AI聊天越勤,大脑越“忙”?中国学者多年追踪:频繁使用或重塑这4个脑区

中国电子科技大学、四川省心理生理医学中心、四川省精神卫生中心、四川省人民医院、中国电子科技大学成都脑科学研究院临床医院、四川省脑机接口与类脑智能重点实验室、中国电子科技大学、中国澳门大学、中国香港大学

研究背景

1. 研究问题：这篇文章研究了生成式人工智能对话代理（AICAs）在大学学生中的广泛使用对人类大脑的影响，特别是对认知、情感和社会行为的影响。

2. 研究难点：该问题的研究难点包括：AICAs对人类大脑的影响复杂且多样，不同使用模式可能导致不同的神经和行为结果；需要大规模样本和详细的神经影像数据来揭示这些影响。

3. 相关工作：相关研究表明，AICAs在教育和工作场所中的应用可以增强学术表现和社交情感支持，但也可能带来认知和学习能力的下降。然而，这些研究大多基于横断面研究，缺乏系统性的纵向研究来探讨AICAs使用对大脑结构和功能的长期影响。

研究方法

这篇论文提出了通过高分辨率结构磁共振成像（sMRI）结合调查问卷，系统研究一般、功能性和社会情感性AICAs使用与学术表现、心理健康和大脑结构之间的关系。具体来说，

1. 数据收集：研究招募了222名健康成年参与者（53.6%女性，平均年龄21.32岁），所有参与者均完成了关于AICAs使用频率、学术表现、心理健康状况的问卷调查，并进行了高分辨率的sMRI扫描。

2. 区域形态学分析：使用统计参数映射软件包（SPM12）进行体素基础形态学分析（VBM），将调制和平滑后的灰质图与一般AICAs使用频率、功能性AICAs使用频率和社会情感性AICAs使用频率进行多元线性回归分析，控制性别、年龄和总颅内体积（TIV）。

3. 网络级和行为特征分析：使用元分析共激活建模（MACM）和行为解码分析，确定与AICAs使用模式相关的脑区的共激活模式和行为特征。

4. 形态学相似性网络（MSN）构建：使用Jensen-Shannon散度（JSD）方法构建个体的形态学相似性网络，并使用图论网络分析工具箱（GRETNA）计算网络拓扑属性。

实验设计

1. 样本选择：最终样本包括222名健康成年参与者，所有参与者均为最近一个月内使用过AICAs的用户，排除了MRI数据质量差或自报行为数据质量差的参与者。

2. 数据收集：所有参与者在MRI扫描前签署了知情同意书，并完成了关于AICAs使用频率、学术表现、心理健康状况的问卷调查。

3. MRI数据获取和处理：使用3.0 T GE MR750系统进行全脑T1加权图像采集，图像经过预处理后用于后续的VBM分析。

4. 统计分析：采用多重线性回归模型分析AICAs使用频率与灰质体积变化的关系，使用MACM和行为解码分析确定相关脑区的共激活模式和行为特征，使用图论网络分析工具箱计算网络拓扑属性。

结果与分析

1. AICAs使用频率与学术表现的关系：一般AICAs使用频率和功能型AICAs使用频率与平均成绩点（GPA）呈正相关（r=0.169，p=0.013；r=0.182，p=0.008），而社会情感型AICAs使用频率与GPA无显著相关性（r=-0.065，p=0.342）。

   

2. AICAs使用频率与心理健康的关系：社会情感型AICAs使用频率与抑郁（r=0.186，p=0.006）和社会焦虑（r=0.148，p=0.031）呈正相关，与总体心理健康（r=-0.154，p=0.025）呈负相关。

   

3. AICAs使用频率与大脑结构的关系：一般AICAs使用频率与左侧背外侧前额叶皮层（dlPFC）和内侧枕叶皮层（CAL）的灰质体积（GMV）呈正相关（k=1339，T=5.27，pFWE=0.009；k=1676，T=4.28，pFWE=0.003）。社会情感型AICAs使用频率与左侧颞上回（STG）和杏仁核的GMV呈负相关（k=1477，T=4.35，pFWE=0.006）。

4. 网络级和行为特征：左侧dlPFC/SFG和左侧CAL与认知和抑制控制相关的脑区（如左侧中额回、左侧下额回、左侧丘脑和左侧补充运动区）以及视觉区域（如右侧下枕回）共激活。左侧STG-杏仁核簇与涉及社会情感处理的脑区（如双侧岛叶、双侧梭状回和左侧苍白球）以及视觉和体感区域（如右侧下枕回、左侧中央前回和右侧补充运动区）共激活。

5. 形态学相似性网络分析：一般AICAs使用频率与右侧海马体的聚类系数（r=0.277，pFDR=0.003）呈正相关，社会情感型AICAs使用频率与左侧楔叶的聚类系数（r=-0.232，pFDR=0.048）呈负相关。

总体结论

这篇论文首次系统地表征了AICAs使用与年轻成人大脑结构和行为的特定关联。研究发现，功能型AICAs的频繁使用与更好的学术表现和更高的前额-枕-海马系统完整性相关，而社会情感型AICAs的频繁使用则与较差的心理健康和较小的颞-杏仁核体积相关。这些发现为设计利用AI的教育优势同时减轻心理健康风险的环境提供了神经生物学框架。未来的研究需要进一步验证这些发现的因果方向，并探讨个体差异和其他潜在影响因素。

优点与创新

1. 系统研究：这是首项系统研究生成式人工智能（AICA）使用对人类大脑影响的神经解剖学证据的研究。

2. 大规模样本：研究涵盖了222名年轻成年人，样本规模较大，结果具有较高的代表性和可靠性。

3. 多模态数据融合：结合了高分辨率的结构MRI数据、问卷调查以及计算神经解剖学分析，提供了全面的视角。

4. 行为与神经解剖学关联：详细探讨了不同AICA使用模式与学术表现和心理健康之间的关系，揭示了使用模式的特异性影响。

5. 网络分析：使用了元分析共激活建模和行为解码方法，深入分析了相关脑区的网络特性和功能。

6. 教育意义：研究结果强调了在设计利用AI的教育环境的同时，减轻心理健康风险的重要性。

以上仅供参考，更多内容，请查看原文：

arxiv.org/pdf/2604.08594