AIEd база знанийAIEd KB
На этой странице

Читать эту страницу на английском

Концепции

Когнитивный оффлоадинг

Создано 2026-10-13

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Когнитивный оффлоадинг (когнитивная выгрузка) — использование внешних инструментов (включая ИИ) для снижения внутреннего когнитивного требования, перенос умственной работы с учащегося на систему. В ИИ в образовании когнитивный оффлоадинг является центральным механизмом, посредством которого инструменты ИИ могут либо поддерживать, либо подрывать обучение: уместный оффлоадинг освобождает когнитивные ресурсы для мышления высшего порядка, тогда как чрезмерный оффлоадинг обходит переработку, необходимую для устойчивого обучения. Избыточная опора — это вредный конец этого спектра: непродуктивная закономерность, при которой оффлоадинг переходит от стратегической поддержки к вытеснению обучения.

Вопросы для размышления

  • Когнитивный оффлоадинг — это использование внешних инструментов, включая ИИ, для снижения внутреннего когнитивного требования. Страница прямо говорит, что оффлоадинг не является вредным сам по себе: блокноты, калькуляторы и поисковые системы тоже осуществляют выгрузку. Что, по-вашему, делает опосредуемый ИИ оффлоадинг отличным и потенциально более значимым, чем эти привычные инструменты?
  • Распространённое допущение состоит в том, что проблема — слишком частое использование ИИ. Но эта страница отделяет избыточную опору от простой частоты — речь идёт о способе использования, который заменяет обучение, а не о том, как часто используется ИИ. Можете ли вы описать способ использования ИИ, который является частым, но здоровым, и тот, который редок, но вреден?
  • «Иллюзия ускорения» — это ощущение, что работа с ИИ идёт быстрее и легче, создающее обманчивое впечатление продуктивности, маскирующее снижение обучения: студенты смешивают скорость выполнения задачи с обучением. Когда вы чувствовали себя продуктивными, делая что-то быстро, а позже понимали, что мало чему научились?
  • Исследования обнаруживают, что вред оффлоадинга условен, а не имманентен: «ИИ, который тренирует, сохраняет или усиливает навык; ИИ, который заменяет, рискует упадком». Какова практическая разница между ИИ, который служит опорой вашему мышлению, и тем, который его заменяет, — и как бы вы поняли, какой из них вам достался?
  • Одно исследование показывает, что уже сам доступ к советам ИИ почти полностью устранил готовность людей говорить «я не знаю» — даже когда совет был неверным, — почти удвоив уверенность и снизив точность до трети. Что это говорит о том, как ИИ меняет нашу осведомлённость о собственном незнании?
  • Страница вводит понятие разрыва в метакогнитивной справедливости — «эффекта Мэтью с ИИ»: поскольку продуктивное использование ИИ требует предшествующего знания и метакогниции, уже преимущественные студенты выигрывают больше, тогда как те, кому практика нужнее всего, с наибольшей вероятностью делегируют обучение. Как следует отвечать педагогу или проектировщику на тот факт, что один и тот же инструмент может расширять существующие разрывы?

Введение

Когнитивный оффлоадинг не является вредным сам по себе — люди всегда использовали внешние инструменты (блокноты, калькуляторы, поисковые системы) для снижения когнитивной нагрузки. То, что делает опосредуемый ИИ оффлоадинг отличным, — это его всеохватность: LLM могут генерировать полные решения, объяснения и анализы, потенциально устраняя потребность в самих когнитивных процессах, которые производят обучение.

Как когнитивный оффлоадинг проявляется в исследованиях AIED

Статьи базы знаний документируют когнитивный оффлоадинг по множеству измерений:

  • Инструментализация саморефлексии вместо измерения черты: PAUSE (Patterns of AI Use: Self-Examination) превращает литературу 2023–2026 об оффлоадинге в самооценку по четырём областям — рассуждение и критическое мышление, креативность и оригинальность, исследование и обучение, социальные и коммуникативные способности, — с обратным подсчётом поведенческих пунктов, опорами на цитаты у каждого пункта, без сводного балла и без притязаний на валидность (Alam, 2026). Его позиция в проектировании состоит в том, что полезное вмешательство в оффлоадинг — это стимулирование рефлексии, а не выдача диагноза, поскольку ни один инструмент пока не обладает достаточным основанием для оправдания решения с последствиями о человеке.

  • Паттерны промптов как следы оффлоадинга: Misiejuk et al. (2026) используют Сетевой анализ, чтобы показать, что реактивные промпты (несогласие без контекста предметной области) указывают на более высокий оффлоадинг, тогда как промптинг, богатый контекстом, с интегрированной инструкцией отражает вовлечённое познание. Как используется ИИ, а не только используется ли он, определяет степень оффлоадинга.

  • Натуралистические свидетельства на уровне сообщений в масштабе — оффлоадинг наблюдаем, а не предполагаем: Piatnitckaia et al. (2026) закодировали 3 047 сообщений ChatGPT от 46 студентов-бакалавров одного европейского университета за семинедельное окно подготовки к экзамену, используя GPT-4o-mini с обязательными обоснованиями в виде цепочки рассуждений и проверяя конвейер на обученном человеке-оценщике на 200 сообщениях (κ Коэна = 0,76 для типа вопроса, 0,75 для уровня Блума). Анализ возглавил это распределение с 27,28% (831 сообщение) впереди «Понимания» с 23,76% — первые мелкозернистые свидетельства того, что натуралистическое использование ИИ студентами обычно нацелено на работу высшего порядка, а не на запоминание. Подвыборка из 16 студентов со связанными оценками, чьи 1 140 сообщений были закодированы вручную, даёт то, чего трассы на уровне промптов дать не могут: 49,6% из 125 диалогов не показали оффлоадинга, 34,4% — лёгкий и 16,0% — тяжёлый, по рубрике, которая оставляет категорию тяжёлого для случаев, когда ИИ создаёт первый черновик и конструирует основной интеллектуальный продукт. Тяжёлый оффлоадинг был преимущественно явлением категории «Создание» (80% из 20 тяжёлых диалогов, 42% всех диалогов категории «Создание»), что авторы читают как свидетельство, что степень оффлоадинга и уровень Блума — различные измерения, которые стоит измерять по отдельности. Закономерность по оценкам была только описательной — 17,6% тяжёлого в верхнем уровне, 17,5% в среднем и 5,9% в нижнем (χ² = 5,80, df = 4, p = 0,215), — и частично опирается на одного студента с программированием, чьё удаление снижает долю верхнего уровня до 8,9%, что побуждает авторов утверждать, что дисциплина формирует привычки делегирования сильнее, чем успеваемость, и рекомендовать метакогнитивную обратную связь по фактическим паттернам использования, а не запрет.

  • Иллюзия ускорения: Исследования иллюзии ускорения демонстрируют, что работа с ИИ ощущается быстрее и легче, создавая обманчивое впечатление продуктивности, которое маскирует снижение обучения. Студенты смешивают скорость выполнения задачи с обучением — это метакогнитивное слепое пятно.

