Featured this month

GPT Effect 시대, 우리는 무엇을 생각하지 않게 되었는가

계산기가 보급됐을 때 사람들은 암산 능력을 걱정했고, 검색엔진이 등장했을 때는 암기력을 걱정했습니다. 생성형 AI가 불러온 걱정은 조금 다릅니다. 이번에 외부로 넘어가고 있는 것은 기억이 아니라 사고 과정 그 자체이기 때문입니다. 요약하고, 추론하고, 글을 쓰고, 문제를 푸는 일. 과거에는 결과물에 도달하기 위해 반드시 통과해야 했던 이 단계들을 지금은 프롬프트 한 줄로 건너뛸 수 있습니다. 인간의 역할은 '작성자'에서 'AI가 내놓은 답을 검토하는 편집자'로 옮겨가고 있습니다. 이 글은 이러한 변화를 인지적 하역(Cognitive Offloading) 이라는 개념을 축으로 살펴 보려 합니다. 먼저 인지적 하역이 무엇이며 검색엔진 시대의 Google Effect가 어떻게 GPT Effect로 확장되었는지 정리하고, AI 의존이 비판적 사고를 약화시키는 경로와 반대로 사고력을 강화할 수 있는 조건을 각각 검토합니다. 마지막으로 이 변화가 교육 평가 방식에 요구하는 전환을 다룹니다. 결론을 미리 말하면, 문제는 AI를 쓰느냐 마느냐가 아니라 언제, 어느 지점에서 쓰느냐입니다. 인지적 하역이란 인지적 부담을 줄이고 더 중요한 활동에 시간과 에너지를 집중하기 위해 외부 도구를 이용하는 것을 말합니다 [1]. 새로운 전화번호를 외우는 대신 휴대전화에 저장하고, 일정을 달력에 표시하고, 복잡한 계산을 계산기에 맡기는 행위가 모두 여기에 해당합니다. 즉 인지적 하역은 AI와 함께 등장한 새로운 현상이 아니라, 이미 일상 깊숙이 자리 잡은 오래된 전략입니다. 이러한 전략이 작동하는 이유는 인간의 작업 기억(Working Memory)에 한계가 있기 때문입니다. 작업 기억은 정보를 일시적으로 저장하고 처리하는 인지 체계로, 동시에 유지할 수 있는 정보의 양과 시간이 제한되어 있습니다. 따라서 기억해야 할 정보를 환경 속에 저장해두고, 그렇게 절약한 인지 자원을 더 복잡한 문제 해결에 투입하는 것입니다 [2], [3]. 실제로 인지적 하역은 수행 능력을 높입니다. 알렉산드라 모리슨(Alexandra Morrison)과 로렌 리치몬드(Lauren Richmond)의 단기 작업 기억 연구는 인지적 하역이 개인의 기억 능력 수준과 관계없이 기억 기반 과제의 수행을 향상시킬 수 있다고 결론지었습니다 [4]. 문제는 하역의 범위가 넓어질 때 발생합니다. 오클랜드 대학교와 맥마스터 대학교 공학 교수이자 세계 최대 규모의 MOOC를 운영하는 바바라 오클리(Barbara Oakley) 교수는 일상화된 인지적 하역을 최근 관측되는 IQ 및 인지 능력 저하 현상의 원인 중 하나로 지목합니다 [5]. 근거는 기억의 작동 방식에 있습니다. 인간의 기억은 데이터베이스처럼 정보를 기계적으로 저장하는 것이 아니라, 정보를 능동적으로 인출하고(retrieval) 기존 지식과 통합하며(integration) 그 사이에서 의미 있는 연결망을 찾는 패턴 인식 과정까지 포함합니다 [5]. 이 인출과 가공 작업을 반복할 때 뇌는 기억 스키마(Memory Schemata)와 신경 매니폴드(Neural Manifolds)라는 구조를 형성하고, 이 구조가 고차원적 인지 기능의 토대가 됩니다 [5]. 따라서 정보 탐색과 요약의 전 과정을 AI에 위임하면 이 핵심 인지 과정이 충분히 가동되지 못하고, 장기적으로 비판적 사고의 근간이 약해질 수 있습니다 [5]. 계산기와 생성형 AI의 차이는 바로 여기에 있습니다. 하역하는 대상이 '연산'이냐 '사고의 구조화'냐의 차이입니다. 인지적 하역에 쓰이는 도구는 기술과 함께 진화해왔습니다. 종이와 메모, 달력 같은 단순한 도구에서 인터넷과 스마트폰을 거쳐 생성형 AI에 이르기까지, 우리가 무엇을 외부에 맡길 수 있는지의 범위가 계속 넓어졌습니다. 스마트폰이 보급되면서 하역은 한층 일상화되었습니다. 길 찾기나 사진 저장처럼 과거에는 개인이 직접 기억해야 했던 정보들이 모바일 기기에 축적되기 시작했고, 기기는 단순한 도구를 넘어 인지 체계의 일부처럼 기능하게 되었습니다. 생성형 AI의 등장은 그 범위를 기억과 검색 너머로 밀어냈습니다. 글쓰기, 데이터 분석, 요약, 추론, 예측 같은 고차원적 인지 기능까지 하역의 대상이 된 것입니다 [5]. 