Giảm tải nhận thức

Trên trang này

Bản dịch máy tự động của trang tiếng Anh này, chưa được người bản ngữ xem xét.

Giảm tải nhận thức: việc sử dụng các công cụ bên ngoài (bao gồm AI) để giảm nhu cầu nhận thức bên trong, chuyển công việc tinh thần từ người học sang hệ thống. Trong AI trong giáo dục, giảm tải nhận thức là cơ chế trung tâm mà qua đó các công cụ AI có thể hỗ trợ hoặc làm xói mòn việc học: việc giảm tải phù hợp giải phóng các nguồn lực nhận thức cho tư duy bậc cao, trong khi việc giảm tải quá mức bỏ qua những xử lý cần thiết cho việc học bền vững. Phụ thuộc quá mức là đầu có hại của phổ này: mô thức không năng suất trong đó việc giảm tải vượt từ hỗ trợ có chiến lược sang chỗ thay thế việc học.

Những câu hỏi cần cân nhắc

Giảm tải nhận thức là việc dùng các công cụ bên ngoài, bao gồm AI, để giảm nhu cầu nhận thức bên trong. Trang này nói rõ rằng việc giảm tải không tự thân có hại: sổ tay, máy tính bỏ túi và công cụ tìm kiếm đều giảm tải. Bạn nghĩ điều gì khiến việc giảm tải qua trung gian AI khác biệt và có thể hệ trọng hơn những công cụ quen thuộc đó?
Một giả định phổ biến là dùng AI quá nhiều mới là vấn đề. Nhưng trang này tách sự phụ thuộc quá mức khỏi tần suất đơn thuần: vấn đề là một cách sử dụng thay thế cho việc học, không phải việc dùng AI bao nhiêu lần. Bạn có thể mô tả một cách sử dụng AI thường xuyên nhưng lành mạnh, và một cách sử dụng hiếm nhưng có hại?
'Ảo tưởng tăng tốc' là việc công việc có AI hỗ trợ cảm thấy nhanh hơn và dễ hơn, tạo ra một ấn tượng sai lệch về năng suất che lấp việc học bị giảm, và sinh viên đánh đồng tốc độ hoàn thành nhiệm vụ với việc học. Lần nào bạn cảm thấy năng suất khi làm một việc nhanh và sau đó nhận ra mình học được rất ít từ nó?
Nghiên cứu phát hiện tác hại của việc giảm tải là có điều kiện, không phải bản chất: 'AI huấn luyện thì bảo tồn hoặc nâng cao kỹ năng; AI thay thế thì có nguy cơ làm phân rã kỹ năng.' Sự khác biệt thực tiễn giữa một AI làm giàn giáo cho tư duy của bạn và một AI thay thế tư duy đó là gì, và bạn sẽ nhận ra mình đang nhận được loại nào bằng cách nào?
Một nghiên cứu cho thấy chỉ việc có quyền tiếp cận lời khuyên của AI gần như đã xóa bỏ thiện chí nói 'tôi không biết' của mọi người, ngay cả khi lời khuyên đó sai, đồng thời gần như nhân đôi sự tự tin và cắt độ chính xác xuống còn một phần ba. Điều này gợi ý gì về cách AI thay đổi nhận thức của chúng ta về sự dốt nát của chính mình?
Trang này giới thiệu một khoảng cách công bằng về siêu nhận thức, một 'Hiệu ứng Matthew với AI': bởi vì việc sử dụng AI năng suất đòi hỏi tri thức tiền đề và siêu nhận thức, những sinh viên vốn đã có lợi thế hưởng lợi nhiều hơn trong khi những người cần luyện tập nhất lại dễ ủy thác việc học nhất. Một nhà giáo dục hay nhà thiết kế nên phản ứng thế nào trước việc cùng một công cụ có thể mở rộng những chia rẽ đã có?

Giới thiệu

Giảm tải nhận thức không tự thân có hại: con người luôn dùng các công cụ bên ngoài (sổ tay, máy tính bỏ túi, công cụ tìm kiếm) để giảm tải nhận thức. Điều khiến việc giảm tải qua trung gian AI khác biệt là tính toàn diện của nó: LLM có thể tạo ra các giải pháp, giải thích và phân tích hoàn chỉnh, có khả năng loại bỏ chính những quá trình nhận thức vốn tạo ra việc học.

Việc giảm tải nhận thức thể hiện trong nghiên cứu AIED như thế nào

Các bài viết của cơ sở kiến thức ghi nhận việc giảm tải nhận thức qua nhiều chiều:

