Kritické myšlení

Automatický strojový překlad této anglické stránky, který ještě nebyl zkontrolován rodilým mluvčím.

Kritické myšlení — schopnost analyzovat, hodnotit a syntetizovat informace — je zároveň dovedností, kterou mohou nástroje AI pomoci rozvíjet, i kompetencí, kterou studenti musí uplatnit při používání AI. Ve vzdělávání v AI se výzkum kritického myšlení objevuje ve dvou vzájemně propojených podobách: jako cíl učení (učit studenty kriticky myslet) a jako pojistka proti nekritickému spoléhání na AI.

Otázky k zamyšlení

• Jak jste si jisti svou schopností rozpoznat nepravdivou nebo zavádějící odpověď vygenerovanou AI? Výzkum naznačuje, že sebeposuzovaná kompetence v AI daleko převyšuje skutečnou schopnost hodnocení — jak byste se otestovali?
• Kritické myšlení zde vystupuje ve dvou podobách: jako dovednost, kterou je třeba učit, a jako pojistka proti nekritickému spoléhání na AI. Napadá vás situace, kdy nástroj, který „učí" kritické myšlení, ve skutečnosti trénuje jeho opak?
• Jedna studie zjistila, že když studenti vyslýchali chyby vygenerované AI, přineslo to velké zisky ve vyšším myšlení. Jak by mohlo být záměrné vystavování chyb — místo jejich skrývání — mocnějším výukovým krokem, než jste předpokládali?
• Snadný přístup k odpovědím AI může vytlačit kritickou angažovanost dřív, než si to studenti uvědomí. Která designová vlastnost — nikoli politika nebo zákaz — by mohla udržet kognitivní úsilí živé?
• Ukázalo se, že rada AI potlačuje ochotu říci „nevím" — i když je rada špatná. Jak to mění to, co znamená vytvořit třídní kulturu, v níž je kladení otázek bezpečné?

Úvod

Kritické myšlení je ústřední pro gramotnost v AI — studenti, kteří nedokážou kriticky hodnotit výstupy AI, jsou zranitelní vůči přehnanému spoléhání, halucinovaným informacím a zaujatým doporučením. Výzkum kognitivního offloadingu ukazuje, že snadný přístup k odpovědím AI může vytlačit kritickou angažovanost, zatímco sokratovské přístupy, které zadržují přímé odpovědi, zachovávají kognitivní úsilí potřebné pro hlubší myšlení.

Strukturované řízení dialogu, nikoli lepší prompt, je to, co odlišuje tutora logických klamů od chatbota pro debatu: směrování každého tahu přes detekci záměru založenou na Toulminově modelu, pevné pořadí strategií a ověřovací agent umožnily jednomu sokratovskému systému projít 84,5 % metrik kvality dialogu proti 61,5 % u heuristického výchozího postupu (Shi et al. (2026)).

Kritické myšlení ve výzkumu AI ve vzdělávání

Články v této znalostní bázi zkoumají kritické myšlení optikou výzkumu založeného na designu a empirických přístupů. Adversariální agenti AI uskutečňují konstruktivní konflikt, aby přiměli začínající designéry k přehodnocení — sokratovská varianta, která vynucuje kritické přehodnocení. RCT výzkum generativní AI ve výuce nastoluje otázku, zda nástroje AI optimalizované pro povrchní výsledky mohou nechtěně potlačovat kritické myšlení, které vede k hlubšímu učení. Měřené důkazy tento bod zostřují: zda se kritické myšlení posune, závisí na tom, jak jsou navrženy zpětná vazba a úkoly zprostředkované AI a na metakognitivní regulaci studujících, nikoli na přístupu k modelu.

Propojení používání generativní AI se sebeposuzovaným kritickým myšlením probíhalo téměř výhradně přes gramotnost ve zpětné vazbě u generativní AI: u 421 čínských vysokoškoláků gramotnost ve zpětné vazbě zprostředkovala 71,98 % celkové asociace (β=0,185) a zbývající přímá cesta byla pozitivní jen u méně reflektivních studentů (β=0,177) a nevýznamná u reflektivnějších (Yan et al. (2026)).