대규모 언어모델(LLM)은 사용자를 대신해 정보를 요약하고 아이디어를 생성하며 문서와 코드를 작성합니다. 정보를 종합해 새로운 결과물을 만들어낸다는 점에서 이전 도구들과 질적으로 다른 수준의 인지적 지원을 제공합니다. Google Effect란 정보 그 자체보다 그 정보를 어디서 찾을 수 있는지를 기억하는 현상을 뜻합니다. '디지털 건망증(Digital Amnesia)'이라고도 불리며, 집단이 정보를 나누어 기억하는 트랜잭티브 메모리(Transactive Memory) 개념이 인터넷이라는 매체로 확장된 형태라 할 수 있습니다. 이 개념은 2011년 컬럼비아 대학교의 베치 스패로(Betsy Sparrow) 연구진이 처음 실증했습니다 [7]. 검색이 일상화되면서 인간의 뇌가 정보를 직접 저장하기보다 그 정보의 '소재'를 색인화(Indexing)하는 방향으로 재편되고 있음을 보여준 연구입니다. 주목할 점은 이 시기에 인간이 포기한 것이 단순 사실에 대한 암기에 국한되었다는 사실입니다. 검색어를 입력하고, 결과를 클릭하고, 얻어낸 정보를 읽어 걸러내고, 하나의 결론으로 엮어가는 과정 — 즉 읽고, 판단하고, 조합하는 사고 활동에서는 여전히 인간이 중심에 있었습니다. 암기력은 무뎌졌지만 정보를 선별하고 재구성하는 주체성만큼은 인간의 몫으로 남아 있었습니다 [8]. GPT Effect는 정보 저장을 넘어 요약, 추론, 글쓰기, 문제 해결 같은 '생각하는 과정(cognitive process)' 자체를 AI에 맡기는 현상을 말합니다 [5]. ChatGPT나 Gemini가 관련 웹페이지 링크를 나열하는 데 그치지 않고 정보를 직접 다듬어 완성된 결론을 내놓기 시작한 지점에서 이 현상이 출발합니다. 여기서 인간이 생략하는 것은 접근 방식을 고민하는 단계입니다. "어떻게 해결하지?", "어떻게 써야 하지?"를 먼저 붙들고 있는 대신 프롬프트를 입력하는 것으로 시작하기 때문입니다. 그 결과 무에서 유를 만들던 작성자로서의 인간은, AI가 내놓은 답을 검증하고 선택하는 편집자 혹은 평가자로 역할이 재편됩니다. 자료조사로 시작해 이해하고 재구성해 결과물을 만드는 전통적 인지 단계를 건너뛰고 곧바로 검토 단계로 이동하는 것입니다. 요약, 추론, 합성, 문장화를 한꺼번에 위임할 때 남는 것은 결과물뿐입니다. 비판적 사고력, 논리 구성 능력, 메타인지 능력의 퇴화가 우려되는 이유가 여기에 있습니다 [9]. 자동화 편향(Automation Bias)은 시스템의 출력을 과도하게 신뢰해 반대 증거를 간과하는 인지적 경향입니다 [10]. AI 대중화 이전부터 항공과 의료 등 여러 자동화 분야에서 관찰되어온 현상으로, 사용자가 능동적 추론과 검증을 덜 하게 되면서 독립적 판단 역량 자체가 퇴화한다는 데 구조적 문제가 있습니다 [10]. 이 편향은 LLM 환경에서 더 심각해질 수 있습니다. 기존 자동화 시스템이 특정 수치나 경고 같은 파편적 데이터를 출력했다면, LLM은 정교한 문법과 설득력 있는 문장을 출력하기 때문입니다. 형식적 완성도가 내용의 신뢰도로 오인되는 구조가 만들어지는 것입니다. 미하엘 게를리히(Michael Gerlich)가 2025년 다양한 연령대와 학력의 참가자 666명을 대상으로 설문과 심층 인터뷰를 병행한 연구는 AI 사용과 비판적 사고 사이의 유의미한 음의 상관관계를 실증합니다 [11]. 이 관계에서 인지적 하역은 결정적인 매개변수로 작용했습니다. AI 사용량이 늘수록 사고를 외부에 맡기는 빈도가 높아지고, 그것이 누적되어 비판적 사고 점수가 낮아지는 경로가 확인된 것입니다. 분산분석(ANOVA) 결과 AI 도구 사용량은 참가자의 비판적 사고 수준을 예측하는 가장 강력한 독립 변수로 나타났습니다 [11]. 연령대별 차이도 뚜렷했습니다. 17–25세 집단은 전 연령대 중 AI 의존도가 가장 높고 비판적 사고 점수는 가장 낮았던 반면, 46세 이상 집단은 정반대 양상을 보였습니다 [11]. 젊은 층 참가자들은 단순 정보 검색부터 복잡한 의사결정에 이르기까지 AI에 크게 의존하는 경향을 보였고, AI가 일상에 필수적인 일부로 녹아들었다고 응답했습니다. 반면 교육 수준이 높을수록 정보를 능동적으로 분석하고 성찰하는 경향이 관찰되었습니다 [11]. 이 연구가 시사하는 바는 단순한 게으름과 다릅니다. AI에 대한 신뢰가 형성될수록 사용자는 인지적 과제를 위임하게 되고, 그 과정에서 정보를 심층적으로 처리하고 검증할 동기 자체가 제거된다는 것입니다 [11]. 