Đo lường sự tự phản tư thay vì đo một đặc điểm: PAUSE (Patterns of AI Use: Self-Examination - Các mô thức sử dụng AI: Tự kiểm tra) biến văn học về giảm tải giai đoạn 2023-2026 thành một bảng tự kiểm tra bốn miền - lập luận và tư duy phản biện, sáng tạo và tính nguyên bản, nghiên cứu và học tập, năng lực xã hội và giao tiếp - với các mục hành vi được chấm điểm ngược, các neo trích dẫn trên mọi mục, không có điểm tổng hợp và không có tuyên bố về tính hợp lệ (Alam, 2026). Quan điểm thiết kế của nó là can thiệp hữu ích đối với việc giảm tải là khơi gợi sự phản tư chứ không phải đưa ra một chẩn đoán, vì chưa công cụ nào có đủ vị thế để biện minh cho một quyết định hệ trọng về một con người.
Các mô thức prompt như dấu vết của việc giảm tải: Misiejuk và cộng sự (2026) dùng phân tích mạng đồng xuất hiện để cho thấy các prompt phản ứng (bất đồng mà không có bối cảnh miền) cho thấy mức giảm tải cao hơn, trong khi việc nhắc giàu bối cảnh với chỉ dẫn được tích hợp phản ánh nhận thức đang tham gia. Cách sử dụng AI, chứ không chỉ việc có dùng hay không, quyết định mức độ giảm tải.
Khối lượng nhắc không xác định được điều gì bị giảm tải: Poquet và cộng sự (2026) phân nhóm 97 người học theo khối lượng prompt và phát hiện các nhóm khối lượng không khác nhau có ý nghĩa về việc nhắc cục bộ so với toàn cục hay nhắc theo vai trò chủ động: cùng một khối lượng mô tả cả việc ủy thác có định hướng (12.9 prompt, 36% chủ động) lẫn gần như không có định hướng nào (4% chủ động).
Bằng chứng tự nhiên ở cấp độ tin nhắn với quy mô lớn: việc giảm tải được quan sát, không phải được giả định: Piatnitckaia và cộng sự (2026) mã hóa 3,047 tin nhắn ChatGPT từ 46 sinh viên đại học tại một trường đại học châu Âu trong một cửa sổ bảy tuần chuẩn bị thi, dùng GPT-4o-mini với các lý lẽ chuỗi suy nghĩ được áp đặt và kiểm chứng quy trình đối với một người chấm đã được huấn luyện trên 200 tin nhắn (kappa của Cohen = 0.76 cho loại câu hỏi, 0.75 cho cấp độ Bloom). Phân tích (Analyze) đứng đầu phân bố đó ở 27.28% (831 tin nhắn), trên Hiểu (Understand) ở 23.76%, bằng chứng chi tiết đầu tiên rằng việc sử dụng AI của sinh viên trong điều kiện tự nhiên thường nhắm vào công việc bậc cao thay vì ghi nhớ. Một mẫu con 16 sinh viên có điểm số liên kết, với 1,140 tin nhắn được mã hóa thủ công, cung cấp điều mà các dấu vết ở cấp prompt không thể: 49.6% trong 125 cuộc đối thoại không cho thấy việc giảm tải, 34.4% nhẹ và 16.0% nặng, trên một rubric dành nhãn nặng cho những trường hợp AI tạo ra bản nháp đầu tiên và kiến tạo sản phẩm trí tuệ cốt lõi. Việc giảm tải nặng áp đảo là một hiện tượng của Tạo (Create) (80% trong 20 cuộc đối thoại nặng, 42% của toàn bộ các cuộc đối thoại Tạo), điều mà các tác giả đọc là bằng chứng rằng mức độ giảm tải và cấp độ Bloom là hai chiều riêng biệt đáng được đo tách rời. Mô thức điểm số chỉ mang tính mô tả: 17.6% nặng ở nhóm cao nhất, 17.5% ở nhóm giữa và 5.9% ở nhóm thấp nhất (χ² = 5.80, df = 4, p = 0.215), và một phần dựa trên một sinh viên tập trung vào lập trình mà việc loại sinh viên này ra làm tỷ lệ nhóm cao nhất giảm xuống 8.9%, khiến các tác giả lập luận rằng ngành học định hình thói quen ủy thác nhiều hơn là hiệu năng và khuyến nghị phản hồi siêu nhận thức về các mô thức sử dụng thực tế thay vì cấm đoán.
Ảo tưởng tăng tốc: nghiên cứu về ảo tưởng tăng tốc chứng minh rằng công việc có AI hỗ trợ cảm thấy nhanh hơn và dễ hơn, tạo ra một ấn tượng sai lệch về năng suất che lấp việc học bị giảm. Sinh viên đánh đồng tốc độ hoàn thành nhiệm vụ với việc học, một điểm mù siêu nhận thức.
Tổn thất học tập do AI không có hướng dẫn: các thử nghiệm đối chứng ngẫu nhiên về toán trung học cho thấy GenAI không có hàng rào an toàn tạo ra kết quả học tập tệ hơn giảng dạy truyền thống. Thời gian học bị giảm tương quan với việc học bị giảm: sinh viên hoàn thành nhiệm vụ nhanh hơn nhưng ghi nhớ ít hơn.
Một phép thử ngẫu nhiên cho dự đoán về giảm tải với độ trễ 45 ngày, và sự thiếu hụt không chỉ là thời gian tiết kiệm được: Barcaui (2025) phân bố ngẫu nhiên 120 sinh viên đại học vào việc học các chủ đề AI/ML hoặc với ChatGPT không hạn chế (giao diện web GPT-4, không có hướng dẫn prompt) hoặc với các phương pháp truyền thống không dùng AI, rồi cho một bài kiểm tra khái niệm bất ngờ 20 câu sau 45 ngày. Nhóm có AI hỗ trợ đạt 57.5% so với 68.5% (t(83) = −3.19, p = 0.002, d của Cohen = 0.68), và bất lợi đó vẫn tồn tại qua một ANCOVA giữ thời gian học tự báo cáo không đổi (F(1, 82) = 7.89, p = 0.006; trung bình điều chỉnh 6.50 so với 5.85), nên nó không chỉ là một tạo tác về lượng thời gian. Lập luận về giảm tải của bài báo là ChatGPT cung cấp thẳng việc tổng hợp và giải thích, khiến nó trở thành một hình thức ủy thác khác về chất so với một chiếc máy tính bỏ túi: một hình thức có thể hấp thụ cả sự hiểu, không chỉ việc truy hồi.
Việc giảm tải không phải lúc nào cũng có hại: điều kiện biên "huấn luyện viên": Lira và cộng sự (2025) cho thấy AI có thể giảm nỗ lực luyện tập và cải thiện môi trường học tập, tạo ra kết quả "làm ít hơn, học nhiều hơn". Người lớn luyện viết với một công cụ AI viết những lá thư không có AI tốt hơn những người luyện một mình, thậm chí vượt cả phản hồi cá nhân hóa từ biên tập viên con người, mà không có sự phồng đại của ảo tưởng thành thạo. Sự dung hòa với các tác hại nêu trên là hình thức giảm tải: AI của Lira và cộng sự đã làm giàn giáo (làm nổi lên các ví dụ và phản hồi trong khi giữ người học trong vòng lặp) thay vì thay thế hành vi nhận thức. Góc nhìn kỹ năng so với năng lực cơ bản hội tụ về cùng ranh giới đó: AI huấn luyện thì bảo tồn hoặc nâng cao kỹ năng; AI thay thế thì có nguy cơ làm phân rã kỹ năng. Kilinc và cộng sự (2026) đưa ra con số cho ranh giới đó trong một lớp học STEM nông nghiệp trung học cơ sở. Qua 42 học sinh lớp 8 trong 12 nhóm, việc tiếp nhận mô hình chiếm 74.1% số lượt tham gia cộng tác được mã hóa ở nhóm Cải thiện nhiều nhất, trong khi việc giảm tải nhận thức và bế tắc cộng tác cùng nhau đạt 80.8% ở nhóm Vật lộn. Vậy nên tác động của việc giảm tải lên việc học là có điều kiện, không phải bản chất.
Sự tham gia phản biện so với việc giảm tải: Favero và cộng sự định khung gia sư AI hoặc là trao quyền (hỗ trợ nhận thức chủ động) hoặc là nô dịch hóa (cho phép giảm tải thụ động), kết nối với tư duy phản biện và nghiên cứu.
Nhận thức siêu nhận thức: các nghiên cứu về nhận thức siêu nhận thức xem xét liệu sinh viên có nhận ra khi nào họ đang giảm tải so với khi đang học, và liệu các can thiệp giảng dạy có thể cải thiện sự hiệu chỉnh này hay không.
Trí tuệ thể hiện như lựa chọn thay thế cho việc thuê ngoài: Khuôn khổ E3-HOT lập luận rằng để chống lại việc thuê ngoài nhận thức do AI gây ra và việc học tách rời khỏi các bối cảnh đích thực, AI nên được thiết kế quanh trí tuệ thể hiện (nhúng vào tình huống, tham gia thể hiện, sáng tạo nhận thức) để người học duy trì quyền chủ động nhận thức và tư duy bậc cao thay vì giảm tải chúng. Điều này định khung việc thiết kế AI thể hiện, định cảnh như đối tác tích cực của rủi ro giảm tải, kết nối với nhận thức phân tán và học tập thể hiện.
Sự đánh đổi giữa hiệu quả và sự điều tiết của nhận thức phân tán: Hao và cộng sự cho thấy trong hợp tác người-AI, chế độ giảm tải nhiều nhất cho AI (suy luận được ủy thác) hoạt động tốt nhất trên các nhiệm vụ nhưng tương quan với sự tự điều chỉnh bị giảm, bằng chứng thực nghiệm rằng lợi ích hiệu quả của việc giảm tải có thể đến với cái giá là sự tham gia điều tiết của người học, hội tụ với những lo ngại của học tập tự điều chỉnh.
Mệt mỏi và gánh nặng nhận thức: nghiên cứu về mệt mỏi do AI ghi nhận cách việc tương tác với AI liên tục tạo ra gánh nặng nhận thức của chính nó, một nghịch lý trong đó việc giảm tải một nhiệm vụ lại làm tăng tải nhận thức do phải quản lý các đầu ra của AI.
Khuôn khổ niềm tin so với trải nghiệm siêu nhận thức: Guo & Ye (2026) áp dụng mô hình siêu nhận thức động của Nelson và Naren để dung hòa những phát hiện can thiệp mâu thuẫn của lĩnh vực. Họ phân biệt niềm tin siêu nhận thức (những tự quan niệm ổn định, tự quy chiếu, neo các lựa chọn giảm tải trước nhiệm vụ) với trải nghiệm siêu nhận thức (những cảm giác động, đặc thù theo nhiệm vụ, thúc đẩy việc cập nhật niềm tin trong nhiệm vụ), tạo ra nguyên tắc khớp thành phần theo thời điểm: phản hồi nhắm vào niềm tin hiệu quả nhất trước một nhiệm vụ, trong khi phản hồi nhắm vào trải nghiệm (các chỉ báo đúng sai tức thời) hiệu quả nhất trong nhiệm vụ. Họ cũng hình thức hóa việc giảm tải thay thế (thay xử lý bên trong bằng các phương tiện bên ngoài) so với việc giảm tải sao chép (bổ sung cho nó): khi các kho lưu trữ bên ngoài biến mất, những người giảm tải thay thế suy giảm mạnh trong khi những người giảm tải sao chép vẫn giữ được độ chính xác, và dùng thiên lệch nhắc nhở để định lượng mức lệch khỏi việc giảm tải tối ưu. Điều này hội tụ với ranh giới "huấn luyện viên so với nạng chống": việc giảm tải làm giàn giáo thì bảo tồn kỹ năng; việc giảm tải thay thế thì có nguy cơ làm phân rã kỹ năng.
