人工智能工具在社会中的应用：对认知卸载的影响与批判性思维的未来
AIToolsinSociety:ImpactsonCognitiveOffloadingandtheFutureofCriticalThinking
https://www.researchgate.net/publication/387701784_AI_Tools_in_Society_Impacts_on_Cognitive_Offloading_and_the_Future_of_Critical_Thinking
摘要：
人工智能（AI）工具的普及已改变了日常生活的诸多方面，但其对批判性思维的影响仍未得到充分探讨。本研究考察了AI工具使用与批判性思维能力之间的关系，重点关注认知卸载作为中介因素。采用混合方法，我们对来自不同年龄群体和教育背景的666名参与者进行了问卷调查和深度访谈。定量数据采用方差分析和相关分析进行分析，而定性洞见则通过对访谈文本的主题分析获得。研究结果发现，频繁使用AI工具与批判性思维能力之间存在显著负相关，这一关系由认知卸载的增加所中介。与年长参与者相比，年轻参与者表现出对AI工具更高的依赖性以及更低的批判性思维得分。此外，无论AI使用情况如何，更高的教育水平与更好的批判性思维能力相关。这些结果突显了依赖AI工具的潜在认知成本，强调需要制定教育策略以促进对AI技术的批判性参与。本研究为关于AI认知影响的日益增长的讨论做出贡献，并为减轻其对批判性思维的不利影响提供了实践建议。研究结果强调了在AI驱动的世界中培养批判性思维的重要性，这使得本研究成为教育工作者、政策制定者和技术专家的必读文献。
关键词：AI；人工智能；批判性思维；认知卸载；AI工具；技术与教育；认知发展；哈尔彭批判性思维评估；数字依赖；AI信任
1. 引言
人工智能（AI）的出现已经彻底改变了现代生活的各个方面，从医疗保健和金融到娱乐和教育。AI工具，涵盖从虚拟助手和推荐算法到复杂决策支持系统的一切，已成为日常运作中不可或缺的部分，承诺提供增强的效率、个性化的体验以及前所未有的信息获取途径。然而，伴随这些益处而来的是，人们日益担忧AI对人类用户可能产生的认知和社会影响，特别是在批判性思维技能方面。
批判性思维，定义为分析、评估和综合信息以做出合理决策的能力，是一项基本的认知技能，对于学业成功、专业能力和具备信息素养的公民身份至关重要[1]。它涉及多种认知过程，包括问题解决、决策和反思性思维，这些对于驾驭复杂和动态的环境至关重要。在信息检索和决策方面对AI工具的日益依赖，引发了关于这些技术如何影响用户批判性思维能力的疑问。
AI在认知发展中的双刃剑性质一直是近期研究的焦点。AI工具可以通过提供个性化指导和即时反馈来增强学习成果，从而支持技能获取和知识保留[2,3]。然而，越来越多的证据表明，过度依赖这些工具可能导致认知卸载。当个体将认知任务委托给外部辅助工具时，便发生了认知卸载，从而减少了他们对深度反思性思维的参与[4,5]。这一现象在批判性思维的背景下尤为令人担忧，因为批判性思维需要积极的认知参与才能有效地分析和评估信息。
Risko和Gilbert [6]所描述的认知卸载，涉及使用外部工具来减少个体工作记忆的认知负荷。虽然这可以释放认知资源，但它也可能导致认知参与度和技能发展的下降。AI工具的普遍可用性，提供快速解决方案和现成信息，可能阻碍用户参与对批判性思维至关重要的认知过程。例如，Sparrow等人[5]证明，通过搜索引擎获取信息可以影响记忆保留和深度处理信息的倾向。
在教育环境中，整合AI工具已显示出有希望的结果和潜在的缺点。自适应学习平台和智能辅导系统因其能够根据个体学生需求定制教育体验而受到赞扬，从而增强学习成果[2,3]。其他研究未观察到AI在教育中的任何显著影响[7]。然而，也有人担心此类工具可能会减少学生对批判性思维活动的参与，因为他们可能习惯于AI提供解决方案的轻松和便利[8,9]。AI对批判性思维的潜在负面影响超出了教育背景。在专业和日常场景中，使用AI工具进行决策和问题解决可能会影响认知过程。例如，医疗保健和金融领域的自动化决策支持系统简化了操作并提高了效率，但也可能减少专业人员参与独立批判性分析的需求[10]。这可能导致一支高效但独立解决问题和批判性评估能力可能较弱的劳动力队伍。
鉴于这些担忧，本研究旨在探讨AI工具使用对批判性思维技能的影响，特别关注认知卸载作为中介变量。本研究旨在通过调查AI工具如何影响认知过程以及它们在多大程度上促进认知卸载，从而提供对AI工具使用更广泛认知影响的全面理解。
指导本研究的 research questions 为：
RQ1：AI工具的使用如何影响批判性思维技能？
RQ2：认知卸载在AI工具使用与批判性思维之间的关系中扮演何种中介角色？
基于上述 research questions，我们提出以下假设：
假设1：更高的AI工具使用量与降低的批判性思维技能相关。
假设2：认知卸载在AI工具使用与批判性思维技能之间的关系中起中介作用。
本研究旨在阐明AI工具使用的更广泛认知影响，并为减轻对批判性思维的潜在负面影响提供可操作的建议。通过理解这些动态，利益相关者可以制定策略，以平衡AI的益处与维持和增强批判性思维技能的需求。本研究为关于AI与认知的日益增长的文献做出贡献，提供能够为教育实践、政策决策和AI技术设计提供信息的见解。
2. 文献综述
2.1. 批判性思维与认知卸载的理论基础
批判性思维是一个多方面的认知过程，涉及清晰理性地思考、理解观点之间的逻辑联系、评估论证以及识别推理中不一致之处的能力。这一过程对于有效的问题解决、知情的决策以及知识的获取至关重要。Ennis [11] 将批判性思维定义为“合理的反思性思维，聚焦于决定相信什么或做什么”，强调其评价性本质。Paul 和 Elder [12] 将其描述为分析和改进思维的艺术，聚焦于诸如清晰性、准确性和逻辑性等智力标准。Halpern [13] 强调批判性思维技能在不同情境下的实际应用，突出其现实世界的实用性。批判性思维是认知发展的组成部分，使个体能够更有效地处理信息并参与反思性思维。它增强学业表现、问题解决能力和知情决策 [14]。具有较强批判性思维技能的学生在学业上往往表现更好，因为他们能够理解复杂概念、分析文本并构建推理充分的论证 [15]。此外，批判性思考者更有能力系统地解决问题、评估证据并考虑替代方案 [16]。他们也较不容易受到误导性信息或认知偏差的操纵，从而成为更具辨别力的信息消费者 [17]。