검증 단계를 건너뛰는 행위는 개인의 부주의라기보다, 신뢰성 높은 인터페이스에 최적화되는 과정에서 생기는 메커니즘에 가깝습니다. 글쓰기 영역에서도 같은 양상이 보고됩니다. 2024년 창자오 왕(Changzhao Wang)이 대학생을 대상으로 진행한 연구에서 학생들은 AI 초안의 효율성을 긍정적으로 평가하면서도, AI가 쓴 글이 지나치게 일반화되어 개인의 목소리와 비판적 사고를 온전히 반영하지 못한다고 답했습니다 [12]. AI가 생성한 문장을 비판적 검토 없이 수용할 경우 사용자 고유의 표현력과 논리 전개 능력이 약해질 수 있다는 지적입니다. 코스미나(Kosmyna) 외 연구진의 2025년 연구는 이 약화를 신경 수준에서 측정했습니다 [9]. 대학생 54명에게 에세이 작성 과제를 부여하고 뇌파(EEG)로 인지 활동을 측정했으며, 참가자를 LLM 사용군, 검색엔진 사용군, 도구 없이 작성한 집단(Brain only) 세 그룹으로 나누어 4개월에 걸쳐 진행했습니다. 분석 결과 도구를 쓰지 않은 집단이 가장 넓고 강한 신경 네트워크 연결성을 보인 반면, LLM 사용군은 뇌 연결성이 가장 낮게 나타났습니다 [9]. LLM을 사용한 참가자들은 자신이 작성한 글에 대한 기억 회상도와 심리적 소유감도 유의미하게 낮았습니다. 가장 주목할 부분은 도구 사용 방식을 전환한 교차 세션입니다. LLM을 먼저 사용한 뒤 도구 없이 쓰도록 전환한 집단은 정보 회상과 전반적인 뇌 활동이 크게 저조해진 반면, 먼저 스스로 글을 쓴 뒤 LLM을 사용한 집단은 높은 회상 능력과 넓은 뇌 활동을 유지했습니다 [9]. 같은 도구라도 사용 순서에 따라 정반대 결과가 나온 것입니다. 연구진은 이를 '인지적 부채(Cognitive Debt)'로 규정했습니다. AI가 텍스트를 종합하고 구조화하는 동안 뇌는 인지적 노력을 덜 들이고, 그 대가를 사고력과 기억력 저하로 치르게 된다는 의미입니다 [9]. 다만 이 연구는 동료 평가(peer review) 이전 단계이며 표본 규모가 작고 통제된 단기 과제라는 한계가 있어, 실제 사용 패턴으로 일반화하기에는 신중한 접근이 필요합니다. LLM은 통계적 패턴에 기반해 유창하고 확신에 찬 어조로 허위 정보를 생성하는 환각(Hallucination) 문제를 안고 있습니다. 특히 학술·전문 문헌 인용에서 취약한데, 저자와 제목, 게재지, 출판연도, DOI 같은 정밀 메타데이터를 임의로 조합해 표면적으로만 완벽해 보이는 가짜 출처를 만들어내기 때문입니다 [13]. 모델이 스스로의 한계를 인정하는지를 측정한 벤치마크에서도 같은 경향이 확인됩니다. AA-Omniscience의 환각률은 정답이 아닌 응답 중 기권이 아니라 오답이 차지하는 비중으로 계산되는데, 주요 프런티어 모델 다수가 이 값에서 50%를 넘습니다 [14]. 모델이 모르는 문제를 만났을 때 모른다고 말하기보다 답을 만들어내는 쪽을 택한다는 뜻입니다. 법률 분야에서는 존재하지 않는 가상 판례의 생성뿐 아니라 실제 판례의 잘못된 해석, 무관한 권위 인용 등 다양한 문제가 지속적으로 발생하고 있습니다 [15]. AI 환각이 법원 판단의 대상이 된 사건을 추적하는 공개 데이터베이스에는 2026년 9월 기준 전 세계 2,044건이 수집되어 있으며, 이 중 미국이 1,397건, 캐나다가 218건을 차지합니다 [16]. 주목할 점은 책임 주체입니다. 변호사가 관여한 사건이 813건, 판사가 관여한 사건도 32건으로, 법률 전문성이 환각을 걸러내지 못했음을 보여줍니다 [16]. 더구나 이 데이터베이스는 법원이 환각 의존 사실을 명시적으로 인정한 사건만 수록하므로, 실제 규모는 이보다 큽니다 [16]. 법원의 대응 역시 단순 경고를 넘어 금전적 제재와 변호사회 징계 회부로 강화되는 추세입니다 [16]. 전문가 검토 체계를 갖춘 영역도 예외는 아닙니다. 대표적인 AI 학술대회인 NeurIPS 2025에서는 편당 3–5명의 전문가 심사를 거쳐 채택된 논문 중 53편, 전체의 약 1%에서 조작된 인용이 발견되었습니다 [13]. Deloitte Australia는 정부 제출 보고서에 허위 인용이 포함된 사실이 드러나 대금 일부를 환불하는 사태를 겪었습니다 [17]. 