AI Design Research
HCI Paper · Generative AI · Cognitive Load Theory
基于认知负荷理论的 AI 辅助写作粒度机制研究
当大语言模型（LLMs）成为“共同作者”，过度干预是否会削弱用户的创作能动性？本研究引入“AI 辅助粒度”作为核心变量，系统探究句子级、段落级、全文级不同支持方式如何在效率提升、认知卸载与深度参与之间形成动态平衡。
01 / 研究背景与核心悖论
生成式 AI 将写作从个体表达扩展为人与机器之间的协同创作，但这种效率导向的帮助也可能削弱作者的归属感、能动性与知识建构过程。本研究的核心问题是：如何在 AI 介入写作时，既提升效率，又不让写作沦为简单的“任务外包”？
02 / 实验设计与量表重构
研究使用基于 React + Tiptap 定制开发的 AI 写作工具，招募 21 名大学生完成议论文写作任务。实验采用被试内设计（Within-subjects design）并结合拉丁方阵（Latin Square）平衡任务顺序，以减少顺序效应对结果的干扰。
在评估上，研究引入并改编 Leppink 认知负荷量表，将负荷拆分为三类：内在负荷（任务本身复杂度感知）、外在负荷（与 AI 建议整合时的额外摩擦）以及相关/生成性负荷（AI 是否真正成为思维脚手架）。
- 句子级提示：低支持条件，保留更多构思空间，接近自动补全。
- 段落级提示：中等支持条件，在结构支撑与深度思考之间寻求平衡。
- 全文结构提示：高支持条件，直接提供完整结构参考，最大程度降低构思负担。
03 / 定量分析与核心洞察
通过 ANOVA 方差分析，研究揭示了 AI 辅助粒度在“认知卸载”与“能动性维持”之间的张力：句子级提示的外在负荷最高，频繁打断写作心流；全文结构提示虽然极大降低内在与外在负荷，却容易让用户把写作视为“任务外包”；段落级提示则在生成性认知负荷上表现最佳，成为“适度引导”的甜点区。
高外在摩擦，保留能动性，但明显打断创作节奏。
在结构支撑与深度参与之间达到最佳平衡，是最优支持粒度。
认知负荷最低，但显著削弱了批判性建构与创作者归属感。
04 / 设计启示与未来展望
本研究的核心结论是：未来 AI 写作系统不应仅是“内容生成器”，而应成为能够动态调节支持层级的“认知调节器”。在构思初期使用高粒度支持帮助用户突破冷启动，在写作中期切换到段落级提示以激发深度整合，在定稿阶段退回词句级辅助细化表达，才能真正平衡效率、创造性与用户能动性。