当大学生把“思考”交给AI:低阶卸载 vs 高阶卸载

文章基本信息：

标题：中国高校学生基于人工智能的认知卸载行为研究

作者：Yali Jiang, Haiping Chen（北京师范大学心理学部）

发表期刊：Computers in Human Behavior: Artificial Humans (Elsevier)

1.文献综述

1.1这篇文章的研究问题是什么呢？

首先我们来肯一下研究背景：生成式AI已深度嵌入全球高等教育场景，超过四分之三的大学生使用ChatGPT等AI工具辅助学术工作。中国《教育现代化2035》等政策进一步推动AI与教学研融合，AI已成为学生学术实践的常规工具。

但同时这一现象引起了不小的争议：

乐观视角认为：AI提供个性化反馈，提升学习绩效；但担忧视角则认为：过度依赖削弱认知参与与神经激活

据此，本文提出了两个研究问题：

能否开发出可区分低阶/高阶卸载的AI认知卸载（AIBCO）量表？

AI感知价值、使用能力、评估能力与两类卸载之间存在怎样的作用机制？

1.2“认知卸载”和AIBCO?

1.2.1 认知卸载和AIBBCO概念：

把大脑的活儿外包出去这件事人类一直在做：从用纸笔做笔记，到用计算器算账，这种“把认知任务外包给外部工具，以减少自身认知消耗”的策略，在心理学上被称为认知卸载（Cognitive Offloading）。

(理论支撑：Risko & Gilbert, 2016)

但传统的认知卸载研究，多停留在纸笔、计算器等传统工具上。

局限在于：缺少AI人机协作场景的实证。 当AI不仅能存信息，还能替我们分析、评价甚至创造时，传统的理论不够用了。

1.2.2 那为什么需要专门研究AIBCO？

回顾现有研究，我们发现了三个明显的研究缺陷：

①只看频率，不看深度：大多只关注“你多久用一次AI”，没有区分低阶卸载（记忆、理解、简单应用）和高阶卸载（分析、评价、创造）。

②缺乏利器：缺少成熟、专用的测量量表。

③概念混淆：常把AI认知卸载和任务委托、AI辅助脚手架、AI中介协作混为一谈。

基于此，本研究正式提出了AIBCO（AI-based认知卸载）的概念：全称是 AI-based cognitive offloading，中文翻译为“基于人工智能的认知卸载”，即指学习者在执行任务时，使用AI接管那些“原则上他们自己也能完成”的认知任务，从而减少自身认知努力的程度。

1.2.3 接下来看懂AIBCO的分类与理论基石

①我们基于布鲁姆修订分类法（BRT），将AIBCO划分为两个层次：

🔵低阶卸载：记忆、理解、应用

🟠 高阶卸载：分析、评价、创造

②理论支撑区

布鲁姆修订分类法（BRT）：作为核心分类框架，体现了认知层级的递进。

认知负荷理论：提供补充支持——高阶任务通常需要更大的认知努力，卸载它意味着更深的认知依赖。

价值决策理论（Gilbert, 2024）：个体的卸载决策是基于成本-收益的理性（或有限理性）评估。

③AIBCO概念辨析：

任务委托 (Delegation)：委托强调将任务执行、判断或功能责任转移给AI；而AIBCO聚焦于减少学习者自身的认知努力，不涉及责任转移。

AI辅助脚手架 (AI-assisted scaffolding)：脚手架旨在引导学习者思考、促进能力发展；而AIBCO是直接替学习者接管认知工作，不是引导。

AI中介协作 (AI-mediated collaboration)：协作强调人机之间持续的相互依赖、共同目标和动态协调；而AIBCO强调将认知工作外包出去。

现在有没有搞明白 AIBCO 什么意思？

1.3 研究模型

1.3.2 AI认知卸载背后的“四个角色”

为了弄清楚“学生为什么、在什么情况下把脑力活儿交给AI”，这项研究引入了一个调节中介模型。模型里有四个关键变量，我们可以把它们看作四个角色：

【🎯 角色一：因变量（结果）—— AIBCO】：即我们前文所说的“AI认知卸载”。它是整个模型的核心结局，分为低阶卸载（记忆、理解、应用）和高阶卸载（分析、评价、创造）。