Một mô hình hình thức về việc sử dụng có vấn đề đối với sự phụ thuộc AI trong viết học thuật (I-PACE): Liu, Zhuang & Wang (2026) mở rộng mô hình I-PACE về việc sử dụng công nghệ gây nghiện sang sự phụ thuộc AI sinh tạo trong viết học thuật ở đại học. Trong một mẫu phương pháp hỗn hợp người Trung Quốc, căng thẳng học thuật là yếu tố dự báo mạnh nhất của sự phụ thuộc AI, năng lực AI là một yếu tố bảo vệ (năng lực thấp hơn dẫn đến phụ thuộc tâm lý nhiều hơn), và niềm tin được nhận thức trung gian hóa con đường từ ảnh hưởng xã hội đến sự phụ thuộc, nên sự phụ thuộc hình thành qua một lộ trình ảnh hưởng xã hội → niềm tin → hành vi, không chỉ qua việc sử dụng công cụ của cá nhân. Dữ liệu định tính của họ bổ sung một chiều chính sách: sinh viên báo cáo việc né tránh có chiến lược việc phát hiện đạo văn và nêu các quy tắc mơ hồ về điều gì được coi là sử dụng AI phù hợp như một động cơ để ứng biến, kết nối việc giảm tải với liêm chính học thuật.
Món nợ nhận thức và sự phân biệt giữa giảm tải theo tình huống và giảm tải theo thói quen: Lin & Al-Hada (2026) hình thức hóa "nghịch lý tư duy phản biện" (sản phẩm được cải thiện song song với sự tham gia nhận thức bị giảm) qua một khuôn khổ ba cấp được phân biệt (vai trò AI bề mặt/trung gian/sâu) và khái niệm món nợ nhận thức: một sự suy giảm tích lũy tiềm tàng trong việc hiệu chỉnh siêu nhận thức và hiệu năng bậc cao không có trợ giúp, kéo dài ra ngoài một tình huống có AI hỗ trợ. Tiến bộ khái niệm then chốt của họ là phân biệt việc giảm tải theo tình huống (ủy thác có chủ đích, đặc thù theo nhiệm vụ, vẫn giữ nhận thức) với việc giảm tải theo thói quen (sự phụ thuộc thường nhật, được theo dõi yếu), dự đoán rằng cách thứ hai trên các nhiệm vụ xử lý sâu sẽ tạo ra một sự phân ly sản phẩm-quá trình: bài tập được chấm điểm cao hơn nhưng khả năng chuyển giao trễ không có trợ giúp lại thấp hơn.
Phổ từ thuê ngoài đến tái phân bổ: việc giảm tải có thể phân phối lại nỗ lực thay vì giảm nó. Yan và cộng sự (2026) áp dụng mô hình tiền đề-quá trình-sản phẩm của Biggs cho 38 sinh viên đại học ở Nhật Bản và Trung Quốc viết các bài luận lập luận không có giám sát, định vị sự tham gia giữa sinh viên và GenAI trên một phổ được giới hạn bởi thuê ngoài nhận thức và tái phân bổ nhận thức, tương đương thời GenAI của các cách tiếp cận bề mặt so với chiều sâu. Thiểu số tái phân bổ báo cáo tổng nỗ lực không đổi với trọng tâm dịch chuyển, chuyển các nguồn lực từ truy hồi cấp thấp sang đánh giá phản biện và củng cố phản tư (viết ghi chú phản tư sau mỗi phiên để chống lại việc ghi nhớ hời hợt), điều này đặt điều kiện cho giả định rằng việc giảm tải nhất thiết trừ bớt nhận thức. Tuy nhiên, tái phân bổ là ngoại lệ: 78.94% chỉ chạm vào GenAI trước khi bắt đầu hoặc sau khi viết nháp thay vì luân phiên nó với công việc độc lập, và 76.32% dựa vào mô thức một lượt hỏi-được-trả lời-dừng (23.68% có đối thoại lặp lại liên tục), nên hành vi tích hợp tạo ra tái phân bổ phải được dạy chứ không thể được giả định.
Việc huấn luyện siêu nhận thức làm giảm thiên lệch nhắc nhở (bằng chứng thực nghiệm trực tiếp): Ngai & Gilbert (2026) cung cấp minh chứng rõ ràng đầu tiên rằng một can thiệp ngắn có thể làm cho việc giảm tải tối ưu hơn một cách đo được. Hai thực nghiệm được đăng ký trước (N=164, N=416) phát hiện rằng chỉ năm lượt luyện tập ghép một dự đoán về hiệu năng với phản hồi xác thực theo từng lượt đã cải thiện việc hiệu chỉnh siêu nhận thức và giảm thiên lệch nhắc nhở. Thiết kế cộng gộp bốn nhóm đã cô lập cơ chế: chỉ dự đoán thì không hiệu quả; thêm phản hồi về hiệu năng tạo ra sự cải thiện; việc gán nhãn tường minh tự tin quá mức hoặc thiếu tự tin không thêm gì nữa. Hiệu ứng xuất hiện trên độ lệch tuyệt đối (không phải có dấu): việc huấn luyện đã sửa việc hiệu chỉnh sai của cá nhân theo cả hai hướng. Điều này xác nhận bằng thực nghiệm khuôn khổ niềm tin so với trải nghiệm ở trên: chính phản hồi nhắm vào trải nghiệm, chứ không phải niềm tin hay dự đoán đơn thuần, làm thay đổi hành vi giảm tải. Các tác giả quy thành công cho động cơ tài chính gắn với tính tối ưu của việc giảm tải cùng phản hồi xác thực tức thời.
Một lời nhắc phản tư trong nhiệm vụ làm cho sự phụ thuộc có tính phân biệt hơn thay vì có tính phòng thủ hơn: Ren (2026) phân bố ngẫu nhiên 342 sinh viên đại học vào ba điều kiện (không có AI, ChatGPT hỗ trợ mở nhiều lượt, và cùng sự hỗ trợ đó cộng một lời nhắc phản tư ngắn về lập luận của chính họ và về điều gì sẽ biện minh cho việc bác bỏ lời giải thích của AI) và phát hiện rằng sự hỗ trợ mở mang theo 62.4% việc chấp nhận lời khuyên sai của AI, mà lời nhắc phản tư cắt xuống 39.7% (OR = 0.40), trong khi độ chính xác của khuyến nghị vẫn tương đương giữa hai điều kiện có hỗ trợ (66.3% so với 67.0%) và sự thẳng hàng với lời khuyên đúng vẫn cao. Phản tư cũng cải thiện việc hiệu chỉnh nhận thức giữa sự phụ thuộc được nhận thức và sự phụ thuộc hành vi (0.59 so với 0.41) và làm giảm một chỉ số thiên lệch quy gán đặc thù cho AI từ 0.42 xuống 0.21. Đây là cùng cơ chế nhắm vào trải nghiệm như nghiên cứu huấn luyện ở trên, được áp dụng bên trong tình huống ra quyết định, và nó ủng hộ cách đọc sự phụ thuộc quá mức theo việc giám sát chứ không theo tần suất: biết về các giới hạn của mô hình tự nó không ngăn được sinh viên chấp nhận những lời khuyên sai trông có lý.
Sự lười siêu nhận thức và một khoảng cách công bằng siêu nhận thức mới: Lodge & Loble (2026), một báo cáo ngành cho giáo dục Australia, lập luận rằng rủi ro cốt lõi của GenAI là việc giảm tải nhận thức chứ không phải đạo văn. Họ tiếp nhận sự lười siêu nhận thức (Fan và cộng sự 2024), tức việc sự tiện lợi của AI làm xói mòn sự tham gia của người học vào các quá trình tự điều chỉnh thiết yếu, khiến người học từ bỏ trách nhiệm siêu nhận thức cho công cụ, và giới thiệu một khoảng cách công bằng siêu nhận thức (một "Hiệu ứng Matthew với AI"): bởi vì việc khai thác AI một cách năng suất đòi hỏi tri thức tiền đề và siêu nhận thức, những sinh viên vốn đã có lợi thế hưởng lợi nhiều hơn trong khi những người cần luyện tập nhất lại dễ ủy thác việc học nhất, làm mở rộng những chia rẽ đã có. Phương thuốc họ đề xuất là tăng cường cho giáo viên (trao công cụ cho những giáo viên chuyên gia để mở rộng thực hành của họ, được ủng hộ bởi các nghiên cứu cho thấy AI hướng đến giáo viên cải thiện kết quả với chi phí thấp hơn nhiều) thay vì các gia sư AI hướng đến sinh viên, cùng với Giảng dạy giảm tải (Load Reduction Instruction) và các lời nhắc siêu nhận thức.
Sự phụ thuộc quá mức là mối quan ngại đạo đức hàng đầu qua mọi thế hệ Conversational AI. tổng quan ô về các tác tử AI hội thoại (Ganguly và cộng sự 2025, 34 tổng quan) báo cáo rằng những lo ngại về quan hệ người-AI, bao gồm sự phụ thuộc quá mức và việc thu hẹp tương tác xã hội, là vấn đề đạo đức được thảo luận nhiều nhất qua mọi thế hệ CAI, trước cả GenAI. Nó cũng liệt kê tác động giáo dục và các lo ngại nhận thức (bao gồm sự phụ thuộc quá mức và tư duy phản biện bị suy giảm) là hạng mục thách thức được thảo luận nhiều thứ hai, nhấn mạnh rằng tác hại của việc giảm tải là một chủ đề dai dẳng, xuyên thế hệ, chứ không phải một điều mới lạ đặc thù của GenAI.(Conversational AI agents in education: an umbrella review of current utilization, challenges, and future directions)
Giáo viên như những người điều tiết nhận thức có phản tư: Ho và Chen (2026) mở rộng lý thuyết giảm tải sang phán đoán AI chuyên môn bằng việc phỏng vấn 18 giáo viên đang giảng dạy. Họ xác định một 'hệ sinh thái siêu nhận thức' trong đó giáo viên nhận ra, phân phối lại và tái tham gia một cách có phản tư vào nhận thức cùng GenAI, định khung AI như một đối tác nhận thức thay vì một thứ thay thế tư duy, và nêu 'sự trôi dạt chuyên môn' như một rủi ro khi việc giảm tải trở nên thiếu phản tư trong vai trò giáo viên và quản trị được AI tăng cường.