认知卸载是指认知过程的外化，通常涉及工具或外部代理，如笔记、计算器或像AI这样的数字工具，以减轻认知负荷 [6]。虽然认知卸载可以通过释放认知资源来提高效率，但它并不内在地意味着任务参与的减少。然而，在某些情况下，对外部工具的广泛依赖——特别是AI——可能会减少深度认知参与的需求，从而可能影响批判性思维。卸载的机制包括外部记忆辅助工具、数字工具和社交网络，这些工具帮助个体管理工作任务和信息而不使其工作记忆不堪重负。数字工具，特别是AI驱动的应用程序，可以执行诸如计算、数据检索和决策等任务，从而释放认知资源用于更复杂的思维。社交卸载涉及将任务委托给他人或从社交网络寻求建议和信息，从而减少个体的认知负担 [15]。虽然认知卸载可以提高效率并减少精神压力，但它也影响认知发展和批判性思维。过度依赖外部辅助工具可能导致内部认知能力的下降，如记忆保留和批判性分析技能。这一现象引发了对普遍技术使用的长期认知效应的担忧。一方面，认知卸载可以被视为一种管理认知负荷和提高生产力的有益策略。另一方面，它可能削弱关键认知技能的发展和维护，特别是当个体变得过度依赖外部工具时 [5]。
认知卸载，特别是在AI使用的背景下，近年来已引起显著的学术兴趣。近期的研究，如 Gerlich [7] 的研究表明，在教育环境中使用AI并不总能带来认知或沟通技能的提升，特别是在那些已经表现出良好发展能力的学生中。此外，Gerlich [7] 强调了增加对AI工具的信任如何导致更大的认知卸载，从而减少对批判性思维的参与。这些发现与 Sparrow 等人 [5] 的早期工作相呼应，但更近期的研究强调，AI与认知卸载之间的关系是多方面的，其中信任起着关键作用 [18]。
2.2. AI工具与认知过程
AI工具在现代生活中已变得无处不在，提供了显著影响记忆、注意力和问题解决等认知过程的能力。AI融入日常活动为认知发展带来了机遇与挑战。
AI对认知功能最显著的影响之一与记忆相关。诸如虚拟助手、搜索引擎和推荐系统等AI工具促进了信息检索，可能改变个体存储和回忆知识的方式。Sparrow、Liu和Wegner [5] 提出了“谷歌效应”的概念，暗示唾手可得的信息降低了内部记忆保留的需求。这一现象，也称为“交互记忆”，意味着人们更可能记住在哪里可以找到信息，而不是信息本身。虽然这可以提高效率和信息的快速获取，但它引发了对记忆保留能力可能下降的担忧。
AI工具还影响注意力和专注力，这是认知功能的两个关键方面。一方面，AI可以通过过滤无关信息和突出重要内容来帮助管理注意力。例如，AI驱动的新闻聚合器和个性化内容推荐可以帮助用户聚焦于相关信息，从而提高认知效率。然而，来自AI驱动设备和应用程序的持续通知和更新也可能分散注意力，降低长时间专注于单一任务的能力。Risko和Gilbert [6] 的研究强调，频繁的中断和多重任务处理（通常由AI工具促成）会损害认知表现并降低注意力的质量。这种注意力的碎片化可能导致表层信息处理和减少对复杂任务的参与，最终影响批判性思维和问题解决能力。
AI工具越来越多地被用于支持问题解决和决策过程。先进的AI系统可以分析大型数据集、识别模式并提供建议，从而帮助个体做出知情的决策。这对医学、金融和工程等领域具有重大意义，在这些领域中AI可以增强决策的准确性和效率。然而，依赖AI进行问题解决和决策也引发了对认知卸载和独立分析技能潜在削弱的担忧。Jonassen [16] 强调了问题解决作为一项关键认知技能的重要性，指出深度反思性思维的能力对于有效的问题解决至关重要。当AI工具接管这些任务时，个体在发展和应用自身问题解决策略方面可能变得不那么熟练，导致认知灵活性和创造力的下降。
AI工具对认知任务的自动化可以显著影响认知负荷和效率。Sweller [19] 提出的认知负荷理论认为，人类认知系统容量有限，减少认知负荷可以增强学习和表现。AI工具可以自动化日常和复杂任务，从而减轻认知负荷并为高阶思维释放认知资源。AI工具可以通过多种方式减轻认知负荷。例如，AI驱动的个人助理可以处理日程安排、提醒和信息检索，使个体能够专注于认知要求更高的任务。在教育环境中，基于AI的辅导系统可以适应个体学习需求，提供个性化反馈和支持，这有助于管理认知负荷并增强学习成果 [15]。尽管有这些益处，AI工具对认知任务的自动化也存在潜在不利因素。一个担忧是认知依赖的风险，即个体在常规和复杂任务中变得过度依赖AI工具。这种依赖可能导致认知能力的下降，因为个体可能失去实践和发展自身认知技能的机会 [4]。此外，AI工具自动化决策过程可能导致透明度和理解力的缺失。当个体依赖AI做出决策时，他们可能不完全理解AI系统所使用的底层过程和标准。这种“黑箱”问题可能减少批判性参与和责任意识，因为个体可能盲目信任AI的建议而不加质疑或评估 [20]。为减轻AI驱动自动化的潜在不利因素，平衡自动化与认知参与至关重要。虽然AI工具可以提高效率并减轻认知负荷，但个体应继续参与发展和维护自身认知能力的活动。促进批判性思维、问题解决和独立学习的教育干预可以帮助个体建立抵御AI潜在负面影响的韧性。
2.3. AI对批判性思维的影响
AI工具已经改变了人类生活的各个方面，提供了处理信息、解决问题和做出决策的新方式。然而，它们对批判性思维技能的影响是复杂且多方面的，影响着批判性思维的各个维度，包括分析、评估和推理。
