Dr Brian W Stone från Boise State University diskuterar nackdelarna med att låta en AI -modell göra arbetet med att lära dig för dig.
När Openai släppte ’studieläge’ I juli 2025 utropade företaget Chatgpts utbildningsfördelar. ”När chatgpt uppmanas att undervisa eller handledare kan det förbättra akademiska prestationer avsevärt,” Företagets vice ordförande för utbildningen berättade för reportrar vid produktens lansering. Men någon dedikerad lärare skulle ha rätt att undra: Är detta bara marknadsföring, eller stöder vetenskaplig forskning verkligen sådana påståenden?
Medan generativa AI -verktyg flyttar in i klassrummen med blixthastighet, har robust forskning om frågan inte har rört sig nästan lika snabbt. Vissa tidiga studier har visat fördelar för vissa grupper som datorprogrammeringsstudenter och Engelska elever. Och det har gjorts ett antal andra optimistiska studier på AI i utbildning, till exempel en publicerad i tidskriften Nature I maj 2025 antyder att chatbots kan hjälpa till att lära sig och högre ordningstänkande. Men forskare på området har pekat på betydande metodiska svagheter i Många av dessa forskningsdokument.
Andra studier har målat en grimmerbild, vilket tyder på att AI kan försämra prestanda eller kognitiva förmågor som Kritiskt tänkande färdigheter. Ett papper visade Att ju mer en student använde chatgpt när han lärde sig, desto sämre gjorde de senare på liknande uppgifter när chatgpt inte var tillgängliga.
Med andra ord, tidig forskning börjar bara skrapa ytan på hur denna teknik verkligen kommer att påverka lärande och kognition på lång sikt. Var annars kan vi leta efter ledtrådar? Som en kognitiv psykolog som har studerade hur högskolestudenter använder AIJag har funnit att mitt fält erbjuder värdefull vägledning för att identifiera när AI kan vara en hjärnförstärkare och när det riskerar att bli en hjärnavlopp.
Färdighet kommer från ansträngning
Kognitiva psykologer har hävdat att våra tankar och beslut är resultatet av två bearbetningslägen, vanligtvis betecknade som System 1 och system 2.
Den förstnämnda är ett system för mönstermatchning, intuition och vana. Det är snabbt och automatiskt och kräver lite medveten uppmärksamhet eller kognitiv ansträngning. Många av våra rutinmässiga dagliga aktiviteter – att klä sig, göra kaffe och cykla till jobbet eller skolan – faller in i denna kategori. System 2, å andra sidan, är i allmänhet långsam och avsiktlig, vilket kräver mer medveten uppmärksamhet och Ibland smärtsam kognitiv ansträngningmen ger ofta mer robusta utgångar.
Vi behöver båda dessa system, men att få kunskap och behärska nya färdigheter beror starkt på system 2. Kamp, friktion och mental ansträngning är avgörande för det kognitiva arbetet med inlärning, minns och Stärkande anslutningar i hjärnan. Varje gång en säker cyklist kommer på en cykel förlitar de sig på det hårda vederbörda mönsterigenkänningen i sitt system 1 som de tidigare byggt upp genom många timmars ansträngande system 2-arbete som använts för att åka. Du får inte behärskning och du kan inte bitinformation effektivt för bearbetning på högre nivå utan att först sätta in den kognitiva ansträngningen och stammen.
Jag säger till mina elever att hjärnan är mycket som en muskel: det tar äkta hårt arbete att se vinster. Utan att utmana den muskeln blir den inte större.
Vad händer om en maskin gör arbetet för dig?
Föreställ dig nu en robot som följer dig till gymmet och lyfter vikterna för dig, ingen stam som behövs från din sida. Inte länge kommer dina egna muskler att ha förmågor och du kommer att bli beroende av roboten hemma även för enkla uppgifter som att flytta en tung låda.
AI, som används dåligt – för att slutföra en frågesport eller skriva en uppsats, säg – låter eleverna kringgå det de behöver för att utveckla kunskap och färdigheter. Det tar bort det mentala träningen.
Att använda teknik för att effektivt ladda bort kognitiva träningspass kan ha en skadlig effekt på lärande och minne och kan få människor att lämna sin egen förståelse eller förmågor, vilket leder till vad psykologer kallar metakognitiva fel. Forskning har visat att vanligtvis avlastning av bilnavigering till GPS kan försämra rumsligt minne och att använda en extern källa som Google för att svara på frågor gör människor alltför självförtroende i sin egen personliga kunskap och minne.
