База знания AIEdAIEd KB
На тази страница

Прочетете тази страница на английски

Понятия

Когнитивно изнасяне

Създадена 2026-10-27 · Актуализирана 2026-10-27

Автоматичен машинен превод на тази английска страница, който още не е проверен от носител на езика.

Когнитивно изнасяне - използването на външни инструменти (включително AI) за намаляване на вътрешното когнитивно натоварване, при което умствената работа се прехвърля от обучаемия към системата. В AI в образованието когнитивното изнасяне е централният механизъм, чрез който AI инструментите могат или да подкрепят, или да подкопаят обучението: подходящото изнасяне освобождава когнитивни ресурси за мислене от по-висок ред, докато прекомерното изнасяне заобикаля обработката, необходима за трайно учене. Прекомерната зависимост е вредният край на този спектър - непродуктивният модел, при който изнасянето преминава от стратегическа подкрепа към изместване на обучението.

Въпроси за размисъл

  • Когнитивното изнасяне означава използване на външни инструменти - включително AI - за намаляване на вътрешното когнитивно натоварване. Страницата изрично казва, че изнасянето не е вредно само по себе си: тетрадките, калкулаторите и търсачките също изнасят. Какво според вас прави изнасянето чрез AI различно и потенциално по-значимо от тези познати инструменти?
  • Често се предполага, че проблемът е в използването на AI твърде много. Но тази страница отделя прекомерната зависимост от самия обем на използване - става дума за начин на използване, който замества ученето, а не за това колко често се използва AI. Можете ли да опишете начин на използване на AI, който е чест, но здравословен, и такъв, който е рядък, но вреден?
  • „Илюзията за ускорение“ е, че работата с AI се усеща по-бърза и по-лесна, създавайки подвеждащо впечатление за продуктивност, което прикрива намаляло учене - учениците смесват скоростта на завършване на задачата с ученето. Кога сте се чувствали продуктивни, вършейки нещо бързо, и по-късно сте осъзнали, че сте научили малко от него?
  • Изследванията установяват, че вредата от изнасянето е условна, а не присъща: „AI, който обучава, запазва или повишава умението; AI, който замества, рискува разпад.“ Каква е практическата разлика между AI, който скафолдва мисленето ви, и такъв, който го заменя - и как бихте разпознали кой от двата получавате?
  • Едно проучване показва, че самият достъп до AI съвет почти елиминира готовността на хората да кажат „не знам“ - дори когато съветът е грешен - като същевременно почти удвоява увереността и сваля точността до една трета. Какво предполага това за начина, по който AI променя осъзнаването ни за собственото ни незнание?
  • Страницата въвежда метакогнитивна пропаст в равенството - „ефект на Матей с AI“: тъй като продуктивното използване на AI изисква предварителни знания и метакогниция, вече облагодетелстваните ученици печелят повече, докато тези, които най-много се нуждаят от практика, най-вероятно делегират ученето. Как трябва да реагира преподавател или дизайнер на факта, че един и същ инструмент може да разшири съществуващите разделения?

Въведение

Когнитивното изнасяне не е вредно само по себе си - хората винаги са използвали външни инструменти (тетрадки, калкулатори, търсачки), за да намалят когнитивното натоварване. Това, което прави изнасянето чрез AI различно, е неговата всеобхватност: LLM могат да генерират цели решения, обяснения и анализи, като потенциално елиминират нуждата от самите когнитивни процеси, които произвеждат учене.

Как когнитивното изнасяне се проявява в изследванията на AIED

Статиите в базата знания документират когнитивното изнасяне в няколко измерения:

  • Инструментализиране на саморефлексията, вместо измерване на черта: PAUSE (Patterns of AI Use: Self-Examination) превръща литературата за изнасянето от 2023-2026 г. в самооценка в четири области - разсъждение и критическо мислене, креативност и оригиналност, изследване и учене, социален и комуникативен капацитет - с обърнато оценявани поведенчески твърдения, цитатни котви към всяко твърдение, без общ бал и без претенция за валидност (Alam, 2026). Неговата дизайнерска позиция е, че полезната интервенция при изнасянето е подтикването към размисъл, а не поставянето на диагноза, тъй като нито един инструмент все още няма основанията да обоснове последващо решение за даден човек.

  • Prompt моделите като следи от изнасяне: Misiejuk et al. (2026) използват мрежов анализ на съвместна среща, за да покажат, че реактивните prompt (несъгласие без предметен контекст) сочат по-високо изнасяне, докато богатото на контекст подканване с интегрирана инструкция отразява ангажирано познание. Как се използва AI - не само дали се използва - определя степента на изнасяне.

  • Обемът на подканването не показва какво се изнася: Poquet et al. (2026) групират 97 обучаеми по обем на prompt и установяват, че групите по обем не се различават значимо по локално срещу глобално подканване или по подканване в активна роля - един и същ обем описва както насочено делегиране (12,9 prompt, 36% активни), така и почти никаква насоченост (4% активни).

  • Натуралистични доказателства на ниво съобщение в голям мащаб - изнасяне, наблюдавано, а не предполагано: Piatnitckaia et al. (2026) кодират 3047 съобщения до ChatGPT от 46 студенти в един европейски университет в седемседмичен прозорец за подготовка за изпит, използвайки GPT-4o-mini с наложени обосновки по верига на разсъждението и валидирайки процедурата срещу обучен човешки оценител върху 200 съобщения (κ на Коен = 0,76 за тип въпрос, 0,75 за ниво на Bloom). Analyze оглавява разпределението с 27,28% (831 съобщения) пред Understand с 23,76% - първото фино доказателство, че натуралистичното използване ученик-AI редовно цели работа от по-висок ред, а не запаметяване. Подизвадка от 16 студенти със свързани оценки, чиито 1140 съобщения са кодирани ръчно, дава това, което следите на ниво prompt не могат: 49,6% от 125 диалога не показват изнасяне, 34,4% - леко, и 16,0% - тежко, по рубрика, която запазва тежко за случаите, в които AI създава първия чернова и конструира основния интелектуален продукт. Тежкото изнасяне е предимно феномен на Create (80% от 20-те тежки диалога, 42% от всички диалози Create), което авторите четат като доказателство, че степента на изнасяне и нивото на Bloom са отделни измерения, които си заслужава да се измерват поотделно. Моделът на оценките е само описателен - 17,6% тежко в горния слой, 17,5% в средния и 5,9% в долния (χ² = 5,80, df = 4, p = 0,215) - и почива частично на един студент с насоченост към програмиране, чието премахване сваля дела в горния слой до 8,9%, което води авторите до извода, че дисциплината оформя навиците за делегиране повече от представянето, и до препоръка за метакогнитивна обратна връзка върху действителните модели на използване, а не за забрана.

  • Илюзията за ускорение: Изследването на илюзията за ускорение показва, че работата с AI се усеща по-бърза и по-лесна, създавайки подвеждащо впечатление за продуктивност, което прикрива намаляло учене. Учениците смесват скоростта на завършване на задачата с ученето - метакогнитивно сляпо петно.

  • Загуби в ученето от AI без насоки: Рандомизирани контролирани проучвания по математика в гимназия показват, че генеративният AI без предпазители води до по-лоши резултати в ученето от традиционното преподаване. Съкратеното време за учене корелира с намалено учене - учениците завършват задачите по-бързо, но задържат по-малко.

