cognitive-load

本文评估了用于测量远程双人协作任务中对话状态（如认知负荷和权力）的多模态特征的预测准确性、跨任务泛化能力和重测信度。研究结果表明，语言特征预测良好但泛化能力差，在控制说话者身份后声学可靠性下降，而交互特征提供了最可靠的信号。

Yishan Wong 反思了成为CEO后认知负荷密度的增加，并将其与使用高级AI编码模型的开发者所经历的倦怠相类比，强调需要重新设计自己的生活方式以实现持续的高水平产出。

一位AWS的杰出工程师认为，AI工具虽然增加了产出量，但没有增加真正的价值，导致产品质量和创新停滞不前。

本教程论文介绍NeuraDock Agent，一个用于视觉认知负荷分析的开源EEG工作流，包含预处理、质量控制、实时API和LLM解读。

文章认为，与LLMs交互令人疲惫，因为这需要与和人交谈相同的社会认知努力，但没有互惠的好处，使它们无法成为真正的工具或社交伙伴。

本文探讨如何使用团队拓扑围绕代理型平台组织团队，解决大规模AI驱动开发中的认知负荷挑战。

作者解释了为何他们经常拒绝AI生成的代码，即使这些代码可以工作，原因包括无法解释方法、diff过大、过早抽象以及降低系统推理能力，并主张必须进行人工审查。

关于管理多个AI智能体时所经历的认知过载的文章，将其与人类管理进行类比，并探讨即时反馈循环和无限资源可用性带来的挑战。

本文认为，目前AI最有效的用途是自动化那些微小重复的脑力任务以减轻认知负荷，而非完全替代人类工作流程。

Harvard Business Review 研究揭示，过度与AI互动会导致精神疲惫，尤其是在高绩效者中，导致工作负荷增加和认知负担加重。

一篇个人随笔讨论了过度使用AI工具如何导致认知过载和精神疲劳，引用了BCG、Wired和其他来源的研究，表明AI会增加脑力劳动并导致技能萎缩。

文章讨论了由人工智能引起的一种新型倦怠，即工作者因不断监督和纠正人工智能输出而产生精神疲惫，导致高认知负荷和频繁切换任务。

针对LLM形式化数学推理的实证研究发现“单提示天花板”现象：无论提示多长，准确率均停滞在60–79%，根源在于不可判定性、模型脆弱性与分布失配。