你的大腦與 ChatGPT：使用 AI 助理撰寫文章任務時的認知負債累積

論文原著：Your Brain on ChatGPT Accumulation of Cognitive Debt when Using an Al Assistant for Essay Writing Task

Doi：10.48550/arXiv.2506.08872

摘要：

隨著像 OpenAI 的 ChatGPT 等大型語言模型（LLM）廣泛被人類與企業日常使用，本研究聚焦於探討在教育情境中使用 LLM 撰寫文章所帶來的認知代價。

研究設計將參與者分為三組：

• LLM 組（使用大型語言模型）、

• 搜尋引擎組（使用搜尋工具）、

• 大腦組（不使用任何工具）。

前三次實驗中，參與者使用各自指定的工具進行寫作；第四次實驗中，LLM 組改為不使用工具（LLM-to-Brain），大腦組則改為使用 LLM（Brain-to-LLM）。共 54 人參與前三輪實驗，其中 18 人完成第四輪。

研究過程中使用腦電波（EEG）監測參與者的腦部活動，以評估他們的認知投入與負荷，並結合自然語言處理（NLP）分析、訪談、人工與 AI 評分。

研究發現包括：

• 各組產出的文章在命名實體、詞組與主題分類上呈現明顯的組內一致性。

• 腦波分析顯示，不同組別在神經連結模式上有顯著差異，反映出不同的認知策略：

  • 大腦組：神經網路最強、範圍最廣；

  • 搜尋引擎組：中等程度；

  • LLM 組：最弱的神經連結與參與度。

• 在第 4 次實驗中，LLM-to-Brain 組出現較弱的腦波連結與 alpha、beta 波段參與度降低；

  Brain-to-LLM 組則表現出更高的記憶召回力與視覺處理區的重新活化，類似搜尋引擎組的特徵。

• 訪談中發現 LLM 組對自己寫的文章的擁有感（ownership）最低，搜尋引擎組次之，大腦組最高。LLM 組也無法準確引用他們剛寫過的段落。

結論指出：雖然 LLM 在初期提供了明顯的便利，但長期觀察顯示，LLM 組在語言表現、腦部活動與寫作評分上都顯著落後於大腦組。

本研究提醒教育界，LLM 的使用可能對學習技能造成影響，也希望作為探索 AI 對學習環境影響的初步指南。