Thinking Less, Trusting More: GenAI's Impacts on Students' Cognitive Habits

该研究通过对 299 名 STEM 学生的调查分析发现，对生成式 AI 的过度信任与常规使用会显著削弱学生的反思、求知欲及批判性思维等认知参与度，且这种负面影响在技术热情高、风险承受力强及计算机自我效能感高的学生群体中尤为突出，揭示了可能引发认知依赖恶化的“认知债务”循环风险。

要点

这篇论文就像是一份关于**“大脑健身”**的体检报告。它揭示了一个令人担忧的现象：当我们过度依赖生成式人工智能（GenAI，比如 ChatGPT）来写作业时，我们的大脑肌肉正在悄悄“萎缩”。

作者来自俄勒冈州立大学，他们调查了 299 名理工科（STEM）学生，发现了一个有趣的悖论：那些最聪明、最自信、最爱玩科技的学生，反而最容易因为依赖 AI 而变“懒”了。

下面我用几个简单的比喻来拆解这篇论文的核心发现：

1. 核心问题：大脑在“偷懒”

想象一下，你的大脑是一个健身教练。

• 以前（没有 AI）： 遇到难题，教练会逼你举重、流汗、思考。虽然过程很痛苦（这叫“可取的困难”），但这能让你长出肌肉（真正的理解和批判性思维）。
• 现在（有了 AI）： 你发现只要按个按钮，AI 就能直接给你举起重物，甚至帮你把动作做得完美无缺。
• 结果： 你开始觉得“既然 AI 能帮我做，我为什么还要流汗？”于是，你不再思考，不再反思，也不再深究“为什么”。你只是从 AI 给出的选项里挑一个。

论文发现，这种**“信任并习惯性地使用 AI"**，正在让学生们的三种核心“大脑肌肉”退化：

1. 反思能力（Reflection）： 不再问自己“我懂了吗？哪里卡住了？”
2. 求知欲（Need for Understanding）： 不再执着于搞懂原理，只想要个正确答案。
3. 批判性思维（Critical Thinking）： 不再怀疑 AI 说的对不对，直接照单全收。

2. 最大的讽刺：谁最容易“中招”？

通常我们认为，那些**“科技达人”（喜欢新技术、敢于冒险、对自己电脑技术很自信的学生）应该是最能驾驭 AI 的。
但研究结果却像是一个“反转剧”**：

• 这些“科技达人”反而最容易掉进陷阱。
• 因为他们太自信了，觉得“这工具我玩得转”，所以更信任 AI，用得更频繁。
• 因为他们喜欢冒险，所以更愿意把思考的任务直接外包给 AI。
• 比喻： 就像一个赛车手，因为太相信自己的车（AI）性能太好，反而忘了自己怎么开车了。一旦车坏了，他可能连方向盘都握不稳。

相反，那些以前没怎么接触过 AI 的学生，或者学术资历较深的学生，并没有表现出这种“免疫”。经验并没有保护他们，反而可能让他们更依赖这种“捷径”。

3. 后果：陷入“认知债务”循环

论文提出了一个非常精彩的概念：“认知债务”（Cognitive Debt Cycle）。

• 什么是认知债务？ 就像你为了赶时间借了高利贷（用 AI 快速完成作业），当时觉得效率很高，很爽。
• 利息是什么？ 你的大脑肌肉因为缺乏锻炼而萎缩了。
• 恶性循环： 因为你的大脑变弱了，以后遇到稍微难一点的问题，你发现自己更离不开 AI了。你越离不开，大脑越弱，最后你变成了一个**“只会提问，不会思考”**的人。
• 比喻： 这就像你一直坐电梯上楼，突然有一天电梯坏了，你发现自己连爬一层楼的力气都没有了。

4. 我们该怎么办？

既然知道了这个陷阱，作者建议不能只靠“呼吁大家要有道德”或者“多学点 AI 知识”，因为**“知道”并不等于“做到”**。当 AI 能瞬间给出答案时，大脑本能地会选择最省力的路。

给老师和教育者的建议（增加“摩擦力”）：

• 不要只给答案，要制造“麻烦”： 设计一些必须自己先思考、先犯错，然后才能用 AI 去修正的作业。
• 比喻： 就像健身时，教练不能直接帮你举铁，而是要让你先举，举不动了再给你一点点助力。
• 让 AI 变成“挑衅者”而不是“保姆”： 让 AI 不要直接给答案，而是不断反问学生：“你确定吗？”“有没有其他可能？”“为什么是这样？”

