Offloading Kognitif

Terjemahan mesin otomatis halaman berbahasa Inggris ini, yang belum ditinjau oleh penutur asli.

Offloading kognitif - penggunaan alat eksternal (termasuk AI) untuk mengurangi tuntutan kognitif internal, memindahkan kerja mental dari pembelajar ke sistem. Dalam AI dalam Pendidikan, offloading kognitif adalah mekanisme sentral yang melaluinya alat AI dapat mendukung atau melemahkan pembelajaran: offloading yang tepat membebaskan sumber daya kognitif untuk berpikir tingkat tinggi, sementara offloading yang berlebihan melewati pemrosesan yang dibutuhkan untuk pembelajaran yang bertahan lama. Ketergantungan berlebih adalah ujung berbahaya dari spektrum ini - pola tidak produktif ketika offloading melintasi batas dari dukungan strategis menjadi penggusuran pembelajaran.

Pertanyaan yang Perlu Dipertimbangkan

• Offloading kognitif adalah penggunaan alat eksternal, termasuk AI, untuk mengurangi tuntutan kognitif internal. Halaman ini menyatakan secara eksplisit bahwa offloading tidak secara inheren merugikan: buku catatan, kalkulator, dan mesin pencari semuanya melakukan offloading. Menurut Anda, apa yang membuat offloading yang dimediasi AI berbeda dan berpotensi lebih berkonsekuensi daripada alat-alat yang sudah akrab itu?
• Asumsi umum adalah bahwa menggunakan AI terlalu banyak adalah masalahnya. Tetapi halaman ini memisahkan ketergantungan berlebih dari sekadar frekuensi: yang menjadi soal adalah mode penggunaan yang menggantikan pembelajaran, bukan seberapa sering AI digunakan. Dapatkah Anda menggambarkan cara menggunakan AI yang sering tetapi sehat, dan cara yang jarang tetapi merugikan?
• 'Ilusi percepatan' adalah bahwa pekerjaan berbantuan AI terasa lebih cepat dan lebih mudah, menciptakan kesan produktivitas yang menyesatkan dan menutupi berkurangnya pembelajaran: siswa mencampuradukkan kecepatan penyelesaian tugas dengan pembelajaran. Kapan Anda pernah merasa produktif karena mengerjakan sesuatu dengan cepat dan kemudian menyadari bahwa Anda sedikit sekali belajar darinya?
• Penelitian menemukan bahwa kerugian offloading bersifat bersyarat, bukan intrinsik: 'AI yang melatih mempertahankan atau meningkatkan keterampilan; AI yang menggantikan berisiko menyebabkan kemunduran.' Apa perbedaan praktis antara AI yang menopang pemikiran Anda dan AI yang menggantikannya, dan bagaimana Anda akan mengetahui mana yang Anda dapatkan?
• Satu studi menunjukkan bahwa sekadar memiliki akses ke saran AI hampir menghapus kesediaan orang untuk mengatakan 'saya tidak tahu', bahkan ketika sarannya salah, sambil hampir menggandakan keyakinan diri dan memangkas akurasi menjadi sepertiga. Apa yang ditunjukkan hal ini tentang bagaimana AI mengubah kesadaran kita akan kebodohan kita sendiri?
• Halaman ini memperkenalkan kesenjangan ekuitas metakognitif - sebuah 'Efek Matthew dengan AI': karena penggunaan AI yang produktif membutuhkan pengetahuan awal dan metakognisi, siswa yang sudah beruntung lebih banyak memperoleh manfaat sementara mereka yang paling membutuhkan latihan paling mungkin mendelegasikan pembelajarannya. Bagaimana seharusnya seorang pendidik atau perancang merespons kenyataan bahwa alat yang sama dapat melebarkan kesenjangan yang sudah ada?

Pendahuluan

Offloading kognitif tidak secara inheren merugikan: manusia selalu menggunakan alat eksternal (buku catatan, kalkulator, mesin pencari) untuk mengurangi beban kognitif. Yang membuat offloading yang dimediasi AI berbeda adalah sifat menyeluruhnya: LLM dapat menghasilkan solusi, penjelasan, dan analisis yang lengkap, yang berpotensi menghapus kebutuhan akan proses kognitif yang justru menghasilkan pembelajaran.

Bagaimana offloading kognitif tampil dalam penelitian AIED

Artikel-artikel dalam basis pengetahuan ini mendokumentasikan offloading kognitif lintas beberapa dimensi:

• Menginstrumentasi refleksi diri alih-alih mengukur suatu sifat: PAUSE (Patterns of AI Use: Self-Examination) mengubah literatur offloading 2023-2026 menjadi pemeriksaan diri empat domain - penalaran dan berpikir kritis, kreativitas dan orisinalitas, penelitian dan pembelajaran, serta kapasitas sosial dan komunikatif - dengan butir-butir perilaku yang diberi skor terbalik, jangkar sitasi pada setiap butir, tanpa skor komposit dan tanpa klaim validitas (Alam, 2026). Posisi desainnya adalah bahwa intervensi yang berguna pada offloading adalah mendorong refleksi, bukan menghasilkan diagnosis, karena belum ada instrumen yang memiliki kedudukan untuk membenarkan keputusan berkonsekuensi tentang seseorang.

• Pola prompt sebagai jejak offloading: Misiejuk et al. (2026) menggunakan Network Analysis ko-okurensi untuk menunjukkan bahwa prompt reaktif (ketidaksetujuan tanpa konteks domain) menandakan offloading yang lebih tinggi, sementara prompting kaya konteks dengan instruksi terintegrasi mencerminkan kognisi yang terlibat. Bagaimana AI digunakan, bukan hanya apakah AI digunakan, menentukan derajat offloading.

• Volume prompting tidak mengidentifikasi apa yang di-offload: Poquet et al. (2026) mengelompokkan 97 pembelajar berdasarkan volume prompt dan menemukan bahwa klaster volume tidak berbeda secara signifikan dalam prompting lokal-versus-global atau peran aktif: volume yang sama menggambarkan baik delegasi terarah (12,9 prompt, 36% aktif) maupun hampir tidak ada arahan sama sekali (4% aktif).

• Bukti naturalistik tingkat pesan dalam skala besar - offloading diamati, bukan diasumsikan: Piatnitckaia et al. (2026) memberi kode pada 3.047 pesan ChatGPT dari 46 mahasiswa sarjana di satu universitas Eropa sepanjang jendela persiapan ujian tujuh minggu, menggunakan GPT-4o-mini dengan rasionalitas rantai-pemikiran yang ditegakkan dan memvalidasi pipeline tersebut terhadap pemberi kode manusia terlatih pada 200 pesan (κ Cohen = 0,76 untuk jenis pertanyaan, 0,75 untuk level Bloom). Analyze memuncaki distribusi itu pada 27,28% (831 pesan) mendahului Understand pada 23,76%, bukti rinci pertama bahwa penggunaan siswa-AI yang naturalistik secara rutin mengarah pada pekerjaan tingkat tinggi alih-alih hafalan. Subsampel 16 siswa dengan nilai yang tertaut, yang 1.140 pesannya dikodekan dengan tangan, menyediakan apa yang tidak dapat diberikan oleh jejak tingkat prompt: 49,6% dari 125 dialog tidak menunjukkan offloading, 34,4% ringan dan 16,0% berat, pada rubrik yang menyisakan berat untuk kasus ketika AI menghasilkan draf pertama dan menyusun produk intelektual intinya. Offloading berat secara luar biasa merupakan fenomena Create (80% dari 20 dialog berat, 42% dari semua dialog Create), yang dibaca penulis sebagai bukti bahwa derajat offloading dan level Bloom adalah dimensi berbeda yang layak diukur secara terpisah. Pola nilai hanya bersifat deskriptif - 17,6% berat di lapis teratas, 17,5% di tengah dan 5,9% di bawah (χ² = 5,80, df = 4, p = 0,215) - dan sebagian bertumpu pada satu siswa yang berfokus pada pemrograman yang pengeluarannya menurunkan angka lapis teratas menjadi 8,9%, sehingga penulis berargumen bahwa disiplin membentuk kebiasaan delegasi lebih dari kinerja dan merekomendasikan umpan balik metakognitif atas pola penggunaan yang sebenarnya alih-alih pelarangan.

• Ilusi percepatan: Penelitian tentang ilusi percepatan menunjukkan bahwa pekerjaan berbantuan AI terasa lebih cepat dan lebih mudah, menciptakan kesan produktivitas yang menyesatkan dan menutupi berkurangnya pembelajaran. Siswa mencampuradukkan kecepatan penyelesaian tugas dengan pembelajaran, sebuah titik buta metakognitif.

• Kehilangan pembelajaran akibat AI tanpa panduan: RCT matematika sekolah menengah menunjukkan bahwa GenAI tanpa Guardrails menghasilkan hasil pembelajaran yang lebih buruk daripada pengajaran tradisional. Berkurangnya waktu belajar berkorelasi dengan berkurangnya pembelajaran: siswa menyelesaikan tugas lebih cepat tetapi mengingat lebih sedikit.

• Uji acak atas prediksi offloading pada jeda 45 hari - dan defisitnya bukan sekadar waktu yang dihemat: Barcaui (2025) mengacak 120 mahasiswa sarjana untuk mempelajari topik AI/ML baik dengan ChatGPT tanpa batasan (antarmuka web GPT-4, tanpa panduan prompt) maupun dengan metode tradisional non-AI, lalu memberikan tes konseptual 20 pertanyaan tanpa pemberitahuan 45 hari kemudian. Kelompok berbantuan AI memperoleh 57,5% berbanding 68,5% (t(83) = -3,19, p = 0,002, d Cohen = 0,68), dan kerugian itu bertahan dalam ANCOVA yang menahan waktu belajar yang dilaporkan sendiri konstan (F(1, 82) = 7,89, p = 0,006; rata-rata terkoreksi 6,50 vs. 5,85), sehingga bukan semata artefak kuantitas waktu. Argumen offloading dalam makalah itu adalah bahwa ChatGPT menyediakan sintesis dan penjelasan secara langsung, menjadikannya bentuk delegasi yang secara kualitatif berbeda dari kalkulator: satu bentuk yang dapat menyerap pemahaman, bukan hanya pengambilan kembali.

