Cognitive Offloading and Human Interaction with Generative Artificial Intelligence in Low-Resource Higher Education

在大学图书馆的静谧低鸣中，或在学生笔记本电脑屏幕的光影里，一种学习方式的微妙转变正在发生。几个世纪以来，教育一直依赖于人类大脑进行繁重的脑力劳动：记忆事实、连接想法，并与难题搏斗，直到答案浮现。这种精神上的努力不仅是一个需要跨越的障碍，它更是理解得以扎根的核心机制。近来，一种新型计算机程序进入了视野，它能够编写论文、解决问题并在数秒内解释复杂话题。这种被称为生成式人工智能的技术提供了一个诱人的捷径。它允许使用者将思考这一脑力劳动外包，或移交给机器。这种被称为“认知卸载”（cognitive offloading）的行为并非全新，人类一直使用书籍或计算器等工具来辅助思考。然而，这些新系统之所以不同，是因为它们不仅存储信息，还能生成信息，成为知识创造过程中的积极伙伴。当今教育工作者和学生面临的问题不是这项技术是否会到来，而是当人类大脑开始依赖这些机器来进行那些定义了学习过程的任务时，大脑会发生什么变化。

研究人员，来自加纳大学的多齐·科库·哈托（Dodzi Koku Hattoh），对这一变化的图景进行了考察，特别关注了缺乏丰富资源的更高教育环境下的理论影响。在世界许多地方，高等教育机构面临着严峻的限制：教室拥挤、图书馆资源有限以及学术导师短缺。在这些环境中，学生转向人工智能往往不是因为他们想逃避工作，而是因为别无选择。研究人员认为，理解这项技术的影响不能简单地问它是好是坏。相反，分析提出，结果完全取决于技术使用的语境。研究表明，虽然这些工具可以作为一条至关重要的生命线，为那些原本会被遗忘的人扩大获取知识的机会，但它们也带着随时间积累的隐形代价。

该研究引入了“认知债”（cognitive debt）这一概念来描述这种隐形代价。正如当一个人在没有偿还能力的情况下借钱时会产生财务债务一样，当学生反复将思考的工作交给算法时，就会产生认知债。如果一名学生每次都使用人工智能系统来总结文本、生成论点或解决问题，他们可能会在当下节省时间。然而，研究人员指出，随着时间的推移，这种不断的委托会削弱大脑进行深度、反思性思考的能力。进行批判性判断、记忆留存和独立推理所需的“精神肌肉”会因缺乏使用而开始萎缩。这并非突然的失败，而是一种渐进式的侵蚀。学生可能会变得擅长产出答案，却失去了质疑这些答案或从零开始构建知识的能力。分析发现，当对机器的依赖成为学习的默认方式，将一种有益的工具变成人类思维的替代品时，这种风险尤为严重。

该论文的另一个关键发现是作者所称的“好奇心悖论”（curiosity paradox）。好奇心是学习的引擎；它是那种“不知晓”的感觉，驱动着一个人去探索、在不确定性中挣扎，并坚持直到找到解决方案。生成式人工智能非常擅长瞬间满足好奇心。它提供即时的答案、解释和联系，消除了通常伴随知识探索过程中的摩擦感和等待感。研究人员认为，虽然这让学习变得更容易、更便捷，但也可能缩短了使好奇心持久的进程。当“不知晓”带来的不确定性被过快地消除时，深入挖掘、与困难概念搏斗或从多个角度探索主题的动力可能会消退。这项技术扩展了学生提问的视野，但同时也可能缩小了他们忍受寻找答案所需之挣扎的意愿。其结果是一种广博而快速、但可能流于浅薄的学习形式，其中深度的探究习惯被快速消费的习惯所取代。

研究人员强调，这种动态并非不可避免。学生所走的路径取决于技术如何融入其教育之中。他们提出了一个连续体，即一个范围从“适应性认知增强”（adaptive cognitive augmentation）到“认识论依赖”（epistemic dependency）的滑动尺度。在这一端的另一端，人工智能充当脚手架，支持学习者并帮助他们达到独自无法达到的高度。在这种模式下，工具扩展了参与度并补偿了资源的匮乏，让处于资金不足大学的学生也能获得与富裕机构同等质量的指导。而在尺度的另一端则是依赖，即学生过度依赖机器，以至于失去了自身的智力自主权。研究人员认为，这两者之间的区别并非由技术本身决定，而是由教育环境决定的。如果一所大学鼓励学生使用工具来生成想法，然后再对其进行批判、完善和挑战，那么结果就是成长。如果环境将速度和效率置于一切之上，那么结果就是独立思考能力的下降。

这一分析具有更深层的政治和文化分量，对于全球南方的机构而言尤其如此。研究人员指出，大多数人工智能系统都是基于西方世界的数据进行训练的，反映了主导文化的价值观、语言和历史。当低资源环境下的学生将这些系统作为主要知识来源时，他们面临着强化一种“数字殖民主义”的风险。他们的教育将受到一种可能无法反映其自身现实的世界观的塑造，而本土的认知方式则被推向边缘。研究表明，真正的教育公平不仅需要获得技术的途径，还需要有意识地确保这些系统产生的知识包含多元视角，并确保学生保留定义自身智力路径的力量。

为了应对这些挑战，作者建议大学应改变对待人工智能的方式。他们建议超越简单的“素养”（teaching students how to use the tools），转向“认知韧性”（cognitive resilience）。这意味着训练学生即使在被自动化答案包围时，仍能保持批判性思考的能力。这包括设计要求学生去评判机器输出、寻找其错误并为其自身推理辩护的任务。目标是保留“生产性摩擦”（productive friction），即通往深度理解所必需的挣扎。此外，研究人员呼吁开发具有本土性、针对特定语境的AI系统，以反映其使用地区所在的文化和知识体系，而不是仅仅依赖于进口模型。

最终，论文得出结论：在人工智能时代，高等教育的未来将不取决于技术变得多么先进，而取决于机构如何保护人类独立思考的能力。挑战不在于拒绝这些强大的工具，而在于以一种能够强化而非削弱人类思维的方式将其整合进来。衡量成功的标准将是：学生是否仍能提出自己的问题，在不确定性中航行，并利用机器作为伙伴而非主人，去创造新的知识。研究人员指出，如果教育能够保持这种平衡，它就能利用人工智能的力量来扩展人类的潜力，而不必牺牲那些使我们成为人类的特质。