  • Рандомизиран тест на прогнозата за изнасянето със закъснение от 45 дни - и дефицитът не е само спестено време: Barcaui (2025) рандомизира 120 студенти да изучават теми от AI/ML или с неограничен ChatGPT (уеб интерфейс GPT-4, без насоки за подканване), или с традиционни методи без AI, и след това дава изненадващ концептуален тест от 20 въпроса 45 дни по-късно. Групата с AI постига 57,5% срещу 68,5% (t(83) = -3,19, p = 0,002, d на Коен = 0,68), и недостатъкът се запазва при ANCOVA с константно самоотчитано време за учене (F(1, 82) = 7,89, p = 0,006; коригирани средни 6,50 срещу 5,85), така че не е просто артефакт от количеството време. Аргументът на статията за изнасянето е, че ChatGPT предоставя синтез и обяснение направо, което го прави качествено различна форма на делегиране от калкулатора - такава, която може да погълне разбирането, а не само извличането.

  • Изнасянето не винаги е вредно - граничното условие „наставник“: Lira et al. (2025) показват, че AI може да намали усилието за практика и да подобри средата за учене, давайки „работи по-малко, научи повече“. Възрастни, които са практикували писане с AI инструмент, са написали по-добри писма без AI от тези, които са практикували сами - дори побеждавайки персонализирана обратна връзка от човешки редактори - без инфлация на илюзията за майсторство. Помирението с вредите по-горе е формата на изнасяне: AI на Lira et al. скафолдва (извежда примери и обратна връзка, като запазва обучаемия в цикъла), вместо да замества когнитивния акт. Перспективата умения срещу базови способности се сближава със същата граница: AI, който обучава, запазва или повишава умението; AI, който замества, рискува разпад. Kilinc et al. (2026) дават числа за тази граница в класна стая по земеделски STEM в средното училище. Сред 42 осмокласници в 12 групи възприемането на модела обхваща 74,1% от кодираните ходове на съвместна ангажираност в профила „най-напреднали“, докато когнитивното изнасяне и съвместната безизходица заедно достигат 80,8% в профила „срещащи трудности“. Така ефектът на изнасянето върху ученето е условен, а не присъщ.

  • Критична ангажираност срещу изнасяне: Favero et al. рамкират AI преподавателите като или овластяващи (подкрепящи активната когниция), или поробващи (позволяващи пасивно изнасяне), свързвайки се с критическото мислене и изследователските методи.

  • Метакогнитивно осъзнаване: Изследванията на метакогнитивното осъзнаване разглеждат дали учениците разпознават кога изнасят, а кога се учат - и дали инструкционните интервенции могат да подобрят тази калибрация.

  • Въплътеният интелект като алтернатива на възлагането навън: Рамката E3-HOT твърди, че за да се противодейства на предизвиканото от AI когнитивно възлагане навън и на ученето, откъснато от автентични контексти, AI трябва да се проектира около въплътен интелект (ситуационно вграждане, въплътено участие, когнитивно създаване), така че обучаемите да запазят когнитивната си самостоятелност и мисленето от по-висок ред, вместо да ги изнасят. Това рамкира въплътения, ситуиран AI дизайн като положителния аналог на риска от изнасяне, свързвайки се с разпределеното познание и въплътеното обучение.

  • Компромисът ефективност-регулиране при разпределеното познание: Hao et al. показват, че при човешко-AI сътрудничество режимът, който изнася най-много към AI (делегирано разсъждение), се представя най-добре на задачите, но корелира с намалена саморегулация - емпирично доказателство, че печалбата в ефективност от изнасянето може да дойде за сметка на регулаторната ангажираност на обучаемия, сближавайки се с опасенията за саморегулираното обучение.

  • Умора и когнитивно бреме: Изследването на AI умората документира как постоянното взаимодействие с AI създава собствено когнитивно бреме - парадокс, при който изнасянето на една задача увеличава когнитивното натоварване от управлението на изходите на AI.

  • Рамката за метакогнитивни вярвания срещу преживявания: Guo & Ye (2026) прилагат динамичния метакогнитивен модел на Nelson и Naren, за да помирят противоречивите находки за интервенции в областта. Те разграничават метакогнитивни вярвания (стабилни, самореферентни самооценки, които закотвят изборите за изнасяне преди задачата) от метакогнитивни преживявания (динамични, специфични за задачата усещания, които задвижват обновяването на вярванията по време на задачата), извеждайки принципа за съответствие на времето с компонента: обратната връзка, насочена към вярвания, е най-ефективна преди задача, докато обратната връзка, насочена към преживявания (незабавни индикатори за правилност), е най-ефективна по време на нея. Те също формализират субститутивно изнасяне (заместване на вътрешната обработка с външни помощни средства) срещу дупликативно изнасяне (допълване на обработката) - когато външните хранилища изчезнат, субститутивните изнасящи рязко спадат, докато дупликативните запазват точност - и използват пристрастието на напомнянето, за да измерят количествено отклонението от оптималното изнасяне. Това се сближава с границата „наставник срещу патерица“: изнасянето, което скафолдва, запазва умението; изнасянето, което замества, рискува разпад.

  • Формален модел на проблематична употреба за зависимост от AI в академичното писане (I-PACE): Liu, Zhuang & Wang (2026) разширяват модела I-PACE за пристрастяваща употреба на технологии към зависимост от генеративен AI в университетското академично писане. В китайска извадка с смесени методи академичният стрес е най-силният предиктор за зависимост от AI, AI грамотността е защитен фактор (по-ниска грамотност води до по-голяма психологическа зависимост), а възприеманото доверие медиира пътя от социално влияние към зависимост - така че зависимостта се формира чрез път социално влияние → доверие → поведение, а не само чрез индивидуална употреба на инструмента. Техните качествени данни добавят измерение на политиката: учениците съобщават за стратегическо избягване на откриването на плагиатство и цитират двусмислени правила за това какво се счита за допустимо използване на AI като стимул да импровизират, свързвайки изнасянето с академичната почтеност.

  • Когнитивен дълг и разграничението между епизодично и навично изнасяне: Lin & Al-Hada (2026) формализират „парадокса на критическото мислене“ - подобрени продукти наред с намалена когнитивна ангажираност - чрез диференцирана тристепенна рамка (повърхностни, междинни и дълбоки роли на AI) и конструкта когнитивен дълг: потенциален кумулативен спад в метакогнитивната калибрация и в представянето от по-висок ред без помощ, който се запазва след епизод с AI. Техният ключов концептуален напредък е разграничаването на епизодично изнасяне (съзнателно, специфично за задачата делегиране със запазено осъзнаване) от навично изнасяне (рутинна, слабо наблюдавана зависимост), като предвиждат, че второто при задачи с дълбока обработка води до дисоциация продукт-процес: по-високо оценявани работи, но по-слаб забавен трансфер без помощ.

  • Спектърът от възлагане навън към преразпределение: изнасянето може да преразпредели усилието, а не да го намали. Yan et al. (2026) прилагат модела на Biggs „предпоставки-процес-продукт“ към 38 студенти в Япония и Китай, пишещи аргументативни есета без надзор, и разполагат ангажираността ученик-GenAI върху спектър, ограничен от когнитивно възлагане навън и когнитивно преразпределение - аналогът в ерата на GenAI на повърхностния срещу дълбокия подход. Малцинството с преразпределение съобщава непроменено общо усилие с изместен фокус, премествайки ресурси от извличане на ниско ниво към критична оценка и рефлексивно затвърждаване (писане на бележки за размисъл след всяка сесия, за да се противодейства на плиткото задържане), което поставя под въпрос предположението, че изнасянето непременно изважда когниция. Преразпределението обаче беше изключение: 78,94% докосваха GenAI само преди да започнат или след като са написали черновата, вместо да редуват работата с независима такава, а 76,32% разчитаха на модел на един ход „питай-вземи отговор-спри“ (23,68% в поддържан итеративен диалог), така че интегриращото поведение, което поражда преразпределение, трябваше да бъде преподавано, а не предполагано.