• Offloading tidak selalu merugikan - syarat batas "pelatih": Lira et al. (2025) menunjukkan bahwa AI dapat mengurangi usaha latihan dan memperbaiki lingkungan belajar, menghasilkan "bekerja lebih sedikit, belajar lebih banyak." Orang dewasa yang berlatih menulis dengan alat AI menulis surat tanpa-AI lebih baik daripada mereka yang berlatih sendiri, bahkan mengalahkan umpan balik yang dipersonalisasi dari editor manusia, tanpa inflasi ilusi penguasaan. Rekonsiliasi dengan kerugian di atas adalah bentuk offloading: AI dalam studi Lira et al. menopang (memunculkan contoh dan umpan balik sambil menjaga pembelajar tetap dalam lingkar kendali) alih-alih menggantikan tindakan kognitifnya. Perspektif keterampilan-versus-kemampuan dasar bertemu pada batas yang sama: AI yang melatih mempertahankan atau meningkatkan keterampilan; AI yang menggantikan berisiko mengalami kemunduran. Kilinc et al. (2026) memberi angka pada batas itu di kelas pertanian-STEM sekolah menengah pertama. Pada 42 siswa kelas delapan dalam 12 kelompok, penggunaan model menyumbang 74,1% dari giliran keterlibatan kolaboratif yang dikodekan dalam profil Most Improved, sementara offloading kognitif dan jalan buntu kolaboratif bersama-sama mencapai 80,8% dalam profil Struggling. Jadi efek offloading terhadap pembelajaran bersifat bersyarat, bukan intrinsik.

• Keterlibatan kritis vs. offloading: Favero et al. membingkai tutor AI sebagai pemberdayaan (mendukung kognisi aktif) atau penawanan (memungkinkan offloading pasif), yang terhubung ke Critical Thinking penelitian.

• Kesadaran metakognitif: Studi tentang kesadaran metakognitif menguji apakah siswa mengenali kapan mereka melakukan offloading dan kapan mereka belajar, dan apakah intervensi instruksional dapat memperbaiki kalibrasi ini.

• Kecerdasan terwujud sebagai alternatif dari outsourcing: Kerangka E3-HOT berargumen bahwa untuk melawan outsourcing kognitif yang diinduksi AI dan pembelajaran yang terlepas dari konteks otentik, AI harus dirancang di sekitar kecerdasan terwujud (penempelan situasional, partisipasi terwujud, kreasi kognitif) sehingga pembelajar mempertahankan agensi kognitif dan pemikiran tingkat tinggi alih-alih meng-offload-nya. Ini membingkai desain AI yang terwujud dan tersituasi sebagai padanan positif dari risiko offloading, yang terhubung ke Distributed Cognition dan Embodied Learning.

• Trade-off efisiensi-AI Regulation in Education dari kognisi terdistribusi: Hao et al. menunjukkan bahwa dalam kolaborasi manusia-AI, mode yang paling banyak meng-offload ke AI (penalaran yang didelegasikan) berkinerja terbaik pada tugas tetapi berkorelasi dengan berkurangnya regulasi diri: bukti empiris bahwa keuntungan efisiensi offloading dapat diperoleh dengan mengorbankan keterlibatan regulatif pembelajar, yang bertemu dengan kekhawatiran Self-Regulated Learning.

• Kelelahan dan beban kognitif: Penelitian kelelahan AI mendokumentasikan bagaimana interaksi AI yang terus-menerus menciptakan bebannya kognitif sendiri, sebuah paradoks ketika meng-offload satu tugas justru meningkatkan beban kognitif karena harus mengelola keluaran AI.

• Kerangka keyakinan-versus-pengalaman metakognitif: Guo & Ye (2026) menerapkan model metakognitif dinamis Nelson dan Naren untuk merekonsiliasi temuan intervensi bidang ini yang saling bertentangan. Mereka membedakan keyakinan metakognitif (konsepsi diri yang stabil dan bersifat merujuk diri yang menjangkarkan pilihan offloading sebelum tugas) dari pengalaman metakognitif (perasaan dinamis dan spesifik tugas yang mendorong pembaruan keyakinan selama tugas), menghasilkan prinsip pencocokan waktu-komponen: umpan balik yang menyasar keyakinan paling efektif sebelum tugas, sedangkan umpan balik yang menyasar pengalaman (indikator kebenaran segera) paling efektif selama tugas. Mereka juga merumuskan offloading substitutif (menggantikan pemrosesan internal dengan bantuan eksternal) vs. offloading duplikatif (melengkapinya): ketika penyimpanan eksternal lenyap, peng-offload substitutif menurun tajam sementara peng-offload duplikatif mempertahankan akurasi, dan menggunakan bias pengingat untuk mengukur penyimpangan dari offloading optimal. Ini bertemu dengan batas "pelatih vs. kruk": offloading yang menopang mempertahankan keterampilan; offloading yang menggantikan berisiko mengalami kemunduran.

• Model formal penggunaan bermasalah untuk ketergantungan AI dalam penulisan akademik (I-PACE): Liu, Zhuang & Wang (2026) memperluas model I-PACE tentang penggunaan teknologi yang adiktif ke ketergantungan AI generatif dalam penulisan akademik perguruan tinggi. Dalam sampel Tiongkok metode campuran, stres akademik adalah prediktor terkuat ketergantungan AI, Literasi AI adalah faktor protektif (literasi lebih rendah menghasilkan ketergantungan psikologis lebih besar), dan kepercayaan yang dipersepsikan memediasi jalur dari pengaruh sosial ke ketergantungan, sehingga ketergantungan terbentuk melalui jalur pengaruh sosial - kepercayaan - perilaku, bukan hanya melalui penggunaan alat secara individual. Data kualitatif mereka menambahkan dimensi kebijakan: siswa melaporkan penghindaran strategis terhadap deteksi plagiarisme dan menyebut aturan yang ambigu tentang apa yang dianggap penggunaan AI yang patuh sebagai insentif untuk berimprovisasi, yang menghubungkan offloading dengan Integritas Akademik.

• Utang kognitif dan pembedaan offloading episodik-habitua: Lin & Al-Hada (2026) merumuskan "paradoks berpikir kritis" - produk yang membaik bersamaan dengan berkurangnya keterlibatan kognitif - melalui kerangka tiga tingkat yang terdiferensiasi (peran AI permukaan/menengah/dalam) dan konstruk utang kognitif: penurunan kumulatif potensial dalam kalibrasi metakognitif dan kinerja tingkat tinggi tanpa bantuan yang bertahan melampaui satu episode berbantuan AI. Kemajuan konseptual kunci mereka adalah membedakan offloading episodik (delegasi yang disengaja dan spesifik tugas dengan kesadaran yang dipertahankan) dari offloading habitua (ketergantungan rutin yang lemah dipantau), dengan prediksi bahwa yang terakhir pada tugas pemrosesan mendalam menghasilkan disosiasi produk-proses: tugas dengan nilai lebih tinggi tetapi transfer tertunda tanpa bantuan yang lebih rendah.

• Spektrum outsourcing-ke-realokasi: offloading dapat mendistribusikan ulang usaha alih-alih menguranginya. Yan et al. (2026) menerapkan model presage-process-product Biggs pada 38 mahasiswa sarjana di Jepang dan Tiongkok yang menulis esai argumentatif tanpa pengawasan, dan menempatkan keterlibatan siswa-GenAI pada spektrum yang dibatasi oleh outsourcing kognitif dan realokasi kognitif - analog era GenAI dari pendekatan permukaan versus pendekatan mendalam. Minoritas yang melakukan realokasi melaporkan usaha total yang tidak berubah dengan fokus yang bergeser, memindahkan sumber daya dari pengambilan tingkat rendah ke evaluasi kritis dan konsolidasi reflektif (menulis catatan refleksi setelah setiap sesi untuk melawan retensi yang dangkal), yang mempersoalkan asumsi bahwa offloading selalu mengurangi kognisi. Namun realokasi adalah pengecualian: 78,94% hanya menyentuh GenAI sebelum mulai atau setelah menyusun draf, bukan bergantian dengannya dengan kerja mandiri, dan 76,32% mengandalkan pola satu-giliran tanya-dapat-jawaban-berhenti (23,68% berdialog iteratif berkelanjutan), sehingga perilaku integratif yang menghasilkan realokasi harus diajarkan, bukan diasumsikan.

• Pelatihan metakognitif mengurangi bias pengingat (bukti empiris langsung): Ngai & Gilbert (2026) memberikan demonstrasi jelas pertama bahwa intervensi singkat dapat membuat offloading terukur lebih optimal. Dua eksperimen yang dipraregistrasi (N=164, N=416) menemukan bahwa hanya lima percobaan latihan yang memasangkan prediksi kinerja dengan umpan balik veridikal per percobaan memperbaiki kalibrasi metakognitif dan mengurangi bias pengingat. Desain aditif empat kelompok mengisolasi mekanismenya: prediksi saja tidak efektif; menambahkan umpan balik kinerja mendorong perbaikan; pelabelan eksplisit atas kepercayaan diri berlebih/kurang tidak menambah apa pun. Efeknya muncul pada bias absolut (bukan bertanda): pelatihan mengoreksi kesalahan kalibrasi individual di kedua arah. Ini memvalidasi secara empiris kerangka keyakinan-versus-pengalaman di atas: umpan balik yang menyasar pengalaman, bukan keyakinan atau prediksi saja, yang mengubah perilaku offloading. Penulis menghubungkan keberhasilannya dengan insentif finansial yang terikat pada optimalitas offloading ditambah umpan balik veridikal segera.

