1 研究结果
我们认为我们研究中一些最引人注目的观察结果源自第4节，在该节中，脑-大型语言模型（Brain-to-LLM）参与者显示出比大型语言模型（LLM）组的第1、2、3节更高的神经连接性（网络范围内的α、β、θ和δ波段定向连接的峰值）。
这表明，使用AI工具重新写一篇论文（在之前没有AI的写作之后）使得大脑网络之间的互动更加广泛。相比之下，LLM-脑组在之前接触到LLM的情况下，在大多数波段上显示出较少的协调神经努力，以及LLM特定词汇的偏差。
尽管在人工智能评审和人类教师评分中都获得了高分，但他们的论文在NER/n-gram使用的距离上与其他组的其他节相比表现得不那么突出。在主题层面上，少数主题在LLM组和仅脑组之间显著且几乎正交地偏离（如幸福或慈善主题）。
2 关键结果
第四组实验如下：
markdown
总共有18名参与者，从之前写的主题中选择，参与者的重新分配：脑到大型语言模型（LLM）和大型语言模型到脑。
与之前的脑会话（脑对LLM）相比，更好地整合了内容。更多的信息检索提示。在所有组中得分大多高于平均水平。拆分所有权。
高记忆回忆。低战略整合。相比于仅LLM的第1、2、3次会议，脑-LLM参与者在所有频段具有更高的定向连接性。
使用了来自之前大型语言模型会话的n-gram。经过小组内人类老师评分更高。分拆了所有权。
高记忆回忆。高战略整合。第四次会议的大脑连接没有重置为新手（第一次会议，仅限大脑）模式，但它也没有达到第三次会议，仅限大脑的水平。反映出网络参与的中级状态。连接性明显低于第二次、第三次（阿尔法）会议或第三次会议（贝塔）观察到的高峰，但仍高于第一次会议。本研究探讨了 LLM 辅助论文写作的神经和行为后果。参与者被分为三组：LLM、Search Engine 和 Brain-only（无工具）。每个人都在相同条件下完成了三个会话。在第四次会话中，LLM 用户被重新分配到仅大脑组 （LLM-to-Brain），仅大脑用户被重新分配到 LLM 条件 （Brain-to-LLM）。共有 54 名参与者参加了第 1-3 节，其中 18 人完成了第 4 节。我们使用脑电图 （EEG） 来评估论文写作过程中的认知负荷，并使用 NLP 分析论文，并在人类教师和 AI 裁判的帮助下为论文评分。
在各组之间，NERs 、 n-gram 模式和主题本体显示出组内同质性。脑电图显示大脑连接性存在显着差异：纯脑参与者表现出最强、最分散的网络;搜索引擎用户表现出适度的参与度;和 LLM 用户显示最弱的连接。认知活动相对于外部工具的使用而缩小。
在第 4 节中，LLM 到 Brain 参与者表现出 alpha 和 beta 连接性降低，表明参与度不足。
Brain-to-LLM 用户表现出更高的记忆回忆和枕顶叶和前额叶区域的激活，类似于搜索引擎用户。自我报告的论文所有权在 LLM 组中最低，在 Brain-only 组中最高。
LLM 用户也很难准确引用他们自己的作品。虽然 LLM 提供了即时的便利，但我们的研究结果突出了潜在的认知成本。
在四个月的时间里，LLM 用户在神经、语言和行为层面的表现始终不佳。这些结果引发了对依赖 LLM 的长期教育影响的担忧，并强调了对 AI 在学习中的作用进行更深入研究的必要性。
人工智能LLM 用户也很难准确引用他们自己的作品。虽然 LLM人工智能 提供了即时的便利，但我们的研究结果突出了潜在的认知成本。在四个月的时间里，LLM 用户在神经、语言和行为层面的表现始终不佳。
pdf 格式