ARTICLE · 1072780
文献精读|人工智能工具在社会中的应用:对认知减负的影响及批判性思维的未来展望
原文：Gerlich M. AI Tools in Society: Impacts on Cognitive Offloading and the Future of Critical Thinking [J]. Societies, 2025, 15 (1): 6.
项目 | 内容 |
原文标题 | AI Tools in Society: Impacts on Cognitive Offloading and the Future of Critical Thinking |
作者 | Michael Gerlich |
发表期刊 | Societies |
发表时间 | 2025 年 1 月 |
卷期页码 | 15(1): 6 |
核心主题 | AI 工具使用、认知卸载、批判性思维的关系机制与边界条件 |
一、文献信息：
本文针对AI 工具使用对批判性思维的影响机制不明确的问题，采用混合研究方法（666 名英国参与者问卷 + 50 人深度访谈，结合 ANOVA、相关分析、多元回归、随机森林与主题分析），验证了高频 AI 工具使用与批判性思维能力显著负相关，且认知卸载在其中发挥部分中介作用，同时发现教育水平具有正向调节效应；但本研究为横截面设计，仅能证明相关性，无法确立因果，结论受英国样本与自我报告方法的限制。
表2 文献信息
维度 | 具体内容 |
解决的问题 | AI 工具对批判性思维的影响路径不明确，缺乏量化的机制验证与边界条件分析 |
采用的方法 | 混合研究法：666 名英国参与者问卷 + 50 人深度访谈；统计方法包含 ANOVA、相关分析、多元回归、随机森林回归、置换检验；质性分析采用 Braun & Clarke 主题分析法 |
得到的结果 | 高频 AI 工具使用与批判性思维能力显著负相关（r=−0.68），认知卸载在其中发挥部分中介作用（间接效应占比约 59.5%）；教育水平具有正向调节效应，年轻群体受负面影响更显著 |
结果边界 | 横截面设计仅能证明相关性，无法确立因果；样本局限于英国且高学历占比偏高，结论推广需谨慎 |
二、研究背景与现有局限
1.研究背景
1.AI 的认知双面性：AI 工具已渗透到信息检索、决策、学习等日常场景，既能提升效率、降低认知负荷，也引发了 “认知依赖” 的担忧。经典研究如 Sparrow 等人（2011）[5] 提出的 “谷歌效应” 证明，搜索引擎会改变人的记忆策略，人们更倾向于记住信息位置而非信息本身。
2.认知卸载理论：Risko 和 Gilbert（2016）[6] 提出认知卸载概念 —— 个体将认知任务外包给外部工具以减轻工作记忆负担；适度卸载可释放认知资源，但过度卸载可能削弱深度思考。
3.批判性思维的核心地位：批判性思维是分析、评估、推理并做出理性决策的核心认知能力 [11,12,13]，是学术、职业与公民社会的基础。AI 是否会通过认知卸载侵蚀批判性思维，成为亟待验证的问题。
4.教育场景的争议：智能辅导系统、AI 批改工具等已广泛进入教育领域，部分研究证明其能提升学习效率 [2,3]，但也有研究担忧其会减少学生的深度认知参与 [8,9]，结论尚不统一。
2.现有研究的局限
1.机制黑箱：多数研究仅描述了 AI 与认知能力的相关性，未明确AI 通过什么路径影响批判性思维，缺乏对中介变量的量化检验。
2.方法单一：要么纯量化缺乏机制解释，要么纯质性缺乏普适性，很少采用混合方法实现三角验证；且多使用传统统计，忽略变量间的非线性关系。
3.边界不清：很少系统考察年龄、教育水平等个体差异的调节作用，无法回答 “谁更容易受 AI 影响” 的问题，难以支撑精准干预。
4.场景泛化：多聚焦于单一教育场景，缺乏对社会全场景 AI 使用的综合考察，结论迁移性有限。
三、 核心逻辑链
核心命题：AI 工具使用频率越高，个体批判性思维能力越弱，认知卸载是这一关系的核心中介机制。
完整逻辑链条：
1.理论前提：根据认知负荷理论 [19] 与认知卸载理论 [6]，外部工具会替代个体的部分认知加工，减少深度思考的练习机会，长期可导致认知能力下降。
2.推导假设：
·H1：AI 工具使用频率越高，批判性思维得分越低；
·H2：认知卸载在 AI 工具使用与批判性思维的关系中起中介作用。
3.量化验证：通过大样本问卷测量核心变量，用多重统计方法检验相关性、中介效应与调节效应。
