MIT araştırması: Yapay zeka kullanımının beyni yeniden yapılandırarak bilişsel gerilemeye yol açtığı bulundu
(publichealthpolicyjournal.com)- MIT araştırmasına göre ChatGPT gibi LLM’lerin kullanımı, beyin bağlantılarının zayıflaması ve hafıza gerilemesi gibi uzun vadeli bilişsel düşüşe yol açıyor
- Katılımcı öğrenciler yapay zekaya tekrar tekrar bağımlı hale geldikçe yaratıcı bütünleştirme becerileri ve özerklikleri azaldı
- EEG beyin dalgası testlerinde, LLM grubunda dikkat ve görsel işleme ağlarının düşük etkinliği doğrulandı
- Arama motoru kullanan grup, daha güçlü yürütücü işlevler, hafıza aktivasyonu ve görsel işleme yeteneğini korudu
- LLM kullanımından sonra bile beyin işlevlerinin tamamen toparlanması zordu; yapay zeka bağımlılığı, “bilişsel yük aktarımı” eğilimine yol açtı
MIT araştırmasının temel bulguları: LLM kullanımı ve bilişsel gerileme
MIT’de yürütülen "Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task" başlıklı araştırma, ChatGPT gibi yapay zekalara tekrar tekrar bağımlı olunmasının beyinde uzun vadeli bilişsel hasara yol açtığını ortaya koydu
Katılımcı öğrenciler, deneme yazarken yapay zekaya daha fazla bağımlı hale geldikçe sinirsel bağlantıların zayıflaması, hafıza düşüşü ve görev üzerindeki sahiplik hissinin kaybı gibi olgular yaşadı
Yapay zekanın ürettiği çıktılar dış görünüşte yüksek değerlendirmeler alabilse de, süreç içinde beynin giderek daha fazla etkisiz bir duruma geçtiği eğilimi görüldü
Beyin bağlantılarındaki düşüş ve yapay zekaya bağımlılık olgusu
- EEG (beyin dalgası) ölçüm sonuçlarına göre, yapay zeka kullanımı arttıkça beynin bağlantısallığı (systematic neural connectivity) kademeli olarak azaldı
- Yalnızca beyni kullanan grup: En güçlü ve en geniş kapsamlı bağlantısallık gözlendi
- Arama motoru grubu: Orta düzeyde beyin etkinliği
- LLM grubu: Tüm beyin dalgası bantlarında (alfa, beta, delta, teta) bağlaşım zayıflaması
- Özellikle LLM grubunda, dikkat ve görsel işleme ağları belirgin biçimde düşük etkinlik gösterdi
-
- oturumda yapay zeka yardımı olmadan yazı yazmaya çalıştıklarında, LLM deneyimine sahip katılımcılar beynin temel ağlarının işleyişinde düşüş sergiledi
LLM kullanıcılarında hafıza ve öğrenme yollarının bozulması
- LLM’e bağımlı olduktan sonra öğrenciler, az önce yazdıkları içeriği iyi hatırlayamama durumu yaşadı
- Beynin uzun süreli hafıza ve öğrenmeyle ilgili yollarında açık müdahale gözlendi
- Yapay zeka kullanımı sırasında beynin bilgi bütünleştirme ve öz-motivasyonlu yaklaşım biçimi zayıfladı
- Katılımcılar sonuç ürüne karşı psikolojik mesafe ve sahiplik duygusunda küçülme yaşadı
Yapay zekadan beyin kullanımına geçişin sınırları
-
- oturumda, LLM kullandıktan sonra doğrudan yalnızca beynini kullanan grupta, beyin etkinliğinin ilk oturumdaki (yalnızca beyin kullanılan) düzeye geri dönmediği doğrulandı
- Beyin dalgaları, görev çabası ve öz-farkındalık gibi çeşitli göstergelerde başlangıç düzeyinin altında kalma eğilimi saptandı
Arama motoru kullanıcıları daha sağlıklı beyin katılımını korudu
