AIEd 知识库AIEd KB
本页内容

本页面已译为中文。文章页面仍以英文撰写。 阅读本页的英文版本

概念

认知投降

创建 2026-09-20 · 更新 2026-10-09

本页是英文页面的机器翻译，尚未经母语者审校。

认知投降 —— 采纳 AI 系统的输出，而不做那套本可以让你评估它的推理。认知外包问的是学习者委派了多少心智工作、这种委派是否经过校准；投降问的是学习者是否根本保留了评估者的角色：答案到来、被接受，成为这个人自己的立场，而那个本可以构成判断的核验步骤从未发生。这个词来自Shaw 与 Nave（2026）的三系统理论，该理论把投降定位为一种不同于卸载和过度依赖的独立失败。

值得思考的问题

  1. 当一个学生接受了一个恰好正确的 AI 答案时，课堂成功了吗？要让"接受"本身成为要紧的事，什么必须为真？
  2. 一个知道自身局限的、经过校准的委派者，在本质上不同于一个根本分辨不出的学生吗？教师如何在一份作业中分辨出这种差别？
  3. 如果信心上升而准确率下降 —— AI 建议可用时正是如此 —— 这对学习者自己的错误检测意味着什么？
  4. 核验在哪里是可教的，在哪里是一个政策层面的工作量问题？要让核验成为常态而不是例外，课程的哪些部分需要改变？
  5. 机构是否根本就不该测量投降，或者说，测量它是否会招致披露规则难以应对的同一类监视？
  6. 什么样的任务会奖励学生推翻一个错误的 AI 答案，而不是奖励他产出一个打磨过的答案？

引言

投降是 AI 支持的学习中最常见的失败背后的那种倾向：不是把工具用得太多，而是把它的说法当真。认知外包页面承载这个较旧的构念及其证据，AI 误用页面承载伤害清单。本页之所以存在，是因为一批独立的研究工作现在命名并测量了这两者都没能完全捕捉到的某种东西。

有三件事把投降区分出来。它关乎判断，而非努力：一个学生可以花大量时间提示、重组格式、打磨输出，却从未启用过自己的标准去判断这份输出好不好。它常常对学习者不可见：通常伴随努力而出现的信号 —— 犹豫、不确定、"还不知道"的感觉 —— 被流畅的文本短路了。而且它无法仅靠练习或激励可靠地纠正，这正是证据指向最锋利的地方。

卸载、过度依赖、投降：三种不同的失败

构念 核心问题 典型伤害机制 在哪里被测量
认知外包 委派了多少心智工作，这经过校准吗？ 被挤走的练习：学习者跳过了有益的摩擦，而那原本构建技能 工具有/无条件下的 RT 与准确率；反应时间面板
过度依赖 委派是慢性的、未经校准的，而非策略性的吗？ 技能侵蚀、动机与自我效能感丧失、素养债务 自评量表、日志数据、无辅助迁移任务上的表现
认知投降 在答案被接受之前，学习者自身的评估性判断是否参与？ 未核验地接受错误输出、信心膨胀、失去作者身份 AI 建议正确与错误的试验；推翻与核验行为

这三者位于同一个阶梯上，而非彼此取代。卸载常常是生产性的；当它不再是策略性的时候，它变成过度依赖；投降是评估步骤缺失的那一版。这些区分既见于理论也见于实践：悉尼快速综述对 271 篇 PreK-12生成式 AI实证论文的梳理，把学生行为恰当地组织为这三类 —— 投降、卸载和学习者自主性—— 并铺展在认知、元认知和情感三个维度上。Du 与 Yuan（2026）从另一侧切开了同一条边界：工具性帮助产出输出，带判断的帮助提供用以评判输出的标准，而只有第二种可靠地挤走了那种发展专长的活动。他们的六条标准 —— 可争议性、可恢复性、可迁移性、可追溯性、责任分散与认识多元 —— 构成一份投降诊断，而不是一份使用度量。

三系统解释

Shaw 与 Nave（2026）在双系统推理之上扩展出第三个系统。系统 1 快速而直觉；系统 2 缓慢而审慎；系统 3是运行于大脑之外的人工认知。系统 3 可以补充内部处理，为系统 2 提供候选答案并标记矛盾；或者它可以取代内部处理，这种情况下审慎从未开始。投降就是取代的情形，而该理论预测它应当表现为一种签名，而不是一种感受：AI 对的时候采纳它的答案，AI 错的时候也采纳，并且无论对错都报告更高的信心。