  • Потери обучения при ненаправляемом ИИ: РКИ по математике в старшей школе показывают, что генеративный ИИ без Ограничители (guardrails) даёт худшие результаты обучения, чем традиционное обучение. Сокращённое время обучения коррелирует со снижением обучения: студенты быстрее выполняют задачи, но удерживают меньше.

  • Рандомизированная проверка предсказания оффлоадинга с задержкой 45 дней — и дефицит не только в сэкономленном времени: Barcaui (2025) рандомизировал 120 студентов-бакалавров, изучавших темы ИИ/МО либо с неограниченным ChatGPT (веб-интерфейс GPT-4, без руководства по промптам), либо традиционными методами без ИИ, а затем провёл внезапный концептуальный тест из 20 вопросов через 45 дней. Группа с ИИ набрала 57,5% против 68,5% (t(83) = −3,19, p = .002, d Коэна = 0,68), и это неудобство сохранилось при ANCOVA, удерживающей самооценённое время обучения постоянным (F(1, 82) = 7,89, p = .006; скорректированные средние 6,50 против 5,85), так что это был не просто артефакт количества времени. Аргумент оффлоадинга в работе состоит в том, что ChatGPT сразу поставляет синтез и объяснение, что делает его качественно иной формой делегирования, чем калькулятор, — формой, которая может поглощать понимание, а не только извлечение.

  • Оффлоадинг не всегда вреден — граничное условие «тренера»: Lira et al. (2025) показывают, что ИИ может снизить усилие практики и улучшить среду обучения, давая «меньше работай, больше учись». Взрослые, тренировавшие письмо с инструментом ИИ, писали письма без ИИ лучше, чем те, кто тренировался в одиночку, — превосходя даже персонализированную обратную связь от редакторов-людей, — без инфляции иллюзии владения. Примирение с вредами выше заключается в форме оффлоадинга: ИИ в работе Lira et al. служил опорой (скаффолдингом: предъявляя примеры и обратную связь и удерживая учащегося в контуре), а не заменял когнитивный акт. Перспектива «навыки против базовых способностей» сходится к той же границе: ИИ, который тренирует, сохраняет или усиливает навык; ИИ, который заменяет, рискует упадком. Kilinc et al. (2026) дают числа этой границе в школьном классе агро-STEM: среди 42 восьмиклассников в 12 группах на долю освоения модели приходилось 74,1% закодированных ходов совместной вовлечённости в профиле «Наибольший прогресс», тогда как когнитивный оффлоадинг и совместный тупик вместе достигли 80,8% в профиле «Испытывающие трудности». То есть воздействие оффлоадинга на обучение условно, а не имманентно.

  • Критическая вовлечённость против оффлоадинга: Favero et al. трактуют репетиторов на базе ИИ как либо расширяющие возможности (поддерживающие активное познание), либо порабощающие (разрешающие пассивный оффлоадинг), соединяясь с Критическое мышление research.

  • Метакогнитивная осведомлённость: Исследования метакогнитивной осведомлённости рассматривают, узнают ли студенты, когда они осуществляют оффлоадинг, а когда учатся, — и могут ли учебные вмешательства улучшить эту калибровку.

  • Воплощённый интеллект как альтернатива аутсорсингу: Рамка E3-HOT утверждает, что для противодействия вызванному ИИ когнитивному аутсорсингу и обучению, оторванному от аутентичных контекстов, ИИ следует проектировать вокруг воплощённого интеллекта (ситуативное встраивание, воплощённое участие, когнитивное создание), чтобы учащиеся сохраняли когнитивную агентность и мышление высшего порядка, а не выгружали их. Это обрамляет воплощённый, ситуативный дизайн ИИ как положительную противоположность риску оффлоадинга, соединяясь с Распределённое познание и Телесное обучение (Embodied Learning).

  • Компромисс между эффективностью и Регулирование ИИ в образовании распределённого познания: Hao et al. показывают, что в коллаборации человека с ИИ режим, выгружающий ИИ больше всего (делегированное рассуждение), лучше всего работает над задачами, но коррелирует со снижением саморегуляции, — эмпирическое свидетельство того, что выигрыш в эффективности от оффлоадинга может достигаться ценой регулятивной вовлечённости учащегося, сходясь с проблемами Саморегулируемое обучение.

  • Усталость и когнитивное бремя: Исследования усталости от ИИ документируют, как постоянное взаимодействие с ИИ создаёт собственное когнитивное бремя — парадокс, при котором выгрузка одной задачи увеличивает когнитивную нагрузку от управления выдачами ИИ.

  • Рамка «метакогнитивные убеждения против метакогнитивного опыта»: Guo & Ye (2026) применяют динамическую метакогнитивную модель Нельсона и Нарен, чтобы согласовать противоречивые результаты вмешательств в этой области. Они различают метакогнитивные убеждения (устойчивые, самореферентные самопредставления, задающие выбор в пользу оффлоадинга до задачи) и метакогнитивный опыт (динамичные, специфичные для задачи чувства, ведущие обновление убеждений во время задачи), получая принцип сопоставления тайминга и компонента: обратная связь, нацеленная на убеждения, наиболее эффективна до задачи, тогда как обратная связь, нацеленная на опыт (незамедлительные индикаторы правильности), наиболее эффективна во время неё. Они также формализуют субститутивный оффлоадинг (замену внутренней переработки внешними средствами) против дупликативного оффлоадинга (дополнение её) — когда внешние хранилища исчезают, субститутивные оффлоадеры резко ухудшаются, тогда как дупликативные сохраняют точность, — и используют смещение напоминания, чтобы количественно оценить отклонение от оптимального оффлоадинга. Это сходится с границей «тренер против костыля»: оффлоадинг, служащий опорой, сохраняет навык; оффлоадинг, который заменяет, рискует упадком.

  • Формальная модель проблемного использования для ИИ-зависимости в академическом письме (I-PACE): Liu, Zhuang & Wang (2026) расширяют модель I-PACE использования аддиктивных технологий на зависимость от генеративного ИИ в вузовском академическом письме. В смешаннометодной китайской выборке академический стресс является сильнейшим предиктором ИИ-зависимости, ИИ-грамотность — защитным фактором (более низкая грамотность → большая психологическая зависимость), а воспринимаемое доверие опосредует путь от социального влияния к зависимости, — так что зависимость формируется через траекторию «социальное влияние → доверие → поведение», а не просто через индивидуальное использование инструмента. Их качественные данные добавляют политическое измерение: студенты сообщают о стратегическом уклонении от выявления плагиата и называют двусмысленные правила о том, что считается допустимым использованием ИИ, стимулом к импровизации, соединяя оффлоадинг с Академическая добросовестность.

  • Когнитивный долг и различение эпизодического и привычного оффлоадинга: Lin & Al-Hada (2026) формализуют «парадокс критического мышления» — улучшенные продукты при сниженной когнитивной вовлечённости, — через дифференцированную трёхуровневую рамку (поверхностные, промежуточные и глубокие роли ИИ) и конструкт когнитивного долга: потенциального кумулятивного снижения метакогнитивной калибровки и неопосредованной работы высшего порядка, сохраняющегося после эпизода с ИИ. Их ключевое концептуальное продвижение — различение эпизодического оффлоадинга (намеренное, специфичное для задачи делегирование с сохранённой осведомлённостью) и привычного оффлоадинга (рутинная, слабо контролируемая опора), с предсказанием, что последний на задачах глубокой переработки даёт диссоциацию продукта и процесса — выше оценённые работы при более низком неопосредованном отсроченном переносе.

