Теория когнитивной нагрузки предоставляет мощную основу для понимания того, как мы обрабатываем и усваиваем информацию, разделяя когнитивную нагрузку на три типа:

1. Внешняя когнитивная нагрузка (Extraneous Cognitive Load, ECL): Возникает из-за способа представления информации.

2. Внутренняя когнитивная нагрузка (Intrinsic Cognitive Load, ICL): Связана со сложностью самого материала.

3. 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.

https://pdf.sciencedirectassets.com/271802/1-s2.0-S0747563224X00072/1-s2.0-S0747563224002541/main.pdf