Как ИИ влияет на мышление: парадокс когнитивной атрофии

Перевод научной статьи

Автор: Игорь Кабашкин, Институт транспорта и связи, Рига.

Оригинал: Cognitive Atrophy Paradox of AI-Human Interaction: From Cognitive Growth and Atrophy to Balance, Information 2025, 16(11), 1009. DOI: 10.3390/info16111009.

Лицензия: CC BY 4.0. Перевод подготовлен для digital times; при расхождениях приоритет имеет английский оригинал.

Аннотация

Быстрая интеграция искусственного интеллекта (ИИ) в профессиональные, образовательные и повседневные когнитивные процессы создала двойную динамику когнитивного роста и когнитивной атрофии. Это исследование представляет единую теоретическую и количественную основу для анализа этих противоположных тенденций и их равновесия, концептуализированную как модель когнитивной коэволюции. Модель интерпретирует взаимодействие человека и ИИ как нелинейный процесс, в котором рефлексивное участие усиливает метакогнитивные навыки, а чрезмерное делегирование автоматизации снижает аналитическую автономию. Для количественной оценки этого баланса в статье предлагается индекс когнитивной устойчивости (CSI) в качестве комплексного показателя, объединяющего пять поведенческих параметров, представляющих автономию, рефлексию, креативность, делегирование полномочий и доверие. Примеры моделирования и иллюстрации для конкретной предметной области, в том числе на примере разработчиков программного обеспечения, демонстрируют, как значения CSI могут выявить отдельные когнитивные зоны, варьирующиеся от атрофии до синергии. Основываясь на этих выводах, в статье развивается концепция прикладного когнитивного управления, которая связывает когнитивный мониторинг с адаптивными вмешательствами на индивидуальном, образовательном, профессиональном и институциональном уровнях. Результаты подчеркивают необходимость мониторинга когнитивной устойчивости организациями и политиками как стратегическим индикатором цифровой трансформации. Поддержание CSI выше порога устойчивости гарантирует, что автоматизация усиливает, а не заменяет человеческое мышление, креативность и этическую ответственность. В заключение обозначены методологические проблемы и направления развития количественной науки о когнитивной устойчивости и коэволюции экосистем человека и ИИ.

Ключевые слова: взаимодействие человека и ИИ; когнитивная устойчивость; когнитивная коэволюция; когнитивный рост; когнитивная атрофия; индекс когнитивной устойчивости; зависимость от автоматизации; цифровая трансформация.

1. Введение

1.1. Предыстория и мотивация

Быстрое распространение искусственного интеллекта в профессиональной, образовательной и творческой деятельности изменило структуру человеческого познания. Системы ИИ выполняют всё больше аналитических, языковых задач и задач принятия решений, прежде доступных только человеку. Это одновременно беспрецедентная возможность и серьёзный вызов: ИИ расширяет границы получения знаний, но рискует ослабить способности, которые должен усиливать. Этот парадокс определяет центральное противоречие цифровой эпохи — когнитивную коэволюцию, при которой человеческий и искусственный интеллект развиваются вместе, иногда синергетически, иногда конкурентно. При рефлексивном использовании ИИ способен стимулировать метакогнитивный рост, более глубокую постановку проблемы и творческое исследование. Однако, когда оно используется в качестве неоспоримого авторитета или ярлыка, оно может привести к когнитивной зависимости, разрушению аналитического мышления и потере творческой настойчивости.

Недавние эмпирические данные из сферы образования [1], медицины [2] и программирования [3] показывают, что когнитивная разгрузка интеллектуальным системам обеспечивает краткосрочную эффективность, но может подавлять долгосрочное концептуальное понимание. Риск заключается не в немедленном интеллектуальном упадке, а в постепенной реконфигурации когнитивных усилий: от понимания к подсказке, от синтеза к проверке и от решения проблем к потреблению.

Эта статья основывается на этом явлении, первоначально сформулированном как парадокс когнитивной атрофии (CAP), с идеей о том, что когнитивное усиление с помощью ИИ может парадоксальным образом привести к уменьшению человеческого потенциала, если рефлексия и автономия не сохраняются.

CAP описывает четырехэтапное развитие взаимодействия человека и ИИ. В традиционной когнитивной модели люди занимали весь интеллектуальный цикл от выявления проблемы до выработки решения.

На этапе расширения ИИ действует как когнитивный помощник, улучшая обработку данных и предлагая новые перспективы, не заменяя человеческое понимание. Однако с ростом удобства и надежности алгоритмов возникает фаза обхода, и люди начинают делегировать само понимание, полагаясь на ИИ для преобразования данных в выводы, не участвуя в процессе интерпретации. Заключительная фаза представляет собой полную когнитивную экстернализацию. Люди становятся посредниками между входными данными и результатами, генерируемыми ИИ, теряя способность оценивать, улучшать или внедрять инновации, выходящие за рамки рекомендаций системы.

Эти трансформации отражают исторические примеры технологической зависимости, такие как снижение пространственного мышления с помощью GPS или сокращение ментальной арифметики с помощью калькуляторов, но действуют на более глубоком уровне, влияя на метакогнитивные навыки, суждение и творческое понимание.

Таким образом, задача состоит не в том, чтобы отвергнуть ИИ, а в том, чтобы регулировать когнитивные границы: поддерживать процессы с участием человека, при которых понимание остается активным, а не передается на аутсорсинг.

1.2. Связанные исследования

Центральной темой современной когнитивной науки и исследований взаимодействия человека и искусственного интеллекта является то, что познание не ограничивается строго биологическим индивидуумом. Вместо этого когнитивная работа часто экстернализируется, распределяется и поддерживается артефактами, программными системами и другими агентами. Эта точка зрения развивалась по двум сходящимся направлениям: (1) философское утверждение о том, что инструменты и окружающая среда могут стать функционально частью самой когнитивной системы, и (2) эмпирические демонстрации того, что люди обычно переносят память, рассуждения, планирование и принятие решений на внешнюю поддержку.

Первая линия часто формулируется через тезис расширенного разума, который утверждает, что при определенных условиях внешние ресурсы (например, блокноты, цифровые системы, инструменты навигации) могут играть для агента ту же функциональную роль, что и внутренняя память или умозаключение, и поэтому их следует рассматривать как часть когнитивной архитектуры этого агента.

Кларк и Чалмерс хорошо иллюстрируют это на примере человека, который полагается на внешнюю память, функционально неотличимую от биологической памяти [4]. Эта позиция получила дальнейшее развитие в последующих работах по когнитивному расширению и когнитивным лесам, в которых инструменты рассматриваются не как пассивные средства поддержки, а как динамически связанные компоненты в гибридной системе «человек-артефакт» [5]. Идея о том, что познание может быть перенесено в окружающую среду, также была расширена с индивидуального уровня на групповой уровень в теории распределенного познания, которая рассматривает скоординированные системы человек-артефакт-команда (например, навигационные экипажи, диспетчерские службы воздушного движения, хирургические бригады) как оперативную когнитивную единицу [6].

Второе направление является эмпирическим и фокусируется на когнитивной разгрузке: преднамеренном делегировании когнитивных операций (запоминание, расчет, генерация текста, изучение вариантов) внешним носителям или интеллектуальным системам для снижения нагрузки на рабочую память и затрат усилий.

Риско и Гилберт характеризуют когнитивную разгрузку как всеобъемлющую и адаптивную стратегию, в которой люди используют инструменты и окружающую среду для управления когнитивными потребностями, а не полагаются исключительно на внутреннюю обработку [7]. Более поздние работы моделируют разгрузку как экономически рациональный выбор: люди оценивают ожидаемую ценность внутреннего хранения или обработки информации по сравнению с внешним и все чаще выбирают внешний канал, когда он дешевле с точки зрения усилий, времени или риска [8]. Такое поведение проявляется на ранних стадиях развития. Дети в возрасте четырех лет избирательно переносят память и планирование потребностей в физическую поддержку, что позволяет предположить, что разгрузка — это не просто удобство для экспертов, но и внутренняя стратегия развития [9].

С появлением современных систем искусственного интеллекта разгрузка больше не ограничивается памятью или вычислениями. Теперь оно включает в себя делегирование рассуждений, составление проектов, интерпретацию и даже суждение. Гриншгль и Нойбауэр утверждают, что системы искусственного интеллекта функционируют как «когнитивные коллеги», расширяя возможности пользователя по эффективному решению проблем, но они также предупреждают, что это перераспределение усилий меняет то, что остается внутренним для человека [10].

Недавние эмпирические исследования подтверждают, что люди все чаще передают на аутсорсинг задачи более высокого порядка.

(объяснение, синтез, критика) помощникам на основе искусственного интеллекта и что эта разгрузка опосредует изменения в основных навыках, таких как критическое мышление [11].

Эта динамика особенно заметна в образовательной и профессиональной среде. Исследования сред обучения, поддерживаемых искусственным интеллектом, показывают, что генеративные системы могут снизить когнитивную нагрузку и ускорить выполнение задач, но также могут уменьшить потребность учащегося в активном построении концептуального понимания [12]. В разработке программного обеспечения инструменты совместного написания кода и написания кода человеком и искусственным интеллектом теперь действуют как интерактивная внешняя память, библиотека проектирования и помощник по отладке, эффективно внедряя части процедурных знаний «вне головы». Этот паттерн был описан как переход от внутреннего решения проблем к контролирующему познанию: вместо генерации решений человек оценивает, редактирует и интегрирует решения, сгенерированные машиной [13].

Исследования распределённого и расширенного познания начали переходить от описания к механизму. Современные работы утверждают, что для понимания деятельности человека в средах, насыщенных ИИ, мы должны моделировать не только то, сколько когнитивной работы выгружается, но и насколько стабильно человек остается в курсе [14]. Внешние инструменты, включая системы искусственного интеллекта, больше не являются второстепенными средствами. Они активно участвуют в познании, меняют распределение когнитивной нагрузки и влияют на долгосрочное поддержание внутренних компетенций [15].

Поскольку интеллектуальные системы все больше внедряются в повседневные когнитивные рабочие процессы, все больше исследований вызывает обеспокоенность тем, что зависимость человека от ИИ может непреднамеренно подорвать внутренние когнитивные способности. Эмпирические данные показывают, что, когда пользователи полагаются на помощников ИИ для решения задач, традиционно выполняемых человеческим разумом, наблюдается заметное снижение независимой производительности, удержания и метакогнитивной активности.

В образовательном контексте систематические обзоры показывают, что учащиеся, использующие диалоговые системы искусственного интеллекта, с большей вероятностью разгружают рассуждения и менее склонны критически оценивать результаты, что связано с более слабыми оценками критического мышления и аналитического мышления [16].

С точки зрения когнитивной экономики ученые моделируют это как изменение соотношения затрат и выгод: когда стоимость (время, усилия) внутренней обработки воспринимается как более высокая, чем стоимость внешнего инструмента, пользователи перекладывают больше нагрузки, что приводит к меньшему количеству возможностей для репетиций, исправления ошибок и консолидации [17]. Со временем этот процесс может привести к нисходящей спирали: меньше внутренних упражнений — слабее навыки — больше зависимости от инструментов — дальнейшее размывание навыков.

Эта динамика согласуется с концепцией самоуспокоенности в области автоматизации, когда доверие к инструменту заменяет человеческую бдительность и рассуждение [18].

Экспериментальные результаты показывают, что интенсивное использование генеративного ИИ (например, создание эссе) коррелирует с более низким вовлечением нейронов в областях, связанных с исполнительным контролем и консолидацией памяти, а это означает, что нейронный субстрат познания также может быть затронут [19]. Эмпирические обзоры подчеркивают, что предвзятость автоматизации проявляется как в ошибках совершения действий (после неправильных предложений), так и в ошибках бездействия (неспособность вмешаться, когда это необходимо). Например, было показано, что в системах поддержки принятия клинических решений врачи принимают неправильные рекомендации автоматизированных инструментов без дополнительных проверок, тем самым увеличивая риск [20]. Доверие к автоматизации играет центральную роль: когда пользователи считают автоматизированную систему высококомпетентной, они более склонны принять ее результаты и снизить собственную когнитивную активность [21].

