Kognitivno rasterećenje

Automatski strojni prijevod ove engleske stranice, koji još nije pregledao izvorni govornik.

Kognitivno rasterećenje: upotreba vanjskih alata (uključujući umjetnu inteligenciju) za smanjenje unutarnjeg kognitivnog zahtjeva, kojom se mentalni rad prenosi s učenika na sustav. U području Umjetna inteligencija u obrazovanju kognitivno rasterećenje središnji je mehanizam preko kojeg alati s umjetnom inteligencijom mogu poduprijeti ili potkopati učenje: primjereno rasterećenje oslobađa kognitivne resurse za mišljenje višeg reda, dok prekomjerno rasterećenje zaobilazi obradu potrebnu za trajno učenje. Pretjerano oslanjanje štetni je kraj tog spektra: neproduktivan obrazac u kojem rasterećenje prelazi iz strateške potpore u potiskivanje učenja.

Pitanja za razmatranje

• Kognitivno rasterećenje znači upotrebu vanjskih alata, uključujući umjetnu inteligenciju, za smanjenje unutarnjeg kognitivnog zahtjeva. Stranica izričito kaže da rasterećenje nije samo po sebi štetno: bilježnice, kalkulatori i tražilice svi rasterećuju. Što, po vama, čini rasterećenje posredovano umjetnom inteligencijom različitim i potencijalno značajnijim od tih poznatih alata?
• Česta je pretpostavka da je problem previše upotrebe umjetne inteligencije. No ova stranica odvaja pretjerano oslanjanje od puke učestalosti: radi se o načinu upotrebe koji zamjenjuje učenje, a ne o tome koliko se često umjetna inteligencija rabi. Možete li opisati način upotrebe umjetne inteligencije koji je čest, ali zdrav, i onaj koji je rijedak, ali štetan?
• „Iluzija ubrzanja“ jest to da se rad uz pomoć umjetne inteligencije čini bržim i lakšim, stvarajući zavaravajući dojam produktivnosti koji prikriva smanjeno učenje: učenici brzinu dovršetka zadatka poistovjećuju s učenjem. Kada ste se osjećali produktivno radeći nešto brzo, a kasnije shvatili da ste iz toga malo naučili?
• Istraživanja nalaze da je šteta rasterećenja uvjetna, a ne intrinzična: „umjetna inteligencija koja poučava čuva ili povećava vještinu; umjetna inteligencija koja zamjenjuje riskira propadanje.“ Koja je praktična razlika između umjetne inteligencije koja podupire vaše mišljenje i one koja ga zamjenjuje, i kako biste prepoznali koju dobivate?
• Jedna studija pokazuje da je samo pristup savjetu umjetne inteligencije gotovo ukinuo volju ljudi da kažu „ne znam“, čak i kad je savjet bio pogrešan, dok je samopouzdanje gotovo udvostručeno, a točnost smanjena na trećinu. Što to govori o tome kako umjetna inteligencija mijenja našu svijest o vlastitom neznanju?
• Stranica uvodi metakognitivni jaz u ravnopravnosti, „Mattejev efekt s umjetnom inteligencijom“: kako produktivna upotreba umjetne inteligencije zahtijeva prethodno znanje i metakogniciju, učenici koji su već u prednosti imaju više koristi, a oni kojima je praksa najpotrebnija najvjerojatnije će delegirati učenje. Kako bi edukator ili dizajner trebao odgovoriti na činjenicu da isti alat može produbiti postojeće podjele?

Uvod

Kognitivno rasterećenje nije samo po sebi štetno: ljudi su oduvijek rabili vanjske alate (bilježnice, kalkulatore, tražilice) za smanjenje kognitivnog opterećenja. Ono što rasterećenje posredovano umjetnom inteligencijom čini različitim jest njegova sveobuhvatnost: LLM-ovi mogu generirati cjelovita rješenja, objašnjenja i analize, potencijalno uklanjajući potrebu za upravo onim kognitivnim procesima koji proizvode učenje.

Kako se kognitivno rasterećenje očituje u istraživanjima AIED-a

Radovi u bazi znanja dokumentiraju kognitivno rasterećenje kroz više dimenzija:

• Instrumentiranje samorefleksije umjesto mjerenja osobine: PAUSE (Patterns of AI Use: Self-Examination) pretvara literaturu o rasterećenju iz razdoblja 2023-2026 u samoprovjeru s četiri domene (rezoniranje i kritičko mišljenje, kreativnost i originalnost, istraživanje i učenje, društvena i komunikacijska sposobnost), s obrnuto bodovanim bihevioralnim česticama, citatnim uporištima uz svaku česticu, bez složenog rezultata i bez tvrdnje o valjanosti (Alam, 2026). Njegovo je dizajnersko stajalište da je korisna intervencija kod rasterećenja poticanje refleksije, a ne proizvodnja dijagnoze, jer nijedan instrument još nema uporište da opravda posljedičnu odluku o osobi.

• Obrasci poticaja kao tragovi rasterećenja: Misiejuk i sur. (2026) rabe analizu mreže supojavljivanja (Network Analysis) kako bi pokazali da reaktivni poticaji (neslaganje bez konteksta domene) upućuju na veće rasterećenje, dok poticanje bogato kontekstom s integriranom uputom odražava angažiranu kogniciju. Kako se umjetna inteligencija rabi, a ne samo rabi li se, određuje stupanj rasterećenja.

• Količina poticanja ne utvrđuje što je rasterećeno: Poquet i sur. (2026) grupirali su 97 učenika prema količini poticaja i utvrdili da se skupine prema količini nisu značajno razlikovale u lokalnom nasuprot globalnom poticanju ni u poticanju s aktivnom ulogom: ista količina opisivala je i usmjereno delegiranje (12,9 poticaja, 36 % aktivnih) i gotovo nikakvo usmjerenje (4 % aktivnih).

• Naturalistički dokazi na razini poruke u velikom opsegu: rasterećenje promatrano, a ne pretpostavljeno: Piatnitckaia i sur. (2026) kodirali su 3 047 poruka u ChatGPT-u (Conversational AI) 46 studenata preddiplomskog studija na jednom europskom sveučilištu tijekom sedmotjednog razdoblja pripreme za ispit, rabeći GPT-4o-mini s obveznim lancima rezoniranja i validirajući postupak prema obučenom ljudskom ocjenjivaču na 200 poruka (Cohenov κ = 0,76 za vrstu pitanja, 0,75 za Bloomovu razinu). Analiza je predvodila tu distribuciju s 27,28 % (831 poruka), ispred razumijevanja s 23,76 %, što je prvi finozrnati dokaz da naturalistička studentska upotreba umjetne inteligencije rutinski cilja na rad višeg reda, a ne na pamćenje. Poduzorak od 16 studenata s povezanim ocjenama, čijih je 1 140 poruka ručno kodirano, daje ono što tragovi na razini poticaja ne mogu: 49,6 % od 125 dijaloga nije pokazalo rasterećenje, 34,4 % lagano i 16,0 % teško, prema rubrikama koje teško pridržavaju slučajevima u kojima umjetna inteligencija proizvodi prvi nacrt i konstruira glavni intelektualni proizvod. Teško rasterećenje bilo je pretežno fenomen stvaranja (80 % od 20 teških dijaloga, 42 % svih dijaloga stvaranja), što autori čitaju kao dokaz da su stupanj rasterećenja i Bloomova razina odvojene dimenzije koje vrijedi mjeriti zasebno. Obrazac ocjena bio je samo opisan: 17,6 % teških u najvišem sloju, 17,5 % u srednjem i 5,9 % u najnižem (χ² = 5,80, df = 4, p = 0,215), i djelomice počiva na jednom studentu usmjerenom na programiranje čije podizanje spušta stopu najvišeg sloja na 8,9 %, zbog čega autori tvrde da disciplina oblikuje navike delegiranja više od izvedbe i preporučuju metakognitivne povratne informacije o stvarnim obrascima upotrebe, a ne zabranu.

• Iluzija ubrzanja: Istraživanje iluzije ubrzanja pokazuje da se rad uz pomoć umjetne inteligencije čini bržim i lakšim, stvarajući zavaravajući dojam produktivnosti koji prikriva smanjeno učenje. Učenici brzinu dovršetka zadatka poistovjećuju s učenjem, što je metakognitivna slijepa točka.

• Gubici učenja zbog nevođene umjetne inteligencije: RCT-ovi iz matematike u srednjim školama pokazuju da generativna umjetna inteligencija bez zaštitnih ograda (Guardrails) daje lošije ishode učenja od tradicionalne nastave. Skraćeno vrijeme učenja korelira sa smanjenim učenjem: učenici dovršavaju zadatke brže, ali manje pamte.

• Randomizirani test predviđanja rasterećenja s odgodom od 45 dana, i manjak nije samo ušteđeno vrijeme: Barcaui (2025) randomizirao je 120 studenata preddiplomskog studija na učenje tema iz umjetne inteligencije i strojnog učenja ili s neograničenim ChatGPT-om (web-sučelje GPT-4, bez smjernica za poticaje) ili tradicionalnim ne-AI metodama, a zatim je 45 dana kasnije dao iznenađujući konceptualni test od 20 pitanja. Skupina uz pomoć umjetne inteligencije postigla je 57,5 % nasuprot 68,5 % (t(83) = -3,19, p = 0,002, Cohenov d = 0,68), a nepovoljni položaj preživio je ANCOVA-u koja drži samoprijavljeno vrijeme učenja konstantnim (F(1, 82) = 7,89, p = 0,006; prilagođene srednje vrijednosti 6,50 prema 5,85), pa nije bio puki artefakt količine vremena. Argument rasterećenja u radu jest da ChatGPT nudi sintezu i objašnjenje izravno, što ga čini kvalitativno drukčijim oblikom delegiranja od kalkulatora: onim koji može apsorbirati razumijevanje, a ne samo prisjećanje.