4.质性补充：通过深度访谈挖掘主观体验，解释量化关系背后的行为逻辑与感知机制。
5.最终结论：AI 使用通过增加认知卸载部分损害批判性思维；教育水平可缓冲负面影响，年轻群体风险更高。
6.实践延伸：提出教育与政策层面的干预方向，平衡 AI 效率与认知发展。
四、整体方法流程与模块
本文采用 “量化为主、质性补充” 的混合方法设计，共 5 个表3 核心模块一览
模块 | 输入 | 核心作用 | 输出 |
研究设计模块 | 研究问题、文献基础 | 确定混合方法框架，设计研究工具，计算样本量 | 调查问卷、访谈提纲、抽样方案 |
数据采集模块 | 666 名英国参与者、50 名访谈对象 | 采集人口统计学、AI 使用、认知卸载、批判性思维四类数据 | 问卷数据集、访谈转录文本 |
量化分析模块 | 问卷数据 | 从描述到推断，从线性到非线性，多层验证假设 | 描述统计、ANOVA 结果、相关矩阵、回归系数、随机森林特征重要性、置换检验结果 |
质性分析模块 | 访谈转录文本 | 基于 Braun & Clarke 六步主题分析法，提炼核心主题 | 三大主题（AI 依赖、认知参与、伦理担忧）与代表性引文 |
结论与建议模块 | 量化 + 质性结果 | 三角验证结论，推导实践启示 | 假设验证结论、中介效应模型、教育与政策建议 |
关键方法说明
·样本量计算公式：采用经典抽样量公式计算最小样本量 
其中 Z=1.96（95% 置信度），p=0.5（最大化变异），E=0.05（5% 边际误差），计算得最小样本量 384 人；实际样本 666 人，满足统计效力要求。
·核心量表：
·批判性思维：整合 Halpern 批判性思维评估（HCTA）[1] 与 Terenzini 自我报告量表 [30]；
·认知卸载：围绕记忆外包、问题解决外包、数字依赖设计题项；
·所有题项采用 6 点李克特量表（1 = 从不 / 非常不同意，6 = 总是 / 非常同意）。
五、各模块的必要性分析
表4 模块必要性分析
模块 | 必要性说明 |
混合方法设计模块 | 单一量化只能揭示 “是什么”，无法解释 “为什么”；单一质性样本量小、普适性差；混合方法实现数据三角验证，同时满足统计效力与机制解释双重需求 |
数据采集模块 | 采用成熟量表确保构念效度；覆盖不同年龄、教育、职业群体保证变量变异；同时采集客观行为频率与主观感知，多维度测量核心变量 |
多重统计分析模块 | ANOVA 检验组间差异；相关分析初步验证关联；多元回归检验净效应与调节效应；随机森林捕捉非线性关系、计算特征重要性；置换检验验证模型稳健性；多重方法互相印证，降低单一方法偏差 |
质性主题分析模块 | 量化结果只能证明相关性，访谈可挖掘主观体验、行为动机与感知困境，为 “AI - 认知卸载 - 批判性思维” 路径提供现实解释，增强结论情境感 |
结论与建议模块 | 将实证结果转化为可操作的实践启示，连接学术研究与教育、政策实践，实现研究应用价值 |
六、实验设计与证据链
证据链1：AI 工具使用与批判性思维显著负相关
·支撑结论：假设 H1 成立，AI 使用频率越高，批判性思维越弱
·对应分析：
1.ANOVA 分析（见下表）：不同 AI 使用水平的批判性思维得分差异极显著（(p<0.001)）
Source | SumofSquares | df | MeanSquare | F | p-Value |
EducationLevel | 1053.71 | 3 | 351.24 | 1401.81 | <0.001 |
Gender | 0.04 | 1 | 0.04 | 0.14 | 0.71 |
Occupation | 38.73 | 3 | 12.91 | 6.98 | <0.001 |
Age | 91.65 | 4 | 22.91 | 12.92 | <0.001 |
Residual | 164.87 | 658 | 0.25 |
VariablePair | Correlation(r) | Interpretation |
AIToolUse↔CognitiveOffoading | +0.72 | Strongpositivecorrelation |
AIToolUse↔CriticalThinking | −0.68 | Strongnegativecorrelation |
CognitiveOffoading↔CriticalThinking | −0.75 | Strongnegativecorrelation |
