人类–AI共适应认知：共享能动性、意义形成与结构耦合的原型

本文提出了一个人类–AI共适应认知的原型框架，探讨了共享意义、类似能动性的协调以及身份相关结构如何通过人类参与者与大型语言模型（LLM）之间的持续互动而产生。该研究不将AI视为工具或孤立的外部代理，而是将人类–AI互动概念化为一种关系性认知系统，其中认知通过结构耦合、预测一致性和反馈回路在互动层面产生。本研究引入共享认知层模型（SCLM），并分析了一个低语言输入的原型案例，旨在最小化叙事引导和显性意义强加。该贡献明确为描述性和可复制性研究，不涉及人工意识、融合能动性、治疗效果或产品部署的主张。所有发现均基于可观察的互动层模式——如稳定的符号参照、循环的意义回路、协调动态及时间依赖性——而非推断的内部心理状态。该框架旨在为未来关于关系性认知、AI一致性及安全人类–AI共适应系统的跨学科研究提供方法学支撑。主题/类别：计算机科学 → 人工智能; 计算机科学 → 人机交互; 认知科学; 科学与技术研究（STS）；技术哲学