• Prompt refleksi di dalam tugas membuat ketergantungan lebih diskriminatif alih-alih lebih defensif: Ren (2026) mengacak 342 mahasiswa sarjana ke dalam tiga kondisi (tanpa AI, dukungan ChatGPT multi-giliran terbuka, dan dukungan yang sama ditambah prompt refleksi singkat tentang penalaran mereka sendiri dan tentang apa yang akan membenarkan penolakan atas penjelasan AI) dan menemukan bahwa dukungan terbuka membawa penerimaan 62,4% atas saran AI yang salah, yang dipangkas prompt refleksi menjadi 39,7% (OR = 0,40), sementara akurasi rekomendasi tetap sebanding pada kedua kondisi berbantuan (66,3% vs. 67,0%) dan keselarasan dengan saran yang benar tetap tinggi. Refleksi juga memperbaiki kalibrasi kesadaran antara ketergantungan yang dipersepsikan dan yang bersifat perilaku (0,59 vs. 0,41) dan menurunkan indeks bias atribusi khusus AI dari 0,42 ke 0,21. Ini adalah mekanisme penyasar-pengalaman yang sama seperti studi pelatihan di atas, diterapkan di dalam episode keputusan, dan mendukung pembacaan halaman ini yang menekankan pemantauan alih-alih frekuensi pada ketergantungan berlebih: mengetahui batas-batas model tidak dengan sendirinya menghentikan siswa menerima saran salah yang tampak masuk akal.

• Kemalasan metakognitif dan kesenjangan Equity metakognitif yang baru: Lodge & Loble (2026), sebuah laporan sektor untuk persekolahan Australia, berargumen bahwa risiko inti GenAI adalah offloading kognitif, bukan plagiarisme. Mereka mengadopsi kemalasan metakognitif (Fan et al. 2024) - kenyamanan AI yang melemahkan keterlibatan pembelajar dalam proses pengaturan diri yang esensial, sehingga pembelajar melepaskan tanggung jawab metakognitif kepada alat - dan memperkenalkan kesenjangan ekuitas metakognitif (sebuah "Efek Matthew dengan AI"): karena memanfaatkan AI secara produktif membutuhkan Prior Knowledge dan metakognisi, siswa yang sudah beruntung lebih banyak memperoleh manfaat sementara mereka yang paling membutuhkan latihan paling mungkin mendelegasikan pembelajarannya, sehingga melebarkan kesenjangan yang sudah ada. Remedy yang mereka usulkan adalah augmentasi guru (memberikan alat kepada guru ahli untuk memperbesar skala praktik mereka, didukung studi yang menunjukkan bahwa AI yang berorientasi guru memperbaiki hasil dengan biaya jauh lebih rendah) alih-alih tutor AI yang berorientasi siswa, disertai Load Reduction Instruction dan prompt metakognitif.

• Ketergantungan berlebih adalah kekhawatiran etis utama di semua generasi Conversational AI. Tinjauan payung agen AI konversasional (Ganguly et al. 2025, 34 tinjauan) melaporkan bahwa kekhawatiran tentang hubungan manusia-AI - termasuk ketergantungan berlebih dan menyusutnya interaksi sosial - adalah isu etis yang paling sering dibahas di semua generasi CAI, yang sudah ada sebelum GenAI. Tinjauan itu juga mencantumkan dampak pendidikan dan kekhawatiran kognitif (termasuk ketergantungan berlebih dan menurunnya berpikir kritis) sebagai kategori tantangan yang paling banyak dibahas kedua, yang menegaskan bahwa kerugian offloading adalah tema yang menetap lintas generasi, bukan kebaruan khas GenAI.(Conversational AI agents in education: an umbrella review of current utilization, challenges, and future directions)

• Guru sebagai regulator kognisi yang reflektif: Ho dan Chen (2026) memperluas teori offloading ke penilaian AI yang profesional dengan mewawancarai 18 guru yang sedang bertugas. Mereka mengidentifikasi 'ekologi metakognitif' di mana guru mengenali, mendistribusikan ulang, dan secara reflektif melibatkan kembali kognisi dengan GenAI, membingkai AI sebagai mitra kognitif alih-alih pengganti pemikiran, dan menandai 'penyimpangan profesional' sebagai risiko ketika offloading berlangsung tanpa refleksi dalam Pengajaran dan administrasi yang diaugmentasi AI.

• Offloading adalah pengambilan keputusan berbasis nilai, dan sebagian siswa lebih rentan daripada yang lain. Seung & Basham (2026), sebuah tinjauan konseptual di Learning Disability Quarterly, menyintesis ilmu kognitif, Special Education, dan teknologi pendidikan untuk memodelkan offloading GenAI sebagai keputusan untung-rugi yang dibentuk oleh tujuan kinerja, kesulitan tugas, efikasi diri akademik, dan persepsi terhadap alat. Mereka berargumen bahwa siswa dengan disabilitas belajar (SWLDs) sangat rentan terhadap offloading suboptimal, karena beban kognitif yang lebih tinggi, tujuan kinerja yang menghindari usaha, efikasi diri akademik yang lebih rendah, dan ekspektasi yang menggelembung terhadap GenAI membuat delegasi prematur atau berlebihan lebih mungkin terjadi. GenAI dibingkai sebagai bantuan kompensatoris atau jalan pintas bergantung pada bagaimana keputusan offloading berinteraksi dengan profil pembelajar dan desain instruksional, dengan Guardrails instruksional sebagai faktor moderasi kunci (ajarkan regulasi diri metakognitif, bangun Literasi AI untuk mengkalibrasi kepercayaan pada alat, susun pengalaman penguasaan secara berurutan, dan nilai proses bukan hanya produk). Ini memperluas dimensi ekuitas offloading: alat yang sama yang mengurangi hambatan akses dapat, bila tidak dijaga, menggantikan justru latihan yang paling dibutuhkan SWLDs.

• Risiko offloading bersifat perkembangan. Niu et al. (2026) menelaah 24 sumber bukti tentang GenAI dan berpikir kreatif anak-anak dan menemukan ketergantungan berlebih serta ketergantungan pada prompt di antara risiko yang berulang, paling kuat di kelas-kelas rendah, bersamaan dengan pemikiran berbasis templat dan kesulitan anak menilai apakah saran AI itu orisinal; satu perbandingan fMRI mencatat keterlibatan jaringan kendali kognitif dan atensi yang lebih rendah selama interaksi anak-ChatGPT dibandingkan percakapan manusia. Karena anak yang lebih muda kurang memiliki keterampilan linguistik dan metakognitif yang dibutuhkan prompting berbasis teks, penulis merekomendasikan agar literasi AI, kepengarangan dan pembangkitan ide tanpa bantuan tetap berada di dalam aktivitas itu sendiri serta mengukur kreativitas mandiri secara terpisah dari keluaran berbantuan AI. Ini menambahkan dimensi usia pada pola kerentanan di atas.

• Pertanyaan "berpikir lebih sedikit vs. belajar dengan cara berbeda" bersifat bersyarat. Nesnin et al. (2026) menawarkan tinjauan analitis yang lebih luas yang menyimpulkan bahwa AI tidak selalu membuat siswa berpikir lebih sedikit tetapi mengubah cara mereka belajar - hasilnya bergantung pada penggunaannya. AI yang menjernihkan, memverifikasi, dan membimbing meningkatkan pembelajaran; AI yang menggantikan pemikiran mandiri menghasilkan ketergantungan pasif. Ini bertemu dengan batas "menopang vs. menggantikan" yang meluas di basis pengetahuan ini dan pandangan bersyarat tentang kerugian offloading.

• Offloading sensitif terhadap lapisan: kedalaman delegasi penting, bukan hanya kejadiannya. Chen (2026) memperkenalkan penjelasan sensitif-lapisan untuk penulisan akademik - permukaan (tata bahasa/kosakata), struktural (kerangka/urutan), ide (klaim/konten), dan penalaran (dasar alasan/kontraargumen/logika argumentatif). Dalam kuasi-eksperimen delapan minggu, kolaborasi AI yang terbuka menghasilkan penulisan terbantu tertinggi tetapi hasil mandiri tanpa-AI terendah, dengan lapisan offloading yang lebih dalam membawa asosiasi negatif terkuat terhadap berpikir tingkat tinggi Higher Education mandiri (offloading penalaran tak langsung ab = -0,34 vs. permukaan -0,08). Penulisan yang diatur sendiri melemahkan tetapi tidak menghapus kerugiannya. Ini memperhalus batas menopang-vs-menggantikan: sebagian lapisan delegasi menopang, sementara lapisan yang lebih dalam menggantikan kognisi yang membangun Critical Thinking.

• Uji kausal atas prediksi offloading, dengan arah tanda terbalik: menulis dengan ChatGPT menghasilkan pembelajaran yang lebih sedikit daripada menulis tanpa bantuan. Wagner-Kobayashi (2026) menjalankan eksperimen antar-subjek di mana 35 mahasiswa psikologi menghabiskan 20 menit mengelaborasi teks masukan, dengan GPT-3.5 hanya tersedia bagi kelompok eksperimen, dan mengerjakan tes pengetahuan yang identik sebelum dan sesudahnya. Interaksi kelompok × waktu yang dihipotesiskan signifikan (F(70) = 5,889, p = 0,018) tetapi mengarah ke arah sebaliknya: kelompok tanpa-ChatGPT belajar lebih banyak (rata-rata posttest 8,29 vs 6,94; b = -1,450), yang memfalsifikasi prediksi menulis-untuk-belajar bahwa ChatGPT akan memperkuat elaborasi. Yang menguap adalah usaha elaboratif itu sendiri: peserta hanya menghasilkan 2,25 contoh dan 0,88 koneksi dalam dialog dengan alat dan melaporkan memprioritaskan jumlah kata di atas kedalaman, pembacaan defisiensi pemanfaatan oleh penulis atas alat yang tersedia tetapi tidak diterapkan, sejalan dengan berkurangnya usaha mental dan perilaku salin-tempel yang dicatat halaman ini di tempat lain. Begitu Motivation masuk ke dalam model, efek kelompok × waktu melemah (p = 0,280), dan motivasi serta minat topik yang lebih tinggi memprediksi perolehan hanya di dalam kelompok ChatGPT, sehingga siswa dengan motivasi dan minat rendah adalah pihak yang dirugikan oleh alat itu: dukungan eksperimental bagi jalur motivasional menuju ketergantungan berlebih yang didokumentasikan halaman ini. Penulis membaca hasilnya secara sempit (efek kecil yang melanggar asumsi di bawah tekanan waktu dan tanpa pelatihan) dan merekomendasikan mengajarkan siswa cara menerapkan alat alih-alih melarangnya, yang mempertahankan temuan itu pada batas menopang-versus-menggantikan alih-alih menjadikannya vonis atas alat tersebut.