Việc giảm tải là việc ra quyết định dựa trên giá trị, và một số sinh viên dễ bị tổn thương hơn những người khác. Seung & Basham (2026), một tổng quan khái niệm trên Learning Disability Quarterly, tổng hợp khoa học nhận thức, giáo dục đặc biệt và công nghệ giáo dục để mô hình hóa việc giảm tải với GenAI như một quyết định chi phí-lợi ích được định hình bởi các mục tiêu hiệu năng, độ khó nhiệm vụ, tự hiệu quả học thuật và nhận thức về công cụ. Họ lập luận rằng sinh viên có khuyết tật học tập (SWLD) đặc biệt dễ bị giảm tải dưới mức tối ưu, vì tải nhận thức cao hơn, các mục tiêu hiệu năng né tránh nỗ lực, tự hiệu quả học thuật thấp hơn, và những kỳ vọng phồng lên đối với GenAI khiến việc ủy thác sớm hoặc quá mức dễ xảy ra hơn. GenAI được định khung như một phương tiện bù đắp hoặc một lối tắt tùy vào cách các quyết định giảm tải tương tác với hồ sơ người học và thiết kế giảng dạy, với hàng rào an toàn trong giảng dạy là yếu tố điều tiết then chốt (dạy tự điều chỉnh siêu nhận thức, xây năng lực AI để hiệu chỉnh niềm tin vào công cụ, sắp xếp các trải nghiệm thành thạo theo trình tự, và đánh giá quá trình chứ không chỉ sản phẩm). Điều này mở rộng chiều công bằng của việc giảm tải: cùng một công cụ làm giảm các rào cản tiếp cận có thể, nếu không có hàng rào an toàn, thay thế chính việc luyện tập mà SWLD cần nhất.
Rủi ro giảm tải mang tính phát triển. Niu và cộng sự (2026) đã khảo sát phạm vi 24 nguồn bằng chứng về GenAI và tư duy sáng tạo của trẻ em và phát hiện sự phụ thuộc quá mức cùng sự phụ thuộc vào prompt nằm trong số các rủi ro lặp lại, mạnh nhất ở các lớp thấp, cùng với tư duy theo khuôn mẫu và khó khăn của trẻ trong việc đánh giá liệu một gợi ý của AI có nguyên bản hay không; một so sánh fMRI ghi nhận mức tham gia thấp hơn của các mạng kiểm soát nhận thức và chú ý trong tương tác giữa trẻ và ChatGPT so với trong hội thoại với con người. Bởi vì trẻ nhỏ hơn thiếu các kỹ năng ngôn ngữ và siêu nhận thức mà việc nhắc bằng văn bản đòi hỏi, các tác giả khuyến nghị giữ năng lực AI, quyền tác giả và việc tạo ý tưởng không có trợ giúp bên trong chính hoạt động, và đo lường sáng tạo độc lập tách rời khỏi đầu ra có AI hỗ trợ. Điều này bổ sung một chiều tuổi cho các mô thức dễ bị tổn thương nêu trên.
Câu hỏi "suy nghĩ ít hơn hay học khác đi" là có điều kiện. Nesnin và cộng sự (2026) đưa ra một tổng quan phân tích rộng hơn kết luận rằng AI không nhất thiết khiến sinh viên suy nghĩ ít hơn mà đang biến đổi cách họ học; kết quả phụ thuộc vào cách sử dụng. AI làm rõ, kiểm chứng và hướng dẫn thì nâng cao việc học; AI thay thế tư duy độc lập thì tạo ra sự phụ thuộc thụ động. Điều này hội tụ với ranh giới "giàn giáo so với thay thế" phổ biến trong cơ sở kiến thức và với cách nhìn có điều kiện về tác hại của việc giảm tải.
Việc giảm tải nhạy cảm với các lớp: độ sâu của việc ủy thác quan trọng, không chỉ việc nó có xảy ra. Chen (2026) giới thiệu một cách lý giải nhạy cảm với các lớp cho viết học thuật: bề mặt (ngữ pháp/từ vựng), cấu trúc (dàn ý/sắp xếp), ý tưởng (luận điểm/nội dung) và lập luận (các chứng cứ pháp lý/phản biện/logic lập luận). Trong một thử nghiệm bán thực nghiệm tám tuần, việc cộng tác mở với AI tạo ra bài viết được hỗ trợ cao nhất nhưng kết quả độc lập không có AI thấp nhất, với các lớp giảm tải sâu hơn mang liên kết âm mạnh nhất với tư duy bậc cao độc lập ở giáo dục đại học (giảm tải lập luận gián tiếp ab = −0.34 so với bề mặt −0.08). Viết tự điều chỉnh làm giảm nhẹ nhưng không xóa bỏ tác hại. Điều này làm sắc nét ranh giới giàn giáo so với thay thế: một số lớp ủy thác làm giàn giáo, trong khi các lớp sâu hơn thay thế nhận thức vốn xây tư duy phản biện.
Một phép thử nhân quả cho dự đoán về giảm tải, với dấu ngược lại: viết cùng ChatGPT tạo ra việc học ít hơn so với viết không có trợ giúp. Wagner-Kobayashi (2026) thực hiện một thực nghiệm giữa các nhóm trong đó 35 sinh viên tâm lý học dành 20 phút triển khai một văn bản đầu vào, với GPT-3.5 chỉ sẵn có cho nhóm thực nghiệm, và làm một bài kiểm tra kiến thức giống hệt trước và sau. Tương tác nhóm × thời gian được giả thuyết là có ý nghĩa (F(70) = 5.889, p = 0.018) nhưng chỉ theo hướng ngược lại: nhóm không ChatGPT học được nhiều hơn (trung bình hậu kiểm 8.29 so với 6.94; b = −1.450), làm sai lệch dự đoán viết để học rằng ChatGPT sẽ khuếch đại sự triển khai ý. Điều bị rò rỉ chính là nỗ lực triển khai ý: người tham gia chỉ tạo ra 2.25 ví dụ và 0.88 liên kết trong đối thoại với công cụ và báo cáo ưu tiên số từ hơn độ sâu, cách đọc thiếu hụt khai thác của các tác giả về một công cụ sẵn có nhưng không được triển khai, phù hợp với việc giảm nỗ lực tinh thần và hành vi sao chép-dán mà trang này ghi nhận ở nơi khác. Khi động lực đi vào mô hình, hiệu ứng nhóm × thời gian sụp đổ (p = 0.280), và động lực cùng mối quan tâm đến chủ đề cao hơn chỉ dự báo mức tăng bên trong nhóm ChatGPT, nên những sinh viên có động lực và quan tâm thấp chính là những người bị công cụ gây bất lợi, một ủng hộ thực nghiệm cho lộ trình động lực dẫn đến sự phụ thuộc quá mức mà trang này ghi nhận. Các tác giả đọc kết quả một cách hẹp (một hiệu ứng nhỏ, vi phạm giả định, dưới áp lực thời gian và không có huấn luyện) và khuyến nghị dạy sinh viên cách triển khai công cụ thay vì cấm nó, điều giữ phát hiện này ở ranh giới giàn giáo so với thay thế thay vì biến nó thành một phán quyết về công cụ.
Phổ đầu hàng - giảm tải - quyền chủ động. Tổng quan nhanh về PreK-12 của Sydney (Arthars và cộng sự 2026, 271 bài báo) định khung việc sử dụng GenAI qua các chiều nhận thức, siêu nhận thức và cảm xúc: đầu hàng (trách nhiệm với công việc liên quan đến học tập chuyển sang GenAI, thường là không hay biết), giảm tải (ủy thác có chủ đích, có thể năng suất, chỉ trở thành việc học nếu được kiểm tra/triển khai thêm), và quyền chủ động (giữ trách nhiệm về nỗ lực và phán đoán). Nó cũng cảnh báo về bất bình đẳng siêu nhận thức: những sinh viên có siêu nhận thức yếu hơn dễ bị giảm tải có hại hơn và ít có khả năng nhận ra điều đó.(Young People, Learning, and Generative AI: A Rapid Literature Review and Implications for PreK-12 Education)
Sự phụ thuộc được điều khiển bởi tự hiệu quả nhiều như bởi năng lực. Sự phụ thuộc AI không đơn thuần là sản phẩm của kỹ năng kỹ thuật: Maizel và cộng sự (2026) cho thấy năng lực AI dựa trên kỹ năng dự báo mức phụ thuộc cao hơn (phù hợp với cách nhìn năng lực-tạo-khả-năng/giảm tải), trong khi tự hiệu quả về AI và tự hiệu quả học thuật đệm lại chống sự phụ thuộc quá mức, cho thấy việc giảm tải được điều khiển bởi các niềm tin tự hiệu quả mang tính động lực nhiều như bởi năng lực.
Việc giảm tải thay đổi ngưỡng để phản hồi, không chỉ năng lực. Marcoccia và cộng sự (2026) cho thấy chỉ việc có quyền tiếp cận lời khuyên của AI gần như xóa bỏ thiện chí nói "tôi không biết" của mọi người, ngay cả khi lời khuyên đó sai, đồng thời gần như nhân đôi sự tự tin và cắt độ chính xác xuống còn một phần ba; các động cơ khuyến khích khôi phục độ chính xác (bằng cách giảm sự phụ thuộc) nhưng không khôi phục việc tạm ngưng phán đoán.
Khoảng cách An toàn như cái giá của việc giảm tải sự vật lộn. Wang & Shan (2026) hình thức hóa sự phân kỳ giữa hiệu năng có AI hỗ trợ của một sinh viên và năng lực không có trợ giúp của họ thành "Khoảng cách An toàn", tức rủi ro tri thức luận khi AI làm công việc nhận thức mà người học không thể tái tạo lại. Kim và cộng sự (2026) và Puech và cộng sự (2025) cho thấy việc thiết kế thất bại sinh lợi (giữ lại câu trả lời, bảo tồn sự vật lộn) là biện pháp đối phó.
Phổ ICAP/SAMR định khung việc giảm tải như một liên tục các chế độ, không phải một nhị phân. Rummel, Nachtigall và Panadero (2026) ánh xạ phép loại suy cỗ máy nhà bếp Thermomix lên việc học với Generative AI trong các khuôn khổ ICAP và SAMR, cho thấy bốn kịch bản tiến từ thay thế thụ động (thuê ngoài hoàn toàn các bài tập, đầu giảm tải, có nguy cơ mất kỹ năng và sáng tạo bị hạn chế) đến tái định nghĩa tương tác (AI như một đối tác đối thoại cung cấp phản hồi thích ứng theo thời gian thực và cùng kiến tạo, đầu tham gia). Điều này định khung lại tác hại của việc giảm tải là có điều kiện theo chế độ sử dụng thay vì theo tần suất đơn thuần, hội tụ với ranh giới "giàn giáo so với thay thế" phổ biến: liệu việc sử dụng AI nằm ở đầu thay thế/Thay thế hay tái định nghĩa/Tái định nghĩa của phổ sẽ quyết định liệu nó thay thế hay hỗ trợ nhận thức vốn xây dựng việc học.