  • Метакогнитивното обучение намалява пристрастието на напомнянето (преки емпирични доказателства): Ngai & Gilbert (2026) дават първата ясна демонстрация, че кратка интервенция може да направи изнасянето измеримо по-оптимално. Два предрегистрирани експеримента (N=164, N=416) установяват, че само пет тренировъчни опита, съчетаващи прогноза за представянето с вярна обратна връзка опит по опит, подобряват метакогнитивната калибрация и намаляват пристрастието на напомнянето. Четиригруповият адитивен дизайн изолира механизма: самите прогнози бяха неефективни; добавянето на обратна връзка за представянето доведе до подобрението; изричното означаване на свръх- и подувереност не добави нищо повече. Ефектът се появи върху абсолютното (а не ориентираното) пристрастие - обучението коригира индивидуалната погрешна калибрация в двете посоки. Това емпирично валидира рамката вярвания срещу преживявания по-горе: именно обратната връзка, насочена към преживявания, а не вярванията или прогнозата сама по себе си, променя поведението на изнасяне. Авторите отдават успеха на финансовия стимул, обвързан с оптималността на изнасянето, плюс незабавната вярна обратна връзка.

  • Подкана за размисъл в рамките на задачата прави зависимостта по-разграничаваща, а не по-отбранителна: Ren (2026) рандомизира 342 студенти в три условия (без AI, отворена многократна подкрепа от ChatGPT и същата подкрепа плюс кратка подкана за размисъл върху собственото им разсъждение и върху това какво би оправдало отхвърлянето на обяснението на AI) и установява, че отворената подкрепа носи 62,4% приемане на грешен AI съвет, което подканата за размисъл сваля до 39,7% (OR = 0,40), докато точността на препоръките остава сравнима в двете подпомагани условия (66,3% срещу 67,0%) и съответствието с правилния съвет остава високо. Размисълът също подобрява калибрацията на осъзнаването между възприемана и поведенческа зависимост (0,59 срещу 0,41) и сваля специфичния за AI индекс на пристрастие при атрибуция от 0,42 до 0,21. Това е същият насочен към преживяванията механизъм като в проучването за обучение по-горе, приложен вътре в епизода на решение, и подкрепя четенето на прекомерната зависимост като проблем на наблюдението, а не на честотата: знанието за ограниченията на модела само по себе си не спря учениците да приемат правдоподобен грешен съвет.

  • Метакогнитивна мързеливост и нова метакогнитивна пропаст в равенството: Lodge & Loble (2026), секторен доклад за австралийското училищно образование, твърдят, че основният риск от GenAI е когнитивното изнасяне, а не плагиатството. Те възприемат метакогнитивната мързеливост (Fan et al. 2024) - удобството на AI подкопава ангажираността на обучаемите в основни процеси на саморегулация, така че обучаемите се отказват от метакогнитивната отговорност в полза на инструмента - и въвеждат метакогнитивна пропаст в равенството („ефект на Матей с AI“): тъй като продуктивното използване на AI изисква предварителни знания и метакогниция, вече облагодетелстваните ученици печелят повече, докато тези, които най-много се нуждаят от практика, най-вероятно делегират ученето, разширявайки съществуващите разделения. Предложеното от тях решение е усилване на учителя (даване на инструмента на експертни учители, за да мащабират практиката си, подкрепено от проучвания, показващи, че обърнатият към учителя AI подобрява резултатите при много по-ниска цена), а не AI преподаватели, обърнати към ученика, наред с инструкция за намаляване на натоварването и метакогнитивни подкани.

  • Прекомерната зависимост е водещото етично опасение във всички поколения разговорен AI. Обобщаващият преглед на агентите за разговорен AI (Ganguly et al. 2025, 34 прегледа) съобщава, че опасенията за човешко-AI отношенията - включително прекомерната зависимост и намаляването на социалното взаимодействие - са най-често обсъжданият етичен проблем във всички поколения разговорен AI, предхождайки GenAI. Той също изброява образователното въздействие и когнитивните опасения (включително прекомерната зависимост и влошеното критическо мислене) като втората най-обсъждана категория предизвикателства, подчертавайки, че вредата от изнасянето е устойчива тема през поколенията, а не новост, специфична за GenAI.(Conversational AI agents in education: an umbrella review of current utilization, challenges, and future directions)

  • Учителите като рефлексивни регулатори на когницията: Ho and Chen (2026) разширяват теорията за изнасянето към професионалната AI преценка, интервюирайки 18 практикуващи учители. Те идентифицират „метакогнитивна екология“, в която учителите разпознават, преразпределят и рефлексивно реангажират когницията с GenAI, рамкирайки AI като когнитивен партньор, а не като заместител на мисленето - и отбелязват „професионален дрейф“ като риск, когато изнасянето остане нерефлексивно в подсилената с AI учителска роля и администрация.

  • Изнасянето е ценностно базирано вземане на решения и някои ученици са по-уязвими от други. Seung & Basham (2026), концептуален преглед в Learning Disability Quarterly, синтезират когнитивната наука, специалното образование и образователните технологии, за да моделират изнасянето към GenAI като решение за разходи и ползи, оформено от цели за представяне, трудност на задачата, академична самоефективност и възприятия за инструмента. Те твърдят, че учениците с обучителни трудности (SWLD) са особено уязвими към неоптимално изнасяне - защото повишеното когнитивно натоварване, целите за представяне, избягващи усилието, по-ниската академична самоефективност и завишените очаквания към GenAI правят преждевременното или прекомерно делегиране по-вероятно. GenAI е рамкиран като компенсаторно средство или пряк път в зависимост от това как решенията за изнасяне взаимодействат с профилите на обучаемите и инструкционния дизайн, като инструкционните предпазители са ключовият модериращ фактор (преподаване на метакогнитивна саморегулация, изграждане на AI грамотност за калибриране на доверието към инструмента, подреждане на преживявания за майсторство и оценяване на процеса, а не само на продукта). Това разширява измерението на равенството при изнасянето: същият инструмент, който сваля бариерите за достъп, може, ако е без предпазители, да замести точно практиката, от която SWLD се нуждаят най-много.

  • Рискът от изнасяне е свързан с развитието. Niu et al. (2026) преглеждат 24 източника на доказателства за GenAI и детското творческо мислене и установяват прекомерната зависимост и зависимостта от prompt сред повтарящите се рискове, най-силни в по-долните класове, наред с мисленето по шаблон и трудността на децата да преценят дали предложението на AI е оригинално; едно сравнение с fMRI отчита по-ниска ангажираност на мрежите за когнитивен контрол и внимание по време на взаимодействие дете-ChatGPT, отколкото при човешки разговор. Тъй като по-малките деца нямат езиковите и метакогнитивните умения, които текстовите prompt изискват, авторите препоръчват AI грамотността, авторството и генерирането на идеи без помощ да останат вътре в самата дейност, а независимата креативност да се измерва отделно от подпомогнатия от AI резултат. Това добавя измерение на възрастта към моделите на уязвимост по-горе.

  • Въпросът „мислят ли по-малко или се учат различно“ е условен. Nesnin et al. (2026) предлагат по-широк аналитичен преглед, стигащ до извода, че AI не кара непременно учениците да мислят по-малко, а преобразява начина, по който се учат - резултатът зависи от употребата. AI, който изяснява, проверява и напътства, подобрява ученето; AI, който замества независимото мислене, води до пасивна зависимост. Това се сближава с всеобхватната граница „скафолдинг срещу заместване“ в базата знания и с условния възглед за вредата от изнасянето.