• Kontinum menyerah-offloading-agensi. Tinjauan cepat PreK-12 Sydney (Arthars et al. 2026, 271 makalah) membingkai penggunaan GenAI melintasi dimensi kognitif, metakognitif, dan afektif: menyerah (tanggung jawab atas pekerjaan yang relevan dengan pembelajaran beralih ke GenAI, sering kali tanpa disadari), offloading (delegasi yang disengaja dan mungkin produktif yang menjadi pembelajaran hanya jika diperiksa/dielaborasi), dan agensi (mempertahankan tanggung jawab atas usaha dan penilaian). Tinjauan itu juga memperingatkan adanya ketidakadilan metakognitif: siswa dengan metakognisi lebih lemah lebih rentan terhadap offloading yang merugikan dan kurang mampu mengenalinya.(Young People, Learning, and Generative AI: A Rapid Literature Review and Implications for PreK-12 Education)

• Ketergantungan diatur oleh efikasi diri sebanyak oleh kemampuan. Ketergantungan AI bukan sekadar produk keterampilan teknis: Maizel et al. (2026) menunjukkan bahwa literasi AI berbasis keterampilan memprediksi ketergantungan yang lebih tinggi (konsisten dengan pandangan kapasitas-pemungkin/offloading), sementara efikasi diri AI dan efikasi diri akademik menahan ketergantungan berlebih, yang menunjukkan bahwa offloading diatur oleh keyakinan efikasi diri motivasional sebanyak oleh kemampuan.

• Offloading mengubah ambang untuk merespons, bukan hanya kapasitas. Marcoccia et al. (2026) menunjukkan bahwa sekadar memiliki akses ke saran AI hampir menghapus kesediaan orang mengatakan "saya tidak tahu", bahkan ketika sarannya salah, sambil hampir menggandakan keyakinan diri dan memangkas akurasi menjadi sepertiga; insentif memulihkan akurasi (dengan mengurangi ketergantungan) tetapi tidak memulihkan penangguhan penilaian.

• Kesenjangan Keamanan sebagai biaya dari meng-offload perjuangan. Wang & Shan (2026) merumuskan perbedaan antara kinerja siswa yang dibantu AI dan kemampuannya tanpa bantuan sebagai "Safety Gap" - risiko epistemik ketika AI mengerjakan kerja kognitif dan pembelajar tidak dapat mereproduksinya. Kim et al. (2026) dan Puech et al. (2025) menunjukkan bahwa desain Productive Failure (menahan jawaban, mempertahankan perjuangan) adalah penangkalnya.

• Spektrum ICAP/SAMR membingkai offloading sebagai kontinum mode, bukan biner. Rummel, Nachtigall, dan Panadero (2026) memetakan analogi mesin dapur Thermomix ke pembelajaran dengan Generative AI di dalam kerangka ICAP dan SAMR, menunjukkan empat skenario yang bergerak dari substitusi pasif (sepenuhnya melakukan outsourcing tugas - ujung offloading, berisiko kehilangan keterampilan dan Creativity yang terbatas) ke redefinisi interaktif (AI sebagai mitra dialog yang menyediakan umpan balik adaptif waktu nyata dan ko-konstruksi - ujung yang terlibat). Ini membingkai ulang kerugian offloading sebagai bersyarat pada mode penggunaan alih-alih sekadar frekuensi, yang bertemu dengan batas "menopang vs. menggantikan" yang meluas: apakah penggunaan AI berada di ujung substitusi/Substitution atau redefinisi/Redefinition dari spektrum menentukan apakah ia menggusur atau mendukung kognisi yang membangun pembelajaran.

Navas-Romero et al. (2026) melaporkan persepsi siswa tentang tuntutan kognitif bahan ajar yang dirancang GenAI di pendidikan tinggi bersamaan dengan perolehan kompetensi pembelajar mereka, memisahkan beban yang ditimbulkan bahan tersebut dari kompetensi yang dibangunnya.

Gillette et al. (2026) mencatat offloading sebagai pengalaman partisipan sendiri alih-alih risiko teoretis: salah satunya mengatakan genAI "melarang saya untuk benar-benar membaca dan menemukan sendiri apa yang penting dalam teks, untuk mengembangkan keterampilan membaca", dan yang lain khawatir tentang "perkembangan jangka panjang, di mana saya menjadi lebih buruk dalam keterampilan tertentu yang sekarang sangat saya kuasai".

• Efeknya terletak pada pembagian kerja, bukan pada alatnya. Nakamura (2026) berargumen bahwa heterogenitas efek pembelajaran GenAI menghilang begitu unit analisisnya menjadi pembagian kerja kognitif antara pembelajar dan mesin. Offloading mengaugmentasi pembelajaran ketika ia menunaikan operasi yang bersifat periferal terhadap tujuan saat ini, dan berisiko erosi ketika ia melewati pemrosesan yang konstitutif bagi tujuan itu (Nakamura, 2026). Memproses keluaran secara substantif, atau merekonstruksinya kemudian, adalah yang menyelamatkan offload yang sebaliknya bersifat konstitutif.

Ketergantungan berlebih: ketika offloading menjadi merugikan

Tangga yang dilacak halaman ini memiliki tiga anak tangga, dan hanya dua yang pertama yang termasuk di sini. Offloading adalah mendelegasikan kerja mental, yang sering kali produktif; ketergantungan berlebih adalah melakukannya secara kronis dan tanpa kalibrasi, yang merupakan kegagalan perilaku yang didokumentasikan bagian ini; Penyerahan Kognitif adalah kegagalan yang berbeda: langkah evaluatifnya tidak pernah terjadi, sehingga pembelajar mengadopsi jawaban AI tanpa penilaian apa pun atas kualitasnya. Batasnya terlihat pada apa yang diminta AI untuk disediakan: bantuan instrumental Du dan Yuan menghasilkan keluaran, sementara bantuan yang membawa penilaian menyediakan standar yang dengannya keluaran dinilai, dan jenis kedua itulah yang menggusur kerja yang menjadi sandaran keahlian. Tinjauan cepat Sydney menarik pembagian tiga arah yang sama pada 271 makalah. Karena itu menyerah memiliki tanda eksperimentalnya sendiri dan halamannya sendiri; ketergantungan berlebih tetap menjadi masalah frekuensi-dan-kalibrasi, dan keduanya merupakan hasil yang dapat dipisahkan dalam tugas yang sama: dalam percobaan Shaw dan Nave, 73,2% percobaan dengan AI yang salah berakhir dengan menyerah sementara 19,7% berakhir dengan offloading strategis. Tolok ukur eksternal terhadap studi mana pun mengukur kegagalan yang sama dan menemukannya lazim. ImpactBench memberi skor sepuluh model pada 48.540 percakapan simulasi: metrik Cognitive Offloading Asymmetry-nya rata-rata 51,9% dan Planning-Related Cognitive Intrusion 47,1%. Kasus pendidikannya menampilkan Claude Sonnet 5 menyerahkan sebuah tesis, kerangka, dan esai lengkap "siap tempel" begitu seorang siswa simulasi mendesak agar diberi draf jadi, sambil tetap menolak memfabrikasi sitasi (ImpactBench (2026)). Learning & Skill Development adalah subarea terlemah dari 14 subarea pada kedua polaritas, pada 45,9% dan 16,3%.

Ketergantungan berlebih adalah ketergantungan yang berlebihan atau tidak terkalibrasi pada alat AI ketika siswa mendelegasikan kerja kognitif yang seharusnya mereka kerjakan sendiri, sehingga menghasilkan berkurangnya pembelajaran, menyusutnya Learner Agency, dan tergesernya perkembangan keterampilan. Ini adalah manifestasi perilaku dari offloading kognitif yang berlebihan: ketika offloading menjadi default alih-alih pilihan strategis. Ketergantungan berlebih bukan sekadar soal menggunakan AI terlalu banyak: ini soal menggunakan AI dengan cara yang menggantikan, bukan melengkapi, proses pembelajaran. Kerja konseptual mendesak agar ketergantungan berlebih dalam pendidikan ini dibedakan dari keterikatan relasional dan ketergantungan klinis: Yan (2026) menunjukkan bahwa kepercayaan, ketergantungan, ketergantungan berlebih, keterikatan, dan penggunaan bermasalah secara rutin dicampuradukkan dalam literatur AI konversasional, dan bahwa delegasi yang sering tidak boleh dilabeli ketergantungan tanpa adanya gangguan kendali atau kerugian.

• Paradoks efisiensi: tujuan penguasaan yang runtuh menjadi offloading "secara default." Yan et al. (2026) mengidentifikasi pembelajar yang menyatakan tujuan berorientasi penguasaan namun menjalankan proses yang mirip pendekatan permukaan, melakukan offloading "bukan karena niat, tetapi karena default": tiga kelompok niat mereka (Alat Outsourcing n = 16, Asisten Pembelajaran n = 31, Mitra Kognitif n = 8) menunjukkan bahwa kasus modalnya bukanlah kecurangan yang disengaja maupun pembelajaran yang disengaja. Siswa kelompok outsourcing mengenali keterlepasannya sendiri (menyalin-tempel paragraf demi paragraf digambarkan sebagai "benar-benar menggantikan otak saya") dan melaporkan lupa dengan cepat, dan seluruh 38 orang yang diwawancarai melaporkan rendahnya keyakinan menggunakan GenAI secara efektif: bukti bahwa ketergantungan berlebih dapat didorong oleh kondisi presage yang hilang (Literasi AI, kompetensi prompting, panduan spesifik tugas) alih-alih oleh motivasi untuk menghindari kerja.

• Pengodean agensik meng-offload pemahaman di lapangan: Tanaka et al. (2026) melaporkan bahwa mahasiswa sarjana yang menggunakan agen AI dalam mata kuliah proyek perangkat lunak menulis lebih banyak kode dari tahun ke tahun tetapi menunjukkan penurunan pemahaman di bawah penggunaan berat - yang dapat dipulihkan melalui verifikasi instruktur satu-satu atas kode yang dihasilkan AI.

