Hogyan formálja át az MI a gondolkodásunkat?
Ismert jelenség, hogy egy üres dokumentum előtt ülve, a villogó kurzor jelenlétében a komplex feladatok jelentős kognitív terhelést és mentális ellenállást váltanak ki, amely akár feszültségként is jelentkezhet.
A kényelem csapdája
Ilyen helyzetekben egyre gyakoribb stratégia a mesterséges intelligencián (MI) alapuló rendszerek – például az LLM – igénybevétele, amelyek rövid időn belül viszonylag megbízható, magas színvonalú válaszokat generálnak. A szakirodalom ezt a jelenséget „kognitív offloadingként” (tehermentesítésként) ismeri. Rövid távon ez a megközelítés hatékony problémamegoldást és azonnali megerősítést eredményezhet. Hosszabb távon felveti annak a lehetőségét, hogy a komplex gondolkodási folyamatok rendszeres kiszervezése a magasabb rendű kognitív funkciók – különösen a kritikai és mélyfeldolgozást igénylő gondolkodás – fokozatos gyengüléséhez vezethet. A 2023 és 2026 közötti empirikus kutatások arra hívják fel a figyelmet, hogy a technológiai kényelem mellékhatásaként csökkenhet a mély, reflektív gondolkodás.
Hatékonyság vagy gondolkodás? A nagy „trade-off”
Zhu és munkatársai (2023) úttörő vizsgálatai szerint az MI drasztikusan gyorsítja a problémamegoldást és áthidalja az információs hiányokat, ám ez a sebesség egyfajta rejtett kognitív kompromisszummal jár együtt. A gyorsabb megoldás ugyanis nem eredményez mélyebb megértést. A kutatások azt mutatják, hogy a mentális bevonódás szintje nem növekszik tartósan; ehelyett a felhasználók hajlamosak a felszínes, sablonos válaszok kritika nélküli elfogadására. Amikor a kész megoldást választjuk a mentális erőfeszítés helyett, lemondunk a reflektív gondolkodásról. Ez a hatékonysági hajsza valójában elsorvasztja azt az önálló szellemi munkát, amely a valódi szakértelem alapja.
Kognitív adósság: amit az agyunk fizet a segítségért
A kognitív tehermentesítés nem csupán elméleti felvetés: az MIT Media Lab 2025-ös EEG-alapú vizsgálatai fizikai szinten dokumentálták az agy „ellustulását”. A mérések szerint a ChatGPT használata közben jelentősen visszaesik a memóriáért és kreativitásért felelős területek aktivitása. Az MI-támogatott munkavégzés során nemcsak az agyi aktivitás és a kreativitás csökken, hanem a felhasználók érzelmileg is kevésbé kötődnek a munkájukhoz, valamint nehezebben tudják felidézni a szöveg tartalmát.
A legmegdöbbentőbb eredmény azonban az, hogy az alacsonyabb kognitív teljesítmény akkor is megmarad, amikor az alanyok már nem használják az eszközt. Ez a „kognitív adósság”. Akgun és Toker (2025) kutatása kimutatta, hogy az MI rövid távon javítja a teljesítményt, hosszú távon viszont nem eredményez javulást a tudásmegtartásban. Az agyunk tehát „kamatot fizet”: hozzászokik a kisebb ellenálláshoz, és akkor is alacsonyabb fordulatszámon pörög, amikor valódi, önálló teljesítményre lenne szükség.
A „lusta gondolkodás” és a vizsgák válsága
Az oktatási szférában 2024–2025-re kialakult egy olyan rendszerszintű krízis, amelyre nincs egyszerű megoldás. A University of Reading (2024) kísérlete rávilágított, hogy az MI által generált vizsgadolgozatokra a tanárok gyakran jobb jegyeket adtak, mint azokra, amelyeket a hallgatók önállóan írtak meg. Az oktatók ráadásul szinte egyáltalán nem ismerték fel a csalást, ami a kognitív elköteleződés (Georgiou, 2025) drasztikus visszaesését eredményezte. A kognitív bevonódás ugyanis azt jelenti, hogy a hallgató aktívan részt vesz a tanulási folyamatban: önállóan elemez, érvel, problémákat old meg, kapcsolatokat keres az ismeretek között, és kritikusan értékeli az információkat. Amikor a mesterséges intelligencia által generált válaszok átveszik ezeknek a mentális folyamatoknak a szerepét, a tanulás egyre inkább passzív információátvétellé válik. Ha a hallgatók a mély feldolgozás helyett kész válaszokra támaszkodnak, a felsőoktatás fokozatosan elveszítheti azt az alapvető funkcióját, amely a kritikai gondolkodásra és önálló tudásalkotásra képes szakemberek képzésére fókuszál. Ebben a helyzetben különösen problematikussá válik, ha az algoritmus jobb jegyet kap, mint az ember, és ez rejtve marad, a diploma értéke és a vizsgarendszer integritása kérdőjeleződik meg.
A döntő faktor: partner vagy helyettesítő?