  • Спектр «аутсорсинг — перераспределение»: оффлоадинг может перераспределять усилие, а не сокращать его. Yan et al. (2026) применили модель пренаж–процесс–продукт Биггса к 38 студентам в Японии и Китае, писавшим ненадзираемые аргументативные эссе, располагая взаимодействие студента с генеративным ИИ на спектре, ограниченном когнитивным аутсорсингом и когнитивным перераспределением — аналогом поверхностного против глубокого подходов в эпоху генеративного ИИ. Меньшинство перераспределяющих сообщило об неизменном общем усилии при смещённом фокусе, перемещая ресурсы с извлечения низкого уровня на критическую оценку и рефлексивную консолидацию (записи размышлений после каждого занятия для противодействия поверхностному удержанию), что ограничивает допущение, будто оффлоадинг обязательно вычитает познание. Однако перераспределение было исключением: 78,94% обращались к генеративному ИИ только до начала или после составления черновика, а не чередуя его с независимой работой, и 76,32% опирались на паттерн «спросил–получил ответ–остановился» в один оборот (23,68% — устойчивый итеративный диалог), так что интегрирующее поведение, производившее перераспределение, нужно было обучать, а не предполагать.

  • Метакогнитивная тренировка снижает смещение напоминания (прямые эмпирические свидетельства): Ngai & Gilbert (2026) дают первое ясное доказательство, что краткое вмешательство может сделать оффлоадинг измеримо более оптимальным. Два предзарегистрированных эксперимента (N=164, N=416) обнаружили, что всего пять практических проб, сопрягающих предсказание результата с правдивой, пробе-за-пробе обратной связью, улучшили метакогнитивную калибровку и снизили смещение напоминания. Аддитивный дизайн с четырьмя группами изолировал механизм: одни лишь предсказания были неэффективны; добавление обратной связи о результатах дало улучшение; явное обозначение избыточной/недостаточной уверенности не добавило ничего большего. Эффект проявился на абсолютном (а не знаковом) смещении — тренировка исправляла индивидуальную некалибровку в обоих направлениях. Это эмпирически подтверждает рамку «убеждения против опыта» выше: именно нацеленная на опыт обратная связь, а не убеждения или одно лишь предсказание, меняет поведение при оффлоадинге. Авторы приписывают успех финансовому стимулу, привязанному к оптимальности оффлоадинга, плюс незамедлительной правдивой обратной связи.

  • Промпт рефлексии во время задачи делает опору более различающей, а не более защитной: Ren (2026) рандомизировал 342 студента-бакалавра на три условия (без ИИ, открытая многоходовая поддержка ChatGPT и та же поддержка плюс краткий промпт рефлексии об их собственном рассуждении и о том, что оправдало бы отклонение объяснения ИИ) и обнаружил, что открытая поддержка несла 62,4% принятия неверного совета ИИ, что промпт рефлексии снизил до 39,7% (OR = 0,40), тогда как точность рекомендаций оставалась сопоставимой в двух условиях с поддержкой (66,3% против 67,0%), а согласованность с верными советами оставалась высокой. Рефлексия также улучшила калибровку осведомлённости между воспринимаемой и поведенческой опорой (0,59 против 0,41) и снизила индекс атрибутивной ошибки, специфичной для ИИ, с 0,42 до 0,21. Это тот же механизм нацеливания на опыт, что и в исследовании тренировки выше, применённый внутри эпизода принятия решения, и он поддерживает прочтение избыточной опоры как проблему отслеживания, а не частоты: знание о пределах моделей само по себе не останавливало студентов, принимавших правдоподобный неверный совет.

  • Метакогнитивная леность и новый Справедливость: Lodge & Loble (2026), отраслевой доклад для австралийского школьного образования, утверждают, что основной риск генеративного ИИ — это когнитивный оффлоадинг, а не плагиат. Они принимают понятие метакогнитивной лености (Fan et al. 2024) — удобство ИИ подрывает вовлечение учащихся в существенные саморегулятивные процессы, так что учащиеся передают метакогнитивную ответственность инструменту, — и вводят понятие разрыва в метакогнитивной справедливости («эффект Мэтью с ИИ»): поскольку продуктивное использование ИИ требует Предшествующие знания и метакогниции, уже преимущественные студенты выигрывают больше, тогда как те, кому практика нужнее всего, с наибольшей вероятностью делегируют обучение, расширяя существующие разрывы. Предлагаемое ими средство — усиление преподавателя (передача инструмента экспертным преподавателям для масштабирования их практики, что подтверждается исследованиями, показывающими, что ориентированный на преподавателя ИИ улучшает результаты при значительно меньшей стоимости), а не студенческие ИИ-репетиторы, наряду с инструкцией по снижению нагрузки и метакогнитивными промптами.

  • Избыточная опора — ведущая этическая озабоченность во всех поколениях Диалоговый ИИ. Зонтичный обзор агентов разговорного ИИ (Ganguly et al. 2025, 34 обзора) сообщает, что озабоченности отношениями между человеком и ИИ — включая избыточную опору и уменьшение социального взаимодействия — являются наиболее часто обсуждаемым этическим вопросом во всех поколениях CAI, предшествуя генеративному ИИ. Он также перечисляет образовательное воздействие и когнитивные озабоченности (включая избыточную опору и деградацию критического мышления) как вторую по частоте обсуждения категорию вызовов, подчёркивая, что вред оффлоадинга — это устойчивая, межпоколенческая тема, а не новинка, специфичная для генеративного ИИ.(Conversational AI agents in education: an umbrella review of current utilization, challenges, and future directions)

  • Преподаватели как рефлексивные регуляторы познания: Ho and Chen (2026) расширяют теорию оффлоадинга на профессиональное суждение ИИ, интервьюируя 18 работающих преподавателей. Они выявляют «метакогнитивную экологию», в которой преподаватели узнают, перераспределяют и рефлексивно заново вовлекают познание с генеративным ИИ, обрамляя ИИ как когнитивного партнёра, а не замену мышления, — и отмечают «профессиональный дрейф» как риск, когда оффлоадинг остаётся нерефлексивным в усиленном ИИ Преподавание и управлении.