  • Изнасянето е чувствително към слоя: важна е дълбочината на делегирането, а не само неговото наличие. Chen (2026) въвежда чувствителен към слоя разказ за академичното писане - повърхностен (граматика и лексика), структурен (план и подредба), идеен (твърдения и съдържание) и разсъждаващ (обосновки, контрааргументи и аргументативна логика). В осемседмичен квазиексперимент отвореното сътрудничество с AI дава най-доброто подкрепено писане, но най-слабите независими резултати без AI, като по-дълбоките слоеве на изнасяне носят най-силна отрицателна връзка с независимото мислене от по-висок ред в висшето образование (индиректно изнасяне на разсъждение ab = -0,34 срещу повърхностно -0,08). Саморегулираното писане отслабва, но не елиминира вредата. Това прецизира границата скафолдинг срещу заместване: някои слоеве на делегиране скафолдват, докато по-дълбоките слоеве заместват когницията, която изгражда критическото мислене.

  • Причинно изследване на прогнозата за изнасянето с обърнат знак: писането с ChatGPT произведе по-малко учене от писането без помощ. Wagner-Kobayashi (2026) провежда междугрупов експеримент, в който 35 студенти по психология отделят 20 минути за разработване на входен текст, като GPT-3.5 е достъпен само за експерименталната група, и полагат идентичен тест за знания преди и след това. Хипотезираното взаимодействие група × време е значимо (F(70) = 5,889, p = 0,018), но сочи в обратната посока - групата без ChatGPT научава повече (средно на посттеста 8,29 срещу 6,94; b = -1,450) - опровергавайки прогнозата на писането за учене, че ChatGPT ще усили разработването. Това, което се изплъзва, е самото разработващо усилие: участниците произвеждат само 2,25 примера и 0,88 връзки в диалог с инструмента и съобщават, че са дали приоритет на обема думи пред дълбочината - прочитът на авторите за дефицит на използване на наличен, но неразгърнат инструмент, в съответствие с намаленото умствено усилие и поведението на копиране и поставяне, което страницата отчита другаде. Щом мотивацията влезе в модела, ефектът група × време се срива (p = 0,280), а по-високата мотивация и интерес към темата предсказват печалба само вътре в групата с ChatGPT, така че учениците с ниска мотивация и нисък интерес са тези, които инструментът поставя в неравностойно положение - експериментална подкрепа за мотивационния път към прекомерна зависимост, който тази страница документира. Авторите четат резултата тясно (малък ефект, нарушаващ допускания, при натиск на времето и без обучение) и препоръчват да се преподава на учениците как да използват инструмента, вместо да го забраняват, което оставя находката на границата скафолдинг срещу заместване, а не я превръща в присъда за инструмента.

  • Континуумът предаване-изнасяне-самостоятелност. Бързият преглед на Sydney PreK-12 (Arthars et al. 2026, 271 статии) рамкира използването на GenAI в когнитивно, метакогнитивно и афективно измерение: предаване (отговорността за работа, свързана с ученето, се прехвърля към GenAI, често несъзнателно), изнасяне (съзнателно, евентуално продуктивно делегиране, което става учене само ако бъде проверено или разработено) и самостоятелност (запазване на отговорността за усилието и преценката). Той също предупреждава за метакогнитивно неравенство: по-слабите метакогнитивно ученици са по-податливи на вредно изнасяне и по-малко способни да го разпознаят.(Young People, Learning, and Generative AI: A Rapid Literature Review and Implications for PreK-12 Education)

  • Зависимостта се управлява от самоефективността не по-малко, отколкото от способността. Зависимостта от AI не е просто продукт на техническо умение: Maizel et al. (2026) показват, че базираната на умения AI грамотност предсказва по-висока зависимост (в съответствие с възгледа за позволяващ капацитет и изнасяне), докато AI и академичната самоефективност действат като буфер срещу прекомерната зависимост - което показва, че изнасянето се управлява от мотивационни вярвания за самоефективност не по-малко, отколкото от способност.

  • Изнасянето променя прага за отговор, а не само капацитета. Marcoccia et al. (2026) показват, че самият достъп до AI съвет почти елиминира готовността на хората да кажат „не знам“ - дори когато съветът е грешен - като същевременно почти удвоява увереността и сваля точността до една трета; стимулите възстановяват точността (чрез намаляване на зависимостта), но не и въздържането от отговор.

  • Пропастта в безопасността като цена на изнасянето на борбата. Wang & Shan (2026) формализират разминаването между представянето на ученика с AI и способността му без помощ като „пропаст в безопасността“ - епистемичния риск, когато AI върши когнитивната работа и обучаемият не може да я възпроизведе. Kim et al. (2026) и Puech et al. (2025) показват, че дизайнът на продуктивен неуспех (задържане на отговорите, запазване на борбата) е противодействието.

  • Спектърът ICAP/SAMR рамкира изнасянето като континуум от режими, а не като двоично състояние. Rummel, Nachtigall и Panadero (2026) пренасят аналогията с кухненската машина Thermomix върху ученето с генеративен AI в рамките на ICAP и SAMR, показвайки четири сценария, които преминават от пасивно заместване (пълно възлагане навън на задачите - краят на изнасянето, с риск от загуба на умения и ограничена креативност) до интерактивно предефиниране (AI като партньор в диалога, даващ адаптивна обратна връзка в реално време и съвместно конструиране - ангажираният край). Това преформулира вредата от изнасянето като условна на режима на употреба, а не на самия обем, сближавайки се с всеобхватната граница „скафолдинг срещу заместване“: дали употребата на AI стои в края на заместването или в края на предефинирането определя дали тя измества, или подкрепя когницията, която изгражда ученето.

Navas-Romero et al. (2026) докладват възприятията на студентите за когнитивните изисквания на учебните материали, проектирани с GenAI, във висшето образование, наред с техните печалби в компетентностите на обучаемите, отделяйки натоварването, което тези материали налагат, от компетентностите, които изграждат.

Gillette et al. (2026) записват изнасянето като собствен опит на участниците, а не като теоретичен риск: един каза, че genAI „ми забрани действително да чета и да открия сам какво е важно в текста, за да развия умения за четене“, а друг се страхуваше от „дългосрочното развитие, при което ставам по-слаб в определени умения, в които сега съм много силен“.

  • Ефектът живее в разделението на труда, а не в инструмента. Nakamura (2026) твърди, че хетерогенността в ефектите на GenAI върху ученето се разтваря, щом единицата на анализ стане разделянето на когнитивния труд между обучаемия и машината. Изнасянето увеличава ученето, когато разтоварва операции, периферни за текущата цел, и рискува ерозия, когато заобикаля обработката, конститутивна за тази цел (Nakamura, 2026). Съдържателната обработка на изхода или по-късното му реконструиране е това, което спасява иначе конститутивно изнасяне.

Прекомерна зависимост: когато изнасянето става вредно

Стълбището, което тази страница проследява, има три стъпала и само първите две принадлежат тук. Изнасянето е делегиране на умствена работа, което често е продуктивно; прекомерната зависимост е правенето й хронично и без калибрация, което е поведенческият провал, който този раздел документира; когнитивната капитулация е различен провал - оценъчната стъпка изобщо не се случва, така че обучаемият възприема отговора на AI без никаква преценка за качеството му. Границата се вижда в това какво се иска от AI да предостави: инструменталната помощ на Du и Yuan произвежда изход, докато носещата преценка помощ предоставя стандарта, по който изходът се оценява, и именно вторият вид измества работата, от която зависи експертизата. Бързият преглед от Сидни прави същото тристранно разделение в 271 статии. Затова капитулацията има собствен експериментален отпечатък и собствена страница; прекомерната зависимост остава проблем на честотата и калибрацията, и двете са разделими резултати в една и съща задача - в опитите на Shaw и Nave 73,2% от опитите с грешен AI завършват с капитулация, докато 19,7% завършват със стратегическо изнасяне. Еталон, външен за всяко отделно проучване, измерва същия провал и го намира за често срещан. ImpactBench оценява десет модела в 48 540 симулирани разговора: неговият показател за асиметрия на когнитивното изнасяне е средно 51,9%, а за когнитивно навлизане, свързано с планиране - 47,1%. Неговият образователен случай показва как Claude Sonnet 5 предава теза, план и готово есе „готово за поставяне“ веднага щом симулиран студент настоя за завършена чернова, като същевременно отказва да фабрикува цитати (ImpactBench (2026)). „Учене и развитие на умения“ е най-слабата от 14 подобласти по двете полярности - 45,9% и 16,3%.