- Arama motoru kullanan grup, yürütücü işlevler, hafıza aktivasyonu ve alıntı hatırlama gibi temel bilişsel göstergelerde yüksek düzeyi sürdürdü
- Beyin dalgalarında oksipital ve parietal lob etkinliğinin arttığı doğrulandı; bu, görsel işleme ve göreve harcanan çabayla yakından ilişkili
Yapay zeka bağımlılığının getirdiği bilişsel yük aktarımı (Cognitive Offloading)
- Araştırma ekibi, beyin LLM’lere tekrar tekrar maruz kaldığında bilgiyi bütünleştirme ve hafızaya alma çabasını kendi başına durdurma (neural efficiency adaptation) eğilimini açık biçimde doğruladı
- Bunun sonucunda pasif çalışma tutumu, minimum düzenleme ve kavramsal bütünleştirme düzeyinde düşüş görüldü
Kısa vadeli verimlilik, uzun vadeli bilişsel borç
- LLM grubu yüzeyde değerlendiricilerden belli bir düzeyde puan aldı, ancak
- stratejik bütünleştirmenin yetersizliği
- ifade yapısındaki çeşitliliğin azalması
- çıktıların kısa ve mekanik özellik taşıması gibi belirgin sınırlamalar gösterdi
- Zaman geçtikçe bilişsel katılım, performans ve öz-memnuniyette tutarlı bir düşüş eğilimi sürdü
Araştırmanın sonucu ve öneriler
- Daha fazla insan karmaşık görevleri yerine getirmede yapay zekaya bağımlı hale geldikçe, insanın doğal bilişsel kapasitesi ve yaratıcı yeteneklerinin hızla zayıflama riski artıyor
- Yapay zeka kullanırken düzenli aralar vermenin ve doğrudan kendi beynini kullandığın zamanın öneminin altı çizildi
- Yapay zeka, yalnızca insan işini ikame eden bir araç olmanın ötesinde, insanın düşünme sistemi ve beyin işlevlerinin kendisini etkileyen bir varlık olarak değerlendiriliyor
Yazar hakkında
- Nicolas Hulscher, MPH
- Epidemiyolog ve McCullough Foundation’da Foundation Administrator
- Konuyla ilgili ek içerikler için X (eski adıyla Twitter) üzerinde McCullough Foundation ve yazarın hesabına bakılabilir
2 yorum
İçeriğe bakınca, LLM kullanan taraf sanki sadece aldığı yanıtları dikte ettirmiş gibi görünüyor.
Normalde belli bir amaç ya da istenen bir akış olur; yanıtı kontrol edip geri bildirim vererek tekrar tekrar kullanmaz mıyız? Böyle durumlarda da sonucun aynı olup olmadığını merak ediyorum.
Hacker News görüşü
Lisansüstü eğitimim sırasında hayranlık duyduğum bir doktora öğrencisiyle yaptığım bir konuşmayı paylaşmak istiyorum. O, her makale okuduğunda kodu bizzat yazarak uygularmış. Benim aylarımı alırken o çoğu zaman kodu birkaç günde tamamlıyordu. Çok pratik yaparsan daha iyi olabileceğini açıklamıştı. Sadece hızlı kodlamakla kalmıyor, makaleleri giderek daha hızlı analiz edip fikirleri birleştirme konusunda da olağanüstü hale geliyor, neyin işe yaradığına dair sezgisini de geliştiriyordu. Ben de artık epey kıdemliyim ve neredeyse hiç kod yazmıyorum, ama yine de yeni kodlar ve fikirlerle bizzat uğraşıp zorlanmanın gerçekten çok faydalı olduğunu düşünüyorum. Sadece prompt’u biraz değiştirmenin yeterli olduğunu düşünen insanların, aslında çok önemli bir öğrenme fırsatını kaçırdığını düşünüyorum