  • Оффлоадинг — это принятие решений на основе ценностей, и некоторые студенты более уязвимы, чем другие. Seung & Basham (2026), концептуальный обзор в Learning Disability Quarterly, синтезируют когнитивную науку, Специальное образование и образовательные технологии, моделируя оффлоадинг с генеративным ИИ как решение о соотношении затрат и выгод, формируемое целями результативности, сложностью задачи, академической самоэффективностью и восприятием инструмента. Они утверждают, что студенты с нарушениями обучения (SWLD) особенно уязвимы к неоптимальному оффлоадингу, — потому что повышенная когнитивная нагрузка, избегающие усилий цели результативности, более низкая академическая самоэффективность и завышенные ожидания по отношению к генеративному ИИ делают преждевременное или чрезмерное делегирование более вероятным. Генеративный ИИ обрамляется как компенсирующее средство или сокращённый путь в зависимости от того, как решения об оффлоадинге взаимодействуют с профилями учащихся и проектированием обучения, при этом учебные Ограничители (guardrails) являются ключевым модерирующим фактором (обучайте метакогнитивной саморегуляции, развивайте ИИ-грамотность для калибровки доверия к инструменту, выстраивайте последовательности опытов владения и оценивайте процесс, а не только продукт). Это расширяет измерение справедливости оффлоадинга: тот же инструмент, что снижает барьеры доступа, может, если он без ограничителей, заменить саму практику, в которой SWLD нуждаются более всего.

  • Риск оффлоадинга зависит от стадии развития. Niu et al. (2026) охватили 24 источника свидетельств о генеративном ИИ и детской креативности и обнаружили избыточную опору и зависимость от промптов среди повторяющихся рисков, наиболее сильную в младших классах, наряду с шаблонным мышлением и трудностью детей судить, было ли предложение ИИ оригинальным; одно сравнение по фМРТ зафиксировало более низкую вовлечённость сетей когнитивного контроля и внимания при взаимодействии ребёнка с ChatGPT, чем в разговоре человека с человеком. Поскольку младшие дети не обладали лингвистическими и метакогнитивными навыками, которых требует текстовый промптинг, авторы рекомендуют сохранять ИИ-грамотность, авторство и беспомощное генерирование идей внутри самой активности и измерять независимую креативность отдельно от выданного с ИИ. Это добавляет возрастное измерение к описанным выше закономерностям уязвимости.

  • Вопрос «меньше думать против учиться иначе» условен. Nesnin et al. (2026) предлагают более широкий аналитический обзор, заключающий, что ИИ не обязательно заставляет студентов меньше думать, но преобразует то, как они учатся — исход зависит от использования. ИИ, который проясняет, проверяет и направляет, усиливает обучение; ИИ, который заменяет независимое мышление, даёт пассивную зависимость. Это сходится с повсеместной границей «опора против замены» и условным взглядом на вред оффлоадинга.

  • Оффлоадинг чувствителен к слоям: важна глубина делегирования, а не только его наличие. Chen (2026) вводит чувствительное к слоям описание для академического письма — поверхностный (грамматика/лексика), структурный (план/последовательность), идейный (утверждения/содержание) и рассуждающий (основания/контраргументы/аргументативная логика). В восьминедельном квазиэксперименте открытая коллаборация с ИИ дала самое высокое поддерживаемое письмо при самых низких независимых результатах без ИИ, при этом более глубокие слои оффлоадинга несли сильнейшую отрицательную связь с независимым мышлением Высшее образование высшего образования (косвенный эффект аb = −0,34 для рассуждающего против −0,08 для поверхностного). Саморегулируемое письмо ослабляло, но не устраняло вред. Это уточняет границу «опора против замены»: некоторые слои делегирования служат опорой, тогда как более глубокие слои заменяют познание, которое строит Критическое мышление.

  • Причинная проверка предсказания оффлоадинга со обратным знаком: письмо с ChatGPT дало меньше обучения, чем письмо без посторонней помощи. Wagner-Kobayashi (2026) провели межгрупповой эксперимент, в котором 35 студентов психологии 20 минут разрабатывали входной текст, причём GPT-3.5 был доступен только экспериментальной группе, и сдавали идентичный тест знаний до и после. Ожидаемое взаимодействие «группа × время» было значимым (F(70) = 5,889, p = .018), но указывало в обратную сторону — группа без ChatGPT выучила больше (посттест M = 8,29 против 6,94; b = −1,450), — фальсифицируя предсказание письма для обучения, что ChatGPT усилит разработку. Утекло именно усилие разработки: участники произвели только 2,25 примеров и 0,88 связей в диалоге с инструментом и сообщили, что приоритизировали счёт слов над глубиной, — прочтение дефицита использования авторами: инструмент был доступен, но не применён, — и в согласии со снижением умственного усилия и поведением копирования-вставки, которые страница фиксирует в других местах. Как только Мотивация входила в модель, эффект «группа × время» обрушивался (p = .280), и более высокая мотивация и интерес к теме предсказывали прирост только внутри группы с ChatGPT, так что студентов с низкой мотивацией и низким интересом именно инструмент ставил в невыгодное положение, — экспериментальная поддержка мотивационного пути к избыточной опоре, которую документирует эта страница. Авторы читают результат узко (малый, нарушающий допущения эффект под давлением времени и без обучения) и рекомендуют обучать студентов применять инструмент, а не запрещать его, что сохраняет находку на границе «опора против замены», вместо того чтобы делать её приговором инструменту.

  • Континуум «сдача — оффлоадинг — агентность». Быстрый обзор Sydney PreK-12 (Arthars et al. 2026, 271 работа) обрамляет использование генеративного ИИ по когнитивному, метакогнитивному и аффективному измерениям: сдача (ответственность за значимую для обучения работу переходит к генеративному ИИ, часто незаметно), оффлоадинг (намеренное, возможно продуктивное делегирование, которое становится обучением только если проверяется/разрабатывается) и агентность (сохранение ответственности за усилие и суждение). Он также предупреждает о метакогнитивном неравенстве: студенты со слабой метакогницией более восприимчивы к вредному оффлоадингу и менее способны узнать его.(Young People, Learning, and Generative AI: A Rapid Literature Review and Implications for PreK-12 Education)

  • Зависимость управляется самоэффективностью не меньше, чем способностью. Зависимость от ИИ — не просто продукт технического навыка: Maizel et al. (2026) показывают, что основанная на навыках ИИ-грамотность предсказывала более высокую зависимость (в согласии с взглядом на дающие возможности способности/оффлоадинг), тогда как самоэффективность в отношении ИИ и академическая самоэффективность смягчали избыточную опору, — что указывает, что оффлоадингом управляют мотивационные убеждения в самоэффективности не меньше, чем способности.

  • Оффлоадинг меняет порог отклика, а не только ёмкость. Marcoccia et al. (2026) показывают, что уже сам доступ к советам ИИ почти полностью устранил готовность людей говорить «я не знаю» — даже когда совет был неверным, — почти удвоив уверенность и снизив точность до трети; стимулы восстанавливали точность (снижая опору), но не отсрочку суждения.

  • Разрыв безопасности как цена оффлоадинга продуктивной борьбы. Wang & Shan (2026) формализуют расхождение между результативностью студента с ИИ и его способностями без посторонней помощи как «Разрыв безопасности» — эпистемический риск, когда ИИ выполняет когнитивную работу, а учащийся не может воспроизвести её. Kim et al. (2026) и Puech et al. (2025) показывают, что проектирование на Продуктивная неудача (сокрытие ответов, сохранение борьбы) является контрмерой.