이 사례들의 공통점은 개인의 부주의가 아니라 연구·업무 워크플로 안에 독립적인 검증 단계가 내재화되어 있지 않다는 구조적 문제입니다. 자신의 주장을 완벽히 뒷받침하는 근거를 찾았다는 심리적 만족감은 검증 동기를 급격히 떨어뜨립니다. 3.1에서 본 자동화 편향이 가장 위험하게 발현되는 지점이기도 합니다. 글쓰기 과정에서 AI를 인지적 하역 도구로 쓰는 것이 언제나 부정적인 결과를 낳는 것은 아닙니다 [18]. 생성형 AI는 텍스트를 분석해 문법, 철자, 문맥상 표현에 대한 피드백을 즉각 제공함으로써 기초적인 글쓰기 능력 향상을 지원할 수 있습니다. 또한 다양한 관점과 논거를 제시해 사용자가 특정 주제를 더 깊이 사고하도록 자극합니다 [18]. 새로운 사고의 경로를 제시하고 문제를 여러 시점에서 바라보도록 장려한다는 점에서, AI는 비판적 사고를 촉진하는 보완적 도구로 기능할 수 있습니다. 3.1에서 본 왕의 연구와 상충하는 것처럼 보이지만, 두 결과를 가르는 것은 도구가 아니라 사용자가 AI의 출력을 검토 대상으로 두느냐 결론으로 받아들이느냐입니다. 완성된 정답을 생성하는 일반 챗봇과 달리, 학습자의 인지적 노력을 유도하도록 설계된 AI 튜터는 심층 학습과 비판적 사고를 강화하는 도구로 기능할 수 있습니다. 케스틴(Kestin) 외 연구진은 하버드대학교 물리학 수업에서 무작위 대조군 실험(RCT)을 수행해 맞춤형 AI 튜터를, 전통적 강의보다 우수하다고 이미 검증된 능동 학습(Active Learning)과 비교했습니다 [19]. 그 결과 AI 튜터 집단은 대조군보다 더 짧은 시간에 핵심 개념을 습득했고 참여도와 학습 동기도 유의미하게 높게 나타났습니다. 수강생 194명을 대상으로 한 교차 설계에서 AI 튜터 집단의 사후 검사 중앙값은 4.5로 능동 학습 집단의 3.5보다 높았고, 보고된 효과크기(Effect size)는 0.73–1.3 표준편차에 달했습니다 [19]. 연구진은 이 성과가 즉각적인 해답 제공이 아니라 강의 커리큘럼의 교육학적 원칙을 반영하도록 설계된 구조적 통제에서 비롯되었다고 분석합니다 [19]. 이 설계의 핵심은 '소크라테스식 튜터링(Socratic Tutoring)'입니다 [20]. 직접적인 답변 대신 연쇄적인 반문과 유도 질문을 던져, 학습자가 대화에 능동적으로 참여하며 스스로 비판적 사고를 수행하게 만드는 접근법입니다. 맥키(McKee) 외 연구진은 영국 5개 중학교 학생 165명을 대상으로 한 탐색적 RCT를 통해 교육용으로 미세조정된 모델 LearnLM을 제시했습니다 [21]. LearnLM이 생성한 피드백을 전문 튜터가 검토·수정한 뒤 학생에게 전달하는 구조로, 연구진은 이 시스템이 대규모 학습 지원에 유용하다고 결론지었습니다. 인간의 전문적 검증을 병행하는 통제된 AI 활용이 안전성과 효과를 함께 확보하는 현실적 경로임을 보여준 사례입니다. 3.2에서 본 코스미나 외의 교차 세션 결과는 동일한 LLM이라도 사용 순서와 시점에 따라 뇌 활성화에 정반대 결과를 낳는다는 점을 보여줍니다 [9]. 이를 실용적 지침으로 옮기면 하나의 문장이 됩니다. AI는 초안이 아니라 두 번째 패스에서 써야 합니다. 사고의 '대체'와 '보조'를 가르는 기준은 최종 결과물이 아니라 사용자가 거치는 인지적 처리 과정에 있습니다. 사고를 대체하는 사용은 완성된 답을 요청해 별도의 검증 없이 채택합니다. 반면 사고를 보조하는 사용은 자신의 핵심 논거와 프레임워크를 먼저 세운 뒤, AI에게 그 논리에 대한 반론과 결함, 대안적 접근을 탐색하도록 요청합니다. 두 방식의 본질적 차이는 최종 판단 권한이 누구에게 남아 있는가입니다. 판단이 사용자에게 남아 있는 한 사고 과정은 유지됩니다. 과거 학생이 과제를 수행할 때는 자료조사 → 독해 및 이해 → 글의 구성 → 초안 작성 → 퇴고 및 검토라는 다섯 단계를 순서대로 거쳐야 했습니다. GPT Effect 시대에는 프롬프트 한 번으로 자료조사부터 초안 작성까지를 건너뛰고 곧바로 수정·제출 단계로 이동합니다 [22]. 이 변화 앞에서 기존 평가 방식은 세 지점에서 한계를 드러냅니다. 이 한계를 넘으려면 평가 기준을 결과물에서 결과물에 도달하기까지의 사고 과정과 AI를 다루고 검증하는 노력으로 옮겨야 합니다. 프롬프트와 대화 로그를 과제와 함께 제출하게 합니다. 