認知卸載的增加所中介。與年長參與者相比，年輕參與者表現(xiàn)出對AI工具更高的依賴性以及更低的批判性思維得分。此外，無論AI使用情況如何，更高的教育水平與更好的批判性思維能力相關。這些結(jié)果突顯了依賴AI工具的潛在認知成本，強調(diào)需要制定教育策略以促進對AI技術的批判性參與。本研究為關于AI認知影響的日益增長的討論做出貢獻，并為減輕其對批判性思維的不利影響提供了實踐建議。研究結(jié)果強調(diào)了在AI驅(qū)動的世界中培養(yǎng)批判性思維的重要性，這使得本研究成為教育工作者、政策制定者和技術專家的必讀文獻。

關鍵詞：AI；人工智能；批判性思維；認知卸載；AI工具；技術與教育；認知發(fā)展；哈爾彭批判性思維評估；數(shù)字依賴；AI信任

1. 引言

人工智能（AI）的出現(xiàn)已經(jīng)徹底改變了現(xiàn)代生活的各個方面，從醫(yī)療保健和金融到娛樂和教育。AI工具，涵蓋從虛擬助手和推薦算法到復雜決策支持系統(tǒng)的一切，已成為日常運作中不可或缺的部分，承諾提供增強的效率、個性化的體驗以及前所未有的信息獲取途徑。然而，伴隨這些益處而來的是，人們?nèi)找鎿鷳nAI對人類用戶可能產(chǎn)生的認知和社會影響，特別是在批判性思維技能方面。

批判性思維，定義為分析、評估和綜合信息以做出合理決策的能力，是一項基本的認知技能，對于學業(yè)成功、專業(yè)能力和具備信息素養(yǎng)的公民身份至關重要[1]。它涉及多種認知過程，包括問題解決、決策和反思性思維，這些對于駕馭復雜和動態(tài)的環(huán)境至關重要。在信息檢索和決策方面對AI工具的日益依賴，引發(fā)了關于這些技術如何影響用戶批判性思維能力的疑問。

AI在認知發(fā)展中的雙刃劍性質(zhì)一直是近期研究的焦點。AI工具可以通過提供個性化指導和即時反饋來增強學習成果，從而支持技能獲取和知識保留[2,3]。然而，越來越多的證據(jù)表明，過度依賴這些工具可能導致認知卸載。當個體將認知任務委托給外部輔助工具時，便發(fā)生了認知卸載，從而減少了他們對深度反思性思維的參與[4,5]。這一現(xiàn)象在批判性思維的背景下尤為令人擔憂，因為批判性思維需要積極的認知參與才能有效地分析和評估信息。

Risko和Gilbert [6]所描述的認知卸載，涉及使用外部工具來減少個體工作記憶的認知負荷。雖然這可以釋放認知資源，但它也可能導致認知參與度和技能發(fā)展的下降。AI工具的普遍可用性，提供快速解決方案和現(xiàn)成信息，可能阻礙用戶參與對批判性思維至關重要的認知過程。例如，Sparrow等人[5]證明，通過搜索引擎獲取信息可以影響記憶保留和深度處理信息的傾向。

在教育環(huán)境中，整合AI工具已顯示出有希望的結(jié)果和潛在的缺點。自適應學習平臺和智能輔導系統(tǒng)因其能夠根據(jù)個體學生需求定制教育體驗而受到贊揚，從而增強學習成果[2,3]。其他研究未觀察到AI在教育中的任何顯著影響[7]。然而，也有人擔心此類工具可能會減少學生對批判性思維活動的參與，因為他們可能習慣于AI提供解決方案的輕松和便利[8,9]。AI對批判性思維的潛在負面影響超出了教育背景。在專業(yè)和日常場景中，使用AI工具進行決策和問題解決可能會影響認知過程。例如，醫(yī)療保健和金融領域的自動化決策支持系統(tǒng)簡化了操作并提高了效率，但也可能減少專業(yè)人員參與獨立批判性分析的需求[10]。這可能導致一支高效但獨立解決問題和批判性評估能力可能較弱的勞動力隊伍。

鑒于這些擔憂，本研究旨在探討AI工具使用對批判性思維技能的影響，特別關注認知卸載作為中介變量。本研究旨在通過調(diào)查AI工具如何影響認知過程以及它們在多大程度上促進認知卸載，從而提供對AI工具使用更廣泛認知影響的全面理解。

指導本研究的 research questions 為：
RQ1：AI工具的使用如何影響批判性思維技能？
RQ2：認知卸載在AI工具使用與批判性思維之間的關系中扮演何種中介角色？

基于上述 research questions，我們提出以下假設：
假設1：更高的AI工具使用量與降低的批判性思維技能相關。
假設2：認知卸載在AI工具使用與批判性思維技能之間的關系中起中介作用。

本研究旨在闡明AI工具使用的更廣泛認知影響，并為減輕對批判性思維的潛在負面影響提供可操作的建議。通過理解這些動態(tài)，利益相關者可以制定策略，以平衡AI的益處與維持和增強批判性思維技能的需求。本研究為關于AI與認知的日益增長的文獻做出貢獻，提供能夠為教育實踐、政策決策和AI技術設計提供信息的見解。

2. 文獻綜述

2.1. 批判性思維與認知卸載的理論基礎

批判性思維是一個多方面的認知過程，涉及清晰理性地思考、理解觀點之間的邏輯聯(lián)系、評估論證以及識別推理中不一致之處的能力。這一過程對于有效的問題解決、知情的決策以及知識的獲取至關重要。Ennis [11] 將批判性思維定義為“合理的反思性思維，聚焦于決定相信什么或做什么”，強調(diào)其評價性本質(zhì)。Paul 和 Elder [12] 將其描述為分析和改進思維的藝術，聚焦于諸如清晰性、準確性和邏輯性等智力標準。Halpern [13] 強調(diào)批判性思維技能在不同情境下的實際應用，突出其現(xiàn)實世界的實用性。批判性思維是認知發(fā)展的組成部分，使個體能夠更有效地處理信息并參與反思性思維。它增強學業(yè)表現(xiàn)、問題解決能力和知情決策 [14]。具有較強批判性思維技能的學生在學業(yè)上往往表現(xiàn)更好，因為他們能夠理解復雜概念、分析文本并構(gòu)建推理充分的論證 [15]。此外，批判性思考者更有能力系統(tǒng)地解決問題、評估證據(jù)并考慮替代方案 [16]。他們也較不容易受到誤導性信息或認知偏差的操縱，從而成為更具辨別力的信息消費者 [17]。

認知卸載是指認知過程的外化，通常涉及工具或外部代理，如筆記、計算器或像AI這樣的數(shù)字工具，以減輕認知負荷 [6]。雖然認知卸載可以通過釋放認知資源來提高效率，但它并不內(nèi)在地意味著任務參與的減少。然而，在某些情況下，對外部工具的廣泛依賴——特別是AI——可能會減少深度認知參與的需求，從而可能影響批判性思維。卸載的機制包括外部記憶輔助工具、數(shù)字工具和社交網(wǎng)絡，這些工具幫助個體管理工作任務和信息而不使其工作記憶不堪重負。數(shù)字工具，特別是AI驅(qū)動的應用程序，可以執(zhí)行諸如計算、數(shù)據(jù)檢索和決策等任務，從而釋放認知資源用于更復雜的思維。社交卸載涉及將任務委托給他人或從社交網(wǎng)絡尋求建議和信息，從而減少個體的認知負擔 [15]。雖然認知卸載可以提高效率并減少精神壓力，但它也影響認知發(fā)展和批判性思維。過度依賴外部輔助工具可能導致內(nèi)部認知能力的下降，如記憶保留和批判性分析技能。這一現(xiàn)象引發(fā)了對普遍技術使用的長期認知效應的擔憂。一方面，認知卸載可以被視為一種管理認知負荷和提高生產(chǎn)力的有益策略。另一方面，它可能削弱關鍵認知技能的發(fā)展和維護，特別是當個體變得過度依賴外部工具時 [5]。