批判性思维的分析维度涉及将复杂信息分解为更简单的组成部分以便更好地理解它。AI工具，如数据分析软件和机器学习算法，可以通过处理大量数据并识别人类可能难以检测的模式来增强分析能力。例如，AI驱动的数据可视化工具可以帮助用户在大型数据集中看到趋势和相关性，从而辅助分析性思维[21]。然而，存在一种风险，即过度依赖AI进行分析可能会削弱人类分析技能的发展。过于依赖AI执行分析任务的个体在深度独立分析方面可能变得不那么熟练。这种依赖可能导致对信息的表层理解，并降低批判性分析的能力。
评估涉及评估信息的可信度和相关性，以及论证的质量。AI工具，如推荐系统和自动化事实核查服务，可以通过过滤不可靠来源和突出高质量内容来辅助评估信息。例如，AI驱动的新闻聚合器可以根据来源的可信度个性化新闻推送，帮助用户获取更可靠的信息[22]。尽管有这些益处，但人们担心AI工具可能在无意中强化偏见并限制对不同视角的接触。AI系统使用的算法可以通过推荐与用户现有信念一致的内容来制造回音室，从而减少对相反观点的接触。这一现象，称为算法偏见，可以通过鼓励确认偏见和减少对信息的批判性审视来阻碍批判性评估[23]。
推理，作为批判性思维的核心组成部分，涉及从现有证据中得出逻辑结论。AI工具，如自然语言处理（NLP）和预测分析，可以通过提供基于数据分析的见解和预测来支持推理性的推理。这些工具可以通过识别潜在结果和建议基于证据的结论来帮助用户做出更明智的决策。另一方面，使用AI进行推理也引发了对AI生成结论的透明度和可解释性的担忧。AI过程的不透明性常常导致用户不加审视地接受AI生成的结论，存在减少参与和增加对自动化推理依赖的风险。
2.4. AI语境下的认知卸载
通过AI工具进行的认知卸载涉及将诸如记忆保留、决策和信息检索等任务委托给外部系统。这可以通过允许个体专注于更复杂和创造性的活动来增强认知能力。然而，依赖AI进行认知卸载对认知能力和批判性思维具有重大影响。虽然认知卸载可以释放认知资源，但人们担心它可能导致认知努力的减少，助长一些研究人员所称的“认知懒惰”[4]。这种状态可能会削弱参与深度反思性思维的倾向。使用AI工具执行记忆和决策等任务可能导致个体独立执行这些任务的能力下降，可能随着时间的推移降低认知韧性和灵活性[5]。长期依赖AI进行认知卸载也可能侵蚀基本的认知技能，如记忆保留、分析性思维和问题解决。随着个体越来越多地依赖AI工具，他们的内部认知能力可能萎缩，导致长期记忆和认知健康的下降。Sparrow等人[5]的一项研究发现，频繁使用搜索引擎降低了参与者独立记住信息的可能性，个体更关注记住在哪里可以找到信息而非信息本身。此外，通过AI工具进行的认知卸载可能导致认知参与的减少。随着AI系统自动化日常任务并提供现成解决方案，个体可能变得不太倾向于参与批判性思维和问题解决。另一项研究[24]探讨了数字工具和互联网如何影响各种认知功能，包括注意力、记忆和批判性思维，为重度依赖数字技术的潜在不利影响提供了见解。长期依赖AI工具进行认知卸载也可能导致依赖性和认知自主性的丧失。随着个体习惯使用AI进行决策和问题解决，他们可能发现没有这些工具时越来越难以运作。这种依赖可能降低认知韧性，使个体更容易受到技术中断的影响，并且更缺乏独立思考和行动的能力[4]。例如，在专业环境中，严重依赖AI驱动的决策支持系统的工人在这些系统不可用时可能难以独立做出决策，从而在需要无需技术辅助的快速思维和问题解决的情况下导致潜在的性能问题。
近期的研究突显了日益增长的担忧，即虽然AI工具可以显著减轻认知负荷，但它们也可能阻碍批判性思维技能的发展。Zhai等人[25]发现，严重依赖AI对话系统的学生表现出决策和批判性分析能力的减弱，因为这些系统允许他们卸载基本的认知任务。类似地，Krullaars等人[26]报告称，在学术任务中过度依赖AI工具导致问题解决技能降低，学生表现出较低的独立认知加工参与度。这些发现强调了在教育情境中整合AI时需要采取平衡的方法，确保认知卸载不以批判性思维的发展为代价。
2.5. 教育启示与干预措施
AI工具在教育环境中的整合正在重塑教学和学习过程的开展方式。AI驱动的平台，如自适应学习技术和智能辅导系统，在个性化教育、增强学生参与度以及协助教育者管理课堂动态方面提供了巨大的潜力。例如，自适应学习平台使用AI将教育内容定制到个体学生的需求，从而改善学习成果和学业表现[2]。然而，教育中对AI工具日益增长的依赖引发了对其对批判性思维和认知发展影响的担忧。虽然AI工具可以改善基本技能的习得，但它们可能无法培养将这些技能应用于新颖或复杂情境所需的深度分析性思维[24]。学习中对AI的过度依赖可能阻碍批判性思维技能的发展，因为学生在参与独立思考方面变得不那么熟练。
智能辅导系统（ITSs）通过AI算法模拟一对一的辅导体验，已被证明可以改善学习成果，特别是在STEM领域[3]。然而，这些系统可能导致认知卸载，即学生依赖系统来引导他们的学习，而不是积极参与材料。虽然ITSs可以提供即时反馈和支持，但它们也可能减少学生参与自我调节学习和批判性思维的机会[27]。
AI工具也被用于自动化评分和评估，为学生提供快速且一致的反馈。诸如E-rater和Grammarly等自动作文评分系统通过提供关于语法、风格和连贯性的即时反馈来帮助学生改进写作。然而，其对批判性思维的影响是复杂的。虽然这些工具可以帮助学生完善他们的技术技能，但它们可能无法培养发展论证和批判性评估所需的深度分析性思维。Perelman [28]批评这些系统可能鼓励程式化写作而非创造性和批判性思维。
2.6. 评估认知与批判性思维技能的方法论路径