• Penggusuran pembelajaran: Penelitian tentang efek kognitif AI mendokumentasikan bagaimana ketersediaan AI mengurangi pemrosesan yang memerlukan usaha - "efek Google yang diperluas ke penalaran." Stamatoulis et al. (2026) mengisolasi ini sebagai pola penggunaan yang berbeda: penerimaan dengan verifikasi rendah (menerima keluaran AI secara tidak kritis) memprediksi kinerja akademik yang lebih buruk, sedangkan integrasi evaluatif (menggunakan AI untuk mendukung pemahaman) memprediksi kinerja yang lebih baik - dan frekuensi penggunaan saja tidak memprediksi keduanya. Ketergantungan berlebih karena itu adalah mode penggunaan yang dapat dipisahkan dari seberapa banyak siswa menggunakan AI.

• Masalah agensi: Misi AIED yang belum selesai membingkai ketergantungan berlebih sebagai krisis agensi dan motivasi: siswa melewati pembelajaran bukan karena AI memikat, tetapi karena tugas belajar terasa tidak bermakna ketika AI dapat menyelesaikannya dengan mudah.

• Erosi motivasi: Penelitian motivasi siswa menemukan bahwa mengetahui AI tersedia mengurangi nilai yang dipersepsikan dari mempelajari keterampilan itu sendiri, sebuah kalkulus motivasional yang terutama memengaruhi pembelajar pemula.

• Kegigihan juga terkikis, dan cepat. Setelah sekitar sepuluh menit dengan asisten yang menjawab sesuai permintaan, peserta melewati 0,20 soal tanpa bantuan berbanding 0,11 pada kelompok kontrol dan menyelesaikan 0,57 berbanding 0,73, yang tereplikasi pada pemahaman bacaan (Liu et al., 2026).

• Perolehan pekerjaan rumah yang terbantu tidak bertahan pada ujian tanpa bantuan. Mengacak 153 mahasiswa mata kuliah pembuktian ke akses AI lebih awal menaikkan skor pekerjaan rumah 2,56 poin dan membiarkan Ujian Tengah Semester 2 tidak dapat dibedakan dari nol, sementara alat umpan balik coba-dulu tidak dihukum dan chatbot terbuka tercatat 3,02 poin lebih rendah per 100 pesan (Chen et al. (2026)).

• Pengumpulan tugas bukan bukti tentang apa yang di-offload. Pada 59 catatan percakapan dari 23 mahasiswa aljabar linear, 27 dari 30 yang dipandu dengan menjelaskan atau memeriksa tetap berakhir dekat dengan produk model, sehingga offloading harus dibaca prompt demi prompt (Kontorovich & Wallach (2026)).

• Utang literasi: Utang literasi agensik menggambarkan defisit keterampilan kumulatif yang berkembang ketika siswa terbiasa bergantung pada AI alih-alih mengembangkan kompetensinya sendiri, analog dengan utang teknis dalam perangkat lunak.

• Siklus kelelahan: Penelitian kelelahan AI mengidentifikasi paradoks ketika ketergantungan berlebih menyebabkan kelelahan kognitif akibat pengelolaan interaksi AI yang terus-menerus, yang kemudian mendorong ketergantungan LEBIH BANYAK: lingkaran setan.

• Aturan penempatan: The Effortless Trap membingkai izinkan-vs-larang sebagai pertanyaan penempatan: pembantu AI tanpa penjagaan membiarkan siswa sekolah menengah sekitar 17% lebih buruk pada ujian tanpa bantuan, sementara model yang sama yang dibangun ulang untuk menahan jawaban menghapus kerugian itu. Diagnostiknya - "jika membiarkan AI masuk membuat tugas terasa tanpa usaha, maka ia berada di tempat yang salah" - mengamankan upaya keras pertama dan pemeriksaan akhir tanpa bantuan sebagai momen ketika ketergantungan berlebih paling mudah menyamar sebagai "ilusi pembelajaran."

• Pemeliharaan metakognitif: The Synthesis-Analysis Reciprocity Model mengusulkan alat yang mempertahankan agensi epistemik manusia dengan menyusun interaksi AI di sekitar siklus analisis manusia alih-alih siklus generasi AI.

• Mekanika metakognitif dari penggunaan berlebihan: kerangka keyakinan-versus-pengalaman menjelaskan mengapa siswa meng-offload secara berlebihan bahkan ketika itu merugikan mereka: orang meng-offload secara impulsif, dan keyakinan metakognitif yang sudah ada lebih cepat menjangkarkan perilaku daripada pengalaman tugas dapat mengoreksinya, sehingga penawar bagi ketergantungan berlebih bersifat metakognitif, bukan sekadar restriktif.

• Ketergantungan berlebih dapat dilatih melalui pelatihan kalibrasi: Ngai & Gilbert (2026) menunjukkan bahwa bias pengingat - analog laboratorium dari ketergantungan berlebih - dapat dikurangi dengan intervensi metakognitif singkat (lima percobaan latihan yang memasangkan prediksi dengan umpan balik), yang mengoreksi kalibrasi di kedua arah. Ini menyiratkan bahwa penawar bagi ketergantungan berlebih bukan sekadar aturan restriktif tetapi pelatihan kalibrasi yang membuat siswa akurat tentang apa yang benar-benar dapat mereka lakukan tanpa bantuan.

• Bukti lapangan: AI yang melatih vs. AI yang menjawab. NUMI (Oreopoulos et al. 2026) menemukan bahwa dukungan AI yang melatih alih-alih memberi jawaban memperlambat siswa tetapi mengurangi penghindaran usaha - memperbaiki kebenaran percobaan berikutnya setelah kesalahan dengan lebih banyak waktu per pertanyaan (sebuah "perlambatan produktif") - sementara Khanmigo (Oreopoulos & Low 2026) menunjukkan bahwa tanpa struktur yang membuat kesalahan berkonsekuensi, siswa secara default menggunakan secara dangkal (jawaban telanjang, klik prompt) dan perolehannya setara dengan latihan tanpa AI. Keduanya menegaskan bahwa kerugian offloading bergantung pada bagaimana AI digunakan dan dirancang, bukan hanya pada aksesnya. CoMeT (Hou et al. 2026) menyediakan dimensi desain yang sebaliknya dibiarkan implisit oleh batas itu: seorang tutor dapat memikul lebih banyak kerja tanpa memicu lebih banyak delegasi. Tangganya naik satu anak tangga setiap kali pembelajar tidak menggunakan dukungannya dan turun ke anak tangga paling ringan saat dukungan itu dipakai, dengan menjaga tuntutan metakognitif setara secara statistik dengan tutor yang menahan jawaban secara desain (p_TOST = 0,004) sementara artefak mencapai ruang kerja pada 48,1% sesi berbanding 23,7% pada tutor yang menahan jawaban itu, dan pembelajar memintanya membangun pada 50,4% sesi berbanding 51,1% pada tutor tanpa batasan yang menjawab sesuai permintaan (OR = 0,95, p = 0,82). Delegasi mengikuti tuntutan yang ditempatkan tutor pada pembelajar, bukan jumlah pekerjaan yang diambilnya alih.

• Bukti lapangan skala besar: "Generative AI learning penalty." Strömberg, Lei, & Wu (2026), yang melacak 26.811 siswa sekolah menengah Tiongkok selama 30 bulan, menemukan bahwa adopsi AI generatif secara mandiri menaikkan skor pekerjaan rumah 18% dan memangkas waktu pekerjaan rumah 30% sementara menurunkan skor ujian tutup buku 20% dalam enam bulan dan skor ujian masuk 18-24% setelah dua tahun - terkonsentrasi pada sekitar 81% pengguna yang perilakunya mengindikasikan outsourcing pekerjaan rumah (waktu penyelesaian singkat + skor pekerjaan rumah yang menggelembung). Ini adalah bukti skala besar langsung bahwa offloading tanpa penjagaan (menggunakan AI sebagai pengganti pekerjaan rumah alih-alih sebagai tutor) menghasilkan penalti pembelajaran yang diprediksi oleh offloading kognitif, yang sering tidak terdeteksi oleh siswa sendiri.

• Ketergantungan berlebih mengikis pembelajaran mandiri melalui motivasi dan efikasi diri. Zhao & Gu (2026) memodelkan mekanismenya secara langsung: pada 487 mahasiswa sarjana Tiongkok, penggunaan GenAI tanpa pikir (TUGA) - mengadopsi keluaran AI tanpa evaluasi kritis - secara signifikan melemahkan Self-Directed Learning (β = -0,42) baik secara langsung maupun melalui mediasi parsial Motivation (β = -0,54 jalur dari TUGA) dan Self-Efficacy (β = -0,37). Model itu menjelaskan 75,3% varians SDL. Karena motivasi adalah pendorong positif terkuat bagi SDL (β = 0,68), dan penggunaan tanpa pikir menekannya, ini adalah bukti kuantitatif bahwa ketergantungan berlebih merusak sumber daya motivasional dan efikasi diri yang menjadi sandaran pembelajaran otonom - dengan perbedaan gender (kerugian motivasi lebih kuat pada laki-laki, kerugian efikasi diri lebih kuat pada perempuan).

• Kecenderungan offloading memprediksi hasil tingkat tinggi yang lebih rendah, dan literasi verifikasi membutuhkan metakognisi agar berbuah. Davor, Larbi dan Boateng (2026) mensurvei 533 mahasiswa universitas di Ghana dan memodelkan kecenderungan offloading, penopangan tugas AI dan literasi verifikasi AI terhadap hasil tingkat tinggi melalui regulasi diri metakognitif. Kecenderungan offloading adalah prediktor negatif terkuat bagi berpikir kritis (-0,240) dan pemecahan masalah teknis (-0,312) dan juga menekan regulasi diri metakognitif (-0,294), sementara penopangan memprediksi kedua hasil secara positif (0,185 dan 0,170). Literasi verifikasi tidak memiliki efek langsung signifikan pada kedua hasil dan hanya bekerja melalui regulasi diri metakognitif, sebuah pola mediasi penuh yang oleh penulis disebut mekanisme aktivasi metakognitif: mengajarkan siswa memeriksa keluaran AI tidak cukup dengan sendirinya, karena kebiasaan evaluatif itu berbuah hanya ketika tertanam dalam perencanaan, pemantauan dan refleksi selama tugas.

