夜雨聆风
作者得出了怎样的结论：
对于本科护生而言，重度使用生成式人工智能的特征是向被动学习的转变，包括被动信息检索、表层知识加工和绕过分析推理。重度使用揭示了一个能力退化、信心下降和依赖加深的自我强化循环。学生虽对负面后果有冲突的认知，却难以自我调节，凸显了结构化指导和过程性评价的需求。
☆ 重度使用生成式人工智能可能削弱护理实践所必需的关键思维和临床推理能力。
☆ 重度人工智能使用与学生焦虑增加、人际互动减少和睡眠质量变差等负面结果相关。
作者开开展了怎样的研究：先来看摘要
研究设计：本研究采用基于胡塞尔先验现象学的描述性现象学方法。
方法学优势：严格描述亲身体验的本质，回到“事物本身”，先于理论解释或解读，方法特别适合研究护生中重度使用生成式人工智能这一新兴且未被充分理解的现象，其意义只能通过忠实于参与者自身意义建构过程的详细第一人称叙述来获取。
地点：数据收集在中国北京、哈尔滨和锦州的护理学院进行。
参与者：采用目的性抽样招募了22名本科护生。所有参与者年龄在18至24岁之间。
在参与者的选取中，学者采用了最大变异抽样，制定严格的纳入和排除标准，确保学生有足够的课程经历进入访谈。以下是筛选流程图：
具体怎么开展的？
为捕捉可能影响学生生成式人工智能使用的机构资源、学业期望和学生群体的差异，从北京大学、哈尔滨医科大学和锦州医科大学招募，获得批准后，教学秘书与本科班级辅导员协调，通过QQ或微信群分发招募材料。这些材料详细说明了研究目的、参与的自愿性、访谈程序（30-60分钟，线上）以及保密保护措施，包括录音用于转录、去标识化、安全数据存储和仅用于研究。提供了咨询联系方式。
第一阶段：收集人口统计学信息和对话式人工智能依赖量表（CAIDS-20）得分，得分在前20%的学生被确定为可能符合条件，表明重度使用。
第二阶段，这些入围候选人接受由研究团队培训成员进行的半结构化筛选访谈。该访谈探索了他们使用生成式人工智能的模式，包括频率、情境整合和行为依赖，以确认他们能够详细阐述个人体验。符合条件的参与者在提供书面知情同意后进入主要深度访谈。
初步筛选确定32名合格学生。经多次联系尝试，28人提供书面知情同意并正式入组。完成22次深度访谈后确定数据饱和。因此其余6名已同意参与者未被访谈。
访谈引导问题：
（1）护生重度使用生成式人工智能的亲身体验和表现是什么？
（2）这种使用模式如何在他们的学业实践中发展和加剧？
数据处理：
最终访谈，得出了怎样的结论：
1、学习行为的转变
该主题揭示了重度生成式人工智能使用如何从根本上改变了学生对学业任务的处理方式，表现为三个相互关联的转变。学生放弃了主动信息搜寻，转而被动接受人工智能答案；用表层加工取代了深度认知参与；完全绕过了分析推理，跳过逐步护理过程，直接向人工智能寻求最终解决方案。
亚主题1-1：被动信息检索
参与者描述了他们获取信息方式的逐渐转变。系统性地查阅学术数据库或教科书的做法日益被放弃。学生转而直接求助于生成式人工智能作为其主要信息源，被其速度、现成答案以及自信权威的语气所吸引。
精良的呈现形式，包括专业语言、连贯结构和嵌入的引用，使参与者不加进一步审查就接受输出为准确。他们很少追溯声明的原始来源或质疑信息的有效性。这种不加批判的接受逐渐成为习惯，模糊了经过验证的知识与未经审查内容之间的界限
亚主题1-2：表层知识加工
参与者描述中还出现了认知参与的明显转变。生成式人工智能提供的全面、现成的解释，导致他们探索潜在原理或概念背后“为什么”的内在动机明显下降。人工智能提供的即时理解感也降低了他们进行更深层个人探究的感知需求。
