生物行移动版

大型语言模型被设计用来减少“摩擦”，降低达成目标的努力成本。在本科教育中，这提出了一个难题：哪些AI辅助的捷径对学习过程有益，哪些有害？宾夕法尼亚大学讲师、元认知研究者Alison M. Brady认为，在阅读和总结原始科学文献时，本科生和教师应将LLM排除在外。学生不应让ChatGPT总结论文，而应亲自接触、剖析和解读它。

“摩擦最大化”：培养耐受力的新理念

在学术界之外，“摩擦最大化”的理念正逐渐兴起——即通过主动增加不便来培养对困难的耐受力，比如去杂货店购物而非叫外卖，或打电话而非发短信。Brady认为，这一理念在神经科学教育中也很有价值。对年轻科学家来说，在陌生领域费力地研读一篇论文，虽然过程艰辛，但能带来短期和长期的益处。

元认知的校准：必须亲历的过程

神经科学本质上是跨学科的，研究者需要经常接触自己专业领域之外的相关工作。他们需要能够驾驭这些论文——不是要掌握每一个术语和技术，而是要将它们整合到自己的理解中。遇到不熟悉的术语、方法和写作风格，正是校准围绕新课题的元认知意识的关键。这种认知技能并非一蹴而就，更不可能通过外包给LLM来获得。

短期收益：谦卑与校准

在短期内，努力研读科学论文是一种令人谦卑的经历。一位学生曾告诉Brady，他经历了邓宁-克鲁格效应：起初觉得对课题相当了解，但读了一两篇论文后，才意识到自己不知道的竟如此之多。过度自信会损害学习成果，而智力上的谦逊（即校准良好的自信）则预示着更好的掌握。如果他用LLM来“翻译”论文，可能就不会经历这种“警醒”，也就不会意识到自己的无知。

长期收益：构建能力，而非依赖

Brady承认，LLM可能以比直接总结更有用的形式辅助阅读，比如解释复杂概念。但教育者如果要允许使用LLM，就需要精心搭建使用的脚手架。首先，LLM的输出在事实上仍不可靠，学生需要有能力核实。如果学生不先通过阅读原始文献或寻找其他可靠来源来建立信心，他们就无法进行核实。教育者有责任让学生掌握未来长久使用的工具和技能，即使LLM会成为其中的一部分。

更可靠的替代方案

Brady在课堂上会向学生展示如何找到可靠、易懂的信息来源，包括教科书和可信渠道的科普文章，并用它们来解读复杂的文本。她还向学生介绍专家撰写的文章，如《自然》的“新闻与观点”或《科学》的“评论”栏目。这些文章能为论文补充历史背景，让学生感受研究成果的重要性。这些资源经受了时间的考验，比LLM更可靠。

用原始文献教授科学过程

教授学生阅读科学文献，也是向学生传授科学过程本身的有效途径。解读科学论文的原始措辞，可以开启一场关于科学界如何建立知识归属的规范与惯例的讨论。这种交流让学生得以一窥科学文化，欢迎他们加入其中，并引导他们避免通过已被预先消化、且可能不准确的第三方来消费科学。

作者信息
Alison M. Brady，宾夕法尼亚大学讲师，元认知研究者。