• Rasterećenje nije uvijek štetno: rubni uvjet „trenera“: Lira i sur. (2025) pokazuju da umjetna inteligencija može smanjiti trud u vježbanju i poboljšati okruženje za učenje, dajući „radi manje, nauči više“. Odrasli koji su vježbali pisanje s alatom s umjetnom inteligencijom napisali su bolja pisma bez umjetne inteligencije od onih koji su vježbali sami, čak pobijedivši personalizirane povratne informacije ljudskih urednika, bez napuhavanja iluzije ovladavanja. Pomirenje s gore navedenim štetama jest oblik rasterećenja: umjetna inteligencija Lire i sur. podupirala je (iznoseći primjere i povratne informacije, a zadržavajući učenika u petlji), umjesto da zamjenjuje kognitivni čin. Perspektiva vještina nasuprot osnovnih sposobnosti konvergira istoj granici: umjetna inteligencija koja poučava čuva ili povećava vještinu; umjetna inteligencija koja zamjenjuje riskira propadanje. Kilinc i sur. (2026) dali su brojke toj granici u srednjoškolskoj učionici poljoprivrednog STEM-a. Među 42 osmaša u 12 grupa prihvaćanje modela činilo je 74,1 % kodiranih izmjena suradničkog angažmana u profilu najvećeg napretka, dok su kognitivno rasterećenje i suradnička blokada zajedno dosegli 80,8 % u profilu koji se muči. Učinak rasterećenja na učenje stoga je uvjetan, a ne intrinzičan.

• Kritičko angažiranje nasuprot rasterećenju: Favero i sur. uokviruju tutore s umjetnom inteligencijom kao osnažujuće (podupiru aktivnu kogniciju) ili porobljujuće (omogućuju pasivno rasterećenje), povezujući to s istraživanjima kritičkog mišljenja (Critical Thinking).

• Metakognitivna svijest: Studije metakognitivne svijesti ispituju prepoznaju li učenici kada rasterećuju, a kada uče, te mogu li intervencije poučavanja poboljšati tu kalibraciju.

• Utjelovljena inteligencija kao alternativa preuzimanju: Okvir E3-HOT tvrdi da, kako bi se suprotstavilo kognitivnom preuzimanju izazvanom umjetnom inteligencijom i učenju odvojenom od autentičnih konteksta, umjetnu inteligenciju treba oblikovati oko utjelovljene inteligencije (situacijsko ugrađivanje, utjelovljeno sudjelovanje, kognitivno stvaranje) kako bi učenici zadržali kognitivnu djelotvornost i mišljenje višeg reda, umjesto da ga rasterete. Time se utjelovljeno, situirano oblikovanje umjetne inteligencije uokviruje kao pozitivna protuteža riziku rasterećenja, povezujući se s distribuiranom kognicijom (Distributed Cognition) i utjelovljenim učenjem (Embodied Learning).

• Kompromis između učinkovitosti i regulacije (AI Regulation in Education) u distribuiranoj kogniciji: Hao i sur. pokazuju da u suradnji čovjeka i umjetne inteligencije način koji najviše rasterećuje na umjetnu inteligenciju (delegirano rezoniranje) najbolje djeluje na zadacima, ali korelira sa smanjenom samoregulacijom: empirijski dokaz da dobitak učinkovitosti rasterećenja može doći na račun regulacijskog angažmana učenika, što konvergira sa zabrinutostima oko samoreguliranog učenja (Self-Regulated Learning).

• Umor i kognitivni teret: Istraživanje umora od umjetne inteligencije dokumentira kako stalna interakcija s umjetnom inteligencijom stvara vlastiti kognitivni teret, paradoks u kojem rasterećenje jednog zadatka povećava kognitivno opterećenje upravljanjem rezultatima umjetne inteligencije.

• Okvir metakognitivnih uvjerenja nasuprot iskustava: Guo i Ye (2026) primjenjuju Nelsonov i Narenov dinamički metakognitivni model kako bi pomirili proturječne nalaze intervencija u polju. Razlikuju metakognitivna uvjerenja (stabilne, samoreferencijalne samopredodžbe koje usidruju odluke o rasterećenju prije zadatka) od metakognitivnih iskustava (dinamični, zadatku specifični osjećaji koji pokreću ažuriranje uvjerenja tijekom zadatka), dajući načelo podudaranja vremena i komponente: povratne informacije usmjerene na uvjerenja najdjelotvornije su prije zadatka, dok su povratne informacije usmjerene na iskustva (neposredni pokazatelji točnosti) najdjelotvornije tijekom njega. Formaliziraju i supstitucijsko rasterećenje (zamjena unutarnje obrade vanjskim pomagalima) nasuprot duplikacijskom rasterećenju (dopunjavanje obrade): kad vanjska pohrana nestane, supstitucijski rasteretitelji naglo padaju, dok duplikacijski zadržavaju točnost, a pristranost podsjetnika rabe za kvantificiranje odstupanja od optimalnog rasterećenja. To konvergira granici „trener nasuprot štake“: rasterećenje koje podupire čuva vještinu; rasterećenje koje zamjenjuje riskira propadanje.

• Formalni model problematične upotrebe za ovisnost o umjetnoj inteligenciji u akademskom pisanju (I-PACE): Liu, Zhuang i Wang (2026) proširuju I-PACE model ovisničke upotrebe tehnologije na ovisnost o generativnoj umjetnoj inteligenciji u sveučilišnom akademskom pisanju. U mješovitom kineskom uzorku akademski stres najjači je prediktor ovisnosti o umjetnoj inteligenciji, Pismenost u području umjetne inteligencije je zaštitni čimbenik (niža pismenost dovodi do veće psihološke ovisnosti), a opaženo povjerenje posreduje put od društvenog utjecaja do ovisnosti, pa se ovisnost oblikuje putem niza društveni utjecaj, povjerenje, ponašanje, a ne samo pojedinačnom upotrebom alata. Njihovi kvalitativni podaci dodaju dimenziju politike: studenti izvješćuju o strateškom izbjegavanju otkrivanja plagiranja i navode dvosmislna pravila o tome što se računa kao sukladna upotreba umjetne inteligencije kao poticaj za improvizaciju, povezujući rasterećenje s akademskom čestitošću (Akademska čestitost).

• Kognitivni dug i razlikovanje epizodnog i habitualnog rasterećenja: Lin i Al-Hada (2026) formaliziraju „paradoks kritičkog mišljenja“ (bolji proizvodi uz smanjeno kognitivno angažiranje) kroz diferencirani trostupanjski okvir (površne, srednje i duboke uloge umjetne inteligencije) i konstrukt kognitivnog duga: mogući kumulativni pad metakognitivne kalibracije i samostalne izvedbe višeg reda koji traje nakon epizode s umjetnom inteligencijom. Njihov ključni konceptualni napredak jest razlikovanje epizodnog rasterećenja (namjerno, zadatku specifično delegiranje sa zadržanom sviješću) od habitualnog rasterećenja (rutinsko, slabo nadzirano oslanjanje), uz predviđanje da potonje na zadacima dubinske obrade daje disocijaciju proizvoda i procesa: bolje ocijenjene zadaće, ali slabiji samostalni odgođeni prijenos.

• Spektar od preuzimanja do preraspodjele: rasterećenje može preraspodijeliti trud, a ne ga samo smanjiti. Yan i sur. (2026) primijenili su Biggsov model prethodnih uvjeta, procesa i proizvoda na 38 studenata u Japanu i Kini koji su pisali argumentacijske eseje bez nadzora, smještajući studentsko angažiranje s generativnom umjetnom inteligencijom na spektar omeđen kognitivnim preuzimanjem i kognitivnom preraspodjelom, analognim površnom i dubinskom pristupu u eri generativne umjetne inteligencije. Manjina koja je preraspodijelila izvijestila je o nepromijenjenom ukupnom trudu uz pomaknuti fokus, premještajući resurse s niskorazinske reprodukcije na kritičku evaluaciju i refleksivnu konsolidaciju (pisanje refleksijskih bilježaka nakon svake sesije radi suprotstavljanja plitkom pamćenju), što dovodi u pitanje pretpostavku da rasterećenje nužno oduzima kogniciju. Preraspodjela je ipak bila iznimka: 78,94 % dotaklo je generativnu umjetnu inteligenciju samo prije početka ili nakon pisanja nacrta, umjesto da je izmjenjuje sa samostalnim radom, a 76,32 % oslonilo se na jednostruki obrazac pitaj, dobij odgovor, prekini (23,68 % na trajni iterativni dijalog), pa se integrirajuće ponašanje koje je proizvelo preraspodjelu moralo poučavati, a ne pretpostavljati.

• Metakognitivna obuka smanjuje pristranost podsjetnika (izravni empirijski dokaz): Ngai i Gilbert (2026) daju prvu jasnu demonstraciju da kratka intervencija može rasterećenje učiniti mjerljivo optimalnijim. Dva preregistrirana eksperimenta (N = 164, N = 416) pokazala su da je samo pet pokusnih ponavljanja koja su spajala predviđanje izvedbe sa stvarnom povratnom informacijom za svaki pokušaj poboljšalo metakognitivnu kalibraciju i smanjilo pristranost podsjetnika. Aditivni dizajn s četiri skupine izolirao je mehanizam: sama predviđanja bila su nedjelotvorna; dodavanje povratne informacije o izvedbi pokrenulo je poboljšanje; izričito označavanje prevelikog ili premalog samopouzdanja nije dodalo ništa više. Učinak se pojavio na apsolutnoj (a ne predznakovnoj) pristranosti: obuka je ispravila pojedinačne nekalibriranosti u oba smjera. Time se empirijski potvrđuje gore opisani okvir uvjerenja nasuprot iskustava: povratna informacija usmjerena na iskustvo, a ne uvjerenja ni samo predviđanje, mijenja ponašanje rasterećenja. Autori uspjeh pripisuju financijskom poticaju vezanom uz optimalnost rasterećenja i neposrednoj stvarnoj povratnoj informaciji.