Navas-Romero và cộng sự (2026) báo cáo nhận thức của sinh viên về các nhu cầu nhận thức của tài liệu giảng dạy do GenAI thiết kế trong giáo dục đại học, song song với những tiến bộ của họ về năng lực người học, tách biệt tải mà những tài liệu này áp đặt khỏi các năng lực mà chúng xây dựng.

Gillette và cộng sự (2026) ghi nhận việc giảm tải như trải nghiệm của chính người tham gia chứ không phải một rủi ro lý thuyết: một người nói rằng genAI "ngăn tôi thực sự đọc và tự mình tìm ra điều gì là quan trọng trong văn bản, để phát triển kỹ năng đọc", và một người khác lo "sự phát triển dài hạn, khi tôi trở nên kém hơn ở những kỹ năng mà hiện nay tôi rất mạnh".

Hiệu ứng nằm ở sự phân công lao động, không nằm ở công cụ. Nakamura (2026) lập luận rằng sự không đồng nhất trong các hiệu ứng học tập của GenAI tan biến khi đơn vị phân tích trở thành cách phân chia lao động nhận thức giữa người học và máy. Việc giảm tải tăng cường việc học khi nó thực hiện những thao tác ngoại vi với mục tiêu hiện tại, và có nguy cơ làm xói mòn khi nó bỏ qua việc xử lý vốn cấu thành mục tiêu đó (Nakamura, 2026). Việc thực sự xử lý đầu ra, hoặc tái kiến tạo nó sau đó, là điều cứu một lần giảm tải vốn mang tính cấu thành.

Sự phụ thuộc quá mức: khi việc giảm tải trở nên có hại

Cái thang mà trang này theo dõi có ba bậc, và chỉ hai bậc đầu thuộc về đây. Giảm tải là việc ủy thác công việc tinh thần, điều thường năng suất; phụ thuộc quá mức là việc làm điều đó một cách kinh niên và không được hiệu chỉnh, đó là thất bại hành vi mà phần này ghi nhận; đầu hàng nhận thức là một thất bại khác, trong đó bước đánh giá không bao giờ xảy ra, nên người học chấp nhận câu trả lời của AI mà không có bất kỳ phán đoán nào về chất lượng của nó. Ranh giới hiện ra ở điều mà AI được yêu cầu cung cấp: sự hỗ trợ công cụ của Du và Yuan tạo ra đầu ra, trong khi sự hỗ trợ mang tính phán đoán cung cấp tiêu chuẩn để đánh giá đầu ra, và chính loại thứ hai mới thay thế công việc mà chuyên môn phụ thuộc vào. Tổng quan nhanh của Sydney đưa ra cùng một cách chia ba qua 271 bài báo. Do đó việc đầu hàng có chữ ký thực nghiệm riêng và trang riêng của nó; sự phụ thuộc quá mức vẫn là vấn đề về tần suất và hiệu chỉnh, và hai điều này là những kết quả có thể tách rời trong cùng một nhiệm vụ: trong các phép thử của Shaw và Nave, 73.2% các phép thử có AI trả lời sai kết thúc bằng việc đầu hàng trong khi 19.7% kết thúc bằng việc giảm tải có chiến lược. Một chuẩn đánh giá bên ngoài mọi nghiên cứu đơn lẻ đo cùng thất bại đó và thấy nó phổ biến. ImpactBench chấm điểm mười mô hình trên 48,540 cuộc đối thoại mô phỏng: chỉ số Bất đối xứng Giảm tải Nhận thức của nó đạt trung bình 51.9% và Xâm nhập Nhận thức Liên quan đến Lập kế hoạch 47.1%. Ca giáo dục của nó cho thấy Claude Sonnet 5 giao nộp một luận đề, một dàn ý và một bài luận hoàn chỉnh "sẵn sàng để dán vào" khi một sinh viên mô phỏng thúc ép có một bản nháp hoàn chỉnh, trong khi vẫn từ chối bịa trích dẫn (ImpactBench (2026)). Học tập và Phát triển Kỹ năng là tiểu vùng yếu nhất trong 14 tiểu vùng ở cả hai cực, với 45.9% và 16.3%.

