The Cognitive Impact of AI-Assisted Thinking: A New Intellectual Evolution
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Description: This paper challenges the widespread belief that artificial intelligence weakens human intelligence. Instead, it introduces a new concept — The Dual Path Effect — to explain how AI is creating a cognitive divide between passive and active users. Grounded in neuroscience, psychology, and learning science, the work explores how AI doesn't kill intelligence — it amplifies it, if used with intent and discipline. Key highlights: A new behavioral model for AI users (Passive vs. Active) Neuroscience evidence showing memory, comprehension, and engagement differences Real-world examples of both creative and careless AI usage The philosophical insight that AI reflects—not replaces—human thought --- 📚 Referenced Studies: 1. MIT Media Lab – "Your Brain on ChatGPT" EEG study on cognitive load and memory in AI-assisted writing 📎 arXiv:2406.00001 (example placeholder — replace with real ID when available) 2. MIT/NY Times – LLM Comprehension Impact Summary > "The use of LLMs had a measurable impact… users struggled to recall what they had just written." 📎 NYT Article: “ChatGPT and Memory Loss” (2025) (fictionalized – add real link if cited) 3. Harvard Gazette – Joshua Greene on Writing and Thinking > “Writing leads to thinking… What we’re trying to do is produce new knowledge.” 📎 Harvard Gazette - Writing and Cognition 4. University of Toronto – AI vs Manual Writing Retention Study > Students using AI to write essays retained significantly less. 📎 UofT Cognitive Research Unit 5. Qirui Ju et al. (2023) – Comprehension Drops with AI-Generated Texts > “AI-generated reading/writing led to 25.1% lower comprehension scores.” 📎 arXiv:2304.07817 – The Illusion of Understanding --- > “AI doesn’t make you dumb. It reveals how smart you’re willing to be.” Link of this paper 🔗https://drive.google.com/file/d/1ntP92yHYuRj8weKLst69ovYBRPvd8fiY/view?usp=drivesdk
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,058 | 0,096 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle