Generative AI and Cognitive Mediation in Higher Education: A Computational Literature Review
通过对1,435篇出版物的计算性文献综述，本研究绘制了高等教育中生成式人工智能碎片化的认知图景，旨在提出“认知中介”作为一个统一的框架，用以理解在学习者与人工智能的交互过程中，认知责任是如何被分配、调节以及可能变得脆弱的。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象这样一个教室：一名学生提问，人工智能瞬间给出了一个精辟且逻辑严密的答案。这不再是科幻小说，而是当今高等教育中生成式人工智能的现实。这些系统可以撰写论文、解决复杂问题并综合海量信息，有效地完成了曾经需要深度人类思考的任务。这种转变引发了一个对于教育者和学习者而言都至关重要的根本问题：当机器承担了思考的重任时，学生的思维会发生什么变化？这项技术是作为一种增强人类智能的有益导师，还是会成为导致思维萎缩的拐杖？为了回答这个问题，研究人员必须超越简单的使用统计数据，去审视当人类与机器共享认知负荷时，学习的本质是如何发生改变的。
一个研究小组致力于绘制这一快速演变的图景，他们通过分析学术期刊中的全球对话来进行研究。他们收集了 2 3 年至 2 0 2 6 年间发表的 1,435 篇专门讨论人工智能、高等教育以及思维机制的学术文章。他们的目标并非直接测试学生，而是旨在理解专家们是如何界定这一问题的。他们寻找特定的概念来描述我们如何思考：批判性地判断信息的能力、监控自身学习过程的技能、完成任务所需的心理努力，以及过度依赖机器的风险。通过使用计算机工具扫描数千页文本，他们可以观察哪些想法出现得最为频繁，这些想法是如何相互关联的，以及研究的焦点是如何随时间推移而转移的。
分析显示，这场对话在规模上经历了爆发式增长，从 2 0 2 3 年的寥寥数篇增长到 2 0 2 5 年的数百篇。在这一庞大的文献集之中，一个概念脱颖而出，成为了讨论最为频繁的主题：批判性思维。这是指评估信息、发现错误并形成独立判断的能力，而非仅仅接受呈现的内容。它出现在近一半的研究文章中。第二个最常见的主题是元认知，这本质上是关于“对自己的思考进行思考”——即知道自己何时理解了某个概念，以及何时需要寻求帮助。虽然这两个概念被共同提及的频率比任何其他配对都要高，但研究人员发现它们之间的关系存在一个令人惊讶的转折。在根据每个主题的普遍程度进行调整后，批判性思维与元认知之间的联系实际上减弱了，这表明学者们是在略微不同的语境下讨论它们的。
相比之下，另一组概念则展现出了更为紧密的纽带。对“自动化偏差”（即过快信任机器输出的倾向）的恐惧与“认知依赖”（即变得依赖系统来完成工作的状态）之间的联系，其强度远超它们各自出现频率所能预示的水平。这表明，在研究人员讨论过度依赖的危险时，他们正日益将“信任机器输出的即时错误”与“丧失独立思考能力的长期风险”联系起来。其他担忧，例如使用这些工具所需的心理努力、技能随时间退化的可能性，以及由于学习被推迟而导致的“认知债”积累，虽然也存在，但仍处于讨论的边缘。这些长期性的忧虑被讨论的频率远低于关于如何有效使用这些工具的即时性问题。
研究人员还将文献分为八个不同的主题，以观察研究重点所在。最常见的主题仅仅是将这些工具整合进大学系统中。然而，一个显著的趋势随年份而显现：研究正从仅仅询问“如何使用技术”转向更深层次的问题，即技术如何改变学习的结构。致力于探讨人工智能环境下认知运作理论模型的论文比例稳步增长。这表明该领域正在走向成熟，开始将人工智能视为不仅是一种新工具，更是人类分配心理工作的合作伙伴。核心问题不再是这项技术是好是坏，而是思考的责任应当如何分配。
最终，这项研究表明，高等教育面临的挑战不是禁止这些系统，也不是盲目接受它们，而是设计出一种让认知工作的分配具有意图性的学习环境。研究结果指出，在未来，最重要的技能可能在于知道如何处理机器提供的答案。这要求学生保持对输出结果的评判地位，去验证推理过程，并确保机器是在支持他们的学习，而不是取代那通往理解所必须经历的挣扎。这项研究并未声称已经解决了这个问题，但它提供了一张清晰的地形图，展示了对话已从简单的采用阶段，转向了关于“谁在思考”以及“谁对结果负责”的复杂博弈。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。