人机交互中学习与表现的元认知路径
A metacognitive approach to learning and performance in human-AI interaction
生成式人工智能既能提供个性化辅导，也可能让学习者把规划、监控和评价一并交给 AI。这篇观点文章在认知卸载模型的基础上提出元认知卸载与元认知加载两个概念，并构建 SYNC 模型，按学习与表现两个维度划分出挣扎、费力学习、自动驾驶式表现和协同精通四个象限，进而讨论流畅性、迎合、连贯和透明四类陷阱及相应的支架设计。文中引用的实证结果来自已有研究，四个象限之间的发展轨迹属于理论假设。
生成式人工智能（GenAI）正迅速成为一种渗透教育、工作、研究和日常生活的普遍技术。然而，越来越多的证据表明，流畅、连贯且看似透明的人工智能辅助虽能提升任务表现，却会削弱持久学习所需元认知投入与深度加工。这一张力引出一个核心问题：将任务卸载给人工智能如何重塑人类学习，以及在何种条件下表现与学习会脱钩？在本 Perspective 中，我们提出人类-人工智能技能与知识建构协同观（Synergetic Notion of Human-AI Skills and Knowledge Construction，SYNC）模型。该模型通过概念化元认知卸载与元认知加载，为人类-人工智能交互提供了一种元认知解释。SYNC 模型旨在解释人类-人工智能交互如何在学习和表现两个维度上展开，阐明学习者如何可能滑向过度依赖人工智能支持的表现，或走向人类-人工智能协同。我们进一步识别了无效人类-人工智能交互中的关键陷阱，并概述了通过元认知加载应对这些陷阱、支持人类-人工智能协同的策略。
中文由 AI 翻译，仅供参考，以原文为准。
来源：Communications Psychology · nature.com