Cognitive offloading and the speedup illusion in human-AI interaction

तकनीकी सारांश: मानव-AI अंतःक्रिया में संज्ञानात्मक ऑफलोडिंग और स्पीडअप भ्रम (Speedup Illusion)

समस्या विवरण
लार्ज लैंग्वेज मॉडल्स (LLMs) को कार्य पूरा करने की गति बढ़ाकर मानव उत्पादकता बढ़ाने वाले उपकरणों के रूप में तेजी से देखा जा रहा है। हालांकि, इस बात को समझने में एक महत्वपूर्ण अंतर मौजूद है कि क्या उपयोगकर्ता AI द्वारा प्रदान किए जाने वाले समय की बचत का सटीक अनुमान लगाने में सक्षम हैं। जबकि रिसोर्स-रेशनल सिद्धांत (resource-rational theories) सुझाव देते हैं कि मनुष्य तब संज्ञानात्मक ऑफलोडिंग करते हैं जब आंतरिक लागत बाहरी टूल की लागत से अधिक हो जाती है, यह निर्णय स्वयं और टूल की क्षमताओं के सटीक मानसिक मॉडल पर निर्भर करता है। लेखक एक "असममित गलत अंशांकन" (asymmetric miscalibration) का परिकल्पना करते हैं: उपयोगकर्ताओं के पास अपने स्वतंत्र पूर्णता समय का सटीक मेटाकॉग्निटिव मॉनिटरिंग होता है, लेकिन उनके पास LLMs की आंतरिक कार्यप्रणाली तक विशेषाधिकार प्राप्त पहुंच नहीं होती है, जिससे AI-सहायता प्राप्त पूर्णता समय का व्यवस्थित रूप से कम अनुमान लगाया जाता है। यह घटना, जिसे "स्पीडअप इल्यूजन" (गति वृद्धि का भ्रम) कहा गया है, यह सुझाव देती है कि उपयोगकर्ता दक्षता लाभों का अतिरंजित अनुमान लगा सकते हैं, विशेष रूप से सरल संज्ञानात्मक कार्यों पर जहाँ AI सहायता वास्तव में समय बचाने में सक्षम नहीं हो सकती है।

कार्यप्रणाली
लेखकों ने कैरीओवर पूर्वाग्रहों (carryover biases) को कम करने के लिए एक बिटवीन-सब्जेक्ट डिज़ाइन (between-subject design) का उपयोग करके एक प्री-रजिस्टर्ड, बड़े पैमाने पर व्यवहार संबंधी अध्ययन ($N = 1,237$) आयोजित किया। अध्ययन में दो अलग-अलग नमूने शामिल थे:

1. अनुमान नमूना (Prediction Sample) ($N=401$): प्रतिभागियों ने तीन काल्पनिक स्थितियों के तहत 24 कार्यों के लिए पूर्णता समय का अनुमान लगाया: स्वतंत्र पूर्णता, AI सहायता (GPT-4o), और एक अन्य उच्च बुद्धिमान मानव से सहायता। उन्होंने अपनी पसंदीदा पूर्णता पद्धति का भी संकेत दिया।
2. पूर्णता नमूना (Completion Sample) ($N=836$): प्रतिभागियों ने वास्तव में उन्हीं 24 कार्यों को या तो स्वतंत्र रूप से या AI सहायता के साथ पूरा किया। एक छिपे हुए टाइमर ने वास्तविक पूर्णता समय को रिकॉर्ड किया, और NASA-TLX स्केल ने व्यक्तिपरक संज्ञानात्मक प्रयास (subjective cognitive effort) को मापा।

कार्य निर्माण (Task Construction)
24 कार्यों को LLM उपयोग के वर्गीकरण के आधार पर चार संज्ञानात्मक डोमेन में वर्गीकृत किया गया था:

• C1: सूचना की खोज (Information Seeking)
• C2: सूचना प्रसंस्करण और संश्लेषण (Information Processing & Synthesis)
• C3: प्रक्रियात्मक मार्गदर्शन और निष्पादन (Procedural Guidance & Execution)
• C4: सामग्री निर्माण और रूपांतरण (Content Creation & Transformation)
  प्रत्येक श्रेणी में दो कठिनाई स्तरों (जैसे, एक तथ्य खोजने बनाम दस तथ्य खोजने) को कवर करते हुए छह कार्य शामिल थे। विश्लेषण केवल उच्च-गुणवत्ता वाले, सही उत्तरों पर केंद्रित था ताकि वैध समय और प्रयास माप सुनिश्चित किया जा सके।