Bence şu anda gözümüzün önünde gerçek bir beceri farkı oluşuyor. (1) Kavramları derinlemesine anlayıp zihinlerinde model kuran ve belli bir seviyedeki herhangi bir kodu kendi başına yazabilenlerle (2) bu süreci makinelere outsource edip yavaş yavaş bu yeteneğini kaybedenler arasında bir ayrım oluşuyor. Şu an bu fark çok belirgin olmayabilir ama birkaç yıl sonra açıkça ortaya çıkacağına inanıyorum
“Gerçek programcılar assembly’yi elle yazar” türü mantık hatasına dikkat etmek gerekir. Derleyiciler yaygınlaştığında da programcıların kendi kodlarının nasıl çalıştığını anlayamayacağı yönünde kaygılar vardı. Aslında bunda bir miktar doğruluk payı var, ama çoğu insanın pratikte bir şeyler üretmesinde büyük bir sorun olmadığını düşünüyorum. Düşünmeyi bırakırsanız doğal olarak daha az öğrenirsiniz. Eğer bir üst soyutlama seviyesinde düşünebiliyorsanız ayrıntılar her zaman önemli olmayabilir. Üniversitenin sınırlılığı, “bir sonraki soyutlama seviyesi” değil, doğrulanmış bilgi aktarımı için özenle seçilmiş fikirlerin ardışıklığı olmasıdır. Bu, startup’ta doğrudan bir şeyler inşa etmek veya daha büyük sorunlara meydan okumak için zaman ayırmaktan farklıdır. Elbette bu her doktora süreci için uygun değildir. Ayrıntıları bilmeniz gereken alanlar vardır, ama bugün daha fazla uzmanlaşma olduğu için bunun net pozitif bile olabileceğini düşünüyorum
Bana matematik çalışmaya benziyor gibi geliyor. Bütün gün matematik kitabı okuyup fikirleri takdir edebilirsiniz, ama gerçekten tanımları, teoremleri ve alıştırma örneklerini çözmeden neredeyse hiçbir şey öğrenmezsiniz
Veri bilimi alanında “bedava öğle yemeği yoktur” sözü geçerlidir. ChatGPT gibi araçlar giderek yaygınlaşırken, doktora üzeri seviyedekiler arasında bile bu araçları hiç kullanmadan kendi başına çalışanlar giderek sihirbaz gibi görünmeye başladı. Zaten yeterince iyi olmadığı için orta seviye ve üzeri kod yazamayan veya sezgisi zayıflayan insanlar görüyorum. Bu artık imposter syndrome değil; AI olmadan işini düzgün yapamama hali. Ben her konuda önce araçsız kendi başıma düşünüp sorular üretiyorum. Sonra belli bir sezgi oluşunca ChatGPT’ye soruyorum
İlginç. Burada gerçekten kalem kâğıtla kod yazdığını mı kastediyor diye merak ediyorum. Bu yöntemin gerçekten anlamaya yardımcı olduğunu düşünüyorum (not: ben meslek olarak kod yazmıyorum). Tarihçilerde de benzeri var; fiziksel arşivlerin içinde bütün gün kaybolan insanlar zamanla konu hakkında sezgi ve içgörü geliştiriyor. Öte yandan Google’dan gerekli alıntı ve belgeleri çekip kullananlar, konuyu yüzeysel kavrama riski taşıyor. Çok yönlü düşünememe, olgular arasındaki ilişkileri görememe ve kendi tezine aşırı bağlanma eğilimi de oluşabiliyor