哈尔彭批判性思维评估（HCTA）是一种被广泛认可的工具，旨在测量跨不同领域的批判性思维技能。由Diane Halpern开发，HCTA评估批判性思维的多个维度，包括言语推理、论证分析、假设检验和似然估计。HCTA的独特之处在于其同时关注多项选择题和开放式任务，从而提供对批判性思维能力的全面评估。HCTA由25个多项选择题和25个建构反应题组成，要求参与者将批判性思维技能应用于真实世界场景。多项选择部分评估诸如识别假设、评估论证和得出结论等技能。另一方面，建构反应部分要求参与者提出假设、设计实验和分析数据，从而评估他们在实际情境中应用批判性思维的能力[1]。HCTA已广泛应用于教育和心理学研究中，以评估学生和专业人士的批判性思维技能。其全面性使研究者能够捕捉广泛的批判性思维能力，并评估旨在增强这些技能的教育干预措施的有效性。例如，Liu、Frankel和Roohr [29]的一项研究使用HCTA考察了批判性思维教学对大学生的影响。结果显示学生的批判性思维技能有显著提高，特别是在论证分析和假设检验方面，证明了针对性教学在发展这些技能中的有效性。
Terenzini的自我报告式批判性思维发展测量提供了一种评估批判性思维技能的替代方法。由Patrick Terenzini及其同事开发，这些测量聚焦于学生对其批判性思维成长的感知及其影响因素。与标准化测试不同，Terenzini的方法依赖自我报告，捕捉学生的主观体验和对其认知发展的反思。Terenzini的自我报告测量通常涉及调查问卷，要求学生反思其批判性思维经验和成长。这些测量评估批判性思维的多个维度，包括分析、评估和综合，以及教学实践和学习环境对认知发展的影响[30]。若干研究已采用Terenzini的自我报告测量来评估不同教育情境中的批判性思维发展。例如，Terenzini等人[30]的一项研究考察了协作学习环境对学生批判性思维成长的影响。研究发现，参与协作学习活动的学生报告其批判性思维能力有显著提高，突显了互动式和参与式教学实践的价值。在另一项研究中，Tsui [31]调查了课堂实践与学生自我报告的批判性思维发展之间的关系。使用Terenzini的测量，Tsui发现鼓励主动学习的教学实践，如小组讨论和基于问题的学习，与更高水平的自我报告批判性思维成长相关联。
3. 材料与方法
本章概述了本研究所采用的综合方法论路径，旨在调查AI工具使用对批判性思维的影响，并以认知卸载作为中介变量。采用混合方法路径，结合定量和定性技术，以提供对研究问题的稳健且细致的理解。
3.1. 研究设计
选择混合方法设计是因为其能够整合定量和定性数据，比单独使用任一种方法都更能提供对研究问题更完整的视角[32]。该设计允许数据三角验证，从而增强研究结果的有效性和可靠性[33]。
3.2. 参与者
研究样本包括英国669名参与者，其中666名被视为有效。他们通过便利抽样和目的性抽样的组合方式招募，以确保在年龄群体、教育背景和专业领域方面具有多样化的代表性。该样本在英国不同的社交媒体平台上进行在线推广，以吸引多样化的样本。参与者被划分为三个年龄组：17–25岁（年轻）、26–45岁（中年）和46岁及以上（年长）。这种分类便于考察AI工具使用和批判性思维技能方面与年龄相关的差异。
3.3. 定量数据/调查工具
一份由23个问题组成的结构化问卷被开发出来，基于经过验证的量表和现有文献，以测量AI工具使用、认知卸载和批判性思维技能。该调查包含了来自既有工具的项目，如哈尔彭批判性思维评估（HCTA）[1] 工具和 Terenzini 的批判性思维自我报告测量 [30]。问卷被分为几个部分：
人口统计学信息：年龄、性别、教育水平和职业。
AI工具使用：使用AI工具进行信息检索和决策的频率和依赖程度。
认知卸载：使用数字设备进行记忆和问题解决任务的情况。
批判性思维：自我报告和评估的批判性思维技能。
大多数项目采用6级李克特量表（1 = 从不/非常不同意 至 6 = 总是/非常同意），提供适合参数统计分析的序数数据 [34]。完整问卷见附录A以供进一步参考。
其中：
Z 为 Z 分数（95% 置信水平下为 1.96）；
p 为总体的估计比例（设为 0.5 以最大化变异性）；
E 为误差幅度（5% 时为 0.05）。
计算所得所需样本量为 384 名参与者。鉴于本研究的实际样本量为 666，超过了所需数量，确保了样本具有统计相关性且足以得出可靠结论。
3.4. 定性数据/访谈
对 50 名参与者的子样本进行了半结构化访谈，以更深入地了解关于 AI 工具使用和批判性思维的体验和看法。访谈提纲的设计旨在探索定量调查中识别的主题，并揭示影响认知卸载和批判性思维的其他背景因素。访谈被逐字转录，并进行主题分析 [35]。
3.5. 数据分析
3.5.1. 定量分析/描述性统计
计算描述性统计量以总结样本的人口统计学特征，以及AI工具使用、认知卸载和批判性思维得分的集中趋势和变异。
统计分析采用根据研究问题和数据特征量身定制的适当方法进行。采用方差分析（ANOVA）来比较不同AI工具使用水平下的批判性思维得分，从而能够评估与年龄、教育水平和职业相关的主效应。ANOVA在此背景下对于识别组间显著差异尤为有用[36]。
随机森林回归作为一种先进的机器学习技术被纳入，以评估预测变量之间的非线性关系和特征重要性。选择该方法是为了补充传统回归分析，提供一种稳健的变量选择和模型可解释性方法。随机森林回归方法及其结果将在第4.5节中详述，届时将进一步讨论其对理解批判性思维预测因素的贡献。
计算皮尔逊相关系数以检验AI工具使用、认知卸载和批判性思维技能之间关系的强度和方向。该分析提供了对这些变量之间线性关联的洞察[37]。
此外，采用多元回归分析来确定AI工具使用对批判性思维技能的预测力，同时控制人口统计学变量。该方法允许评估每个预测变量的独特贡献，从而增强对AI工具使用与批判性思维之间动态关系的理解[38]。
3.5.2. 定性分析/主题分析
对访谈文本进行主题分析，以识别与AI工具使用、认知卸载和批判性思维相关的重复主题和模式。遵循Braun和Clarke [35]的六阶段框架，包括熟悉数据、生成初始编码、搜索主题、审查主题、定义和命名主题以及撰写报告。该方法非常适合识别和解释定性数据中的意义模式。
主题分析按照Braun和Clarke的六阶段框架进行，以分析从参与者回答中收集的定性数据。这些阶段的操作化如下：
熟悉数据：所有定性回答被逐字转录，反复阅读，并做初步笔记以识别模式和重复主题。