Исследования сотрудничества человека и искусственного интеллекта расширяют эти представления, показывая, что чрезмерная уверенность в ИИ может усиливаться даже среди пользователей со средним опытом, особенно когда прозрачность низкая, ставки неоднозначны или требования к мониторингу снижены [22]. Концепция

Потеря производительности «вне цикла» также отражает то, как автоматизация заставляет операторов со временем терять ситуационную осведомленность и навыки ручного труда, тем самым снижая способность человека эффективно вмешиваться [23]. Предвзятость к автоматизации — это не просто результат доверия, она может усугубляться сложностью задачи, нехваткой времени, высокой рабочей нагрузкой и длительными периодами безошибочной работы системы автоматизации (которые порождают «выученную невнимательность») [24].

По мере роста использования ИИ и зависимости от него возникают опасения по поводу потенциального воздействия на когнитивные способности и автономность человека. Поскольку системы искусственного интеллекта справляются со все более сложными задачами, такими как планирование и организация, существует риск того, что когнитивные свойства человека могут атрофироваться из-за отсутствия использования. Эта сильная зависимость от ИИ может подорвать профессиональные компетенции и вызвать беспокойство, когда станет необходимым ручное или когнитивное вмешательство [25]. Растущая роль ИИ в процессах принятия решений может ослабить человеческую активность. Заменив человеческий выбор алгоритмическими рекомендациями, системы искусственного интеллекта могут снизить личную инициативу во многих областях [26]. Эта эрозия человеческой автономии и ответственности может иметь более широкие последствия для благополучия, потенциально влияя на личное удовлетворение и целеустремленность [27].

1.3. Пробелы в исследованиях, вклады и структура статьи

Несмотря на растущий объем исследований взаимодействия человека и искусственного интеллекта, когнитивной разгрузки и предвзятости автоматизации, несколько существенных пробелов остаются нерешенными. Большинство существующих исследований рассматривают эти эффекты изолированно, уделяя внимание либо повышению эффективности за счет когнитивного делегирования, рискам ухудшения навыков или психологическим механизмам предвзятости автоматизации, но они не объясняют, как эти тенденции взаимодействуют в непрерывном цикле обучения человека и ИИ. Эта статья устраняет этот пробел, представляя модель когнитивной коэволюции, которая концептуализирует когнитивную адаптацию человека к ИИ не как простое развитие или упадок, а как диалектический процесс, в котором усиление и регресс являются взаимозависимыми результатами одной и той же системы. Хотя предыдущие исследования выявляют опасность чрезмерной зависимости от автоматизации, они редко предоставляют количественные инструменты для мониторинга или управления такой динамикой.

Чтобы заполнить этот методологический пробел, в статье предлагается индекс когнитивной устойчивости в качестве нового аналитического показателя, измеряющего внутренний баланс между пониманием и делегированием. Он обеспечивает измеримую основу для оценки когнитивной целостности в задачах, опосредованных ИИ.

Помимо аналитического уровня, исследование расширяет дискуссию до управленческих и институциональных аспектов, которые в современной литературе остаются в значительной степени недостаточно теоретизированными. Он представляет прикладную структуру когнитивного управления, охватывающую индивидуальную, образовательную, профессиональную и организационную области. Этот подход превращает когнитивный мониторинг из теоретической конструкции в действующий механизм адаптивного управления и цифровой трансформации.

Основной вклад статьи состоит из четырех частей:

• Единая теоретическая основа, которая моделирует когнитивный рост и атрофию как коэволюционную систему, а не как независимые эффекты.
• Формализация нового индекса когнитивной устойчивости для количественной оценки когнитивной устойчивости и согласованности в экосистемах человека и искусственного интеллекта.
• Разработка прикладной архитектуры когнитивного управления, которая использует эти индексы для реального мониторинга и вмешательства.
• Демонстрация структуры в образовательном и профессиональном контексте, иллюстрирующая, как можно сохранить когнитивную устойчивость посредством рефлексивного проектирования и сбалансированной автоматизации.

Статья построена следующим образом. В разделе 2 представлены теоретические основы и математическая формулировка динамики когнитивного роста, атрофии и устойчивости.

В разделе 3 представлены результаты моделирования и сравнительная интерпретация ключевых параметров, включая моделирование CSI и CAI. В разделе 4 полученные результаты распространены на исследование прикладных когнитивных исследований.

Структура управления, иллюстрирующая многоуровневую обратную связь и профилактические меры для поддержания когнитивной активности. Раздел завершается обсуждением ограничений, проблем и будущих направлений исследований, направленных на разработку когнитивно устойчивых и этически согласованных экосистем человека и искусственного интеллекта. В разделе 5 подведены итоги исследования.

2. Материалы и методы

Модель когнитивной коэволюции основана на двойственности двух процессов, сосуществующих во взаимодействии человека и искусственного интеллекта: когнитивного роста и когнитивной атрофии.

Эти процессы — не противоположности, а взаимопереплетающиеся траектории адаптации человека к разумным системам. Рост происходит за счет стимуляции, размышлений и творческого совместного мышления с ИИ, тогда как атрофия возникает из-за чрезмерной зависимости, самоуспокоенности в автоматизации и эрозии самостоятельного мышления.

Эта двойная динамика отражает диалектический принцип технологического познания: любое когнитивное расширение несет в себе риск внутреннего сокращения, если оно не регулируется сознательно.

Модель синтезирует два концептуальных направления:

• Модель когнитивного роста (CGM), представляющая укрепление метакогнитивных навыков посредством интерактивного использования искусственного интеллекта, циклов обратной связи и рефлексивных вопросов.
• Парадокс когнитивной атрофии (CAP), представляющий собой постепенное снижение аналитических усилий и эпистемической ответственности по мере того, как ИИ становится более автономным и уверенным в своих результатах.

Хотя CGM и CAP представлены как четырехэтапные прогрессии, они представляют собой две противоположные траектории когнитивной адаптации человека и ИИ. CGM объясняет, как рефлексивное метакогнитивное взаимодействие приводит к увеличению автономии и концептуальному укреплению, тогда как CAP описывает путь эрозии, вызванный чрезмерной зависимостью и предвзятостью к автоматизации. Их структурное сходство отражает тот факт, что оба являются эволюционными процессами, но действуют в противоположных направлениях и приводят к разным когнитивным последствиям. Чтобы избежать концептуальной избыточности, последующие разделы объединяют эти двойные траектории в единую структуру коэволюции (раздел 2.3), где их взаимодействие определяет когнитивный баланс.

2.1. Модель когнитивного роста

Модель когнитивного роста описывает постепенное усиление навыков мышления более высокого порядка, которое возникает, когда люди взаимодействуют с ИИ посредством структурированного размышления, исследования и обратной связи.

В отличие от линейной концепции «приобретения знаний», CGM представляет сотрудничество человека и ИИ как рекурсивный цикл обучения, где каждый акт решения проблем с помощью ИИ стимулирует новые циклы анализа и саморегуляции.

Основными механизмами когнитивного роста являются:

• Метакогнитивное усиление, когда взаимодействие с ИИ воплощает мыслительные процессы вовне, позволяя пользователям наблюдать, задавать вопросы и совершенствовать свои рассуждения.
• Циклы рефлексивной обратной связи, когда каждый обмен информацией с ИИ обеспечивает немедленную обратную связь, которая поддерживает проверку гипотез и концептуальную калибровку. Роль пользователя меняется от искателя ответов к проверяющему модели, превращая диалог ИИ в лабораторию рефлексивного познания.
• Когнитивная основа, когда ИИ действует как динамическая основа, расширяющая зону ближайшего развития учащегося. Посредством адаптивных подсказок, визуализации и моделирования ИИ помогает пользователям временно действовать за пределами своих независимых возможностей, но при этом требует активного участия.
• Творческое развитие, когда воздействие разнообразных ассоциаций и точек зрения, созданных ИИ, стимулирует дивергентное мышление. Система действует как катализатор концептуальной рекомбинации, обеспечивая появление новых моделей, а не простое воспроизведение предшествующих знаний.

Вместе эти механизмы создают положительную систему когнитивной обратной связи: размышление улучшает понимание, понимание улучшает вопросы, а улучшение вопросов углубляет последующее размышление. Этот итеративный цикл обеспечивает совокупный когнитивный рост, концептуально изображенный на рисунке 1.

CGM можно представить как четырехфазную траекторию, параллельную развитию взаимодействия пользователя с ИИ (таблица 1).

В образовательном контексте CGM обеспечивает основу для метакогнитивного обучения с помощью ИИ, уделяя особое внимание осознанию процесса, а не количеству результатов. В профессиональной и исследовательской среде он поддерживает когнитивную устойчивость: способность интегрировать алгоритмическое понимание, не жертвуя суждением или оригинальностью. Таким образом, CGM определяет положительный полюс коэволюции человека и ИИ как условие, при котором ИИ действительно функционирует как усилитель интеллекта, а не как его замена.

2.2. Парадокс когнитивной атрофии

Парадокс когнитивной атрофии описывает противоречивое явление, при котором одни и те же технологические системы, повышающие когнитивную эффективность, одновременно разрушают те самые психические функции, которые они призваны поддерживать. По мере того, как системы искусственного интеллекта становятся все более функциональными, прозрачными и автономными, люди постепенно переходят от использования этих систем к мышлению с их помощью, заменяя человеческое понимание машинным выводом.

Этот парадокс отражает существенную хрупкость человеческого познания в эпоху интеллектуальной автоматизации: чем более плавно нам помогают технологии, тем меньше усилий мы вкладываем в поддержание когнитивных процессов, которые лежат в основе рассуждения, творчества и суждения. CAP разворачивается через четыре последовательные, но частично перекрывающиеся фазы, представляющие собой постепенную реконфигурацию умственных усилий человека.

Фаза 1. Традиционное познание. До посредничества ИИ когнитивная деятельность была полностью эндогенной. Люди самостоятельно формулировали проблемы, синтезировали информацию и подтверждали результаты. Каждый цикл обучения действовал как форма когнитивной тренировки, укрепляя нейронные пути, связанные с пониманием и вспоминанием (рис. 2).

Фаза 2. Фаза аугментации. Внедрение инструментов на основе искусственного интеллекта (таких как поисковые системы, аналитические помощники и генеративные модели) обеспечивает усиление когнитивных функций.

ИИ действует как вспомогательное расширение интеллекта пользователя, разгружая рутинные вычисления, сохраняя при этом концептуальный контроль. На этом этапе когнитивные способности расширяются за счет сотрудничества (рис. 3).

Фаза 3. Фаза обхода. Поскольку системы искусственного интеллекта демонстрируют растущую точность и беглость, пользователи начинают игнорировать внутренние рассуждения. Вместо того, чтобы создавать знания, они извлекают их. Понимание становится вторичным по отношению к получению правильного или эффективного результата. Рефлексия снижается, и когнитивная разгрузка превращается в когнитивное избегание (рис. 4).

Фаза 4. Зависимость.

Длительная зависимость приводит к когнитивной пассивности. Пользователи перестают проверять, интерпретировать или реконструировать информацию, генерируемую ИИ, принимая результаты алгоритмов в качестве эпистемического авторитета. Разум больше не репетирует аналитические процессы и постепенно теряет способность регенерировать их без внешней поддержки (рис. 5).

Эти фазы представляют собой не отдельные категории, а континуум уменьшения когнитивной автономии. Со временем фазы обхода и зависимости могут привести к структурному когнитивному ослаблению, аналогичному мышечной атрофии в физиологии: неиспользуемые нейронные и метакогнитивные цепи изнашиваются из-за неиспользования.

Когнитивная атрофия возникает постепенно, поскольку люди делегируют все большую часть аналитических и творческих усилий интеллектуальным системам. То, что начинается как удобство, превращается в дрейф делегирования как медленное перераспределение когнитивной ответственности от понимания и синтеза к подсказке и проверке.