Korpus nese i pesimistické čtení jako argument, nikoli měření. Muñiz a Castro Samayoa (2026) tvrdí, že kritické myšlení eroduje dominantní vzorec používání, nikoli přístup k modelu. Opírají to o Deweyho tvrzení, že myšlení se zlepšuje jen cvičením, a o tři mechanismy: odstraněné tření, zaujatost automatizace a rámec efektivity. Napětí se Zhao et al. je reálné a v korpusu nevyřešené. Jejich metaanalytický zisk g = 0,609 popisuje navržené intervence, zatímco Muñiz a Castro Samayoa popisují typické používání. Čteny společně se obě shodují, že rozhodující je designová proměnná, a neshodují se v tom, jak vypadá neřízený default.

Metaanalytický kotva pro tvrzení o moderaci. Napříč 29 experimenty generativní AI mírně zvýšila vyšší myšlení (g = 0,609), přičemž kritické myšlení mělo ES = 0,691 — pod řešením problémů (0,745) a nad kreativitou (0,444) — nejsilněji u intervencí trvajících 8–16 týdnů (0,759) a u studujících s vysokou SRL (0,863 proti 0,284) (Zhao et al. (2025)).

Přehledy dopadu ChatGPT na myšlení dokumentují smíšené nálezy: AI může scaffoldovat kritickou analýzu, když se používá záměrně (např. když studenti kritizují argumenty vygenerované AI), ale může také zkratovat myšlení, když se používá jako odpověďový stroj. Toto napětí souvisí s výzkumem nesouladu v hodnocení gramotnosti v AI, který ukazuje, že sebeposuzovaná kompetence v AI daleko převyšuje skutečnou schopnost kritického hodnocení. Kritický přehled 80 studií HCI o kritickém myšlení s AI zjistil, že obor měří to, co zřídka definuje: jen 23 z 80 studií uvedlo, jak kritickému myšlení vůbec rozumí, 49 (61 %) ho hodnotilo sebeposouzením, nikoli výkonem, a 42 (52 %) nepoužilo kontrolní skupinu (A Critical Review of Critical Thinking in HCI Research About AI).

Lin a Al-Hada (2026) čtou tento smíšený obraz jako dissociaci produktu a procesu: generativní AI může zvýšit kvalitu zadání a přitom snížit neasistovaný, opožděný přenos, který je za ním, takže učení by se mělo posuzovat podle neasistovaného opožděného výkonu, nikoli podle produktu vytvořeného s AI.

• Vyšší kognitivní angažovanost v chatu student–AI. Chang a Li (2026) zjišťují, že přibližně 62 % promptů studentů vůči AI nese vyšší kognitivní nárok, přičemž profily na úrovni Bloomovy taxonomie se liší podle oboru (STEM s převahou Apply 20,8 %, jazyky s převahou Understand 31,7 %, sociální vědy s převahou Create 33,8 %). Jejich design v rámci osoby ukazuje, že titíž studenti vytvářejí významně více promptů vyššího řádu v kurzech sociálních věd než v STEM (p < ,001), což naznačuje, že oborový kontext utváří kritickou a vyšší angažovanost s AI.

• Vzorce interakce se shlukují podle Bloomovy úrovně a předchozích znalostí. V úloze psaní o datech založené na bádání vytvořilo 19 studentů 14 vzorců interakce s Large Language Models (LLMs), které se lišily podle úrovně předchozích znalostí, a designovým důsledkem bylo cílit scaffolding na konkrétní fáze vyššího myšlení, nikoli na používání LLM obecně (Luo et al. (2026)).