生成初始编码：使用Excel对数据的关键特征进行系统编码，生成一份全面的编码列表。
搜索主题：相关编码被归类为潜在主题，以反映数据中的总体模式，如“AI依赖”、“认知参与”和“伦理关切”。
审查主题：对主题进行细化和验证，对照数据集确保其相关性和一致性，消除重叠和冗余。
定义和命名主题：对主题进行清晰定义以确保其独特性，并与研究目标保持一致。
撰写报告：最终主题使用具有代表性的参与者引文加以说明，并与研究问题相关联，以提供全面的叙述。
为确保研究结果的有效性和可靠性，采用了若干策略：
三角验证：定量和定性数据的结合使用允许对研究结果进行交叉验证，增强研究的可信度[39]。
试点测试：调查工具在小型样本（50名参与者）中进行了试点，以完善问题并确保清晰度。
成员核查：参与者有机会审查和评论其访谈文本，确保表述的准确性。
3.6. 伦理考量
本研究的伦理批准来自相关机构伦理委员会。参与者提供了知情同意，所有数据均经过匿名化处理以保护保密性。本研究遵守了英国心理学会[40]所概述的伦理指南。
4. 结果
本研究调查了AI工具使用对批判性思维的影响，将认知卸载视为潜在的中介因素。分析涵盖描述性统计、方差分析、相关分析、多元回归和随机森林回归。
4.1. 描述性统计
数据集包含666份回答，详述了AI工具使用、认知卸载倾向和批判性思维得分。年轻参与者（17–25岁）表现出更高的AI工具使用和认知卸载，但批判性思维得分较低。相比之下，年长参与者（46岁及以上）表现出较低的AI工具使用和认知卸载，且批判性思维得分较高。表1提供了数据集验证的摘要，包括每个变量的有效和缺失回答数量，以及分配给分类变量（如年龄、性别和教育水平）的数值代码范围。这确保了数据集完整且可进行进一步的统计分析。表2呈现了本研究中使用的分类变量的概述，包括年龄、性别、教育水平、职业和深度思维活动。变量代码和详细描述见附录A以供参考。
4.2. 方差分析
表3呈现了检验AI工具使用水平与批判性思维得分之间关系的方差分析结果。分析显示出一个高度显著的主效应，表明对AI工具依赖的增加与批判性思维能力的降低相关联。这些发现与认知卸载理论一致，即分析任务的自动化减少了对独立推理的需求。残差方差表明其他因素（如教育背景和认知参与）对批判性思维的影响。这强调了需要制定策略，以平衡AI整合的益处与独立分析技能的发展，特别是在教育和组织环境中。
表4呈现了检验人口统计学变量对深度思维活动影响的方差分析结果。教育水平、年龄和职业被发现具有显著影响，突显了它们在塑造认知参与中的关键作用。具有高等教育水平的参与者和担任管理职务的参与者表现出更高水平的深度思维，很可能是因为他们有更多机会接触认知要求较高的任务。相反，性别对深度思维活动没有显著影响，表明其他因素可能发挥更突出的作用。这些发现强调了人口统计学变量与认知参与之间的相互作用，为旨在培养批判性思维的教育和职业策略提供了可操作的见解。
深入分析显示，深度思维活动在教育水平、年龄和职业方面存在显著差异。事后比较表明，具有高级学位的个体和年长年龄组的个体参与了显著更多的深度思维活动。这些发现表明教育和生活经验在促进认知参与方面发挥着关键作用。
4.3. 相关分析
相关分析突显了AI工具使用与批判性思维变量之间的强负相关（例如，评估来源：−0.494）。教育水平、深度思维活动和批判性思维得分之间发现正相关（表5）。
相关分析（表5）揭示了研究变量之间的关键关系：
AI工具使用与批判性思维：存在强负相关，表明AI工具使用的增加与较低的批判性思维技能相关联。
AI工具使用与认知卸载：存在强正相关，表明更高的AI使用导致更大的认知卸载。
认知卸载与批判性思维：同样，存在强负相关，表明随着认知卸载的增加，批判性思维下降。
这些模式突显了AI工具使用对认知的影响，特别是依赖AI工具如何通过促进认知卸载来降低批判性思维。
关键变量，即AI工具使用、认知卸载和批判性思维之间的关系，总结于表6。这些相关性为依赖AI工具如何影响认知过程和批判性思维能力提供了关键的见解。
这些发现为AI工具使用的认知影响提供了有力的证据。从理论角度来看，所观察到的强相关性表明，对AI工具的依赖形成了一个反馈循环，其中认知卸载的增加加剧了批判性思维能力的下降。从实践角度来看，这些结果突显了平衡AI整合与维持和发展批判性思维技能策略的重要性。教育项目和职场培训应侧重于通过鼓励促进深度思维和分析性推理的活动来培养认知韧性。表5中呈现的见解对于寻求负责任地实施AI的组织和教育者尤为相关。虽然AI工具的益处不可否认，但与认知卸载及其对批判性思维影响相关的风险不容忽视。在利用AI与维持人类认知参与之间取得平衡，对于减轻AI依赖的长期认知后果至关重要。
4.4. 多元回归
例如，诸如“AI工具使用频率”和“认知卸载倾向”等预测变量直接对应于调查中旨在评估参与者在多大程度上依赖AI工具处理常规和复杂任务的问题。这些变量对于理解参与者如何在自身与AI系统之间分配认知任务至关重要，这一概念得到了交互记忆理论的支持[5]。
此外，“批判性思维参与”对应于测量参与者参与需要分析、评估和推理的活动的程度的问题。这与Jonassen[16]关于反思性思维在问题解决和决策中作用的强调相一致。诸如“教育水平”和“深度思维活动频率”等变量也被纳入，因为它们被公认是认知参与和批判性思维的预测因素，正如先前研究所强调的那样，这些研究将教育程度和智力参与与批判性推理技能联系起来[41,42]。选择这些预测变量的理由也进一步基于文献。例如，Carr[4]强调了过度依赖数字工具的潜在认知影响，这与纳入测量对AI工具依赖程度的预测变量相一致。类似地，与“决策依赖AI”和“AI节省时间”相关的变量反映了参与者在多大程度上将认知任务卸载给AI，正如Pasquale[20]关于“黑箱”问题及其对用户参与影响的讨论所暗示的那样。
表6中的每个预测变量都提供了对研究问题特定方面的见解，为AI工具如何影响认知卸载和批判性思维提供了全面的视角。这些预测变量不仅具有理论基础，而且通过问卷中明确界定的问题进行了实证测量。
