База знания AIEdAIEd KB
На тази страница

Прочетете тази страница на английски

Понятия

Критично мислене

Създадена 2026-08-09 · Актуализирана 2026-11-08

Автоматичен машинен превод на тази английска страница, който още не е проверен от носител на езика.

Критичното мислене — способността да се анализира, оценява и синтезира информация — е едновременно умение, което AI инструментите могат да помогнат да се развие, и компетентност, която студентите трябва да прилагат, когато използват AI. В AI в образованието изследванията критичното мислене се появява в две взаимосвързани форми: като учебна цел (преподаване на студентите да мислят критично) и като предпазна мярка срещу некритично разчитане на AI.

Въпроси за размисъл

  • Колко уверени сте в способността си да разпознаете неверен или подвеждащ отговор, генериран от AI? Изследванията предполагат, че самодокладваната AI компетентност далеч надхвърля действителната способност за оценяване — как бихте се тествали?
  • Тук критичното мислене се появява в две форми: умение, което се преподава, и предпазна мярка срещу некритично разчитане на AI. Можете ли да си спомните ситуация, в която инструмент, който „преподава“ критично мислене, всъщност тренира обратното?
  • Едно изследване установи, че поставянето на студентите да разпитват грешки, генерирани от AI, доведе до големи печалби в мисленето от по-висок ред. Как умишленото излагане на грешки — вместо скриването им — може да бъде по-мощен преподавателски ход, отколкото сте предполагали?
  • Лесният достъп до отговори от AI може да измести критичното ангажиране, преди студентите да го осъзнаят. Коя дизайнерска характеристика, а не политика или забрана, би могла да запази когнитивното усилие живо?
  • Доказано е, че съветите на AI потискат готовността да се каже „не знам“ — дори когато съветът е грешен. Как това променя смисъла на създаването на класна култура, в която поставянето под въпрос е безопасно?

Въведение

Критичното мислене е централно за AI грамотност — студентите, които не могат критично да оценяват резултати от AI, са уязвими на свръхразчитане, халюцинирана информация и пристрастни препоръки. Изследванията върху когнитивното изнасяне показват, че лесният достъп до отговори от AI може да измести критичното ангажиране, докато сократическите подходи, които задържат директните отговори, запазват когнитивното усилие, необходимо за по-дълбоко мислене.

Структурираният контрол на диалога, а не по-добрата подкана, е това, което отличава преподавател по логически грешки от чатбот за дебат: прекарването на всеки ход през откриване на намерението по Toulmin, фиксиран ред на стратегиите и агент-верификатор позволи на една сократическа система да премине 84,5% от показателите за качество на диалога срещу 61,5% за евристична базова линия (Shi et al. (2026)).

Критичното мислене в изследванията за AI в образованието

Статиите в базата знания изследват критичното мислене през дизайнерски-базирани и емпирични лещи. Адверсариалните AI агенти въплъщават конструктивен конфликт, за да предизвикат преосмисляне у начинаещи дизайнери — сократически вариант, който принуждава към критична преоценка. РКИ изследване върху GenAI в преподаването повдига въпроса дали AI инструментите, които оптимизират за повърхностни резултати, могат неволно да потиснат критичното мислене, което води до по-дълбоко обучение. Измерените доказателства изострят това: дали критичното мислене се движи, зависи от това как са проектирани медиираната от AI обратна връзка и задачи и от метакогнитивната регулация на обучаемите, а не от достъпа до модел.

Връзката между използването на GenAI и самодокладваното критично мислене минаваше почти изцяло през грамотността за обратна връзка с GenAI: при 421 китайски студенти грамотността за обратна връзка медиираше 71,98% от общата връзка (β=0,185), а остатъчният пряк път беше положителен само за по-малко рефлексивните студенти (β=0,177) и незначим за по-рефлексивните (Yan et al. (2026)).