Predictor | Coeffcient | StandardError | t-Value | p-Value |
AIToolUse | −1.76 | 0.21 | −8.38 | <0.001 |
AIDecisionReliance | 1.05 | 0.18 | 5.83 | <0.001 |
AISavesTime | 0.18 | 0.13 | 1.38 | 0.168 |
TrustAI | 0.10 | 0.09 | 1.11 | 0.267 |
EducationLevel | 0.33 | 0.05 | 6.60 | <0.001 |
DeepThinkingActivities | −0.36 | 0.08 | −4.50 | <0.001 |
AIToolUse*EducationInteraction | 0.02 | 0.01 | 2.00 | 0.046 |
AIToolUseSquared | −0.15 | 0.06 | −2.50 | 0.013 |
证据链 2：认知卸载起部分中介作用
支撑结论：假设 H2 成立，AI 通过增加认知卸载间接损害批判性思维
对应分析：
1.相关矩阵（见下表）：AI 使用与认知卸载强正相关(r=+0.72），认知卸载与批判性思维强负相关（r=-0.75），满足中介的前提条件。
2.中介效应检验：总效应显著(b=-0.42)，(p<0.001)，间接效应显著(b=-0.25)，(p<0.001)，直接效应仍显著(b=-0.17)，(p<0.01）。
结果含义：认知卸载是部分中介，解释了约 59.5% 的总效应；AI 对批判性思维的影响一部分通过认知卸载实现，还有其他独立作用路径。
证据链 3：教育水平具有正向调节效应
支撑结论：高教育可缓冲 AI 对批判性思维的负面影响
对应分析：
1.多元回归交互项（见下表）：AI 使用 × 教育水平的交互项显著为正(beta=0.02)，(p=0.046)
2.质性访谈验证：高学历参与者更倾向于交叉验证 AI 输出、质疑 AI 假设；低学历参与者更易盲目信任 AI、直接接受结论。
结果含义：教育水平越高，AI 使用对批判性思维的负面冲击越小，因为教育赋予了个体批判性评估 AI 的能力。
证据链 4：年龄与职业的差异效应
支撑结论：年轻群体、低认知需求职业的风险更高
对应分析：
1.描述统计：17-25 岁群体AI 使用频率、认知卸载程度最高，批判性思维得分最低；46 岁以上群体相反
2.ANOVA（见下表）：年龄、教育、职业对深度思考活动均有显著主效应（全部
）
3.访谈补充：年轻人将 AI 视为 “默认工具”，年长者更倾向于保留独立思考习惯。
证据链 5：质性主题补充机制解释
支撑结论：量化关系具有现实行为与感知基础
对应分析：提炼出三大核心主题（见下表）
1.AI 依赖：AI 成为日常认知的 “默认外挂”，从记忆到决策全面外包。
2.认知参与减少：个体主动深度思考的意愿下降，产生 “思考能力退化” 的主观担忧。
3.伦理担忧：感知到 AI 的偏见与 “黑箱” 问题，但缺乏主动审视的动力。
七、论文创新点
1.机制创新：首次明确中介路径 首次量化验证了认知卸载在 AI 使用与批判性思维之间的中介作用，打开了 “AI 影响批判性思维” 的黑箱，从 “存在相关” 推进到 “揭示路径”，为后续研究提供了机制框架。
2.方法创新：混合方法 + 机器学习互补 不仅采用 “大样本问卷+深度访谈” 的三角验证设计，还在传统统计基础上引入随机森林回归，既验证了线性效应，也捕捉到了非线性关系（如 AI 使用的边际递减效应，（见下表）二次项(beta=-0.15)，(p=0.013），并给出了变量重要性排序，方法体系更稳健。
3.视角创新：系统考察调节边界 同时分析了教育、年龄、职业等多个调节变量，明确了 “谁更易受影响”“谁更有抵抗力”，突破了以往研究 “泛泛谈影响” 的局限，为精准干预提供了依据。
4.场景创新：覆盖社会全场景 跳出单一教育场景，考察了工作、生活、学习等全场景的 AI 使用，结论更贴合 AI 全面渗透的社会现实，对公共政策的参考价值更强。
八、论文局限性
本文局限性见表5
表五 局限性
局限类型 | 具体说明 | 对结果的影响 |
因果推断局限 | 横截面研究设计，仅能证明相关性 | 无法确立因果方向：既可能是 AI 导致批判性思维下降，也可能是批判性思维弱的人更依赖 AI，还可能存在第三变量 |