Belirtmek gereken birkaç nokta var. (1) Bu makale arXiv’de yayımlandı; henüz basılmış ya da peer review’dan geçmiş değil. Bunu göz önünde bulundurmak gerekir. (2) Kohort başına 18 kişi var. (3) Toplam 54 kişi var. N küçük ve görünüşe göre ağırlıkla 18-22 yaş arası MIT öğrencileri yer aldığı için yeniden üretilebilirlik ve genellenebilirlik konusunda sorunlar var. Deney sırasında EEG ile beyin dalgaları da ölçülüyor; bu alışılmadık ve rahatsız edici bir ortam. Ayrıca araştırma konusu LLM, arama araçları ya da hiçbir araç olmadan essay yazmak olduğu için katılımcılar da neyin incelendiğini biliyor. Makalenin özeti, essay yazma görevinde LLM kullanımının bilişsel maliyetini inceliyor. Essay yazma; fikirleri düzenleme, argümanı yapılandırma gibi makro düzey işlemleri ve kelime seçimi, dilbilgisi-sözdizimi gibi mikro düzey işlemleri aynı anda yönetmeyi gerektiren, okul ve sınavlarda kullanılan karmaşık bir görev. Bilişsel katılımı, bilişsel yükü ve beyin aktivitesini değerlendirmek için EEG kullanılmış. LLM’in yanı sıra klasik internet araması ve araçsız durumdaki beyin aktivitesi de karşılaştırılmış. Makalenin aslı
54 katılımcı 18-39 yaş arasındaydı (ortalama 22.9, SD=1.69) ve MIT, Wellesley, Harvard, Tufts, Northeastern olmak üzere 5 üniversiteden toplandı. 35 lisans öğrencisi, 14 lisansüstü öğrenci ve doktora sonrası araştırmacı/araştırmacı/yazılım mühendisi gibi 6 kişi vardı. Örneklem büyüklüğü ve bileşimi elbette sınırlılık ama bunu “yeniden üretimde zorluk” seviyesine çıkarmam. Sonraki çalışmaların daha büyük ve daha çeşitli örneklemlerle yapılması gerekir
Peer review öncesi olduğu için makaleye “temkinli yaklaşmak gerekir” argümanının artık bırakılması gerektiğini düşünüyorum. Peer review da ideal bir bilimsel süreç değil; çoğu zaman gereksiz gecikmeler, anlamsız yorumlar ve büyük yayıncılık şirketlerine ücretsiz emek sağlamak anlamına geliyor. 30’dan fazla yayın yapmış biri olarak iyi değerlendirmeler kadar kötü değerlendirmeler de çok gördüm. En azından açık hakemlik ve editörler arası iletişim modeline geçmemiz gerektiğini düşünüyorum. Bilim bir fikirler pazarı olmalı. Diğer eleştirilerin geri kalanı ise tamamen yerinde. Makalenin sonuçları da fazla aceleci ve tanıtım odaklı görünüyor. Kişisel olarak mevcut peer review sisteminin çağ dışı olduğunu düşünüyorum
Bu çalışma, ChatGPT’nin kullanıcıların essay yazma becerisine etkisini ölçen bir deney. Söylediği şey, yazma pratiği yapmazsanız yazma becerisinin gerileyeceği ve beyin aktivitesinde diğer yöntemlere göre fark görüldüğü; özel olarak zararlı olduğuna dair bir kanıt değil. Ayrıca makalede “cognitive decline” yerine “cognitive debt” terimi kullanılıyor; bu yorum açısından önemli bir ayrım. Benzer sonuçlar başka çalışmalarda da çıkabilir ama AI/LLM’in beyne zararlı olduğu gibi bir sonuca varmak için çok erken olduğunu düşünüyorum. Hatta bunu bilişsel yükü azaltıp essay yazmayı kolaylaştırdığı şeklinde bile okuyabilirsiniz. Yine de çıktı kalitesinin değerlendirilmesi gibi ek araştırmalar gerekiyor
Dikkat edilmesi gereken bir başka nokta da burada kullanılan “AI”ın LLM yerine kullanılmış olması. AI çok geniş bir alan. Görüntü, video, ses üretiminin bilişsel gerilemeye yol açtığını düşünmek zor; LLM içinse en fazla “hafızayı veya ezberi kendiniz yapma ihtiyacını azaltarak zihinsel tembellik yaratabilir” denebilir