4.5. 随机森林回归
随机森林回归模型中的特征重要性图（图1）展示了每个变量在预测结果变量——在本研究中即批判性思维得分——方面的贡献程度。在本研究的背景下：
AI工具使用是最突出的预测因素，意味着它对模型预测批判性思维得分的能力具有最大的影响。这与本研究的发现一致，即更高的AI使用与较低的批判性思维能力密切相关。
认知卸载也显示出高重要性，表明它显著影响批判性思维，这与将认知任务卸载给AI工具会减少批判性思维参与的观点一致。
教育水平和深度思维活动具有中等重要性，表明虽然它们确实影响批判性思维，但其影响相较于AI工具使用和认知卸载而言不那么显著。
该图强调了AI工具使用和认知卸载作为模型中关键因素的主导地位，强化了本研究的结论，即对AI工具的依赖可能对批判性思维产生负面影响。
图1呈现了随机森林回归分析得出的特征重要性图，展示了每个变量对预测批判性思维得分的相对贡献。所包含的变量有：
AI工具使用：捕捉参与者在日常活动中使用AI工具的频率及对其的依赖程度。
教育水平：指示参与者获得的最高教育程度，范围从高中到博士水平。
深度思维活动：反映参与者参与认知要求较高的活动（如问题解决和反思性思维）的程度，按从“从不”到“总是”的量表进行评分。
AI决策依赖：衡量参与者在决策过程中依赖AI工具的程度。
AI节省时间：评估参与者对AI工具所提供的节省时间益处的感知。
AI工具使用 * 教育交互：代表AI工具使用与教育水平之间的交互效应，突显教育如何调节AI使用对批判性思维的影响。
图1中所描绘的变量与随机森林回归中分析的预测变量一致，提供了对AI工具、认知参与和批判性思维能力之间关系的见解。重要性得分量化了每个变量的预测能力，使我们能够确定进一步调查和干预的优先领域。
图1以可视方式总结了随机森林回归分析得出的关键关系。变量“AI工具使用”代表与AI技术互动的频率，而“教育水平”和“深度思维活动”分别捕捉人口统计学因素和认知参与因素。这些变量之所以被选中，是因为通过统计分析发现它们对批判性思维具有显著影响。该图突显了交互效应，例如教育水平对AI工具使用影响的调节作用，以及这些关系如何塑造深度思维活动。诸如“AI决策依赖”和“AI节省时间”等预测变量被纳入，以说明AI参与的具体维度如何影响认知结果。图中的每个节点对应于数据集中的一个变量，箭头表示影响的方向和显著性。
随机森林回归模型中的残差分布（图2）显示了观测（实际）值与模型生成的预测值之间的差异。理想情况下，残差应围绕零呈正态分布，表明模型的预测在平均意义上是准确的，并且模型中不存在系统性误差。在本研究中，残差的分布表明随机森林模型提供了良好的拟合，大多数残差聚集在零附近。残差的正态分布意味着模型不会一贯地高估或低估批判性思维得分，支持了模型预测的可靠性。
图3比较了参与者的实际批判性思维得分与随机森林回归模型预测的得分。理想情况下，点应紧邻一条对角线分布，在该对角线上实际值等于预测值。在本研究中，该图显示实际得分与预测得分之间具有相对较强的一致性，表明模型准确捕捉了AI工具使用、认知卸载和批判性思维之间的关系。点与对角线的接近程度证实了模型基于输入变量预测批判性思维的有效性。然而，任何偏离该线的明显偏差可能突显模型预测不够准确的区域，暗示需要进一步改进的潜在方面。
选择随机森林回归作为分析方法，是因为其在处理复杂的非线性关系方面具有稳健性，并且能够有效评估特征重要性。与假设预测变量与结果变量之间呈线性关系的传统回归方法不同，随机森林提供了一种灵活的非参数方法。这使得能够更细致地理解变量之间的关系，特别是在可能存在交互作用和非线性效应的情境中。选择随机森林回归的动机是需要补充前面呈现的多元回归分析。虽然多元回归识别预测变量的整体贡献，但随机森林在预测批判性思维得分方面为每个变量的相对重要性提供了独特的见解。该方法还降低了多重共线性的风险，因为它不依赖传统的参数假设。随机森林回归的特征重要性分析突显了AI工具使用和认知卸载在预测批判性思维结果中的重要作用。通过量化每个变量的贡献，该方法提供了可操作的见解，说明哪些因素值得针对性干预。例如，分析强调了AI工具和认知卸载的主导影响，强化了本研究关于这些技术认知影响的发现。
在随机森林回归中使用交叉验证进一步增强了结果的可靠性，确保模型的预测能够很好地泛化到未见数据。此外，残差分析证实了模型拟合的充分性，残差聚集在零附近，表明预测中的偏差最小。这种稳健的模型表现强调了随机森林回归所得发现的有效性。
4.6. 置换检验
这些分析共同表明，高频率的AI工具使用对批判性思维产生负面影响，这一影响主要通过认知卸载起中介作用。这些发现表明，在日益依赖AI工具的背景下，需要采取教育干预措施来促进批判性思维技能。
4.7. 访谈结果
通过50次半结构化访谈收集的定性数据提供了丰富的见解，支持并详细阐述了定量分析的结果。来自不同年龄群体和教育背景的参与者讨论了他们在AI工具使用、认知卸载及其对批判性思维能力影响方面的体验。
定性数据使用Braun和Clarke的六阶段主题分析框架进行分析。该方法揭示了三个主导主题（表10）：AI依赖、认知参与和伦理关切。这些主题为参与者对AI工具的体验提供了丰富的背景化见解，补充了定量研究发现。
AI依赖
参与者频繁报告了对AI工具在常规和认知任务方面的高度依赖。例如，一位参与者指出：“我用AI做所有事情，从日程安排到信息查找。它已经成为我思维方式的一部分。”这一主题与认知卸载的定量发现相一致，突显了AI工具如何充当认知的替代品而非补充品。
认知参与
几位参与者表达了对从事独立认知任务机会减少的担忧。一位参与者评论道：“我使用AI越多，就越觉得不需要自己解决问题。就好像我正在失去批判性思考的能力。”这一主题强化了定量观察结果，即AI工具使用的增加与批判性思维技能的降低相关联。
伦理关切
参与者对AI建议的透明度和偏见提出了担忧。例如，一位参与者表示：“我有时怀疑AI是否在微妙地推动我做出我通常不会做的决定。”这些担忧凸显了AI依赖的潜在伦理影响，补充了表明认知参与减少的定量结果。