【🚀 角色二：自变量（起点）—— AI感知价值】：即“学生主观判断AI的收益与风险”。

理论基础： 价值决策理论（认知卸载是成本收益权衡的理性决策）。

研究假设： 学生觉得AI越有用、风险越低，就越容易产生卸载选择。不过，这个假设还需要在教育场景中验证。

【🔗 角色三：中介变量（桥梁）—— AI使用能力】：即“操作AI完成学术任务的技能”。

为什么是桥梁？ 因为光觉得AI好（感知价值）还不够，还必须得“会用”（使用能力），才能真正把任务外包出去。

【🎛️ 角色四：调节变量（开关）—— AI评估能力】：即“辨别AI输出对错、质量好坏的能力”。这是本研究最关键的发现！

为什么是开关？ 它能调节“AI使用能力 → AIBCO”这条路径的强弱。即便你AI用得再溜（使用能力高），如果你能敏锐地辨别说AI在胡说八道（评估能力高），你可能就不会盲目依赖它。

1.4 文献综述部分思维导图：

2.研究一：量表是怎么“炼”成的？

2.1 初始阶段：

🎯 设定边界：只盯“研究型学术场景”

不同学科、不同教育场景下，学生使用AI的行为差异巨大。一开始就试图覆盖所有高校任务，题项会过于空泛、解释力弱。因此，量表锚定在研究密集型的高等教育场景。

🗣️ 实证补充：10本+10研的真实访谈

研究访谈了10名本科生和10名研究生，发现学生最常用的AI工具分为6类：通用大模型、文献检索、文献阅读、数据处理、写作辅助、流程管理。其中，通用大模型（如ChatGPT、DeepSeek）是最主流的工具。

✍️ 题项表述原则：说“人话”，不堆术语

采用功能层面的通用表述，而不是狭窄的学科术语。确保题项能跨学科适用，同时紧密聚焦研究型学术场景。

👨‍🏫 专家把关：2名心理学博士 + 3名教育学硕士

经过专家独立评审（删减冗余、模糊、弱相关题项），最终从30个初始题项，提炼出包含 24个自陈题项 的初始量表。

2.2实施与测试：一套量表，三次严格检验

2.2.1 📋 测量与收集

研究采用5点李克特频率量表（1=从不，5=总是），通过Credamo在线调研平台发放。整个研究严格遵循伦理规范。

2.2.2 🔬 三组样本，逐步验证

为了确保量表靠谱，研究将参与者分为三个独立样本（Sample）：

①样本1（探索性因子分析 EFA，n=158）：用于提纯题项。初始24道题，经过严格筛选，精简为 12道题。

②样本2（验证性因子分析 CFA，n=239）：用全新样本再次验证，确认12题的两因子结构是否稳定。

③样本3（效标关联效度 CRV，n=68）：用于外部效度检验。

➡ 样本3额外加测

为了检验外部效度，样本3的参与者额外填写了Biggs等人的《修订版学习过程问卷》（共20题），涵盖表层学习策略和深层学习策略两个维度。这组人一共做了 24+20=44道题。

2.3 结果

最终形成了含有12道题目问卷：

2.4 结果核心警示：高阶卸载 ≠ 深度学习

研究通过Biggs的《学习过程问卷》发现：

无论是低阶还是高阶的认知卸载，都与表层学习策略（死记硬背、机械完成任务）显著正相关。

而与深层学习策略（内在动机、主动构建知识）没有显著关联。

这意味着什么？哪怕学生把“分析、评价、创造”这种高难度的脑力活交给了AI，他们自己仍然可能只是为了完成任务而学习，并没有真正发生深刻的认知投入。 AI帮你完成了高阶任务，但认知能力不一定会自动长在你身上。

2.5 研究一全程思维导图：

3.研究二：667名大学生，揭开AI认知卸载的“条件机制”

3.1 & 3.2 研究设置与测量

1.样本：便利抽样，回收667份有效问卷（女生占比78.41%）。

2.测量工具：

因变量（AIBCO）：沿用研究一开发的量表（低阶/高阶）。

①自变量（AI感知价值）：改编自Shin (2021)的公平、问责、透明、可解释（FATE）题项 + 风险维度题项（反向编码）。（得分越高 = 觉得AI价值越高、风险越低）