認知卸載，特別是在AI使用的背景下，近年來已引起顯著的學術興趣。近期的研究，如 Gerlich [7] 的研究表明，在教育環(huán)境中使用AI并不總能帶來認知或溝通技能的提升，特別是在那些已經(jīng)表現(xiàn)出良好發(fā)展能力的學生中。此外，Gerlich [7] 強調(diào)了增加對AI工具的信任如何導致更大的認知卸載，從而減少對批判性思維的參與。這些發(fā)現(xiàn)與 Sparrow 等人 [5] 的早期工作相呼應，但更近期的研究強調(diào)，AI與認知卸載之間的關系是多方面的，其中信任起著關鍵作用 [18]。

2.2. AI工具與認知過程

AI工具在現(xiàn)代生活中已變得無處不在，提供了顯著影響記憶、注意力和問題解決等認知過程的能力。AI融入日常活動為認知發(fā)展帶來了機遇與挑戰(zhàn)。

AI對認知功能最顯著的影響之一與記憶相關。諸如虛擬助手、搜索引擎和推薦系統(tǒng)等AI工具促進了信息檢索，可能改變個體存儲和回憶知識的方式。Sparrow、Liu和Wegner [5] 提出了“谷歌效應”的概念，暗示唾手可得的信息降低了內(nèi)部記憶保留的需求。這一現(xiàn)象，也稱為“交互記憶”，意味著人們更可能記住在哪里可以找到信息，而不是信息本身。雖然這可以提高效率和信息的快速獲取，但它引發(fā)了對記憶保留能力可能下降的擔憂。

AI工具還影響注意力和專注力，這是認知功能的兩個關鍵方面。一方面，AI可以通過過濾無關信息和突出重要內(nèi)容來幫助管理注意力。例如，AI驅(qū)動的新聞聚合器和個性化內(nèi)容推薦可以幫助用戶聚焦于相關信息，從而提高認知效率。然而，來自AI驅(qū)動設備和應用程序的持續(xù)通知和更新也可能分散注意力，降低長時間專注于單一任務的能力。Risko和Gilbert [6] 的研究強調(diào)，頻繁的中斷和多重任務處理（通常由AI工具促成）會損害認知表現(xiàn)并降低注意力的質(zhì)量。這種注意力的碎片化可能導致表層信息處理和減少對復雜任務的參與，最終影響批判性思維和問題解決能力。

AI工具越來越多地被用于支持問題解決和決策過程。先進的AI系統(tǒng)可以分析大型數(shù)據(jù)集、識別模式并提供建議，從而幫助個體做出知情的決策。這對醫(yī)學、金融和工程等領域具有重大意義，在這些領域中AI可以增強決策的準確性和效率。然而，依賴AI進行問題解決和決策也引發(fā)了對認知卸載和獨立分析技能潛在削弱的擔憂。Jonassen [16] 強調(diào)了問題解決作為一項關鍵認知技能的重要性，指出深度反思性思維的能力對于有效的問題解決至關重要。當AI工具接管這些任務時，個體在發(fā)展和應用自身問題解決策略方面可能變得不那么熟練，導致認知靈活性和創(chuàng)造力的下降。

AI工具對認知任務的自動化可以顯著影響認知負荷和效率。Sweller [19] 提出的認知負荷理論認為，人類認知系統(tǒng)容量有限，減少認知負荷可以增強學習和表現(xiàn)。AI工具可以自動化日常和復雜任務，從而減輕認知負荷并為高階思維釋放認知資源。AI工具可以通過多種方式減輕認知負荷。例如，AI驅(qū)動的個人助理可以處理日程安排、提醒和信息檢索，使個體能夠?qū)Ｗ⒂谡J知要求更高的任務。在教育環(huán)境中，基于AI的輔導系統(tǒng)可以適應個體學習需求，提供個性化反饋和支持，這有助于管理認知負荷并增強學習成果 [15]。盡管有這些益處，AI工具對認知任務的自動化也存在潛在不利因素。一個擔憂是認知依賴的風險，即個體在常規(guī)和復雜任務中變得過度依賴AI工具。這種依賴可能導致認知能力的下降，因為個體可能失去實踐和發(fā)展自身認知技能的機會 [4]。此外，AI工具自動化決策過程可能導致透明度和理解力的缺失。當個體依賴AI做出決策時，他們可能不完全理解AI系統(tǒng)所使用的底層過程和標準。這種“黑箱”問題可能減少批判性參與和責任意識，因為個體可能盲目信任AI的建議而不加質(zhì)疑或評估 [20]。為減輕AI驅(qū)動自動化的潛在不利因素，平衡自動化與認知參與至關重要。雖然AI工具可以提高效率并減輕認知負荷，但個體應繼續(xù)參與發(fā)展和維護自身認知能力的活動。促進批判性思維、問題解決和獨立學習的教育干預可以幫助個體建立抵御AI潛在負面影響的韌性。

2.3. AI對批判性思維的影響

AI工具已經(jīng)改變了人類生活的各個方面，提供了處理信息、解決問題和做出決策的新方式。然而，它們對批判性思維技能的影響是復雜且多方面的，影響著批判性思維的各個維度，包括分析、評估和推理。

批判性思維的分析維度涉及將復雜信息分解為更簡單的組成部分以便更好地理解它。AI工具，如數(shù)據(jù)分析軟件和機器學習算法，可以通過處理大量數(shù)據(jù)并識別人類可能難以檢測的模式來增強分析能力。例如，AI驅(qū)動的數(shù)據(jù)可視化工具可以幫助用戶在大型數(shù)據(jù)集中看到趨勢和相關性，從而輔助分析性思維[21]。然而，存在一種風險，即過度依賴AI進行分析可能會削弱人類分析技能的發(fā)展。過于依賴AI執(zhí)行分析任務的個體在深度獨立分析方面可能變得不那么熟練。這種依賴可能導致對信息的表層理解，并降低批判性分析的能力。

評估涉及評估信息的可信度和相關性，以及論證的質(zhì)量。AI工具，如推薦系統(tǒng)和自動化事實核查服務，可以通過過濾不可靠來源和突出高質(zhì)量內(nèi)容來輔助評估信息。例如，AI驅(qū)動的新聞聚合器可以根據(jù)來源的可信度個性化新聞推送，幫助用戶獲取更可靠的信息[22]。盡管有這些益處，但人們擔心AI工具可能在無意中強化偏見并限制對不同視角的接觸。AI系統(tǒng)使用的算法可以通過推薦與用戶現(xiàn)有信念一致的內(nèi)容來制造回音室，從而減少對相反觀點的接觸。這一現(xiàn)象，稱為算法偏見，可以通過鼓勵確認偏見和減少對信息的批判性審視來阻礙批判性評估[23]。