  • Спектр ICAP/SAMR обрамляет оффлоадинг как континуум режимов, а не бинарную оппозицию. Rummel, Nachtigall, and Panadero (2026) отображают аналогию с кухонной машиной Thermomix на обучение с Генеративный ИИ внутри рамок ICAP и SAMR, показывая четыре сценария, которые прогрессируют от пассивной замены (полный аутсорсинг заданий — конец оффлоадинга, с риском потери навыка и ограниченной Креативность) до интерактивного переопределения (ИИ как партнёр по диалогу, дающий адаптивную обратную связь в реальном времени и со-конструирование — вовлечённый конец). Это переобрамляет вред оффлоадинга как условный от режима использования, а не от простой частоты, сходясь с повсеместной границей «опора против замены»: находится ли использование ИИ на конце спектра «замещение/Substitution» или на конце «переопределение/Redefinition», определяет, вытесняет ли оно познание, которое строит обучение, или поддерживает его.

Избыточная опора: когда оффлоадинг становится вредным

Лестница, которую отслеживает эта страница, имеет три перекладины, и только первые две принадлежат ей. Оффлоадинг — это делегирование умственной работы, что часто продуктивно; избыточная опора — это делать это хронически и без калибровки, что является поведенческим провалом, документируемым этим разделом; Когнитивная капитуляция — это иной провал: оценочный шаг никогда не происходит, поэтому учащийся принимает ответ ИИ без какого-либо суждения о его качестве. Граница видна в том, что именно просят поставить ИИ: инструментальное содействие Ду и Юаня производит выдачу, тогда как несущее суждение содействие поставляет стандарт, по которому выдачу оценивают, и именно второй вид вытесняет работу, от которой зависит экспертиза. Быстрый обзор Sydney проводит то же тройное разделение по 271 работе. Поэтому сдача имеет собственную экспериментальную подпись и собственную страницу; избыточная опора остаётся проблемой частоты и калибровки, и эти два являются разделяемыми исходами в одной и той же задаче — в испытаниях Шоу и Нейва 73,2% испытаний с неверным ИИ закончились сдачей, тогда как 19,7% — стратегическим оффлоадингом. Бенчмарк, внешний по отношению к любому отдельному исследованию, измеряет тот же провал и обнаруживает его частым. ImpactBench оценил десять моделей на 48 540 симулированных разговорах: его метрика «асимметрия когнитивного оффлоадинга» составила в среднем 51,9%, а «когнитивное вторжение, связанное с планированием» — 47,1%. В его образовательном кейсе Claude Sonnet 5 выдаёт тезисы, план и полное эссе «готовыми к вставке», как только симулированный студент настаивает на законченном черновике, продолжая при этом отказываться фабриковать цитаты (ImpactBench (2026)). «Обучение и развитие навыков» было самой слабой из 14 подобластей по обеим полярностям, с 45,9% и 16,3%.

Избыточная опора — это чрезмерная или неоткалиброванная зависимость от инструментов ИИ, при которой студенты делегируют когнитивную работу, которую должны выполнять сами, что приводит к снижению обучения, умалению Автономность учащегося и вытеснению развития навыков. Это поведенческое проявление чрезмерного когнитивного оффлоадинга: когда оффлоадинг становится поведением по умолчанию, а не стратегическим выбором. Избыточная опора — это не просто слишком частое использование ИИ; это использование ИИ способами, которые заменяют, а не дополняют процессы обучения. Концептуальная работа призывает сохранять эту образовательную избыточную опору отличной от реляционной привязанности и клинической зависимости: Yan (2026) показывает, что доверие, опора, избыточная опора, привязанность и проблемное использование постоянно смешиваются в литературе по разговорному ИИ и что частое делегирование не следует называть зависимостью без нарушенного контроля или вреда.

  • Парадокс эффективности: цели владения, сворачивающиеся в оффлоадинг «по умолчанию». Yan et al. (2026) выявляют учащихся, формулировавших цели, ориентированные на владение, но осуществлявших поверхностные процессы, выгружая работу «не по намерению, а по умолчанию»: их три группы намерений (инструмент аутсорсинга n = 16, ассистент обучения n = 31, когнитивный партнёр n = 8) показывают, что модальный случай не является ни намеренным обманом, ни намеренным обучением. Студенты группы аутсорсинга узнавали собственное отключение (копирование-вставка абзац за абзацем описывалось как «это полностью заменило мой мозг») и сообщали о быстром забывании, и все 38 интервьюированных сообщали о низкой уверенности в эффективном использовании генеративного ИИ, — свидетельство, что избыточная опора может вызываться отсутствующими предажными условиями (ИИ-грамотность, компетентность в промптинге, специфичное для задачи руководство), а не мотивацией избегать работы.

  • Агентное кодирование выгружает понимание на практике: Tanaka et al. (2026) сообщают, что студенты-бакалавры, использовавшие агентов ИИ в курсе по программным проектам, писали больше кода год за годом, но демонстрировали падения в понимании при интенсивном использовании, — восстановимые через индивидуальную проверку преподавателем сгенерированного ИИ кода.

наиболее значимых рисков ИИ в образовании:

  • Вытеснение обучения: Исследования когнитивных воздействий ИИ документируют, как доступность ИИ снижает усиленную переработку — «эффект Google, распространённый на рассуждение». Stamatoulis et al. (2026) изолируют это как отдельный паттерн использования: восприятие с низкой проверкой (некритическое принятие выдачи ИИ) предсказывало худшую успеваемость, тогда как оценочная интеграция (использование ИИ для поддержки понимания) предсказывала лучшую успеваемость, — а одна лишь частота использования не предсказывала ни того, ни другого. Поэтому избыточная опора — это режим использования, который можно отделить от того, сколько студенты используют ИИ.

  • Проблема агентности: Незавершённая миссия AIED обрамляет избыточную опору как кризис агентности и мотивации — студенты обходят обучение не потому, что ИИ убедителен, а потому, что учебные задачи кажутся бессмысленными, когда ИИ может выполнить их без усилий.

  • Эрозия мотивации: Исследования мотивации студентов обнаруживают, что знание о доступности ИИ снижает воспринимаемую ценность самостоятельного освоения навыка — мотивационный расчёт, который особенно затрагивает начинающих учащихся.

  • Настойчивость тоже размывается, и быстро. Примерно после десяти минут с ассистентом, отвечавшим по запросу, участники пропускали 0,20 неопосредованных задач против 0,11 в контроле и решали 0,57 против 0,73, воспроизводясь на понимании прочитанного (Liu et al., 2026).

  • Долг грамотности: Долг агентной грамотности описывает кумулятивный дефицит навыков, который развивается, когда студенты привычно полагаются на ИИ вместо развития собственных компетенций, по аналогии с техническим долгом в программном обеспечении.

  • Циклы усталости: Исследования усталости от ИИ выявляют парадокс, при котором избыточная опора ведёт к когнитивной усталости от постоянного управления взаимодействием с ИИ, что, в свою очередь, вызывает ЕЩЁ БОЛЬШУЮ опору, — порочный круг.