给 AI 设计师的建议（设计“自行车”而非“自动驾驶”）：

• 现在的 AI 像自动驾驶，你坐上去就行。
• 未来的教育 AI 应该像自行车：它能让你跑得更快（放大能力），但你必须自己蹬踏板（保持主动思考和控制）。
• 如果 AI 能设计成“故意制造一点小障碍”，迫使你停下来思考，那才是真正的好帮手。

总结

这篇论文在警告我们：如果我们在学生时代习惯了“少思考、多信任 AI"，我们可能会培养出一代“提问机器”，却失去了“解决问题的大脑”。

那些最自信、最懂技术的孩子，反而最需要警惕。因为真正的智慧，不是知道怎么问 AI，而是知道什么时候该关掉 AI，自己动脑筋。

技术摘要

论文技术总结：少思考，多信任：生成式 AI 对学生认知习惯的影响

论文标题：Thinking Less, Trusting More: GenAI's Impacts on Students' Cognitive Habits
作者：Rudrajit Choudhuri, Christopher A. Sanchez, Margaret Burnett, Anita Sarma (俄勒冈州立大学)
发表日期：2026 年 4 月 (arXiv)

---

1. 研究背景与问题 (Problem)

随着生成式人工智能（GenAI）在 STEM（科学、技术、工程、数学）教育中的普及，学生开始依赖 AI 完成作业和解决问题。虽然这提高了短期效率，但引发了对长期智力发展的担忧。

• 核心问题：当学生将认知工作“外包”给 GenAI 时，这种信任驱动的日常使用（Trust-driven routine use）如何持久地影响他们的认知参与习惯（Cognitive engagement habits）？
• 研究缺口：现有研究多关注单次使用（Episodic use）对任务表现的即时影响，缺乏对习惯性使用如何重塑学生深层认知习惯（如反思、理解需求、批判性思维）的长期研究。
• 研究问题 (RQs)：
  • RQ1 (How)：学生对 GenAI 的信任和日常使用在多大程度上影响其在 STEM 课程中的认知参与习惯？
  • RQ2 (Who)：哪些具有特定认知风格的学生更容易受到这种认知脱节（Cognitive disengagement）的影响？

2. 理论框架与方法论 (Methodology)

2.1 理论基础

研究基于以下心理学和人机交互理论构建模型：

• 双过程理论 (Dual-process theory)：人类认知分为系统 1（快速、直觉、低能耗）和系统 2（缓慢、深思熟虑、高能耗）。GenAI 可能强化系统 1 的依赖，抑制系统 2 的激活。
• 认知卸载 (Cognitive offloading)：人们倾向于将认知任务外包给外部工具以节省精力。
• 自动化偏见 (Automation bias)：当系统显得有能力时，用户倾向于不加批判地接受其输出，即使与自身知识冲突。

2.2 研究设计

• 数据收集：
  • 样本：来自北美 5 所大学的 299 名 STEM 专业学生。
  • 工具：在线问卷调查（Qualtrics），包含 3 个部分：认知习惯、GenAI 信任与使用情况、认知风格背景。
  • 测量工具：采用经过验证的心理学量表（如 Biggs 的反思量表、Kember 的理解需求量表、CTDS 批判性思维量表、GenderMag 认知风格量表等）。
• 分析方法：
  • 使用 偏最小二乘法结构方程模型 (PLS-SEM) 进行数据分析。
  • 采用两步法：先评估测量模型（信度、效度），再评估结构模型（假设路径）。
  • 使用 SmartPLS 4 软件，通过 5000 次自举法（Bootstrapping）检验显著性。

2.3 模型构建

模型包含三个核心维度：

1. 自变量：信任 (Trust)、日常使用 (Routine Usage)。
2. 因变量 (认知参与)：
   • 反思 (Reflection)：元认知监控与评估。
   • 理解需求 (Need for Understanding)：追求概念连贯性的内在动机。
   • 批判性思维 (Critical Thinking)：分析证据、假设和替代方案的能力。
3. 控制变量 (认知风格)：技术热情 (Technophilic Motivations)、风险容忍度 (Risk Tolerance)、计算机自我效能感 (Computer Self-Efficacy)。

3. 主要贡献 (Key Contributions)