推理，作為批判性思維的核心組成部分，涉及從現(xiàn)有證據(jù)中得出邏輯結(jié)論。AI工具，如自然語言處理（NLP）和預測分析，可以通過提供基于數(shù)據(jù)分析的見解和預測來支持推理性的推理。這些工具可以通過識別潛在結(jié)果和建議基于證據(jù)的結(jié)論來幫助用戶做出更明智的決策。另一方面，使用AI進行推理也引發(fā)了對AI生成結(jié)論的透明度和可解釋性的擔憂。AI過程的不透明性常常導致用戶不加審視地接受AI生成的結(jié)論，存在減少參與和增加對自動化推理依賴的風險。

2.4. AI語境下的認知卸載

通過AI工具進行的認知卸載涉及將諸如記憶保留、決策和信息檢索等任務委托給外部系統(tǒng)。這可以通過允許個體專注于更復雜和創(chuàng)造性的活動來增強認知能力。然而，依賴AI進行認知卸載對認知能力和批判性思維具有重大影響。雖然認知卸載可以釋放認知資源，但人們擔心它可能導致認知努力的減少，助長一些研究人員所稱的“認知懶惰”[4]。這種狀態(tài)可能會削弱參與深度反思性思維的傾向。使用AI工具執(zhí)行記憶和決策等任務可能導致個體獨立執(zhí)行這些任務的能力下降，可能隨著時間的推移降低認知韌性和靈活性[5]。長期依賴AI進行認知卸載也可能侵蝕基本的認知技能，如記憶保留、分析性思維和問題解決。隨著個體越來越多地依賴AI工具，他們的內(nèi)部認知能力可能萎縮，導致長期記憶和認知健康的下降。Sparrow等人[5]的一項研究發(fā)現(xiàn)，頻繁使用搜索引擎降低了參與者獨立記住信息的可能性，個體更關注記住在哪里可以找到信息而非信息本身。此外，通過AI工具進行的認知卸載可能導致認知參與的減少。隨著AI系統(tǒng)自動化日常任務并提供現(xiàn)成解決方案，個體可能變得不太傾向于參與批判性思維和問題解決。另一項研究[24]探討了數(shù)字工具和互聯(lián)網(wǎng)如何影響各種認知功能，包括注意力、記憶和批判性思維，為重度依賴數(shù)字技術的潛在不利影響提供了見解。長期依賴AI工具進行認知卸載也可能導致依賴性和認知自主性的喪失。隨著個體習慣使用AI進行決策和問題解決，他們可能發(fā)現(xiàn)沒有這些工具時越來越難以運作。這種依賴可能降低認知韌性，使個體更容易受到技術中斷的影響，并且更缺乏獨立思考和行動的能力[4]。例如，在專業(yè)環(huán)境中，嚴重依賴AI驅(qū)動的決策支持系統(tǒng)的工人在這些系統(tǒng)不可用時可能難以獨立做出決策，從而在需要無需技術輔助的快速思維和問題解決的情況下導致潛在的性能問題。

近期的研究突顯了日益增長的擔憂，即雖然AI工具可以顯著減輕認知負荷，但它們也可能阻礙批判性思維技能的發(fā)展。Zhai等人[25]發(fā)現(xiàn)，嚴重依賴AI對話系統(tǒng)的學生表現(xiàn)出決策和批判性分析能力的減弱，因為這些系統(tǒng)允許他們卸載基本的認知任務。類似地，Krullaars等人[26]報告稱，在學術任務中過度依賴AI工具導致問題解決技能降低，學生表現(xiàn)出較低的獨立認知加工參與度。這些發(fā)現(xiàn)強調(diào)了在教育情境中整合AI時需要采取平衡的方法，確保認知卸載不以批判性思維的發(fā)展為代價。

2.5. 教育啟示與干預措施

AI工具在教育環(huán)境中的整合正在重塑教學和學習過程的開展方式。AI驅(qū)動的平臺，如自適應學習技術和智能輔導系統(tǒng)，在個性化教育、增強學生參與度以及協(xié)助教育者管理課堂動態(tài)方面提供了巨大的潛力。例如，自適應學習平臺使用AI將教育內(nèi)容定制到個體學生的需求，從而改善學習成果和學業(yè)表現(xiàn)[2]。然而，教育中對AI工具日益增長的依賴引發(fā)了對其對批判性思維和認知發(fā)展影響的擔憂。雖然AI工具可以改善基本技能的習得，但它們可能無法培養(yǎng)將這些技能應用于新穎或復雜情境所需的深度分析性思維[24]。學習中對AI的過度依賴可能阻礙批判性思維技能的發(fā)展，因為學生在參與獨立思考方面變得不那么熟練。

智能輔導系統(tǒng)（ITSs）通過AI算法模擬一對一的輔導體驗，已被證明可以改善學習成果，特別是在STEM領域[3]。然而，這些系統(tǒng)可能導致認知卸載，即學生依賴系統(tǒng)來引導他們的學習，而不是積極參與材料。雖然ITSs可以提供即時反饋和支持，但它們也可能減少學生參與自我調(diào)節(jié)學習和批判性思維的機會[27]。

AI工具也被用于自動化評分和評估，為學生提供快速且一致的反饋。諸如E-rater和Grammarly等自動作文評分系統(tǒng)通過提供關于語法、風格和連貫性的即時反饋來幫助學生改進寫作。然而，其對批判性思維的影響是復雜的。雖然這些工具可以幫助學生完善他們的技術技能，但它們可能無法培養(yǎng)發(fā)展論證和批判性評估所需的深度分析性思維。Perelman [28]批評這些系統(tǒng)可能鼓勵程式化寫作而非創(chuàng)造性和批判性思維。

2.6. 評估認知與批判性思維技能的方法論路徑

哈爾彭批判性思維評估（HCTA）是一種被廣泛認可的工具，旨在測量跨不同領域的批判性思維技能。由Diane Halpern開發(fā)，HCTA評估批判性思維的多個維度，包括言語推理、論證分析、假設檢驗和似然估計。HCTA的獨特之處在于其同時關注多項選擇題和開放式任務，從而提供對批判性思維能力的全面評估。HCTA由25個多項選擇題和25個建構(gòu)反應題組成，要求參與者將批判性思維技能應用于真實世界場景。多項選擇部分評估諸如識別假設、評估論證和得出結(jié)論等技能。另一方面，建構(gòu)反應部分要求參與者提出假設、設計實驗和分析數(shù)據(jù)，從而評估他們在實際情境中應用批判性思維的能力[1]。HCTA已廣泛應用于教育和心理學研究中，以評估學生和專業(yè)人士的批判性思維技能。其全面性使研究者能夠捕捉廣泛的批判性思維能力，并評估旨在增強這些技能的教育干預措施的有效性。例如，Liu、Frankel和Roohr [29]的一項研究使用HCTA考察了批判性思維教學對大學生的影響。結(jié)果顯示學生的批判性思維技能有顯著提高，特別是在論證分析和假設檢驗方面，證明了針對性教學在發(fā)展這些技能中的有效性。