实验签名

三项预注册实验改编了认知反射测试，并利用隐藏的种子提示随机化 AI 的准确率，使参与者无法从界面上分辨好助手和坏助手（N = 1,372；9,593 次试验）。

  • 人们先咨询，后采纳。 参与者在多数试验中（>50%）选择咨询助手。
  • 准确率跟随的是 AI，而不是人。 相对纯大脑基线，AI 准确时准确率上升约 25 个百分点，AI 出错时下降约 15 个百分点，这个对比被作者称为投降的行为签名（Cohen's h = 0.81，95% CI [0.72, 0.91]；分研究 h = 0.83、0.86、0.78）。
  • 两种行为干净地分开了。 在 AI 错误的试验中，73.2% 以投降结束，19.7% 以卸载结束（推翻错误建议并答对），7.1% 是失败的推翻。
  • 信心随可用而上升。 尽管约有一半的 AI 答案是错误的，接触助手使自陈信心上升了 11.7 个百分点（77.0% 对 65.3%）。
  • 情境压力消除不了它。 逐项激励加反馈把卸载提高了约 19 个百分点，达到 37.1%，并把投降降到 57.9%；时间压力把卸载降低了约 12 个百分点，达到 6.2%，并把失败的推翻提高到 13.8%。两种条件都移动了基线，却没有缩小准确与错误之间的差距（时间压力下 OR = 14.28；激励加反馈下 OR = 11.05）。
  • 易感性是一种倾向，不只是情境。 更高的信任预测了更宽的准确与错误差距（OR = 2.81），并且在正面比较模型中预测了投降优于卸载（OR = 4.36）。更高的认知需求缩小了差距（OR = 0.83）并把结果推向卸载（OR = 0.46）；更高的流体智力在相同方向上具有保护性（OR = 0.69），而它最强的单一效应是助手已被启用后跟随错误建议的倾向更低（OR = 0.23）。

务实的解读是：投降是一种辨别失败，而不是动机失败。投降的参与者并不是在逃避工作；他们分辨不出好建议与坏建议，而界面没有给他们任何尝试的理由。

实验室之外的投降

实验室发现与独立地用到同一个词的田野和观察性研究相吻合。

  • 人口层面的被挤走。 Rismanchian 等（2026）分析了 320 万条 ALEKS 学习交互和十年面板上 1,220 万条分级测试反应时间，以图形题作为文字题的对照。学生完成 AI 易感任务更快、得分更高，而受监考的保持项显示答对概率累计下降 25%；作者把这种模式称为人口规模上的认知投降。
  • 核验作为区分变量。 Stamatoulis 等（2026）发现学生如何使用生成式 AI 预测表现，而用多少不预测两者：低核验式采纳 —— 不加批判地接受输出 —— 与更差的结果相关，而评估性整合与更好的结果相关。
  • 无思考的使用侵蚀了自我导向所需的资源。 Zhao 与 Gu（2026）直接建模了采纳而不评估：在 487 名本科生中，生成式 AI 的无思考使用与更低的自主学习相关（β = −0.42），部分经由动机与自我效能的下降传导。
  • 神经与所有权的痕迹。 认知债务的 EEG 研究在大语言模型（LLM）、搜索引擎和无工具三种条件下测量了论文写作：LLM 组显示出最弱的神经连接，对自己作品的作者身份报告最低，并且难以复述自己写了什么。
  • 投降可以不请自来。 关于判断悬置的研究发现，仅仅是 AI 建议的可用性就瓦解了人们说出"我不知道"的意愿（两项研究分别为 0.06 对 0.36、0.03 对 0.44），同时正确率下降、信心从约 30 升至 76。利害关系并没有恢复悬置，尽管激励通过鼓励推翻提升了准确率。第四项研究显示了完全不需要任何咨询就出现的该效应，这是自动补全或搜索摘要而非聊天提示的模式。
  • 依赖模式和自主模式只在结果上可分。 Fan、Li 与 Zhang（2026）在三波中跟踪了 589 名学生和职场新人：依赖式卸载把核心思考委派出去，与更低的内在动机相关，而自主式卸载不是这样，且两者的即时表现看起来相同。
  • 模型自身的贡献。 谄媚是投降的补集：一个赞同、朝用户的框架和稀泥、或流利地陈述主张的助手，不给学习者任何可以顶回去的东西。
  • 撤回是未解的半边。 关于认知消退的研究指出，几乎所有这类研究测量的都是 AI 使用期间的认知，几乎没有测量助手被移走后会发生什么 —— 而这恰好是一场考试、一次故障或一次许可复审所提出的问题。