A 2026-os szintézisek és metaanalízisek (Wu és mtsai, 2026) árnyalják a képet: a mesterséges intelligencia nem eleve káros hatású, hanem kontextusfüggően alkalmazható eszköz. Érdekes módon ezek a legfrissebb adatok pontról pontra igazolják az OECD 2023-as előrejelzéseit a kognitív offloading kockázatairól. A hatás iránya a felhasználási módtól és a pedagógiai keretrendszertől függ.
| Felhasználási mód | Hatás a gondolkodásra | Eredmény | Kulcsfontosságú tényező |
| Helyettesítő (megoldásadó) | Negatív | Sablonos válaszok, felszínesség | Kontroll nélküli használat |
| Kiterjesztő (partner) | Pozitív | Kreativitás, érvelés, perspektívaváltás | Tudatos tanári irányítás |
A 2026-os vizsgálatok rámutatnak, hogy a mesterséges intelligencia hozzájárulhat az érvelési készségek fejlődéséhez és a kreatív ötletalkotáshoz, amennyiben nem pusztán válaszgeneráló eszközként, hanem a gondolkodást támogató partnerként alkalmazzuk. Az eredményesség kulcsa a tudatosan megtervezett feladatstruktúra és a következetes pedagógiai irányítás.
Merre tovább?
Az elmúlt évek kutatásai egyértelművé tették: az MI nem tesz minket automatikusan butábbá, de kényelmen alapuló, strukturálatlan használata súlyos kognitív adósságot halmoz fel. Ez az adósság pedig a tartós tudás hiányában és a mentális erőfeszítésre való képtelenségben fizetteti meg az árát. A sebesség, amit nyerünk, gyakran a mélység rovására megy, jelentősen átalakítva gondolkodási szokásainkat. A kérdés már nem technológiai, hanem emberi, társadalmi és morális keretek között értelmezhető. Vajon készek vagyunk-e lemondani a gyors sikerekről a tartós tudás és a mély gondolkodás megőrzése érdekében?
Irodalomjegyzék
Akgun, S., & Greenhow, C. (2022). Artificial intelligence in education: Addressing ethical challenges in K–12 settings. AI and Ethics, 2, 431–440.
Bates, D., Khasawneh, M., & Doleck, T. (2024). Generative AI and student learning behavior: Emerging patterns of dependency and engagement. Computers & Education: Artificial Intelligence, 6, 100221.
Clark, R. C., Nguyen, F., & Sweller, J. (2006). Efficiency in learning: Evidence-based guidelines to manage cognitive load. San Francisco: Pfeiffer.
Georgiou, G. P. (2025). ChatGPT produces more lazy thinkers: Evidence of cognitive engagement decline. arXiv preprint, arXiv:2507.00181.
Kirschner, P. A., & Hendrick, C. (2020). How learning happens: Seminal works in educational psychology and what they mean in practice. London: Routledge.
Kosmyna, N., Hauptmann, E., Yuan, Y. T., Situ, J., Liao, X.-H., Beresnitzky, A. V., Braunstein, I., & Maes, P. (2025). Your brain on ChatGPT: Accumulation of cognitive debt when using an AI assistant for essay writing tasks. arXiv preprint, arXiv:2506.08872.
Luan, L., Lin, X., & Li, W. (2023). Exploring the cognitive dynamics of artificial intelligence in the post-COVID-19 and Learning 3.0 era: A case study of ChatGPT. arXiv preprint, arXiv:2302.04818.
Mueller, P. A., & Oppenheimer, D. M. (2014). The pen is mightier than the keyboard: Advantages of longhand over laptop note taking. Psychological Science, 25(6), 1159–1168.
OECD. (2023). OECD Employment Outlook 2023: Artificial intelligence and the labour market. Paris: OECD Publishing.
Reading University. (2024). Artificial intelligence generated assessments and marker detection in higher education. Reading: University of Reading Research Briefing.
Salomon, G. (1984). Television is “easy” and print is “tough”: The differential investment of mental effort in learning as a function of perceptions and attributions. Journal of Educational Psychology, 76(4), 647–658.
Sparrow, B., Liu, J., & Wegner, D. M. (2011). Google effects on memory: Cognitive consequences of having information at our fingertips. Science, 333(6043), 776–778.
Sweller, J. (1988). Cognitive load during problem solving: Effects on learning. Cognitive Science, 12(2), 257–285.
UNESCO. (2023). Guidance for generative AI in education and research. Paris: UNESCO.
Wu, X., Zhang, H., & Li, Y. (2026). Artificial intelligence as cognitive partner or substitute: A meta-analysis of effects on reasoning, creativity, and learning outcomes. Computers & Education (forthcoming).
Zhu, G., Fan, X., Hou, C., Zhong, T., Seow, P., Chen, A., Rajalingam, P., Yew, L. K., & Poh, T. L. (2023). Embrace opportunities and face challenges: Using ChatGPT in undergraduate students’ collaborative interdisciplinary learning. arXiv preprint, arXiv:2305.18616.
Nyitókép forrása: Boarding2Now / depositphotos.com
