大型语言模型对认知能力的影响：MIT最新研究揭示

随着大型语言模型（LLM）如ChatGPT的广泛应用，其对人类认知能力的影响引起了研究者的关注。近期，一项由麻省理工学院（MIT）进行的深入研究，探讨了在教育环境中使用LLM进行写作任务时对大脑和认知能力的影响。

这项为期4个月、长达206页的研究报告指出，过度依赖人工智能聊天机器人可能会降低使用者的认知能力。研究团队设计了一个包含三组参与者的实验：LLM组、搜索引擎组和仅依靠大脑组。参与者在规定时间内完成不同主题的文章写作任务，共进行四轮实验。

研究采用了多种方法来评估参与者的表现，包括脑电图（EEG）记录、自然语言处理（NLP）分析、人工评分和AI评判。结果显示，仅依靠大脑的参与者在写作风格上表现出较大的多样性，而LLM组的文章则趋于同质化。此外，LLM组使用了最多的特定命名实体，而仅依靠大脑的组使用量则少了60%。

在认知负荷方面，研究人员使用动态定向传递函数（dDTF）方法进行测量。脑电图分析揭示，三组参与者在神经连接模式上存在显着差异。随着外部支持的增加，大脑连接程度系统性降低：仅依靠大脑组表现出最强、最广泛的网络连接，而LLM辅助组的整体耦合最弱。

第四轮实验中，从LLM切换到仅依靠大脑的参与者表现出较弱的神经连接和较低的α和β网络参与度。相反，从仅依靠大脑切换到LLM的参与者表现出更高的记忆回忆能力，并重新激活了广泛的枕顶叶和前额叶节点。

访谈结果显示，LLM组对其文章的归属感最低，超过83%的参与者无法引用几分钟前自己写的内容。搜索引擎组的归属感较强，但仍低于仅依靠大脑的组。

这项研究表明，在为期4个月的实验中，LLM组参与者在神经、语言和得分层面的表现均不如仅依靠大脑的对照组。研究人员强调，在LLM被广泛认可为对人类有益之前，需要进行更多"纵向研究"来了解其对人类大脑的长期影响。

尽管这项研究尚未经过同行评审，但它为我们提供了重要的洞察：过度依赖人工智能工具可能会影响学习技能的提升，特别是对年轻用户而言。这一发现提醒我们在使用LLM等先进工具时，应保持批判性思考，避免过度依赖。