  • Правило размещения: Ловушка без усилий переобрамляет вопрос «разрешить против запретить» как вопрос размещения — незащищённый помощник ИИ оставил старшеклассников примерно на 17% хуже на экзамене без посторонней помощи, тогда как та же модель, перестроенная так, чтобы сдерживать ответы, устранила вред. Его диагностика — «если впускание ИИ делает задачу ощутимо лишённой усилий, он находится не в том месте», — обеспечивает первую трудную попытку и финальную неопосредованную проверку как моменты, где избыточная опора с наибольшей готовностью прячется как «иллюзия обучения».

  • Метакогнитивное сохранение: Модель взаимности синтеза и анализа предлагает инструменты, сохраняющие человеческую эпистемическую агентность, структурируя взаимодействие с ИИ вокруг человеческих циклов анализа, а не циклов генерации ИИ.

  • Метакогнитивная механика переиспользования: рамка «убеждения против опыта» объясняет, почему студенты избыточно выгружают работу, даже когда это вредит им: люди выгружают импульсивно, а предсуществующие метакогнитивные убеждения закрепляют поведение быстрее, чем опыт задачи может его исправить, — так что противоядие от избыточной опоры является метакогнитивным, а не просто ограничительным.

  • Избыточная опора тренируема через тренировку калибровки: Ngai & Gilbert (2026) показывают, что смещение напоминания — лабораторный аналог избыточной опоры, — может быть снижено кратким метакогнитивным вмешательством (пять практических проб, сопрягающих предсказание с обратной связью), исправляя калибровку в обоих направлениях. Это означает, что противоядие от избыточной опоры — это не просто ограничительные правила, а тренировка калибровки, делающая студентов точными в том, что они действительно могут сделать без посторонней помощи.

  • Полевые свидетельства: ИИ, который тренирует, против ИИ, который отвечает. NUMI (Oreopoulos et al. 2026) обнаружили, что поддержка ИИ, которая тренировала, а не давала ответы, замедляла студентов, но снижала избегание усилий, — улучшая правильность следующей попытки после ошибок при большем времени на вопрос («продуктивное замедление»), — тогда как Khanmigo (Oreopoulos & Low 2026) показали, что без структуры, делающей ошибки значимыми, студенты по умолчанию прибегают к поверхностному использованию (голые ответы, нажатия на промпты), а приросты соответствуют практике без ИИ. Оба подтверждают, что вред оффлоадинга обусловлен тем, как ИИ используется и спроектирован, а не только доступом. CoMeT (Hou et al. 2026) поставляет то измерение проектирования, которое эта граница иначе оставляет неявным, — репетитор может нести больше труда, не покупая большего делегирования. Его лестница поднималась на одну перекладину каждый раз, когда учащийся не пользовался его поддержкой, и падала до самой лёгкой перекладины при её принятии, удерживая метакогнитивное требование статистически эквивалентным репетитору, сдерживавшему ответы по замыслу (p_TOST = .004), тогда как артефакт попадал в рабочее пространство в 48,1% сессий против 23,7% под тем сдерживающим репетитором, и учащиеся просили его построить решение в 50,4% сессий против 51,1% под неограниченным репетитором, отвечавшим по запросу (OR = 0,95, p = .82). Делегирование отслеживало требование, которое репетитор предъявлял учащемуся, а не объём работы, который он брал на себя.

  • Крупномасштабные полевые свидетельства: «Генеративный ИИ». Strömberg, Lei, & Wu (2026), отслеживая 26 811 китайских учащихся средней школы в течение 30 месяцев, обнаружили, что самонаправленное внедрение генеративного ИИ повысило оценки за домашние задания на 18% и сократило время на них на 30%, *снижая при этом оценки закрытых экзаменов на 20% в течение шести месяцев и оценки вступительных экзаменов на 18–24% после двух лет, — с концентрацией среди ~81% пользователей, чьё поведение указывало на аутсорсинг домашних заданий (короткое время выполнения + завышенные оценки за домашние задания). Это прямые крупномасштабные свидетельства, что незащищённый оффлоадинг (использование ИИ как замены домашним заданиям, а не как репетитора) производит тот штраф в обучении, который предсказывает теория когнитивного оффлоадинга, часто незаметный самим студентам.

  • Избыточная опора размывает самонаправленное обучение через мотивацию и самоэффективность. Zhao & Gu (2026) моделируют механизм прямо: на выборке 487 китайских студентов-бакалавров бездумное использование генеративного ИИ (TUGA) — принятие выдач ИИ без критической оценки — значительно подрывало Самонаправленное обучение (β = −0,42) как прямо, так и через частичное опосредование Мотивация (β = −0,54 на пути из TUGA) и Самоэффективность (β = −0,37). Модель объясняла 75,3% дисперсии SDL. Поскольку мотивация была сильнейшим положительным драйвером SDL (β = 0,68) и бездумное использование её подавляет, это количественное свидетельство, что избыточная опора повреждает мотивационные ресурсы и ресурсы самоэффективности, от которых зависит автономное обучение, — с гендерными различиями (более сильный вред мотивации для мужчин, более сильный вред самоэффективности для женщин).

  • Тенденция к оффлоадингу предсказывает более низкие результаты высшего порядка, а грамотность проверки нуждается в метакогниции, чтобы окупиться. Davor, Larbi and Boateng (2026) опросили 533 студента университета в Гане и смоделировали тенденцию к оффлоадингу, скаффолдинг задач ИИ и грамотность проверки ИИ относительно результатов высшего порядка через метакогнитивную саморегуляцию. Тенденция к оффлоадингу была сильнейшим отрицательным предиктором критического мышления (−.240) и технического решения задач (−.312), а также подавляла метакогнитивную саморегуляцию (−.294), тогда как скаффолдинг предсказывал оба результата положительно (.185 и .170). Грамотность проверки не оказывала значимого прямого воздействия ни на один из результатов и работала только через метакогнитивную саморегуляцию — паттерн полного опосредования, который авторы называют механизмом метакогнитивной активации: обучение студентов проверять выдачу ИИ недостаточно само по себе, потому что оценочная привычка окупается только когда она встроена в планирование, отслеживание и рефлексию во время задачи.

  • Зависимость действует как граничное условие на выгоду от использования. Shojaei et al. (2026) опросили 412 студентов-бакалавров бизнеса в Омане и разложили на части связь между использованием генеративного ИИ и самооценённой расположенностью к критическому мышлению: нулевая корреляция была близка к нулю (r = 0,050), тогда как скорректированный коэффициент был положительным (.185), потому что отрицательный косвенный путь через зависимость (−0,147) его уравновешивал. Зависимость была отрицательно связана как с расположенностью (−.389), так и с самооценённой востребованностью на рынке труда (−.328) и ослабляла обе связи «использование — результат», при этом простые наклоны падали с 0,424 при низкой зависимости до −0,054 при высокой, — ослабление, а не переворот знака. Это прочтение сохраняет находку на стороне режима использования границы: зависимость отмечает, где использование переходит от усиления к замене, а одна лишь частота маскирует противоположно направленные пути.

  • Избыточная опора на ИИ как сложная адаптивная система. Вместо изучения избыточной опоры по одному пользователю за раз одна модельная работа обрамляет её как процесс на уровне популяции, в котором агенты обновляют байесовские убеждения о качестве ИИ и, будучи связанными сетями, учатся у сверстников. Социальное доказательство может превратить опору в каскад обратной связи (видимое непроверенное использование подавляет проверку), тогда как социальное обучение создаёт консенсус, а не избыточную опору, — обрамление, которое смещает цели вмешательств с индивидуальной калибровки на сетевые динамики доверия и опоры.

