Теория когнитивной нагрузки предоставляет мощную основу для понимания того, как мы обрабатываем и усваиваем информацию, разделяя когнитивную нагрузку на три типа:
Внешняя когнитивная нагрузка (Extraneous Cognitive Load, ECL): Возникает из-за способа представления информации.
Внутренняя когнитивная нагрузка (Intrinsic Cognitive Load, ICL): Связана со сложностью самого материала.
Герменная когнитивная нагрузка (Germane Cognitive Load, GCL): Отражает усилия, направленные на активную обработку информации и автоматизацию схем.
В контексте образовательных технологий, большие языковые модели (LLMs) открывают уникальные возможности для оптимизации когнитивной нагрузки:
Предоставляя прямые и лаконичные ответы, LLMs снижают внешнюю когнитивную нагрузку, связанную с необходимостью синтезировать информацию из множества источников.
Это освобождает ментальные ресурсы, позволяя сосредоточиться на учебных целях.
Однако существует компромисс. Снижение герменной когнитивной нагрузки (GCL), наблюдаемое при использовании LLMs, может ограничить глубокое взаимодействие с материалом и развитие сложных схем по сравнению с традиционными методами поиска. Работа с разнообразной и сложной информацией в ходе традиционного WEB-поиска способствует более глубокому пониманию и развитию критического мышления, что усиливает долгосрочное обучение.
Основной вывод: хотя LLMs упрощают доступ к информации и поддерживают быстрое усвоение знаний, критически важно поддерживать глубокое взаимодействие с материалом для освоения сложных концепций и формирования развитых навыков рассуждения.