通过这种不加批判的接受获得的知识常常是零散和表层的。参与者指出，人工智能生成的信息很少整合到他们的长期记忆或与已有知识建立联系。这种深层加工的缺失在他们试图回忆不久前的信息时变得明显，发现信息并未被保留。
亚主题1-3：绕过分析推理
通过依赖生成式人工智能完成整个分析过程，参与者发现他们对解决方案背后的临床推理的理解受到了严重损害。虽然他们可以获得看似正确的输出，但往往无法解释其原理、评估其在特定情境下的适当性或识别其局限性。这在需要辩护或调整其工作时变得明显。
主题2：依赖性与去技能化的自我强化循环
该主题捕捉了本科护生重度使用生成式人工智能的自我强化循环。循环始于为追求效率和确定性而进行的务实采纳，逐步发展为护理实践核心能力的替代（临床推理、循证决策、专业沟通和适应性护理计划），最终导致学生在没有人工智能支持时无法有效运作，这进一步加剧了依赖。
4.2.1 亚主题2-1：追求效率和确定性的初始驱动力
参与者报告说，他们最初转向生成式人工智能是出于学业压力和减轻认知负荷的愿望。面对繁重的课程作业、紧张的截止日期和复杂的临床作业，他们将人工智能视为节省时间和脑力的实用解决方案。
4.2.2 亚主题2-2：核心能力的替代
随着参与者日益依赖生成式人工智能，他们开始绕过护理教育中核心的必要认知过程。在临床推理练习中，他们报告直接将患者数据输入人工智能以获得诊断和护理计划，跳过了传统上所需的分析工作。
此外，当依赖人工智能生成的脚本进行患者沟通时，学生们发现自己在真实临床情境中准备不足。他们难以将标准化输出适应个体的独特情况，也难以对非语言线索和意外反应做出回应。
在护理计划中也出现了类似的挑战。学生难以将模板推荐适应不断变化的临床情况，当患者状况变化或有新信息时，他们无法修改计划。
亚主题2-3：依赖的自我强化循环
随着核心能力日益被替代，学生在生成式人工智能不可用时发现自己难以胜任。在无人工智能访问的临床模拟或作业中，许多人报告出现瘫痪状态。习惯于接收现成解决方案，他们难以独立启动认知工作，与人工智能辅助下的表现相比，输出质量明显下降。
这些没有人工智能支持时的表现不佳经历，导致参与者怀疑自己的能力。反复遭遇此类困难侵蚀了对独立判断的信心，同时强化了对那个似乎能弥补他们感知中“不足”的工具的信任。”
这些经历逐渐汇聚成一个自我强化循环。核心能力的替代使参与者依赖于人工智能支持。没有工具时的失败加深了自我怀疑，而怀疑又驱使他们回归工具，进一步侵蚀独立推理能力。
主题3：冲突的认知与尝试性适应
该主题揭示，学生对生成式人工智能的重度使用伴随着一个冲突的心理过程。他们同时表达对其学习和专业发展影响的担忧，却又发展出各种合理化理由来为持续依赖辩护。一些人制定了自我强加的规则来管理使用，例如将人工智能限制于特定任务。然而，这些努力常因学业压力和缺乏正式指导而被削弱，使他们陷入依赖与渴望审慎使用之间。
亚主题3-1：对负面后果的认知
尽管人工智能带来了便利，参与者仍怀有持续的不安感。他们使用人工智能完成本应证明自己能力的工作，却对自己的能力缺乏信心。这种矛盾让他们害怕被揭穿，担心被要求解释或辩护他们并未真正理解的内容。
一些参与者认识到自己的能力正在退化，并为错失了深入思考的机会而感到遗憾。更重要的是，他们将这种退化与未来的专业实践直接联系起来，感觉到当前的学术习惯与临床工作要求之间的脱节。
对另一些人来说，不适表现为内疚。他们认为提交人工智能生成的作品是对老师乃至自己的欺骗。这反映了一个更深的冲突：他们知道自己应该发展自身的理解，但表现的压力和获取现成答案的便利总是胜出，使他们陷入价值观与实际行为之间的困境。