• Refleksijski poticaj unutar zadatka čini oslanjanje diskriminativnijim, a ne obrambenijim: Ren (2026) randomizirao je 342 studenta preddiplomskog studija u tri uvjeta (bez umjetne inteligencije, otvorena višekratna podrška ChatGPT-a i ista podrška uz kratki refleksijski poticaj o vlastitom rezoniranju i o tome što bi opravdalo odbijanje objašnjenja umjetne inteligencije) i našao da je otvorena podrška nosila 62,4 % prihvaćanja netočnih savjeta umjetne inteligencije, što je refleksijski poticaj smanjio na 39,7 % (OR = 0,40), dok je točnost preporuka ostala usporediva u dvama potpomognutim uvjetima (66,3 % prema 67,0 %), a usklađenost s točnim savjetima visoka. Refleksija je poboljšala i kalibraciju svijesti između opaženog i bihevioralnog oslanjanja (0,59 prema 0,41) i snizila indeks pristranosti atribucije specifične za umjetnu inteligenciju s 0,42 na 0,21. Riječ je o istom mehanizmu usmjerenom na iskustvo kao u gornjoj studiji obuke, primijenjenom unutar epizode odlučivanja, i podupire čitanje pretjeranog oslanjanja na ovoj stranici kao pitanja nadzora, a ne učestalosti: znanje o granicama modela samo po sebi nije spriječilo studente da prihvate uvjerljiv pogrešan savjet.

• Metakognitivna lijenost i novi metakognitivni jaz u ravnopravnosti (Equity): Lodge i Loble (2026), sektorsko izvješće za australsko školstvo, tvrde da je temeljni rizik generativne umjetne inteligencije kognitivno rasterećenje, a ne plagiranje. Usvajaju metakognitivnu lijenost (Fan i sur. 2024), gdje komocija umjetne inteligencije potkopava angažiranje učenika u bitnim samoregulacijskim procesima, pa učenici prepuštaju metakognitivnu odgovornost alatu, i uvode metakognitivni jaz u ravnopravnosti („Mattejev efekt s umjetnom inteligencijom“): budući da produktivno iskorištavanje umjetne inteligencije zahtijeva prethodno znanje (Prior Knowledge) i metakogniciju, učenici koji su već u prednosti imaju više koristi, dok oni kojima je praksa najpotrebnija najvjerojatnije delegiraju učenje, produbljujući postojeće podjele. Njihov predloženi lijek jest osnaživanje nastavnika (davanje alata iskusnim nastavnicima radi skaliranja njihove prakse, potkrijepljeno studijama koje pokazuju da umjetna inteligencija namijenjena nastavnicima poboljšava ishode uz mnogo niži trošak), a ne tutora s umjetnom inteligencijom namijenjenih studentima, uz poučavanje sa smanjenjem opterećenja i metakognitivne poticaje.

• Pretjerano oslanjanje vodeća je etička zabrinutost u svim generacijama konverzacijske umjetne inteligencije. Krovni pregled agenata konverzacijske umjetne inteligencije (Ganguly i sur. 2025, 34 pregleda) izvješćuje da su zabrinutosti o odnosu čovjeka i umjetne inteligencije, uključujući pretjerano oslanjanje i smanjenje društvene interakcije, najčešće raspravljano etičko pitanje u svim generacijama konverzacijske umjetne inteligencije, i to prije generativne umjetne inteligencije. Također navodi obrazovni učinak i kognitivne zabrinutosti (uključujući pretjerano oslanjanje i oslabljeno kritičko mišljenje) kao drugu najraspravljaniju kategoriju izazova, naglašavajući da je šteta rasterećenja trajna tema kroz generacije, a ne novost specifična za generativnu umjetnu inteligenciju.(Conversational AI agents in education: an umbrella review of current utilization, challenges, and future directions)

• Nastavnici kao refleksivni regulatori kognicije: Ho i Chen (2026) proširuju teoriju rasterećenja na profesionalnu prosudbu uz umjetnu inteligenciju intervjuirajući 18 nastavnika u službi. Utvrđuju „metakognitivnu ekologiju“ u kojoj nastavnici prepoznaju, preraspodjeljuju i refleksivno ponovno angažiraju kogniciju s generativnom umjetnom inteligencijom, uokvirujući umjetnu inteligenciju kao kognitivnog partnera, a ne zamjenu za mišljenje, i ističu „profesionalni drift“ kao rizik kad rasterećenje ostane nerefleksivno u poučavanju i administraciji potpomognutima umjetnom inteligencijom (Poučavanje).

• Rasterećenje je odlučivanje utemeljeno na vrijednostima, a neki su učenici ranjiviji od drugih. Seung i Basham (2026), konceptualni pregled u Learning Disability Quarterly, sintetiziraju kognitivnu znanost, specijalno obrazovanje (Special Education) i obrazovnu tehnologiju kako bi modelirali rasterećenje generativnom umjetnom inteligencijom kao odluku o troškovima i koristima koju oblikuju ciljevi izvedbe, težina zadatka, akademska samodjelotvornost i percepcije alata. Tvrde da su učenici s teškoćama u učenju posebno ranjivi na suboptimalno rasterećenje, jer povišeno kognitivno opterećenje, ciljevi izvedbe koji izbjegavaju trud, niža akademska samodjelotvornost i napuhana očekivanja prema generativnoj umjetnoj inteligenciji čine prerano ili prekomjerno delegiranje vjerojatnijim. Generativna umjetna inteligencija uokvirena je kao kompenzacijsko pomagalo ili prečac, ovisno o tome kako odluke o rasterećenju djeluju s profilima učenika i instruktivnim dizajnom, pri čemu su instruktivne zaštitne ograde (Guardrails) ključni moderirajući čimbenik (poučavati metakognitivnu samoregulaciju, graditi Pismenost u području umjetne inteligencije za kalibraciju povjerenja u alat, redati iskustva ovladavanja i procjenjivati proces, a ne samo proizvod). To proširuje dimenziju ravnopravnosti rasterećenja: isti alat koji smanjuje prepreke pristupu može, ako nije zaštićen, zamijeniti upravo onu praksu koja je učenicima s teškoćama u učenju najpotrebnija.

• Rizik rasterećenja razvojan je. Niu i sur. (2026) pregledali su 24 izvora dokaza o generativnoj umjetnoj inteligenciji i dječjem kreativnom mišljenju (Creativity) i našli pretjerano oslanjanje i ovisnost o poticajima među ponavljajućim rizicima, najizraženijima u nižim razredima, uz mišljenje utemeljeno na predlošcima i dječju poteškoću u procjeni je li prijedlog umjetne inteligencije originalan; jedna fMRI usporedba zabilježila je slabije angažiranje mreža kognitivne kontrole i pažnje tijekom interakcije djeteta s ChatGPT-om nego u ljudskom razgovoru. Kako mlađa djeca nemaju jezične i metakognitivne vještine koje poticanje tekstom zahtijeva, autori preporučuju zadržavanje pismenosti o umjetnoj inteligenciji (Pismenost u području umjetne inteligencije), autorstva i samostalnog stvaranja ideja unutar same aktivnosti te mjerenje neovisne kreativnosti odvojeno od rezultata dobivenog uz pomoć umjetne inteligencije. To dodaje dobnu dimenziju gornjim obrascima ranjivosti.

• Pitanje „misliti manje nasuprot učiti drukčije“ uvjetno je. Nesnin i sur. (2026) nude širi analitički pregled koji zaključuje da umjetna inteligencija ne čini nužno studente manje mislećima, nego preobražava način na koji uče: ishod ovisi o upotrebi. Umjetna inteligencija koja razjašnjava, provjerava i vodi poboljšava učenje; umjetna inteligencija koja zamjenjuje samostalno mišljenje daje pasivnu ovisnost. To konvergira s raširenom granicom „poduprijeti nasuprot zamijeniti“ u bazi znanja i s uvjetnim pogledom na štetu rasterećenja.

• Rasterećenje je osjetljivo na slojeve: važna je dubina delegiranja, a ne samo njegova pojava. Chen (2026) uvodi slojevito osjetljiv prikaz za akademsko pisanje: površinski (gramatika i rječnik), strukturni (nacrt i redoslijed), idejni (tvrdnje i sadržaj) i rezonirajući (jamstva, protuargumenti i argumentacijska logika). U osmotjednom kvazieksperimentu otvorena suradnja s umjetnom inteligencijom dala je najbolje potpomognuto pisanje, ali najslabije samostalne ishode bez umjetne inteligencije, pri čemu su dublji slojevi rasterećenja nosili najjaču negativnu vezu sa samostalnim mišljenjem višeg reda u visokom obrazovanju (Higher Education) (rasterećenje rezoniranja neizravno ab = -0,34 prema površinskom -0,08). Samoregulirano pisanje ublažilo je, ali nije uklonilo štetu. To rafinira granicu podupiranja i zamjene: neki slojevi delegiranja podupiru, dok dublji slojevi zamjenjuju kogniciju koja gradi kritičko mišljenje (Critical Thinking).

• Kauzalni test predviđanja rasterećenja, s obrnutim predznakom: pisanje s ChatGPT-om dalo je manje učenja od samostalnog pisanja. Wagner-Kobayashi (2026) provela je eksperiment među skupinama u kojem je 35 studenata psihologije provelo 20 minuta razrađujući ulazni tekst, s GPT-3.5 dostupnim samo eksperimentalnoj skupini, i pristupilo identičnom testu znanja prije i poslije. Hipotezirana interakcija skupine i vremena bila je značajna (F(70) = 5,889, p = 0,018), ali u suprotnom smjeru: skupina bez ChatGPT-ja naučila je više (posttest M = 8,29 prema 6,94; b = -1,450), čime je opovrgnuto predviđanje pisanja za učenje da će ChatGPT pojačati razrađivanje. Ono što je iscurilo bio je sam razrađujući trud: sudionici su u dijalogu s alatom proizveli samo 2,25 primjera i 0,88 veza i izvijestili da su dali prednost broju riječi nad dubinom, što autori čitaju kao deficit iskorištavanja alata koji je dostupan, ali nije upotrijebljen, u skladu sa smanjenim mentalnim trudom i ponašanjem kopiranja i lijepljenja koje stranica bilježi na drugim mjestima. Kad je motivacija (Motivation) ušla u model, učinak interakcije skupine i vremena se urušio (p = 0,280), a viša motivacija i zanimanje za temu predviđali su dobitak samo unutar skupine s ChatGPT-om, pa su upravo studenti niske motivacije i niskog zanimanja bili oni kojima je alat odmogao: eksperimentalna potpora motivacijskom putu do pretjeranog oslanjanja koji ova stranica dokumentira. Autori rezultat čitaju usko (mali učinak koji krši pretpostavke, pod vremenskim pritiskom i bez obuke) i preporučuju poučavanje studenata kako upotrijebiti alat, umjesto zabrane, što nalaz zadržava na granici podupiranja i zamjene, a ne čini ga presudom o alatu.