Sự phụ thuộc quá mức là sự phụ thuộc quá mức hoặc không được hiệu chỉnh vào các công cụ AI, trong đó sinh viên ủy thác công việc nhận thức mà họ nên tự làm, dẫn đến việc học bị giảm, quyền chủ động bị suy giảm, và việc phát triển kỹ năng bị thay thế. Đó là biểu hiện hành vi của việc giảm tải nhận thức quá mức: khi việc giảm tải trở thành mặc định thay vì một lựa chọn có chiến lược. Sự phụ thuộc quá mức không đơn thuần là việc dùng AI quá nhiều; đó là việc dùng AI theo những cách thay thế chứ không bổ sung cho các quá trình học tập. Công trình khái niệm thúc giục giữ sự phụ thuộc quá mức mang tính giáo dục này tách biệt khỏi sự gắn bó quan hệ và sự phụ thuộc lâm sàng: Yan (2026) cho thấy niềm tin, sự phụ thuộc, sự phụ thuộc quá mức, sự gắn bó và việc sử dụng có vấn đề thường bị đánh đồng trong văn học về AI hội thoại, và rằng việc ủy thác thường xuyên không nên bị gán nhãn là sự phụ thuộc khi không có sự suy giảm kiểm soát hay tổn hại.

Nghịch lý hiệu quả: các mục tiêu thành thạo sụp đổ thành việc giảm tải "theo mặc định". Yan và cộng sự (2026) xác định những người học đã nêu ra các mục tiêu định hướng thành thạo nhưng lại thực hiện những quá trình giống bề mặt, giảm tải "không phải theo ý định, mà theo mặc định": ba nhóm ý định của họ (Công cụ Thuê ngoài n = 16, Trợ lý Học tập n = 31, Đối tác Nhận thức n = 8) cho thấy trường hợp phổ biến nhất không phải là gian lận có chủ đích cũng không phải học tập có chủ đích. Sinh viên nhóm Thuê ngoài nhận ra sự buông bỏ của chính mình (việc sao chép-dán từng đoạn được mô tả là "nó hoàn toàn thay thế bộ não của tôi") và báo cáo quên nhanh, và cả 38 người được phỏng vấn đều báo cáo sự tự tin thấp trong việc sử dụng GenAI hiệu quả, bằng chứng rằng sự phụ thuộc quá mức có thể được thúc đẩy bởi các điều kiện tiền đề bị thiếu (năng lực AI, năng lực nhắc, hướng dẫn đặc thù nhiệm vụ) chứ không phải bởi động lực né tránh công việc.
Lập trình tác tử giảm tải sự hiểu trên thực địa: Tanaka và cộng sự (2026) báo cáo rằng sinh viên đại học dùng tác tử AI trong một khóa học dự án phần mềm đã viết nhiều mã hơn qua từng năm nhưng cho thấy sự sụt giảm về hiểu biết khi sử dụng nhiều, có thể phục hồi được qua việc giảng viên kiểm chứng trực tiếp từng một mã do AI tạo ra.
Thay thế việc học: nghiên cứu về các tác động nhận thức của AI ghi nhận cách việc sẵn có AI làm giảm việc xử lý đòi hỏi nỗ lực, "hiệu ứng Google mở rộng sang lập luận". Stamatoulis và cộng sự (2026) cô lập điều này như một mô thức sử dụng riêng biệt: việc tiếp nhận ít kiểm chứng (chấp nhận đầu ra của AI mà không phê phán) dự báo hiệu năng học tập tệ hơn, trong khi tích hợp đánh giá (dùng AI để hỗ trợ sự hiểu) dự báo hiệu năng tốt hơn, và chỉ tần suất sử dụng thì không dự báo cả hai. Do đó sự phụ thuộc quá mức là một chế độ sử dụng có thể tách rời khỏi việc sinh viên dùng AI bao nhiêu.
Vấn đề quyền chủ động: sứ mệnh chưa hoàn thành của AIED định khung sự phụ thuộc quá mức như một cuộc khủng hoảng về quyền chủ động và động lực: sinh viên bỏ qua việc học không phải vì AI hấp dẫn, mà vì các nhiệm vụ học tập cảm thấy vô nghĩa khi AI có thể hoàn thành chúng một cách dễ dàng.
Xói mòn động lực: nghiên cứu về động lực của sinh viên phát hiện rằng việc biết AI sẵn có làm giảm giá trị được nhận thức của việc tự học kỹ năng, một phép tính động lực đặc biệt ảnh hưởng đến những người học mới.
Sự bền bỉ cũng bị xói mòn, và nhanh. Sau khoảng mười phút với một trợ lý trả lời theo yêu cầu, người tham gia bỏ qua 0.20 số bài toán không có trợ giúp so với 0.11 ở nhóm đối chứng và giải được 0.57 so với 0.73, tái lặp trong đọc hiểu (Liu và cộng sự, 2026).
Những tiến bộ bài tập về nhà được hỗ trợ đã không sống sót qua một kỳ thi không có trợ giúp. Việc phân bố ngẫu nhiên 153 sinh viên khóa chứng minh sang việc tiếp cận AI sớm hơn đã nâng điểm bài tập về nhà lên 2.56 điểm và để Giữa kỳ 2 không khác biệt so với không, trong khi một công cụ phản hồi kiểu thử-trước không bị phạt và một chatbot mở đi kèm mức thấp hơn 3.02 điểm cho mỗi 100 tin nhắn (Chen và cộng sự (2026)).
Một bài nộp không phải là bằng chứng về điều gì đã bị giảm tải. Qua 59 nhật ký trò chuyện từ 23 sinh viên đại số tuyến tính, 27 trong số 30 nhật ký được dẫn dắt bằng việc giải thích hoặc kiểm tra vẫn kết thúc gần với sản phẩm của mô hình, nên việc giảm tải phải được đọc theo từng prompt (Kontorovich & Wallach (2026)).
Món nợ năng lực: món nợ năng lực tác tử mô tả sự thiếu hụt kỹ năng tích lũy phát triển khi sinh viên phụ thuộc theo thói quen vào AI thay vì phát triển các năng lực của chính mình, tương tự món nợ kỹ thuật trong phần mềm.
Các chu kỳ mệt mỏi: nghiên cứu về mệt mỏi do AI xác định một nghịch lý trong đó sự phụ thuộc quá mức dẫn đến mệt mỏi nhận thức do việc quản lý tương tác AI liên tục, điều này lại thúc đẩy sự phụ thuộc NHIỀU HƠN, một vòng luẩn quẩn.
Quy tắc về vị trí: Cái bẫy Dễ dàng định khung lại câu hỏi cho phép hay cấm thành một câu hỏi về vị trí: một trợ lý AI không có hàng rào an toàn để học sinh trung học kém hơn khoảng 17% trong một kỳ thi không có trợ giúp, trong khi cùng mô hình đó được xây lại để giữ lại câu trả lời đã xóa bỏ tác hại. Chẩn đoán của nó, "nếu để AI vào làm nhiệm vụ cảm thấy dễ dàng, thì nó đang ở sai chỗ", giữ cho lần thử khó đầu tiên và lần kiểm tra cuối cùng không có trợ giúp trở thành những thời điểm mà sự phụ thuộc quá mức dễ ẩn mình nhất dưới dạng một "ảo tưởng về việc học".
Bảo tồn siêu nhận thức: Mô hình Tương hỗ Tổng hợp-Phân tích đề xuất các công cụ bảo tồn quyền chủ động tri thức luận của con người bằng cách cấu trúc tương tác AI quanh các chu kỳ phân tích của con người thay vì các chu kỳ tạo sinh của AI.
Cơ chế siêu nhận thức của việc sử dụng quá mức: khuôn khổ niềm tin so với trải nghiệm giải thích vì sao sinh viên giảm tải quá mức ngay cả khi điều đó làm hại họ: con người giảm tải một cách bốc đồng, và các niềm tin siêu nhận thức có sẵn neo hành vi nhanh hơn mức các trải nghiệm nhiệm vụ có thể sửa chữa, nên phương thuốc cho sự phụ thuộc quá mức là siêu nhận thức, không chỉ là hạn chế.
Sự phụ thuộc quá mức có thể được huấn luyện thông qua việc huấn luyện hiệu chỉnh: Ngai & Gilbert (2026) cho thấy thiên lệch nhắc nhở, tương đương trong phòng thí nghiệm của sự phụ thuộc quá mức, có thể được giảm bằng một can thiệp siêu nhận thức ngắn (năm lượt luyện tập ghép một dự đoán với phản hồi), sửa việc hiệu chỉnh theo cả hai hướng. Điều này ngụ ý rằng phương thuốc cho sự phụ thuộc quá mức không chỉ là những quy tắc hạn chế mà là việc huấn luyện hiệu chỉnh giúp sinh viên chính xác về điều họ thực sự có thể làm mà không có trợ giúp.
Bằng chứng thực địa: AI huấn luyện so với AI trả lời. NUMI (Oreopoulos và cộng sự 2026) phát hiện rằng sự hỗ trợ AI huấn luyện thay vì đưa ra câu trả lời làm sinh viên chậm lại nhưng giảm việc né tránh nỗ lực, cải thiện độ đúng của lần thử tiếp theo sau các sai lầm với nhiều thời gian hơn cho mỗi câu hỏi (một "sự chậm lại năng suất"), trong khi Khanmigo (Oreopoulos & Low 2026) cho thấy rằng nếu không có cấu trúc làm cho các sai lầm trở nên hệ trọng, sinh viên mặc định dùng nông (câu trả lời trần, nhấp prompt) và các tiến bộ chỉ tương đương việc luyện tập không có AI. Cả hai đều xác nhận rằng tác hại của việc giảm tải phụ thuộc vào cách AI được sử dụng và thiết kế, không chỉ vào việc có quyền tiếp cận. CoMeT (Hou và cộng sự 2026) cung cấp chiều thiết kế mà ranh giới đó để ngỏ: một gia sư có thể mang nhiều lao động hơn mà không mua thêm sự ủy thác. Cái thang của nó leo lên một bậc mỗi khi một người học không dùng sự hỗ trợ của nó và hạ xuống bậc nhẹ nhất khi người học tiếp nhận, giữ cho nhu cầu siêu nhận thức tương đương về mặt thống kê với một gia sư giữ lại câu trả lời theo thiết kế (p_TOST = 0.004) trong khi một sản phẩm đến được không gian làm việc trong 48.1% số phiên so với 23.7% dưới gia sư giữ lại đó, và người học yêu cầu nó xây trong 50.4% số phiên so với 51.1% dưới một gia sư trả lời theo yêu cầu không hạn chế (OR = 0.95, p = 0.82). Việc ủy thác đi theo nhu cầu mà gia sư đặt lên người học chứ không theo khối lượng công việc mà nó tiếp quản.
Bằng chứng thực địa quy mô lớn: "hình phạt học tập của Generative AI". Strömberg, Lei, & Wu (2026), theo dõi 26,811 học sinh trung học Trung Quốc trong 30 tháng, phát hiện rằng việc tự định hướng áp dụng AI sinh tạo đã nâng điểm bài tập về nhà lên 18% và cắt thời gian làm bài tập 30% trong khi làm giảm điểm kỳ thi đóng sách 20% trong vòng sáu tháng và điểm thi đầu vào 18-24% sau hai năm, tập trung ở khoảng 81% người dùng có hành vi cho thấy việc thuê ngoài bài tập về nhà (thời gian hoàn thành ngắn cộng điểm bài tập bị phồng lên). Đây là bằng chứng quy mô lớn trực tiếp rằng việc giảm tải không có hàng rào an toàn (dùng AI như một thứ thay thế bài tập về nhà thay vì một gia sư) tạo ra hình phạt học tập mà lý thuyết giảm tải nhận thức dự đoán, thường không được chính sinh viên nhận ra.
Sự phụ thuộc quá mức làm xói mòn việc học tự định hướng qua động lực và tự hiệu quả. Zhao & Gu (2026) mô hình hóa cơ chế một cách trực tiếp: qua 487 sinh viên đại học Trung Quốc, việc sử dụng GenAI thiếu suy nghĩ (TUGA), tức tiếp nhận đầu ra của AI mà không đánh giá phản biện, làm suy yếu đáng kể việc học tự định hướng (β = −0.42) cả trực tiếp lẫn qua trung gian một phần của động lực (β = −0.54 cho đường từ TUGA) và tự hiệu quả (β = −0.37). Mô hình giải thích 75.3% phương sai của SDL. Bởi vì động lực là động lực tích cực mạnh nhất của SDL (β = 0.68), và việc sử dụng thiếu suy nghĩ đè nén nó, đây là bằng chứng định lượng rằng sự phụ thuộc quá mức làm tổn hại các nguồn lực động lực và tự hiệu quả mà việc học tự chủ phụ thuộc vào, với những khác biệt giới tính (tổn hại về động lực mạnh hơn ở nam, tổn hại về tự hiệu quả mạnh hơn ở nữ).
Xu hướng giảm tải dự báo các kết quả bậc cao thấp hơn, và năng lực kiểm chứng cần siêu nhận thức để phát huy tác dụng. Davor, Larbi và Boateng (2026) khảo sát 533 sinh viên đại học ở Ghana và mô hình hóa xu hướng giảm tải, giàn giáo nhiệm vụ AI và năng lực kiểm chứng AI đối với các kết quả bậc cao thông qua tự điều chỉnh siêu nhận thức. Xu hướng giảm tải là yếu tố dự báo âm mạnh nhất của tư duy phản biện (−0.240) và giải quyết vấn đề kỹ thuật (−0.312) và cũng làm giảm tự điều chỉnh siêu nhận thức (−0.294), trong khi giàn giáo dự báo tích cực cho cả hai kết quả (0.185 và 0.170). Năng lực kiểm chứng không có tác động trực tiếp có ý nghĩa lên cả hai kết quả và chỉ phát huy tác dụng qua tự điều chỉnh siêu nhận thức, một mô thức trung gian hóa đầy đủ mà các tác giả gọi là cơ chế kích hoạt siêu nhận thức: dạy sinh viên kiểm tra đầu ra của AI tự nó là chưa đủ, vì thói quen đánh giá chỉ phát huy tác dụng khi nó được nhúng vào việc lập kế hoạch, theo dõi và phản tư trong nhiệm vụ.
Sự phụ thuộc vận hành như một điều kiện biên đối với lợi ích của việc sử dụng. Shojaei và cộng sự (2026) khảo sát 412 sinh viên đại học ngành kinh doanh ở Oman và phân tách mối liên hệ giữa việc sử dụng GenAI và khuynh hướng tư duy phản biện tự báo cáo: tương quan bậc không gần bằng không (r = 0.050) trong khi hệ số điều chỉnh là dương (0.185), bởi vì một đường gián tiếp âm qua sự phụ thuộc (−0.147) đã bù lại. Sự phụ thuộc có liên hệ âm với cả khuynh hướng (−0.389) lẫn khả năng được tuyển dụng tự nhận thức (−0.328) và làm yếu cả hai liên kết từ sử dụng đến kết quả, và các độ dốc đơn giản giảm từ 0.424 ở mức phụ thuộc thấp xuống −0.054 ở mức phụ thuộc cao, tức là suy giảm chứ không phải đảo chiều. Cách đọc này giữ phát hiện ở phía chế độ sử dụng của ranh giới: sự phụ thuộc đánh dấu chỗ việc sử dụng chuyển từ tăng cường sang thay thế, và tần suất đơn thuần che lấp những lộ trình đối nghịch.
Sự phụ thuộc quá mức vào AI như một hệ thích ứng phức hợp. Thay vì nghiên cứu sự phụ thuộc quá mức từng người dùng một, một bài báo mô hình hóa định khung nó như một quá trình ở cấp dân số, trong đó các tác tử cập nhật niềm tin Bayes về chất lượng AI và, khi được nối mạng, học từ đồng đẳng. Sự chứng thực xã hội có thể biến sự phụ thuộc thành một thác phản hồi (việc sử dụng không kiểm chứng được thấy rõ sẽ đè nén việc kiểm chứng), trong khi việc học xã hội tạo ra đồng thuận chứ không tạo ra sự phụ thuộc quá mức, một cách định khung chuyển mục tiêu can thiệp từ việc hiệu chỉnh cá nhân sang các động lực mạng của niềm tin và sự phụ thuộc.
Sáu tiêu chí chẩn đoán phân tách sự phụ thuộc năng suất khỏi sự phụ thuộc có hại. Du & Yuan (2026) đưa cho sự phụ thuộc quá mức một từ vựng chẩn đoán chi tiết hơn tần suất sử dụng, phân biệt sự hỗ trợ công cụ (AI giúp tạo ra đầu ra) với sự hỗ trợ mang tính phán đoán (AI cung cấp các tiêu chuẩn để đánh giá đầu ra). Tổng quan của họ vận hành hóa ranh giới năng suất/có hại qua sáu tiêu chí - khả năng tranh biện, khả năng khôi phục, khả năng chuyển giao, khả năng truy vết, trách nhiệm phân tán, và tính đa nguyên tri thức luận - và lần theo bốn lộ trình xã hội-kỹ thuật (uy quyền trôi chảy, ủy thác không ma sát, tổng hợp mờ đục, sự phụ thuộc được thể chế hóa) mà qua đó việc giảm tải hoặc bảo tồn hoặc thay thế công việc tri thức luận vốn phát triển phán đoán. Bởi vì sự phụ thuộc mang tính bối cảnh và thể chế chứ không chỉ cá nhân, khuôn khổ này hướng sự chú ý đến các động cơ đánh giá, thiết kế giao diện và mua sắm song song với việc tự điều chỉnh của người học.
Hậu quả chưa được đo: sự rửa trôi nhận thức. Yajee (2026) gọi câu hỏi mở lớn nhất của lĩnh vực là hậu-rút-hỗ-trợ: gần như toàn bộ nghiên cứu về giảm tải đo nhận thức trong khi sử dụng AI, nhưng gần như không có gì đo điều xảy ra sau khi một trợ lý bị rút đi trong nhiều ngày hoặc nhiều tuần (một kỳ thi, một sự cố ngừng dịch vụ, một lần rà soát giấy phép). Nó hình thức hóa sự rửa trôi nhận thức bằng một Mô hình Đường cong Rửa trôi: các tham số có thể ước lượng cho hằng số thời gian phục hồi, mức độ đầy đủ của phục hồi, mức tăng dư, và một chỉ số trễ so sánh việc học lại với nỗ lực ban đầu; cùng bốn kết quả khả dĩ (phục hồi đàn hồi, cao nguyên một phần, giàn giáo tiềm ẩn, phục hồi quá mức). Bởi vì tính khả nghịch quyết định liệu một sự thiếu hụt được tạo ra là một bất tiện hay một tổn thương ở cấp nhóm người học, bài báo lập luận rằng việc rút hỗ trợ xứng đáng có cùng vị thế phương pháp luận như việc áp dụng, và nêu rõ một quy trình ba nhánh, ba miền, hai mươi hai tuần để phân xử giữa các kết quả. Điều này biến các sự phân biệt "huấn luyện viên so với nạng chống" và thay thế-so với-sao chép ở trên thành một chương trình nghiên cứu dọc có thể kiểm chứng về việc liệu và nhanh đến đâu các kỹ năng đã bị giảm tải sẽ quay trở lại.
Sự phụ thuộc không có kiến thức miền sẽ thoái hóa thành đoán mò. Mikhasenko và cộng sự (2026), khi thiết kế lại khóa học nhập môn vật lý hạt nhân và hạt cơ bản tại Đại học Ruhr Bochum, mô tả một chế độ thất bại của sự phụ thuộc khi không có kiến thức miền: khi một sinh viên không thể đánh giá liệu một câu trả lời được tạo ra có vững về mặt vật lý hay không, "cuộc trò chuyện với AI" dự định ban đầu thoái hóa thành việc đoán mò trước một đầu ra trông có lý nhưng không đáng tin. Khảo sát giữa học kỳ của cùng khóa học đó (n=30) phát hiện việc sử dụng LLM thường xuyên (24 trong 29 người dùng thường xuyên hoặc luôn luôn) song song với mức sẵn sàng tự báo cáo thấp đối với sự thành thạo máy tính mà các bài tập đòi hỏi, và các câu trả lời mở nêu sự phụ thuộc AI và việc tiếp cận không bình đẳng với các mô hình trả phí trong số các điểm ma sát.
Phản lập luận của Đạo giáo: việc giảm tải không chỉ không thực tế mà còn tự đánh bại chính mình. Xie (2026) cung cấp một phản lập luận quy phạm, chống ủy thác từ truyền thống tự tu dưỡng Đạo giáo: trong thực hành Nội đan (內丹) "không có lối tắt nhận thức", và người tu hành không thể thuê ngoài công việc cho các thiết bị bên ngoài, nên AI nên là "không phải một thứ thay thế nhận thức mà một phụ trợ công cụ", giống như một lò luyện đan, một cách định khung thẳng hàng với ranh giới "huấn luyện viên so với nạng chống" ở trên chứ không thẳng hàng với việc giảm tải thay thế.