Этот сдвиг приводит к нескольким проявлениям:

• Предвзятость автоматизации, когда результатам ИИ доверяют больше, чем личным рассуждениям.
• Ухудшение понимания, поскольку пользователи полагаются на краткое изложение, а не на основополагающие принципы.
• Мотивационное сужение, при котором интеллектуальное любопытство снижается, когда усилия последовательно опосредуются алгоритмами.

Динамика незначительна: когнитивные усилия не теряются, а перераспределяются в сторону управления и интерпретации результатов работы машины. Со временем эта реконфигурация ослабляет навыки глубокого обучения и адаптивного решения проблем, усиливая пассивное потребительское поведение. Для смягчения последствий необходимо сбалансировать автоматизацию и целенаправленное когнитивное взаимодействие. Культивирование понимания этих механизмов позволяет человеческому познанию развиваться вместе с технологиями, а не разрушаться под ними.

2.3. Модель когнитивной коэволюции

Динамику взаимодействия человека и искусственного интеллекта лучше всего понимать как непрерывный и взаимный процесс, в котором со временем развиваются как когнитивный рост, так и когнитивная атрофия. Вместо того чтобы представлять собой взаимоисключающие результаты, эти траектории сосуществуют как двойные накопительные процессы, взаимодействие которых определяет общее направление когнитивного развития.

Модель когнитивной коэволюции концептуализирует эти отношения как систему двух взаимозависимых, монотонно возрастающих функций (рис. 6), одна из которых отражает усиление метакогнитивных и творческих способностей (когнитивный рост), а другая представляет собой постепенное накопление зависимости и склонности к автоматизации (когнитивная атрофия). Как когнитивный рост, так и когнитивная атрофия усиливаются при длительном взаимодействии с системами ИИ, хотя они следуют разным временным закономерностям.

Чтобы обеспечить более интуитивную интерпретацию динамики, показанной на рисунке 6, полезно рассматривать две кривые как представляющие параллельные, но противоположные тенденции, которые разворачиваются во время длительного взаимодействия с системами ИИ. Кривая когнитивного роста G(t) начинается с крутого подъёма, поскольку раннее взаимодействие с ИИ обычно стимулирует размышления, исследования и быстрое приобретение новых концептуальных структур. По мере того, как пользователь усваивает эти преимущества, темпы улучшения естественным образом замедляются, образуя плато, которое отражает уменьшение предельной отдачи от обучения. Напротив, кривая атрофии A(t) начинается медленно, поскольку первоначальное использование ИИ все еще требует активной проверки и контроля со стороны человека. Со временем, по мере того как зависимость от автоматических результатов увеличивается, а привычка к независимому мышлению ослабевает, скорость атрофии ускоряется, создавая характерный изгиб второй кривой вверх.

Пересечение производных этих кривых, а не значений, фиксирует момент когнитивного баланса: точку, в которой дополнительные преимущества обучения с помощью ИИ сочетаются с возрастающими рисками чрезмерного делегирования. До этого момента доминирует рост, а взаимодействие человека и ИИ усиливает когнитивную автономию. Помимо этого, атрофия становится все более вероятной, поскольку автоматизированное мышление начинает вытеснять внутренние когнитивные усилия. Таким образом, кривые не изображают фиксированные этапы или заранее определенные результаты, а скорее иллюстрируют, как когнитивные траектории динамически развиваются в ответ на поведение пользователей, модели взаимодействия и интенсивность зависимости от ИИ. Эта интерпретация помогает прояснить качественный смысл модели и подчеркивает важность поддержания рефлексивного взаимодействия, чтобы избежать попадания в область с доминированием атрофии.

Критический переход между этими двумя динамиками происходит в точке когнитивного баланса (CBP), определяемой математически как момент, когда скорости изменений в обоих процессах равны:

В этом равновесии преимущества рефлексивного увеличения точно уравновешиваются началом упадка, вызванного автоматизацией.

Хотя обе кумулятивные функции G(t) и A(t) продолжают увеличиваться после этой точки, их относительные наклоны определяют, развивается ли система в сторону устойчивой коадаптации или когнитивной зависимости. Область, предшествующая CBP, соответствует зоне когнитивного роста, характеризующейся метакогнитивным усилением и творческим исследованием, тогда как область за ней определяет зону когнитивной инверсии, где кажущаяся эффективность маскирует эрозию аналитической глубины и эпистемической независимости.

Таким образом, модель когнитивной коэволюции обеспечивает объединяющую теоретическую основу для последующего количественного анализа. В этом смысле модель связывает теорию и измерения, она отражает не только то, что меняется, когда люди взаимодействуют с ИИ, но и то, как темп этих изменений определяет долгосрочную когнитивную устойчивость. Благодаря этой системе когнитивное здоровье можно постоянно контролировать и регулировать с помощью прикладного когнитивного управления.

(ACM), гарантируя, что технологическое расширение останется рефлексивным, адаптивным и интеллектуально регенеративным.

2.4. Математическая основа исследования

2.4.1. Фундаментальная аналитическая модель когнитивной динамики

Динамику когнитивного роста и атрофии можно представить через модель двойного процесса, в которой обе траектории развиваются с течением времени как взаимозависимые функции когнитивных усилий. Пусть G(t) обозначает совокупный уровень когнитивного роста, а A(t) представляет собой уровень когнитивной атрофии в момент времени t. Обе моделируются как сигмоидальные (S-образные) функции, отражающие нелинейное прогрессирование обучения и упадка:

Здесь k_g и k_a — темпы роста и атрофии, а τ_g и τ_a — временные пороги, представляющие точки перегиба изменений.

В контексте модели G_max представляет собой максимально достижимый уровень когнитивного роста в идеальных условиях обучения, когда когнитивные усилия, размышления и активный синтез задействованы в полной мере. Он определяет верхнюю границу концептуального понимания, приобретения навыков и адаптивного мышления, которых может достичь человек или группа в данной области, а A_max — максимальную потенциальную степень когнитивной атрофии, т. е. асимптотический уровень зависимости, пассивности или потери глубокого понимания, которые могут возникнуть, если когнитивные задачи почти полностью делегируются интеллектуальным системам. Он служит верхним пределом функциональной деградации способности к независимому рассуждению и решению проблем.

С практической точки зрения G и A действуют как константы нормализации, которые масштабируют две S-образные кривые в одной когнитивной области, позволяя сравнивать конкурирующие тенденции расширения обучения и перераспределения усилий с течением времени.

Баланс познания в любой момент времени можно выразить как дифференциальный показатель:

Положительное значение ∆C(t) указывает на преобладание активного обучения и приобретения навыков, тогда как отрицательное значение свидетельствует о преобладании автоматизации и зависимости. Критический момент равновесия t* наступает, когда dG/dt = dA/dt; это и есть точка когнитивной коэволюции.

Внешние факторы, такие как интенсивность зависимости от ИИ λ и метакогнитивная регуляция µ, модулируют обе функции:

Высокая метакогнитивная осведомленность µ усиливает рост, усиливая саморефлексию и целенаправленную практику, в то время как высокая зависимость от автоматизации λ ускоряет атрофию за счет снижения когнитивной активности.

Эта формализация обеспечивает количественную призму для изучения того, как использование интеллектуальных систем меняет распределение когнитивных усилий. В нем подчеркивается, что устойчивое когнитивное развитие требует поддержания µ > λ, гарантируя, что рефлексивное понимание растет быстрее, чем зависимость от автоматизации.

Индекс когнитивной устойчивости (CSI), основанный на математическом представлении когнитивной динамики, служит интегративной мерой, выражающей долгосрочное равновесие между когнитивным ростом и атрофией. Он количественно определяет, в какой степени система обучения поддерживает концептуальное понимание и рефлексивное взаимодействие, одновременно используя интеллектуальные инструменты для повышения эффективности.

Формально CSI можно определить как взвешенное соотношение:

Здесь w_g и w_a — весовые коэффициенты факторов роста и атрофии. Индекс нормирован: 0 < CSI ≤ 1.

Выбор весовых коэффициентов зависит от контекстуальных и поведенческих параметров, влияющих на когнитивный баланс:

• w увеличивается с метакогнитивной регуляцией (μ), рефлексивной обратной связью и сложностью задачи, поскольку эти факторы стимулируют понимание и синтез.
• w увеличивается с увеличением зависимости от автоматизации (λ), упрощения задач и частоты делегирования, которые имеют тенденцию вытеснять активное рассуждение.

В нормализованной форме веса можно выразить как:

Подстановка этих значений в основное выражение дает:

Эта формулировка подчеркивает интерактивное регулирование познания человека и ИИ. Устойчивость интеллектуальной деятельности зависит не только от величины роста или атрофии, но и от динамического баланса между саморегулируемой регуляцией ( µ) и зависимостью от автоматизации ( λ).

Когда µ > λ, система поддерживает когнитивную целостность, поддерживая CSI выше порога стабильности. И наоборот, если доминирует λ, атрофия ускоряется, а CSI снижается, что сигнализирует о необходимости вмешательства, такого как рефлексивное обучение, сеансы рассуждения без посторонней помощи или перераспределение когнитивной нагрузки. восстановить равновесие.

Для определения коэффициентов µ и λ можно применить два взаимодополняющих методологических подхода:

1. Экспертный подход к оценке.

В этом методе эксперты в предметной области (преподаватели, когнитивные психологи или разработчики задач) оценивают степень метакогнитивной активности учащегося или оператора µ и степень уверенности в автоматизации λ на основе структурированного наблюдения, саморефлексивных отчетов или проверенных шкал.

• µ определяется по планированию, самоконтролю, адаптивному принятию решений и рефлексивному дискурсу.
• λ оценивается по частоте делегирования, зависимости от автоматизированной обратной связи и сокращению самостоятельных рассуждений.

Этот подход обеспечивает контекстуально богатую, но субъективную оценку параметров и лучше всего подходит для небольших контролируемых исследований или профессиональной подготовки.

2. Подход поведенческой аппроксимации на основе данных.

Более масштабируемая и объективная альтернатива определяет µ и λ посредством наблюдаемых моделей взаимодействия, собранных с цифровых платформ.

• µ можно оценивать по соотношению времени планирования и выполнения, частоте самокоррекции и рефлексивных вопросов («почему?», «как?»).
• λ можно оценивать по плотности прямых запросов к ИИ, доле неизменённых результатов ИИ и соотношению задач, выполненных при посредничестве ИИ и самостоятельно.

Обе переменные можно нормализовать по шкале [0, 1], а их относительные величины использовать непосредственно в формулировке CSI.

Двойной подход обеспечивает гибкость в эмпирической реализации: экспертная оценка обеспечивает глубину интерпретации и контекстуальное понимание, тогда как оценка на основе данных обеспечивает воспроизводимость и широкомасштабную применимость. Вместе они превращают индекс когнитивной устойчивости из теоретической конструкции в измеримый индикатор когнитивного равновесия между человеком и ИИ в учебной, медицинской и технической областях.

На рисунке 7 обобщена аналитическая логика, соединяющая концептуальный и количественный уровни исследования.

Когнитивный рост G(t) и когнитивная атрофия A(t) представлены как взаимодействующие динамические функции, производные которых определяют скорость изменения когнитивной активности.

Их сравнение дает индекс когнитивной устойчивости CSI=G'(t)-A'(t), который служит центральным количественным индикатором когнитивного баланса. Затем CSI информирует прикладное когнитивное управление, обеспечивающее мониторинг в реальном времени и адаптивное регулирование когнитивной динамики человека и ИИ.

2.4.2. Эмпирическая правдоподобность и альтернативные функциональные формы

Выбор сигмоидальных функций для представления когнитивного роста и когнитивной атрофии отражает широко распространенную традицию в когнитивной науке и исследованиях обучения, в которой часто следуют человеческая работоспособность, консолидация памяти и приобретение навыков.