어떤 질문을 던졌는지, 오류를 어떻게 발견해 질문을 수정해 나갔는지를 보면 학생의 논리적 문제 해결 능력이 그대로 드러납니다. AI가 제시한 주장 하나하나에 대해 실제 학술 출처나 공식 통계를 직접 찾아 주석을 달게 하고, AI의 인용이 사실과 부합하는지 스스로 검증하도록 합니다 [23]. 3.3에서 본 환각 사례들이 보여주듯, 이 검증 습관의 부재는 학생 개인의 문제를 넘어 전문 영역 전반의 구조적 취약점이기 때문입니다. 이 방향을 제도화한 사례로 토론토대학교(UofT)가 있습니다. UofT는 과목별 실라버스에 AI 활용 범위를 네 단계로 명확히 규정해, 학생이 각 과제에서 AI를 어디까지 써도 되는지 스스로 판단하도록 합니다 [23]. 주목할 점은 이 가이드라인이 AI를 금지하거나 허용하는 이분법이 아니라, 과제의 학습 목표에 따라 하역의 범위를 설계한다는 것입니다. 1장에서 확인했듯 인지적 하역 자체는 인간이 오래전부터 써온 유효한 전략이며, 문제는 무엇을 언제 하역하느냐에 있기 때문입니다. 인지적 하역은 새로운 현상이 아닙니다. 달력과 계산기의 시대에도, 검색엔진의 시대에도 인간은 기억과 연산을 외부에 맡겨왔고 그 대가로 더 복잡한 문제에 인지 자원을 쓸 수 있었습니다. Google Effect가 가져간 것은 단순 사실에 대한 암기였고, 읽고 판단하고 조합하는 주체성은 인간에게 남아 있었습니다. GPT Effect가 다른 점은 하역의 대상이 사고의 구조화 자체로 확장되었다는 데 있습니다. 게를리히의 연구는 AI 사용량이 인지적 하역을 매개로 비판적 사고 점수를 떨어뜨리는 경로를 보여주었고, 코스미나 외의 EEG 연구는 그 대가를 '인지적 부채'라는 이름으로 측정했습니다. NeurIPS와 Deloitte의 사례는 이 부채가 학생의 과제를 넘어 전문 영역의 검증 체계까지 잠식하고 있음을 드러냅니다. 그러나 같은 연구들이 정반대의 가능성도 함께 보여줍니다. 먼저 스스로 쓴 뒤 LLM을 사용한 집단은 뇌 활동과 회상 능력을 유지했고, 교육학적 원칙에 따라 설계된 AI 튜터는 능동 학습보다 나은 성과를 냈습니다. 결정적인 변수는 도구가 아니라 사용자가 어느 지점에서 AI를 불러오는가였습니다. 그렇다면 개인과 제도가 지켜야 할 선은 분명합니다. 개인에게는 자신의 논거를 먼저 세운 뒤 AI를 반론자로 세우는 순서가, 교육에는 결과물이 아니라 과정과 검증 능력을 평가하는 기준이 필요합니다. 판단의 권한이 인간에게 남아 있는 한 사고는 유지됩니다. GPT Effect 시대의 과제는 AI를 얼마나 쓰지 않을 것인가가 아니라, 생각을 마친 뒤에 AI를 부를 수 있는가입니다. [1] G. Chirayath, K. Premamalini, and J. Joseph, "Cognitive offloading or cognitive overload? How AI alters the mental architecture of coping," Frontiers in Psychology, vol. 16, Nov. 2025, doi: 10.3389/fpsyg.2025.1699320. [2] "Cognitive offloading: What is it and why is it important?," Evidence Based Education, Oct. 3, 2025. [Online]. Available: https://evidencebased.education/resource/cognitive-offloading-what-is-it-and-why-is-it-important-2/. [Accessed: Sep. 7, 2026]. [3] E. F. Risko and S. J. Gilbert, "Cognitive offloading," Trends in Cognitive Sciences, vol. 20, no. 9, pp. 676–688, Sep. 2016, doi: 10.1016/j.tics.2016.07.002. [4] A. B. Morrison and L. L. Richmond, "Offloading items from memory: Individual differences in cognitive offloading in a short-term memory task," Cognitive Research: Principles and Implications, vol. 5, no. 1, Jan. 2020, doi: 