• AI jako katalyzátor kritické mediální gramotnosti u dětí. Demir a Akar (2026) hodnotí osmnáctihodinový program kritické mediální gramotnosti v modelu 5E pro turecké žáky čtvrté třídy, v němž generativní AI (ChatGPT, Grammarly) působila jako pedagogický agent zapojený fázi po fázi, nikoli jako doplněk. Srovnání párových vzorků ukázala velké zisky ve čtení médií (+3,50), psaní (+1,67) a celkové mediální gramotnosti (+5,17, vše p < ,01), s meziskupinovými velikostmi efektu posttestu Cohenova d = 1,12 (čtení), 1,18 (psaní) a 1,31 (celková gramotnost) ve prospěch skupiny podporované AI. Kvalitativní analýza (rozhovory, studentské plakáty/kresby/slogany, pozorování výuky) odhalila šest domén růstu kritické mediální gramotnosti — digitální sebeochrana a soukromí dat, účelné a odpovědné používání médií, bezpečná komunikace a povědomí o hranicích, kritické hodnocení a povědomí o dezinformacích, povědomí o online rizicích a mediální etika/digitální občanství — což naznačuje, že záměrné dotazování obsahu zprostředkovaného AI může u mladých žáků kultivovat kritickou analýzu a reflexi.

• Dimenzně specifické zisky kritického myšlení v primárním multimodálním psaní. Lu et al. (2027) sledovali 60 žáků páté třídy během osmitýdenní praxe multimodálního psaní podporované konverzační AI, v níž převáděli narativy na obrazy a krátká videa generovaná AI. Analýza opakovaných měření napříč šesti dimenzemi kritického myšlení našla trvající zisky (T1→T2 a T1→T3) v interpretaci, analýze, hodnocení a vysvětlení, krátkodobý zisk v seberegulaci a žádnou změnu v inferenci — nerovnoměrný vzorec na úrovni dimenzí, který by agregátní skóre kritického myšlení skrylo. Autoři argumentují, že vizuály generované AI externalizovaly význam a tím snížily inferenční nárok, který psaní obvykle klade, zatímco vrstevnická spolupráce (otázky vrstevníků nutící odvozovat interpretace druhých) poskytla příležitosti k inferenci, které samostatná interakce s AI nedala. Poučení pro design: multimodální AI komponování podporuje několik aspektů kritického myšlení, ale mělo by být spárováno s pokračujícím scaffoldingem a strukturovanou vrstevnickou výměnou, aby se zachovala inference a seberegulace.

• Scaffolding AI a offloading táhnou kritické myšlení opačnými směry. Davor, Larbi a Boateng (2026) dotazovali 533 vysokoškolských studentů v Ghaně a zjistili, že úkolový scaffolding AI predikoval vyšší kritické myšlení (β = ,185), zatímco tendence ke kognitivnímu offloadingu predikovala nižší kritické myšlení (−,240); gramotnost ve verifikaci AI neměla přímý efekt na kritické myšlení a působila jen přes metakognitivní seberegulaci, což je vzorec plné mediace, který autoři čtou jako důkaz, že učit studenty fakticky ověřovat AI samo o sobě nestačí. (Davor et al. 2026)

• Hloubka offloadingu, nikoli používání, ohraničuje vyšší myšlení. Delegování rozumové vrstvy psaní — odůvodnění, protiargumentů, interpretace důkazů — neslo nejsilnější negativní asociaci s nezávislým vyšším myšlením (ab = −0,34) a seberegulované psaní ji oslabilo, ale nikdy neobrátilo (Chen (2026)).

• Závislost, nikoli používání, je místem, kde se asociace s kritickým myšlením obrací. Shojaei a kolegové (2026) dotazovali 412 studentů obchodu v Ománu a našli téměř nulovou bivariační korelaci mezi používáním generativní AI a sebeposuzovanou dispozicí ke kritickému myšlení (r = 0,050), přičemž závislost predikovala nižší dispozici (β = −0,389) a oslabovala vazbu od používání k dispozici (β = −0,239), takže jednoduchý sklon klesl z 0,424 při nízké závislosti na −0,054 při vysoké. (Shojaei et al. 2026)

Větší průřezový průzkum ukazuje opačným směrem: u 1 157 čínských postgraduálních studentů byla závislost na generativní AI pozitivně spojena s kritickým myšlením (β = 0,492) a kritické myšlení neslo přibližně 85,0 % cesty od funkční závislosti ke kreativitě ve výzkumu (Yin et al. (2026)).