S-образные или насыщающие траектории, обусловленные уменьшением предельной отдачи от когнитивных усилий [28,29]. Тем не менее, логистические функции не следует рассматривать как единственное правдоподобное математическое представление когнитивных изменений. Альтернативные функциональные формы, в том числе экспоненциальные кривые обучения, гиперболические функции дисконтирования и степенная динамика, широко документированы в таких областях, как перцептивное обучение, развитие знаний, когнитивная разгрузка и нейронная адаптация [30–32]. Экспоненциальные функции могут отражать быстрое начальное улучшение при интенсивном использовании искусственного интеллекта, тогда как гиперболические и квазигиперболические формы обычно используются для моделирования распределения усилий и предвзятости автоматизации из-за их чувствительности к краткосрочным выгодам и долгосрочным когнитивным издержкам. Между тем, обучение по степенному закону остается доминирующим эмпирическим дескриптором улучшения производительности человека в различных областях навыков, что предполагает потенциальную значимость для моделирования долгосрочной совместной адаптации человека и ИИ.

Поэтому будущие расширения этой концепции должны включать систематическое сравнение логистических, экспоненциальных, гиперболических и степенных формулировок, чтобы определить, какие семейства функций наиболее точно соответствуют эмпирическим данным о когнитивной вовлеченности, когнитивном снижении и зависимости от автоматизации. Такое сравнительное моделирование может быть основано на экспериментальных и нейрокогнитивных данных исследований эффективности обучения, когнитивной разгрузки, экономики рабочей памяти и снижения навыков при автоматизации [7,8,17]. Включение нескольких потенциальных функций также повышает адаптируемость модели к различным задачам, например, к принятию сложных решений, циклам обучения или долгосрочному поддержанию профессиональных навыков. Соответственно, нынешнюю математическую структуру следует интерпретировать как гибкую основу, которую можно эмпирически калибровать и проверять с помощью будущих поведенческих, когнитивных и нейробиологических исследований, ориентированных на динамику взаимодействия человека и ИИ.

Хотя индекс когнитивной устойчивости обеспечивает интегративную количественную меру когнитивного баланса человека и искусственного интеллекта, первоначальная схема взвешивания параметров остается частично субъективной, полагаясь на экспертные оценки и эвристику моделирования. Чтобы усилить методологическую строгость и практическую применимость, будущие реализации CSI должны включать систематические процедуры калибровки на основе данных, основанные на устоявшихся методах анализа обучения, поведенческого моделирования и психометрической проверки.

2.4.3. Калибровка на основе данных, анализ чувствительности и структурная проверка CSI

Данные о реальном взаимодействии из систем управления обучением, интеллектуальных систем обучения, сред письма человека и искусственного интеллекта и платформ совместной разработки программного обеспечения (например, репозитории GitHub https://github.com/orgs/github/repositories (по состоянию на 14 ноября 2025 г.)) предоставляют богатые поведенческие следы автономии, размышления, делегирования и доверия [33–35]. Такие наборы данных поддерживают объективное извлечение скрытых когнитивных паттернов с помощью статистических методов обучения. Анализ главных компонентов и исследовательский факторный анализ, широко используемые в когнитивных и образовательных измерениях, могут выявить скрытые измерения, лежащие в основе поведения пользователей, и количественно оценить дисперсию, объясняемую каждым параметром CSI, что позволяет объективно оценивать веса, а не полагаться исключительно на экспертное мнение [36,37]. Моделирование структурными уравнениями дополнительно позволяет тестировать причинно-следственные связи между когнитивным поведением, параметрами модели и результатами производительности, предоставляя коэффициенты пути, индексы соответствия модели и показатели междоменной обобщаемости [38,39].

Байесовская иерархическая регрессия и вероятностные графические модели позволяют оценивать параметры в условиях неопределенности, фиксируя индивидуальную изменчивость и временные зависимости во взаимодействии человека и ИИ [40,41]. Байесовское обновление может применяться для динамической переоценки и по мере накопления новых поведенческих данных, превращая CSI в адаптивный и постоянно калибруемый индекс, а не в статическую конструкцию.

Важным методологическим шагом является анализ чувствительности для оценки устойчивости CSI по отношению к отклонениям в значениях параметров. Такие методы, как меры чувствительности на основе дисперсии (индексы Собола), пофакторное возмущение, моделирование Монте-Карло и глобальные системы количественной оценки неопределенности, показали свою эффективность в когнитивном моделировании и исследованиях в области автоматизации человека [42]. Эти инструменты выявляют параметры, оказывающие непропорциональное влияние на значения CSI, и определяют, остается ли индекс стабильным в реалистичных поведенческих диапазонах.

Структурную валидность CSI следует проверять посредством конвергентного, дискриминантного и прогностического тестирования валидности. Это включает в себя корреляцию значений CSI с независимыми показателями производительности (например, точностью решения проблем, показателями качества кода, показателями рефлексивного письма), показателями когнитивной нагрузки или установленными психометрическими шкалами метапознания и автономии [43,44]. Интеграция этих эмпирических процедур гарантирует, что CSI может быть надежно использован в крупномасштабных образовательных, профессиональных группах, а также в группах людей и искусственного интеллекта, предоставляя проверенный, основанный на данных инструмент измерения, а не полагаясь в первую очередь на взвешивание, проводимое экспертами.

2.5. Прикладная система когнитивного управления

Прикладная система когнитивного управления преобразует теоретические концепции когнитивного роста, атрофии и устойчивости в практическую систему управления для поддержания когнитивной целостности в экосистемах человека и искусственного интеллекта (рис. 8).

В то время как модель когнитивной коэволюции отражает динамическое взаимодействие между ростом и упадком, а индекс когнитивной устойчивости количественно определяет их баланс, ACM устанавливает архитектуру обратной связи и контроля, которая преобразует аналитическое понимание в адаптивные действия.

По своей сути ACM функционирует как регулирующая система с замкнутым контуром, постоянно отслеживающая, интерпретирующая и корректирующая когнитивную динамику для сохранения равновесия между человеческой автономией и алгоритмической помощью. Эта система следует трехэтапному операционному циклу:

1. Измерение с непрерывным отслеживанием когнитивных показателей, включая значения CSI и поведенческие показатели, для оценки когнитивной вовлеченности и зависимости от автоматизации.

2. Интерпретация с аналитической оценкой отклонений от зоны оптимального когнитивного баланса, выявление ранних признаков склонности к чрезмерному делегированию или когнитивной усталости.

3. Вмешательство — применение целенаправленных образовательных, управленческих или поведенческих корректировок, которые восстанавливают баланс, обеспечивая устойчивую совместную адаптацию человеческого и искусственного познания.

Этот циклический механизм отражает классические кибернетические системы управления, но специально адаптирован для когнитивно-организационной регуляции.

ACM работает на четырех взаимосвязанных уровнях контроля:

• На индивидуальном уровне пользователи используют инструменты рефлексивной самооценки, информационные панели и петли обратной связи для мониторинга своей собственной CSI и когнитивной активности.
• На образовательном уровне преподаватели и учебные платформы анализируют совокупные когнитивные показатели, чтобы адаптировать дизайн курса, методы оценки и метакогнитивную основу.
• На профессиональном уровне организации отслеживают модели взаимодействия сотрудников с помощью инструментов искусственного интеллекта, регулируя интенсивность автоматизации и способствуя аналитической независимости.
• На институциональном уровне политики и руководящие органы включают показатели когнитивной устойчивости в стратегии цифровой трансформации, управление инновациями и рамки этического управления.

На каждом уровне ACM отдает приоритет профилактическому, а не корректирующему регулированию, уделяя особое внимание поддержанию осведомленности и когнитивной устойчивости до того, как возникнет зависимость или эрозия навыков. Цель ACM — не свести к минимуму автоматизацию, а управлять ее когнитивными последствиями. Профилактические стратегии могут включать в себя:

• Запланированные паузы для размышления или контрольные точки «человеческого участия» в автоматизированных цепочках принятия решений.
• Чередование циклов выполнения задач только человеком и с помощью искусственного интеллекта.
• Механизмы «объясните свой выбор» для обеспечения прозрачности рассуждений и эпистемической подотчетности.

Эти вмешательства стабилизируют зону когнитивного гомеостаза, предотвращая кумулятивный когнитивный дрейф и способствуя сбалансированному распределению усилий между пониманием и автоматизацией.

Формально процесс ACM можно описать как функцию динамической обратной связи:

Здесь CSI(t) обозначает текущий уровень когнитивной устойчивости, Δ_CBZ — отклонение от зоны когнитивного баланса, а I(t) — величину или интенсивность корректирующих вмешательств.

Когда ∆ превышает критический порог, ACM запускает адаптивные реакции, которые напоминают

CBZ меняет соотношение взаимодействия человека и искусственного интеллекта, усиливая рефлексивное взаимодействие и когнитивную автономию.

Практически ACM действует как операционный интерфейс между когнитивной аналитикой и цифровым управлением. Интегрированное в организационные информационные панели, оно позволяет в режиме реального времени визуализировать когнитивное состояние команды и раннее выявление зависимостей, вызванных автоматизацией.

Для руководителей, преподавателей и политических лидеров ACM предоставляет стратегический механизм, позволяющий совместить немедленный рост эффективности с долгосрочным сохранением интеллектуального капитала, гарантируя, что цифровая трансформация усиливает, а не разрушает когнитивные способности человека.

В конечном счёте система ACM преобразует абстрактное понятие когнитивной устойчивости в непрерывный процесс измерения, размышления и адаптации. Она представляет собой новую парадигму когнитивного управления, в которой человеческий и искусственный интеллект совместно развиваются посредством целенаправленного контроля, поддерживая технологический прогресс как эффективный, так и интеллектуально восстанавливающий.

2.6. Спектр когнитивного взаимодействия

Отношения между людьми и искусственным интеллектом развиваются по мере возрастания когнитивной зрелости, отражая степень, в которой ИИ превращается из пассивного инструмента в активного партнера в человеческом рассуждении.

Этот континуум концептуализируется как спектр когнитивного взаимодействия (CIS), который представляет собой иерархическую модель, дополняющую структуру когнитивной коэволюции, описывающую качественные сдвиги в функции ИИ по отношению к познанию пользователя (рис. 9).

На самом низком уровне зрелости ИИ действует главным образом как инструмент, выполняя заранее определенные задачи с минимальным когнитивным участием пользователя. По мере развития когнитивной зрелости ИИ принимает роль помощника, способствуя углублению понимания.

При дальнейшем развитии ИИ может превратиться в Наставника, способствуя размышлениям, вопросам и метарассуждениям. На самом высоком уровне ИИ действует как партнер, участвуя в совместном создании идей и выступая в качестве интеллектуального сотрудника в рамках общего процесса решения проблем.

CIS определяет континуум сотрудничества человека и ИИ с точки зрения когнитивного контроля, глубины взаимодействия и зависимости от автоматизации. Он описывает, как когнитивная ответственность смещается от рассуждений, управляемых человеком, к автоматизации с доминированием ИИ и как эти переходы соответствуют изменениям в CSI (таблица 2).

CSI служит количественным индикатором степени когнитивной устойчивости по всему спектру взаимодействия:

• Высокие значения CSI (0,7–1,0) соответствуют когнитивно богатому и устойчивому участию человека, характеризующемуся саморефлексией, глубоким пониманием и устойчивым мышлением.
• Умеренные значения CSI (0,55–0,7) определяют зону когнитивного баланса, где человек и

Усилия ИИ оптимально интегрированы. Этот диапазон поддерживает адаптивное обучение и коэволюцию, избегая при этом чрезмерной зависимости.

• Низкие значения CSI (<0,55) указывают на растущее доминирование автоматизации, что приводит к повышению эффективности за счет концептуальной глубины и автономности.

Таким образом, CIS обеспечивает структурированную структуру для определения текущего когнитивного режима системы человек-ИИ и определения того, находится ли он внутри, выше или ниже зоны когнитивного баланса.