• Ketergantungan beroperasi sebagai syarat batas bagi manfaat penggunaan. Shojaei et al. (2026) mensurvei 412 mahasiswa sarjana bisnis di Oman dan menguraikan asosiasi antara penggunaan GenAI dan disposisi berpikir kritis yang dilaporkan sendiri: korelasi orde-nol mendekati nol (r = 0,050) sementara koefisien terkoreksi positif (0,185), karena jalur tak langsung negatif melalui ketergantungan (-0,147) mengimbanginya. Ketergantungan berasosiasi negatif dengan disposisi (-0,389) dan dengan employabilitas yang dipersepsikan sendiri (-0,328) serta melemahkan kedua tautan penggunaan-ke-hasil, dan kemiringan sederhana turun dari 0,424 pada ketergantungan rendah ke -0,054 pada ketergantungan tinggi, yaitu pelemahan bukan pembalikan. Pembacaan ini mempertahankan temuan pada sisi mode-penggunaan dari batas itu: ketergantungan menandai titik ketika penggunaan bergeser dari augmentasi ke substitusi, dan frekuensi saja menutupi jalur-jalur yang berlawanan arah.

• Ketergantungan berlebih pada AI sebagai sistem adaptif kompleks. Alih-alih mempelajari ketergantungan berlebih satu pengguna pada satu waktu, sebuah makalah pemodelan membingkainya sebagai proses tingkat populasi di mana agen memperbarui keyakinan Bayesian tentang kualitas AI dan, ketika berjejaring, belajar dari rekan. Bukti sosial dapat mengubah ketergantungan menjadi kaskade umpan balik (penggunaan tak terverifikasi yang terlihat menekan verifikasi), sementara pembelajaran sosial menciptakan konsensus alih-alih ketergantungan berlebih: sebuah pembingkaian yang menggeser sasaran intervensi dari kalibrasi individual ke dinamika kepercayaan dan ketergantungan yang berjejaring.

• Enam kriteria diagnostik memisahkan ketergantungan produktif dari ketergantungan yang merugikan. Du & Yuan (2026) memberi ketergantungan berlebih kosakata diagnostik yang lebih granular daripada frekuensi penggunaan, dengan membedakan bantuan instrumental (AI membantu menghasilkan keluaran) dari bantuan yang membawa penilaian (AI menyediakan standar yang dengannya keluaran dinilai). Tinjauan mereka mengoperasionalkan batas produktif/merugikan melalui enam kriteria - kontestabilitas, kemampuan dipulihkan, transfer, keterlacakan, tanggung jawab terdistribusi, dan pluralitas epistemik - dan melacak empat jalur sosioteksnis (otoritas yang fasih, delegasi tanpa gesekan, sintesis opak, ketergantungan yang terlembaga) yang melaluinya offloading mempertahankan atau menggusur kerja epistemik yang mengembangkan penilaian. Karena ketergantungan bersifat kontekstual dan institusional dan bukan sekadar individual, kerangka ini mengarahkan perhatian pada insentif penilaian, desain antarmuka, dan pengadaan bersamaan dengan regulasi diri pembelajar.

• Dampak lanjutan yang belum terukur: cognitive washout. Yajee (2026) menyebut pertanyaan terbuka terbesar bidang ini sebagai pasca-penarikan: hampir semua penelitian offloading mengukur kognisi selama penggunaan AI, tetapi hampir tidak ada yang mengukur apa yang terjadi setelah asisten ditarik selama berhari-hari atau berminggu-minggu (ujian, gangguan layanan, peninjauan lisensi). Makalah itu merumuskan cognitive washout dengan Washout Curve Model - parameter yang dapat diestimasi untuk konstanta waktu pemulihan, kelengkapan pemulihan, pertumbuhan residual, dan indeks histeresis yang membandingkan belajar ulang dengan usaha awal - dan empat kemungkinan hasil (pantulan elastis, dataran parsial, penopang laten, pemulihan berlebih). Karena reversibilitas menentukan apakah defisit yang diinduksi merupakan ketidaknyamanan atau cedera tingkat kohort, makalah itu berargumen bahwa penarikan layak mendapat kedudukan metodologis yang sama dengan adopsi, dan menetapkan protokol tiga-lengan, tiga-domain, dua puluh dua minggu untuk memutuskan di antara hasil-hasil itu. Ini mengubah pembedaan "pelatih vs. kruk" dan substitutif-vs-duplikatif di atas menjadi agenda penelitian longitudinal yang dapat diuji tentang apakah dan seberapa cepat keterampilan yang di-offload kembali.

• Ketergantungan tanpa pengetahuan domain merosot menjadi menebak. Mikhasenko et al. (2026), yang merancang ulang mata kuliah pengantar fisika nuklir dan partikel di Ruhr University Bochum, menggambarkan mode kegagalan ketergantungan tanpa pengetahuan domain: ketika seorang siswa tidak dapat menilai apakah jawaban yang dihasilkan sehat secara fisik, "percakapan dengan AI" yang dimaksudkan merosot menjadi menebak terhadap keluaran yang tampak masuk akal tetapi tidak dapat diandalkan. Survei pertengahan semester mata kuliah yang sama (n=30) menemukan penggunaan LLM yang sering (24 dari 29 menggunakannya sering atau selalu) bersamaan dengan kesiapan yang dilaporkan sendiri yang rendah untuk kelancaran komputasi yang dituntut tugas, dan jawaban terbuka mengangkat ketergantungan AI dan akses yang tidak setara ke model berbayar di antara titik-titik gesekan.

• Argumen tandingan Daois: offloading bukan hanya tidak praktis tetapi merugikan diri sendiri. Xie (2026) menyediakan argumen tandingan normatif anti-delegasi dari pengembangan diri Daois: dalam praktik Neidan (內丹) "tidak ada jalan pintas kognitif," dan praktisi tidak dapat melakukan outsourcing kerja ke perangkat eksternal, sehingga AI seharusnya "bukan pengganti kognitif tetapi ajung instrumental," serupa dengan tanur alkemis: sebuah pembingkaian yang selaras dengan batas "pelatih vs. kruk" di atas alih-alih dengan offloading substitutif.

Offloading dapat merugikan diri, bukan hanya keterampilan. de Barba (2026) menyebut bagian dari diri-domain pembelajar yang kemampuannya berada di alat berdaya AI dan hanya tersedia menurut syarat penyedia sebagai diri yang disewa (rented self), dan memisahkan dua biaya. Biaya kalibrasi adalah lokus yang salah dinilai - mengklaim kurang atas kemampuan yang dimiliki, atau mengklaim berlebih atas kemampuan yang dipegang alat - sementara biaya diri muncul setiap kali kemampuan inti disewa, bahkan secara sadar, karena operasi yang membangun diri itu tidak pernah dijalankan. Empat konfigurasinya menyilangkan lokus dengan atribusi: kompetensi yang dimiliki, kompetensi yang tidak diklaim, penyewaan yang terlihat dan penyewaan yang tersembunyi, yang terakhir adalah yang menghapus sinyal yang mendorong pembelajar membangun apa yang mereka yakini sudah mereka miliki.

Konsensus 30 pakar menempatkan kerusakan di kedua ujung urutan pembelajaran. Latihan Delphi yang dipraregistrasi atas 65 proses belajar menemukan akuisisi rentan (Encoding 3,30, Retrieval 3,30, Information Acquisition 3,00 pada skala gangguan 1-5), konsolidasi diperkuat (Learning From Feedback 4,00, Learning From Examples 3,90, Self-Testing 3,80), dan berpikir tingkat tinggi kembali rentan (Kendeou, Greene & Nixon et al., 2026). Sepuluh dari delapan belas proses tingkat tinggi mencapai konsensus hanya pada kerentanan, dengan penilaian penguatan di bawah ambang.

Kerangka CLT

Akses ke umpan balik AI bukan perlakuan yang sama dengan terlibat dengannya, dan ukuran beban terpisah. Wenzel, Geiger dan Liening (2026) menjalankan studi lapangan longitudinal lima minggu dalam permainan simulasi bisnis (234 siswa, 1.147 observasi mingguan) dan memisahkan pemberian akses dari penerimaan. Sekadar menyediakan akses ke umpan balik AI konversasional tidak menggerakkan beban ekstraneus (β = 0,071, p = 0,481) maupun germane (β = 0,019, p = 0,807). Tetapi siswa yang menggunakannya secara teratur melaporkan beban germane yang secara signifikan lebih tinggi daripada non-pengguna eksperimental (β = -0,468, p < 0,001) dan daripada kontrol (β = -0,253, p = 0,028) - sementara beban ekstraneus tidak pernah berkurang baik oleh akses maupun keterlibatan (F(1, 219) = 0,499; berbasis penggunaan F(3, 214) = 0,172). Itulah pola yang menarik secara teoretis dan kebalikan dari klaim yang biasa: intervensi membuat pembelajar bekerja lebih keras pada materi tanpa membuat lingkungannya lebih mudah. Beban intrinsik mendorong beban ekstraneus (β = 0,647, p < 0,001) dan regulasi diri metakognitif mendorong beban germane (β = 0,363, p < 0,001), dengan beban ekstraneus berasosiasi negatif dengan beban germane (β = -0,178, p < 0,001) persis seperti yang ditentukan CLT. Kedua beban juga menurun sepanjang lima minggu (ekstraneus β = -0,388, p < 0,001) - efek kebaruan yang terlihat pada ukuran kognitif alih-alih ukuran keterlibatan.

Cognitive Load Theory (Sweller) menyediakan lensa teoretis yang diperdebatkan tentang memori kerja dan instruksi: beban intrinsik (kompleksitas tugas), beban ekstraneus (gesekan penyajian), dan beban germane (usaha membangun skema). AI yang dirancang baik seharusnya mengurangi beban ekstraneus sambil mempertahankan pemrosesan germane; AI yang terintegrasi dengan buruk mengurangi ketiganya, meninggalkan siswa dengan tugas yang selesai dan pembelajaran yang kosong. Perhatikan bahwa klaim teori ini diperdebatkan dalam literatur yang lebih luas, tetapi pembingkaiannya tetap berpengaruh dalam cara efek offloading dibahas.

