Frontiers in Computer Science

This Hypothesis and Theory paper addresses a design problem at the center of AI-assisted research writing: which cognitive demands should AI reduce, and which must remain the writer’s own work. Generative AI can absorb the effort of drafting, organizing, and synthesizing prose, but that same effort is where understanding takes shape. Recent empirical work documents reduced neural engagement, weaker recall of one’s own writing, and a diminished sense of authorship among writers who rely heavily on AI assistance. The paper grounds this problem in cognitive load theory, which distinguishes intrinsic load (the element interactivity a task inherently requires) from extraneous load (demands that do not contribute to learning), and which treats germane processes as the working memory resources a writer allocates to intrinsic load. It draws on productive struggle and generative processing to explain why germane processing cannot be offloaded: when a tool performs the work, the processing does not transfer to the writer; it does not occur. Two research questions are posed. First, which cognitive demands in research writing constitute extraneous load that AI could reduce, and which require germane processing that must remain the writer’s own. Second, how can human-in-the-loop AI collaboration be designed across the phases of research writing so that this distinction is operationalized through human judgment? The contribution is a nine-phase conceptual framework mapped to the sections of a research paper, from curiosity and inquiry through references and submission. Each phase specifies the dominant cognitive demand, the AI role (ranging from minimal involvement to full collaboration), and design guidelines for tools and interactions. The framework addresses research writing from secondary school (grades 9–12) through postdoctoral and professional research, across disciplines. It treats phase-aware AI use as responsive pedagogy applied to research writing: instruction and tool design that respond to the cognitive demands of the task rather than to the tool’s capabilities. The paper draws implications for the design of responsive digital education, including tool selection, assessment, equity, and support for writers with cognitive differences. The framework is intended to preserve the cognitive work that makes research meaningful.

این مقاله از نوع فرضیه و نظریه به یک مسئله طراحی در مرکز نگارش پژوهشی با کمک هوش مصنوعی می‌پردازد: کدام مطالبات شناختی باید توسط هوش مصنوعی کاهش یابد و کدام باید همچنان کار خود نویسنده باقی بماند. هوش مصنوعی مولد می‌تواند تلاش مربوط به پیش‌نویس‌نویسی، سازماندهی و ترکیب نثر را بر عهده گیرد، اما همین تلاش جایی است که فهم شکل می‌گیرد. پژوهش‌های تجربی اخیر کاهش درگیری عصبی، یادآوری ضعیف‌تر نوشته‌های خود و کاهش حس مالکیت نویسندگی را در میان نویسندگانی که به شدت به کمک هوش مصنوعی متکی هستند، مستند کرده‌اند. مقاله این مسئله را در نظریه بار شناختی ریشه‌یابی می‌کند که بار ذاتی (تعامل عناصر مورد نیاز ذاتی یک وظیفه) را از بار زائد (مطالباتی که به یادگیری کمک نمی‌کنند) متمایز می‌سازد و فرایندهای مرتبط را به عنوان منابع حافظه فعال که نویسنده به بار ذاتی اختصاص می‌دهد، تلقی می‌کند. مقاله با بهره‌گیری از مفاهیم تلاش مولد و پردازش مولد توضیح می‌دهد که چرا پردازش مرتبط را نمی‌توان واگذار کرد: زمانی که یک ابزار کار را انجام می‌دهد، پردازش به نویسنده منتقل نمی‌شود؛ بلکه اصلاً رخ نمی‌دهد. دو پرسش پژوهشی مطرح می‌شود. نخست، کدام مطالبات شناختی در نگارش پژوهشی بار زائد محسوب می‌شوند که هوش مصنوعی می‌تواند آن را کاهش دهد و کدام نیازمند پردازش مرتبط است که باید کار خود نویسنده باقی بماند. دوم، چگونه می‌توان همکاری هوش مصنوعی با حضور انسان در حلقه را در مراحل مختلف نگارش پژوهشی به گونه‌ای طراحی کرد که این تمایز از طریق قضاوت انسانی عملیاتی شود؟ دستاورد مقاله، یک چارچوب مفهومی نه‌مرحله‌ای است که با بخش‌های یک مقاله پژوهشی، از کنجکاوی و پرسشگری تا منابع و ارسال، تطبیق یافته است. هر مرحله، مطالبه شناختی غالب، نقش هوش مصنوعی (از حداقل مداخله تا همکاری کامل) و راهنمای طراحی برای ابزارها و تعاملات را مشخص می‌کند. این چارچوب نگارش پژوهشی را از دبیرستان (پایه‌های ۹ تا ۱۲) تا پژوهش‌های فوق‌دکتری و حرفه‌ای، در رشته‌های مختلف پوشش می‌دهد. استفاده مرحله‌محور از هوش مصنوعی را به عنوان آموزش پاسخگو در نگارش پژوهشی تلقی می‌کند: آموزش و طراحی ابزار که به مطالبات شناختی وظیفه پاسخ می‌دهد نه به قابلیت‌های ابزار. مقاله پیامدهایی برای طراحی آموزش دیجیتال پاسخگو، از جمله انتخاب ابزار، ارزیابی، عدالت و حمایت از نویسندگان با تفاوت‌های شناختی ارائه می‌دهد. هدف چارچوب، حفظ کار شناختی است که پژوهش را معنادار می‌کند.