1. 理论模型：建立了首个解释 GenAI 信任驱动的日常使用如何通过“认知卸载”机制削弱学生认知习惯的统计模型。
2. 实证验证：利用大样本数据（N=299）验证了该模型，揭示了信任与日常使用对认知参与的负面因果链条。
3. 测量工具：开发并验证了一套针对学生-GAI 交互情境的心理学测量工具，可用于后续研究。
4. 反直觉发现：揭示了在 STEM 教育中通常被视为“优势”的特质（如高自我效能感、高风险容忍度）反而使学生更容易陷入认知脱节。

4. 关键研究结果 (Results)

4.1 RQ1：信任与使用如何影响认知习惯？

• 信任驱动使用：学生对 GenAI 的信任显著正向预测其日常使用频率 ($\beta = 0.64, p < .001$)。
• 使用削弱认知：日常使用与所有三种认知参与维度均呈显著负相关：
  • 反思：负向影响最大 ($\beta = -0.66, p < .001$)，效应量大 ($f^2 = 0.51$)。
  • 批判性思维：显著负相关 ($\beta = -0.41, p = .001$)。
  • 理解需求：显著负相关 ($\beta = -0.21, p < .001$)。
• 中介效应：信任通过增加日常使用，完全中介了对认知参与的负面影响。即：高信任 $\rightarrow$ 高频使用 $\rightarrow$ 低认知参与。

4.2 RQ2：谁最容易受到影响？

研究考察了三种认知风格对使用习惯及认知参与的影响：

• 意外发现：通常被视为 STEM 成功关键特质的学生，反而最易受负面影响：
  • 技术热情 (Technophilic Motivations)：越喜欢技术，越倾向于高频使用 GenAI，进而导致更低的反思和批判性思维。
  • 风险容忍度 (Risk Tolerance)：越能容忍不确定性，越不加批判地接受 AI 输出。
  • 计算机自我效能感 (Computer Self-Efficacy)：越自信能驾驭工具，越容易过度依赖，导致认知脱节。
• 无保护效应：学生的学术年级（低年级 vs 高年级）或之前的 GenAI 经验并未提供保护，所有群体均表现出相似的负面趋势。

4.3 模型拟合度

• 模型解释了“使用”变异的 54% 和“反思”变异的 65%。
• SRMR (0.067) 和 $Q^2$ 预测值表明模型具有良好的拟合度和预测相关性。

5. 意义与启示 (Significance & Implications)

5.1 理论意义：认知债务循环 (Cognitive Debt Cycle)

论文提出了“认知债务”的概念：

• 学生为了短期效率（即时奖励）将认知工作外包给 AI，导致深层思维习惯（反思、批判）逐渐退化。
• 随着能力退化，学生更依赖 AI，形成恶性循环。
• 这种循环可能导致新一代从业者缺乏独立解决复杂问题所需的认知习惯。

5.2 对教育者的启示

• 单纯提高 AI 素养不足够：研究表明，即使有经验或高学历，学生仍会因“认知懒惰”而脱节。
• 重新设计课程：
  • 增加内在奖励：设计具有探索性、故事性或游戏化的任务，让学生从思考本身获得满足感。
  • 增加外包成本：采用“先 AI 辅助，后独立验证/调试”的混合模式，强制学生在无 AI 环境下暴露知识缺口。
  • 社会问责：利用小组协作和展示，使浅层的 AI 生成内容难以蒙混过关。

5.3 对 AI 设计者的启示

• 设计“摩擦” (Friction)：打破“极致便捷”的设计原则，引入故意阻碍（如要求用户解释 AI 的输出、比较不同观点），迫使系统 2（慢思考）介入。
• 互补性设计：将 AI 定位为“思维自行车”（放大人类能力而非替代），例如作为“挑衅者”（Provocateur）质疑用户假设，而非直接提供答案。
• 适应性设计：针对高自我效能感或高风险容忍度的用户，设计特定的干预机制（如强制先尝试再求助），防止过度依赖。

总结

该论文通过严谨的实证研究指出，GenAI 的常态化使用正在重塑 STEM 学生的认知习惯，导致反思、理解需求和批判性思维的显著下降。最令人担忧的是，那些通常被认为最具备适应未来技术能力的学生（高自信、高冒险精神）反而最容易陷入这种“认知债务”。解决这一问题需要教育者和 AI 设计师共同努力，通过重新设计学习环境和交互系统，将“思考”重新置于学习的核心。