• Kontinuum predaje, rasterećenja i djelotvornosti. Sydneyski brzi pregled za razdoblje od predškole do 12. razreda (Arthars i sur. 2026, 271 rad) uokviruje upotrebu generativne umjetne inteligencije kroz kognitivnu, metakognitivnu i afektivnu dimenziju: predaja (odgovornost za rad relevantan za učenje prelazi na generativnu umjetnu inteligenciju, često nesvjesno), rasterećenje (namjerno, moguće produktivno delegiranje koje postaje učenje samo ako se provjeri i razradi) i djelotvornost (zadržavanje odgovornosti za trud i prosudbu). Upozorava i na metakognitivnu nejednakost: metakognitivno slabiji studenti podložniji su štetnom rasterećenju i manje ga mogu prepoznati.(Young People, Learning, and Generative AI: A Rapid Literature Review and Implications for PreK-12 Education)

• Ovisnošću upravlja samodjelotvornost jednako kao i sposobnost. Ovisnost o umjetnoj inteligenciji nije jednostavno proizvod tehničke vještine: Maizel i sur. (2026) pokazuju da je pismenost o umjetnoj inteligenciji utemeljena na vještinama predviđala veću ovisnost (u skladu s pogledom na sposobnost koja omogućuje i rasterećenje), dok su samodjelotvornost u vezi s umjetnom inteligencijom i akademska samodjelotvornost štitile od pretjeranog oslanjanja, što upućuje na to da rasterećenjem upravljaju motivacijska uvjerenja o samodjelotvornosti jednako kao i sposobnost.

• Rasterećenje mijenja prag za reagiranje, a ne samo kapacitet. Marcoccia i sur. (2026) pokazuju da je samo pristup savjetu umjetne inteligencije gotovo ukinuo volju ljudi da kažu „ne znam“, čak i kad je savjet bio pogrešan, dok je samopouzdanje gotovo udvostručeno, a točnost smanjena na trećinu; poticaji su vratili točnost (smanjenjem oslanjanja), ali ne i obustavu.

• Sigurnosni jaz kao cijena rasterećenja teškoće. Wang i Shan (2026) formaliziraju razliku između studentske izvedbe uz pomoć umjetne inteligencije i njihove sposobnosti bez nje kao „sigurnosni jaz“: epistemički rizik kad umjetna inteligencija obavlja kognitivni rad, a učenik ga ne može ponoviti. Kim i sur. (2026) i Puech i sur. (2025) pokazuju da je dizajn produktivnog neuspjeha (Productive Failure) protumjera: uskraćivanje odgovora, čuvanje teškoće.

• Spektar ICAP i SAMR uokviruje rasterećenje kao kontinuum načina, a ne binarnost. Rummel, Nachtigall i Panadero (2026) preslikavaju analogiju kuhinjskog stroja Thermomix na učenje s generativnom umjetnom inteligencijom (Generative AI) unutar okvira ICAP i SAMR, pokazujući četiri scenarija koji napreduju od pasivne supstitucije (potpuno preuzimanje zadataka: kraj rasterećenja, s rizikom gubitka vještina i ograničene kreativnosti) do interaktivne redefinicije (umjetna inteligencija kao partner u dijalogu koji pruža prilagodljive povratne informacije u stvarnom vremenu i sukostrukciju: angažirani kraj). Time se šteta rasterećenja preokviruje kao uvjetna ovisno o načinu upotrebe, a ne o pukoj učestalosti, konvergirajući raširenoj granici „poduprijeti nasuprot zamijeniti“: nalazi li se upotreba umjetne inteligencije na kraju supstitucije ili redefinicije spektra, određuje potiskuje li ili podupire kogniciju koja gradi učenje.

Navas-Romero i sur. (2026) izvješćuju o percepcijama studenata o kognitivnim zahtjevima nastavnih materijala koje je osmislila generativna umjetna inteligencija u visokom obrazovanju, uz njihove dobitke u kompetencijama učenika, razdvajajući opterećenje koje ti materijali nameću od kompetencija koje grade.

Gillette i sur. (2026) bilježe rasterećenje kao vlastito iskustvo sudionika, a ne teorijski rizik: jedan je rekao da mu je generativna umjetna inteligencija „zabranila da doista čitam i sam otkrijem što je u tekstu važno, da razvijem vještine čitanja“, a drugi se pribojavao „dugoročnog razvoja, gdje postajem lošiji u određenim vještinama u kojima sam sada vrlo jak“.

• Učinak je u podjeli rada, a ne u alatu. Nakamura (2026) tvrdi da se heterogenost učinaka učenja s generativnom umjetnom inteligencijom razrješava kad jedinica analize postane podjela kognitivnog rada između učenika i stroja. Rasterećenje povećava učenje kad obavlja operacije periferne za trenutni cilj, a riskira eroziju kad zaobilazi obradu koja je konstitutivna za taj cilj (Nakamura, 2026). Sadržajna obrada rezultata, ili njegova kasnija rekonstrukcija, ono je što spašava inače konstitutivno rasterećenje.

Pretjerano oslanjanje: kada rasterećenje postaje štetno

Ljestve koje ova stranica prati imaju tri prečke, a ovamo pripadaju samo prve dvije. Rasterećenje je delegiranje mentalnog rada, koje je često produktivno; pretjerano oslanjanje je njegovo kronično obavljanje bez kalibracije, što je bihevioralni neuspjeh koji ovaj odjeljak dokumentira; kognitivna predaja (Kognitivna predaja) drukčiji je neuspjeh: evaluacijski se korak nikada ne dogodi, pa učenik prihvaća odgovor umjetne inteligencije bez ikakve prosudbe o njegovoj kvaliteti. Granica je vidljiva u tome što se od umjetne inteligencije traži da pruži: instrumentalna pomoć Dua i Yuana daje rezultat, dok pomoć koja nosi prosudbu daje standard po kojem se rezultat ocjenjuje, a upravo druga vrsta potiskuje rad o kojem ovisi stručnost. Sydneyski brzi pregled povlači istu trojnu podjelu kroz 271 rad. Predaja stoga ima vlastiti eksperimentalni potpis i vlastitu stranicu; pretjerano oslanjanje ostaje problem učestalosti i kalibracije, a to su odvojivi ishodi u istom zadatku: u pokusima Shawa i Navea 73,2 % pokusa s netočnom umjetnom inteligencijom završilo je predajom, dok je 19,7 % završilo strateškim rasterećenjem. Mjerni okvir izvan svake pojedine studije mjeri isti neuspjeh i nalazi ga čestim. ImpactBench je ocijenio deset modela na 48 540 simuliranih razgovora: njegova metrika asimetrije kognitivnog rasterećenja u prosjeku je iznosila 51,9 %, a kognitivna intruzija povezana s planiranjem 47,1 %. Njegov obrazovni slučaj pokazuje da Claude Sonnet 5 predaje tezu, nacrt i cijeli esej „spremne za lijepljenje“ kad simulirani student zatraži dovršeni nacrt, dok istodobno odbija izmišljati citate (ImpactBench (2026)). Učenje i razvoj vještina bili su najslabije od 14 potpodručja na obje polarnosti, s 45,9 % i 16,3 %.

Pretjerano oslanjanje je prekomjerna ili nekalibrirana ovisnost o alatima s umjetnom inteligencijom, u kojoj studenti delegiraju kognitivni rad koji bi trebali obaviti sami, što dovodi do smanjenog učenja, oslabljene djelotvornosti (Learner Agency) i potiskivanja razvoja vještina. To je bihevioralna manifestacija prekomjernog kognitivnog rasterećenja: kad rasterećenje postane zadano, a ne strateški izbor. Pretjerano oslanjanje nije jednostavno pitanje prečeste upotrebe umjetne inteligencije: radi se o upotrebi koja zamjenjuje, a ne dopunjuje procese učenja. Konceptualni rad poziva na držanje tog obrazovnog pretjeranog oslanjanja odvojenim od relacijske vezanosti i kliničke ovisnosti: Yan (2026) pokazuje da se povjerenje, oslanjanje, pretjerano oslanjanje, vezanost i problematična upotreba rutinski poistovjećuju u literaturi o konverzacijskoj umjetnoj inteligenciji i da se često delegiranje ne smije nazvati ovisnošću bez oslabljene kontrole ili štete.

• Paradoks učinkovitosti: ciljevi ovladavanja urušavaju se u rasterećenje „po defaultu“. Yan i sur. (2026) utvrđuju učenike koji su izražavali ciljeve usmjerene ovladavanju, a provodili površinske procese, rasterećujući „ne namjerom, nego po defaultu“: njihove tri skupine prema namjeri (alat za preuzimanje n = 16, pomoćnik za učenje n = 31, kognitivni partner n = 8) pokazuju da modalni slučaj nije ni namjerno varanje ni namjerno učenje. Studenti iz skupine preuzimanja prepoznali su vlastito neangažiranje (kopiranje i lijepljenje odlomak po odlomak opisali su kao „potpuno mi je zamijenilo mozak“) i izvijestili o brzom zaboravljanju, a svih 38 intervjuiranih izvijestilo je o niskom samopouzdanju u djelotvornoj upotrebi generativne umjetne inteligencije: dokaz da pretjerano oslanjanje mogu pokretati nedostajući prethodni uvjeti (Pismenost u području umjetne inteligencije, kompetencija poticanja, zadatku specifične smjernice), a ne motivacija za izbjegavanjem rada.

• Agentsko kodiranje rasterećuje razumijevanje u praksi: Tanaka i sur. (2026) izvješćuju da su studenti preddiplomskog studija koji su rabili agente umjetne inteligencije u kolegiju softverskog projekta napisali više koda iz godine u godinu, ali su pokazali pad razumijevanja pri teškoj upotrebi, koji se može povratiti provjerom koda koji je stvorila umjetna inteligencija jedan na jedan s nastavnikom.

