突发! MIT首次证实: 长期用AI写作会导致你“认知破产”, 206页揭示AI写作真实代价

新闻

作者：微信文章


凡是搞计量经济的，都关注这个号了

邮箱：econometrics666@126.com

所有计量经济圈方法论丛的code程序, 宏微观数据库和各种软件都放在社群里.欢迎到计量经济圈社群交流访问.



突发消息：MIT刚刚完成了首项针对 ChatGPT 用户的大脑扫描研究，结果令人震惊。

研究发现，人工智能并没有让我们变得更高效，反而让我们走向了认知破产。

这是长达四个月的数据所揭示的真相：《Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task》《你的大脑与ChatGPT：在写作任务中使用AI助手导致的认知债务积累》

---

本研究结合神经科学实证与语言内容分析，首次系统揭示了使用ChatGPT、DeepSeek、通义千问、豆包、Kimi等LLM参与写作任务所引发的“认知债务”问题。虽然AI工具在短期内确实能提高写作效率，但也伴随着神经参与度下降、记忆编码受限与表达归属感弱化等隐性代价。若长期依赖，甚至可能损害学习者的批判性思维与表达能力。

一句话总结：ChatGPT可以帮你写，但不能帮你学。

真正的学习过程，离不开持续的思考、动手的实践和主动的心理投入。

一、研究背景与动机

随着大型语言模型（LLM），如 ChatGPT、DeepSeek 和千问等，在教育和写作中的广泛应用，其对人类认知能力的潜在影响也日益受到关注。尽管这些工具确实提升了写作效率与获取信息的便捷性，但越来越多的研究指出，长期依赖 LLM 可能导致思维惰性、深度加工能力减弱，甚至形成所谓的“认知债务”（cognitive debt），即因过度依赖外部工具而逐渐丧失自身的思维与学习能力。

本研究围绕一个核心问题展开：在写作过程中使用LLM，是否会削弱用户的认知参与度与学习效果？ 为此，作者以写作任务为核心情境，从大脑神经活动、语言输出特征、记忆能力与主观感知等四个维度出发，系统比较使用LLM与不使用LLM对写作行为的影响，进而从认知神经科学与教育实践两个层面评估其潜在后果。

二、实验设计与方法

本研究共招募了54名大学生和研究人员，随机分为三组：LLM组仅可使用ChatGPT，搜索组仅可使用Google等传统搜索引擎，而脑力组则完全禁止使用任何外部工具。所有参与者需完成三轮写作任务，每轮从SAT题库中选择一个题目，在20分钟内完成议论文写作。部分参与者还参与了第四轮交叉实验，其中LLM组转换为脑力组，脑力组则改为使用LLM。

在每次写作过程中，所有参与者均佩戴脑电图（EEG）设备，实时记录其大脑活动，涵盖Alpha、Beta、Theta和Delta等多个波段。同时，研究团队利用自然语言处理（NLP）方法分析文章文本内容特征，并通过AI评分系统与人类教师联合评估写作质量。每轮任务结束后，还组织结构化访谈，以了解参与者对写作内容的记忆情况、归属感以及整体写作体验。



三、主要研究发现

脑电图数据显示，脑力组的神经活动最为活跃，连接范围广泛且集中，表明该组在写作中投入了更多认知资源；搜索组的神经活动居中；而LLM组的神经活动最弱，尤其在Alpha与Beta波段显著下调，显示出较低的认知参与度。第四轮交叉实验进一步表明，长期依赖LLM可能产生“神经惰性”：LLM-to-Brain组即使转为自主写作，其神经激活水平也未能有效恢复。

在文本层面，LLM组的写作内容呈现出较高的同质性，语言风格模板化、词汇重复率高，缺乏个性表达与深入思考。相比之下，脑力组在NER使用、n-gram分布和主题多样性等方面表现更为丰富，展现出更强的原创性和表达自由度。尽管LLM组的文章评分并不低，但其内容质量主要源于AI系统的通用模板支持，而非用户自身的语言组织能力。

