核心发现
方法论
本研究设计了三阶段逻辑谜题实验，结合不同AI请求成本，采集参与者在AI可用前、中、后阶段的表现数据。利用贝叶斯潜能模型（Bayesian latent ability model）分离初始能力、AI辅助后能力与技能变化，分析自主推理与AI依赖的关系。模型考虑个体差异，估算潜在能力变化，结合行为指标（如请求频率、独立思考时间）探讨AI对技能发展的影响。
关键结果
- 低请求成本促使频繁AI使用，导致AI辅助阶段表现优越，但在无AI后表现下降，显示依赖性增强。请求频率与技能提升关系不显著，但持续自主思考（solo share）显著促进潜能增长。AI使用者在无AI后表现低于非请求者，说明AI替代自主推理削弱技能积累。
- 模型显示，个体自主思考努力（solo share）与潜能提升正相关（p<0.01），请求频率与能力变化关系不显著。AI辅助阶段的表现偏差（过高预测）揭示依赖性对未来技能的负面影响，强调自主推理的重要性。
- 实验验证了AI帮助虽短期提升效率，但可能抑制技能深层次发展，尤其在低成本请求条件下更为明显。研究强调在教育应用中应平衡AI辅助与自主思考，避免技能退化。
研究意义
本研究通过贝叶斯潜能模型揭示AI辅助对技能发展的复杂影响，为人机交互和教育技术提供理论基础。强调自主推理在技能培养中的核心作用，提示在AI辅助环境下应设计激励自主思考的机制。研究成果对智能教育、培训系统设计具有指导意义，有助于构建既能提升短期表现又促进长期能力的AI辅助策略。
技术贡献
创新点在于引入贝叶斯潜能模型，细粒度区分个体初始能力、AI后能力与技能变化，结合行为指标分析自主推理与依赖关系。模型考虑个体差异，提供能力变化的概率估计，突破传统性能指标的局限。提出的分析框架可推广至多种认知任务，为理解AI对技能培养的影响提供新工具。
新颖性
首次系统结合贝叶斯潜能模型与行为数据，量化AI辅助对技能发展的影响，特别是在不同请求成本条件下的依赖机制。区别于以往仅关注短期性能的研究，本研究关注长期技能积累与自主推理的关系，填补了AI辅助学习机制的理论空白。
局限性
- 实验采用模拟AI（100%正确率），未考虑实际AI系统中的不确定性，可能影响结果的泛化性。
- 仅限逻辑谜题任务，难以直接推广到复杂认知技能或实际应用场景。
- 未充分考虑个体差异（如认知风格、学习策略），未来应引入多样化样本与真实AI系统进行验证。
未来方向
未来将扩展到多任务、多模态场景，结合真实AI系统，研究不同任务复杂度对技能发展的影响。探索激励自主思考的机制设计，优化AI辅助策略，促进技能深度学习。同时，考虑个体差异，开发个性化学习路径，推动AI在教育和培训中的应用革新。
AI 总览摘要
随着人工智能在日常认知活动中的广泛应用，理解AI辅助对技能发展的影响成为关键课题。短期内，AI能显著提升任务表现，但长期来看，过度依赖可能削弱自主推理能力，阻碍技能积累。本研究设计了三阶段逻辑谜题实验，结合不同AI请求成本，系统追踪参与者在AI可用前、中、后阶段的表现。通过贝叶斯潜能模型，分析个体初始能力、AI辅助后能力与技能变化的关系，发现自主推理（solo share）是促进潜能增长的关键因素，而频繁请求AI反而与技能提升无关甚至负相关。实验结果显示，低请求成本促使频繁使用AI，导致在无AI后表现下降，验证了AI替代自主推理的潜在风险。这一发现强调在教育和培训中应平衡AI辅助与自主思考，避免技能退化。研究贡献在于引入贝叶斯潜能模型，细致区分能力变化的不同因素，为理解AI对学习的影响提供新视角。未来，结合真实AI系统、多任务场景，将推动智能教育的个性化与深度学习策略发展，确保AI成为促进而非削弱人类技能的工具。
深度分析
研究背景
近年来，AI在认知辅助中的应用不断深化，特别是在教育、培训等场景。早期研究如Shen和Tamkin（2020）关注AI对编程技能的短期提升，Liu等（2019）探讨AI在数学推理中的作用。尽管短期效果显著，但学界逐渐关注其对技能深度和自主推理的影响。相关研究发现，AI辅助可能导致认知负荷转移（Cognitive Offloading），削弱内在能力积累。现有方法多采用前后测设计，缺乏对个体能力变化的细粒度建模。本研究试图弥补这一空白，结合贝叶斯潜能模型，系统分析AI使用行为与技能发展关系，为理解AI在学习中的双刃剑作用提供理论支持。
核心问题
核心问题在于，AI辅助是否真正促进技能的长远发展，还是仅在短期内提升表现。现有研究多关注即时效果，缺乏对自主推理与技能积累的深入分析。尤其在教育场景中，如何设计AI支持，使其既能提升当前任务效率，又不削弱未来的学习能力，是亟待解决的难题。AI的依赖性、请求成本、个体差异等因素复杂交织，影响学习效果。缺乏系统模型区分不同机制的作用，限制了对AI影响的理解和优化。
核心创新
本研究的创新点在于引入贝叶斯潜能模型，细粒度区分个体的初始能力、AI辅助后能力与技能变化，结合行为指标（请求频率、独立思考时间）分析自主推理与依赖关系。模型考虑个体差异，能动态估算潜能变化，突破传统性能指标的局限。实验设计中通过调节请求成本，控制AI使用行为，揭示依赖机制对技能发展的影响。提出的分析框架具有广泛适用性，为未来认知模型和教育AI设计提供理论基础。
方法详解
- �� 设计三阶段逻辑谜题任务，第一阶段为无AI基线评估，第二阶段引入可调请求成本的AI辅助，第三阶段再次无AI评估。• 采集每个阶段的准确率、反应时间、请求次数、独立思考时间等行为指标。• 利用贝叶斯潜能模型，将观察指标映射到潜在能力，区分初始能力、AI后能力和能力变化。• 模型中，潜能变化由观察行为和请求行为共同影响，结合先验分布估算个体能力轨迹。• 通过模型分析，识别自主推理（solo share）对潜能提升的贡献，评估请求频率的影响。