• Předchozí znalosti a načasování úkolu určují znaménko efektu. Napříč 108 přezkoumanými dokumenty generativní AI zvýšila výkon v kritickém myšlení u zkušených výzkumníků (+0,20) a snížila ho u začátečníků (−0,13); raný přístup pomáhá pod časovým tlakem, ale narušuje kritické myšlení, když je čas na rozvahu (Zapata-Hernandez et al. 2026).

• Krátký reflektivní prompt činí spoléhání na radu AI rozlišitelnějším. Ve experimentu se třemi podmínkami a 342 vysokoškoláky Ren (2026) zjistil, že otevřená podpora ChatGPT vedla k přijetí nesprávných doporučení AI v 62,4 % pokusů, což kleslo na 39,7 % s krátkým metakognitivním reflektivním promptem (OR = 0,40, 95% CI [0,28; 0,56]); reflexe také zlepšila kalibraci uvědomění (0,59 vs. 0,41) a snížila index atribučního zkreslení specifického pro AI z 0,42 na 0,21, aniž by snížila přesnost doporučení nebo spustila plošné odmítání užitečných rad. (Ren 2026)

• Sebevědomí může stoupat, zatímco přesnost klesá. Shaw a Nave (2026) zjistili, že konzultace s asistentem AI zvýšila přesnost o 25 procentních bodů, když měl pravdu, a snížila ji o 15, když se mýlil, přesto angažování s ním zvýšilo sebevědomí i po chybách a 73,2 % pokusů s nesprávnou AI skončilo kognitivní kapitulací, nikoli strategickým offloadingem.

• Zpětná vazba ChatGPT kurátorovaná učitelem zvyšuje kritické myšlení díky revizím vyššího řádu. Chen a kolegové (2026) provedli osmnáct týdnů trvající kvaziexperiment s 64 vysokoškoláky, vesměs budoucími učiteli chemie, fyziky nebo matematiky, a srovnávali konvenční učitelskou zpětnou vazbu (n = 32) se zpětnou vazbou učitele asistovanou ChatGPT (n = 32) ve dvou argumentačních psaných úlohách. Skupiny začínaly ekvivalentně a významně se zlepšila jen asistovaná skupina (p < 0,001), s Cohenovým d rostoucím z 0,25 v pretestu na 3,74 v posttestu. Mechanismem byl druh zpětné vazby, nikoli pouhá přítomnost modelu: asistovaná skupina dostala více demonstrační (33,1 % vs. 10,9 %) a úzce dotazující (21,5 % vs. 6,0 %) zpětné vazby, revidovala 91,00 % (435 z 478) jednotek zpětné vazby proti 85,21 % (242 z 284) a epistemická síťová analýza spojila tyto revize s analýzou, hodnocením a tvorbou, nikoli s rozpoznáním a porozuměním, zatímco výuka a hodnoticí zpětná vazba pouze od učitele produkovaly většinou revize rozpoznání a porozumění. Učitelé pojímali výstup modelu jako konceptový materiál a rozšiřovali, revidovali nebo zavrhovali ho (14 % zavrženo, 9 % vyžadovalo opravu) a šest z osmi dotazovaných stále označilo nepřesnost nebo neprofesionalitu. Poučením pro design je, že zisk kritického myšlení přišel ze zpětné vazby, která modeluje alternativy a vyslýchá uvažování studenta, přičemž učitel kurátoruje to, co model vytvořil; malý vzorek z jednoho semestru znamená, že velmi velká velikost efektu by se měla číst opatrně. (Chen et al. 2026)

• Semestr přístupu k AI nechal kritické myšlení ploché, zatímco reflektivní používání ho sledovalo. Melanou, Beege a Kimmig (2026) sledovali 87 studentů obchodní informatiky během devítitýdenního kurzu ve třech paralelních podmínkách (AI rámovaná tutorem, nevedená AI a žádná AI) se třemi měřeními. Znalosti rostly ve všech skupinách bez výhody kterékoli podmínky s AI a bez Matoušova efektu (BF01 = 8,70), zatímco sebeposuzované kritické myšlení a motivace zůstaly stabilní. Studenti se lišili v reflektivním používání, tedy praxi ověřování zdrojů a výstupů AI před jejich přijetím: bylo vyšší v podmínce s AI než v kontrolní skupině (průměry 3,72 vs. 2,82) a predikovalo kritické myšlení při závěrečném měření (R² = 0,183, β = 0,43, p < 0,001). Výsledek koriguje jakékoli očekávání, že kurz používání AI sám posune kritické myšlení: metakognitivní regulace, nikoli přístup k nástroji, je místem, kde asociace žije, a autoři poznamenávají, že semestr je pravděpodobně příliš krátký na trvalou změnu. (Melanou et al. 2026)

