简介这份PDF论文面向知识工作者、生成式AI使用者及人机交互研究者讨论ChatGPT等工具进入工作流程后对批判性思维实践与认知投入的影响。包内共1个PDF文件约995KB收录CHI 2025会议论文全文包含摘要、调查方法、量化结果、质性发现与设计启示便于按章节查阅论证和数据。研究基于319名知识工作者的调查及936个第一手使用案例考察批判性思维何时被触发、生成式AI如何改变投入努力对GenAI信心越高批判性思维行为越少任务相关自信越高更可能展开批判性思考。质性部分还归纳出信息核验、回答整合与任务管理等变化并讨论知识工作场景中的设计挑战与机会。已有631人学习适合关注AI认知影响、评估工具风险与设计辅助流程的读者参考。1. 一份把“AI 让人变懒”写成可测量问题的调查报告第一次翻到这份 PDF我以为是那种读完只能点头的综述结果打开目录发现它干了一件很硬的事把“批判性思维还剩下多少”拆成了两个可以回答的问题——知识工作者在什么时候、以什么方式觉得自己在动脑以及生成式 AI 让这份动脑的力气变大还是变小。它是一份 2025 年在 CHI 上发表的调查研究样本是 319 名知识工作者收集了 936 个第一手使用案例全篇 23 页结构完整还带着 Bloom 认知层级量表、问卷设计和编码流程。适合谁做 AI 产品交互的、做团队 AI 使用规范的、写 AI 伦理或人因评估报告的人以及想给“提示词工程之后人还剩下什么”找一个实证落点的一线工程师。免费下载渠道能不能拿到完整版、能不能直接引用其中数据是这份资源最实际的落地门槛后面几章会把它一层层拆开讲。2. 先看清这份调查的骨架问题、工具与数据口径2.1 两个研究问题对应两个可量化的构念这份材料最值得先啃的不是结论而是它的测量设计。作者把“批判性思维”这个容易变成空话的词落到了 Bloom 认知分类的六个层级上知识、理解、应用、分析、综合、评价。每一个层级对应一个五级自评题项六个题项组成一张量表受访者针对自己举出的具体任务逐项打分。这比“你觉得 AI 让你更爱思考了吗”这种一句话问卷扎实得多因为它逼着人把“综合”和“评价”拆开。围绕这个量表两个研究问题分别指向不同变量。第一个问题问的是“什么时候、以什么方式发生批判性思维”答案是定性的受访者描述自己在什么节点停下来检查、为什么检查。第二个问题问的是“认知努力是增加还是减少”答案是定量的任务层面和用户层面各有一组因素其中“对任务的自信程度”和“对 AI 学习的信心”都能预测批判性思维是否被触发以及触发时费不费劲。这里有一个反直觉的落点值得提前说对 AI 越有信心批判性思维反而越少而对自己越有信心批判性思维越多。这组方向相反的预测关系是整份调查最有复用价值的一条结论做 AI 工具评估表时可以直接拿来做自变量。提示论文用的是自评量表而非行为日志所以读它的数据显示时要始终记住“这是受访者感知到的努力”不是生理或时间层面的真实认知负荷。2.2 从 936 个案例里提炼出的三种思维位移定性部分把使用生成式 AI 时的批判性思维归纳成三种具体动作信息核验、回答整合、任务看护。信息核验是查 AI 给的东西对不对回答整合是把 AI 的输出拼进自己的工作流任务看护是盯着 AI 别跑偏、别漏掉约束条件。这三种动作共同说明一件事人的工作重心从“亲手做”滑向了“审别人做的”。这背后是作者引用的一个老概念——自动化的讽刺。把常规任务机械化把异常处理留给人类看起来是减负实际上是剥夺了人反复练习判断力的日常机会。等真正的异常出现时人的判断力已经萎缩了。这份调查的价值在于它把这个理论判断搬到了真实的知识工作场景里并且给出了跨职业、跨任务类型的证据而不只是实验室里的小样本对照。哪些任务最危险材料里点得很明白常规的、低风险的任务。这类任务里用户往往直接采信 AI 结果批判性投入降到最低而恰恰是这类任务占据了知识工作的大部分时间。反过来需要高准确率的任务里受访者会主动拿外部信源和自己的专业判断去核对输出这一层被保住了。2.3 数据口径与可复用的问卷片段如果打算把这套方法迁移到自己的团队评估里最该抄的是它的问卷结构。它没有用一长串抽象题干而是先让受访者回忆一个具体任务再针对这个任务逐层打分。伪代码如下逻辑是“先锚定事件再评级最后收集信心变量”# 复刻该调查的问卷结构仅示意字段组织不含原问卷原文 survey_item { task_anchor: 请描述最近一次用生成式AI完成的具体工作任务, # 先锚定真实事件 bloom_ratings: { # 六个层级各一个五级题项 knowledge: None, comprehension: None, application: None, analysis: None, synthesis: None, evaluation: None, }, perceived_effort: None, # 感知认知努力五级 confidence_in_ai: None, # 对AI能力的信心五级 confidence_in_self: None, # 对自身专业判断的信心五级 verification_behavior: None, # 是否做了外部信源核对 }这段结构的三个参数决定了整份数据能不能用。