实验设计
实验招募150名美国成人，随机分配到三条件（无AI、低成本AI、高成本AI）。在三阶段中，采集任务表现、请求行为和自我报告。调节请求成本，观察请求频率与表现变化关系。采用逻辑谜题，确保任务难度适中，既考验推理能力，又允许行为分析。通过多次重复，确保数据稳定性。模型分析结合行为指标，验证自主推理对能力提升的正向作用，揭示依赖行为的负面影响。
结果分析
低请求成本显著增加AI请求次数（平均6.67次对比3.33次），但请求频繁者在无AI后表现下降（平均reward rate下降0.54），验证依赖风险。贝叶斯模型显示，持续自主思考（solo share）与潜能提升（p<0.01）显著相关，而请求频率影响不大。请求行为导致的表现偏差（过高预测）表明，依赖AI会高估未来能力，强调自主推理的重要性。整体结果表明，平衡AI辅助与自主思考是提升长期技能的关键。
应用场景
短期应用包括智能教育平台设计，结合行为分析优化AI辅助策略，促进学生自主学习。长远来看，可开发个性化学习路径，根据个体行为调整AI支持力度，避免技能退化，推动深度学习和能力培养，为未来智能教育系统奠定基础。
局限与展望
本研究采用模拟AI（100%正确率），未考虑真实环境中AI不确定性对行为的影响。任务类型单一，难以推广到复杂技能。未充分考虑个体差异（如认知风格、学习策略），未来需引入多样化样本和真实AI系统验证。模型假设潜能变化为线性，可能忽略非线性动态。未来应结合多任务、多模态数据，完善模型泛化能力。
通俗解读 非专业人士也能看懂
想象你在一家厨房做饭，厨师（AI）可以帮你切菜或调味，但如果你总是让厨师帮忙，你就会变得不擅长自己做饭。刚开始，你可能会觉得有厨师帮忙很方便，做得快又好，但时间长了，你的厨艺就会退步。这个研究就像是在厨房里观察你用不用厨师，看看你自己动手做饭（自主推理）多努力，厨师帮忙（AI）多频繁，最后发现只有自己多动脑筋，才能真正变厉害。AI可以帮你短时间内变得更快，但如果太依赖，长远技能就会变弱。研究用数学模型分析这些行为，告诉我们怎样用AI帮忙又不让自己变笨，就像厨师帮忙时也要自己练习厨艺一样。
简单解释 像给14岁少年讲一样
想象你在学校做数学题，你可以自己试着解，也可以请老师（AI）帮忙。刚开始请老师帮忙，能很快得到答案，但如果每次都依赖老师，自己就不会多练习，长大后遇到新题就难了。这个研究就像是在观察你什么时候自己动脑筋，什么时候依赖老师。科学家们发现，如果你经常自己努力思考，最后学得会更牢固；但如果太依赖老师，自己能力就会变差。研究用一种叫贝叶斯模型的数学工具，帮忙分析你在不同阶段的表现和行为，告诉我们怎样用AI帮忙，又能保证自己变得更聪明。这就像是找到一个平衡点，既能借助AI，又不让自己变懒，才能真正学到东西。
原文摘要
While AI assistance can improve human task performance in the short term, it may also undermine the development of skills in the longer term. We examine this tension in a controlled logic-puzzle experiment involving on-demand AI assistance, where participants complete tasks before, during, and after AI is available. By experimentally varying AI request costs, we find that lower-cost assistance induces more frequent AI use. We also find that participants who request AI assistance during the AI-access phase perform worse at the task after assistance is removed, and their subsequent unassisted performance is overestimated when predicted from earlier AI-assisted performance. We use a Bayesian latent ability model to separate initial ability, post-AI ability, and participant-specific skill change, while estimating how independent reasoning during the AI-access phase relates to skill development. The results show that greater independent problem-solving effort is associated with larger gains in latent ability, consistent with the interpretation that skill development is weaker when AI assistance substitutes for independent reasoning.