一项由麻省理工学院媒体实验室的Nataliya Kosmyna及其团队主导的最新研究，深入探讨了在论文写作任务中，使用大型语言模型（LLM）如OpenAI的ChatGPT可能带来的认知成本。该研究发现，尽管LLM产品为人类和企业带来了诸多便利，但其广泛应用却可能导致大脑积累“认知负债”，长远来看甚至会削弱个体的学习技能。

该研究招募了54名参与者，并将其分为三组:LLM组（仅使用ChatGPT）、搜索引擎组(使用传统搜索引擎，禁用LLM)和纯脑力组(不使用任何工具)。研究共进行了四次会话，其中在第四次会话中，LLM组的参与者被要求不使用任何工具(被称为“LLM转纯脑力组”)，而纯脑力组的参与者则开始使用LLM(被称为“纯脑力转LLM组”)。

研究团队通过脑电图(EEG)记录了参与者的大脑活动，以评估其认知投入和负荷，并深入理解论文写作任务期间的神经激活模式。此外，研究还进行了自然语言处理(NLP)分析，并在每次会话后对参与者进行了访谈，同时邀请人类教师和AI评判员对论文进行打分。

核心发现：大脑连接性减弱，记忆和所有权受损

研究结果提供了确凿证据，表明LLM、搜索引擎和纯脑力组的神经网络连接模式存在显著差异，反映了不同的认知策略。大脑连接性与外部支持的程度呈系统性下降：纯脑力组表现出最强、范围最广的连接网络，搜索引擎组居中，而LLM辅助则引发了最弱的整体耦合。

特别值得关注的是，在第四次会话中，“LLM转纯脑力组”的参与者表现出较弱的神经连接性，以及阿尔法（alpha）和贝塔(beta)网络的投入不足。阿尔法波段连接性通常与内部注意力、语义处理和创造性构思相关。贝塔波段则与主动认知处理、专注注意力和感觉运动整合相关。这些结果表明，过去依赖LLM的使用者，在脱离工具后，其大脑在内容规划和生成方面的神经活动有所减少，这与认知卸载的报告相符，即依赖AI系统可能导致被动方法和批判性思维能力的减弱。

在记忆方面，LLM组的参与者在引用自己刚写完的论文时表现出明显障碍，甚至无法正确引用。这直接映射到LLM组较低的低频连接性，特别是与情景记忆巩固和语义编码密切相关的西塔（theta）和阿尔法波段。这表明LLM用户可能绕过了深层记忆编码过程，被动地整合了工具生成的内容，而没有将其内化到记忆网络中。

此外，LLM组对自己论文的所有权感知度普遍较低，而搜索引擎组拥有较强的所有权感，但仍低于纯脑力组。这种行为上的差异与神经连接性模式的变化相吻合，凸显了LLM使用对认知能动性的潜在影响。

认知负债的积累：效率与深度学习的权衡

研究指出，尽管LLM在初期提供了显著的效率优势并降低了即时认知负荷，但随着时间的推移，这种便利可能以牺牲深度学习成果为代价。报告强调了“认知负债”的概念:重复依赖外部系统（如LLM）取代了独立思考所需的努力认知过程，短期内延迟了脑力投入，但长期却导致批判性探究能力下降、更容易被操纵以及创造力减退。

纯脑力组的参与者，尽管面临更高的认知负荷，却展现出更强的记忆力、更高的语义准确性和对其作品更坚定的主人翁意识。而“纯脑力转LLM组”在首次使用AI辅助重写论文时，大脑连接性显著增加，这可能反映了将AI建议与现有知识整合时的认知整合需求，暗示了AI工具引入的时机可能对神经整合产生积极影响。

对教育环境的深远影响与未来展望

研究团队认为，这些发现对教育领域具有深远意义。过度依赖AI工具可能无意中阻碍深层认知处理、知识保留以及对书面材料的真实投入。如果用户过度依赖AI工具，他们可能会获得表面的流畅度，但却无法内化知识或对其产生所有权感。

该研究建议，教育干预应考虑将AI工具辅助与“无工具”学习阶段相结合，以优化即时技能转移和长期神经发展。在学习的早期阶段，全面的神经参与对于发展强大的写作网络至关重要;而在后续练习阶段，有选择性的AI支持可以减少无关的认知负荷，从而提高效率，同时不损害已建立的网络。

研究人员强调，随着AI生成内容日益充斥数据集，以及人类思维与生成式AI之间的界限变得模糊，未来研究应优先收集不借助LLM协助的写作样本，以发展能够识别作者个人风格的“指纹”表示。

最终，这项研究呼吁在LLM整合到教育和信息情境中时，必须谨慎权衡其对认知发展、批判性思维和智力独立性的潜在影响。LLM虽然能减少回答问题的摩擦，但这种便利性也带来了认知成本，削弱了用户批判性评估LLM输出的意愿。这预示着“回音室”效应正在演变，通过算法策划内容来塑造用户接触信息的方式。

（研究论文标题为《Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task》，主要作者为麻省理工学院媒体实验室的Nataliya Kosmyna等。）