亚主题3-2：通过外部压力合理化依赖
参与者发展出各种解释来调和重度使用与自身担忧。一种常见的合理化是将人工智能采纳框定为不可避免的趋势。通过指出同伴的广泛使用，他们使自己的行为正常化并推卸个人责任，将依赖定位为应对同伴竞争的必要反应而非个人选择。
亚主题3-3：自我调节尝试与对指导的呼吁
一些参与者积极寻求通过建立自我强加的规则来限制重度使用。这些策略通常涉及将人工智能限制于外围任务，如语言润色、提纲拟定或生成想法，同时坚持核心智力工作由自己完成。
然而，这些自我限制是脆弱的。当截止日期临近或工作量增大时，参与者发现难以坚持承诺，常常恢复到更重的使用。原则上清晰的边界在实践中变得模糊，表明在学业压力面前自我调节努力不足。
参与者呼吁以过程为导向的考核改革，重视思维过程而非精美的最终成果，指出当前优先考量完成度和呈现质量的评价方法无意中鼓励了他们试图抵制的捷径。
参与者还强调需要关于适度人工智能使用的指导。没有明确的基准，他们通过反复使用形成自己的策略，往往优先解决眼前的学业问题，而不考虑这些策略是否支持长期学习。
讨论
主要发现与解读
这项现象学研究初步探索了护理本科生重度使用生成式人工智能的情况，揭示了其行为表现、自我强化过程、冲突认知和应对策略。这些发现阐明了此类使用模式如何可能重塑学习路径并威胁基本临床能力的发展。
具体而言，学生从主动信息检索转向被动接受人工智能生成的答案，绕过系统性的临床推理和深度认知参与以获取现成解决方案。这导致核心能力的逐渐侵蚀。随后，这种侵蚀导致在没有人工智能支持的学术活动中出现功能性瘫痪和自我怀疑。最终，这些经历加剧了更深度的依赖，形成一个难以打破的自我强化循环。尽管学生普遍认识到能力退化的风险并尝试自我调节，但学业压力和同伴竞争使他们陷入“认知”与“行动”之间的矛盾，引发了对针对性指导和过程性评价的呼吁。
5.2 重度生成式人工智能使用中学习行为的转变
学习理论表明，获得持久、可迁移的知识需要学习者参与认知上费力的过程。对护生而言，这意味着主动进行临床评估、诊断推理和护理计划，而非被动接受现成解决方案。然而，本研究发现，重度使用生成式人工智能从根本上扰乱了这一过程，表现为三种转变：被动信息接收、表层知识加工和绕过分析推理。
通过依赖生成式人工智能完成案例分析或制定护理计划，学生取代了本应自己完成的认知工作，包括信息筛选、逻辑推理和计划生成。这构成了一种认知卸载，虽然减少了即时任务需求，却剥夺了学生参与深度加工和提取练习的机会，而这些对于长期保留和临床迁移至关重要。当学生持续使用技术规避这些费力过程时，知识未能巩固为可迁移的临床推理。与此一致，学生在临床实践中难以将标准化方案适应个体患者需求、识别细微恶化或在被主管质疑时证明决策合理性。更关键的是，这种系统性替代可能导致学生将外部生成的内容误认为内部掌握，产生能力错觉。最终，他们可能无法识别自身能力的缺口，这表明理论知识与临床实践发展之间可能存在脱节。
若干教育策略可能有助于抵消这种转变。反思性实践要求学生记录对人工智能生成内容与原始来源的核查，可强化批判性评价。交替进行无人工智能和有人工智能辅助的训练——学生先独立完成临床评估，再用人工智能进行比较——可以培养自主推理，同时保留人工智能的反馈和优化功能。对人工智能素养的明确教学可帮助学生发展对人工智能生成内容的更批判性立场。
未来研究应优先进行纵向研究，比较临床实习期间重度与中度使用生成式人工智能的学生，考察早期密集使用是否预示临床判断延迟或推理错误。需进一步探究平衡人工智能辅助与自主认知参与的教学策略，识别支持深度学习和临床推理能力发展的教学方法。