测量方法局限 | 核心变量主要依靠自我报告量表 | 存在社会期望偏差，参与者可能高估自身批判性思维、低估 AI 依赖；缺乏客观行为测试与纵向追踪数据 |
样本代表性局限 | 全部为英国参与者，且博士学历占比高达 48.5% | 地域文化单一，高学历群体过度抽样，结论无法直接推广到其他文化与低学历群体，可能低估整体负面影响 |
变量粒度局限 | 未区分不同类型 AI 工具、使用场景与使用深度的差异化影响 | 结论过于整体，无法指导具体场景的差异化干预 |
机制完整性局限 | 仅验证了认知卸载一个中介变量 | AI 还可能通过注意力碎片化、算法回声室、元认知退化等路径影响批判性思维，机制解释尚不完整 |
九、可迁移知识
1.研究方法迁移 “问卷测量+中介效应检验+机器学习补充+质性访谈解释”的混合方法框架，可直接迁移到所有 “技术使用对认知 / 行为影响” 的研究中，例如短视频对注意力的影响、社交媒体对决策的影响、算法推荐对价值观的影响等。
2.理论模型迁移 “技术接入→认知卸载→能力变化” 的机制模型，可推广到其他数字工具的认知效应研究，例如：计算器对心算能力、导航软件对空间记忆、翻译软件对外语能力的影响等，为同类研究提供通用分析框架。
3.实践方案迁移
“教育缓冲效应” 可迁移到企业员工培训：针对不同学历、不同岗位设计差异化的 AI 素养与批判性思维培训；
可迁移到老年数字适老化：在推广智能工具的同时，保留认知锻炼，避免认知衰退；
可迁移到公共数字素养教育：将 AI 批判性使用纳入公民素养体系。
4.评估工具迁移 整合客观测试（HCTA）与自我报告的批判性思维评估方法，可迁移到在线教育效果评估、企业人才测评、招聘选拔等场景。
5.政策思路迁移 “效率与认知平衡” 的治理思路，可迁移到教育政策、劳动保障、数字治理等领域，在推动 AI 赋能的同时，建立 “认知保护” 底线。
十、未来研究方向
1.纵向因果研究 开展多年期队列追踪研究，控制基线批判性思维水平，观察不同 AI 使用模式下的认知能力变化，确立因果关系；同时测试干预方案的长期效果。
2.细分场景研究 区分不同类型 AI 工具（生成式对话、推荐系统、智能辅导、专业决策辅助）、不同使用策略（辅助思考 vs 替代思考）、不同使用场景，探索差异化影响，避免 “AI” 笼统概念。
3.实验干预研究 开展随机对照实验，操纵 AI 使用权限与使用方式，测试 “批判性思维训练”“AI 素养课程”“元认知干预” 等方案的缓解效果，寻找可落地的干预手段。
4.跨文化比较研究 在不同文化背景、不同教育体系下重复研究，检验结论的普适性；探索集体主义/个人主义、教育模式对 AI 认知效应的调节作用。
5.拓展机制研究 纳入更多中介变量（注意力分散、算法偏见、认知惰性、元认知能力）与调节变量（人格特质、认知风格、职业认知需求），构建更完整的影响机制模型。
6.转化应用研究 基于研究结论开发具体的教育工具、培训课程、AI 产品设计规范（如 “认知友好型” AI 设计），将学术结论转化为可落地的产品与方案。
十一、涉及文献及引用
表6 文献引用
序号 | 作者（年份） | 中文标题 | 出版信息 |
1 | Halpern, D.F. (2010) | 《哈尔彭批判性思维评估量表：手册》 | Schuhfried GmbH，奥地利默德灵 |
2 | Pane, J.F.; Griffin, B.A.; McCaffrey, D.F.; Karam, R. (2014) | 《大规模应用认知导师代数I的效果研究》 | Educational Evaluation and Policy Analysis, 36, 127–147 |
3 | Koedinger, K.R.; Corbett, A.T. (2006) | 《认知导师：将学习科学技术带入课堂》 | 载《剑桥学习科学手册》，剑桥大学出版社，英国剑桥，61–78页 |
4 | Carr, N. (2010) | 《浅薄：互联网对我们大脑的影响》 | W.W.诺顿出版公司，美国纽约 |
5 | Sparrow, B.; Liu, J.; Wegner, D.M. (2011) | 《谷歌对记忆的影响：信息唾手可得的认知后果》 | Science, 333, 776–778 |
6 | Risko, E.F.; Gilbert, S.J. (2016) | 《认知卸载》 | Trends in Cognitive Sciences, 20, 676–688 |
