大型语言模型对学习认知负载的影响分析简要内容总结

一、实验设计

1. 分组与流程：54 名参与者分为三组，LLM 组（仅用 GPT-4o）、搜索引擎组（仅用谷歌，屏蔽 AI 结果）、无工具组（仅依赖自身知识），完成 3 次 essay 写作；18 人额外参与第 4 次实验，LLM 组与无工具组互换工具，且仅选择过往写过的主题。
2. 数据采集：用 EEG 记录脑活动，分析认知参与度与负载；通过 NLP 分析 essay 的命名实体识别（NER）、n-grams 等；结合师生评分与访谈，评估内容质量、记忆与归属感。

二、核心发现

1. 神经连接差异：EEG 显示，无工具组脑网络连接最强（尤其前额叶 – 顶叶区域），搜索引擎组次之，LLM 组最弱。LLM 组 α、β 频段连接弱，反映认知参与度低；无工具组 θ 频段连接强，体现工作记忆与执行控制活跃。第 4 次实验中，LLM 转无工具组神经连接仍弱于原生无工具组，无工具转 LLM 组则激活更广泛脑区。
2. 语言与行为表现：NLP 分析发现，LLM 组 essay 同质化高、NER 使用多但独特性低，无工具组内容差异大、原创性强。行为上，LLM 组难以引用自身 essay（Session 1 中 83.3% 无法正确引用），归属感弱；无工具组引用能力强、归属感强，搜索引擎组表现居中。
3. 认知负载与长期影响：LLM 虽降低即时认知负载，但导致 “认知负债”，长期使用使学习者在神经、语言、评分层面表现均差于无工具组。AI 评分普遍高于人类教师，人类教师更易识别 LLM 生成内容的 “同质化” 问题。

三、结论与启示