Корпусът носи и песимистичния прочит като аргумент, а не като измерване. Muñiz и Castro Samayoa (2026) твърдят, че доминиращият модел на използване ерозира критичното мислене, а не достъпът до модел. Те се опират на твърдението на Dewey, че мисленето се подобрява само чрез упражняване, и на три механизма: премахната фрикция, пристрастие към автоматизацията и рамка за ефективност. Напрежението със Zhao et al. е реално и неразрешено в корпуса. Техният мета-аналитичен прираст от g = 0,609 описва проектирани интервенции, докато Muñiz и Castro Samayoa описват типичното използване. Четени заедно, двете се съгласяват, че дизайнерската променлива е това, което има значение, и се разминават относно това как изглежда неуправляваната настройка по подразбиране.

Мета-аналитичен ориентир за твърдението за модериране. В 29 експеримента GenAI повиши мисленето от по-висок ред умерено (g = 0,609), с критично мислене при ES = 0,691 — под решаването на проблеми (0,745) и над творчеството (0,444) — най-силно при интервенции от 8–16 седмици (0,759) и при обучаеми с висока саморегулация (0,863 срещу 0,284) (Zhao et al. (2025)).

Прегледите на влиянието на ChatGPT върху мисленето документират смесени находки: AI може да скафолдва критичния анализ, когато се използва съзнателно (например когато се иска от студентите да критикуват генерирани от AI аргументи), но може и да съкрати мисленето, когато се използва като машина за отговори. Това напрежение се свързва с изследването How to Assess AI Literacy: Misalignment Between Self-Reported and Objective-Based Measures, което показва, че самодокладваната AI компетентност далеч надхвърля действителната способност за критична оценка. Критичен преглед на 80 HCI изследвания за критично мислене с AI установи, че областта измерва това, което рядко дефинира: само 23 от 80 посочват изобщо как разбират критичното мислене, 49 (61%) го оценяват чрез самодоклад, а не чрез представяне, а 42 (52%) не използват контролна група (A Critical Review of Critical Thinking in HCI Research About AI).

Lin и Al-Hada (2026) четат тази смесена картина като дисоциация продукт–процес: GenAI може да повиши качеството на една задача, като същевременно понижи неподпомогнатия, закъснял пренос зад нея, така че обучението трябва да се съди по неподпомогнато закъсняло представяне, а не по подпомогнатия от AI продукт.

  • Ангажиране с когнитивни процеси от по-висок ред в чата студент–AI. Chang и Li (2026) установяват, че ~62% от подканите на студентите към AI кодират когнитивно търсене от по-висок ред, като профилите по нива на Bloom варират по дисциплина (STEM с преобладаване на „Прилагане“ 20,8%, езици с преобладаване на „Разбиране“ 31,7%, социални науки с преобладаване на „Създаване“ 33,8%). Техният вътрешноличностен дизайн показва, че същите студенти произвеждат значително повече подкани от по-висок ред в курсовете по социални науки, отколкото по STEM (p < 0,001), което показва, че дисциплинарният контекст оформя критичното и висшето ангажиране с AI.

  • Моделите на взаимодействие се групират по ниво на Bloom и предходно знание. В задача за писане по наука за данните, основана на проучване, 19 студенти произведоха 14 модела на взаимодействие с Large Language Models (LLMs), които варираха по ниво на предходното знание, а дизайнерската последица беше да се насочва скафолдингът към конкретни етапи на мислене от по-висок ред, а не към използването на LLM като цяло (Luo et al. (2026)).

  • AI като катализатор за критична медийна грамотност при деца. Demir и Akar (2026) оценяват 18-часова програма за критична медийна грамотност по модела 5E за четвъртокласници в Турция, в която генеративният AI (ChatGPT, Grammarly) действа като педагогически агент, вграден фаза по фаза, а не като добавка. Сравненията на свързани извадки показаха големи печалби в четенето на медии (+3,50), писането (+1,67) и общата медийна грамотност (+5,17, всички p < 0,01), с междугрупови ефекти на посттеста Cohen's d = 1,12 (четене), 1,18 (писане) и 1,31 (обща грамотност) в полза на групата с AI. Качественият анализ (интервюта, ученически плакати/рисунки/лозунги, наблюдение в клас) разкри шест области на растеж в критичната медийна грамотност — цифрова самозащита и поверителност на данните, целенасочено и отговорно използване на медии, безопасна комуникация и осъзнаване на границите, критична оценка и осъзнаване на дезинформацията, осъзнаване на онлайн рисковете и медийна етика/цифрово гражданство — което показва, че съзнателното разпитване на медиирано от AI съдържание може да култивира критичен анализ и размисъл у малките обучаеми.