  • Шесть диагностических критериев отделяют продуктивную опору от вредной зависимости. Du & Yuan (2026) дают избыточной опоре более зернистый диагностический словарь, чем частота использования, различая инструментальное содействие (ИИ помогает производить выдачу) и несущее суждение содействие (ИИ поставляет стандарты, по которым выдачу оценивают). Их обзор операционализирует границу продуктивного/вредного через шесть критериев — оспариваемость, восстановимость, перенос, прослеживаемость, распределённая ответственность и эпистемический плюрализм, — и прослеживает четыре социотехнических пути (беглый авторитет, беспрепятственное делегирование, непрозрачный синтез, институционализированная зависимость), по которым оффлоадинг либо сохраняет, либо вытесняет эпистемическую работу, развивающую суждение. Поскольку зависимость контекстуальна и институциональна, а не только индивидуальна, рамка направляет внимание на стимулы оценивания, проектирование интерфейса и закупки наряду с саморегуляцией учащихся.

  • Неизмеренное последствие: когнитивное вымывание. Yajee (2026) называет главным открытым вопросом области послеотзывное состояние: почти все исследования оффлоадинга измеряют познание во время использования ИИ, но почти ничто не измеряет, что происходит после отзыва ассистента на дни или недели (экзамен, сбой, пересмотр лицензии). Работа формализует когнитивное вымывание с моделью кривой вымывания — оценимыми параметрами константы времени восстановления, полноты восстановления, остаточного роста и индекса гистерезиса, сравнивающего переучивание с исходным усилием, — и четырьмя возможными исходами (эластичный отскок, частичное плато, латентная опора, перевосстановление). Поскольку обратимость определяет, является ли вызванный дефицит неудобством или вредом на уровне когорты, работа утверждает, что отзыв заслуживает того же методологического статуса, что и внедрение, и специфицирует протокол с тремя рукавами, тремя областями и двадцатью двумя неделями для разрешения между исходами. Это превращает различия «тренер против костыля» и «субститутивный против дупликативного» выше в проверяемую лонгитюдную программу исследований о том, возвращаются ли выгруженные навыки и как быстро.

  • Опора без знания предметной области деградирует в угадывание. Mikhasenko et al. (2026), перепроектируя вводный курс ядерной физики и физики элементарных частиц в Рурском университете Бохума, описывают режим отказа при опоре в отсутствие знания предметной области: когда студент не мог судить, был ли сгенерированный ответ физически обоснован, задуманный «разговор с ИИ» деградировал в угадывание относительно правдоподобной, но ненадёжной выдачи. Опрос середины семестра того же курса (n=30) обнаружил частое использование LLM (24 из 29 использовали их часто или всегда) наряду с низкой самооценённой подготовленностью к компьютерной беглости, которую требовали задания, а открытые ответы выдвигали зависимость от ИИ и неравный доступ к платным моделям среди точек трения.

  • Даосистский контраргумент: оффлоадинг не просто непрактичен, но и саморазрушителен. Xie (2026) поставляет нормативный, антиделегационный контраргумент из даосистского самосовершенствования: в практике Нэйдань (內丹) «когнитивных сокращённых путей нет», и практик не может передать этот труд внешним устройствам, поэтому ИИ должен быть «не когнитивным суррогатом, а инструментальным дополнением», подобным алхимической печи, — обрамление, согласующееся с границей «тренер против костыля» выше, а не с субститутивным оффлоадингом.

Оффлоадинг может стоить самого себя, а не только навыка. de Barba (2026) называет ту часть дисциплинарного «я» учащегося, чьи способности reside в усиленном ИИ инструменте и доступны только на условиях поставщика, арендованным я, и разделяет две цены. Цена калибровки — это ошибочно определённое место: умаление способности, которой человек обладает, или присвоение той, которой обладает инструмент, — тогда как цена самого себя следует всякий раз, когда базовая способность арендована, даже знающим образом, потому что операции, строящие самость, никогда не выполняются. Её четыре конфигурации пересекают место с атрибуцией: принадлежащая компетенция, непризнанная компетенция, видимая аренда и скрытая аренда, причём последняя — та, что убирает сигнал, побуждающий учащегося строить то, что, как он верит, он уже имеет.

Консенсус 30 экспертов помещает ущерб на оба конца учебной последовательности. Предзарегистрированное Дельфийское упражнение по 65 учебным процессам обнаружило уязвимость приобретения (кодирование 3,30, извлечение 3,30, приобретение информации 3,00 по шкале нарушения 1–5), усиление консолидации (обучение из обратной связи 4,00, обучение из примеров 3,90, самотестирование 3,80) и снова уязвимость мышления высшего порядка (Kendeou, Greene & Nixon et al., 2026). Десять из восемнадцати процессов высшего порядка достигли консенсуса только об уязвимости, с оценками усиления ниже порога.

Рамка КНН

Теория когнитивной нагрузки (Свеллер) даёт оспариваемую теоретическую оптику для рабочей памяти и обучения: внутренняя нагрузка (сложность задачи), внешняя нагрузка (трение представления) и релевантная нагрузка (усилие построения схем). Хорошо спроектированный ИИ должен снижать внешнюю нагрузку, сохраняя релевантную переработку; плохо интегрированный ИИ снижает все три, оставляя студентов с выполненными задачами и пустым обучением. Отметим, что утверждения теории оспариваются в более широкой литературе, но её обрамление остаётся влиятельным в том, как обсуждаются воздействия оффлоадинга.

Ставки оффлоадинга на уровне профессии. Рамка «когнитивной общины» (Lovett 2026) расширяет оффлоадинг с индивидуального на коллективный уровень: когда ИИ позволяет младшим работникам пропустить когнитивную борьбу, строящую глубокую экспертизу, он может со временем истощить общий пул экспертизы профессии — «привязка валидации» означает, что эффективный надзор за ИИ зависит от того самого владения, которое внедрение ИИ может подорвать. Это переобрамляет оффлоадинг и упадок навыков на индивидуальном уровне как проблему регенерации на системном уровне со следствиями для Управление ИИ.

Связи с родственными понятиями

Когнитивный оффлоадинг (и его вредная форма, избыточная опора) фундаментально соединяется с Калибровка доверия — знанием, когда доверять ИИ, а когда его подвергать сомнению, — и с ИИ-грамотность, которая включает метакогнитивный навык знания, когда осуществлять оффлоадинг, и узнавания собственных паттернов опоры. Он соединяется с Скаффолдинг (структурированная поддержка, снижающая нагрузку без устранения когнитивного требования) и Промпт-инжиниринг (основным механизмом, посредством которого оффлоадинг осуществляется во взаимодействиях с LLM). Он пересекается с Метакогниция и Саморегулируемое обучение — эффективные учащиеся калибруют свои решения об оффлоадинге, — и с Критическое мышление, Автономность учащегося и Опыт студентов. Онлайн-преподавание и онлайн-обучение является особенно уязвимым контекстом: среда уже отдаляет учащихся от непосредственной подотчётности, а работа в своём темпе и на экране приглашает к сокращённому пути «попроси дать ответ», который исследования оффлоадинга выявляют как основной механизм вреда (см. Злоупотребление ИИ и вред обучению).