Terenzini的自我報告式批判性思維發(fā)展測量提供了一種評估批判性思維技能的替代方法。由Patrick Terenzini及其同事開發(fā)，這些測量聚焦于學生對其批判性思維成長的感知及其影響因素。與標準化測試不同，Terenzini的方法依賴自我報告，捕捉學生的主觀體驗和對其認知發(fā)展的反思。Terenzini的自我報告測量通常涉及調(diào)查問卷，要求學生反思其批判性思維經(jīng)驗和成長。這些測量評估批判性思維的多個維度，包括分析、評估和綜合，以及教學實踐和學習環(huán)境對認知發(fā)展的影響[30]。若干研究已采用Terenzini的自我報告測量來評估不同教育情境中的批判性思維發(fā)展。例如，Terenzini等人[30]的一項研究考察了協(xié)作學習環(huán)境對學生批判性思維成長的影響。研究發(fā)現(xiàn)，參與協(xié)作學習活動的學生報告其批判性思維能力有顯著提高，突顯了互動式和參與式教學實踐的價值。在另一項研究中，Tsui [31]調(diào)查了課堂實踐與學生自我報告的批判性思維發(fā)展之間的關系。使用Terenzini的測量，Tsui發(fā)現(xiàn)鼓勵主動學習的教學實踐，如小組討論和基于問題的學習，與更高水平的自我報告批判性思維成長相關聯(lián)。

3. 材料與方法

本章概述了本研究所采用的綜合方法論路徑，旨在調(diào)查AI工具使用對批判性思維的影響，并以認知卸載作為中介變量。采用混合方法路徑，結(jié)合定量和定性技術，以提供對研究問題的穩(wěn)健且細致的理解。

3.1. 研究設計

選擇混合方法設計是因為其能夠整合定量和定性數(shù)據(jù)，比單獨使用任一種方法都更能提供對研究問題更完整的視角[32]。該設計允許數(shù)據(jù)三角驗證，從而增強研究結(jié)果的有效性和可靠性[33]。

3.2. 參與者

研究樣本包括英國669名參與者，其中666名被視為有效。他們通過便利抽樣和目的性抽樣的組合方式招募，以確保在年齡群體、教育背景和專業(yè)領域方面具有多樣化的代表性。該樣本在英國不同的社交媒體平臺上進行在線推廣，以吸引多樣化的樣本。參與者被劃分為三個年齡組：17–25歲（年輕）、26–45歲（中年）和46歲及以上（年長）。這種分類便于考察AI工具使用和批判性思維技能方面與年齡相關的差異。

3.3. 定量數(shù)據(jù)/調(diào)查工具

一份由23個問題組成的結(jié)構(gòu)化問卷被開發(fā)出來，基于經(jīng)過驗證的量表和現(xiàn)有文獻，以測量AI工具使用、認知卸載和批判性思維技能。該調(diào)查包含了來自既有工具的項目，如哈爾彭批判性思維評估（HCTA）[1] 工具和 Terenzini 的批判性思維自我報告測量 [30]。問卷被分為幾個部分：

1. 人口統(tǒng)計學信息：年齡、性別、教育水平和職業(yè)。

2. AI工具使用：使用AI工具進行信息檢索和決策的頻率和依賴程度。

3. 認知卸載：使用數(shù)字設備進行記憶和問題解決任務的情況。

4. 批判性思維：自我報告和評估的批判性思維技能。

大多數(shù)項目采用6級李克特量表（1 = 從不/非常不同意 至 6 = 總是/非常同意），提供適合參數(shù)統(tǒng)計分析的序數(shù)數(shù)據(jù) [34]。完整問卷見附錄A以供進一步參考。

其中：

Z 為 Z 分數(shù)（95% 置信水平下為 1.96）；
p 為總體的估計比例（設為 0.5 以最大化變異性）；
E 為誤差幅度（5% 時為 0.05）。

計算所得所需樣本量為 384 名參與者。鑒于本研究的實際樣本量為 666，超過了所需數(shù)量，確保了樣本具有統(tǒng)計相關性且足以得出可靠結(jié)論。

3.4. 定性數(shù)據(jù)/訪談

對 50 名參與者的子樣本進行了半結(jié)構(gòu)化訪談，以更深入地了解關于 AI 工具使用和批判性思維的體驗和看法。訪談提綱的設計旨在探索定量調(diào)查中識別的主題，并揭示影響認知卸載和批判性思維的其他背景因素。訪談被逐字轉(zhuǎn)錄，并進行主題分析 [35]。

3.5. 數(shù)據(jù)分析

3.5.1. 定量分析/描述性統(tǒng)計

計算描述性統(tǒng)計量以總結(jié)樣本的人口統(tǒng)計學特征，以及AI工具使用、認知卸載和批判性思維得分的集中趨勢和變異。

統(tǒng)計分析采用根據(jù)研究問題和數(shù)據(jù)特征量身定制的適當方法進行。采用方差分析（ANOVA）來比較不同AI工具使用水平下的批判性思維得分，從而能夠評估與年齡、教育水平和職業(yè)相關的主效應。ANOVA在此背景下對于識別組間顯著差異尤為有用[36]。

隨機森林回歸作為一種先進的機器學習技術被納入，以評估預測變量之間的非線性關系和特征重要性。選擇該方法是為了補充傳統(tǒng)回歸分析，提供一種穩(wěn)健的變量選擇和模型可解釋性方法。隨機森林回歸方法及其結(jié)果將在第4.5節(jié)中詳述，屆時將進一步討論其對理解批判性思維預測因素的貢獻。

計算皮爾遜相關系數(shù)以檢驗AI工具使用、認知卸載和批判性思維技能之間關系的強度和方向。該分析提供了對這些變量之間線性關聯(lián)的洞察[37]。

此外，采用多元回歸分析來確定AI工具使用對批判性思維技能的預測力，同時控制人口統(tǒng)計學變量。該方法允許評估每個預測變量的獨特貢獻，從而增強對AI工具使用與批判性思維之間動態(tài)關系的理解[38]。

3.5.2. 定性分析/主題分析

對訪談文本進行主題分析，以識別與AI工具使用、認知卸載和批判性思維相關的重復主題和模式。遵循Braun和Clarke [35]的六階段框架，包括熟悉數(shù)據(jù)、生成初始編碼、搜索主題、審查主題、定義和命名主題以及撰寫報告。該方法非常適合識別和解釋定性數(shù)據(jù)中的意義模式。

主題分析按照Braun和Clarke的六階段框架進行，以分析從參與者回答中收集的定性數(shù)據(jù)。這些階段的操作化如下：

1. 熟悉數(shù)據(jù)：所有定性回答被逐字轉(zhuǎn)錄，反復閱讀，并做初步筆記以識別模式和重復主題。

2. 生成初始編碼：使用Excel對數(shù)據(jù)的關鍵特征進行系統(tǒng)編碼，生成一份全面的編碼列表。

3. 搜索主題：相關編碼被歸類為潛在主題，以反映數(shù)據(jù)中的總體模式，如“AI依賴”、“認知參與”和“倫理關切”。

4. 審查主題：對主題進行細化和驗證，對照數(shù)據(jù)集確保其相關性和一致性，消除重疊和冗余。

5. 定義和命名主題：對主題進行清晰定義以確保其獨特性，并與研究目標保持一致。

6. 撰寫報告：最終主題使用具有代表性的參與者引文加以說明，并與研究問題相關聯(lián)，以提供全面的敘述。

為確保研究結(jié)果的有效性和可靠性，采用了若干策略：

1. 三角驗證：定量和定性數(shù)據(jù)的結(jié)合使用允許對研究結(jié)果進行交叉驗證，增強研究的可信度[39]。

2. 試點測試：調(diào)查工具在小型樣本（50名參與者）中進行了試點，以完善問題并確保清晰度。

3. 成員核查：參與者有機會審查和評論其訪談文本，確保表述的準確性。

3.6. 倫理考量

本研究的倫理批準來自相關機構(gòu)倫理委員會。參與者提供了知情同意，所有數(shù)據(jù)均經(jīng)過匿名化處理以保護保密性。本研究遵守了英國心理學會[40]所概述的倫理指南。