Прекомерната зависимост е прекомерната или некалибрирана зависимост от AI инструменти, при която учениците делегират когнитивна работа, която трябва да извършат сами, което води до намалено учене, отслабена самостоятелност и изместване на развитието на умения. Тя е поведенческата проява на прекомерното когнитивно изнасяне: когато изнасянето стане по подразбиране, а не стратегически избор. Прекомерната зависимост не е просто въпрос на твърде много използване на AI - тя е за използване на AI по начини, които заместват, а не допълват процесите на учене. Концептуалната работа настоява тази образователна прекомерна зависимост да се държи отделно от релационната привързаност и клиничната зависимост: Yan (2026) показва, че доверието, зависимостта, прекомерната зависимост, привързаността и проблематичната употреба редовно се смесват в литературата за разговорния AI и че честото делегиране не бива да се нарича зависимост без нарушен контрол или вреда.

  • Парадоксът на ефективността: целите за майсторство се сриват в изнасяне „по подразбиране“. Yan et al. (2026) идентифицират обучаеми, които формулират цели, ориентирани към майсторство, но осъществяват повърхностни процеси, изнасяйки „не по намерение, а по подразбиране“: трите им групи по намерение (Инструмент за възлагане навън n = 16, Учебен помощник n = 31, Когнитивен партньор n = 8) показват, че модалният случай не е нито съзнателно измамничество, нито съзнателно учене. Учениците от групата на възлагането навън осъзнават собствената си незаангажираност (копирането и поставянето абзац по абзац е описано като „напълно замени мозъка ми“) и съобщават за бързо забравяне, а всички 38 интервюирани съобщават ниска увереност, че използват GenAI ефективно - доказателство, че прекомерната зависимост може да бъде движена от липсващи предпоставки (AI грамотност, компетентност в подканването, насоки за конкретната задача), а не от мотивация да се избегне работа.

  • Агентното програмиране изнася разбирането на практика: Tanaka et al. (2026) съобщават, че студентите, използващи AI агенти в курс за софтуерен проект, са написали повече код година за година, но показват спадове в разбирането при тежко използване - възстановими чрез индивидуална проверка на генерирания от AI код от преподавателя.

  • Изместване на ученето: Изследването на когнитивните ефекти на AI документира как достъпността на AI намалява усилието за обработка - „ефектът на Google, разширен върху разсъждението“. Stamatoulis et al. (2026) изолират това като отделен модел на употреба: възприемане с ниска проверка (некритично приемане на изхода на AI) предсказва по-слаби академични резултати, докато оценъчна интеграция (използване на AI за подкрепа на разбирането) предсказва по-добри резултати - а честотата на употреба сама по себе си не предсказва нито едното. Затова прекомерната зависимост е режим на употреба, който може да бъде отделен от това колко използват учениците AI.

  • Проблемът на самостоятелността: Недовършената мисия на AIED рамкира прекомерната зависимост като криза на самостоятелността и мотивацията - учениците заобикалят ученето не защото AI е убедителен, а защото учебните задачи изглеждат безсмислени, когато AI може да ги завърши без усилие.

  • Ерозия на мотивацията: Изследването на мотивацията на учениците установява, че знанието, че AI е наличен, намалява възприеманата стойност на изучаването на умението сами, мотивационно изчисление, което засяга особено начинаещите обучаеми.

  • Упоритостта също ерозира, и то бързо. След около десет минути с асистент, който отговаря при поискване, участниците пропускат 0,20 от задачите без помощ срещу 0,11 при контролите и решават 0,57 срещу 0,73, което се възпроизвежда и при разбиране на текст (Liu et al., 2026).

  • Печалбите от подкрепено домашно не оцеляват на изпит без подкрепа. Рандомизирането на 153 студенти в курс по доказателства към по-ранен достъп до AI повишава оценките за домашно с 2,56 точки и оставя втория междинен изпит неразличим от нула, докато инструмент за обратна връзка с първи опит остава ненаказан, а отворен чатбот води до 3,02 точки по-нисък резултат на всеки 100 съобщения (Chen et al. (2026)).

  • Предадената работа не е доказателство за това какво е изнесено. В 59 чатлога от 23 студенти по линейна алгебра 27 от 30-те, водени от обясняване или проверка, все пак завършват близо до продукта на модела, така че изнасянето трябва да се чете prompt по prompt (Kontorovich & Wallach (2026)).

  • Грамотностен дълг: Агентният грамотностен дълг описва кумулативния дефицит на умения, който се развива, когато учениците обичайно разчитат на AI, вместо да развиват собствените си компетентности, аналогично на техническия дълг в софтуера.

  • Цикли на умора: Изследването на AI умората идентифицира парадокс, при който прекомерната зависимост води до когнитивна умора от постоянното управление на взаимодействието с AI, което от своя страна води до ОЩЕ по-голяма зависимост - порочен цикъл.

  • Правилото за поставяне: Капанът на без усилие преформулира разрешаване срещу забрана като въпрос за поставяне - AI помощник без предпазители остави гимназистите с около 17% по-слаб резултат на изпит без помощ, докато същият модел, преработен да задържа отговорите, заличи вредата. Неговият диагностичен тест - „ако пускането на AI прави задачата да изглежда без усилие, той е на грешното място“ - закрепва първия труден опит и последната проверка без помощ като моментите, в които прекомерната зависимост най-лесно се прикрива като „илюзия за учене“.

  • Метакогнитивно запазване: Моделът на реципрочност синтез-анализ предлага инструменти, които запазват човешката епистемична самостоятелност, като структурират взаимодействието с AI около цикли на човешки анализ, а не около цикли на генериране от AI.

  • Метакогнитивната механика на свръхупотребата: рамката вярвания срещу преживявания обяснява защо учениците изнасят прекомерно дори когато това им вреди - хората изнасят импулсивно, а съществуващите метакогнитивни вярвания закотвят поведението по-бързо, отколкото преживяванията в задачата могат да го коригират - така че противодействието на прекомерната зависимост е метакогнитивно, а не само ограничително.

  • Прекомерната зависимост е тренируема чрез обучение за калибрация: Ngai & Gilbert (2026) показват, че пристрастието на напомнянето - лабораторният аналог на прекомерната зависимост - може да бъде намалено с кратка метакогнитивна интервенция (пет тренировъчни опита, съчетаващи прогноза с обратна връзка), коригирайки калибрацията в двете посоки. Това предполага, че противодействието на прекомерната зависимост не е само ограничителни правила, а обучение за калибрация, което прави учениците точни относно това какво действително могат без помощ.