मुख्य परिणाम

1. स्पीडअप इल्यूजन (Speedup Illusion): प्रतिभागियों ने AI-सहायता प्राप्त कार्यों के लिए आवश्यक समय का काफी कम अनुमान लगाया। जबकि स्वतंत्र पूर्णता समय का सटीक अनुमान लगाया गया था, AI-सहायता प्राप्त कार्यों का वास्तविक समय अनुमानित समय से लगभग 57.8 सेकंड अधिक था। यह गलत अंशांकन (miscalibration) सभी कार्य श्रेणियों और कठिनाई स्तरों में बना रहा।
2. अंशांकन में विषमता (Asymmetry in Calibration): इसके विपरीत, AI स्थिति के मुकाबले, स्वतंत्र पूर्णता के लिए अनुमानित और वास्तविक समय के बीच कोई महत्वपूर्ण अंतर नहीं था, जो सटीक आत्म-अंशांकन (self-calibration) को दर्शाता है।
3. कार्य की कठिनाई और दक्षता: AI सहायता केवल कठिन कार्यों के लिए ही तेज़ पूर्णता समय में परिणामी रही (लगभग 26 सेकंड की बचत), न कि आसान कार्यों के लिए। आसान कार्यों के लिए, स्वतंत्र और AI-सहायता प्राप्त पूर्णता समय सांख्यिकीय रूप से समान थे।
4. समय और प्रयास का विच्छेदन (Dissociation of Time and Effort): एक महत्वपूर्ण निष्कर्ष समय और व्यक्तिपरक प्रयास के बीच का अलगाव है। जबकि AI सहायता ने लगातार पूर्णता समय को कम नहीं किया, इसने सभी कार्यों में व्यक्तिपरक मानसिक प्रयास (NASA-TLX स्कोर) को काफी कम कर दिया। प्रतिभागियों को लगा कि प्रक्रिया कम कठिन थी, भले ही इसमें उतना ही समय लगा हो।
5. गलत अंशांकन के भविष्यवक्ता (Predictors of Miscalibration): जिन व्यक्तियों में "निष्ठा हेतु आवश्यकता" (Need for Cognition - सोचने के प्रति अरुचि) कम थी, वे स्पीडअप इल्यूजन के प्रति अधिक संवेदनशील थे, यानी उन्हें विश्वास था कि AI अधिक समय बचाएगा। इसके विपरीत, AI के उपयोग की आवृत्ति और अनुभव ने अंशांकन त्रुटि की मात्रा की भविष्यवाणी नहीं की।
6. प्रॉम्प्टिंग गतिशीलता (Prompting Dynamics): इंटरैक्शन के विश्लेषण से पता चला कि संज्ञानात्मक प्रयास अक्सर प्रॉम्प्ट निर्माण और उत्तर-प्रतिक्रिया प्रसंस्करण (विस्तृत आउटपुट को पढ़ना/समझना) पर खर्च होता है, न कि मॉडल के जनरेशन समय पर। कुछ मामलों में (जैसे, तर्क संबंधी समस्याएँ), AI के आउटपुट को प्रोसेस करने में लगने वाला समय बचाए गए समय से अधिक था, जो उपयोगकर्ता की अपेक्षाओं के विपरीत था।

प्रमुख योगदान

• स्पीडअप इल्यूजन की पहचान: अध्ययन अनुभवजन्य रूप से प्रदर्शित करता है कि उपयोगकर्ता एक पक्षपाती मानसिक मॉडल रखते हैं जहाँ वे उम्मीद करते हैं कि AI कार्यों को तेज कर देगा, भले ही वह ऐसा न करे, विशेष रूप से सरल संज्ञानात्मक कार्यों पर।
• समय-प्रयास विच्छेदन: शोध इस बात पर प्रकाश डालता है कि मानव-AI अंतःक्रिया में दक्षता लाभ केवल समय में कमी से परिभाषित नहीं होते हैं। AI लगातार व्यक्तिपरक प्रयास को कम करता है, जो भले ही समय की बचत न होने पर भी उपयोगकर्ता के व्यवहार को संचालित कर सकता है।
• तंत्र के रूप में अंशांकन (Calibration as a Mechanism): पेपर अंशांकन को केवल एक उपयोगकर्ता कौशल के रूप में नहीं, बल्कि मानव-AI अंतःक्रिया में एक केंद्रीय तंत्र के रूप में प्रस्तुत करता है, जिससे पता चलता है कि अपेक्षा और वास्तविकता के बीच का मिसअलाइनमेंट अपनाने के पैटर्न को संचालित करता है।

महत्व और दावे
लेखक तर्क देते हैं कि "स्पीडअप इल्यूजन" अत्यधिक निर्भरता (overreliance) का जोखिम पैदा करता है। क्योंकि उपयोगकर्ता कम प्रयास को कम समय के साथ जोड़कर देखते हैं, वे कार्यों को AI को सौंप सकते हैं भले ही वह कोई भी अस्थायी लाभ न दे। यह व्यवहार एक नकारात्मक फीडबैक लूप शुरू कर सकता है: गलत अंशांकन AI के उपयोग को प्रोत्साहित करता है, जिससे आगे चलकर और अधिक गलत अंशांकन और संभावित संज्ञानात्मक कौशल ह्रास (cognitive deskilling - स्वतंत्र क्षमता का नुकसान) होता है। पेपर निष्कर्ष निकालता है कि AI उत्पादकता के इर्द-गिर्द के वृत्तांतों को केवल सरल समय मेट्रिक्स से आगे बढ़कर प्रयास के व्यक्तिपरक अनुभव को भी शामिल करना चाहिए। अंशांकन अंतराल को समझना और ठीक करना, अत्यधिक ऑफलोडिंग को रोकने और अधिक संसाधन-तर्कसंगत (resource-rational) मानव-AI सहयोग को बढ़ावा देने के लिए एक आवश्यक हस्तक्षेप के रूप में प्रस्तुत किया गया है।