  • Измервателно-специфични печалби в критичното мислене при основно мултимодално писане. Lu et al. (2027) проследиха 60 петокласници през осемседмична практика за мултимодално писане с подкрепата на Conversational AI, в която те превръщаха разкази в генерирани от AI изображения и кратки видеа. Анализът с повтарящи се измервания по шест измерения на критичното мислене установи устойчиви печалби (T1→T2 и T1→T3) в интерпретацията, анализа, оценяването и обяснението, краткотрайна печалба в саморегулацията и без промяна в извеждането — неравномерен модел на ниво измерение, който обобщен резултат за критично мислене би скрил. Авторите твърдят, че генерираните от AI визуални материали екстернализират значението и така намаляват инференциалното търсене, което писането обикновено налага, докато сътрудничеството с връстници (въпроси от връстници, които принуждават да се изведат чужди интерпретации) осигурява поводите за извеждане, които самостоятелното взаимодействие с AI не дава. Дизайнерският урок: мултимодалното AI композиране подкрепя няколко аспекта на критичното мислене, но трябва да се съчетава с продължаващ скафолдинг и структуриран обмен с връстници, за да се запазят извеждането и саморегулацията.

  • Скафолдингът с AI и изнасянето дърпат критичното мислене в противоположни посоки. Davor, Larbi и Boateng (2026) анкетираха 533 университетски студенти в Гана и установиха, че скафолдингът на задачи с AI предсказва по-високо критично мислене (β = 0,185), докато тенденцията към когнитивно изнасяне предсказва по-ниско критично мислене (-0,240); грамотността за проверка на AI нямаше пряк ефект върху критичното мислене и работеше само чрез метакогнитивната саморегулация — пълен модел на медиация, който авторите четат като доказателство, че преподаването на студентите да проверяват фактите на AI не е достатъчно само по себе си. (Davor et al. 2026)

  • Дълбочината на изнасянето, а не използването, ограничава мисленето от по-висок ред. Делегирането на слоя на разсъждението при писането — обосновки, контрааргументи, интерпретация на доказателства — носеше най-силната отрицателна връзка с независимото мислене от по-висок ред (ab = −0,34), а саморегулираното писане я отслабваше, но никога не я обръщаше (Chen (2026)).

  • Зависимостта, а не използването, е мястото, където връзката с критичното мислене се обръща. Shojaei и колеги (2026) анкетираха 412 студенти по бизнес в Оман и установиха почти нулева бивариантна корелация между използването на GenAI и самодокладваната нагласа за критично мислене (r = 0,050), като зависимостта предсказваше по-ниска нагласа (β = -0,389) и отслабваше връзката от използване към нагласа (β = -0,239), така че простият наклон падна от 0,424 при ниска зависимост до -0,054 при висока. (Shojaei et al. 2026)

По-голямо напречно проучване сочи обратната посока: сред 1 157 китайски докторанти зависимостта от GenAI беше положително свързана с критичното мислене (β = 0,492), а критичното мислене носеше около 85,0% от пътя от функционалната зависимост към изследователската творчество (Yin et al. (2026)).

  • Предходното знание и моментът на задачата определят знака на ефекта. В 108 прегледани документа GenAI повиши представянето в критичното мислене при опитни изследователи (+0,20) и го понижи при новаци (−0,13); ранният достъп помага при натиск от време, но вреди на критичното мислене, когато има време за обмисляне (Zapata-Hernandez et al. 2026).