10.1186/s41235-019-0201-4. [5] P. W. Bennett, "Generative AI and deeper thinking: What's in our heads still matters," Policy Options, Sep. 5, 2025. [Online]. Available: https://policyoptions.irpp.org/2025/09/ai-memory/ [Accessed: Sep. 7, 2026]. [6] H. Cloke, "Cognitive offloading: Why making learning easier is the key to retention," Growth Engineering, Oct. 8, 2025. [Online image]. Available: https://www.growthengineering.co.uk/cognitive-offloading/. [Accessed: Sep. 7, 2026]. [7] B. Sparrow, J. Liu, and D. M. Wegner, "Google effects on memory: Cognitive consequences of having information at our fingertips," Science, vol. 333, no. 6043, pp. 776–778, Aug. 2011, doi: 10.1126/science.1207745. [8] N. Carr, The Shallows: What the Internet Is Doing to Our Brains. New York, NY, USA: W. W. Norton & Company, 2010. [9] N. Kosmyna et al., "Your brain on ChatGPT: Accumulation of cognitive debt when using an AI assistant for essay writing task," arXiv:2506.08872, Jun. 2025, doi: 10.48550/arXiv.2506.08872. [10] K. Goddard, A. Roudsari, and J. C. Wyatt, "Automation bias: A systematic review of frequency, effect mediators, and mitigators," Journal of the American Medical Informatics Association, vol. 19, no. 1, pp. 121–127, Jan. 2012, doi: 10.1136/amiajnl-2011-000089. [11] M. Gerlich, "AI tools in society: Impacts on cognitive offloading and the future of critical thinking," Societies, vol. 15, no. 1, art. 6, Jan. 2025, doi: 10.3390/soc15010006. [12] C. Wang, S. J. Aguilar, J. S. Bankard, E. Bui, and B. Nye, "Writing with AI: What college students learned from utilizing ChatGPT for a writing assignment," Education Sciences, vol. 14, no. 9, p. 976, Sep. 2024, doi: 10.3390/educsci14090976. [13] S. Ansari, "Compound deception in elite peer review: A failure mode taxonomy of 100 fabricated citations at NeurIPS 2025," arXiv:2602.05930, Feb. 2026. [14] Artificial Analysis, "AA-Omniscience: Knowledge and hallucination benchmark," 2026. [Online]. Available: https://artificialanalysis.ai/evaluations/omniscience. [Accessed: Sep. 8, 2026]. [15] V. Magesh, F. Surani, M. Dahl, M. Suzgun, C. D. Manning, and D. E. Ho, "Hallucination-free? Assessing