• Potiskivanje učenja: Istraživanje kognitivnih učinaka umjetne inteligencije dokumentira kako dostupnost umjetne inteligencije smanjuje trudnu obradu: „Googleov efekt proširen na rezoniranje“. Stamatoulis i sur. (2026) izdvajaju to kao zaseban obrazac upotrebe: prihvaćanje bez provjere (nekritičko prihvaćanje rezultata umjetne inteligencije) predviđalo je lošiju akademsku izvedbu, dok je evaluacijska integracija (upotreba umjetne inteligencije za podršku razumijevanju) predviđala bolju izvedbu, a sama učestalost upotrebe nije predviđala ni jedno. Pretjerano oslanjanje stoga je način upotrebe koji se može odvojiti od toga koliko studenti rabe umjetnu inteligenciju.

• Problem djelotvornosti: Nedovršena misija AIED-a uokviruje pretjerano oslanjanje kao krizu djelotvornosti i motivacije: studenti zaobilaze učenje ne zato što je umjetna inteligencija privlačna, nego zato što se zadaci učenja čine besmislenima kad ih umjetna inteligencija može dovršiti bez truda.

• Erozija motivacije: Istraživanje motivacije studenata nalazi da saznanje da je umjetna inteligencija dostupna smanjuje opaženu vrijednost samostalnog učenja vještine, motivacijski račun koji osobito pogađa učenike početnike.

• Istrajnost također slabi, i to brzo. Nakon otprilike deset minuta s pomoćnikom koji je odgovarao na zahtjev sudionici su preskočili 0,20 samostalnih zadataka nasuprot 0,11 u kontrolnoj skupini i riješili 0,57 nasuprot 0,73, što se ponovilo i u razumijevanju teksta (Liu i sur., 2026).

• Dobici na potpomognutoj domaćoj zadaći nisu preživjeli ispit bez pomoći. Randomizacija 153 studenta kolegija dokazivanja na raniji pristup umjetnoj inteligenciji podigla je ocjene domaćih zadaća za 2,56 bodova, a drugi kolokvij ostavila nerazlučivim od nule, dok alat koji traži prvi pokušaj prije povratne informacije nije bio kažnjen, a otvoreni chatbot pratio je 3,02 boda niže na 100 poruka (Chen i sur. (2026)).

• Predaja nije dokaz o tome što je rasterećeno. U 59 zapisa razgovora 23 studenta linearne algebre, 27 od 30 vođenih objašnjavanjem ili provjerom ipak je završilo blizu proizvoda modela, pa se rasterećenje mora čitati poticaj po poticaj (Kontorovich i Wallach (2026)).

• Pismeni dug: Agentski pismeni dug opisuje kumulativni deficit vještina koji nastaje kad se studenti habitualno oslanjaju na umjetnu inteligenciju umjesto da razvijaju vlastite kompetencije, analogno tehničkom dugu u softveru.

• Ciklusi umora: Istraživanje umora od umjetne inteligencije utvrđuje paradoks u kojem pretjerano oslanjanje vodi kognitivnom umoru zbog stalnog upravljanja interakcijom s umjetnom inteligencijom, što zauzvrat pokreće JOŠ veće oslanjanje: začarani krug.

• Pravilo smještaja: Zamka bez napora preokviruje dopusti-nasuprot-zabrani kao pitanje smještaja: nezaštićeni pomoćnik s umjetnom inteligencijom ostavio je srednjoškolce oko 17 % lošijima na ispitu bez pomoći, dok je isti model preuređen da uskraćuje odgovore uklonio štetu. Njegov dijagnostički kriterij, „ako puštanje umjetne inteligencije čini zadatak beznapornim, ona je na pogrešnom mjestu“, osigurava prvi teški pokušaj i završnu provjeru bez pomoći kao trenutke u kojima se pretjerano oslanjanje najlakše skriva kao „iluzija učenja“.

• Metakognitivno očuvanje: Model reciprociteta sinteze i analize predlaže alate koji čuvaju ljudsku epistemičku djelotvornost strukturiranjem interakcije s umjetnom inteligencijom oko ciklusa ljudske analize, a ne ciklusa generiranja umjetne inteligencije.

• Metakognitivna mehanika prekomjerne upotrebe: okvir uvjerenja nasuprot iskustava objašnjava zašto studenti prekomjerno rasterećuju čak i kad im to šteti: ljudi rasterećuju impulzivno, a postojeća metakognitivna uvjerenja usidruju ponašanje brže nego što ga iskustva zadatka mogu ispraviti, pa je protuotrov pretjeranom oslanjanju metakognitivan, a ne samo restriktivan.

• Pretjerano oslanjanje može se obučavati kalibracijskom obukom: Ngai i Gilbert (2026) pokazuju da se pristranost podsjetnika, laboratorijski analog pretjeranog oslanjanja, može smanjiti kratkom metakognitivnom intervencijom (pet pokusnih ponavljanja koja spajaju predviđanje s povratnom informacijom), ispravljajući kalibraciju u oba smjera. To implicira da protuotrov pretjeranom oslanjanju nisu samo restriktivna pravila, nego kalibracijska obuka koja studente čini točnima u pogledu onoga što doista mogu sami.

• Terenski dokazi: umjetna inteligencija koja poučava nasuprot onoj koja odgovara. NUMI (Oreopoulos i sur. 2026) našao je da je podrška umjetne inteligencije koja je poučavala, umjesto davala odgovore, usporila studente, ali smanjila izbjegavanje truda, poboljšavajući točnost sljedećeg pokušaja nakon pogreške uz više vremena po pitanju („produktivno usporavanje“), dok je Khanmigo (Oreopoulos i Low 2026) pokazao da bez strukture koja pogreške čini posljedičnima studenti po defaultu prelaze na plitku upotrebu (goli odgovori, klikanje poticaja) i dobici odgovaraju vježbi bez umjetne inteligencije. Oboje potvrđuje da je šteta rasterećenja uvjetna načinom na koji se umjetna inteligencija rabi i oblikuje, a ne samo pristupom. CoMeT (Hou i sur. 2026) daje dimenziju oblikovanja koju ta granica inače ostavlja implicitnom: tutor može preuzeti više posla, a da ne kupi više delegiranja. Njegove su ljestve napredovale za jednu prečku svaki put kad učenik nije upotrijebio njegovu podršku i spuštale se na najlakšu prečku pri prihvaćanju, držeći metakognitivni zahtjev statistički jednakim onome tutora koji po dizajnu uskraćuje odgovore (p_TOST = 0,004), dok je artefakt dosegnuo radni prostor u 48,1 % sesija nasuprot 23,7 % kod tog tutora koji uskraćuje, a učenici su ga zamolili da gradi u 50,4 % sesija nasuprot 51,1 % kod neograničenog tutora koji odgovara na zahtjev (OR = 0,95, p = 0,82). Delegiranje je pratilo zahtjev koji tutor postavlja učeniku, a ne količinu posla koju je preuzeo.

• Terenski dokazi u velikom opsegu: „Generative AI kazna za učenje“. Strömberg, Lei i Wu (2026), prateći 26 811 kineskih srednjoškolaca kroz 30 mjeseci, našli su da je samousmjereno usvajanje generativne umjetne inteligencije podiglo ocjene domaćih zadaća za 18 % i skratilo vrijeme za domaću zadaću za 30 %, dok je snizilo ocjene ispita bez literature za 20 % unutar šest mjeseci i ocjene prijamnog ispita za 18-24 % nakon dvije godine, koncentrirano među oko 81 % korisnika čije je ponašanje upućivalo na preuzimanje domaće zadaće (kratko vrijeme dovršetka uz napuhane ocjene domaće zadaće). To je izravan dokaz u velikom opsegu da nezaštićeno rasterećenje (upotreba umjetne inteligencije kao zamjene za domaću zadaću, a ne kao tutora) proizvodi kaznu za učenje koju kognitivno rasterećenje predviđa, često neprimijećenu od samih studenata.

• Pretjerano oslanjanje erodira samousmjereno učenje preko motivacije i samodjelotvornosti. Zhao i Gu (2026) modeliraju mehanizam izravno: među 487 kineskih studenata preddiplomskog studija nepromišljena upotreba generativne umjetne inteligencije (prihvaćanje rezultata umjetne inteligencije bez kritičke evaluacije) značajno je potkopala samousmjereno učenje (Self-Directed Learning) uz β = -0,42, izravno i kroz djelomično posredovanje motivacije (Motivation) uz β = -0,54 na putu od nepromišljene upotrebe i samodjelotvornosti (Self-Efficacy) uz β = -0,37. Model je objasnio 75,3 % varijance samousmjerenog učenja. Kako je motivacija bila najjači pozitivni pokretač samousmjerenog učenja (β = 0,68), a nepromišljena je upotreba potiskuje, to je kvantitativni dokaz da pretjerano oslanjanje šteti motivacijskim resursima i resursima samodjelotvornosti o kojima ovisi autonomno učenje, uz rodne razlike (jača šteta za motivaciju kod muškaraca, jača šteta za samodjelotvornost kod žena).

• Sklonost rasterećenju predviđa slabije ishode višeg reda, a pismenost u provjeri treba metakogniciju da bi se isplatila. Davor, Larbi i Boateng (2026) anketirali su 533 sveučilišna studenta u Gani i modelirali sklonost rasterećenju, potporu zadatku umjetne inteligencije i pismenost u provjeri umjetne inteligencije prema ishodima višeg reda kroz metakognitivnu samoregulaciju. Sklonost rasterećenju bila je najjači negativni prediktor kritičkog mišljenja (-0,240) i tehničkog rješavanja problema (-0,312) te je snizila i metakognitivnu samoregulaciju (-0,294), dok je potpora zadatku pozitivno predviđala oba ishoda (0,185 i 0,170). Pismenost u provjeri nije imala značajan izravan učinak ni na jedan ishod i djelovala je samo kroz metakognitivnu samoregulaciju, obrazac potpunog posredovanja koji autori nazivaju metakognitivnim aktivacijskim mehanizmom: poučavati studente da provjere rezultat umjetne inteligencije nije dovoljno samo po sebi, jer se evaluacijska navika isplati tek kad je ugrađena u planiranje, nadzor i refleksiju tijekom zadatka.