task_anchor决定回忆质量题项如果写成“通常你会不会检查 AI 输出”受访者会答成自我形象而不是真实行为。bloom_ratings六个键不能省缺了“评价”这一层批判性思维就被降维成“理解”。confidence_in_ai和confidence_in_self必须分开测合并成一个“信心”字段会直接抹掉那组方向相反的预测关系结论就废了。样本结构上319 人覆盖了多个职业方向936 个案例意味着平均每人贡献近三个任务实例这个比例保证了定性编码有足够素材去归纳那三种思维位移。做二次分析时案例数比分项均值更有价值因为每个案例都自带任务类型标签可以按“常规/高风险”“创作/核验”重新切分。3. 把这套调查方法用到自己的团队从量表到分析的五步3.1 第一步确定评估对象选任务而不是选人直接照搬“你觉得 AI 影响你思考吗”是翻车的开端。这份调查的做法是先收集任务实例再在任务粒度上测量因为同一个人在不同任务上的批判性投入差异极大。迁移到团队里正确做法是让每位成员提交 2 到 3 个最近一周内的真实 AI 协作任务标注任务类型、风险等级、是否需要对外交付。这一步的产出是一张任务清单字段至少包括任务描述、使用工具、AI 参与程度、最终是否经过人工修改。任务清单是后续所有分析的地基如果这一步用“我平时用 AI 写东西”这种模糊描述填充后面打的分全是噪音。注意任务锚定要限定时间窗一周内最佳。时间越远受访者越容易往“典型印象”上靠数据就退化成态度调查。3.2 第三步用六层量表打分重点看评价层打分环节最容易走过场。六层里前三层知识、理解、应用几乎人人打高分因为用 AI 查资料、理解概念、套用模板确实轻松真正有区分度的是后三层尤其是“评价”——你是否基于自己的标准判断过 AI 输出够不够格。实操里建议给“评价”单独加一个追问你判断它不够格时依据是什么# 计算单个任务的批判性思维加权分权重按层级递增 weights {knowledge: 1, comprehension: 1, application: 2, analysis: 3, synthesis: 4, evaluation: 5} def weighted_ct_score(ratings: dict) - float: total sum(weights[k] * v for k, v in ratings.items() if v is not None) max_possible sum(weights.values()) * 5 # 五级量表上限 return round(total / max_possible, 3) # 归一化到 0~1权重不是原论文给的是我按“越高层越代表批判性”这个前提自己设的用之前要跟团队说明白。max_possible固定用 5 乘权重和保证不同任务的分数可比。如果某个层级受访者拒答函数里用if v is not None跳过而不是补零补零会把拒答误判成“完全没有该层级思维”这是二次分析里最常见的脏数据处理错误。3.3 第三步把两种信心拆开测别合并这一步直接决定能不能复现出原调查最有意思的那条结论。问卷里必须有两个独立题项一个问“你有多信任这个 AI 工具给出的结果”另一个问“你有多信任自己在这个领域的判断”。两个都用五级。分析时把两个变量同时放进模型看它们对加权分的系数方向。原调查的发现是对 AI 的信心越高批判性投入越低对自己的信心越高批判性投入越高而且在评估和应用 AI 输出时尤为明显。如果团队数据跑出来两个系数同号大概率是题项表述让人把两者理解成了同一件事需要回头改题干比如把“信任自己”改成“当 AI 与你的判断冲突时你通常坚持哪一个”。3.4 第四步按任务类型分层找出“直接采信区”有了分数和两个信心变量接下来不是看整体均值而是切分。按任务的风险等级和重复程度做二维分层会看到一个很稳定的模式低风险、高重复的任务落在低分区受访者几乎不核验高风险、低重复的任务落在高分区核验动作密集。这张分层表是整份分析里最能影响决策的产物。它告诉团队风险不在于“大家用不用 AI”而在于“哪一类任务上大家已经不再看第二眼”。我在给一个内容团队做类似评估时把他们的周报撰写归到了低风险高重复格结果那一格的核验率接近零而周报恰恰是要给上级看的。这就是原调查说的“机制化收敛”在组织内的具体样子——同一任务有 AI 和没 AI 的人产出的东西越来越像因为大家都不再带自己的判断进去。3.5 第五步把定性素材单独编码别混进数字里剩下那 936 个案例的处理方式值得单独学。作者没有把它们折算成分数而是做主题编码最后收敛成信息核验、回答整合、任务看护三类动作。团队实操里对应的是把所有任务描述按“用户做了什么动作”打标签而不是按“用户觉得如何”打标签。