7 | Gerlich, M. (2024) | 《人工智能在现代商科教育中的应用：对英国学生认知与沟通技能的影响》 | IEEE Engineering Management Review, 52, 1–10 |
8 | Marin, L.M.; Halpern, D.F. (2011) | 《青少年批判性思维培养的教学法：显性教学成效最佳》 | Thinking Skills and Creativity, 6, 1–13 |
9 | Ma, W.; Adesope, O.O.; Nesbit, J.C.; Liu, Q. (2014) | 《智能辅导系统与学习成效：元分析》 | Journal of Educational Psychology, 106, 901–918 |
10 | Topol, E.J. (2019) | 《深度医疗：人工智能如何让医疗回归人文》 | 基础读物出版社，美国纽约 |
11 | Ennis, R.H. (1987) | 《批判性思维倾向与能力的分类体系》 | 载《思维技能教学：理论与实践》，W.H.弗里曼出版社，美国纽约，9–26页 |
12 | Paul, R.; Elder, L. (2008) | 《批判性思维概念与工具微型指南》 | 批判性思维基金会出版社，美国圣巴巴拉 |
13 | Halpern, D.F. (1998) | 《跨领域迁移的批判性思维教学：倾向、技能、结构化训练与元认知监控》 | American Psychologist, 53, 449–455 |
14 | Abrami, P.C.; Bernard, R.M.; Borokhovski, E. 等 (2008) | 《影响批判性思维技能与倾向的教学干预：第一阶段元分析》 | Review of Educational Research, 78, 1102–1134 |
15 | Fisher, A. (2011) | 《批判性思维导论》 | 剑桥大学出版社，英国剑桥 |
16 | Jonassen, D.H. (2000) | 《学会解决问题：问题解决型学习环境设计手册》 | 劳特利奇出版社，美国纽约 |
17 | Kuhn, D. (1999) | 《批判性思维的发展模型》 | Educational Researcher, 28, 16–25 |
18 | Gerlich, M. (2024) | 《人机信任二元关系中信任驱动因素探究》 | Social Sciences, 13, 251 |
19 | Sweller, J. (1988) | 《问题解决中的认知负荷：对学习的影响》 | Cognitive Science, 12, 257–285 |
20 | Pasquale, F. (2015) | 《黑箱社会：掌控金钱与信息的秘密算法》 | 哈佛大学出版社，美国剑桥 |
21 | Bennett, J.; McWhorter, R.R. (2021) | 《人工智能与分析学：对未来工作的启示》 | Journal of Management Information and Decision Sciences, 24, 1–11 |
22 | Lazer, D.M.J.; Baum, M.A.; Benkler, Y. 等 (2018) | 《假新闻科学》 | Science, 359, 1094–1096 |
23 | Pariser, E. (2011) | 《过滤泡：互联网对你隐藏了什么》 | 企鹅出版社，美国纽约 |
24 | Firth, J.; Torous, J.; Stubbs, B. 等 (2019) | 《“在线大脑”：互联网如何改变我们的认知》 | World Psychiatry, 18, 119–129 |
25 | Zhai, C.; Wibowo, S.; Li, L.D. (2024) | 《过度依赖AI对话系统对学生认知能力的影响：系统综述》 | Smart Learning Environments, 11, 28 |
26 | Krullaars, D.; Ahmad, K.; Suleri, S. (2023) | 《拥抱课堂中的人工智能未来：AI素养、提示工程与批判性思维在现代教育中的相关性》 | International Journal of Educational Technology in Higher Education, 21, 15 |