Bu etkinin rahatlıkla yeniden üretilebildiğini düşünüyorum. Son zamanlarda yoğun LLM kullanmaya başlayan insanlarla etkileşime girince, sanki IQ’ları gözle görülür biçimde düşmüş gibi geliyor. Eskiden canlı tartışmalar yapan birinin artık Grok ya da ChatGPT’nin cevabını kontrol etmeden konuşamadığını görüyorum
Bu yazı ve başlığı, aslında önceki daha özgün bir kaynağın kaba bir tekrarı gibi. Araştırmacıların kendileri bile medyanın çalışmalarını yanlış yorumlayıp “LLM bizi aptallaştırıyor” gibi ifadeler kullanmamasını açıkça SSS bölümünde istemiş. HN yorumları da (en azından bir kısmı) insanların asıl materyali kontrol etmeden bilgiyi kabul etmesinin, yani bilişsel önyargının iyi bir örneği
Bunun neden Reddit’leştiği belli. Bu tür clickbait konular sürekli öne çıkıyor. Özellikle bu araştırma, 4 ay boyunca ChatGPT’yi 4 kez kullanan 18 kişiyle yapılmış ve gürültü kontrolü zayıf. AI’nin aşırı kullanımının sorun olduğuna katılıyorum ama bu tür çalışmalar sadece hoşlanmadığımız bir konu etrafında üretilmiş clickbait gibi duruyor
İnsanların neredeyse hiçbiri makaleyi düzgün okumuyor gibi geliyor. 1-3. oturumlarda LLM kullanan grup 4. oturumda LLM olmadan yazınca bağlantısallık azaldı, ama tüm gruplarda oturumlar ilerledikçe bağlantısallık arttı. Önemli olan, 4. oturumda da bunun tamamen başlangıç seviyesine, yani 1. oturuma dönmemiş olması; arada bir yerde kalmış olması. Yani hâlâ öğrenme sürüyordu. Buradaki asıl mesele Extended Mind adlı felsefi kavram. Hatta 1-3. oturumları LLM olmadan geçiren grup 4. oturumda LLM kullanınca beyin aktivitesi adeta patlıyor. Çalışmanın asıl ilginç sonucu bence bu
Ben şahsen 8 aydır ChatGPT ile kod yazarken zihnimin giderek yavaşladığını hissediyorum. Bu yüzden araştırma sonuçları bana çok anlamlı geliyor. Yine de AI’ye olumsuz bakan yeni çalışmaların bundan sonra pek çıkmayacağını düşünüyorum. AI hakkında olumsuz kamuoyu istemeyen güçler toplumu yönlendirdiği için bunun böyle olması kaçınılmaz olabilir
Bence LLM’e yazı yazdırmamalı veya metni tamamen ona revize ettirmemelisiniz. Geri bildirim almak, fikir keşfetmek veya boşlukları bulmak için kullanılabilir, ama yazım sürecini sonuna kadar kendiniz yürütmelisiniz. Beyni çok kolay şekilde LLM’e devretme riski var. Bu sadece essay yazmak için değil; programlama problemlerini çözmekte LLM’e dayanmanın da gerçek bir bilişsel gerileme hissi yarattığını fark ettim. Bilmediğiniz bir programlama ekosisteminde hataları sürekli kopyala-yapıştır yaparsanız sorunlar çabuk çözülür ama gerçek öğrenme azalır. Elbette başlamak daha kolay olur ve tıkanmazsınız, bu yüzden denge gerekli. Sorunlarla doğrudan boğuşabilme gücü şart
Benim deneyimim tam tersi. Sadece hata mesajlarını yapıştırmak veya AI cevabını hemen kabul etmek yerine sürekli “Bu neden çalışıyor?” diye soruyorum. Komutları ve flag’leri satır satır açıklatıyor, tamamen ikna olmadan bir sonrakine geçmiyorum. Bu sayede, kendi başıma keşfedersem olduğu kadar derin hatırlamasam bile, çok daha fazla problemi çok daha hızlı deneyimleyerek öğrenme hacmimi artırabiliyorum