  • Полеви доказателства: AI, който обучава, срещу AI, който отговаря. NUMI (Oreopoulos et al. 2026) установява, че AI подкрепата, която обучава, вместо да дава отговори, забавя учениците, но намалява избягването на усилие - подобрявайки правилността на следващия опит след грешки с повече време на въпрос („продуктивно забавяне“) - докато Khanmigo (Oreopoulos & Low 2026) показва, че без структура, която прави грешките значими, учениците по подразбиране използват плитко (голи отговори, щракане на prompt) и печалбите съвпадат с практика без AI. И двете потвърждават, че вредата от изнасянето зависи от как се използва и проектира AI, а не само от достъпа. CoMeT (Hou et al. 2026) дава измерението на дизайна, което тази граница иначе оставя имплицитно - един преподавател може да носи повече от труда, без да купува повече делегиране. Неговото стълбище се качва с едно стъпало всеки път, когато обучаемият не използва подкрепата му, и пада до най-лекото стъпало при възприемане, поддържайки метакогнитивното изискване статистически еквивалентно на преподавател, който по дизайн задържа отговорите (p_TOST = 0,004), докато артефакт достига работното пространство в 48,1% от сесиите срещу 23,7% при онзи преподавател, който задържа, и обучаемите го молят да изгради нещо в 50,4% от сесиите срещу 51,1% при преподавател без ограничения, който отговаря при поискване (OR = 0,95, p = 0,82). Делегирането следваше изискването, което преподавателят поставя на обучаемия, а не количеството работа, което поема.

  • Полеви доказателства в голям мащаб: „наказанието за учене“ на генеративния AI. Strömberg, Lei, & Wu (2026), проследявайки 26 811 китайски гимназисти в продължение на 30 месеца, установяват, че самостоятелното приемане на генеративен AI повишава оценките за домашно с 18% и съкращава времето за домашно с 30%, като сваля резултатите на изпит при затворени книги с 20% в рамките на шест месеца и резултатите на приемния изпит с 18-24% след две години - концентрирано сред около 81% от потребителите, чието поведение сочи възлагане на домашното навън (кратко време за завършване плюс завишени оценки за домашно). Това е пряко доказателство в голям мащаб, че изнасянето без предпазители (използване на AI като заместител на домашното, а не като преподавател) произвежда наказанието за учене, което когнитивното изнасяне прогнозира, често неразпознато от самите ученици.

  • Прекомерната зависимост ерозира самонасоченото обучение чрез мотивация и самоефективност. Zhao & Gu (2026) моделират механизма пряко: сред 487 китайски студенти безмисленото използване на GenAI (TUGA) - приемане на изходите на AI без критична оценка - значимо подкопава самонасоченото обучение (β = -0,42), както пряко, така и чрез частична медиация на мотивацията (β = -0,54 път от TUGA) и самоефективността (β = -0,37). Моделът обяснява 75,3% от дисперсията на самонасоченото обучение. Тъй като мотивацията беше най-силният положителен двигател на самонасоченото обучение (β = 0,68), а безмислената употреба я потиска, това е количествено доказателство, че прекомерната зависимост уврежда мотивационните ресурси и ресурсите за самоефективност, от които зависи автономното учене - с полови различия (по-силна вреда за мотивацията при мъжете, по-силна вреда за самоефективността при жените).

  • Склонността към изнасяне предсказва по-слаби резултати от по-висок ред, а грамотността за проверка се нуждае от метакогниция, за да се отплати. Davor, Larbi и Boateng (2026) анкетират 533 университетски студенти в Гана и моделират склонността към изнасяне, скафолдинга на AI при задачи и грамотността за проверка на AI спрямо резултатите от по-висок ред чрез метакогнитивна саморегулация. Склонността към изнасяне беше най-силният отрицателен предиктор за критическо мислене (-0,240) и техническо решаване на проблеми (-0,312) и също потискаше метакогнитивната саморегулация (-0,294), докато скафолдингът предсказваше положително и двата резултата (0,185 и 0,170). Грамотността за проверка нямаше значим пряк ефект върху нито един от резултатите и работеше само чрез метакогнитивната саморегулация - модел на пълна медиация, който авторите наричат метакогнитивен активационен механизъм: да се учи учениците да проверяват изхода на AI не е достатъчно само по себе си, защото оценъчният навик се отплаща само когато е вграден в планиране, наблюдение и размисъл по време на задачата.

  • Зависимостта действа като гранично условие за ползата от употребата. Shojaei et al. (2026) анкетират 412 студенти по бизнес в Оман и декомпозират връзката между употребата на GenAI и самоотчитаната нагласа за критическо мислене: корелацията от нулев порядък е близо до нула (r = 0,050), докато коригираният коефициент е положителен (0,185), защото отрицателен индиректен път през зависимостта (-0,147) го компенсира. Зависимостта беше отрицателно свързана както с нагласата (-0,389), така и със самовъзприеманата пригодност за заетост (-0,328) и отслаби връзките употреба-резултат, а простите наклони паднаха от 0,424 при ниска зависимост до -0,054 при висока - отслабване, а не обръщане. Прочитът оставя находката от страната на режима на употреба: зависимостта маркира къде употребата се измества от увеличаване към заместване, а честотата сама по себе си прикрива противоположните пътища.

  • Прекомерната зависимост от AI като сложна адаптивна система. Вместо да изучава прекомерната зависимост по един потребител наведнъж, статия за моделиране я рамкира като процес на ниво популация, в който агентите обновяват байесови вярвания за качеството на AI и, когато са свързани в мрежа, се учат от връстниците си. Социалното доказателство може да превърне зависимостта в каскада от обратна връзка (видимата непроверена употреба потиска проверката), докато социалното учене създава консенсус, а не прекомерна зависимост - рамка, която измества целите на интервенция от индивидуална калибрация към мрежовата динамика на доверието и зависимостта.

  • Шест диагностични критерия отделят продуктивната зависимост от вредната. Du & Yuan (2026) дават на прекомерната зависимост по-гранулиран диагностичен речник от честотата на употреба, разграничавайки инструменталната помощ (AI помага да се произведе изход) от помощта, носеща преценка (AI предоставя стандартите, по които изходът се оценява). Техният преглед операционализира границата продуктивно-вредно чрез шест критерия - оспоримост, възстановимост, трансфер, проследимост, разпределена отговорност и епистемичен плурализъм - и проследява четири социотехнически пътя (гладък авторитет, безпроблемно делегиране, непрозрачен синтез, институционализирана зависимост), по които изнасянето или запазва, или измества епистемичната работа, която развива преценка. Тъй като зависимостта е контекстуална и институционална, а не само индивидуална, рамката насочва вниманието към стимулите при оценяването, дизайна на интерфейса и обществените поръчки наред със саморегулацията на обучаемия.

  • Неизмереното следствие: когнитивно измиване. Yajee (2026) назовава най-големия открит въпрос на областта като след оттеглянето: почти всички изследвания на изнасянето измерват когниция по време на употреба на AI, но почти нищо не измерва какво се случва, след като асистентът бъде оттеглен за дни или седмици (изпит, прекъсване, преглед на лиценз). Той формализира когнитивното измиване с модел на крива на измиване - оценяеми параметри за константа на времето за възстановяване, пълнота на възстановяването, остатъчен растеж и индекс на хистерезис, сравняващ преученето с първоначалното усилие - и четири възможни изхода (еластичен отскок, частично плато, латентен скафолд, свръхвъзстановяване). Тъй като обратимостта определя дали предизвикан дефицит е неудобство или нараняване на ниво кохорта, статията твърди, че оттеглянето заслужава същия методологичен статут като приемането, и специфицира трираменен, тридомейнен протокол от двадесет и две седмици за разграничаване между изходите. Това превръща разграниченията „наставник срещу патерица“ и субститутивно срещу дупликативно по-горе в проверима надлъжна изследователска програма за това дали и колко бързо се връщат изнесените умения.

  • Зависимост без предметни знания се изражда в отгатване. Mikhasenko et al. (2026), преработвайки встъпителния курс по ядрена и елементарна физика в университета Руур в Бохум, описват модел на провал на зависимостта при липса на предметни знания: когато студентът не можеше да прецени дали генериран отговор е физически обоснован, предвиденият „разговор с AI“ се израждаше в отгатване срещу правдоподобен, но ненадежден изход. Анкетата в средата на семестъра в същия курс (n=30) установява честа употреба на LLM (24 от 29 ги използват често или винаги) наред с ниска самоотчитана готовност за компютърната грамотност, която задачите изискваха, а отворените отговори посочват зависимостта от AI и неравния достъп до платени модели сред точките на триене.