27 | Clark, R.C.; Nguyen, F.; Sweller, J. (2016) | 《学习效率：认知负荷管理的循证指南》 | 威利出版社，美国霍博肯 |
28 | Perelman, L. (2013) | 《对澳大利亚全国读写计算能力评估写作测试的批判：对澳大利亚课程评估署研究的回应》 | 澳大利亚扫盲教育工作者协会 |
29 | Liu, O.L.; Frankel, L.; Roohr, K.C. (2014) | 《高等教育中的批判性思维评估：现状与下一代评估方向》 | ETS Research Report Series, 2014, 1–23 |
30 | Terenzini, P.T.; Springer, L.; Pascarella, E.T.; Nora, A. (1995) | 《影响学生批判性思维技能发展的因素》 | Research in Higher Education, 36, 23–39 |
31 | Tsui, L. (2002) | 《通过有效教学法培养批判性思维》 | Journal of Higher Education, 73, 740–763 |
32 | Creswell, J.W.; Plano Clark, V.L. (2011) | 《混合方法研究的设计与实施》 | 塞奇出版社，美国纽约 |
33 | Tashakkori, A.; Teddlie, C. (2010) | 《SAGE社会行为科学混合方法研究手册》 | 塞奇出版社，美国千橡市 |
34 | Norman, G. (2010) | 《李克特量表、测量水平与统计“定律”》 | Advances in Health Sciences Education, 15, 625–632 |
35 | Braun, V.; Clarke, V. (2006) | 《心理学中的主题分析法应用》 | Qualitative Research in Psychology, 3, 77–101 |
36 | Field, A. (2013) | 《IBM SPSS统计分析入门》 | 塞奇出版社，美国纽约 |
37 | Cohen, J. (1988) | 《行为科学的统计功效分析（第2版）》 | 劳伦斯·厄尔鲍姆联合出版社，美国马哈瓦 |
38 | Tabachnick, B.G.; Fidell, L.S. (2013) | 《多元统计分析应用（第6版）》 | 培生出版社，美国波士顿 |
39 | Denzin, N.K. (1978) | 《研究行为：社会学方法理论导论》 | 麦格劳-希尔出版社，美国纽约 |
40 | 英国心理学会 (2014) | 《人类研究伦理准则》 | 英国心理学会 |
41 | Deary, I.J.; Strand, S.; Smith, P.; Fernandes, C. (2007) | 《智力与学业成就》 | Intelligence, 35, 13–21 |
42 | Facione, P.A. (2011) | 《批判性思维：其内涵与重要性》 | 洞察评估公司，美国米尔布雷 |
43 | Zhang, S.; Gao, Q.; Wen, Y. 等 (2021) | 《超越行为指标的认知参与自动检测：以在线职业学习社区为例》 | Educational Technology & Society, 24, 58–72 |
44 | Gerlich, M. (2023) | 《虚拟网红的力量：AI时代对消费者行为与态度的影响》 | Administrative Sciences, 13, 178 |
45 | Freeman, S.; Eddy, S.L.; McDonough, M. 等 (2014) | 《主动学习提升理工科学生学业表现》 | Proceedings of the National Academy of Sciences of the USA, 111, 8410–8415 |
46 | Deslauriers, L.; McCarty, L.S.; Miller, K. 等 (2019) | 《课堂主动参与下的实际学习与学习感受测量》 | Proceedings of the National Academy of Sciences of the USA, 116, 19251–19257 |