4.7.1. AI工具使用与认知卸载
许多受访者，特别是年轻年龄组（17-25岁）的受访者，表达了对AI工具在从简单信息检索到更复杂决策过程等各种任务中的严重依赖。他们描述了AI工具（如虚拟助手和搜索引擎）如何已成为他们日常生活的组成部分。一个反复出现的主题是这些工具所提供的便利和速度，这往往导致认知卸载。参与者承认，他们常常依赖AI来记忆信息、解决问题或做出决策，而不是参与更深层的认知过程。
一位中年参与者指出：“我发现自己几乎在所有事情上都使用AI工具——无论是找餐厅还是在工作中快速做决策。它节省时间，但我确实怀疑自己是否正在失去像过去那样彻底思考问题的能力”（P398）。
年长参与者（46岁及以上）报告了对AI工具的较低依赖，与定量发现一致。他们描述了对传统问题解决和信息收集方法的偏好，认为这些方法能保持他们的认知技能更为敏锐。一位年长参与者评论道：“我仍然更喜欢阅读多种来源，并对收集到的信息进行批判性思考。我对过度依赖AI持谨慎态度，因为我不想失去独立分析和决策的能力”（P517）。例如，一位参与者表示：“AI工具帮助我快速完成任务，但我觉得自己过于依赖它们来进行深度思考”（P3）。另一位参与者表示：“我很少反思AI推荐背后的偏见；我倾向于完全信任它们”（P7）。
4.7.2. 批判性思维与教育背景
访谈还揭示，具有更高教育程度的参与者更了解依赖AI工具的潜在弊端。这些个体更倾向于交叉核对AI提供的信息，并对AI生成的内容进行批判性评估。这与定量结果一致，显示教育水平与批判性思维得分之间存在正相关。
一位拥有博士学位的参与者分享道：“虽然我经常使用AI工具，但我总是确保批判性地评估所接收的信息。我的教育教会了我不能仅凭表面价值接受事物的重要性，尤其是在AI方面，它有时可能提供有偏见或不完整的信息”（P601）。
教育程度较低的参与者表达了对其依赖AI工具的显著担忧。一位参与者指出：“我使用AI是因为它简化了一切，但我有时觉得自己正在失去自己的问题解决能力”（P221，高中毕业生）。另一位参与者表示：“我在使用AI时并不真正进行批判性思考；我只是遵循它的建议”（P607，部分大学教育）。这些回应强调了依赖AI工具可能对那些教育程度较低者产生不成比例的影响，因为他们可能缺乏批判性思维训练来有效审视AI输出。
4.7.3. 对认知技能的感知影响
在所有年龄组中，对AI工具对认知技能的长期影响存在共同的担忧。参与者表达了一种信念，即他们对AI的依赖可能正在削弱其独立批判性思维和问题解决的能力。年轻参与者尤其反思了通过AI工具轻松获取信息可能使他们不太倾向于参与深度思考。
一位年轻参与者评论道：“能如此便捷地获取所有这些信息固然很好，但我有时担心自己并没有真正学到或记住任何东西。我太依赖AI了，我想如果没有它，我都不知道如何解决某些问题”（P411）。
然而，一些参与者也强调了AI的积极方面，例如提高效率以及快速处理日常任务的能力，从而释放心理资源用于更复杂的认知活动。
教育水平较高的参与者对AI输出表现出更大的怀疑态度。一位参与者评论道：“我总是交叉核对AI的建议，因为我知道它并不总是准确的”（P309，硕士学历）。
相反，一位教育水平较低的参与者指出：“我没有时间也没有技能去核实AI所说的内容；我只是信任它”（P229，高中毕业生）。这种对比突显了教育水平如何调节批判性评估AI提供信息的能力。
4.8. 对定量研究的总体支持
访谈结果证实了定量结果，强化了以下结论：严重依赖AI工具与批判性思维降低和认知卸载增加相关联。参与者对其经历的反思为调查数据中观察到的统计相关性提供了定性深度，确认了本研究的关键发现，并突显了这些认知转变在现实世界中的影响。定性和定量数据之间的一致性增强了总体论证。它强调了需要采取教育和社会干预措施来应对AI工具使用所带来的认知挑战。
5. 讨论
本研究调查了AI工具使用对批判性思维技能的影响，特别关注认知卸载作为潜在中介变量。研究采用了多种方法，包括方差分析、相关分析、多元回归和随机森林回归，以分析从多样化样本参与者收集的数据。关键发现表明，较高的AI工具使用与降低的批判性思维技能相关联，且认知卸载在这一关系中起着重要作用。
我们的发现与先前的研究一致，表明过度依赖AI工具可能对批判性思维技能产生负面影响。Firth等人[24]和Zhang等人[43]都强调了AI工具在增强基本技能习得方面的潜力，同时可能削弱更深层次的认知参与。我们的研究通过定量方式扩展了这一点，证明AI工具使用的增加与批判性思维得分的降低相关联，后者通过诸如哈尔彭批判性思维评估（HCTA）工具等综合评估进行测量。
Halpern[1]的工作强调了批判性思维在教育和专业背景中的重要性，我们的结果支持了依赖AI工具可能抑制这些关键技能发展的观点。在我们的研究中观察到的AI使用与批判性思维之间的负相关与Halpern关于过度依赖技术进行认知任务的担忧一致。此外，我们的结果与Gerlich[44]关于虚拟影响者研究的见解产生共鸣。该研究强调了AI驱动的虚拟影响者如何塑造消费者行为和决策过程，可能减少独立批判性评估的需求。对AI生成内容的依赖可能削弱用户的批判性思维能力，因为他们可能在没有彻底审视的情况下接受信息和建议。虚拟影响者作为可信信息来源的现象，与我们研究中参与者对AI工具所展现的信任相呼应，导致了批判性参与的减少。Gerlich[18]提供了关于对AI工具的信任如何影响认知卸载和决策的宝贵见解。研究结果表明，随着用户对AI发展出更大的信任，他们更可能将认知任务委托给这些工具，这与我们观察到的认知卸载增加导致批判性思维降低相一致。这种信任造成了对AI处理日常认知任务的依赖，从而减少了个体深入处理其所处理信息的必要性。对AI工具信任的增加导致更大的认知卸载，进而降低批判性思维技能。这一循环因虚拟影响者的角色而加剧，他们通过充当可信信息来源进一步强化了对AI生成内容的依赖。
5.1. 认知卸载的作用