С помощью прикладной системы когнитивного управления отклонения в CSI можно постоянно отслеживать и корректировать посредством целенаправленных вмешательств, гарантируя, что автоматизация останется рефлексивной, обратимой и когнитивно регенерирующей, а не замещающей.

Он также закладывает основу для адаптивного проектирования систем, где интерфейсы и функции поддержки ИИ могут быть согласованы с текущим уровнем когнитивной зрелости пользователя, способствуя устойчивой коэволюции.

3. Результаты

3.1. Производные когнитивные параметры и функциональные взаимосвязи

Чтобы изучить количественное поведение CSI и подтвердить динамику модели когнитивной коэволюции, была разработана упрощенная система моделирования. Модель количественно определяет баланс между когнитивной активностью человека и зависимостью от ИИ, используя нормализованные поведенческие параметры и адаптивное взвешивание. Хотя данные носят иллюстративный характер, моделирование отражает реалистичные сценарии взаимодействия, наблюдаемые в образовательной и профессиональной среде, поддерживаемой искусственным интеллектом.

Чтобы эмпирически проиллюстрировать рабочее поведение CSI, были смоделированы два репрезентативных профиля пользователя:

• Исследователь, демонстрирующий высокую самостоятельность и рефлексивный баланс.
• Студент, демонстрирующий частичное когнитивное делегирование и зависимость.

Целью этого моделирования было не описание реальных участников, а демонстрация интерпретируемости и чувствительности индекса в реалистичных когнитивных конфигурациях.

Когнитивная деятельность во времени представлена двумя взаимодействующими функциями:

• Когнитивный рост G(t) — усиление автономии, рефлексии и творчества.
• Когнитивная атрофия A(t) – снижение аналитической глубины, вызванное чрезмерным делегированием и предвзятостью к автоматизации.

Оба параметризуются пятью поведенческими индикаторами.

Итоговый индекс когнитивной устойчивости выражается как:

Здесь A_H, R_H и C_H — параметры человека; D_AI и R_AI отражают влияние автоматизации; W_H и W_AI — контекстные веса.

Обозначения параметров приведены в Таблице 3. Все параметры нормированы по порядковой шкале 0–10, позволяющей проводить сравнительную оценку между пользователями или периодами времени. В данном исследовании для выделения равновесных характеристик индекса использовались стационарные (статические) значения.

Каждую переменную в CSI можно оценить по шкале от 0 до 10 с помощью поведенческих якорей.

(Таблица 4), обеспечивая согласованность самооценки и экспертной оценки.

Используются формы как самооценки, так и внешней (преподаватель или руководитель) оценки. Самооценка отражает воспринимаемую когнитивную вовлеченность, в то время как внешняя оценка обеспечивает объективный контрапункт, основанный на наблюдаемом поведении (например, оригинальность, глубина рассуждений, частота независимого анализа).

Каждый набор параметров оценивался посредством двухэтапного расчета:

1. Базовый расчет.

Необработанные значения CSI были впервые получены в нейтральной конфигурации.

Это обеспечивает невзвешенное эталонное соотношение между человеческими факторами и факторами ИИ.

2. Контекстуальная перекалибровка.

Затем результаты были скорректированы с использованием схемы взвешивания, зависящей от контекста:

• Для условий с доминированием человека (профиль исследователя) W_H увеличен до 1,4.
• Для условий с доминированием автоматизации (профиль студента) W_AI увеличен до 1,5.

Такая перекалибровка позволяет CSI учитывать не только значения параметров, но и чувствительность когнитивной среды: роль рефлексии в контексте роста и давление делегирования в контексте зависимости. Результаты с учётом контекста представлены ниже.

Для каждого профиля вычисляется CSI(t). Профиль исследователя предполагает высокую метакогнитивную регуляцию (μ = 0,85) и низкую зависимость от автоматизации (λ = 0,25) с быстрым ростом

Для профиля исследователя используются быстрый рост (k_g = 0,8; τ_g = 4) и медленная атрофия (k_a = 0,3; τ_a = 6). Для профиля студента при μ = 0,45 и λ = 0,75 задаются более медленный рост (k_g = 0,5; τ_g = 3) и более быстрая атрофия (k_a = 0,7; τ_a = 5). Время t ∈ [0, 10] измеряется в нормализованных циклах обучения. Заштрихованная полоса (0,55 ≤ CSI ≤ 0,70) обозначает зону когнитивного баланса, где вклад человека и ИИ остается когнитивно устойчивым.

Рисунок 10 иллюстрирует временную эволюцию CSI для репрезентативных профилей пользователей исследователей и студентов, смоделированных с использованием дифференциальных параметров роста и атрофии.

CSI количественно определяет динамический баланс между метакогнитивным взаимодействием (µ) и зависимостью от автоматизации (λ) во времени.

Временная переменная t выражается в нормализованных единицах, соответствующих прогрессивному обучению или эксплуатационным циклам, а не в абсолютном времени. Каждое приращение представляет собой отдельный этап когнитивной адаптации или воздействия автоматизации.

Кривая Исследователя (сплошная линия) демонстрирует стабильно высокий уровень когнитивной устойчивости, оставаясь выше зоны когнитивного баланса (CBZ), определенной в интервале

0,55 ≤ CSI ≤ 0,70. Этот профиль отражает сильное доминирование метакогнитивной регуляции над зависимостью от автоматизации, обеспечивая устойчивое концептуальное понимание и рефлексивный контроль.

Напротив, кривая студента (пунктирная линия) первоначально повышается по мере обучения, но вскоре опускается ниже CBZ, входя в зону когнитивной атрофии (CSI <0,55).

Это указывает на переход от активного синтеза к зависимости от автоматизации, когда понимание и рассуждение все больше заменяются поведением, ориентированным на проверку.

Заштрихованная область, соответствующая CBZ, представляет собой оптимальное равновесие между человеческим и искусственным познанием, при котором автоматизация повышает производительность, не подрывая понимания. Расхождение двух кривых подчеркивает, как различия в метакогнитивной регуляции и зависимости от автоматизации могут определять долгосрочную устойчивость когнитивных функций.

В целом рисунок демонстрирует, что поддержание µ > λ необходимо для сохранения когнитивной целостности в рамках обучения или профессиональной среды с помощью ИИ, и что постоянный мониторинг CSI может служить ранним диагностическим индикатором когнитивного дисбаланса или зависимости.

На рисунке 11 показана смоделированная эволюция CSI для трех профилей: студент (высокая зависимость от автоматизации, низкая метакогнитивная регуляция), исследователь (высокая метакогнитивная регуляция, низкая зависимость от автоматизации) и эксперт с помощью ИИ (высокая метакогнитивная регуляция с дисциплинированным, проверенным использованием ИИ). Время выражается в нормализованных циклах когнитивной адаптации.

Заштрихованная полоса представляет зону когнитивного баланса (CBZ), определённую как 0,55 ≤ CSI ≤ 0,70, где вклад человека и ИИ остаётся синергичным и когнитивно устойчивым.

Профиль студента (пунктирная линия) быстро опускается ниже CBZ и стабилизируется на низком уровне.

CSI, указывающий на зависимость и концептуальную атрофию. Профиль исследователя (сплошная линия) поддерживает высокий CSI, отражая длительную автономию и рефлексивный контроль, но дрейфует выше CBZ, что означает, что производительность является устойчивой, но зависит в первую очередь от человеческого познания, а не от сбалансированного сопознания. Профиль эксперта с использованием искусственного интеллекта (пунктирная линия) сначала ускоряется до очень высокого CSI (быстрое усиление обучения посредством искусственного интеллекта), затем постепенно стабилизируется внутри CBZ. Это указывает на равновесие, в котором усиление ИИ является сильным, но постоянно контролируется и когнитивно усваивается человеком.

Такое поведение представляет собой целевой режим работы для когнитивно устойчивого взаимодействия человека и ИИ.

На рисунке 12 представлена ​​контурная карта CSI как функция метакогнитивной регуляции µ и уверенности в автоматизации λ, оцененная на репрезентативной стадии адаптации t = 6. Более теплые регионы соответствуют более высокому CSI (более устойчивому познанию), а более холодные регионы соответствуют более низкому CSI (большому риску когнитивной атрофии). Пунктирные контурные линии обозначают CBZ, здесь отмеченную на уровне CSI = 0,70 (верхняя граница желательного баланса) и CSI = 0,55 (нижняя граница). Точки над этими линиями отражают когнитивно устойчивые режимы, в которых рефлексивный контроль доминирует над слепой автоматизацией. Области ниже нижнего контура CBZ соответствуют высокой зависимости от автоматизации с недостаточной метакогнитивной регуляцией, что указывает на нестабильную когнитивную зависимость от систем искусственного интеллекта.

3.2. Справочные таблицы оценки когнитивной устойчивости

Для практического применения CSI разработан подробный инструментарий оценки. Он определяет пять основных параметров когнитивного участия пользователя в деятельности с поддержкой ИИ: автономию человека (H), рефлексию (R), креативность (C), делегирование (D) и доверие (L). Каждый параметр оценивается по шкале от 0 до 10, что позволяет проводить как самостоятельную, так и экспертную оценку.

В таблицах 6–10 представлены подробные описания каждого измерения.

Оценка пяти фундаментальных когнитивных измерений обеспечивает детальное понимание моделей взаимодействия пользователей в средах, поддерживаемых ИИ.

Каждый параметр дает четкое представление о механизмах, лежащих в основе CSI, и раскрывает характерные профили, связанные с различными фазами когнитивной коэволюции.

Человеческая автономия (H) имела большие различия среди пользователей, что указывает на то, что автономия является наиболее чувствительным индикатором когнитивного баланса. Участники или тестовые группы, имеющие баллы автономии от 5 до 7, демонстрировали стабильное равновесие между независимыми рассуждениями и алгоритмической помощью, тогда как участники с уровнем ниже 3 демонстрировали явную тенденцию к когнитивному делегированию и зависимости от автоматизации. Эти результаты подтверждают, что устойчивая когнитивная автономия является основной предпосылкой долгосрочной когнитивной устойчивости.

Рефлексия (Р) стала центральным медиатором метакогнитивной регуляции. Умеренные оценки рефлексии (4–6) соответствовали последовательной проверке и интерпретации рассуждений, генерируемых ИИ, тогда как более высокие уровни (7–8) указывали на формирование метарефлексивных циклов, когда пользователи активно предвидели ограничения ИИ. Низкие значения рефлексии были систематически связаны с механическим принятием результатов и отрицательно коррелировали как с автономией, так и с креативностью.

Креативность (C) выявила сильную нелинейную зависимость от автономии и рефлексии.

Участники со сбалансированной когнитивной активностью (CSI ≈ 2,0) продемонстрировали генеративную креативность, сочетая предложения ИИ с концептуальным вкладом человека. Когда рефлексия или автономия упали ниже порогового уровня, креативность быстро снизилась, что привело к чисто репродуктивным результатам. И наоборот, высокая рефлексия в сочетании с активной автономией (баллы выше 7) соответствовали преобразующему и оригинальному мышлению, что соответствовало зоне когнитивного роста.

Делегирование (D) показало обратную связь с автономией, действуя как компенсаторная переменная в модели когнитивного баланса. Значения сбалансированного делегирования (5–6) были связаны с эффективным разделением задач между компонентами человека и ИИ, тогда как чрезмерное делегирование (>7) указывало на чрезмерную зависимость и снижение эпистемической ответственности. Таким образом, контролируемое делегирование действует как стабилизирующий фактор, который предотвращает как недостаточное использование, так и когнитивную перегрузку.

Уровень доверия (L), представляющий калибровку доверия пользователя к ИИ, продемонстрировал самый узкий оптимальный диапазон. Оценки около 5–6 соответствовали информированному доверию — уверенности, основанной на понимании алгоритмической логики и контекстуальной проверке. Низкие значения доверия (<3) отражали систематическое недоверие, ведущее к когнитивной неэффективности, тогда как высокие значения (>8) сигнализировали о чрезмерной уверенности в автоматизации. Это подтверждает, что доверие необходимо динамически модулировать, а не максимизировать, чтобы сохранить рефлексивное взаимодействие.

