講座簡報
淺談人工智慧對認知與心理的雙面刃效果
國立彰化師範大學輔導與諮商學系所
孫繼光
本次演講旨在探討人工智慧(AI)對人類認知與心理功能的雙面刃效果,以實徵研究為基礎,剖析其同時對認知與心理的助益和危害。
在助益方面,研究顯示AI能有效增強人類的認知能力。例如,在決策制定上,AI能顯著提升人類的判斷準確性;在個人化學習上,AI驅動的適性教學系統能根據學生的學習進度與風格提供客製化內容,研究證實此方法能帶來較高的學習成效。此外,AI驅動的心理健康工具,如心理諮商取向的聊天機器人,可有效地減緩焦慮與憂鬱症狀。
然而,過度依賴AI亦帶來認知成本,造成認知與心理功能的危害。最新的研究指出,依賴ChatGPT完成寫作的學生,其腦部活動、創造力與記憶表現皆下降,且文章風格趨於同質化。此外,「認知外包」(Cognitive Offloading)現象近年來引起高度關注,研究發現:經常使用AI工具與批判性思維能力呈現負相關。因此,過度依賴AI不僅削弱了自身的認知參與度與深度思考,長期而言,更可能有損大腦執行功能和問題解決等重要能力。
AI對人類認知與心理的影響並非單一的,它既是強大的輔助工具,也能夠危害我們的身心健康。未來的挑戰在於我們如何建立人與AI間的健康關係,最大化AI的助益,並同時透過教育與策略性使用,減輕AI對認知與心理潛在的危害。
以複雜動態系統取向探討學習歷程:再現量化分析
學生的學習歷程記錄不僅是一種能提供學習歷程與成效研究的教育大數據,同時也是由學習行為組成的時間序列型資料。在資料處理與分析上若能依此時間序列的特性進行分析,將更能適當反映此資料的特性。另一方面,學習歷程,特別是被視為有助於學習成果的自我調節學習(self-regulated learning),是一種牽涉到個體透過對於其內在與外在狀態的覺察、解讀、控制及監控以達到特定學習目的的多向度歷程。換言之,學習或自我調節學習的歷程,具備了複雜動態系統的三個特徵:相互連結(interconnectedness)、非遍歷性(non-ergodicity)、非線性。因此,若僅將學習歷程的行為資料視為單一變項的時間序列型資料、嘗試據之進行模型建立,可能無法捕捉學習歷程作為複雜動態系統的特性。本次演講將以教育部之教育大數據分析競賽開放資料中的線上教學影片觀看行為為例,藉此展示如何透過複雜動態系統取向之分析方法中的再現量化分析(recurrence quantification analysis),呈現每個學生其複雜學習歷程中的特殊樣態(如:觀看行為形成序列型態且重複出現的程度),並進一步提出處理時間序列類型之人類行為大數據資料的不同觀點。
平行講座 回饋表單