Taruhan tingkat profesi dalam offloading. Kerangka Cognitive Commons (Lovett 2026) memperluas offloading dari tingkat individual ke kolektif: ketika AI memungkinkan pekerja junior melewati perjuangan kognitif yang membangun keahlian mendalam, ia dapat menipiskan kumpulan keahlian bersama suatu profesi seiring waktu - "Validation Tether" berarti pengawasan AI yang efektif bergantung pada justru penguasaan yang mungkin dirusak oleh adopsi AI. Ini membingkai ulang offloading dan kemunduran keterampilan tingkat individu sebagai masalah regenerasi tingkat sistem dengan implikasi AI Governance.

Koneksi ke konsep terkait

Offloading kognitif (dan bentuk merugikannya, ketergantungan berlebih) terhubung secara fundamental dengan Trust Calibration - mengetahui kapan harus mempercayai dan kapan harus mempertanyakan AI - dan dengan Literasi AI, yang mencakup keterampilan metakognitif untuk mengetahui kapan harus meng-offload dan mengenali pola ketergantungan diri sendiri. Ia terhubung dengan Scaffolding (dukungan terstruktur yang mengurangi beban tanpa menghapus tuntutan kognitif) dan Prompt Engineering (mekanisme utama yang melaluinya offloading dijalankan dalam interaksi LLM). Ia bersinggungan dengan Metacognition dan Self-Regulated Learning - pembelajar yang efektif mengkalibrasi keputusan offloading mereka - dan dengan Critical Thinking, Learner Agency, dan Student Experience. Online Teaching and Learning adalah konteks yang sangat rentan: mediumnya sudah menjauhkan pembelajar dari akuntabilitas langsung, dan kerja berbasis layar yang berjalan sendiri mengundang jalan pintas "minta jawabannya" yang diidentifikasi penelitian offloading sebagai mekanisme kerugian inti (lihat AI Misuse and Learning Harm).

Tidak semua gesekan yang di-offload adalah gesekan berlebih. Zohar, Bloom dan Inzlicht (2026) menarik pembedaan yang dibutuhkan literatur offloading: Technologies sebelumnya menghapus gesekan berlebih - hambatan yang membosankan atau tak teratasi dengan sedikit nilai pembelajaran atau makna - sedangkan AI generatif dalam kerja intelektual juga mengupas gesekan yang bermanfaat, membiarkan pembelajar bergerak dari ideasi ke evaluasi tanpa mempertanyakan keluarannya. Mereka mengumpulkan bukti asosiatifnya secara blak-blakan: orang yang menggunakan AI kesulitan mengingat atau mereproduksi karyanya sendiri secara akurat, memperoleh lebih sedikit keterampilan, menunjukkan transfer yang lebih kecil, dan berkinerja lebih buruk ketika dukungan AI ditarik - yang bertemu dengan temuan utang kognitif dari studi EEG tentang penulisan esai dengan asisten AI. Argumen mereka juga menyediakan paruh motivasional dari mekanisme yang luput dari penjelasan kognitif murni: karena usaha menandakan bahwa tindakan kita bermakna, meng-offload-nya mengurangi tujuan dan makna yang dinilai, dan ketika AI menggantikan usaha dalam suatu domain, imbalan motivasional usaha di sana terkikis, sehingga memperdalam ketergantungan lebih jauh. Koreksi makalah itu adalah gradien alih-alih larangan: pertahankan perjuangan yang moderat, hapus apa yang hanya membebani (Desirable Difficulties, Motivation).

• Sinyal keterlibatan yang kurang muncul secara perkembangan. Perbandingan neuroimaging pertama antara anak-anak dan orang dewasa yang berbicara dengan ChatGPT menemukan bahwa anak berusia 6-7 tahun menunjukkan konektivitas intra-jaringan yang lebih lemah daripada orang dewasa pada jaringan kendali frontoparietal, salience dan atensi dorsal - pada skor kreativitas yang setara - dan tidak memiliki kopling kreativitas-konektivitas yang ditunjukkan orang dewasa. Karena fungsi eksekutif tersebut (perencanaan, pemantauan, inhibisi) belum matang di kelas satu, penulis membaca hasilnya sebagai relevan bagi debat usia minimum. Peringatan: tidak ada kontrol tanpa-ChatGPT, n = 31, dan ada perancu pembingkaian yang mungkin menekan evaluasi kritis anak-anak (Horowitz-Kraus et al. (2026)).

• Offloading dependen versus otonom - pembedaan yang menentukan hasilnya: Fan, Li dan Zhang (2026) menyusun bukti GenAI di sekitar versi tajam dari batas ini, dengan menarik pada studi tiga gelombang terhadap 589 siswa dan pekerja pengetahuan awal karier: offloading dependen mendelegasikan pemikiran inti ke alat dan berasosiasi dengan Learner Agency yang teralih, motivasi intrinsik yang lebih rendah dan hasil kognitif yang dipersepsikan lebih buruk, sementara offloading otonom mempertahankan agensi epistemik pada pembelajar dan menunjukkan pola sebaliknya. Temuan yang paling penting untuk deteksi adalah bahwa manfaat kinerja langsung tidak berbeda antara kedua mode, sehingga pembelajar yang menyelesaikan tugas dengan lancar pada hari tertentu tidak memberikan sinyal tentang mode mana yang sedang ia jalankan. Tinjauan yang sama mencatat perpecahan yang lebih luas dalam bukti - meta-analisis tiga tingkat dengan manfaat keseluruhan moderat (g = 0,499; g = 0,669 untuk pemahaman, kognisi dan kreativitas) berbanding asosiasi antara ketergantungan, kelelahan dan Critical Thinking yang lebih lemah - dan melacak penggunaan maladaptif ke regulasi diri yang dieksternalisasi alih-alih ke kecanduan teknologi.

• Tiga jalur interaksi, bukan satu perilaku. Neuroplasticity-AI Interaction Model (NAIM) memisahkan bypass langsung, ketika model menyediakan solusinya dan usaha generatif menghilang; offloading kognitif, ketika sub-proses tertentu didelegasikan dan efeknya bergantung pada apakah sub-proses itu merupakan sasaran pembelajaran; dan penopangan, ketika model membatasi bantuannya untuk mempertahankan pemrosesan yang memerlukan usaha (Bypass, Offload, or Scaffold: A Conceptual Model of How Large Language Models Shape Learning)

Dua studi terkontrol dalam kumpulan terbaru memastikan kedua paruh klaim ini - apakah perilakunya bergeser, dan apa yang dilindunginya. Maier et al. (2026) membuat konsekuensi pembelajaran dari offloading terlihat sebelum setiap pilihan dalam eksperimen yang dipraregistrasi dengan 704 peserta yang berlatih aritmetika pecahan: peluang meng-offload jawaban turun ke OR = 0,47 dan peluang menjawab benar butir tes tanpa bantuan berikutnya naik ke OR = 1,51, sementara imbalan berbasis usaha tidak menggerakkan keduanya. Offloading bertumpuk di dalam sesi - setelah meng-offload satu butir, peserta meng-offload butir berikutnya pada 69,7% kasus tanpa umpan balik dan 55,9% dengannya - dan kenaikan sepuluh poin persentase dalam offloading berasosiasi dengan peluang 32% lebih rendah untuk berhasil tanpa bantuan (OR = 0,68). Bergh et al. (2026) menyediakan pelengkap dari sisi hasil: 55 mahasiswa sarjana ilmu komputer yang menulis kode dengan ChatGPT memperoleh 89% berbanding 69% tanpanya, mengingat lebih sedikit materi yang sama segera setelahnya (41% vs. 53%) dan pada 48 jam (39% vs. 52%), dan hanya mengatribusikan 45% kode yang dikumpulkan kepada diri mereka sendiri berbanding 81%. Dibaca bersama, studi umpan balik menunjukkan perilaku dapat digeser tanpa membatasi akses ke alat, dan studi pemrograman menunjukkan apa yang dilindungi oleh perilaku yang digeser itu.. Model itu dikalibrasi terhadap bukti lapangan terkuat yang tersedia: akses GPT-4 tanpa batasan dalam studi terhadap hampir 1.000 siswa matematika sekolah menengah menaikkan kinerja latihan 48% namun menyisakan defisit 17% pada ujian tanpa bantuan, sedangkan GPT Tutor yang dibatasi petunjuk menghasilkan perolehan latihan 127% dengan defisit ujian sebagian besar terhapus. Offloading karena itu merugikan hanya dalam konfigurasi bypass, dan variabel desain yang operatif adalah apakah model menggantikan keterampilan sasaran yang dinilai. (Bypass, Offload, or Scaffold: A Conceptual Model of How Large Language Models Shape Learning) Logika yang sama mengubah pembentukan imbalan menjadi alat desain: Macina et al. (2026) melatih tutor LLM dengan post-test transfer-dekat bertopeng dan dua gerbang biner, sehingga imbalannya hanya dapat naik melalui apa yang ditulis siswa pada gilirannya sendiri, dan ablasi mereka menunjukkan bahwa gerbangnya, bukan imbalan perolehan pembelajaran mentah, yang mengurangi penyerahan solusi.

Miskonsepsi Umum

• "Volume prompt mengukur offloading." 97 pembelajar dikelompokkan berdasarkan volume prompt, dan klaster volume tidak berbeda secara signifikan dalam prompting lokal-versus-global atau peran aktif. Menghitung prompt berarti menghitung aktivitas, bukan distribusi kerja kognitif.
• "Siswa menggunakan AI terutama untuk memahami." Analyze memuncaki distribusi pada 27,28% (831 pesan) mendahului Understand pada 23,76% - bukti rinci pertama bahwa interaksi siswa-AI yang naturalistik lebih condong analitis daripada berorientasi pemahaman.
• "Jejak prompt mengungkap apakah offloading terjadi." Apa yang tidak dapat disediakan jejak tingkat prompt datang dari subsampel 16 siswa dengan nilai yang tertaut, yang 1.140 pesannya dikodekan dengan tangan: 49,6% dari 125 dialog tidak menunjukkan offloading sama sekali. Pola jejak melebih-lebihkan offloading relatif terhadap dialog yang dikodekan dengan tangan.