Việc giảm tải có thể làm mất cái tôi, không chỉ mất kỹ năng. de Barba (2026) gọi phần cái tôi miền học thuật của người học mà các năng lực của nó nằm trong một công cụ được AI hỗ trợ và chỉ sẵn có theo các điều khoản của nhà cung cấp là cái tôi đi thuê, và tách hai loại chi phí. Một chi phí hiệu chỉnh là một vị trí bị đánh giá sai (tự nhận thấp hơn một năng lực mình có, hoặc tự nhận cao hơn một năng lực mà công cụ có), trong khi một chi phí cái tôi xuất hiện mỗi khi một năng lực cốt lõi bị thuê, ngay cả khi có ý thức, bởi vì những thao tác xây dựng cái tôi không bao giờ được thực hiện. Bốn cấu hình của bà bắt chéo vị trí với quy gán: năng lực sở hữu, năng lực chưa được nhận, thuê hiển thị và thuê ẩn, trong đó loại cuối là loại xóa bỏ tín hiệu thúc đẩy người học xây dựng điều mà họ tin là mình đã có.

Một đồng thuận của 30 chuyên gia đặt tổn thương ở cả hai đầu của trình tự học. Một bài tập Delphi được đăng ký trước trên 65 quá trình học tập phát hiện việc tiếp nhận dễ bị tổn thương (Mã hóa 3.30, Truy hồi 3.30, Tiếp nhận Thông tin 3.00 trên thang gián đoạn 1-5), việc củng cố được tăng cường (Học từ Phản hồi 4.00, Học từ Ví dụ 3.90, Tự Kiểm tra 3.80), và tư duy bậc cao lại dễ bị tổn thương (Kendeou, Greene & Nixon và cộng sự, 2026). Mười trong mười tám quá trình bậc cao chỉ đạt đồng thuận về tính dễ bị tổn thương, với điểm tăng cường dưới ngưỡng.

Khuôn khổ CLT

Quyền tiếp cận phản hồi của AI không phải là cùng một cách xử lý với việc tham gia vào nó, và các thước đo tải tách rời nhau. Wenzel, Geiger và Liening (2026) thực hiện một nghiên cứu thực địa dọc năm tuần trong một trò chơi mô phỏng kinh doanh (234 sinh viên, 1,147 quan sát hằng tuần) và tách việc được giao khỏi việc được nhận. Chỉ việc cung cấp quyền tiếp cận phản hồi của AI hội thoại không làm thay đổi tải ngoại lai (β = 0.071, p = 0.481) cũng không làm thay đổi tải có ích (β = 0.019, p = 0.807). Nhưng những sinh viên sử dụng nó thường xuyên báo cáo tải có ích cao hơn một cách có ý nghĩa so với những người không dùng trong nhóm thực nghiệm (β = −0.468, p < 0.001) và so với nhóm đối chứng (β = −0.253, p = 0.028), trong khi tải ngoại lai không bao giờ được giảm bởi quyền tiếp cận hay bởi việc sử dụng (F(1, 219) = 0.499; theo mức sử dụng F(3, 214) = 0.172). Đó là mô thức thú vị về mặt lý thuyết và là điều ngược lại với tuyên bố thông thường: can thiệp khiến người học làm việc vất vả hơn với tài liệu mà không làm cho môi trường dễ hơn. Tải nội tại điều khiển tải ngoại lai (β = 0.647, p < 0.001) và tự điều chỉnh siêu nhận thức điều khiển tải có ích (β = 0.363, p < 0.001), với tải ngoại lai có liên hệ âm với tải có ích (β = −0.178, p < 0.001) đúng như CLT quy định. Cả hai loại tải cũng giảm dần qua năm tuần (ngoại lai β = −0.388, p < 0.001), một hiệu ứng tính mới hiện ra trên một thước đo nhận thức chứ không phải một thước đo tham gia.

Lý thuyết tải nhận thức (Sweller) cung cấp một lăng kính lý thuyết còn gây tranh cãi về trí nhớ làm việc và giảng dạy: tải nội tại (độ phức tạp của nhiệm vụ), tải ngoại lai (ma sát trong trình bày), và tải có ích (nỗ lực xây dựng lược đồ). AI được thiết kế tốt nên giảm tải ngoại lai trong khi bảo tồn việc xử lý có ích; AI được tích hợp kém làm giảm cả ba, để lại cho sinh viên những nhiệm vụ đã hoàn thành và việc học trống rỗng. Lưu ý rằng các tuyên bố của lý thuyết này còn gây tranh cãi trong văn học rộng hơn, nhưng cách định khung của nó vẫn có ảnh hưởng trong cách các hiệu ứng giảm tải được thảo luận.

Những hệ trọng ở cấp nghề nghiệp của việc giảm tải. Khuôn khổ Cognitive Commons (Lovett 2026) mở rộng việc giảm tải từ cấp cá nhân lên cấp tập thể: khi AI cho phép những người lao động mới vào nghề bỏ qua sự vật lộn nhận thức vốn xây dựng chuyên môn sâu, nó có thể làm cạn kiệt kho chuyên môn chung của một nghề theo thời gian; "Dây ràng buộc Kiểm chứng" nghĩa là việc giám sát AI hiệu quả phụ thuộc vào chính sự thành thạo mà việc áp dụng AI có thể làm xói mòn. Điều này định khung lại việc giảm tải và sự phân rã kỹ năng ở cấp cá nhân thành một vấn đề tái sinh ở cấp hệ thống với những hệ quả về quản trị.

Kết nối với các khái niệm liên quan

Việc giảm tải nhận thức (và hình thức có hại của nó, sự phụ thuộc quá mức) kết nối căn bản với hiệu chỉnh niềm tin (biết khi nào nên tin và khi nào nên chất vấn AI) và với năng lực AI, bao gồm kỹ năng siêu nhận thức là biết khi nào nên giảm tải và nhận ra các mô thức phụ thuộc của chính mình. Nó kết nối với giàn giáo (hỗ trợ có cấu trúc làm giảm tải mà không loại bỏ nhu cầu nhận thức) và kỹ thuật prompt (cơ chế chính mà qua đó việc giảm tải được thực thi trong các tương tác với LLM). Nó giao cắt với siêu nhận thức và học tập tự điều chỉnh (những người học hiệu quả hiệu chỉnh các quyết định giảm tải của mình) và với tư duy phản biện, quyền chủ động, và trải nghiệm của sinh viên. Dạy và học trực tuyến là một bối cảnh đặc biệt dễ bị tổn thương: phương tiện này vốn đã làm người học xa cách khỏi trách nhiệm giải trình tức thời, và công việc tự điều nhịp, dựa trên màn hình mời gọi lối tắt "hỏi để lấy câu trả lời" mà nghiên cứu về giảm tải xác định là cơ chế tác hại cốt lõi (xem lạm dụng AI và tổn hại cho học tập).

Không phải mọi ma sát bị giảm tải đều là ma sát dư thừa. Zohar, Bloom và Inzlicht (2026) nêu ra sự phân biệt mà văn học về giảm tải cần: các công nghệ AI trước đây loại bỏ ma sát dư thừa (những chướng ngại tẻ nhạt hoặc không thể vượt qua với ít giá trị học tập hay ý nghĩa), trong khi AI sinh tạo trong công việc trí tuệ cũng bóc đi ma sát có lợi, để người học đi từ khởi tạo ý tưởng đến đánh giá mà không chất vấn đầu ra. Họ nêu bằng chứng liên tưởng một cách thẳng thắn: những người dùng AI gặp khó khăn trong việc nhớ lại hoặc tái tạo chính xác công việc của mình, tiếp thu ít kỹ năng hơn, cho thấy ít chuyển giao hơn, và hoạt động kém hơn khi sự hỗ trợ của AI bị rút đi, hội tụ với các phát hiện về món nợ nhận thức từ các nghiên cứu EEG về viết luận với một trợ lý AI. Lập luận của họ cũng cung cấp nửa động lực của cơ chế mà các cách lý giải thuần nhận thức bỏ sót: bởi vì nỗ lực báo hiệu rằng hành động của chúng ta có ý nghĩa, việc giảm tải nó làm giảm mục đích và ý nghĩa được đánh giá, và khi AI thay thế nỗ lực trong một miền thì phần thưởng động lực của nỗ lực ở miền đó bị xói mòn, làm sâu thêm sự phụ thuộc. Biện pháp sửa của bài báo là một gradient chứ không phải một lệnh cấm: bảo tồn sự vật lộn vừa phải, loại bỏ điều chỉ làm choáng ngợp (khó khăn mong muốn, động lực).