• Ovisnost djeluje kao rubni uvjet korisnosti upotrebe. Shojaei i sur. (2026) anketirali su 412 studenata poslovanja preddiplomskog studija u Omanu i razložili vezu između upotrebe generativne umjetne inteligencije i samoprijavljene dispozicije kritičkog mišljenja: korelacija nultog reda bila je blizu nule (r = 0,050), dok je prilagođeni koeficijent bio pozitivan (0,185), jer ju je negativni neizravni put kroz ovisnost (-0,147) poništio. Ovisnost je bila negativno povezana i s dispozicijom (-0,389) i sa samoopaženom zapošljivošću (-0,328) te je oslabila obje veze upotrebe i ishoda, a jednostavni nagibi pali su s 0,424 pri niskoj ovisnosti na -0,054 pri visokoj, što je slabljenje, a ne preokret. Čitanje nalaz zadržava na strani načina upotrebe: ovisnost označava gdje se upotreba pomiče od nadgradnje prema supstituciji, a sama učestalost prikriva suprotstavljene putove.

• Pretjerano oslanjanje na umjetnu inteligenciju kao složeni prilagodljivi sustav. Umjesto proučavanja pretjeranog oslanjanja jednog po jednog korisnika, rad o modeliranju uokviruje ga kao proces na razini populacije u kojem agenti ažuriraju Bayesova uvjerenja o kvaliteti umjetne inteligencije i, kad su umreženi, uče od vršnjaka. Društveni dokaz može oslanjanje pretvoriti u kaskadu povratne informacije (vidljiva neprovjerena upotreba potiskuje provjeru), dok društveno učenje stvara konsenzus, a ne pretjerano oslanjanje: uokvirenje koje ciljeve intervencije pomiče s pojedinačne kalibracije na umreženu dinamiku povjerenja i oslanjanja.

• Šest dijagnostičkih kriterija odvaja produktivno oslanjanje od štetne ovisnosti. Du i Yuan (2026) daju pretjeranom oslanjanju granularniji dijagnostički rječnik od učestalosti upotrebe, razlikujući instrumentalnu pomoć (umjetna inteligencija pomaže proizvesti rezultat) od pomoći koja nosi prosudbu (umjetna inteligencija daje standarde po kojima se rezultat ocjenjuje). Njihov pregled operacionalizira granicu produktivnog i štetnog kroz šest kriterija (osporivost, povrativost, prijenos, sljedivost, raspodijeljena odgovornost i epistemička pluralnost) i prati četiri sociotehnička puta (tečni autoritet, besprijekorno delegiranje, neprozirna sinteza, institucionalizirana ovisnost) kroz koje rasterećenje čuva ili potiskuje epistemički rad koji razvija prosudbu. Kako je ovisnost kontekstualna i institucionalna, a ne samo individualna, okvir usmjerava pozornost na poticaje u procjeni, oblikovanje sučelja i nabavu uz samoregulaciju učenika.

• Nemjereno poslije: kognitivno ispiranje. Yajee (2026) najvećim otvorenim pitanjem polja naziva razdoblje nakon povlačenja: gotovo sva istraživanja rasterećenja mjere kogniciju tijekom upotrebe umjetne inteligencije, ali gotovo nijedno ne mjeri što se događa nakon što je pomoćnik povučen na dane ili tjedne (ispit, prekid rada, pregled licence). Formalizira kognitivno ispiranje modelom krivulje ispiranja, s procjenjivim parametrima za vremensku konstantu oporavka, potpunost oporavka, rezidualni rast i indeks histereze koji uspoređuje ponovno učenje s izvornim trudom, te četiri moguća ishoda (elastični odskok, djelomični plato, latentna potpora, prekomjerni oporavak). Kako povrativost određuje je li izazvani deficit neugodnost ili ozljeda na razini kohorte, rad tvrdi da povlačenje zaslužuje isti metodološki status kao usvajanje i specificira protokol s tri kraka, tri domene i dvadeset i dva tjedna za razrješavanje među ishodima. Time se gornje razlikovanje „trener nasuprot štakama“ i supstitucijskog nasuprot duplikacijskom pretvara u provjerljiv longitudinalni istraživački program o tome vraćaju li se rasterećene vještine i kako brzo.

• Oslanjanje bez znanja domene degradira u nagađanje. Mikhasenko i sur. (2026), redizajnirajući uvodni kolegij nuklearne i čestične fizike na Sveučilištu Ruhr u Bochumu, opisuju način neuspjeha oslanjanja u odsutnosti znanja domene: kad student nije mogao prosuditi je li stvoreni odgovor fizički utemeljen, namjeravani „razgovor s umjetnom inteligencijom“ degradirao je u nagađanje protiv uvjerljivih, ali nepouzdanih rezultata. Anketa istog kolegija sredinom semestra (n = 30) našla je čestu upotrebu LLM-a (24 od 29 rabilo ih je često ili uvijek) uz nisku samoprijavljenu pripremljenost za računalnu tečnost koju su zadaci zahtijevali, a otvoreni odgovori istaknuli su ovisnost o umjetnoj inteligenciji i nejednak pristup plaćenim modelima među točkama trenja.

• Daoistički protuargument: rasterećenje nije samo nepraktično, nego i samoporažavajuće. Xie (2026) daje normativni protuargument protiv delegiranja iz daoističke samokultivacije: u praksi Neidana (內丹) „nema kognitivnih prečaca“ i praktikant ne može prenijeti rad na vanjske naprave, pa umjetna inteligencija treba biti „ne kognitivna zamjena, nego instrumentalni dodatak“, sličan alkemijskoj peći: uokvirenje koje se poravnava s gornjom granicom „trener nasuprot štakama“, a ne sa supstitucijskim rasterećenjem.

Rasterećenje može stajati self, a ne samo vještinu. de Barba (2026) dio domenskog selfa učenika čije sposobnosti borave u alatu omogućenom umjetnom inteligencijom i dostupne su samo pod uvjetima pružatelja naziva iznajmljeni self i razdvaja dva troška. Trošak kalibracije je pogrešno procijenjeno mjesto sposobnosti: podcjenjivanje sposobnosti koju netko ima ili precjenjivanje one koju ima alat, dok trošak selfa slijedi kad god je osnovna sposobnost iznajmljena, čak i svjesno, jer se operacije koje grade self nikada ne izvode. Njezine četiri konfiguracije križaju mjesto i atribuciju: posjedovana kompetencija, neprisvojena kompetencija, vidljivo iznajmljivanje i skriveno iznajmljivanje, pri čemu posljednje uklanja signal koji potiče učenika da izgradi ono što vjeruje da već posjeduje.

Konsenzus 30 stručnjaka smješta štetu na oba kraja slijeda učenja. Preregistrirana delfi vježba o 65 procesa učenja našla je da je usvajanje ranjivo (kodiranje 3,30, dosjećanje 3,30, prikupljanje informacija 3,00 na ljestvici poremećaja od 1 do 5), konsolidacija poboljšana (učenje iz povratnih informacija 4,00, učenje iz primjera 3,90, samotestiranje 3,80), a mišljenje višeg reda ponovno ranjivo (Kendeou, Greene i Nixon i sur., 2026). Deset od osamnaest procesa višeg reda doseglo je konsenzus samo o ranjivosti, s ocjenama poboljšanja ispod praga.

Okvir kognitivnog opterećenja

Pristup povratnim informacijama umjetne inteligencije nije isti tretman kao angažiranje s njima, a mjere opterećenja to razdvajaju. Wenzel, Geiger i Liening (2026) proveli su petotjednu longitudinalnu terensku studiju u poslovnoj simulacijskoj igri (234 studenta, 1 147 tjednih opažanja) i razdvojili dodjelu od primitka. Samo pružanje pristupa povratnim informacijama konverzacijske umjetne inteligencije nije pomaknulo ni vanjsko (β = 0,071, p = 0,481) ni relevantno opterećenje (β = 0,019, p = 0,807). No studenti koji su ga rabili redovito izvijestili su o značajno višem relevantnom opterećenju od eksperimentalnih nekorisnika (β = -0,468, p < 0,001) i od kontrolne skupine (β = -0,253, p = 0,028), dok vanjsko opterećenje nikada nije smanjeno pristupom ni angažiranjem (F(1, 219) = 0,499; prema upotrebi F(3, 214) = 0,172). To je teorijski zanimljiv obrazac i suprotnost uobičajenoj tvrdnji: intervencija je natjerala učenike da rade više na materijalu, a da okruženje ne učini lakšim. Intrinzično opterećenje pokretalo je vanjsko (β = 0,647, p < 0,001), a metakognitivna samoregulacija relevantno (β = 0,363, p < 0,001), pri čemu je vanjsko opterećenje bilo negativno povezano s relevantnim (β = -0,178, p < 0,001), točno kako teorija kognitivnog opterećenja propisuje. Oba su opterećenja i pala tijekom pet tjedana (vanjsko β = -0,388, p < 0,001): učinak novosti vidljiv na kognitivnoj mjeri, a ne na mjeri angažmana.

Teorija kognitivnog opterećenja (Sweller) nudi osporavanu teorijsku leću za radno pamćenje i poučavanje: intrinzično opterećenje (složenost zadatka), vanjsko opterećenje (trenje prikaza) i relevantno opterećenje (trud izgradnje shema). Dobro oblikovana umjetna inteligencija treba smanjiti vanjsko opterećenje uz očuvanje relevantne obrade; loše integrirana umjetna inteligencija smanjuje sva tri, ostavljajući studente s dovršenim zadacima i praznim učenjem. Napominjemo da su tvrdnje teorije osporavane u široj literaturi, ali njezino uokvirenje ostaje utjecajno u raspravama o učincima rasterećenja.

Profesionalni ulog rasterećenja. Okvir kognitivnog zajedničkog dobra (Lovett 2026) proširuje rasterećenje s pojedinca na kolektivnu razinu: kad umjetna inteligencija mlađim radnicima omogući da preskoče kognitivnu borbu koja gradi duboku stručnost, ona može tijekom vremena iscrpiti zajednički fond stručnosti profesije. „Validacijska uzica“ znači da djelotvoran nadzor umjetne inteligencije ovisi upravo o onom majstorstvu koje usvajanje umjetne inteligencije može potkopati. To preokviruje rasterećenje i propadanje vještina na razini pojedinca kao problem regeneracije na razini sustava s implikacijama za upravljanje (AI Governance).