Finns det liknande risker när studenter överlämnar kognitiva uppgifter till AI? En studie fann Att elever som forskade på ett ämne med ChatGPT istället för en traditionell webbsökning hade lägre kognitiv belastning under uppgiften – de behövde inte tänka lika hårt – och gav sämre resonemang om ämnet de hade undersökt. Ytnivåanvändning av AI kan innebära mindre kognitiv börda för tillfället, men detta liknar att låta en robot göra ditt gymträning åt dig. Det leder i slutändan till sämre tänkande.
I en annan studie, studenter Använda AI för att revidera sina uppsatser fick högre än de som reviderade utan AI, ofta genom att helt enkelt kopiera och klistra in meningar från chatgpt. Men dessa studenter visade inte mer faktisk kunskapsvinst eller kunskapsöverföring än sina kamrater som arbetade utan den. AI -gruppen engagerade sig också i färre strikta system 2 -tänkande. Författarna varnar för att en sådan ”metakognitiv lathet” kan leda till kortvariga prestandaförbättringar men också leda till stagnation av långsiktiga färdigheter.
Avlastning kan vara användbara när grunden är på plats. Men dessa stiftelser kan inte bildas om inte din hjärna gör det första arbete som krävs för att koda, ansluta och förstå de problem du försöker behärska.
Använda AI för att stödja lärande
Återvända till gymmet metafor kan det vara användbart för studenter att tänka på AI som en personlig tränare som kan hålla dem på uppgift av spårning och ställning lärande och skjuter dem att arbeta hårdare. AI har stor potential som en skalbar inlärningsverktyg, En individualiserad handledare med en enorm kunskapsbas som aldrig sover.
AI -teknikföretag försöker utforma just det: den ultimata handledaren. Förutom Openais inträde i utbildningeni april 2025 släppte Anthropic sin inlärningsläge för Claude. Dessa modeller är tänkta att engagera sig i sokratisk dialog, att ställa frågor och ge tips, snarare än att bara ge svaren.
Tidig forskning indikerar AI -handledare kan vara fördelaktiga men införa problem också. Till exempel fann en studie att gymnasieelever granskade matematik med chatgpt presterade sämre än elever som inte använde AI. Vissa elever använde basversionen och andra en anpassad handledarversion som gav tips utan att avslöja svar. När eleverna tog en tentamen senare utan AI -åtkomst, gjorde de som hade använt Base Chatgpt mycket värre än en grupp som hade studerat utan AI, men de insåg inte att deras prestationer var värre. De som hade studerat med Tutor Bot gjorde det inte bättre än studenter som hade granskat utan AI, men de trodde felaktigt att de hade gjort bättre. Så AI hjälpte inte, och det introducerade metakognitiva fel.
Även när handledarlägen förfinas och förbättras måste eleverna aktivt välja det läget och för tillfället måste också lekaskickligt att tillhandahålla sammanhang och vägleda chatboten bort från värdelösa frågor på låg nivå eller sycophancy.
De senare frågorna kan fixas med Bättre design, systemuppmaningar och anpassade gränssnitt. Men frestelsen att använda standardläge AI för att undvika hårt arbete kommer att fortsätta att vara ett mer grundläggande och klassiskt problem med undervisning, kursdesign och motiverande elever att undvika genvägar som undergräver deras kognitiva träning.
Som med andra komplexa tekniker som smartphones, internet eller till och med Skriva sig självdet kommer att ta mer tid för forskare att fullt ut förstå det verkliga utbudet av AI: s effekter på kognition och lärande. I slutändan kommer bilden troligen att vara en nyanserad som beror starkt på sammanhang och användningsfall.
Men det vi vet om lärande säger att djup kunskap och behärskning av en färdighet alltid kommer att kräva en äkta kognitiv träning – med eller utan AI.
Av Brian W Stone
Dr Brian W Stone är docent i kognitiv psykologi vid Boise State University. Han har en doktorsexamen i psykologi, en MSC inom neurovetenskap och beteende, en BA i sinnesfilosofi och en BSS i psykologi. Hans huvudsakliga intresseområden är AI, interaktion mellan mänskliga och dator, verktygsanvändning, jämförande kognition, felinformation och sociala medier/teknikanvändning.