4. 結(jié)果

本研究調(diào)查了AI工具使用對批判性思維的影響，將認知卸載視為潛在的中介因素。分析涵蓋描述性統(tǒng)計、方差分析、相關分析、多元回歸和隨機森林回歸。

4.1. 描述性統(tǒng)計

數(shù)據(jù)集包含666份回答，詳述了AI工具使用、認知卸載傾向和批判性思維得分。年輕參與者（17–25歲）表現(xiàn)出更高的AI工具使用和認知卸載，但批判性思維得分較低。相比之下，年長參與者（46歲及以上）表現(xiàn)出較低的AI工具使用和認知卸載，且批判性思維得分較高。表1提供了數(shù)據(jù)集驗證的摘要，包括每個變量的有效和缺失回答數(shù)量，以及分配給分類變量（如年齡、性別和教育水平）的數(shù)值代碼范圍。這確保了數(shù)據(jù)集完整且可進行進一步的統(tǒng)計分析。表2呈現(xiàn)了本研究中使用的分類變量的概述，包括年齡、性別、教育水平、職業(yè)和深度思維活動。變量代碼和詳細描述見附錄A以供參考。

4.2. 方差分析

表3呈現(xiàn)了檢驗AI工具使用水平與批判性思維得分之間關系的方差分析結(jié)果。分析顯示出一個高度顯著的主效應，表明對AI工具依賴的增加與批判性思維能力的降低相關聯(lián)。這些發(fā)現(xiàn)與認知卸載理論一致，即分析任務的自動化減少了對獨立推理的需求。殘差方差表明其他因素（如教育背景和認知參與）對批判性思維的影響。這強調(diào)了需要制定策略，以平衡AI整合的益處與獨立分析技能的發(fā)展，特別是在教育和組織環(huán)境中。

表4呈現(xiàn)了檢驗人口統(tǒng)計學變量對深度思維活動影響的方差分析結(jié)果。教育水平、年齡和職業(yè)被發(fā)現(xiàn)具有顯著影響，突顯了它們在塑造認知參與中的關鍵作用。具有高等教育水平的參與者和擔任管理職務的參與者表現(xiàn)出更高水平的深度思維，很可能是因為他們有更多機會接觸認知要求較高的任務。相反，性別對深度思維活動沒有顯著影響，表明其他因素可能發(fā)揮更突出的作用。這些發(fā)現(xiàn)強調(diào)了人口統(tǒng)計學變量與認知參與之間的相互作用，為旨在培養(yǎng)批判性思維的教育和職業(yè)策略提供了可操作的見解。

深入分析顯示，深度思維活動在教育水平、年齡和職業(yè)方面存在顯著差異。事后比較表明，具有高級學位的個體和年長年齡組的個體參與了顯著更多的深度思維活動。這些發(fā)現(xiàn)表明教育和生活經(jīng)驗在促進認知參與方面發(fā)揮著關鍵作用。

4.3. 相關分析

相關分析突顯了AI工具使用與批判性思維變量之間的強負相關（例如，評估來源：?0.494）。教育水平、深度思維活動和批判性思維得分之間發(fā)現(xiàn)正相關（表5）。

相關分析（表5）揭示了研究變量之間的關鍵關系：

• AI工具使用與批判性思維：存在強負相關，表明AI工具使用的增加與較低的批判性思維技能相關聯(lián)。

• AI工具使用與認知卸載：存在強正相關，表明更高的AI使用導致更大的認知卸載。

• 認知卸載與批判性思維：同樣，存在強負相關，表明隨著認知卸載的增加，批判性思維下降。

這些模式突顯了AI工具使用對認知的影響，特別是依賴AI工具如何通過促進認知卸載來降低批判性思維。

關鍵變量，即AI工具使用、認知卸載和批判性思維之間的關系，總結(jié)于表6。這些相關性為依賴AI工具如何影響認知過程和批判性思維能力提供了關鍵的見解。

這些發(fā)現(xiàn)為AI工具使用的認知影響提供了有力的證據(jù)。從理論角度來看，所觀察到的強相關性表明，對AI工具的依賴形成了一個反饋循環(huán)，其中認知卸載的增加加劇了批判性思維能力的下降。從實踐角度來看，這些結(jié)果突顯了平衡AI整合與維持和發(fā)展批判性思維技能策略的重要性。教育項目和職場培訓應側(cè)重于通過鼓勵促進深度思維和分析性推理的活動來培養(yǎng)認知韌性。表5中呈現(xiàn)的見解對于尋求負責任地實施AI的組織和教育者尤為相關。雖然AI工具的益處不可否認，但與認知卸載及其對批判性思維影響相關的風險不容忽視。在利用AI與維持人類認知參與之間取得平衡，對于減輕AI依賴的長期認知后果至關重要。

4.4. 多元回歸

例如，諸如“AI工具使用頻率”和“認知卸載傾向”等預測變量直接對應于調(diào)查中旨在評估參與者在多大程度上依賴AI工具處理常規(guī)和復雜任務的問題。這些變量對于理解參與者如何在自身與AI系統(tǒng)之間分配認知任務至關重要，這一概念得到了交互記憶理論的支持[5]。

此外，“批判性思維參與”對應于測量參與者參與需要分析、評估和推理的活動的程度的問題。這與Jonassen[16]關于反思性思維在問題解決和決策中作用的強調(diào)相一致。諸如“教育水平”和“深度思維活動頻率”等變量也被納入，因為它們被公認是認知參與和批判性思維的預測因素，正如先前研究所強調(diào)的那樣，這些研究將教育程度和智力參與與批判性推理技能聯(lián)系起來[41,42]。選擇這些預測變量的理由也進一步基于文獻。例如，Carr[4]強調(diào)了過度依賴數(shù)字工具的潛在認知影響，這與納入測量對AI工具依賴程度的預測變量相一致。類似地，與“決策依賴AI”和“AI節(jié)省時間”相關的變量反映了參與者在多大程度上將認知任務卸載給AI，正如Pasquale[20]關于“黑箱”問題及其對用戶參與影響的討論所暗示的那樣。

表6中的每個預測變量都提供了對研究問題特定方面的見解，為AI工具如何影響認知卸載和批判性思維提供了全面的視角。這些預測變量不僅具有理論基礎，而且通過問卷中明確界定的問題進行了實證測量。