  • Даоисткият контрааргумент: изнасянето не е само непрактично, а се самоосуетява. Xie (2026) предлага нормативен контрааргумент срещу делегирането от даоисткото самоусъвършенстване: в практиката Нейдан (內丹) „няма когнитивни преки пътища“ и практикуващият не може да възложи труда на външни устройства, така че AI трябва да бъде „не когнитивен заместник, а инструментално допълнение“, подобно на алхимична пещ - рамкиране, което се подрежда до границата „наставник срещу патерица“ по-горе, а не до субститутивното изнасяне.

Изнасянето може да струва на себе си, не само на умението. de Barba (2026) назовава онази част от предметното аз на обучаемия, чиито способности се намират в подсилен с AI инструмент и са налични само при условията на доставчика, наето аз, и отделя две цени. Цена на калибрация е погрешно преценено място - подценяване на способност, която притежавате, или надценяване на такава, която инструментът притежава - докато цена на аз следва всеки път, когато основна способност е наета, дори съзнателно, защото операциите, които изграждат аз, никога не се извършват. Нейните четири конфигурации кръстосват мястото с атрибуцията: притежавана компетентност, непотърсена компетентност, видим наем и скрит наем, като последният е този, който премахва сигнала, подтикващ обучаемия да изгради това, което вярва, че вече притежава.

Консенсус на 30 експерти поставя вредата в двата края на учебната последователност. Предрегистрирано упражнение по Делфи върху 65 учебни процеса установява, че придобиването е уязвимо (Кодиране 3,30, Извличане 3,30, Придобиване на информация 3,00 по скалата за нарушение от 1 до 5), затвърждаването е подсилено (Учене от обратна връзка 4,00, Учене от примери 3,90, Самотестване 3,80), а мисленето от по-висок ред отново е уязвимо (Kendeou, Greene & Nixon et al., 2026). Десет от осемнадесет процеса от по-висок ред достигат консенсус само за уязвимост, с оценки за подсилване под прага.

Рамката на CLT

Достъпът до обратна връзка от AI не е същото лечение като ангажирането с нея и мерките за натоварване го разделят. Wenzel, Geiger и Liening (2026) провеждат петседмично надлъжно полево изследване в бизнес симулационна игра (234 студенти, 1147 седмични наблюдения) и разделят предоставянето от получаването. Самото предоставяне на достъп до обратна връзка от разговорен AI не помести нито външното (β = 0,071, p = 0,481), нито полезното натоварване (β = 0,019, p = 0,807). Но студентите, които го използваха редовно, съобщават значително по-високо полезно натоварване от експерименталните неползватели (β = -0,468, p < 0,001) и от контролите (β = -0,253, p = 0,028) - докато външното натоварване никога не беше намалено от достъпа или ангажирането (F(1, 219) = 0,499; базирано на употребата F(3, 214) = 0,172). Това е теоретично интересният модел и обратното на обичайното твърдение: интервенцията накара обучаемите да работят по-усилено върху материала, без да прави средата по-лесна. Вътрешното натоварване движеше външното натоварване (β = 0,647, p < 0,001), а метакогнитивната саморегулация движеше полезното натоварване (β = 0,363, p < 0,001), като външното натоварване беше отрицателно свързано с полезното (β = -0,178, p < 0,001), точно както специфицира CLT. И двете натоварвания също спаднаха през петте седмици (външно β = -0,388, p < 0,001) - ефект на новост, видим върху когнитивна мярка, а не върху мярка за ангажираност.

Теорията за когнитивното натоварване (Sweller) предоставя оспорван теоретичен обектив върху работната памет и инструкцията: вътрешно натоварване (сложност на задачата), външно натоварване (триене в представянето) и полезно натоварване (усилие за изграждане на схеми). Добре проектираният AI трябва да намалява външното натоварване, като запазва полезната обработка; слабо интегрираният AI намалява и трите, оставяйки учениците със завършени задачи и празно учене. Отбележете, че твърденията на теорията са оспорвани в по-широката литература, но нейното рамкиране остава влиятелно в начина, по който се обсъждат ефектите от изнасянето.

Залозите на изнасянето на ниво професия. Рамката „Когнитивна общност“ (Lovett 2026) разширява изнасянето от индивидуално към колективно ниво: когато AI позволява на младшите работници да пропуснат когнитивната борба, която изгражда дълбока експертиза, той може с времето да изчерпи споделения експертен фонд на дадена професия - „въжето на валидирането“ означава, че ефективният надзор над AI зависи от самото майсторство, което приемането на AI може да подкопае. Това преформулира изнасянето и разпада на умения на индивидуално ниво като проблем на регенерация на ниво система с последствия за управлението.

Връзки със свързани концепции

Когнитивното изнасяне (и неговата вредна форма, прекомерната зависимост) се свързва фундаментално с калибрацията на доверието - знанието кога да се довериш на AI и кога да го поставиш под въпрос - и с AI грамотността, която включва метакогнитивното умение да знаеш кога да изнасяш и да разпознаваш собствените си модели на зависимост. То се свързва със скафолдинга (структурирана подкрепа, която намалява натоварването, без да елиминира когнитивното изискване) и с prompt engineering (основният механизъм, чрез който изнасянето се осъществява във взаимодействията с LLM). То се пресича с метакогницията и саморегулираното обучение - ефективните обучаеми калибрират решенията си за изнасяне - и с критическото мислене, самостоятелността и преживяването на студентите. Онлайн преподаването и обучението е особено уязвим контекст: средата вече дистанцира обучаемите от непосредствена отчетност, а работата със собствено темпо на екран кани прекия път „питай за отговора“, който изследването на изнасянето идентифицира като основния механизъм на вреда (вж. злоупотреби с AI и вреда в обучението).

Не всяко изнесено триене е излишно триене. Zohar, Bloom и Inzlicht (2026) правят разграничението, от което литературата за изнасянето се нуждае: предишните AI технологии премахваха излишното триене - досадни или непреодолими препятствия с малка учебна или смислова стойност - докато генеративният AI в интелектуалната работа отстранява и полезното триене, позволявайки на обучаемия да премине от генериране на идеи към оценка, без да поставя под въпрос изхода. Те подкрепят асоциативните доказателства направо: хората, които използват AI, трудно си спомнят или възпроизвеждат собствената си работа, придобиват по-малко умения, показват по-слаб трансфер и се представят по-зле, когато подкрепата от AI бъде отнета - сближавайки се с находките за когнитивния дълг от ЕЕГ изследвания на писане на есе с AI асистент. Аргументът им дава и мотивационната половина на механизма, която чисто когнитивните разкази пропускат: тъй като усилието сигнализира, че действията ни имат значение, изнасянето му намалява оценената цел и смисъл, а щом AI замести усилието в дадена област, мотивационната отплата от усилието там ерозира, задълбочавайки зависимостта. Корективът на статията е градиент, а не забрана - запазете умерената борба, премахнете само това, което единствено потиска (желателни трудности, мотивация).

  • Сигналът за недостатъчна ангажираност се появява в развитието. Първо невроизобразяващо сравнение на деца и възрастни, говорещи с ChatGPT, установява, че 6-7-годишните показват по-слаба свързаност в рамките на мрежите за фронтопариетален контрол, значимост и дорзално внимание, отколкото възрастните - при изравнени резултати по креативност - и липсва връзката креативност-свързаност, която възрастните показват. Тъй като тези изпълнителни функции (планиране, наблюдение, инхибиране) са незрели в първи клас, авторите четат резултата като относим към дебата за минималната възраст. Уговорки: няма контрола без ChatGPT, n = 31, и объркване във формулировката, което може да е потиснало критичната оценка у децата (Horowitz-Kraus et al. (2026)).