Veze s povezanim konceptima

Kognitivno rasterećenje (i njegov štetni oblik, pretjerano oslanjanje) temeljno se povezuje s kalibracijom povjerenja (Trust Calibration), odnosno znanjem kada vjerovati, a kada preispitati umjetnu inteligenciju, i s pismenošću o umjetnoj inteligenciji, koja uključuje metakognitivnu vještinu znanja kada rasteretiti i prepoznavanja vlastitih obrazaca oslanjanja. Povezuje se s postupnim skidanjem potpore (Scaffolding): strukturiranom podrškom koja smanjuje opterećenje bez uklanjanja kognitivnog zahtjeva i s inženjerstvom poticaja (Prompt Engineering), glavnim mehanizmom kojim se rasterećenje provodi u interakcijama s LLM-om. Presijeca se s metakognicijom (Metacognition) i samoreguliranim učenjem (Self-Regulated Learning), pri čemu djelotvorni učenici kalibriraju svoje odluke o rasterećenju, te s kritičkim mišljenjem (Critical Thinking), djelotvornošću (Learner Agency) i iskustvom studenata (Student Experience). Poučavanje i učenje na mreži (Online Teaching and Learning) osobito je ranjiv kontekst: medij već udaljava učenike od neposredne odgovornosti, a rad vlastitim tempom na zaslonu poziva na prečac „pitaj za odgovor“ koji istraživanje rasterećenja prepoznaje kao temeljni mehanizam štete (vidi AI Misuse and Learning Harm).

Nije svako rasterećeno trenje suvišno trenje. Zohar, Bloom i Inzlicht (2026) povlače razliku koja literaturi o rasterećenju treba: prethodne tehnologije umjetne inteligencije (Technologies) uklanjale su suvišno trenje (zamorne ili nepremostive prepreke s malo vrijednosti za učenje ili smisao), dok generativna umjetna inteligencija u intelektualnom radu uklanja i korisno trenje, dopuštajući učeniku da prijeđe od stvaranja ideja do evaluacije bez preispitivanja rezultata. Asocijativne dokaze iznose izravno: ljudi koji rabe umjetnu inteligenciju teško se točno prisjećaju ili reproduciraju vlastiti rad, stječu manje vještina, pokazuju manji prijenos i lošije izvode kad se podrška umjetne inteligencije ukloni, što konvergira nalazima o kognitivnom dugu iz EEG studija pisanja eseja s pomoćnikom umjetne inteligencije. Njihov argument daje i motivacijsku polovicu mehanizma koju čisti kognitivni prikazi promašuju: kako trud signalizira da su naši postupci važni, njegovo rasterećenje smanjuje procijenjenu svrhu i smisao, a kako umjetna inteligencija zamjenjuje trud u nekoj domeni, motivacijska isplata truda u njoj erodira, produbljujući oslanjanje. Ispravak u radu je gradijent, a ne zabrana: čuvajte umjerenu borbu, uklonite ono što samo preplavljuje: poželjne poteškoće (Desirable Difficulties) i Motivation.

• Signal nedovoljnog angažmana pojavljuje se razvojno. Prva neuroslikovna usporedba djece i odraslih koji razgovaraju s ChatGPT-om našla je da 6-7-godišnjaci pokazuju slabiju povezanost unutar mreža od odraslih u frontoparijetalnoj kontrolnoj mreži, mreži značajnosti i dorzalnoj mreži pažnje, uz izjednačene ocjene kreativnosti, i da im nedostaje sprega kreativnosti i povezanosti koju odrasli pokazuju. Kako su te izvršne funkcije (planiranje, nadzor, inhibicija) nezrele u prvom razredu, autori rezultat čitaju kao relevantan za raspravu o najnižoj dobi. Ograničenja: nema kontrolne skupine bez ChatGPT-a, n = 31, i konfundirajuće uokvirenje koje je moglo potisnuti dječju kritičku evaluaciju (Horowitz-Kraus i sur. (2026)).

• Ovisno nasuprot autonomnom rasterećenju: razlika koja određuje ishod: Fan, Li i Zhang (2026) organiziraju dokaze o generativnoj umjetnoj inteligenciji oko izoštrene verzije te granice, oslanjajući se na trovalnu studiju 589 studenata i radnika znanja na početku karijere: ovisno rasterećenje delegira temeljno mišljenje alatu i bilo je povezano s prenesenom djelotvornošću (Learner Agency), nižom intrinzičnom motivacijom i slabijim opaženim kognitivnim ishodima, dok autonomno rasterećenje zadržava epistemičku djelotvornost kod učenika i pokazuje suprotan obrazac. Nalaz najvažniji za prepoznavanje jest da se neposredne koristi u izvedbi nisu razlikovale između dvaju načina, pa učenik koji tekuće rješava zadatke nekog dana ne daje nikakav signal u kojem je načinu. Isti pregled bilježi i širi rascjep u dokazima: trostupanjsku metaanalizu umjerene ukupne koristi (g = 0,499; g = 0,669 za razumijevanje, kogniciju i kreativnost) nasuprot vezama između ovisnosti, umora i slabijeg kritičkog mišljenja (Critical Thinking), te prati neprilagođenu upotrebu do eksternalizirane samoregulacije, a ne do ovisnosti o tehnologiji.

• Tri interakcijska puta, a ne jedno ponašanje. Model interakcije neuroplastičnosti i umjetne inteligencije (NAIM) razdvaja izravno zaobilaženje, gdje model daje rješenje i generativni trud nestaje; kognitivno rasterećenje, gdje se delegiraju određeni podprocesi i učinak ovisi o tome jesu li ti podprocesi cilj učenja; i postupno skidanje potpore, gdje model ograničava pomoć radi očuvanja trudne obrade (Bypass, Offload, or Scaffold: A Conceptual Model of How Large Language Models Shape Learning)

Dvije kontrolirane studije iz nedavne serije utvrđuju dvije polovice te tvrdnje: mijenja li se ponašanje i što je ono štitilo. Maier i sur. (2026) učinili su kognitivnu posljedicu rasterećenja vidljivom prije svakog izbora u preregistriranom eksperimentu sa 704 sudionika koji su vježbali računanje s razlomcima: izgledi za rasterećenje odgovora pali su na OR = 0,47, a izgledi za točan odgovor na kasnijoj samostalnoj čestici testa porasli na OR = 1,51, dok nagrada utemeljena na trudu nije pomaknula ni jedan ishod. Rasterećenje se kumuliralo unutar sesije: nakon rasterećenja jedne čestice sudionici su rasteretili sljedeću u 69,7 % slučajeva bez povratne informacije i 55,9 % s njom, a porast rasterećenja od deset postotnih bodova bio je povezan s 32 % nižim izgledima za samostalan uspjeh (OR = 0,68). Bergh i sur. (2026) daju dopunu na strani ishoda: 55 studenata računalnih znanosti koji su kodirali s ChatGPT-om postiglo je 89 % nasuprot 69 % bez njega, prisjetilo se manje istog materijala neposredno (41 % prema 53 %) i nakon 48 sati (39 % prema 52 %) te pripisalo sebi samo 45 % predanog koda nasuprot 81 %. Čitane zajedno, studija povratnih informacija pokazuje da se ponašanje može pomaknuti bez ograničavanja pristupa alatu, a programska studija pokazuje što je pomaknuto ponašanje štitilo.. Model je kalibriran prema najjačim dostupnim terenskim dokazima: neograničen pristup GPT-4 u studiji s gotovo 1 000 srednjoškolaca u matematici podigao je izvedbu u vježbi za 48 %, ali ostavio 17 % deficita na ispitu bez pomoći, dok je GPT Tutor ograničen na savjete dao 127 % dobitka u vježbi uz gotovo uklonjen deficit na ispitu. Rasterećenje je stoga štetno samo u konfiguraciji zaobilaženja, a operativna dizajnerska varijabla jest zamjenjuje li model ocjenjivanu ciljnu vještinu. (Bypass, Offload, or Scaffold: A Conceptual Model of How Large Language Models Shape Learning) Ista logika pretvara oblikovanje nagrada u dizajnerski alat: Macina i sur. (2026) obučavaju LLM tutore s maskiranim testom bliskog prijenosa i dvama binarnim vratima, pa nagrada može rasti samo kroz ono što je student napisao u vlastitim potezima, a njihova ablacija pokazuje da upravo vrata, a ne sirova nagrada za dobitak u učenju, smanjuju predaju rješenja.

Uobičajene zablude

• „Količina poticaja mjeri rasterećenje.“ 97 učenika grupirano je prema količini poticaja, a skupine prema količini nisu se značajno razlikovale u lokalnom nasuprot globalnom poticanju ni u poticanju s aktivnom ulogom. Brojanje poticaja brojilo je aktivnost, a ne raspodjelu kognitivnog rada.
• „Studenti rabe umjetnu inteligenciju uglavnom za razumijevanje.“ Analiza je predvodila distribuciju s 27,28 % (831 poruka), ispred razumijevanja s 23,76 %, što je prvi finozrnati dokaz da naturalistička [interakcija studenta i umjetne inteligencije] naginje analitičkom, a ne razumijevanju usmjerenom radu.
• „Tragovi poticaja otkrivaju je li se rasterećenje dogodilo.“ Ono što tragovi na razini poticaja ne mogu dati dolazi iz poduzorka od 16 studenata s povezanim ocjenama, čijih je 1 140 poruka ručno kodirano: 49,6 % od 125 dijaloga nije pokazalo nikakvo rasterećenje. Obrasci tragova precijenjuju rasterećenje u odnosu na ručno kodirani dijalog.