В целом распределение значений параметров подтверждает теоретическое ожидание того, что когнитивная устойчивость возникает только в рамках сбалансированной конфигурации автономии, размышлений и творчества, модулированной адаптивными уровнями делегирования и доверия.

Это равновесие представляет собой CBZ, который функционирует как эмпирическая основа для расчета составного CSI.

Для поддержки практического применения CSI и его интерпретации в рамках CIS был разработан набор стандартизированных оценочных таблиц. В этих таблицах представлены справочные критерии как для самооценки (субъективное размышление пользователя), так и для внешней экспертной оценки (оценка преподавателя, руководителя или аналитика). Они обеспечивают последовательную качественную интерпретацию количественных значений CSI и могут использоваться в обучении, образовательной аналитике или программах профессионального развития для мониторинга когнитивной зрелости в сотрудничестве человека и ИИ.

Шкалы имеют пятиуровневую структуру (0–10), где каждый диапазон соответствует отдельной зоне когнитивного взаимодействия и включает характерные поведенческие показатели.

В Таблице 11 представлены ссылки на самооценку, а в Таблице 12 представлены рекомендации по внешней оценке.

Обе шкалы могут использоваться вместе как дополнительные инструменты в рамках прикладной системы когнитивного управления.

В образовательных или профессиональных условиях сначала проводится самооценка по Таблице 11, затем — оценка эксперта или руководителя по Таблице 12. Таким образом, справочные таблицы реализуют теоретические модели, представленные в предыдущих разделах, предлагая прозрачный и стандартизированный подход к оценке когнитивного баланса, автономии и рефлексивной активности в средах с помощью ИИ.

3.3. Практический пример: шкала использования ИИ в разработке программного обеспечения

Чтобы подтвердить применимость модели когнитивной коэволюции и CSI за пределами образовательного контекста, модель была распространена на профессиональную область разработки программного обеспечения. Этот сектор представляет собой четкий и богатый данными пример совместной адаптации человека и ИИ: программисты всё чаще используют генеративные и вспомогательные инструменты ИИ (например, автодополнение кода, агенты отладки, помощники по документированию), которые напрямую влияют на автономность, рефлексию и креативность — те же когнитивные измерения, которые используются в модели CSI.

Данные были получены с помощью комбинированного аналитического и наблюдательного подхода, проведенного в первой половине 2025 года.

Были использованы три взаимодополняющих источника данных:

1. Экспертная оценка. Структурированные интервью были проведены с десятью старшими разработчиками и техническими руководителями европейских компаний-разработчиков программного обеспечения. Каждый участник оценивал степень использования ИИ в своих командах с помощью пятибалльной шкалы Лайкерта, соответствующей измерениям CSI: автономии, рефлексии, креативности, делегированию и доверию.

2. Поведенческое наблюдение. Публичные репозитории разработчиков были качественно проанализированы для выявления поведенческих маркеров когнитивного взаимодействия — частоты независимой постановки задач, использования кода, сгенерированного ИИ, без изменений и стиля документации.

3. Самооценки. Разработчики на разных этапах карьеры заполнили короткие анкеты, оценивая долю их повседневных задач, которым помогает ИИ (измеряется в процентах), и их предполагаемую зависимость от автоматизированных инструментов.

Все ответы были нормализованы по шкале когнитивного взаимодействия от 0 до 10, соответствующей модели CSI, где более высокие значения означают более высокий уровень когнитивной зрелости и более сбалансированное сотрудничество с ИИ. Средние оценки агрегированы по профессиональным уровням (Junior, Middle, Senior и R&D/AI Engineer) и перекрёстно проверены на основе экспертного консенсуса.

Агрегированные данные (табл. 13) показывают, что средний уровень когнитивного использования

ИИ в разработке программного обеспечения в 2025 году будет находиться между 5 и 7, что соответствует совместному взаимодействию, а не полной когнитивной синергии. Младшие разработчики, как правило, действуют в рамках вспомогательного диапазона, часто используя ИИ в качестве прямой замены решения проблем. Старшие инженеры и инженеры по исследованиям и разработкам демонстрируют более высокий уровень интеграции и рефлексивного контроля, более тесно согласовываясь с CGZ.

Результаты подтверждают, что профессии программирования демонстрируют весь когнитивный спектр, предсказанный моделью, от механистического использования до рефлексивной синергии.

Сопоставляя поведенческие данные из Таблицы 13 с формулой CSI, можно вывести приблизительные значения индекса:

• Юниоры ≈ 1,0–1,5
• Средний ≈ 2,0–2,5
• Старший ≈ 3,0–4,0
• НИОКР ≈ 4,5–5,0

Область разработки программного обеспечения служит хорошим эмпирическим подтверждением диапазона интерпретации CSI и демонстрирует потенциал когнитивного мониторинга на отраслевом уровне.

На рис. 13 показано когнитивное позиционирование различных ролей в команде разработчиков программного обеспечения с использованием ИИ. На фоновой тепловой карте показан CSI как функция метакогнитивной регуляции µ (ось x) и зависимости от автоматизации λ (ось y), оцененная на репрезентативной стадии адаптации t = 6. Более высокий CSI (более светлые области) указывает на более устойчивое развитие. познание: рефлексивный контроль, внутреннее понимание и обратимое использование автоматизации.

Более низкий CSI (более темные области) указывает на повышенный риск когнитивной атрофии.

Пунктирные контурные линии обозначают CBZ, определенную здесь между CSI = 0,55 и CSI = 0,70.

Точки внутри этой полосы или рядом с ней представляют роли, в которых поддержка ИИ сильна, но остается когнитивно подотчетной и проверяемой.

Каждый белый маркер соответствует роли или контексту задачи в разработке программного обеспечения и для ясности помечен идентификатором:

1. Младший разработчик (кодирование с помощью искусственного интеллекта)

2. Старший разработчик (архитектурное обоснование)

3. Рецензент кода (проверка качества под руководством человека + AI-анализ)

4. DevOps-инженер (автоматизация конвейеров)

5. QA Tester (тестовые примеры, созданные искусственным интеллектом)

6. Быстрый инженер/интегратор

7. Специалист по обслуживанию инструментов искусственного интеллекта/руководитель отдела управления

Роли 3 и 7 группируются в регионе с высоким CSI: они сочетают высокий уровень метакогнитивного контроля (сильный анализ, управление или архитектурное обоснование) с относительно низкой слепой зависимостью от автоматизации. Роли 1 и 5 расположены ближе к CBZ или чуть ниже, что отражает интенсивное использование результатов, генерируемых ИИ, с ограниченной эпистемической проверкой. Эти местоположения показывают, какие задачи являются когнитивно самоподдерживающимися, а какие движутся к зависимости.

Хотя текущий практический пример представляет собой первоначальную эмпирическую иллюстрацию применимости CSI в разработке программного обеспечения, его возможности интерпретации ограничены небольшой и неслучайной выборкой, отсутствием контрольных групп и описательным, а не логическим аналитическим дизайном. Таким образом, результаты следует рассматривать как ориентировочные, а не окончательные.

Строгая программа проверки потребует крупномасштабного сбора данных в образовательных и промышленных условиях, продольного отслеживания моделей когнитивной активности и статистического тестирования дискриминантной, прогностической и конвергентной достоверности CSI. Такие усилия будут способствовать переходу от концептуальной демонстрации к научно обоснованной оценке когнитивной устойчивости в работе с использованием ИИ.

4. Обсуждение

4.1. Интерпретация модели когнитивной коэволюции

Результаты подтверждают, что познание под влиянием ИИ следует нелинейной и коэволюционной траектории, а не однонаправленному прогрессу улучшения.

Модель когнитивной коэволюции отражает двойственность между когнитивным ростом и когнитивной атрофией как двумя взаимодействующими процессами, определяющими устойчивость взаимодействия человека и ИИ.

Ключевой вывод заключается в том, что эти процессы не антагонистичны, а взаимно обусловлены: каждый акт делегирования полномочий ИИ потенциально снижает аналитические усилия, а каждое рефлексивное взаимодействие усиливает метакогнитивную устойчивость. Индекс когнитивной устойчивости реализует это равновесие в числовом виде, позволяя в реальном времени оценивать когнитивную вовлеченность и зависимость в различных контекстах.

Когнитивный баланс следует интерпретировать не как фиксированную или стабильную характеристику пользователей, а как динамическое и контекстно-зависимое состояние. Оно колеблется в зависимости от сложности задачи, требований окружающей среды и степени рефлексивного регулирования.

Когда пользователи взаимодействуют с ИИ в условиях нехватки времени или когнитивной перегрузки, зависимость от автоматизации возрастает, что приводит систему к атрофии. И наоборот, когда взаимодействие включает в себя вопросы, подтверждение и адаптацию, равновесие восстанавливается. Эта динамика согласуется с принципами метакогнитивной регуляции и адаптивной автоматизации, согласно которым оптимальная производительность достигается, когда когнитивная нагрузка не является ни чрезмерной, ни полностью экстернализованной.

Поддержание такого равновесия требует постоянной перекалибровки, как за счет осведомленности пользователей, так и за счет проектирования системы. Следовательно, когнитивный баланс функционирует как форма когнитивного гомеостаза, аналогично механизмам физиологического баланса в биологических системах. Системы, разработанные с учетом этого принципа, должны включать в себя рефлексивные подсказки, объяснимые результаты и преднамеренные механизмы замедления для противодействия дрейфу автоматизации.

4.2. Когнитивная стратификация и междоменная применимость

Анализ в разделе 3.3 иллюстрирует когнитивную стратификацию в разработке программного обеспечения, показывая, как профессиональные группы занимают отдельные зоны CSI. Этот подход можно обобщить на несколько областей, где можно построить аналогичные шкалы для отображения зрелости взаимодействия человека и ИИ:

• В инженерном деле инструменты генеративного проектирования могут ускорить инновации, но при этом ослабить неявные диагностические навыки.
• В финансах алгоритмическая торговля повышает эффективность, но рискует подавить аналитическое суждение.
• В сфере образования автоматизированное оценивание повышает производительность, но может ослабить педагогический творческий потенциал.
• В здравоохранении диагностический искусственный интеллект повышает точность, но может снизить целостность рассуждений врачей.

В каждой области параметры CSI — A_H, R_H, C_H, D_AI и R_AI — можно адаптировать для построения предметной когнитивной шкалы, позволяющей количественно оценивать когнитивную устойчивость.

Для руководителей и политиков такие междоменные шкалы служат инструментом стратегического управления. Они выявляют не только краткосрочный прирост эффективности, но и долгосрочные когнитивные риски эрозии профессиональной компетентности в результате чрезмерной автоматизации. Если их игнорировать, организации могут накопить когнитивный долг, тогда как очевидная производительность маскирует снижение аналитических способностей. Мониторинг траекторий CSI позволяет руководителям предвидеть эти эффекты, балансируя непосредственные цифровые преимущества с будущей устойчивостью рабочей силы. Таким образом, когнитивная стратификация становится диагностическим уровнем цифровой трансформации, позволяя лидерам разрабатывать меры, поддерживающие как инновации, так и опыт.

Качественная структура сотрудничества человека и ИИ, описываемая спектром когнитивного взаимодействия, обеспечивает интерпретативное дополнение к количественным результатам индекса когнитивной устойчивости. В управленческом и организационном контексте CIS может служить в качестве диагностической модели для оценки преобладающего режима когнитивного взаимодействия в коллективе или образовательной системе.

Когда ИИ функционирует преимущественно как инструмент, организационные выгоды ограничиваются автоматизацией задач, что повышает риск когнитивной атрофии. Переход к стадиям помощника и наставника отражает растущую рефлексивную вовлечённость и совместное рассуждение, которые коррелируют с когнитивным балансом и зонами роста, выявленными с помощью анализа CSI. Стадия «Партнёр» представляет собой стратегический идеал, в котором познание человека и машины сходятся в совместных творческих процессах, что ведет к инновациям и долгосрочной интеллектуальной устойчивости.