  • Кратка подкана за размисъл прави разчитането на съвети от AI по-разграничаващо. В експеримент с три условия и 342 студенти Ren (2026) установи, че отворената подкрепа от ChatGPT доведе до приемане на неверни препоръки от AI в 62,4% от опитите, спадайки до 39,7% с кратка подкана за метакогнитивен размисъл (OR = 0,40, 95% ДИ [0,28, 0,56]); размисълът също подобри калибрирането на осъзнаването (0,59 срещу 0,41) и намали индекса на пристрастието за приписване, специфично за AI, от 0,42 до 0,21, без да намалява точността на препоръките или да предизвиква цялостно отхвърляне на полезни съвети. (Ren 2026)

  • Увереността може да расте, докато точността пада. Shaw и Nave (2026) установиха, че консултацията с AI асистент повиши точността с 25 процентни пункта, когато беше прав, и я понижи с 15, когато сгреши, но ангажирането с него увеличи увереността дори след грешки, а 73,2% от опитите с неверен AI завършиха с капитулация, а не със стратегическо изнасяне.

  • Обратната връзка от ChatGPT, курирана от учителя, повишава критичното мислене чрез преработка от по-висок ред. Chen и колеги (2026) проведоха 18-седмичен квазиексперимент с 64 студенти, всички бъдещи учители по химия, физика или математика, сравнявайки конвенционална учителска обратна връзка (n = 32) с обратна връзка, подпомогната от ChatGPT (n = 32), в две задачи за аргументативно писане. Групите започнаха еквивалентни и само подпомогнатата група се подобри значително (p < 0,001), с Cohen's d, растящ от 0,25 на претеста до 3,74 на посттеста. Механизмът беше видът обратна връзка, а не самото присъствие на модел: подпомогнатата група получи повече демонстрационна (33,1% срещу 10,9%) и тясно разпитваща (21,5% срещу 6,0%) обратна връзка, преработи 91,00% (435 от 478) от единиците обратна връзка срещу 85,21% (242 от 284), а епистемичният мрежов анализ свърза тези преработки с анализ, оценяване и създаване, а не с разпознаване и разбиране, докато обучението и оценяването само от учител произвеждаха главно преработки на разпознаване и разбиране. Учителите третираха резултата на модела като чернов материал, разширявайки, преработвайки или изхвърляйки го (14% изхвърлени, 9% нуждаещи се от корекция), и шестима от осем интервюирани все още отбелязваха неточност или непрофесионализъм. Дизайнерският урок е, че печалбата в критичното мислене дойде от обратна връзка, която моделира алтернативи и разпитва разсъждението на студента, с учител, който курира това, което моделът е произвел; малката извадка от един семестър означава, че много големият размер на ефекта трябва да се чете с внимание. (Chen et al. 2026)

  • Семестър с достъп до AI остави критичното мислене непроменено, докато рефлексивното използване го следваше. Melanou, Beege и Kimmig (2026) проследиха 87 студенти по бизнес информатика през деветседмичен курс в три паралелни условия (AI с рамкиране от преподавател, неводен AI и без AI), измервани три пъти. Знанието растеше във всяка група без предимство за нито едно условие с AI и без ефект на Матей (BF01 = 8,70), докато самодокладваното критично мислене и мотивацията останаха стабилни. Това, което разграничаваше студентите, беше рефлексивното използване — практиката да се проверяват източници и да се верифицира резултатът на AI, преди да се приеме: то беше по-високо в условието с AI, отколкото в контролната група (средни 3,72 срещу 2,82), и предсказваше критичното мислене при последното измерване (R² = 0,183, β = 0,43, p < 0,001). Резултатът квалифицира всяко очакване, че курс с използване на AI ще движи критичното мислене сам по себе си: метакогнитивната регулация, а не достъпът до инструмент, е мястото, където живее връзката, и авторите отбелязват, че един семестър вероятно е твърде кратък, за да се види трайна промяна. (Melanou et al. 2026)

Връзки с други концепции

Критичното мислене се пресича с Scaffolding (проектиране на подкрепа от AI, която запазва когнитивното търсене), Prompt Engineering (формулиране на въпроси, които предизвикват критичен анализ) и свръхразчитането (знание кога да се довериш и кога да поставиш AI под въпрос). То е фундаментално за Академична почтеност и служи като ключово измерение на рамките за AI грамотност както в K-12, така и във висшето образование.