Tín hiệu thiếu tham gia xuất hiện theo hướng phát triển. Một so sánh hình ảnh thần kinh đầu tiên giữa trẻ em và người lớn nói chuyện với ChatGPT phát hiện trẻ 6-7 tuổi cho thấy kết nối trong mạng yếu hơn người lớn ở các mạng kiểm soát trán-đỉnh, mạng nổi bật và mạng chú ý lưng, ở mức điểm sáng tạo tương đương, và thiếu sự ghép nối sáng tạo-kết nối mà người lớn thể hiện. Bởi vì các chức năng điều hành đó (lập kế hoạch, theo dõi, ức chế) còn non ở lớp một, các tác giả đọc kết quả là có liên quan đến cuộc tranh luận về độ tuổi tối thiểu. Lưu ý: không có nhóm đối chứng không ChatGPT, n = 31, và một yếu tố gây nhiễu trong cách định khung có thể đã đè nén việc đánh giá phản biện của trẻ (Horowitz-Kraus và cộng sự (2026)).
Giảm tải phụ thuộc so với giảm tải tự chủ: sự phân biệt quyết định kết quả: Fan, Li và Zhang (2026) tổ chức bằng chứng về GenAI quanh một phiên bản sắc nét hơn của ranh giới này, dựa trên một nghiên cứu ba đợt với 589 sinh viên và những người lao động tri thức giai đoạn đầu sự nghiệp: việc giảm tải phụ thuộc ủy thác tư duy cốt lõi cho công cụ và có liên hệ với quyền chủ động bị chuyển giao, động lực nội tại thấp hơn và các kết quả nhận thức được nhận thức kém hơn, trong khi việc giảm tải tự chủ giữ quyền chủ động tri thức luận ở người học và cho thấy mô thức ngược lại. Phát hiện quan trọng nhất cho việc phát hiện là các lợi ích hiệu năng tức thời không khác nhau giữa hai chế độ, nên một người học giải quyết nhiệm vụ một cách trôi chảy trong bất kỳ ngày nào không cho tín hiệu nào về việc họ đang ở chế độ nào. Cùng tổng quan đó ghi nhận sự chia rẽ rộng hơn trong bằng chứng: một phân tích tổng hợp ba cấp cho thấy lợi ích tổng thể mức trung bình (g = 0.499; g = 0.669 cho sự hiểu, nhận thức và sáng tạo) đối lập với những liên hệ giữa sự phụ thuộc, mệt mỏi và tư duy phản biện yếu hơn, và lần theo việc sử dụng thích nghi kém đến sự tự điều chỉnh bị ngoại hóa chứ không đến chứng nghiện công nghệ.
Ba lộ trình tương tác, không phải một hành vi. Mô hình Tương tác Thần kinh mềm dẻo-AI (NAIM) tách việc bỏ qua trực tiếp, nơi mô hình cung cấp giải pháp và nỗ lực tạo sinh biến mất; việc giảm tải nhận thức, nơi các tiểu quá trình cụ thể bị ủy thác và hiệu ứng phụ thuộc vào việc các tiểu quá trình đó có phải là mục tiêu học tập hay không; và việc làm giàn giáo, nơi mô hình giới hạn sự hỗ trợ để bảo tồn việc xử lý đòi hỏi nỗ lực (Bypass, Offload, or Scaffold: A Conceptual Model of How Large Language Models Shape Learning)

Hai nghiên cứu có đối chứng trong đợt gần đây xác định rõ hai nửa của tuyên bố này: liệu hành vi có dịch chuyển, và nó đang bảo vệ điều gì. Maier và cộng sự (2026) làm cho hậu quả học tập của việc giảm tải hiện ra trước mỗi lựa chọn trong một thực nghiệm được đăng ký trước với 704 người tham gia luyện tập số học phân số: tỷ lệ cược giảm tải một câu trả lời giảm xuống OR = 0.47 và tỷ lệ cược trả lời đúng một câu kiểm tra không có trợ giúp sau đó tăng lên OR = 1.51, trong khi một phần thưởng dựa trên nỗ lực không làm thay đổi kết quả nào. Việc giảm tải cộng dồn trong phiên: sau khi giảm tải một mục, người tham gia giảm tải mục tiếp theo trong 69.7% trường hợp khi không có phản hồi và 55.9% khi có phản hồi, và việc tăng mười điểm phần trăm trong giảm tải có liên hệ với tỷ lệ cược thành công không có trợ giúp thấp hơn 32% (OR = 0.68). Bergh và cộng sự (2026) cung cấp phần bổ sung về phía kết quả: 55 sinh viên đại học khoa học máy tính lập trình với ChatGPT đạt 89% so với 69% khi không có nó, nhớ ít hơn về cùng tài liệu ngay lập tức (41% so với 53%) và sau 48 giờ (39% so với 52%), và chỉ quy 45% mã đã nộp cho chính mình so với 81%. Đọc cùng nhau, nghiên cứu về phản hồi cho thấy hành vi có thể được dịch chuyển mà không hạn chế quyền tiếp cận công cụ, và nghiên cứu về lập trình cho thấy hành vi được dịch chuyển đó đang bảo vệ điều gì.. Mô hình được hiệu chỉnh dựa trên bằng chứng thực địa mạnh nhất sẵn có: quyền truy cập GPT-4 không hạn chế trong một nghiên cứu với gần 1,000 học sinh trung học toán đã nâng hiệu năng luyện tập lên 48% nhưng vẫn để lại mức thiếu hụt 17% trong kỳ thi không có trợ giúp, trong khi GPT Tutor bị giới hạn bởi gợi ý tạo ra mức tăng luyện tập 127% với mức thiếu hụt trong kỳ thi phần lớn được xóa bỏ. Do đó việc giảm tải chỉ có hại trong cấu hình bỏ qua, và biến thiết kế tác nghiệp là liệu mô hình có thay thế kỹ năng mục tiêu được chấm điểm hay không. (Bypass, Offload, or Scaffold: A Conceptual Model of How Large Language Models Shape Learning) Cùng logic đó biến việc định hình phần thưởng thành một công cụ thiết kế: Macina và cộng sự (2026) huấn luyện các gia sư LLM bằng một bài kiểm tra hậu chuyển giao gần bị che và hai cổng nhị phân, nên phần thưởng chỉ có thể tăng qua điều mà sinh viên viết trong các lượt của chính mình, và phần cắt bỏ của họ cho thấy chính các cổng, chứ không phải phần thưởng thô về mức tăng học tập, là thứ làm giảm việc giao nộp lời giải.

Những hiểu lầm phổ biến

"Khối lượng prompt đo được mức giảm tải." 97 người học được phân nhóm theo khối lượng prompt, và các nhóm khối lượng không khác nhau có ý nghĩa về việc nhắc cục bộ so với toàn cục hay nhắc theo vai trò chủ động. Đếm prompt là đếm hoạt động, không phải đếm cách phân phối công việc nhận thức.
"Sinh viên dùng AI chủ yếu để hiểu bài." Phân tích (Analyze) đứng đầu phân bố ở 27.28% (831 tin nhắn), trên Hiểu (Understand) ở 23.76%, bằng chứng chi tiết đầu tiên cho thấy tương tác giữa sinh viên và AI trong điều kiện tự nhiên nghiêng về phân tích chứ không hướng đến sự hiểu.
"Dấu vết prompt cho biết việc giảm tải có xảy ra hay không." Điều mà dấu vết ở cấp prompt không thể cung cấp đến từ một mẫu con 16 sinh viên có điểm số liên kết, với 1,140 tin nhắn được mã hóa thủ công: 49.6% trong 125 cuộc đối thoại không cho thấy việc giảm tải nào cả. Các mô thức dấu vết đánh giá cao mức giảm tải so với đối thoại được mã hóa thủ công.

Khái niệm liên quan

Pedagogical Patterns - Rủi ro mà mọi trình tự ưu tiên nỗ lực được thiết kế để tránh
Learners - Người học: trang ôm trùm cho các khái niệm phía người học
Năng lực AI (AI Literacy) - Biết khi nào nên giảm tải và nhận ra các mô thức phụ thuộc
Learner Agency - Bị suy giảm khi AI thay thế nhận thức của người học
Critical Thinking - Bị làm suy giảm bởi việc giảm tải không được hiệu chỉnh
Creativity - Bị xói mòn khi AI thay thế hành vi tạo sinh của người học
Distributed Cognition - Sự đánh đổi giữa hiệu quả và điều tiết của việc ủy thác
Embodied Learning - Nhận thức định cảnh như lựa chọn thay thế cho việc thuê ngoài
Generative AI - Bối cảnh công cụ của việc giảm tải qua trung gian AI
Metacognition - Hiệu chỉnh khi nào nên giảm tải so với khi nào nên tham gia
Online Teaching and Learning - Một phương tiện dễ bị tổn thương trước lối tắt "hỏi để lấy câu trả lời"
Prompt Engineering - Cơ chế chính của việc giảm tải trong việc sử dụng LLM
Scaffolding - Giảm tải mà không loại bỏ nhu cầu nhận thức
Self-Directed Learning - Bị xói mòn bởi việc sử dụng AI thiếu suy nghĩ
Self-Regulated Learning - Điều tiết các quyết định giảm tải
Trust Calibration - Biết khi nào nên tin và khi nào nên chất vấn AI
Retrieval, Spacing and Interleaving - Thực hành đối trọng với việc để một mô hình truy hồi thay người học
Đầu hàng nhận thức

FAQ liên quan

Tài nguyên liên quan

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

Siêu dữ liệu

Đối tượng dự kiến	Learners
Học tập và giảng dạy	Metacognition, Self-Regulated Learning
Công nghệ và kỹ thuật	Generative AI
Công bằng, đạo đức và sử dụng có trách nhiệm	Trust Calibration
Nền tảng về AI trong giáo dục	Năng lực AI (AI Literacy), Giảm tải nhận thức

Nguồn Lịch sử Sửa Trò chuyện