Firefox’a otomatik düzeltme geldiğinde doğru cevapları tekrar ederek yazım hatasız yazmayı çalışmıştım ve çok gelişme gördüm (İngilizce ana dilim değil). LLM’i de aynı şekilde, daha hızlı öğrenmek ve sonuca daha hızlı ulaşmak için bir araç olarak görüyorum. Yeni bir projede daha önce yaptığım ayarları unuttuğumda, geçmişte wiki’ye not edeceğim şeyleri LLM bana hatırlatabiliyor. LLM ile daha iyi bir mühendis olmak için öz denetim önemli
Asıl mesele bu, ama LLM’i ölçülü kullanırsanız kendi yetkinliğinizin ve komşu alanların seviyesine hızla yetişebilir, küçük bilgi boşluklarında takılmadan işin özüne odaklanabilirsiniz. Örneğin sualtı akustik sinyal işlemeyi C ile hızla uyguladım; aslında o alanda mükemmel ustalık gerekmiyordu ama pratikte hızlıca işimi gördü. Eskiden olsaydı saatlerce başkalarının kodunu okuyacaktım
LLM’e yazı yazdırmak tembellik ve sonuç da tatmin edici olmuyor. Bunun yerine taslağı ben yazıp, LLM’den geri bildirim almak, kör noktaları kontrol etmek veya daha iyi kelimeler bulmak daha iyi
LLM alışkanlığını navigasyon ya da harita uygulamalarına aşırı bağımlılığa benzetiyorum. Çok kullanışlılar ama mekânsal hafızayı ve karar vermede kullanılan beyin bölgelerini köreltme gibi yan etkileri var. Bir kez körü körüne güvenip büyük bir hata da yapmıştım. Eskiden kâğıt haritalar kullanışsızdı ama bunun karşılığında daha fazla etkileşim ve boş zaman sağlıyordu. Bugün çatışma bölgeleri dışında neredeyse hiç kâğıt harita kullanılmıyor
Bu makale, gündem olan bir çalışma olmasına rağmen metodolojisinde ciddi sınırlamalar var. 54 kişi 3 gruba bölünmüş, her koşulda 9 kişi var ve “beyni yeniden programlama” gibi iddialar için bu örneklem aşırı küçük. Çalışmanın gösterdiği şey yalnızca AI destekli essay yazımı sırasında farklı beyin örüntülerinin olduğu; kalıcı bir hasar değil. Araç kullanırken beyin aktivitesinin azalması, hesap makinesi kullanırken zihinden hesap yapmanın azalmasına benziyor. “Bilişsel hasar” ya da “ciddi zarar” gibi ifadelerin çalışmanın kendisinde karşılığı yok. Yüzeysel EEG ölçümleriyle de derin beyin değişiklikleri çıkarılamaz. Yazarlar da bu sınırlamaları kabul ediyor. “%83,3’ü kendi essay’lerinden tek bir cümleyi bile hatırlamadı” ifadesi de aslında sadece 18 kişinin 15’i demek
Günlük hayatta AI kullanımı örneği olarak lehimleme, multimetre kullanımı, devre kurma, güneş enerjisi/batarya sistemleri, LoRa ağ kurma gibi çok çeşitli uygulamalı öğrenme alanlarından söz ediliyor. Tüm bunlarda yalnızca teoriyi değil, bizzat deneyerek öğrendiğini söylüyor. Sorun çıktığında AI ile nedeni araştırıyor, birçok kez soru sorup deney yaparak ilkeleri gerçekten anladığından emin oluyor. YouTube videoları ona hitap etmediği için metin tabanlı AI daha uygun geliyor. Bilerek hata yapıp bozarak öğrenmeyi seviyor. Yazılımda işe yarayan deneme-yanılma stratejisini ucuz elektronik alanına da uygulayıp iyi sonuç aldığını söylüyor