4.5. 隨機森林回歸

隨機森林回歸模型中的特征重要性圖（圖1）展示了每個變量在預測結(jié)果變量——在本研究中即批判性思維得分——方面的貢獻程度。在本研究的背景下：

AI工具使用是最突出的預測因素，意味著它對模型預測批判性思維得分的能力具有最大的影響。這與本研究的發(fā)現(xiàn)一致，即更高的AI使用與較低的批判性思維能力密切相關。

認知卸載也顯示出高重要性，表明它顯著影響批判性思維，這與將認知任務卸載給AI工具會減少批判性思維參與的觀點一致。

教育水平和深度思維活動具有中等重要性，表明雖然它們確實影響批判性思維，但其影響相較于AI工具使用和認知卸載而言不那么顯著。

該圖強調(diào)了AI工具使用和認知卸載作為模型中關鍵因素的主導地位，強化了本研究的結(jié)論，即對AI工具的依賴可能對批判性思維產(chǎn)生負面影響。

圖1呈現(xiàn)了隨機森林回歸分析得出的特征重要性圖，展示了每個變量對預測批判性思維得分的相對貢獻。所包含的變量有：

• AI工具使用：捕捉參與者在日常活動中使用AI工具的頻率及對其的依賴程度。

• 教育水平：指示參與者獲得的最高教育程度，范圍從高中到博士水平。

• 深度思維活動：反映參與者參與認知要求較高的活動（如問題解決和反思性思維）的程度，按從“從不”到“總是”的量表進行評分。

• AI決策依賴：衡量參與者在決策過程中依賴AI工具的程度。

• AI節(jié)省時間：評估參與者對AI工具所提供的節(jié)省時間益處的感知。

• AI工具使用 * 教育交互：代表AI工具使用與教育水平之間的交互效應，突顯教育如何調(diào)節(jié)AI使用對批判性思維的影響。

圖1中所描繪的變量與隨機森林回歸中分析的預測變量一致，提供了對AI工具、認知參與和批判性思維能力之間關系的見解。重要性得分量化了每個變量的預測能力，使我們能夠確定進一步調(diào)查和干預的優(yōu)先領域。

圖1以可視方式總結(jié)了隨機森林回歸分析得出的關鍵關系。變量“AI工具使用”代表與AI技術互動的頻率，而“教育水平”和“深度思維活動”分別捕捉人口統(tǒng)計學因素和認知參與因素。這些變量之所以被選中，是因為通過統(tǒng)計分析發(fā)現(xiàn)它們對批判性思維具有顯著影響。該圖突顯了交互效應，例如教育水平對AI工具使用影響的調(diào)節(jié)作用，以及這些關系如何塑造深度思維活動。諸如“AI決策依賴”和“AI節(jié)省時間”等預測變量被納入，以說明AI參與的具體維度如何影響認知結(jié)果。圖中的每個節(jié)點對應于數(shù)據(jù)集中的一個變量，箭頭表示影響的方向和顯著性。

隨機森林回歸模型中的殘差分布（圖2）顯示了觀測（實際）值與模型生成的預測值之間的差異。理想情況下，殘差應圍繞零呈正態(tài)分布，表明模型的預測在平均意義上是準確的，并且模型中不存在系統(tǒng)性誤差。在本研究中，殘差的分布表明隨機森林模型提供了良好的擬合，大多數(shù)殘差聚集在零附近。殘差的正態(tài)分布意味著模型不會一貫地高估或低估批判性思維得分，支持了模型預測的可靠性。

圖3比較了參與者的實際批判性思維得分與隨機森林回歸模型預測的得分。理想情況下，點應緊鄰一條對角線分布，在該對角線上實際值等于預測值。在本研究中，該圖顯示實際得分與預測得分之間具有相對較強的一致性，表明模型準確捕捉了AI工具使用、認知卸載和批判性思維之間的關系。點與對角線的接近程度證實了模型基于輸入變量預測批判性思維的有效性。然而，任何偏離該線的明顯偏差可能突顯模型預測不夠準確的區(qū)域，暗示需要進一步改進的潛在方面。

選擇隨機森林回歸作為分析方法，是因為其在處理復雜的非線性關系方面具有穩(wěn)健性，并且能夠有效評估特征重要性。與假設預測變量與結(jié)果變量之間呈線性關系的傳統(tǒng)回歸方法不同，隨機森林提供了一種靈活的非參數(shù)方法。這使得能夠更細致地理解變量之間的關系，特別是在可能存在交互作用和非線性效應的情境中。選擇隨機森林回歸的動機是需要補充前面呈現(xiàn)的多元回歸分析。雖然多元回歸識別預測變量的整體貢獻，但隨機森林在預測批判性思維得分方面為每個變量的相對重要性提供了獨特的見解。該方法還降低了多重共線性的風險，因為它不依賴傳統(tǒng)的參數(shù)假設。隨機森林回歸的特征重要性分析突顯了AI工具使用和認知卸載在預測批判性思維結(jié)果中的重要作用。通過量化每個變量的貢獻，該方法提供了可操作的見解，說明哪些因素值得針對性干預。例如，分析強調(diào)了AI工具和認知卸載的主導影響，強化了本研究關于這些技術認知影響的發(fā)現(xiàn)。

在隨機森林回歸中使用交叉驗證進一步增強了結(jié)果的可靠性，確保模型的預測能夠很好地泛化到未見數(shù)據(jù)。此外，殘差分析證實了模型擬合的充分性，殘差聚集在零附近，表明預測中的偏差最小。這種穩(wěn)健的模型表現(xiàn)強調(diào)了隨機森林回歸所得發(fā)現(xiàn)的有效性。

4.6. 置換檢驗

這些分析共同表明，高頻率的AI工具使用對批判性思維產(chǎn)生負面影響，這一影響主要通過認知卸載起中介作用。這些發(fā)現(xiàn)表明，在日益依賴AI工具的背景下，需要采取教育干預措施來促進批判性思維技能。

4.7. 訪談結(jié)果

通過50次半結(jié)構(gòu)化訪談收集的定性數(shù)據(jù)提供了豐富的見解，支持并詳細闡述了定量分析的結(jié)果。來自不同年齡群體和教育背景的參與者討論了他們在AI工具使用、認知卸載及其對批判性思維能力影響方面的體驗。

定性數(shù)據(jù)使用Braun和Clarke的六階段主題分析框架進行分析。該方法揭示了三個主導主題（表10）：AI依賴、認知參與和倫理關切。這些主題為參與者對AI工具的體驗提供了豐富的背景化見解，補充了定量研究發(fā)現(xiàn)。

AI依賴

參與者頻繁報告了對AI工具在常規(guī)和認知任務方面的高度依賴。例如，一位參與者指出：“我用AI做所有事情，從日程安排到信息查找。它已經(jīng)成為我思維方式的一部分。”這一主題與認知卸載的定量發(fā)現(xiàn)相一致，突顯了AI工具如何充當認知的替代品而非補充品。

• 認知參與

幾位參與者表達了對從事獨立認知任務機會減少的擔憂。一位參與者評論道：“我使用AI越多，就越覺得不需要自己解決問題。就好像我正在失去批判性思考的能力。”這一主題強化了定量觀察結(jié)果，即AI工具使用的增加與批判性思維技能的降低相關聯(lián)。

• 倫理關切

參與者對AI建議的透明度和偏見提出了擔憂。例如，一位參與者表示：“我有時懷疑AI是否在微妙地推動我做出我通常不會做的決定。”這些擔憂凸顯了AI依賴的潛在倫理影響，補充了表明認知參與減少的定量結(jié)果。

