Beyond Productivity: Exploring the Cognitive Cost of Using ChatGPT
Notice bibliographique
Résumé
Generative AI is a category of artificial intelligence that focuses on generating new content and data. The rapid integration of AI tools, including ChatGPT and other large language models LLMs offers many promises in terms of productivity and efficiency. Currently, these tools are employed as personal intellectual and managerial assistants at both the individual and professional levels. This is due to their ability to provide unprecedented access to information at speed and creativity, which enhances our short-term productivity and performance in various tasks. On the other hand, concerns emerged about potential cognitive consequences. This study aims to investigate the impact of excessive AI use on attention, critical thinking, reasoning, and memory retention. The findings revealed that excessive reliance on AI increases the extrinsic load. This strains attention and decreases deep involvement. There is also an accompanying risk of reduced internal memory retention, often referred to as digital amnesia. Additionally, it might hinder synthesis, analysis, and critical thinking skills. This will affect the well-being of the individual and society. Also, relying on it too heavily may discourage individuals from engaging in deep thinking, independent reasoning, and verifying the quality of sources and information. This study suggests a novel model, “the Cognitive Engagement Spectrum” framework. The framework presents three types of users based on their level of interaction and engagement with AI tools. The passive users, active editing users, and generative prompting and socratic dialogue users. Additionally, experts should keep in mind that the performance of AI models improves when they interact with users. Therefore, there should be a warrant for their future capabilities. Ultimately, we need to reach a point where we control the tool, not the other way around.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,103 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».