Bunları gerçekten yapan biri olarak neden AI’yi seçtiğini merak ediyorum. Metinle öğrenmek en zor yöntemlerden biri gibi geliyor. İyi hazırlanmış videolar gerçek süreci, neyin başarı ya da başarısızlık sayıldığını çok daha iyi gösteriyor. Ama iyi video bulmanın giderek zorlaştığı da doğru
Ben de LLM’lerden önce analog synthesizer yaparak benzer şeyler öğrendim. Katıldığım nokta şu: LLM’in referans verdiği web metinlerinin aynısını ben de kullanıyordum. Bir şey çalışmadığında gerçek cihazlara veya dokümantasyona bakıyordum. Yani LLM olmadan da yeterince öğrenilen bir yol zaten vardı; LLM’in diğer yöntemlerden mutlaka üstün bir öğrenme biçimi olup olmadığı bana hâlâ belirsiz geliyor
Gerçek fiziksel işler yapmak, öğrenme hızını beynin öğrenme hızına uyduruyor; buna karşılık yazılımdaki “vibe coding” gibi aşırı hızlı geri bildirim döngüleri gerçek öğrenmeye pek yardımcı olmuyor olabilir. Beyni, öğrenme sürecinden kaçınmaya alıştırıyor
Eğer LLM’i bir çırağın ustasına soru sorması gibi kullanıyorsanız hiçbir sorun görmüyorum
Benzer şekilde, cevap anahtarı olmayan bir kitaptan çalışırken tıkandığımda ChatGPT’den geri bildirim alıp ipucu istemek bana çok yardımcı oluyor
Makalenin böyle yorumlanması güç; hatta haberin kendisi sanki AI tarafından yazılmış gibi geliyor, çünkü gerçek makaleyi okuyup bu sonuca varmak zor. Deney 4 ay boyunca, 30 dakikadan kısa SAT tarzı essay’lerle yapıldı ve sadece bir kısmında AI kullanıldı. Bir kişinin ayda bir kez, 20 dakika kadar AI kullandığı için gözle görülür biçimde daha aptal hale geldiğini söylemek anlamsız. Çalışmanın gerçekten gösterdiği şey, kişinin bizzat üretmediği çıktıya karşı daha az bağlılık ve daha az hafıza geliştirdiğidir. Bu, başkasının yaptığı iş için de geçerlidir
AI’yi nasıl kullandığınızın öğrenme üzerindeki etkisiyle çok yakından ilişkili olduğunu düşünüyorum. Ben aksine, AI’ye sürekli sorular sorup mantıksal olarak didik didik ettiğim için normalden çok daha derin düşündüğümü hissediyorum. Örneğin dokümantasyonu zayıf bir özellik bulduğumda, AI ile kod akışını anlamaya çalışıyor; isimlendirme iyileştirmesi, yapılandırma değişikliği, dokümantasyon gibi farklı seçenekleri AI ile sürekli tartışıyorum. Bilgi arama kısmında LLM çok daha hızlı olduğu için benim emeğim biraz azalıyor, ama aslında daha derin düşünmeye itiyor. Elbette
mermaidgibi bazı alanları atladığım oldu ama LLM sayesinde gerçekten iş yapabildim; yoksa muhtemelen önemsiz işlerle uğraşıyor olurdumBu makale ve haberler o kadar kışkırtıcı yorumlandı ki araştırma ekibi ayrıca bir SSS bile yayımladı. Makalenin yazarı, “LLM insanı aptallaştırıyor” benzeri ifadelerin kullanılmamasını tekrar tekrar rica ediyor
Sadece teknik sinir ağı ölçümlerine dayanarak “uzun vadeli bilişsel gerileme”den söz etmek abartı olur. Örneğin “LLM kullanıcılarının %83’ü az önce yazdığı essay’den tek bir cümleyi bile hatırlayamadı” sonucu da aslında kendi elinden çıkmayan bir metnin hafızada kalmamasının gayet doğal olmasıdır. Sonuçta AI yazdı; kişi düşünce sürecinden tam geçmediği için bu çok şaşırtıcı değil