the reliability of leading AI legal research tools," arXiv:2405.20362, May 2024. [16] D. Charlotin, "AI Hallucination Cases Database," 2026. [Online]. Available: https://www.damiencharlotin.com/hallucinations/. [Accessed: Sep. 20, 2026]. [17] Korea Deep Learning, "AI hallucinations hit Deloitte, EY, and a top law firm," Jun. 22, 2026. [Online]. Available: https://koreadeep.com/en/blog/ai-hallucinations-consulting-reports-lesson. [Accessed: Sep. 8, 2026]. [18] H. Hong, C. Viriyavejakul, and P. Vate-U-Lan, "The cognitive catalyst: How generative AI elevates critical thinking in college English writing class," Journal of Research Administration, vol. 6, no. 1, Mar. 2024. [Online]. Available: https://journlra.org/index.php/jra/article/view/1584. [Accessed: Sep. 7, 2026]. [19] G. Kestin, K. Miller, A. Klales, T. Milbourne, and G. Ponti, "AI tutoring outperforms in-class active learning," Scientific Reports, vol. 15, art. 17458, 2025, doi: 10.1038/s41598-025-97652-6. [20] "Socratic AI in K–12 science classrooms: A randomized controlled trial," ResearchGate, Dec. 2025. [Online]. Available: https://www.researchgate.net/publication/398686102. [Accessed: Sep. 8, 2026]. [21] K. R. McKee et al., "AI tutoring can safely and effectively support students: An exploratory RCT in UK classrooms," arXiv:2512.23633, Dec. 2025. [22] J. Lodge, S. Yang, and L. Corrin, "Generative AI and the future of education: Critical thinking and metacognition in question," Computers and Education: Artificial Intelligence, vol. 5, art. 100183, 2024, doi: 10.1016/j.caeai.2023.100183. [23] Centre for Teaching Support & Innovation (CTSI), "Generative artificial intelligence in teaching and learning," University of Toronto, Toronto, ON, Canada, 2024. [Online]. Available: https://teaching.utoronto.ca/resources/generative-artificial-intelligence-in-teaching-and-learning/. [Accessed: Sep. 8, 2026]. [24] Harvard University Information Technology, "Guidance on generative AI tools in teaching," Harvard University, Cambridge, MA, USA, 2023. [Online]. Available: https://huit.harvard.edu/ai. [Accessed: Sep. 8, 2026].