此外，记忆测试与主观访谈显示，LLM组大多数参与者无法准确回忆出自己刚写过的句子，反映出其对写作内容缺乏有效编码。更重要的是，该组对文章的“拥有感”显著低于脑力组，许多参与者表示“这像是ChatGPT写的，不是我写的”，表明过度依赖LLM还会削弱学习主体性与心理参与感。





四、机制解释与讨论

作者认为，LLM的广泛使用带来了“认知卸载”效应：用户将原本需要亲自完成的思考、组织与语言生成等过程交由AI代劳，进而减少了大脑关键区域的激活，特别是与长期记忆形成与视觉整合相关的区域。虽然短期效率提升明显，但长期来看却抑制了思维锻炼与深度学习的发生。

更进一步，研究还揭示了所谓的“神经效率适应”机制。即随着用户习惯于LLM辅助写作，其大脑逐渐减少能量投入与连接调动，一旦工具被撤除，也难以恢复至原本的认知状态。这一机制或可解释为何LLM-to-Brain组的神经参与度依然低于纯脑力组。

此外，LLM的输出高度依赖其训练数据，这意味着用户往往容易接受AI提供的模板化语言结构，不再主动修改与思考，进而丧失批判性表达。访谈中多位受试者坦言，他们虽然对AI生成内容不完全满意，但“因为看起来还行，就懒得改了”，这进一步加剧了表达的单一性与思维的惰性。



五、对学习与教育的启示

首先，本研究并不否定LLM的使用价值，而是强调应有意识地区分“工具辅助”与“工具替代”。适度使用LLM（如协助润色、查找资料）可以提升写作效率，但若在学习初期过度依赖，容易削弱思维训练，阻碍学生形成独立的认知能力。因此，教育者应引导学生在早期阶段优先锻炼脑力，避免形成认知依赖。

其次，课程设计可尝试引入“先独立构思，后借助LLM优化”的写作流程，即“Brain-to-LLM”策略。这种模式能够兼顾效率与思维训练，使学生既能利用AI的优势，又不丧失自主思考的机会。同时，应注重元认知能力的培养，引导学生判断何时可以借助AI、何时必须依靠自身完成任务。

最后，在教育系统推广LLM工具的过程中，应避免将教学成效简单归结为写作评分等短期量化指标，而应更加关注学习过程中的关键能力，如记忆形成、理解深化与个性表达。如果忽视这些内在目标，可能会造成“学生会写但不会思考”的虚假繁荣，反而削弱教育的根本使命。

*群友可前往社群下载该PDF版本供阅读。

---

下面这些短链接文章属于合集，可以收藏起来阅读，不然以后都找不到了。

7年，计量经济圈近2000篇不重类计量文章，

可直接在公众号菜单栏搜索任何计量相关问题,

Econometrics Circle

数据系列：空间矩阵 | 工企数据 | PM2.5 | 市场化指数 | CO2数据 |  夜间灯光 | 官员方言  | 微观数据 | 内部数据计量系列：匹配方法 | 内生性 | 工具变量 | DID | 面板数据 | 常用TOOL | 中介调节 | 时间序列 | RDD断点 | 合成控制 | 200篇合辑 | 因果识别 | 社会网络 | 空间DID数据处理：Stata | R | Python | 缺失值 | CHIP/ CHNS/CHARLS/CFPS/CGSS等 |干货系列：能源环境 | 效率研究 | 空间计量 | 国际经贸 | 计量软件 | 商科研究 | 机器学习 | SSCI | CSSCI | SSCI查询 | 名家经验计量经济圈组织了一个计量社群，有如下特征：热情互助最多、前沿趋势最多、社科资料最多、社科数据最多、科研牛人最多、海外名校最多。因此，建议积极进取和有强烈研习激情的中青年学者到社群交流探讨，始终坚信优秀通过感染优秀而互相成就彼此。