  • Грешките на AI като провокации за мислене от по-висок ред: Hosseini (2026) операционализира висшите нива на Bloom (Анализ, Оценка, Създаване), като кара студентите да разпитват генерирани от AI грешки в курс по бази данни, със значими печалби преди/след (Cohen's d=1,49) в предметната компетентност.

  • Критиката на резултата от AI е скафолдваемо умение, а не страничен продукт от решаването на проблеми. Групи, които само решаваха свързан проблем по физика, приемаха изгладено AI решение или го критикуваха от собствените си заблуди, докато насочваният от рубриката MAPS размисъл произведе експертно подравнени критики за липсваща интеграция и недефинирана нотация (Borse et al. (2026)).

  • Ограничете AI, за да запазите когнитивната самостоятелност. Схемата E3-HOT картографира три въплътени пътя — ситуационно вграждане, въплътено участие, когнитивно създаване — върху Анализ, Оценка и Създаване и ограничава AI до подкани, критика и предложения за стратегия, така че студентите трябва да артикулират обосновки и да цитират доказателства, преди твърдение да бъде прието (Zhu et al. (2026)).

  • Двустранен одит на обясненията на AI. Bernstein и Sibia (2026) използваха стандартите на Paul–Elder (точност, яснота, допускания, гледна точка) като интервю-проби с десет студенти, завършили CS2, и установиха проверка на ниво механизъм на обясненията на GenAI: студентите локализираха къде се чупи съответствието на една аналогия (аналогия с маршрут през острови за свързан списък, която предполагаше кръг; разменен удар по бадминтон, предложен за рекурсия, който нямаше гарантирано свиващ се вход), изискваха прецизна формулировка вместо предпазливост и третираха обясненията като аргументи, носещи гледна точка. Важно е, че тази проверка следваше експертизата в изходната или целевата област, а не личния интерес — преформулирайки критичното оценяване на резултата от AI като проблем на знанието („двустранен одит на аналогии“), а не като диспозиционен — и предполагаше, че задаването на дефектни AI аналогии като обекти за инспекция и поправка е по-трудна проверка на концептуалното разбиране от четенето на готово обяснение.(Flawed but Memorable: Student Critical Reception of Interest-Personalized GenAI Analogies in Computing Education)

  • Критичното мислене като невъзложимо навън ангажиране. Xie (2026) добавя философски аналог от даоисткото самоусъвършенстване: тъй като AI е непрозрачна „черна кутия“, рамка, ориентирана към хармонизиране на несигурността, а не към отсъждане на истината в абсолютни термини, по-добре подхожда на настоящия епистемичен пейзаж, а критичното мислене става устойчиво, първолично, невъзложимо навън ангажиране с реалността, а не демонстрируема рационална процедура. В практиката Neidan (內丹) „няма когнитивни кратки пътища“, така че AI се позиционира като „не когнитивен заместител, а инструментален придатък“ към човешкото процъфтяване.(Alternative AI Philosophy: Daoism as Method for AI in Education)

  • Ротацията на роли като структура за критично взаимодействие човек–AI. Kenzhebayeva и колеги (2026) съобщават дизайнерски-базирано изследване, в което 62 бъдещи образователни психолози се редуваха през четири професионални роли (Конструктор на случаи, Изследователски анализатор, Практик-интервенционист, Рефлексивен изследовател), които правеха генерираните препоръки обект на дискусия. Участниците сравняваха резултата на AI с психологическата теория и променяха или отхвърляха препоръки, които не пасваха на случая, а по-късните цикли показваха повече искания за теоретична обосновка, докато свръхразчитането на привидно авторитетни отговори се запазваше. (Kenzhebayeva et al. 2026)

  • Интеграция, центрирана върху проверката, в една дисциплина. Критичен преглед на генеративния AI в университетското образование по химия (Vega-Baudrit и Rivera Álvarez, 2026) твърди, че тъй като химическото разсъждение трябва да се координира между макроскопични, субмикроскопични и символни представяния, студентите не могат да проверят това, което не разбират, така че предходното знание и скафолдингът идват първи, а проверката трябва да бъде проектирана в оценяването като оценявана дейност: идентифициране на невярно допускане, коригиране на грешка в единица или механизъм или обосноваване на отхвърлянето на генериран отговор, като се пазят логове на подканите и истории на преработките като следи от разсъждението. (Vega-Baudrit и Rivera Álvarez 2026)