②中介变量（AI使用能力）：操作AI完成学术任务的技能（Held & Heubeck, 2025）。

③调节变量（AI评估能力）：辨别AI输出对错、质量好坏的能力（Held & Heubeck, 2025）。

3.3 核心结果：一条基础路径 + 两个调节分支

利用SPSS PROCESS Model 14（条件过程分析）检验发现：

基础路径（通用逻辑）

AI感知价值 → AI使用能力 → AI认知卸载

学生越觉得AI有价值，就越会用AI，从而产生更多的认知卸载。这一机制符合Gilbert的价值决策模型（个体基于成本-收益判断是否把任务外包）。

3.3.1调节分支一：低阶AIBCO（被“截断”的中介）

低评估能力：中介效应显著（效应量=0.42, 95% CI [0.22, 0.66]）。

高评估能力：中介效应不显著（效应量=0.12, 95% CI [-0.11, 0.37]）。

结论：高评估能力能显著削弱“觉得AI好用 ➔ 就会用 ➔ 把记忆、理解、简单应用交给AI”的倾向。调节指数显著（-0.01）。

3.3.2调节分支二：高阶AIBCO（被“削弱”但未“截断”）

低评估能力：中介效应显著（效应量=0.08, 95% CI [0.03, 0.11]）。

高评估能力：中介效应依然显著，只是效应量变小（效应量=0.05, 95% CI [0.01, 0.09]）。

结论：即使评估能力高，面对分析、评价、创造等高阶任务，依然会依赖AI。调节指数显著（-0.006），但削弱幅度较小。

3.3.3 总结

用一个简单的图可以总结：

3.4 讨论

3.5 研究二全程思维导图

4.讨论：AI认知卸载的启示与未来

4.1 理论意义：重塑我们对“认知卸载”的理解

①研究开发了AIBCO测量量表

②证明了认知卸载不是单一行为，必须分为低阶（记忆/理解/应用）和高阶（分析/评价/创造）。

③将传统的认知卸载理论从“纸笔工具”拓展到了“人机协作”场景。

④实证支持了“价值-决策模型”在AI学习场景的适用性——学生是基于成本收益的理性判断来决定是否将任务交给AI。

4.2 实际意义：给教育者、学习者和设计者的建议

1.👩‍🏫 教育工作者/机构：

关注点应从“教学生用AI”转向“系统培养学生评估AI的能力”。把批判性评估（如识别AI局限、判断证据可靠性）纳入核心课程，强化学科基础，而不是把AI当成降低学术严谨性的捷径。

2.🧑‍🎓 AI学习者：

并非所有认知任务都适合卸载给AI。学生需要元认知调节 + 反思性，要有“监控的使用”。要主动判断：何时用、怎么用、何时停止用，守住自己的认知主体性。

3.💻 AI平台设计者：

人工智能平台应设计为增强人类主动性。例如：生成前要求用户明确学习目标、提供多个备选方案而非唯一答案、明确标注不确定性和风险，留出空间供用户决策和反思。

4.3 研究局限与未来方向

4.3.1⚠️ 研究局限：

①数据层面：横断+自评问卷，不能证明因果；单校便利抽样，推广受限。

②被试层面：只有大学生，缺少教师群体数据（教师承担育人示范责任，其AI使用动机、任务类型、风险约束和学生存在差异，并且教师行为会影响学生）。

③量表层面：仅适合科研导向专业；部分样本量偏小；量表需要进一步完善、修订与验证。

④环境层面：仅中国高校，缺少跨文化证据。

4.3.2🚀 未来方向：

①采用纵向、实验、多院校数据，探究因果。

②扩展教师等其他被试。

③修订量表适配更多学科，重复验证量表。

④开展跨国跨文化对比研究。

4.4 全程思维导图

5.结论

本研究通过开发测量量表、检验变量间的关联关系，阐释了高等教育场景下 AI 认知卸载（AIBCO）的结构特征与关联模式。这套 AIBCO 量表能够区分低阶认知卸载与高阶认知卸载，可为后续研究提供实用工具。研究进一步探明了 AI 感知价值、AI 使用能力、AI 评估能力与 AI 认知卸载之间存在怎样的关联。随着人工智能在高等教育中的应用不断深入，这一整合性研究框架，为人机协作背后的认知层面问题提供了更为细致的分析视角。此外，本研究也为教育与技术实践的设计指明了理论方向：引导学习者以协作、反思的方式使用人工智能，而非不加甄别地将认知任务全权交由 AI 处理。