# 用简单规则先做一遍粗筛再人工复核别指望自动分类一步到位 grep -iE 核对|查了|对比|验证|来源 cases/*.txt verify_hits.txt # 核验类线索 grep -iE 改写|拼接|整合|润色 cases/*.txt integrate_hits.txt # 整合类线索 grep -iE 盯着|反复|重试|跑偏|约束 cases/*.txt steward_hits.txt # 看护类线索关键词粗筛只是省人工verify_hits.txt里会混进大量“我核对了一下格式”这类低价值命中必须人工过一遍。三类命中率的相对比例比绝对数量有用如果看护类几乎为零说明团队里没人盯着 AI 是否遵守约束这是流程漏洞而不是数据问题。4. 避坑与常见问题读这份调查最容易踩的五个坑4.1 把自评数据当成客观认知负荷现象读完摘要就下结论“生成式 AI 让人脑力下降 30%”。原因全篇测的是受访者自己报告的感知努力没有任何生理指标或任务耗时数据支撑百分比。把感知当客观等于把问卷当仪器。解决引用结论时严格带上“自报”二字把它定位成“用户主观感受的变化”需要客观证据时另找行为日志或对照实验。这份材料的可信度恰恰来自它对自身局限的坦诚读者不该替它夸大。4.2 忽略“对自己有信心”这条反向线现象只记住“对 AI 越有信心越不动脑”于是得出结论说要用 AI 就得少信任它。原因漏掉了另一半——对自己判断越有信心的人批判性投入反而越高。这两条线合在一起才是完整结论真正的问题不是信任工具而是失去了对自己判断的信任。解决做团队干预时重点不该是压低大家对 AI 的信任而是抬高大家对自身判断的信心比如在流程里显式要求“先写下你的预期答案再看 AI 输出”。这个顺序调换的成本极低效果在调查数据里是有支撑的。4.3 拿它的量表直接当绩效工具现象把六层打分表改成员工考核项按分数排名。原因自评量表在设计上服务于研究题项依赖受访者的内省能力一旦与考核挂钩打分立刻失真全员往高分或安全值上靠。解决量表只用于团队层面的流程诊断不落到个人。想评估个人用可观察的行为替代比如“高风险任务的输出是否附带了外部信源核对记录”这类指标不依赖自评。4.4 把“减少认知努力”一律当成坏事现象看到认知努力下降就判定是负面结果。原因材料本身没有做这个价值判断。对低风险的常规任务减少投入是合理的经济行为风险出现在高价值任务也被同样对待的时候。解决按任务价值分层再下判断。判断标准写成一句话这个任务的错误代价有多大如果代价高而核验动作也高努力下降就不必紧张代价高而核验低那才是要修的地方。4.5 只读结论不读方法抄不到可复用的东西现象读完只记得三句结论回去还是不知道怎么做评估。原因这份材料的真正资产是问卷结构和编码流程结论只是它的产物。结论会过时方法可以反复用。解决至少精读方法章节里的题项设计和样本描述部分把任务锚定、六层评级、双信心这三个设计点抄进自己的评估表再按团队场景改题干措辞。抄方法比抄结论的保质期长得多。5. 进阶用法把“审 AI”变成可训练的动作这份调查给的不是结论而是一张诊断图真正拿它干活的方式是把它归纳的三种思维位移反过来做成训练项。信息核验可以流程化凡是进入对外交付物的 AI 输出必须附一条外部信源链接或一条内部数据出处做不到就退回重做。回答整合可以结构化要求使用者在拼接 AI 内容前先用一句话写出自己要的答案骨架AI 输出只允许往骨架里填不允许改骨架。任务看护最难自动化但可以设检查点比如长文档生成到一半强制人工确认约束条件是否仍然成立。三类动作里我个人最看重任务看护因为它在调查数据里最容易被忽略也最像那种“平时不练、出事就慌”的能力。一个可操作的做法是给每个 AI 协作任务设一个“异常假设”开工前先写下“如果 AI 在这件事上出错最可能错在哪”任务结束后回看这个假设命中没有。这个动作的成本是两分钟但它把被动审稿变成了主动预判跟调查里说的“对自己有信心的人投入更多”是同一条逻辑——你在训练自己的判断力而不是训练对工具的依赖。判断这套方法有没有起效不要看满意度看两个可观测指标高风险任务的外部核验记录覆盖率以及“先写预期再看输出”的执行率。两个指标都低说明流程还停在纸面覆盖率上去了但核验记录全是空的套话说明大家学会了应付检查这比不做更糟。我在一个项目里吃过这个亏指标做得很漂亮抽查发现核验链接指向的全是首页而不是具体条目从此以后我每次设计这类检查项都强制要求可定位到具体段落或具体数据行宁可增加一点录入成本也不接受“看起来做了”。最后一个技巧跟这份材料本身有关它是带开放许可的会议论文正式引用要走 DOI别拿二手转载的截图当出处。做内部报告时把“自报感知”“319 人样本”“936 个案例”这三个限定词跟结论绑在一起写既能防住别人追问也能防住自己越界。从那以后我每次引用这类调查研究都先把样本量、测量方式和时间窗三件事写在最前面再写结论这个习惯让我少犯了很多次把主观感受说成客观规律的错。希望帮到你。本文还有配套的精品资源点击获取