Не любое выгруженное трение является избыточным. Zohar, Bloom and Inzlicht (2026) проводят то различение, в котором нуждается литература об оффлоадинге: прежние Технологии устраняли избыточное трение — утомительные или непреодолимые препятствия с малой учебной или смысловой ценностью, — тогда как генеративный ИИ в интеллектуальной работе снимает также благотворное трение, позволяя учащемуся перейти от генерирования идей к их оценке без подвергания сомнению выдачи. Они выстраивают ассоциативные свидетельства прямо: люди, использующие ИИ, с трудом точно вспоминают или воспроизводят собственную работу, приобретают меньше навыков, демонстрируют меньший перенос и работают хуже, когда поддержка ИИ удалена, — сходясь с находками о когнитивном долге из ЭЭГ-исследований письма с ИИ-ассистентом. Их аргумент даёт также мотивационную половину механизма, которую чистые когнитивные описания упускают: поскольку усилие сигнализирует, что наши действия значимы, его выгрузка снижает оцениваемую цель и смысл, и когда ИИ заменяет усилие в некоторой области, мотивационная отдача от усилия в ней размывается, ещё глубже усиливая опору. Корректив работы — это градиент, а не запрет: сохраняйте умеренную борьбу, устраняйте то, что только overwhelming (Полезные трудности, Мотивация).

  • Сигнал недововлечения появляется в развитии. Первое сравнение с нейровизуализацией детей и взрослых, разговаривающих с ChatGPT, обнаружило, что дети 6–7 лет демонстрировали более слабую внутрисетевую связность, чем взрослые, в лобно-теменных сетях контроля, значимости и дорсального внимания — при сопоставимых оценках креативности, — и не имели связи креативности и связности, которую демонстрировали взрослые. Поскольку эти исполнительные функции (планирование, отслеживание, торможение) незрелы в первом классе, авторы читают результат как релевантный дискуссии о минимальном возрасте. Оговорки: отсутствие контрольной группы без ChatGPT, n = 31 и конфаунд обрамления, который мог подавить критическую оценку детей (Horowitz-Kraus et al. (2026)).

  • Зависимый против автономного оффлоадинга — различение, определяющее исход: Fan, Li and Zhang (2026) организуют свидетельства о генеративном ИИ вокруг обострённой версии этой границы, опираясь на трёхволновое исследование 589 студентов и начинающих работников знания: зависимый оффлоадинг делегирует базовое мышление инструменту и был связан с переданной Автономность учащегося, более низкой внутренней мотивацией и худшими воспринимаемыми когнитивными результатами, тогда как автономный оффлоадинг сохраняет эпистемическую агентность за учащимся и демонстрировал обратную закономерность. Находка, наиболее важная для обнаружения, состоит в том, что непосредственные выгоды в результативности не различались между двумя режимами, так что учащийся, бегло решающий задачи в любой данный день, не даёт сигнала о том, в каком режиме он находится. Тот же обзор фиксирует более широкий раскол в свидетельствах — трёхуровневый метаанализ умеренной общей выгоды (g = 0,499; g = 0,669 для понимания, познания и креативности) против связей между зависимостью, усталостью и более слабым Критическое мышление, — и прослеживает неадаптивное использование к экстернализированной саморегуляции, а не к зависимости от технологий.

  • Три пути взаимодействия, а не одно поведение. Модель взаимодействия «нейропластичность — ИИ» (NAIM) разделяет прямое обхождение, где модель поставляет решение и усилие генерации исчезает; когнитивный оффлоадинг, где делегируются специфичные подпроцессы и эффект зависит от того, являются ли эти подпроцессы целью обучения; и скаффолдинг, где модель ограничивает помощь, чтобы сохранить усиленную переработку (Bypass, Offload, or Scaffold: A Conceptual Model of How Large Language Models Shape Learning)

Два контролируемых исследования из последней партии уточняют обе половины этого утверждения — смещается ли поведение и что оно защищало. Maier et al. (2026) сделали учебное следствие оффлоадинга видимым перед каждым выбором в предзарегистрированном эксперименте с 704 участниками, практиковавшими арифметику дробей: шансы выгрузки ответа упали до OR = 0,47, а шансы верного ответа на более позднем неопосредованном тестовом пункте выросли до OR = 1,51, тогда как вознаграждение за усилие не двигало ни один из исходов. Оффлоадинг накапливался внутри занятия — после выгрузки одного пункта участники выгружали следующий в 69,7% случаев без обратной связи и в 55,9% с ней, — а рост доли оффлоадинга на десять процентных пунктов был связан с 32% более низкими шансами неопосредованного успеха (OR = 0,68). Bergh et al. (2026) дают дополнение со стороны исходов: 55 студентов-бакалавров информатики, писавших код с ChatGPT, набрали 89% против 69% без него, меньше запомнили тот же материал сразу (41% против 53%) и через 48 часов (39% против 52%), и приписывали себе только 45% сданного кода против 81%. Вместе прочитанные, исследование обратной связи показывает, что поведение может быть смещено без ограничения доступа к инструменту, а исследование программирования показывает, что именно смещённое поведение защищало.. Модель калибрована против самых сильных доступных полевых свидетельств: неограниченный доступ к GPT-4 в исследовании почти 1 000 старшеклассников, изучавших математику, повысил результативность практики на 48%, оставив дефицит в 17% на экзамене без посторонней помощи, тогда как ограниченный подсказками GPT Tutor дал прирост практики на 127% при дефиците на экзамене, по большей части устранённом. Поэтому оффлоадинг вреден только в конфигурации обхождения, и действенной переменной проектирования является то, заменяет ли модель целевой оцениваемый навык. (Bypass, Offload, or Scaffold: A Conceptual Model of How Large Language Models Shape Learning) Та же логика превращает формирование вознаграждений в инструмент проектирования: Macina et al. (2026) тренируют репетиторов на базе LLM с замаскированным посттестом на близкий перенос и двумя бинарными гейтами, так что вознаграждение может расти только через то, что студент написал в собственных ходах, и их абляция показывает, что именно гейты, а не сырое вознаграждение за прирост обучения, снижают передачу решений.

Связанные понятия

Связанные статьи

Связанные FAQ

Связанные ресурсы

Метаданные

Целевая аудиторияLearners
Обучение и преподаваниеМетакогниция, Саморегулируемое обучение
Технологии и методыГенеративный ИИ
Справедливость, этика и ответственное использованиеКалибровка доверия
Основы ИИ в образованииИИ-грамотность, Когнитивный оффлоадинг
SourceHistoryEditChat

Встроить эту страницу

Скопируйте код ниже, чтобы встроить эту страницу в систему управления обучением или на другой сайт. Во встроенной версии отображается только содержимое страницы — заголовок сайта, навигация и нижний колонтитул скрыты.