Physical interior elements are increasingly becoming roboticised to support occupant needs. Partitions, ceilings, and furniture can now physically and autonomously change shape or move to architecturally “adapt” indoor spaces, with the aim of improving occupant comfort, satisfaction, and wellbeing. However, occupants sometimes reject these adaptations when they are perceived as disruptive, unpredictable, or difficult to control. Motivated by the goal of making architectural robots more acceptable, we involved an interdisciplinary team of experts in human-building interaction, human-robot interaction, psychology, anthropology, and human comfort to qualitatively re-analyze how occupants accepted adaptations across three previous studies on robotic partitions. We found that an occupant tended to accept an adaptation when they recognized a personal need that the architectural robot was capable of addressing in a socially justifiable way. Accordingly, we developed the Architectural Robot Acceptance Model (ARAM), in which three qualitative thresholds along a continuum of perceived stress severity define four distinct acceptance responses to a specific adaptation. As the positions of these thresholds may vary across occupants and situations, ARAM supports testable estimates of how an occupant may respond to different appraisal states of personal need, adaptation capability, and social justification. Because architectural robot adaptations may simultaneously be experienced as robotic behaviors, building automation, and socially situated environmental adjustments, ARAM is particularly relevant to individual adaptations that enter occupants' spatial experience and may affect co-located others. We then discuss how the model can inform situated estimates of occupant acceptance of architectural robot adaptations, and outline how its broader relevance to other robotic, automated, intelligent, and smart technologies embedded in the built environment may be evaluated in future work.

عناصر فیزیکی داخلی به طور فزاینده‌ای رباتیک می‌شوند تا نیازهای ساکنان را پشتیبانی کنند. دیوارهای جداکننده، سقف‌ها و مبلمان اکنون می‌توانند به صورت فیزیکی و خودکار شکل خود را تغییر دهند یا جابه‌جا شوند تا فضاهای داخلی را به طور معماری «سازگار» کنند، با هدف بهبود راحتی، رضایت و سلامت روانی ساکنان. با این حال، گاهی ساکنان این سازگاری‌ها را زمانی که آن‌ها را مخرب، غیرقابل پیش‌بینی یا دشوار برای کنترل درک می‌کنند، رد می‌کنند. با انگیزه افزایش پذیرش ربات‌های معماری، یک تیم میان‌رشته‌ای از متخصصان تعامل انسان-ساختمان، تعامل انسان-ربات، روان‌شناسی، انسان‌شناسی و راحتی انسان را درگیر کردیم تا به طور کیفی بازتحلیل کنیم که چگونه ساکنان در سه پژوهش پیشین درباره دیوارهای جداکننده رباتیک، سازگاری‌ها را پذیرفته‌اند. دریافتیم که یک ساکن زمانی تمایل به پذیرش یک سازگاری دارد که یک نیاز شخصی را تشخیص دهد که ربات معماری قادر به پاسخگویی به آن به شیوه‌ای اجتماعی-قابل توجیه باشد. بر این اساس، مدل پذیرش ربات معماری (ARAM) را توسعه دادیم که در آن سه آستانه کیفی در امتداد یک پیوستار شدت استرس ادراک‌شده، چهار پاسخ پذیرش متمایز نسبت به یک سازگاری خاص را تعریف می‌کند. از آنجا که موقعیت این آستانه‌ها ممکن است در میان ساکنان و موقعیت‌ها متفاوت باشد، آرام امکان برآوردهای آزمون‌پذیر از نحوه واکنش یک ساکن به وضعیت‌های ارزیابی نیاز شخصی، قابلیت سازگاری و توجیه اجتماعی را فراهم می‌کند. از آنجا که سازگاری‌های رباتیک معماری ممکن است همزمان به عنوان رفتارهای رباتیک، خودکارسازی ساختمان و تنظیمات محیطی اجتماعی-موقعیتی تجربه شوند، آرام به ویژه برای سازگاری‌های فردی که وارد تجربه فضایی ساکنان می‌شوند و ممکن است بر دیگران هم‌مکان تأثیر بگذارند، مرتبط است. سپس بحث می‌کنیم که چگونه این مدل می‌تواند برآوردهای موقعیتی از پذیرش ساکنان نسبت به سازگاری‌های رباتیک معماری را اطلاع‌رسانی کند و چگونگی ارزیابی ارتباط گسترده‌تر آن با سایر فناوری‌های رباتیک، خودکار، هوشمند و هوش‌مند تعبیه‌شده در محیط ساخته‌شده را در پژوهش‌های آتی ترسیم می‌کنیم.