  • Зависимо изнасяне срещу автономно изнасяне - разграничението, което определя резултата: Fan, Li и Zhang (2026) организират доказателствата за GenAI около заострена версия на тази граница, черпейки от тривълново проучване с 589 студенти и начинаещи специалисти: зависимото изнасяне делегира основното мислене на инструмента и е свързано с прехвърлена самостоятелност, по-ниска вътрешна мотивация и по-слаби възприемани когнитивни резултати, докато автономното изнасяне запазва епистемичната самостоятелност у обучаемия и показва обратния модел. Находката, която е най-важна за откриването, е, че непосредствените ползи за представянето не се различават между двата режима, така че обучаем, който решава задачите гладко в даден ден, не дава сигнал в кой режим е. Същият преглед отчита и по-широкото разделение в доказателствата - тристепенен мета-анализ с умерена обща полза (g = 0,499; g = 0,669 за разбиране, когниция и креативност) срещу връзки между зависимост, умора и по-слабо критическо мислене - и проследява неадаптивната употреба до екстернализирана саморегулация, а не до технологична зависимост.

  • Три пътя на взаимодействие, а не едно поведение. Моделът на взаимодействие невропластичност-AI (NAIM) отделя директното заобикаляне, при което моделът предоставя решението и генериращото усилие изчезва; когнитивното изнасяне, при което се делегират конкретни подпроцеси и ефектът зависи от това дали тези подпроцеси са целта на ученето; и скафолдинга, при който моделът ограничава помощта, за да запази усилието за обработка (Bypass, Offload, or Scaffold: A Conceptual Model of How Large Language Models Shape Learning)

Две контролирани проучвания от скорошната партида приковават двете половини на това твърдение - дали поведението се променя и какво е защитавало. Maier et al. (2026) направиха учебното последствие от изнасянето видимо преди всеки избор в предрегистриран експеримент с 704 участници, упражняващи аритметика с дроби: шансовете за изнасяне на отговор паднаха до OR = 0,47, а шансовете за правилен отговор на по-късен тестов въпрос без помощ се покачиха до OR = 1,51, докато награда, базирана на усилието, не помести нито един от резултатите. Изнасянето се натрупваше в рамките на сесията - след изнасяне на един елемент участниците изнасяха следващия в 69,7% от случаите без обратната връзка и 55,9% с нея - а покачване с десет процентни пункта в изнасянето беше свързано с 32% по-ниски шансове за успех без помощ (OR = 0,68). Bergh et al. (2026) дават допълнението от страната на резултата: 55 студенти по компютърни науки, които програмираха с ChatGPT, постигнаха 89% срещу 69% без него, запомниха по-малко от същия материал веднага (41% срещу 53%) и след 48 часа (39% срещу 52%), и приписаха само 45% от предадения код на себе си срещу 81%. Четени заедно, проучването за обратната връзка показва, че поведението може да бъде изместено без ограничаване на достъпа до инструмента, а проучването по програмиране показва какво е защитавало изместеното поведение. Моделът е калибриран срещу най-силните налични полеви доказателства: неограничен достъп до GPT-4 в проучване с близо 1000 гимназисти по математика повиши представянето при практика с 48%, но остави дефицит от 17% на изпита без помощ, докато GPT Tutor с ограничени подсказки даде 127% печалба при практиката с до голяма степен елиминиран дефицит на изпита. Затова изнасянето е вредно само в конфигурацията на заобикаляне, а оперативната променлива на дизайна е дали моделът замества оценяваното целево умение. (Bypass, Offload, or Scaffold: A Conceptual Model of How Large Language Models Shape Learning) Същата логика превръща оформянето на наградата в инструмент за дизайн: Macina et al. (2026) обучават LLM преподаватели с маскиран посттест за близък трансфер и две двоични порти, така че наградата може да расте само чрез това, което студентът е написал в собствените си ходове, а тяхната аблация показва, че портите, а не суровата награда за учебна печалба, са това, което намалява предаването на решения.

Чести заблуди

  • „Обемът на prompt измерва изнасянето.“ 97 обучаеми бяха групирани по обем на prompt, и групите по обем не се различаваха значимо по локално срещу глобално подканване или по подканване в активна роля. Броенето на prompt броеше активност, а не разпределението на когнитивната работа.
  • „Учениците използват AI главно, за да разберат.“ Analyze оглави разпределението с 27,28% (831 съобщения) пред Understand с 23,76% - първото фино доказателство, че натуралистичното [взаимодействие ученик-AI] клони към аналитично, а не към разбиране.
  • „Следите от prompt разкриват дали е имало изнасяне.“ Това, което следите на ниво prompt не могат да дадат, идва от подизвадка от 16 студенти със свързани оценки, чиито 1140 съобщения са кодирани ръчно: 49,6% от 125 диалога не показват никакво изнасяне. Моделите на следите надценяват изнасянето спрямо ръчно кодирания диалог.

Свързани концепции

  • Pedagogical Patterns - Рискът, който всяка последователност „усилие първо“ е проектирана да избегне
  • Learners - Обучаеми: чадърът за концепциите от страната на обучаемия
  • AI грамотност - Да знаеш кога да изнасяш и да разпознаваш моделите на зависимост
  • Learner Agency - Отслабва, когато AI замества когницията на обучаемия
  • Critical Thinking - Влошава се от некалибрирано изнасяне
  • Creativity - Подкопава се, когато AI заменя генериращия акт на обучаемия
  • Distributed Cognition - Компромисът ефективност-регулиране при делегирането
  • Embodied Learning - Ситуираната когниция като алтернатива на възлагането навън
  • Generative AI - Инструменталният контекст на изнасянето чрез AI
  • Metacognition - Калибриране кога да изнасяш и кога да се ангажираш
  • Online Teaching and Learning - Среда, уязвима на прекия път „питай за отговора“
  • Prompt Engineering - Основният механизъм на изнасяне при използването на LLM
  • Scaffolding - Намаляване на натоварването без елиминиране на когнитивното изискване
  • Self-Directed Learning - Ерозира от безмислена употреба на AI
  • Self-Regulated Learning - Регулиране на решенията за изнасяне
  • Trust Calibration - Да знаеш кога да се довериш на AI и кога да го поставиш под въпрос
  • Retrieval, Spacing and Interleaving - противопрактиката срещу оставянето на модела да извлича от името на обучаемия
  • Когнитивна капитулация

Свързани статии

Свързани ЧЗВ

Свързани ресурси

  • PAUSE: Patterns of AI Use Self-Examination
    A ten-minute, browser-only self-check on what you offload to AI, with every item traced to the research paper behind it.
  • Student Guide to AI
    A free three-edition student guide to artificial intelligence from Elon University, AAC&U and The Princeton Review, whose 2026 edition builds ten human capacities with teacher-ready learning modules and an anonymous self-assessment.

Метаданни

Целева аудиторияLearners
Обучение и преподаванеMetacognition, Self-Regulated Learning
Технологии и техникиGenerative AI
Равнопоставие, етика и отговорна употребаTrust Calibration
Основи на AI в образованиетоAI грамотност, Когнитивно изнасяне
ИзточникИсторияРедактиранеЧат

Вграждане на тази страница

Копирайте кода по-долу, за да вградите тази страница в система за управление на обучението или друг уебсайт. Вгражданата версия показва само съдържанието на страницата — скрива заглавната част, навигацията и долния колонтитул на сайта.