4.7.1. AI工具使用與認知卸載

許多受訪者，特別是年輕年齡組（17-25歲）的受訪者，表達了對AI工具在從簡單信息檢索到更復雜決策過程等各種任務中的嚴重依賴。他們描述了AI工具（如虛擬助手和搜索引擎）如何已成為他們?nèi)粘Ｉ畹慕M成部分。一個反復出現(xiàn)的主題是這些工具所提供的便利和速度，這往往導致認知卸載。參與者承認，他們常常依賴AI來記憶信息、解決問題或做出決策，而不是參與更深層的認知過程。

一位中年參與者指出：“我發(fā)現(xiàn)自己幾乎在所有事情上都使用AI工具——無論是找餐廳還是在工作中快速做決策。它節(jié)省時間，但我確實懷疑自己是否正在失去像過去那樣徹底思考問題的能力”（P398）。

年長參與者（46歲及以上）報告了對AI工具的較低依賴，與定量發(fā)現(xiàn)一致。他們描述了對傳統(tǒng)問題解決和信息收集方法的偏好，認為這些方法能保持他們的認知技能更為敏銳。一位年長參與者評論道：“我仍然更喜歡閱讀多種來源，并對收集到的信息進行批判性思考。我對過度依賴AI持謹慎態(tài)度，因為我不想失去獨立分析和決策的能力”（P517）。例如，一位參與者表示：“AI工具幫助我快速完成任務，但我覺得自己過于依賴它們來進行深度思考”（P3）。另一位參與者表示：“我很少反思AI推薦背后的偏見；我傾向于完全信任它們”（P7）。

4.7.2. 批判性思維與教育背景

訪談還揭示，具有更高教育程度的參與者更了解依賴AI工具的潛在弊端。這些個體更傾向于交叉核對AI提供的信息，并對AI生成的內(nèi)容進行批判性評估。這與定量結(jié)果一致，顯示教育水平與批判性思維得分之間存在正相關。

一位擁有博士學位的參與者分享道：“雖然我經(jīng)常使用AI工具，但我總是確保批判性地評估所接收的信息。我的教育教會了我不能僅憑表面價值接受事物的重要性，尤其是在AI方面，它有時可能提供有偏見或不完整的信息”（P601）。

教育程度較低的參與者表達了對其依賴AI工具的顯著擔憂。一位參與者指出：“我使用AI是因為它簡化了一切，但我有時覺得自己正在失去自己的問題解決能力”（P221，高中畢業(yè)生）。另一位參與者表示：“我在使用AI時并不真正進行批判性思考；我只是遵循它的建議”（P607，部分大學教育）。這些回應強調(diào)了依賴AI工具可能對那些教育程度較低者產(chǎn)生不成比例的影響，因為他們可能缺乏批判性思維訓練來有效審視AI輸出。

4.7.3. 對認知技能的感知影響

在所有年齡組中，對AI工具對認知技能的長期影響存在共同的擔憂。參與者表達了一種信念，即他們對AI的依賴可能正在削弱其獨立批判性思維和問題解決的能力。年輕參與者尤其反思了通過AI工具輕松獲取信息可能使他們不太傾向于參與深度思考。

一位年輕參與者評論道：“能如此便捷地獲取所有這些信息固然很好，但我有時擔心自己并沒有真正學到或記住任何東西。我太依賴AI了，我想如果沒有它，我都不知道如何解決某些問題”（P411）。

然而，一些參與者也強調(diào)了AI的積極方面，例如提高效率以及快速處理日常任務的能力，從而釋放心理資源用于更復雜的認知活動。

教育水平較高的參與者對AI輸出表現(xiàn)出更大的懷疑態(tài)度。一位參與者評論道：“我總是交叉核對AI的建議，因為我知道它并不總是準確的”（P309，碩士學歷）。

相反，一位教育水平較低的參與者指出：“我沒有時間也沒有技能去核實AI所說的內(nèi)容；我只是信任它”（P229，高中畢業(yè)生）。這種對比突顯了教育水平如何調(diào)節(jié)批判性評估AI提供信息的能力。

4.8. 對定量研究的總體支持

訪談結(jié)果證實了定量結(jié)果，強化了以下結(jié)論：嚴重依賴AI工具與批判性思維降低和認知卸載增加相關聯(lián)。參與者對其經(jīng)歷的反思為調(diào)查數(shù)據(jù)中觀察到的統(tǒng)計相關性提供了定性深度，確認了本研究的關鍵發(fā)現(xiàn)，并突顯了這些認知轉(zhuǎn)變在現(xiàn)實世界中的影響。定性和定量數(shù)據(jù)之間的一致性增強了總體論證。它強調(diào)了需要采取教育和社會干預措施來應對AI工具使用所帶來的認知挑戰(zhàn)。

5. 討論

本研究調(diào)查了AI工具使用對批判性思維技能的影響，特別關注認知卸載作為潛在中介變量。研究采用了多種方法，包括方差分析、相關分析、多元回歸和隨機森林回歸，以分析從多樣化樣本參與者收集的數(shù)據(jù)。關鍵發(fā)現(xiàn)表明，較高的AI工具使用與降低的批判性思維技能相關聯(lián)，且認知卸載在這一關系中起著重要作用。

我們的發(fā)現(xiàn)與先前的研究一致，表明過度依賴AI工具可能對批判性思維技能產(chǎn)生負面影響。Firth等人[24]和Zhang等人[43]都強調(diào)了AI工具在增強基本技能習得方面的潛力，同時可能削弱更深層次的認知參與。我們的研究通過定量方式擴展了這一點，證明AI工具使用的增加與批判性思維得分的降低相關聯(lián)，后者通過諸如哈爾彭批判性思維評估（HCTA）工具等綜合評估進行測量。

Halpern[1]的工作強調(diào)了批判性思維在教育和專業(yè)背景中的重要性，我們的結(jié)果支持了依賴AI工具可能抑制這些關鍵技能發(fā)展的觀點。在我們的研究中觀察到的AI使用與批判性思維之間的負相關與Halpern關于過度依賴技術進行認知任務的擔憂一致。此外，我們的結(jié)果與Gerlich[44]關于虛擬影響者研究的見解產(chǎn)生共鳴。該研究強調(diào)了AI驅(qū)動的虛擬影響者如何塑造消費者行為和決策過程，可能減少獨立批判性評估的需求。對AI生成內(nèi)容的依賴可能削弱用戶的批判性思維能力，因為他們可能在沒有徹底審視的情況下接受信息和建議。虛擬影響者作為可信信息來源的現(xiàn)象，與我們研究中參與者對AI工具所展現(xiàn)的信任相呼應，導致了批判性參與的減少。Gerlich[18]提供了關于對AI工具的信任如何影響認知卸載和決策的寶貴見解。研究結(jié)果表明，隨著用戶對AI發(fā)展出更大的信任，他們更可能將認知任務委托給這些工具，這與我們觀察到的認知卸載增加導致批判性思維降低相一致。這種信任造成了對AI處理日常認知任務的依賴，從而減少了個體深入處理其所處理信息的必要性。對AI工具信任的增加導致更大的認知卸載，進而降低批判性思維技能。這一循環(huán)因虛擬影響者的角色而加劇，他們通過充當可信信息來源進一步強化了對AI生成內(nèi)容的依賴。