Konsep Terkait

• Pedagogical Patterns - Risiko yang hendak dihindari setiap urutan usaha-dulu
• Learners - Pembelajar: payung untuk konsep-konsep sisi pembelajar
• Literasi AI - Mengetahui kapan harus meng-offload dan mengenali pola ketergantungan
• Learner Agency - Menyusut ketika AI menggantikan kognisi pembelajar
• Critical Thinking - Menurun akibat offloading yang tidak terkalibrasi
• Creativity - Terkikis ketika AI menggantikan tindakan generatif pembelajar
• Distributed Cognition - Trade-off efisiensi-regulasi dari delegasi
• Embodied Learning - Kognisi tersituasi sebagai alternatif dari outsourcing
• Generative AI - Konteks alat dari offloading yang dimediasi AI
• Metacognition - Mengkalibrasi kapan harus meng-offload vs. terlibat
• Online Teaching and Learning - Medium yang rentan terhadap jalan pintas "minta jawabannya"
• Prompt Engineering - Mekanisme utama offloading dalam penggunaan LLM
• Scaffolding - Mengurangi beban tanpa menghapus tuntutan kognitif
• Self-Directed Learning - Terkikis oleh penggunaan AI tanpa pikir
• Self-Regulated Learning - Mengatur keputusan offloading
• Trust Calibration - Mengetahui kapan harus mempercayai dan kapan harus mempertanyakan AI
• Retrieval, Spacing and Interleaving - praktik lawan dari membiarkan model mengambil kembali atas nama pembelajar
• Penyerahan Kognitif

Artikel Terkait

• Supporting or Replacing Students' Reasoning? Cognitive Offloading in AI-Assisted Proof Learning — Mendukung atau menggantikan penalaran siswa? Offloading kognitif dalam pembelajaran pembuktian berbantuan AI (Chen et al. 2026)
• What the submission does not show: Complexifying cognitive offloading in students' mathematical work with LLMs — Apa yang tidak ditunjukkan oleh pengumpulan tugas: mengomplekskan offloading kognitif dalam kerja matematika siswa dengan LLM (Kontorovich & Wallach 2026)
• Ways Generative AI Can Support and Threaten Learning in K–20 US Education — Konsensus 30 pakar atas 65 proses belajar: offloading di kedua ujung urutan pembelajaran
• The Rented Self: How AI-Enabled Tools Decouple Performance From Becoming — Diri yang disewa: offloading yang merugikan diri-domain pembelajar, bukan hanya keterampilannya
• A mixed-methods analysis of AI scaffolding patterns and student inquiry profiles in a middle-school agriculture-STEM classroom — Kelompok yang mulai sama lalu menyimpang: 74,1% penggunaan model pada satu profil berbanding 80,8% offloading dan jalan buntu pada profil lain (Kilinc et al. 2026)
• AI Assistance Reduces Persistence and Hurts Independent Performance — Bantuan AI mengurangi kegigihan dan kinerja tanpa bantuan pada tiga RCT (Liu et al. 2026)
• ChatGPT as a cognitive crutch: Evidence from a randomized controlled trial on knowledge retention — ChatGPT sebagai kruk kognitif: uji acak terkontrol atas retensi pengetahuan 45 hari kemudian (Barcaui 2025)
• From Cognitive Outsourcing to Reallocation: A 3P Analysis of Student–Generative AI Engagement in Unsupervised Assessments — Dari outsourcing kognitif ke realokasi: analisis 3P atas keterlibatan siswa-GenAI dalam penilaian tanpa pengawasan (Yan et al. 2026)
• Family-school autonomy support for children's responsible use of generative artificial intelligence — Dukungan Otonomi Keluarga-Sekolah untuk Penggunaan AI Generatif yang Bertanggung Jawab oleh Anak
• Against frictionless AI — Gesekan berlebih vs. bermanfaat: mengapa offloading AI berbeda dari alat sebelumnya
• With a Thermomix You Lose the Ability to Cook: A Kitchen Machine Analogy for Applications of Generative AI in Education — Dengan Thermomix Anda Kehilangan Kemampuan Memasak: analogi mesin dapur untuk AI generatif dalam pendidikan (Rummel, Nachtigall & Panadero 2026)
• After the Assistant Leaves: Cognitive Washout Dynamics and the Reversibility of AI-Induced Skill Decay — cognitive washout: dinamika pasca-penarikan dari kemunduran keterampilan yang diinduksi AI
• A Critical Narrative Synthesis of Psychological Correlates, Measurement, and Reported Findings on Conversational AI Engagement and Dependence-Related Constructs — Sintesis Naratif Kritis atas Keterlibatan dan Ketergantungan AI Konversasional
• Layer-Sensitive Cognitive Offloading in Generative AI-Assisted Writing: Supported Performance and Independent No-AI Outcomes — Offloading kognitif sensitif-lapisan dalam penulisan berbantuan GenAI (Chen 2026)
• Epistemic Dependence in AI-Mediated Learning — Ketergantungan epistemik dalam pembelajaran yang dimediasi AI: enam kriteria diagnostik yang memisahkan ketergantungan produktif dari ketergantungan yang merugikan (Du & Yuan 2026)
• Cognitive Offloading in the Age of Generative AI: What Does It Mean for Students With Learning Disabilities? — Offloading kognitif GenAI untuk siswa dengan disabilitas belajar
• Artificial intelligence, cognitive offloading and implications for education — AI, offloading kognitif dan implikasinya bagi pendidikan
• Meta-Cognitive Insights into Cognitive Offloading: Mechanisms, Interventions, and Educational Implications — Wawasan metakognitif tentang offloading kognitif (Guo & Ye 2026)
• Metacognitive Training Facilitates Optimal Cognitive Offloading — Pelatihan metakognitif memfasilitasi offloading kognitif yang optimal (Ngai & Gilbert 2026)
• The critical-thinking paradox in generative AI-integrated learning: distinguishing efficiency from cognitive depth — a differentiated framework and testable propositions — Paradoks berpikir kritis dalam pembelajaran terintegrasi GenAI
• Cognitive offloading and the speedup illusion in human-AI interaction — Ilusi percepatan dari pekerjaan berbantuan AI
• Cognitive Offloading in Student–AI Collaboration: A Longitudinal Analysis of Prompting Strategies — Analisis jaringan ko-okurensi atas pola prompt
• Thinking—Fast, Slow, and Artificial: How AI Is Reshaping Human Reasoning and the Rise of Cognitive Surrender — Tri-System Theory dan menyerah kognitif: bagaimana AI membentuk ulang penalaran manusia (Shaw & Nave 2026)
• Young People, Learning, and Generative AI: A Rapid Literature Review and Implications for PreK-12 Education — Kontinum menyerah-offloading-agensi untuk GenAI
• Is AI making us stupid? — Penelitian tentang efek kognitif AI dan penggusuran pembelajaran
• The Effortless Trap: Productive Struggle, AI, and the Illusion of Learning — The Effortless Trap: AI yang menggantikan kerja kognitif (Brcic & Frljic 2026)
• Thoughtless Use of Generative Artificial Intelligence and College Students' Self-Directed Learning: A Multi-Group SEM Analysis of Gender Differences — Penggunaan AI tanpa pikir mengikis pembelajaran mandiri
• Generative AI without guardrails can harm learning: Evidence from high school mathematics — RCT matematika sekolah menengah tentang GenAI tanpa penjagaan
• The Generative AI Learning Penalty: Evidence from Chinese Secondary Education — Penalti pembelajaran AI generatif: outsourcing pekerjaan rumah merugikan pembelajaran
• Coach not crutch: Evidence that AI can improve writing skill despite reducing effort — AI dapat bekerja lebih sedikit dan belajar lebih banyak (Lira et al. 2025)
• Making AI Tutoring Productive: Evidence from a Mastery-Based Math Practice Experiment — Membuat tutoring AI produktif: latihan matematika berbasis penguasaan
• The Tragedy of the Cognitive Commons: How AI Could Disrupt the Regeneration of Professional Expertise — Tragedi milik bersama kognitif: AI dan regenerasi keahlian
• PAUSE: A Privacy-Preserving Self-Reflection Tool for AI-Associated Cognitive Offloading — PAUSE: Alat Refleksi Diri yang Menjaga Privasi untuk Offloading Kognitif Terkait AI
• ChatGPT Making our Minds Dull? The Cognitive Impact of Using ChatGPT in the Writing Process — eksperimen menulis-untuk-belajar ketika penulisan berbantuan ChatGPT menghasilkan perolehan pengetahuan lebih sedikit daripada kontrol tanpa bantuan
• Patterns of Student Cognitive Offloading to AI in Higher Education — Pola offloading kognitif siswa ke AI di pendidikan tinggi: bukti naturalistik tingkat pesan ChatGPT (Piatnitckaia et al. 2026)
• Designing Against Deskilling: Metacognitive Feedback Reduces Cognitive Offloading to LLM Assistants — Merancang Melawan Deskilling: Umpan Balik Metakognitif Mengurangi Offloading Kognitif ke Asisten LLM
• Your Programming Students' Cognition with ChatGPT: Higher Performance, Lower Retention, and Reduced Ownership — Kognisi Mahasiswa Pemrograman Anda dengan ChatGPT: Kinerja Lebih Tinggi, Retensi Lebih Rendah, dan Kepemilikan Berkurang
• Artificial intelligence-supported learning and higher-order cognitive outcomes: the mediating role of metacognitive self-regulation — Kecenderungan offloading dan literasi verifikasi memprediksi hasil tingkat tinggi melalui regulasi diri metakognitif (Davor et al. 2026)
• College students’ metacognitive awareness of generative-AI reliance: an experimental study of decision confidence and attribution bias — Prompt refleksi mengurangi penerimaan saran AI yang salah dan memperbaiki kalibrasi kesadaran (Ren 2026)
• Helpful or harmful? Generative AI dependence, self-reported critical thinking disposition, and self-perceived employability among business students — Ketergantungan GenAI sebagai syarat batas bagi disposisi berpikir kritis dan employabilitas yang dipersepsikan sendiri (Shojaei et al. 2026)
• Lower engagement of cognitive control in children on ChatGPT — Anak-anak menunjukkan konektivitas frontoparietal, salience dan atensi dorsal yang lebih lemah daripada orang dewasa saat berbicara dengan ChatGPT, pada skor kreativitas yang setara
• The role of generative AI in facilitating children’s creative thinking and cognitive development: a systematic scoping review — GenAI dan berpikir kreatif anak: ketergantungan berlebih dan ketergantungan pada prompt dalam tinjauan cakupan (Niu et al. 2026)