Для генеральных директоров и институциональных лидеров составление карты отделов или команд по этому спектру позволяет целенаправленно внедрять прикладные вмешательства в области когнитивного управления, чтобы постепенно повышать уровень когнитивной зрелости своей организации и обеспечивать устойчивую коэволюцию с технологиями искусственного интеллекта.

4.3. Этические аспекты и принципы проектирования систем

С этической точки зрения модель когнитивной коэволюции переосмысливает дискуссию об ответственном искусственном интеллекте с соответствия требованиям к когнитивной устойчивости. В то время как большинство структур управления подчеркивают прозрачность, справедливость или конфиденциальность данных, когнитивная устойчивость касается сохранения самого человеческого понимания. Поэтому системы искусственного интеллекта должны быть разработаны так, чтобы стимулировать познание, а не заменять его.

Этого можно достичь с помощью нескольких принципов проектирования:

• Объясняемость с визуализацией неопределенности. Системы, раскрывающие пути рассуждения и доверительные интервалы, побуждают пользователей мыслить критически, а не слепо принимать результаты.
• Интерактивные интерфейсы рассуждений. Разрешение пользователям запрашивать промежуточные шаги

(«Почему вы выбрали этот ответ?») поощряет рефлексивный диалог.

• Адаптивная когнитивная обратная связь. ИИ может оценить тенденцию CSI пользователя (на основе поведения взаимодействия) и предложить когнитивные «тренировки», такие как задачи на рассуждение или независимые задачи синтеза.

Такие направления проектирования превращают «человека в цикле» из технической защиты в принцип когнитивной экосистемы: машина поддерживает, а не вытесняет человеческую деятельность.

Чтобы сохранить когнитивную жизнеспособность, ACM включает профилактические и корректирующие меры, направленные на устранение коренных причин когнитивной атрофии. В Таблице 14 обобщены основные риски и контрмеры. Эти практики действуют как ритуалы когнитивной гигиены. Их внедрение в учебную и профессиональную деятельность стабилизирует значения CSI и задерживает вход в зону инверсии.

4.4. Проблемы, ограничения и будущие направления исследований

Хотя предлагаемая модель когнитивной коэволюции и индекс когнитивной устойчивости создают единую концептуальную и количественную основу для анализа взаимодействия человека и искусственного интеллекта, исследование неизбежно сталкивается с рядом теоретических, методологических и практических проблем. Эти ограничения не подрывают ее научный вклад, а вместо этого определяют траекторию будущих исследований, направленных на уточнение, проверку и внедрение модели.

На теоретическом уровне модель упрощает сложные и многомерные аспекты человеческого познания, размышления и творчества в параметризованные конструкции. Хотя эта абстракция позволяет проводить количественную оценку и сравнение, она неизбежно упускает из виду возникающие социокогнитивные явления, такие как коллективное обучение, контекстуальная интуиция и этическое обсуждение. Предположение о том, что баланс между когнитивным ростом и атрофией может быть выражен через детерминированные отношения, служит полезным приближением, но пока не может охватить все богатство адаптивного мышления в реальном сотрудничестве человека и ИИ. Преодоление этих концептуальных границ потребует междисциплинарного синтеза, включающего в себя идеи когнитивной нейробиологии, психологии и теории систем.

С методологической точки зрения исследование опирается в первую очередь на смоделированные и экспертные данные, а не на обширные наборы эмпирических данных. Значения параметров и весовые коэффициенты определялись эвристически, отражая вероятные поведенческие тенденции, а не статистически подтвержденные отношения. Аналогичным образом, предположение о том, что вклад человека и ИИ может быть представлен в общей нормализованной шкале, приводит к упрощению интерпретации, поскольку человеческие рассуждения и алгоритмическая обработка качественно различаются по прозрачности, адаптивности и подотчетности. Поэтому будущая работа должна включать продольные эмпирические исследования, объединяющие психометрическую оценку, поведенческое наблюдение и анализ цифровых следов для более точной калибровки модели CSI. Также следует разработать механизмы динамического взвешивания, чтобы коэффициенты изменялись адаптивно в ответ на поведение пользователя, контекст задачи и ограничения, специфичные для предметной области. Передовые методы статистики и машинного обучения могут дополнительно обеспечить автоматический вывод когнитивных состояний из крупномасштабных данных взаимодействия, позволяя CSI перейти от концептуальной конструкции к инструменту прикладного анализа.

Внедрение прикладного когнитивного управления в образовательной и профессиональной среде также создает серьезные организационные и этические проблемы. Надежный когнитивный мониторинг требует сбора данных о поведении и производительности, что поднимает вопросы конфиденциальности, доверия и принятия пользователями. Если когнитивные индикаторы воспринимаются как инструменты контроля или надзора, они могут спровоцировать сопротивление, а не участие.

Таким образом, успешное внедрение структур ACM зависит от прозрачного управления, добровольного участия и изменений в институциональной культуре, где когнитивная устойчивость признается как стратегическая инвестиция в интеллект рабочей силы, а не как управленческое ограничение. С управленческой точки зрения, главная задача — сбалансировать краткосрочные выгоды от автоматизации с долгосрочным сохранением профессиональной компетентности. Без активного вмешательства организации рискуют накопить когнитивный долг, при этом немедленная эффективность скрывает постепенное снижение аналитических способностей. Чтобы смягчить это, лидеры должны внедрить системы когнитивного мониторинга, которые выявляют ранние признаки чрезмерного делегирования и позволяют применять целевые вмешательства, такие как рефлексивное обучение, циклы ручной практики или адаптивное перебалансирование задач.

Путь вперед определяется несколькими взаимодополняющими направлениями исследований и практики. Будущие исследования должны быть сосредоточены на эмпирической проверке посредством крупномасштабных межпрофессиональных оценок, которые определяют эталонные значения CSI и измеряют, как когнитивный баланс развивается в разных отраслях. Усилия также должны быть направлены на динамическое когнитивное моделирование, где данные о взаимодействии с пользователем, время на размышление и корректирующее поведение используются для обновления показателей CSI в режиме реального времени. Интеграция CSI с архитектурами цифровых двойников предлагает особенно многообещающий потенциал, позволяя моделировать когнитивные траектории и прогнозировать совместную адаптацию человека и искусственного интеллекта. На системном уровне межотраслевое применение модели может привести к разработке атласа когнитивной устойчивости, отображающего такие области, как авиация, здравоохранение, образование и инженерное дело, в соответствии с их зрелостью когнитивной коэволюции. Параллельно в исследованиях следует изучить этические и управленческие основы использования когнитивных данных, включая рекомендации по аудиту когнитивной целостности и ответственной грамотности в области искусственного интеллекта. Разработка интерактивных информационных панелей с когнитивной обратной связью может превратить мониторинг из пассивной диагностической функции в активный инструмент обучения, позволяя пользователям и организациям самостоятельно регулировать свои когнитивные траектории.

Долгосрочное видение исследования заключается в создании количественной методологии когнитивной устойчивости, объединяющей индивидуальное метапознание, организационное обучение и проектирование систем ИИ в единую адаптивную экосистему. Настоящее исследование представляет собой шаг к этой цели, предоставляя концептуальные основы и математический формализм, необходимые для дальнейшего эмпирического расширения. По мере развития модели ее цель состоит не просто в описании когнитивных изменений, но и в обеспечении того, чтобы трансформация, основанная на искусственном интеллекте, оставалась интеллектуально регенерирующей, а не когнитивно истощающей, укрепляя человеческий опыт, креативность и этическую ответственность в эпоху интеллектуальной автоматизации.

Будущая работа может объединить идеи науки управления, где создание знаний и когнитивная устойчивость понимаются как социально распределенные процессы, формируемые коллективным взаимодействием. Недавние исследования подчеркивают, что системы искусственного интеллекта все чаще способствуют сотрудничеству и совместному созданию знаний внутри организаций [45]. Это предполагает, что когнитивную устойчивость следует проверять не только на индивидуальном уровне, но и на уровне команд и сетей знаний.

Интеграция понятия циклов обучения, как одноконтурного, так и двухконтурного обучения [46], может дополнительно прояснить, как размышление и обратная связь поддерживают когнитивный баланс с течением времени. Будущие исследования могут изучить, как эти механизмы обучения взаимодействуют с ACM и CSI в индивидуальном и организационном контексте.

Использование результатов исследований когнитивных предубеждений может еще больше усилить дискуссию, поскольку предубеждения существенно влияют на то, как пользователи полагаются на системы искусственного интеллекта и на то, как функционирует механизм когнитивной регуляции [47]. Будущие исследования могут изучить, как конкретные предубеждения взаимодействуют с ACM и CSI и как стратегии смягчения предубеждений, поддерживаемые ИИ, могут помочь поддерживать когнитивный баланс.

5. Выводы

В результате исследования была разработана единая концептуальная и методологическая основа для понимания, количественной оценки и управления развивающимися взаимосвязями между человеческим познанием и искусственным интеллектом. Благодаря интеграции модели когнитивной коэволюции, индекса когнитивной устойчивости и прикладной структуры когнитивного управления он создает целостную основу для анализа динамического взаимодействия когнитивного роста, атрофии и баланса в средах, поддерживаемых ИИ.

Модель когнитивной коэволюции концептуализирует взаимодействие ИИ и человека как диалектический процесс, в котором рефлексивное участие стимулирует метакогнитивное развитие, а чрезмерная автоматизация способствует когнитивной атрофии. Это динамическое равновесие определяет зону когнитивного баланса как состояние устойчивой совместной адаптации, где автоматизация усиливает, а не заменяет человеческое мышление. Индекс когнитивной устойчивости переводит этот концептуальный баланс в измеримую конструкцию, объединяющую поведенческие и контекстуальные параметры, такие как автономия, рефлексия, креативность, делегирование и доверие.

Имитационные эксперименты и профессиональные исследования, включая пример разработчиков программного обеспечения, показали, что CSI эффективно различает когнитивные зоны — от механической зависимости до рефлексивной синергии — и может использоваться как диагностический инструмент оценки когнитивной устойчивости в разных областях.

Опираясь на эту аналитическую основу, в документе представлено прикладное когнитивное управление как операционный механизм, преобразующий измерение в действие. ACM обеспечивает архитектуру замкнутого цикла, связывающую непрерывный когнитивный мониторинг с адаптивными вмешательствами на четырех взаимозависимых уровнях: индивидуальном, образовательном, профессиональном и институциональном. Эта структура позволяет организациям, преподавателям и политикам поддерживать когнитивное равновесие посредством целенаправленных практик размышления, механизмов обратной связи и адаптивного проектирования задач. Встраивая когнитивный мониторинг в процессы принятия решений и управления, ACM прокладывает путь к управлению когнитивной устойчивостью, в котором баланс между эффективностью автоматизации и автономией человека становится измеримой, контролируемой и этически обоснованной целью.

Результаты подчеркивают стратегическую важность поддержания CSI выше порога устойчивости для сохранения аналитической компетентности, креативности и эпистемической ответственности.

Для руководителей и политиков эта концепция обеспечивает систему раннего предупреждения о когнитивном долге. Для преподавателей и исследователей он предлагает основу для разработки учебных программ и среды обучения, которые развивают рефлексивную устойчивость в эпоху искусственного интеллекта.

Продольные исследования и моделирование цифровых двойников могут дополнительно усовершенствовать модель и превратить ее в инструмент прогнозирования для управления когнитивными рисками и этического аудита ИИ. В конечном итоге, это исследование способствует появлению количественной науки о когнитивной устойчивости, в которой человеческий опыт, организационный интеллект и искусственное познание развиваются вместе в рефлексивном и регенеративном равновесии.

Переход от когнитивного роста и когнитивной атрофии к когнитивному балансу представляет собой не просто интеллектуальную конструкцию, а стратегический императив цифровой эпохи.