Povezani koncepti

• Pedagogical Patterns - Rizik koji svaki slijed s teškoćom na početku nastoji izbjeći
• Learners - Učenici: krov za koncepte na strani učenika
• Pismenost u području umjetne inteligencije - Znanje kada rasteretiti i prepoznavanje obrazaca oslanjanja
• Learner Agency - Oslabljena kad umjetna inteligencija zamjenjuje učenikovu kogniciju
• Critical Thinking - Narušeno nekalibriranim rasterećenjem
• Creativity - Potkopana kad umjetna inteligencija zamjenjuje učenikov generativni čin
• Distributed Cognition - Kompromis između učinkovitosti i regulacije pri delegiranju
• Embodied Learning - Situirana kognicija kao alternativa preuzimanju
• Generative AI - Kontekst alata za rasterećenje posredovano umjetnom inteligencijom
• Metacognition - Kalibriranje kada rasteretiti, a kada se angažirati
• Online Teaching and Learning - Medij ranjiv na prečac „pitaj za odgovor“
• Prompt Engineering - Glavni mehanizam rasterećenja pri upotrebi LLM-a
• Scaffolding - Smanjenje opterećenja bez uklanjanja kognitivnog zahtjeva
• Self-Directed Learning - Erodirano nepromišljenom upotrebom umjetne inteligencije
• Self-Regulated Learning - Reguliranje odluka o rasterećenju
• Trust Calibration - Znanje kada vjerovati, a kada preispitati umjetnu inteligenciju
• Retrieval, Spacing and Interleaving - Protupraksa puštanju modela da dosjeća umjesto učenika
• Kognitivna predaja

Povezani članci

• Supporting or Replacing Students' Reasoning? Cognitive Offloading in AI-Assisted Proof Learning — Podržava ili zamjenjuje studentsko rezoniranje? Kognitivno rasterećenje u učenju dokazivanja uz pomoć umjetne inteligencije (Chen i sur. 2026)
• What the submission does not show: Complexifying cognitive offloading in students' mathematical work with LLMs — Što predaja ne pokazuje: kompleksifikacija kognitivnog rasterećenja u studentskom matematičkom radu s LLM-ovima (Kontorovich i Wallach 2026)
• Ways Generative AI Can Support and Threaten Learning in K–20 US Education — Konsenzus 30 stručnjaka o 65 procesa učenja: rasterećenje na oba kraja slijeda učenja
• The Rented Self: How AI-Enabled Tools Decouple Performance From Becoming — Iznajmljeni self: rasterećenje koje stoji domenski self učenika, a ne samo vještinu
• A mixed-methods analysis of AI scaffolding patterns and student inquiry profiles in a middle-school agriculture-STEM classroom — Skupine koje su počele jednako su se razišle: 74,1 % prihvaćanja modela u jednom profilu nasuprot 80,8 % rasterećenja i blokade u drugom (Kilinc i sur. 2026)
• AI Assistance Reduces Persistence and Hurts Independent Performance — Podrška umjetne inteligencije smanjila je istrajnost i izvedbu bez pomoći u tri RCT-a (Liu i sur. 2026)
• ChatGPT as a cognitive crutch: Evidence from a randomized controlled trial on knowledge retention — ChatGPT kao kognitivna štaka: randomizirano kontrolirano ispitivanje zadržavanja znanja 45 dana kasnije (Barcaui 2025)
• From Cognitive Outsourcing to Reallocation: A 3P Analysis of Student–Generative AI Engagement in Unsupervised Assessments — Od kognitivnog preuzimanja do preraspodjele: 3P analiza studentskog angažiranja s generativnom umjetnom inteligencijom u nenadziranim procjenama (Yan i sur. 2026)
• Family-school autonomy support for children's responsible use of generative artificial intelligence — Obiteljska i školska podrška autonomiji za odgovornu dječju upotrebu generativne umjetne inteligencije
• Against frictionless AI — Suvišno nasuprot korisnom trenju: zašto se rasterećenje umjetnom inteligencijom razlikuje od ranijih alata
• With a Thermomix You Lose the Ability to Cook: A Kitchen Machine Analogy for Applications of Generative AI in Education — S Thermomixom gubite sposobnost kuhanja: analogija kuhinjskog stroja za generativnu umjetnu inteligenciju u obrazovanju (Rummel, Nachtigall i Panadero 2026)
• After the Assistant Leaves: Cognitive Washout Dynamics and the Reversibility of AI-Induced Skill Decay — Kognitivno ispiranje: dinamika propadanja vještina izazvanog umjetnom inteligencijom nakon povlačenja
• A Critical Narrative Synthesis of Psychological Correlates, Measurement, and Reported Findings on Conversational AI Engagement and Dependence-Related Constructs — Kritička narativna sinteza angažiranja i ovisnosti o konverzacijskoj umjetnoj inteligenciji
• Layer-Sensitive Cognitive Offloading in Generative AI-Assisted Writing: Supported Performance and Independent No-AI Outcomes — Slojevito osjetljivo kognitivno rasterećenje u pisanju uz pomoć generativne umjetne inteligencije (Chen 2026)
• Epistemic Dependence in AI-Mediated Learning — Epistemička ovisnost u učenju posredovanom umjetnom inteligencijom: šest dijagnostičkih kriterija koji odvajaju produktivno oslanjanje od štetne ovisnosti (Du i Yuan 2026)
• Cognitive Offloading in the Age of Generative AI: What Does It Mean for Students With Learning Disabilities? — Kognitivno rasterećenje generativnom umjetnom inteligencijom kod učenika s teškoćama u učenju
• Artificial intelligence, cognitive offloading and implications for education — Umjetna inteligencija, kognitivno rasterećenje i implikacije za obrazovanje
• Meta-Cognitive Insights into Cognitive Offloading: Mechanisms, Interventions, and Educational Implications — Metakognitivni uvidi u kognitivno rasterećenje (Guo i Ye 2026)
• Metacognitive Training Facilitates Optimal Cognitive Offloading — Metakognitivna obuka potiče optimalno kognitivno rasterećenje (Ngai i Gilbert 2026)
• The critical-thinking paradox in generative AI-integrated learning: distinguishing efficiency from cognitive depth — a differentiated framework and testable propositions — Paradoks kritičkog mišljenja u učenju integriranom s generativnom umjetnom inteligencijom
• Cognitive offloading and the speedup illusion in human-AI interaction — Iluzija ubrzanja rada uz pomoć umjetne inteligencije
• Cognitive Offloading in Student–AI Collaboration: A Longitudinal Analysis of Prompting Strategies — Analiza mreže supojavljivanja obrazaca poticaja
• Thinking—Fast, Slow, and Artificial: How AI Is Reshaping Human Reasoning and the Rise of Cognitive Surrender — Teorija triju sustava i kognitivna predaja: kako umjetna inteligencija preoblikuje ljudsko rezoniranje (Shaw i Nave 2026)
• Young People, Learning, and Generative AI: A Rapid Literature Review and Implications for PreK-12 Education — Kontinuum predaje, rasterećenja i djelotvornosti za generativnu umjetnu inteligenciju
• Is AI making us stupid? — Istraživanje kognitivnih učinaka umjetne inteligencije i potiskivanja učenja
• The Effortless Trap: Productive Struggle, AI, and the Illusion of Learning — Zamka bez napora: umjetna inteligencija zamjenjuje kognitivni rad (Brcic i Frljic 2026)
• Thoughtless Use of Generative Artificial Intelligence and College Students' Self-Directed Learning: A Multi-Group SEM Analysis of Gender Differences — Nepromišljena upotreba umjetne inteligencije erodira samousmjereno učenje
• Generative AI without guardrails can harm learning: Evidence from high school mathematics — RCT-ovi iz srednjoškolske matematike o nezaštićenoj generativnoj umjetnoj inteligenciji
• The Generative AI Learning Penalty: Evidence from Chinese Secondary Education — Kazna za učenje generativne umjetne inteligencije: preuzimanje domaće zadaće šteti učenju
• Coach not crutch: Evidence that AI can improve writing skill despite reducing effort — Umjetna inteligencija može raditi manje, a naučiti više (Lira i sur. 2025)
• Making AI Tutoring Productive: Evidence from a Mastery-Based Math Practice Experiment — Produktivno podučavanje umjetnom inteligencijom: matematička vježba utemeljena na ovladavanju
• The Tragedy of the Cognitive Commons: How AI Could Disrupt the Regeneration of Professional Expertise — Tragedija kognitivnog zajedničkog dobra: umjetna inteligencija i regeneracija stručnosti
• PAUSE: A Privacy-Preserving Self-Reflection Tool for AI-Associated Cognitive Offloading — PAUSE: alat za samorefleksiju koji čuva privatnost kod kognitivnog rasterećenja povezanog s umjetnom inteligencijom
• ChatGPT Making our Minds Dull? The Cognitive Impact of Using ChatGPT in the Writing Process — eksperiment pisanja za učenje u kojem je pisanje uz pomoć ChatGPT-a dalo manji dobitak znanja od kontrolne skupine bez pomoći
• Patterns of Student Cognitive Offloading to AI in Higher Education — Obrasci kognitivnog rasterećenja studenata na umjetnu inteligenciju u visokom obrazovanju: naturalistički dokazi na razini poruka ChatGPT-a (Piatnitckaia i sur. 2026)
• Designing Against Deskilling: Metacognitive Feedback Reduces Cognitive Offloading to LLM Assistants — Oblikovanje protiv gubitka vještina: metakognitivne povratne informacije smanjuju kognitivno rasterećenje na asistente LLM-a
• Your Programming Students' Cognition with ChatGPT: Higher Performance, Lower Retention, and Reduced Ownership — Kognicija vaših studenata programiranja s ChatGPT-om: viša izvedba, slabije zadržavanje i smanjeno vlasništvo
• Artificial intelligence-supported learning and higher-order cognitive outcomes: the mediating role of metacognitive self-regulation — Sklonost rasterećenju i pismenost u provjeri kao prediktori ishoda višeg reda kroz metakognitivnu samoregulaciju (Davor i sur. 2026)
• College students’ metacognitive awareness of generative-AI reliance: an experimental study of decision confidence and attribution bias — Refleksijski poticaj smanjuje prihvaćanje netočnih savjeta umjetne inteligencije i poboljšava kalibraciju svijesti (Ren 2026)
• Helpful or harmful? Generative AI dependence, self-reported critical thinking disposition, and self-perceived employability among business students — Ovisnost o generativnoj umjetnoj inteligenciji kao rubni uvjet dispozicije kritičkog mišljenja i samoopažene zapošljivosti (Shojaei i sur. 2026)
• Lower engagement of cognitive control in children on ChatGPT — Djeca su pokazala slabiju frontoparijetalnu povezanost, povezanost mreže značajnosti i dorzalne pažnje od odraslih tijekom razgovora s ChatGPT-om, uz izjednačene ocjene kreativnosti
• The role of generative AI in facilitating children’s creative thinking and cognitive development: a systematic scoping review — Generativna umjetna inteligencija i dječje kreativno mišljenje: pretjerano oslanjanje i ovisnost o poticajima u pregledu opsega (Niu i sur. 2026)