5.1. 認知卸載的作用

認知卸載在AI工具使用與批判性思維之間關系中起中介作用，是本研究的創(chuàng)新貢獻之一。Risko和Gilbert [6]所描述的認知卸載，涉及將認知任務委托給外部工具，從而減輕個體的認知負荷。我們的發(fā)現(xiàn)表明，認知卸載顯著中介了AI使用與批判性思維之間的關系，暗示認知負荷的降低可能導致認知參與和批判性分析機會的減少。這與Carr [4]在《淺薄》一書中的論點一致，該論點認為技術可以創(chuàng)造認知捷徑，從而減少深度思考的需求。這些發(fā)現(xiàn)也與Sparrow、Liu和Wegner [5]的“谷歌效應”概念產(chǎn)生共鳴，即通過技術便捷獲取信息導致記憶保留和獨立問題解決能力的下降。Gerlich [7]的發(fā)現(xiàn)表明，對AI工具信任的增加與更高的認知卸載相關，從而支持了我們的中介分析結(jié)果。該研究強調(diào)，信任AI工具的用戶更可能依賴它們進行決策，從而減少其對批判性思維過程的參與。這種由AI工具的感知可靠性和便利性所培養(yǎng)的信任，促進了一種認知依賴，削弱了主動認知努力的需求。

5.2. 教育啟示

我們研究的結(jié)果對教育環(huán)境具有重大意義，特別是在AI工具融入課堂方面。雖然AI工具提供個性化學習和高效的信息檢索，但教育者必須警惕其潛在弊端。文獻表明，當適當使用時，AI可以增強學習成果[2,3]。然而，我們的發(fā)現(xiàn)突顯了平衡AI使用與促進批判性思維和認知參與的活動的必要性。Freeman等人[45]和Deslauriers等人[46]提倡將學生積極參與學習過程的主動學習策略。我們的結(jié)果支持這一方法，表明通過主動參與減少認知卸載可以減輕AI工具對批判性思維的負面影響。因此，教育干預應整合批判性思維練習，并營造鼓勵學生深入?yún)⑴c內(nèi)容而非被動依賴AI工具的環(huán)境。這里得出的啟示與Gerlich [44]的發(fā)現(xiàn)一致，該發(fā)現(xiàn)強調(diào)了媒體素養(yǎng)教育的必要性，以幫助用戶批判性地評估AI生成的內(nèi)容。納入此類教育策略可以通過促進更主動和參與的認知過程，幫助減輕AI對批判性思維的潛在負面影響。這種整合表明，雖然AI可以作為增強學習某些方面的寶貴工具，但保持促進認知參與和批判性分析的平衡方法至關重要。

5.3. 假設評估

假設1：更高的AI工具使用與降低的批判性思維技能相關。

研究結(jié)果證實了這一假設。相關分析和多元回歸結(jié)果表明，AI工具使用與批判性思維技能之間存在顯著的負相關關系。報告AI工具使用頻率更高的參與者在批判性思維評估中始終表現(xiàn)出較低的得分。

假設2：認知卸載在AI工具使用與批判性思維技能之間起中介作用。

該假設也得到證實。中介分析表明，認知卸載顯著中介了AI工具使用與批判性思維之間的關系。因AI工具使用而參與更高水平認知卸載的參與者表現(xiàn)出較低的批判性思維技能，表明AI工具帶來的認知負荷減少對批判性思維發(fā)展產(chǎn)生了不利影響。

5.4. 對實踐和政策的啟示

研究結(jié)果提出了若干實踐和政策方面的啟示。教育者和政策制定者應促進在教育環(huán)境中對AI的平衡整合，確保AI工具補充而非取代認知任務。強調(diào)主動學習策略和批判性思維練習可以幫助減輕認知卸載的負面影響，并支持基本認知技能的發(fā)展。教師培訓項目應包括關于有效整合AI工具同時保持認知參與的組成部分。此外，應強調(diào)發(fā)展學生的元認知技能，以幫助他們意識到何時以及如何適當?shù)厥褂肁I工具，而不損害其認知發(fā)展。

6. 結(jié)論

本研究的結(jié)果闡明了AI工具使用、認知卸載與批判性思維之間復雜的相互作用。隨著AI工具日益融入日常生活，它們對基本認知技能的影響值得仔細審視。我們的研究表明，頻繁使用AI工具與批判性思維能力之間存在顯著的負相關，且這一關系由認知卸載現(xiàn)象所中介。這表明，雖然AI工具在效率和可及性方面提供了不可否認的益處，但它們可能在無意中削弱用戶參與深度、反思性思維過程。表現(xiàn)出更高AI工具依賴性的年輕參與者，其批判性思維得分低于年長參與者。這一趨勢強調(diào)了教育干預的必要性，以促進對AI技術的批判性參與，確保這些工具所提供的便利不以犧牲基本認知技能為代價。更高的教育程度與更好的批判性思維技能相關，突顯了教育在減輕AI工具使用潛在不利影響方面的作用。這些見解為關于AI認知影響的日益增長的討論做出了貢獻，表明教育者、政策制定者和技術專家必須協(xié)同合作，營造既能平衡AI益處又能發(fā)展批判性思維的環(huán)境。未來的研究應探索以增強而非阻礙認知參與的方式整合AI工具的策略，確保下一代具備在日益復雜的數(shù)字環(huán)境中導航所需的技能。

本研究的局限性包括依賴自我報告測量以及可能存在樣本偏差。盡管如此，研究結(jié)果為關于AI認知影響的持續(xù)研究和對話提供了有力的依據(jù)。通過理解和應對這些挑戰(zhàn)，我們可以更好地利用AI的力量來支持而非取代人類智力。

本研究的發(fā)現(xiàn)為未來研究開辟了若干途徑。一個潛在方向是調(diào)查AI工具使用對批判性思維技能的長期縱向影響。這可能涉及追蹤個體多年來的認知發(fā)展和AI工具使用模式，以全面理解長期影響。另一個有前景的研究領域是探索特定類型的AI工具及其對不同認知過程的獨特影響。例如，考察推薦算法、虛擬助手或智能輔導系統(tǒng)的使用是否對批判性思維和認知卸載產(chǎn)生不同影響，可以提供細致入微的見解。操縱AI工具使用水平并測量批判性思維表現(xiàn)相應變化的實驗研究，可以為這些變量之間的關系提供因果證據(jù)。這些實驗還可以測試旨在減輕AI工具依賴負面影響的干預措施，如強調(diào)批判性思維技能的教育項目或有效使用AI工具的培訓。跨文化研究也可能具有價值，因為它們將允許考察文化背景如何影響AI工具使用與批判性思維之間的關系。理解這些文化差異可以為制定適合不同人群且具有文化敏感性的定制化教育干預措施提供信息。調(diào)查個體差異（如人格特質(zhì)或認知風格）在調(diào)節(jié)AI工具使用對批判性思維影響中的作用，可以更深入地了解為什么某些人比其他人更容易受到認知卸載的影響。這一研究方向有助于識別高風險群體，并制定針對性的策略來支持他們。

原文鏈接：https://www.researchgate.net/publication/387701784_AI_Tools_in_Society_Impacts_on_Cognitive_Offloading_and_the_Future_of_Critical_Thinking