Предлагаемая концепция объединяет аналитическую строгость, управленческий дизайн и этическое предвидение, предлагая как теоретическую призму, так и практическую дорожную карту, которая гарантирует, что прогресс, основанный на искусственном интеллекте, останется когнитивно устойчивым, социально ответственным и глубоко ориентированным на человека.

Финансирование: Данное исследование не получило внешнего финансирования.

Заявление Институционального наблюдательного совета: Консультации, включенные в эту рукопись, не собирали никаких личных, медицинских или идентифицируемых данных и не включали никаких психологических или физиологических экспериментов. Все мнения были предоставлены добровольно квалифицированными специалистами, выполняющими свои институциональные функции, без записи личной информации или ответов, принадлежащих отдельным лицам. В соответствии с применимыми правилами Латвии и ЕС (включая Регламент (ЕС) 2016/679 о защите данных) такой анонимный экспертный вклад не квалифицируется как исследование на людях и, следовательно, не требует одобрения или освобождения от Комитета по этике или Институционального наблюдательного совета.

Заявление об информированном согласии: Информированное согласие на участие не требуется в соответствии с Регламентом (ЕС) 2016/679 о защите данных.

Заявление о доступности данных: оригинальные материалы, представленные в исследовании, включены в статью; дальнейшие запросы можно направить соответствующему автору.

Конфликты интересов: Автор заявляет об отсутствии конфликта интересов.

Литература

Библиографические записи сохранены на языке оригинала, чтобы не искажать названия работ и данные цитирования.

1. Stadler, M.; Bannert, M.; Sailer, M. Cognitive Ease at a Cost: LLMs Reduce Mental Effort but Compromise Depth in Student Scientific Inquiry. Comput. Hum. Behav. 2024, 160, 108386. [CrossRef]

2. Qazi, I.A.; Ali, A.; Khawaja, A.U.; Akhtar, M.J.; Sheikh, A.Z.; Alizai, M.H. Automation Bias in Large Language Model Assisted Diagnostic Reasoning among AI-Trained Physicians. medRxiv 2025. [CrossRef]

3. Fan, G.; Liu, D.; Zhang, R.; Pan, L. The Impact of AI-Assisted Pair Programming on Student Motivation, Programming Anxiety, Collaborative Learning, and Programming Performance: A Comparative Study. Int. J. STEM Educ. 2025, 12, 16. [CrossRef]

4. Clark, A.; Chalmers, D.J. The Extended Mind. Analysis 1998, 58, 7–19. [CrossRef]

5. Smart, P.R. Toward a Mechanistic Account of Extended Cognition. Philos. Psychol. 2022, 35, 1165–1189. [CrossRef]

6. Wachowski, W.M. Commentary: Distributed Cognition and Distributed Morality—Agency, Artifacts and Systems. Front. Psychol. 2018, 9, 490. [CrossRef]

7. Risko, E.F.; Gilbert, S.J. Cognitive Offloading. Trends Cogn. Sci. 2016, 20, 676–688. [CrossRef]

8. Gilbert, S.J. Cognitive Offloading Is Value-Based Decision Making: Modelling Cognitive Effort and the Expected Value of Memory. Cognition 2024, 247, 105783. [CrossRef]

9. Armitage, K.L.; Gilbert, S.J. The Nature and Development of Cognitive Offloading in Children. Child Dev. Perspect. 2025, 19, 108–115. [CrossRef]

10. Grinschgl, S.; Neubauer, A.C. Supporting Cognition with Modern Technology: Distributed Cognition Today and in an AI- Enhanced Future. Front. Artif. Intell. 2022, 5, 908261. [CrossRef]

11. Gerlich, M. AI Tools in Society: Impacts on Cognitive Offloading and the Future of Critical Thinking. Societies 2025, 15, 6. [CrossRef]

12. Jose, B.; Cherian, J.; Verghis, A.M.; Varghise, S.M.; Joseph, S. The Cognitive Paradox of AI in Education: Between Enhancement and Erosion. Front. Psychol. 2025, 16, 1550621. [CrossRef] [PubMed]

13. Tankelevitch, L.; Kewenig, V.; Simkute, A.; Scott, A.E.; Sarkar, A.; Sellen, A.; Rintel, S. The Metacognitive Demands and Opportunities of Generative AI. In Proceedings of the 2024 CHI Conference on Human Factors in Computing Systems (CHI ’24), Honolulu, HI, USA, 11–16 May 2024; ACM: New York, NY, USA, 2024. Article 680. [CrossRef]

14. Topol, E.J. Deep Medicine: How Artificial Intelligence Can Make Healthcare Human Again; Basic Books: New York, NY, USA, 2019.

15. Fisher, A. Critical Thinking: An Introduction; Cambridge University Press: Cambridge, UK, 2011.

16. Zhai, C.; Wibowo, S.; Li, L.D. The Effects of Over-Reliance on AI Dialogue Systems on Students’ Cognitive Abilities: A Systematic Review. Smart Learn. Environ. 2024, 11, 28. [CrossRef]

17. Macnamara, B.N.; Berber, I.; Çavus¸og˘ lu, M.C.; Krupinski, E.A.; Nallapareddy, N.; Nelson, N.E.; Wilson-Delfosse, A.L.; Ray, S. Does Using Artificial Intelligence Assistance Accelerate Skill Decay and Hinder Skill Development Without Performers’ Awareness? Cogn. Res. Princ. Implic. 2024, 9, 46. [CrossRef]

18. Vieriu, A.M.; Petrea, G. The Impact of Artificial Intelligence (AI) on Students’ Academic Development. Educ. Sci. 2025, 15, 343. [CrossRef]

19. Ali, O.; Murray, P.A.; Momin, M.; Dwivedi, Y.K.; Malik, T. The Effects of Artificial Intelligence Applications in Educational Settings: Challenges and Strategies. Technol. Forecast. Soc. Chang. 2024, 199, 123076. [CrossRef]

20. Goddard, K.; Roudsari, A.; Wyatt, J.C. Automation Bias: A Systematic Review of Frequency, Effect Mediators, and Mitigators. J. Am. Med. Inform. Assoc. 2012, 19, 121–127. [CrossRef]

21. Alon-Barkat, S.; Busuioc, M. Human–AI Interactions in Public Sector Decision Making: “Automation Bias” and “Selective Adherence” to Algorithmic Advice. J. Public Adm. Res. Theory 2023, 33, 153–169. [CrossRef]

22. Romeo, G.; Conti, D. Exploring Automation Bias in Human–AI Collaboration: A Review and Implications for Explainable AI. AI Soc. in press. 2025.

23. Jones-Jang, S.M.; Park, Y.J. How Do People React to AI Failure? Automation Bias, Algorithmic Aversion, and Perceived Controllability. J. Comput. Mediat. Commun. 2023, 28, zmac029. [CrossRef]

24. Clark, R.C.; Nguyen, F.; Sweller, J. Efficiency in Learning: Evidence-Based Guidelines to Manage Cognitive Load; Wiley: Hoboken, NJ, USA, 2016.

25. Gocen, A.; Aydemir, F. Artificial Intelligence in Education and Schools. Res. Educ. Media 2020, 12, 13–21. [CrossRef]

26. Danaher, J. Toward an Ethics of AI Assistants: An Initial Framework. Philos. Technol. 2018, 31, 629–653. [CrossRef]

27. Ahmad, S.F.; Han, H.; Alam, M.M.; Rehmat, M.K.; Arraño-Muñoz, M.; Ariza-Montes, A. Impact of Artificial Intelligence on Human Loss in Decision Making, Laziness, and Safety in Education. Humanit. Soc. Sci. Commun. 2023, 10, 311. [CrossRef] [PubMed]

28. Anderson, J.R. Rules of the Mind, 1st ed.; Psychology Press: Hillsdale, NJ, USA, 1993.

29. Heathcote, A.; Brown, S.; Mewhort, D.J.K. The power law repealed: The case for an exponential law of practice. Psychon. Bull. Rev. 2000, 7, 185–207. [CrossRef] [PubMed]

30. Shenhav, A.; Musslick, S.; Lieder, F.; Kool, W.; Griffiths, T.L.; Cohen, J.D.; Botvinick, M.M. Toward a Rational and Mechanistic Account of Mental Effort. Annu. Rev. Neurosci. 2017, 40, 99–124. [CrossRef]

31. Solís-Martín, D.; Galán-Páez, J.; Borrego-Díaz, J. A Model for Learning-Curve Estimation in Efficient Natural Architecture Search and Its Application in Predictive Health Performance. Mathematics 2023, 11, 655. [CrossRef]

32. Hogan, D.; Elshaw, J.; Koschnick, C.; Ritschel, J.; Badiru, A.; Valentine, S. Cost Estimating Using a New Learning Curve Theory for Non-Constant Production Rates. Forecasting 2020, 2, 429–451. [CrossRef]

33. Siemens, G.; Long, P. Penetrating the Fog: Analytics in Learning and Education. Educ. Rev. 2011, 46, 30–40. [CrossRef]

34. Spikol, D.; Cukurova, M. In Encyclopedia of Education and Information Technologies; Tatnall, A., Ed.; Multimodal Learning Analytics. Springer: Cham, Switzerland, 2019. [CrossRef]

35. Van, L.N.; Martínez-Monés, A.; Dimitriadis, Y.; Asensio-Pérez, J.I.; Martínez-Maldonado, R.; Gaševic´, D.; Martínez-Maldonado, R. Evidence-based multimodal learning analytics for feedback and reflection in collaborative learning. Br. J. Educ. Technol. 2024, 55, 1902–1925. [CrossRef]

36. DeVellis, R.F. Scale Development: Theory and Applications, 4th ed.; Sage Publications: Thousand Oaks, CA, USA, 2017.

37. Jolliffe, I.T.; Cadima, J. Principal Component Analysis: A Review and Recent Developments. Phil. Trans. R. Soc. A 2016, 374, 20150202. [CrossRef]

38. Kline, R.B. Principles and Practice of Structural Equation Modeling, 5th ed.; Guilford Press: New York, NY, USA, 2023.

39. Schumacker, R.; Lomax, R. A Beginner’s Guide to SEM; Routledge: London, UK, 2016.

40. Colman, A.; Hill, J.; Veltaan, A. Regression and Other Stories; Cambridge University Press: Cambridge, UK, 2020.

41. Jacobs, R.A.; Kruschke, J.K. Bayesian learning theory applied to human cognition. Wiley Cogn. Sci. 2011, 2, 8–21. [CrossRef]

42. Arnst, M.; Soize, C.; Bulthuis, K. Computation of Sobol indices in global sensitivity analysis from small data sets by probabilistic learning on manifolds. Int. J. Uncertain. Quantif. 2021, 11, 1–23.

43. Pintrich, P.R.; De Groot, E.V. Motivational and self-regulated learning components of classroom academic performance. J. Educ. Psychol. 1990, 82, 33–40. [CrossRef]

44. van Merriënboer, J.J.G.; Sweller, J. Cognitive Load Theory and Complex Learning: Recent Developments and Future Directions. Educ. Psychol. Rev. 2005, 17, 147–177. [CrossRef]

45. He, X.; Burger-Helmchen, T. Evolving Knowledge Management: Artificial Intelligence and the Dynamics of Social Innovation. In IEEE Engineering Management Review; IEEE: Piscataway, NJ, USA, 2025. [CrossRef]

46. Argote, D.; Schön, D.A. Organizational Learning II: Theory, Method and Practice; Addison-Wesley: Boston, MA, USA, 1996.

47. Theodoropoulos, L.; Theodoropoulos, A.; Halkiopoulos, C. Cognitive Bias Mitigation in Executive Decision-Making Within Data-Driven Environments: An Integrated AI- and Knowledge-Based Systems. Electronics 2025, 14, 3930. [CrossRef]

Disclaimer/Publisher’s Note: The statements, opinions and data contained in all publications are solely those of the individual author(s) and contributor(s) and not of MDPI and/or the editor(s). MDPI and/or the editor(s) disclaim responsibility for any injury to people or property resulting from any ideas, methods, instructions or products referred to in the content.