针对投降的设计与教学

  • 让核验成为作业本身，而不是建议。 要求学生在咨询 AI 之前先写下自己的第一答案，并要求他们指出自己在哪些点上推翻了 AI。这把一个不可见的判断步骤变成一件可评分的产物。
  • 奖励推翻，而不是使用。 在实验中，挂在准确率上的激励把卸载提到约 37%，却没有消除投降；激励有效是在它使核验变得有分量时，这也是Effortless Trap的安置规则背后的发现 —— 一个不加看护的帮手让学生在无辅助考试中差了约 17%，而一个扣住答案的重构模型消除了伤害。
  • 教辨别，不只是教怀疑。 因为认知需求和流体智力预测了抵抗，而自陈的信任预测了易损，可训练的目标是在具体任务上分辨好坏输出的能力。校准训练带有预测加反馈的试验，是成型的工作原型：一次简短的干预在过度依赖的实验室类比中降低了提示偏倚。
  • 让分歧浮现，而不是信心。 因为接触让信心膨胀，即使在错误的答案上也如此，有用的设计动作是提供摩擦，呈现冲突的证据、不确定性或反论证，让学习者有东西可评估，而不是有东西可接受。人在回路设计与核验提示和披露要求是制度层面的对应物。
  • 保留一种测量。 如果有辅助表现和无辅助能力没有被分开测量，投降对课程评估就是不可见的：学期看起来更好，而保持数字悄悄下降。
  • 把它当作一个系统和设计问题。 智能体设计指出，智能体越是自主，学习者投入的认知努力越少，把生产性的委派默认转化为投降；建模工作补充说依赖通过社会认同扩散，所以队列规范和界面默认与个人习惯同样要紧。

开放问题

投降是习惯化，还是随不用而衰减？消退研究把撤用后的问题形式化了，但长期数据还不存在。投降能否在野外不用侵入式日志地被测量 —— 而关于核验行为的自陈能预测什么吗？信心膨胀在一个学习者被一个自信的错答案灼伤之后还会持续吗，还是失校准会粘住？而在职业而非个人的层面，广泛的投降是否会耗尽 AI 系统监督本身所依赖的共享专长库，即认知公地框架提出的担忧？

局限性

投降作为一个被命名的构念，其证据大量地倚重一套实验室工作：三项基于改编的认知反射测试的预注册实验，样本为便利样本，它确立了机制和倾向性调节变量，但没有迁移到高利害的职业判断。该设计也捕捉的是单次暴露，所以其中没有任何东西显示投降是否习惯化或复合。田野证据是观察性的：ALEKS 面板显示完成更快而受监考保持更差，但要把它归因于投降而非学习策略的改变，需要该设计无法检验的假设。定义在文献间仍不稳定 —— 卸载、过度依赖、依赖、依恋和问题性使用被例行公事地混为一谈，而至少一项综合主张，不应在没有控制受损或伤害的情况下就把频繁的委派标记为依赖。最后，对信任、认知需求和核验行为的自陈带有通常的局限，而多数课堂证据涉及高等教育和中等教育，而非早期学校教育。

关联概念

关联文章

相关常见问题

相关资源

  • PAUSE：AI 使用模式自我检视
    一个十分钟、纯浏览器端运行的自我检查，检视你把什么任务交给了 AI，每个条目都可追溯到其背后的研究论文。

元数据

层次Higher Ed, Adult Learning
目标读者Instructors, Learners, Researchers
学习与教学元认知, 自我调节学习
技术与方法生成式人工智能, 人在回路
公平、伦理与负责任使用信任校准, AI 误用与学习损害
教育中的人工智能基础AI 素养, 认知外包
SourceHistoryEditChat

嵌入此页

复制下面的代码，将本页嵌入学习管理系统或其他网站。嵌入版本只显示页面内容 — 网站的页眉、导航和页脚会被隐藏。