认知卸载在AI工具使用与批判性思维之间关系中起中介作用，是本研究的创新贡献之一。Risko和Gilbert [6]所描述的认知卸载，涉及将认知任务委托给外部工具，从而减轻个体的认知负荷。我们的发现表明，认知卸载显著中介了AI使用与批判性思维之间的关系，暗示认知负荷的降低可能导致认知参与和批判性分析机会的减少。这与Carr [4]在《浅薄》一书中的论点一致，该论点认为技术可以创造认知捷径，从而减少深度思考的需求。这些发现也与Sparrow、Liu和Wegner [5]的“谷歌效应”概念产生共鸣，即通过技术便捷获取信息导致记忆保留和独立问题解决能力的下降。Gerlich [7]的发现表明，对AI工具信任的增加与更高的认知卸载相关，从而支持了我们的中介分析结果。该研究强调，信任AI工具的用户更可能依赖它们进行决策，从而减少其对批判性思维过程的参与。这种由AI工具的感知可靠性和便利性所培养的信任，促进了一种认知依赖，削弱了主动认知努力的需求。
5.2. 教育启示
我们研究的结果对教育环境具有重大意义，特别是在AI工具融入课堂方面。虽然AI工具提供个性化学习和高效的信息检索，但教育者必须警惕其潜在弊端。文献表明，当适当使用时，AI可以增强学习成果[2,3]。然而，我们的发现突显了平衡AI使用与促进批判性思维和认知参与的活动的必要性。Freeman等人[45]和Deslauriers等人[46]提倡将学生积极参与学习过程的主动学习策略。我们的结果支持这一方法，表明通过主动参与减少认知卸载可以减轻AI工具对批判性思维的负面影响。因此，教育干预应整合批判性思维练习，并营造鼓励学生深入参与内容而非被动依赖AI工具的环境。这里得出的启示与Gerlich [44]的发现一致，该发现强调了媒体素养教育的必要性，以帮助用户批判性地评估AI生成的内容。纳入此类教育策略可以通过促进更主动和参与的认知过程，帮助减轻AI对批判性思维的潜在负面影响。这种整合表明，虽然AI可以作为增强学习某些方面的宝贵工具，但保持促进认知参与和批判性分析的平衡方法至关重要。
5.3. 假设评估
假设1：更高的AI工具使用与降低的批判性思维技能相关。
研究结果证实了这一假设。相关分析和多元回归结果表明，AI工具使用与批判性思维技能之间存在显著的负相关关系。报告AI工具使用频率更高的参与者在批判性思维评估中始终表现出较低的得分。
假设2：认知卸载在AI工具使用与批判性思维技能之间起中介作用。
该假设也得到证实。中介分析表明，认知卸载显著中介了AI工具使用与批判性思维之间的关系。因AI工具使用而参与更高水平认知卸载的参与者表现出较低的批判性思维技能，表明AI工具带来的认知负荷减少对批判性思维发展产生了不利影响。
5.4. 对实践和政策的启示
研究结果提出了若干实践和政策方面的启示。教育者和政策制定者应促进在教育环境中对AI的平衡整合，确保AI工具补充而非取代认知任务。强调主动学习策略和批判性思维练习可以帮助减轻认知卸载的负面影响，并支持基本认知技能的发展。教师培训项目应包括关于有效整合AI工具同时保持认知参与的组成部分。此外，应强调发展学生的元认知技能，以帮助他们意识到何时以及如何适当地使用AI工具，而不损害其认知发展。
6. 结论
本研究的结果阐明了AI工具使用、认知卸载与批判性思维之间复杂的相互作用。随着AI工具日益融入日常生活，它们对基本认知技能的影响值得仔细审视。我们的研究表明，频繁使用AI工具与批判性思维能力之间存在显著的负相关，且这一关系由认知卸载现象所中介。这表明，虽然AI工具在效率和可及性方面提供了不可否认的益处，但它们可能在无意中削弱用户参与深度、反思性思维过程。表现出更高AI工具依赖性的年轻参与者，其批判性思维得分低于年长参与者。这一趋势强调了教育干预的必要性，以促进对AI技术的批判性参与，确保这些工具所提供的便利不以牺牲基本认知技能为代价。更高的教育程度与更好的批判性思维技能相关，突显了教育在减轻AI工具使用潜在不利影响方面的作用。这些见解为关于AI认知影响的日益增长的讨论做出了贡献，表明教育者、政策制定者和技术专家必须协同合作，营造既能平衡AI益处又能发展批判性思维的环境。未来的研究应探索以增强而非阻碍认知参与的方式整合AI工具的策略，确保下一代具备在日益复杂的数字环境中导航所需的技能。
本研究的局限性包括依赖自我报告测量以及可能存在样本偏差。尽管如此，研究结果为关于AI认知影响的持续研究和对话提供了有力的依据。通过理解和应对这些挑战，我们可以更好地利用AI的力量来支持而非取代人类智力。
本研究的发现为未来研究开辟了若干途径。一个潜在方向是调查AI工具使用对批判性思维技能的长期纵向影响。这可能涉及追踪个体多年来的认知发展和AI工具使用模式，以全面理解长期影响。另一个有前景的研究领域是探索特定类型的AI工具及其对不同认知过程的独特影响。例如，考察推荐算法、虚拟助手或智能辅导系统的使用是否对批判性思维和认知卸载产生不同影响，可以提供细致入微的见解。操纵AI工具使用水平并测量批判性思维表现相应变化的实验研究，可以为这些变量之间的关系提供因果证据。这些实验还可以测试旨在减轻AI工具依赖负面影响的干预措施，如强调批判性思维技能的教育项目或有效使用AI工具的培训。跨文化研究也可能具有价值，因为它们将允许考察文化背景如何影响AI工具使用与批判性思维之间的关系。理解这些文化差异可以为制定适合不同人群且具有文化敏感性的定制化教育干预措施提供信息。调查个体差异（如人格特质或认知风格）在调节AI工具使用对批判性思维影响中的作用，可以更深入地了解为什么某些人比其他人更容易受到认知卸载的影响。这一研究方向有助于识别高风险群体，并制定针对性的策略来支持他们。
原文链接：https://www.researchgate.net/publication/387701784_AI_Tools_in_Society_Impacts_on_Cognitive_Offloading_and_the_Future_of_Critical_Thinking
热门跟贴