  • Проверката като учебна дейност, а не само като предпазна мярка. Wang (2026) организира оценяването на AI артефакти около шест взаимозависими измерения — Процес, Доказателство, Достъп, Възпроизводимост, Легитимност и Източник — и третира сглобяването на тази обосновка, а не гладкостта на резултата, като това, което изгражда дисциплинарна експертиза.

Най-голямата оценена от експерти уязвимост в базата знания е критичното мислене. В 65 учебни процеса, оценени от 30 експерти, критичното мислене и критично-аналитичното мислене получиха най-високата оценка за нарушаване в доклада (средна 4,00 от 5; 96% от оценителите на или над 3) с подобряване под прага (2,40, 43%) (Kendeou, Greene & Nixon et al., 2026). Десет от осемнадесет процеса от по-висок ред достигнаха консенсус само за уязвимост, което докладът чете като едностранен риск, а не като размяна.

  • Структурата на партньорството, а не експозицията, носи връзката. Akgun и Toker (2026) моделираха 891 американски и турски университетски студенти с теорията за транзактивните паметни системи и установиха, че нито самооценената способност за мислене, нито увереността в партньорството с AI предсказват пряко разиграването на критично мислене. И двете захранваха познаването на GenAI, което от своя страна предсказваше само две поведения: специализация и координация на труда (b = 0,636) и рефлексивна трансформация на резултата (b = 0,367). Тези поведения предсказваха критичното мислене (b = 0,230 и b = 0,175) без остатъчен пряк път (CFI = 0,974, RMSEA = 0,048). Това е версията на ниво механизъм на повтарящата се нулева находка в областта: часовете използване и самооценената компетентност не са проксита за критично мислене, а това, което едно изследване измерва, когато пита за експозиция, е входът на веригата, а не нейният резултат.

Чести заблуди

  • „По-добрата подкана произвежда по-добро критично мислене.“ Структурираният контрол на диалога, а не по-добрата подкана, отличава преподавател по логически грешки от чатбот за дебат: прекарването на всеки ход през откриване на намерението по Toulmin свърши работата. Механизмът е структурата на взаимодействието, а не формулировката.
  • „Използването на GenAI повишава пряко критичното мислене.“ Връзката между използването на GenAI и самодокладваното критично мислене минаваше почти изцяло през грамотността за обратна връзка с GenAI — при 421 китайски студенти грамотността за обратна връзка медиираше 71% от връзката. Грамотността е пътят.
  • „Мета-аналитичният ефект е еднакъв.“ В 29 експеримента GenAI повиши мисленето от по-висок ред умерено (g = 0,609) с критично мислене при ES = 0,691. Умерените обединени ефекти върху разнородни интервенции подкрепят категорията, а не конкретен дизайн.

Свързани концепции

Свързани статии

Свързани ЧЗВ

Свързани ресурси

  • Pressing Prompts
    Отворено достъпни дейности и ресурси за висшето образование по належащи критични въпроси за AI, организирани в три тематични клъстера.
  • Student Guide to AI
    Безплатно ръководство за студенти по изкуствен интелект в три издания от Университета Илон, AAC&U и The Princeton Review, чието издание от 2026 г. развива десет човешки способности с модули и самооценка.

Метаданни

НивоHigher Ed
Обучение и преподаванеScaffolding, Socratic Method
Технологии и техникиGenerative AI
Основи на AI в образованиетоAI в образованието, AI грамотност, Когнитивно изнасяне
ИзточникИсторияРедактиранеЧат

Вграждане на тази страница

Копирайте кода по-долу, за да вградите тази страница в система за управление на обучението или друг уебсайт. Вгражданата версия показва само съдържанието на страницата — скрива заглавната част, навигацията и долния колонтитул на сайта.