Souvislosti s dalšími koncepty

Kritické myšlení se protíná se scaffoldingem (navrhování podpory AI, která udržuje kognitivní nárok), prompt engineeringem (formulování otázek, které vyvolávají kritickou analýzu) a přehnaným spoléháním (vědět, kdy AI věřit a kdy ji zpochybnit). Je základem akademické integrity a slouží jako klíčová dimenze rámců gramotnosti v AI v kontextech K-12 i vysokoškolského vzdělávání.

• Chyby AI jako provokace k vyššímu myšlení: Hosseini (2026) operacionalizuje Bloomovy vyšší úrovně (Analyze, Evaluate, Create) tím, že studenti v kurzu databází vyslýchají chyby vygenerované AI, s významnými zisky před/po (Cohenovo d=1,49) v odborné kompetenci.

• Kritika výstupu AI je scaffoldovatelná dovednost, nikoli vedlejší produkt řešení problémů. Skupiny, které jen řešily příbuzný fyzikální problém, přijaly vybroušené řešení AI nebo ho kritizovaly ze svých vlastních mylných představ, zatímco reflexe vedená rubrikou MAPS produkovala kritiky sladěné s odborníky u chybějící integrace a nedefinované notace (Borse et al. (2026)).

• Ohraničte AI, aby se zachovala kognitivní agentura. Plán E3-HOT mapuje tři ztělesněné cesty — situační zakotvení, ztělesněnou participaci, kognitivní tvorbu — na Analyze, Evaluate a Create a omezuje AI na prompty, kritiku a návrhy strategií, takže studenti musí formulovat odůvodnění a citovat důkazy, než je tvrzení přijato (Zhu et al. (2026)).

• Oboustranný audit vysvětlení AI. Bernstein a Sibia (2026) použili standardy Paula a Eldera (přesnost, jasnost, předpoklady, hledisko) jako tazatelské sondy u deseti studentů, kteří dokončili CS2, a nalezli zkoumání vysvětlení generativní AI na úrovni mechanismu: studenti lokalizovali, kde se mapování analogie láme (analogie ostrovní trasy pro spojový seznam, která implikovala kruh, badmintonový výměn nabízený pro rekurzi bez zaručeného zmenšujícího se vstupu), vyžadovali přesné formulace místo hedgingu a pojímali vysvětlení jako argumenty nesoucí hledisko. Kriticky: toto zkoumání sledovalo odbornost ve zdrojové nebo cílové doméně, nikoli osobní zájem — přerámovalo kritické hodnocení výstupu AI jako znalostní problém („oboustranný audit analogií"), nikoli dispoziční — a naznačilo, že zadávat vadné analogie AI jako objekty ke zkoumání a opravě je tvrdší kontrola koncepčního porozumění než čtení hotového vysvětlení. (Flawed but Memorable: Student Critical Reception of Interest-Personalized GenAI Analogies in Computing Education)

• Kritické myšlení jako neoutsourcovatelná angažovanost. Xie (2026) přidává filozofický protějšek z daoistického sebekultivování: protože AI je neprůhledná „černá skříňka", rámec orientovaný na harmonizaci nejistoty, nikoli na rozhodování pravdy v absolutních termínech, lépe odpovídá současné epistemické krajině, a kritické myšlení se stává trvalou, první osobou vedenou, neoutsourcovatelnou angažovaností s realitou, nikoli demonstrovatelnou racionální procedurou. V praxi Neidan (內丹) „neexistují žádné kognitivní zkratky", takže AI je postavena jako „nikoli kognitivní náhrada, ale instrumentální přídavek" k lidskému prospívání. (Alternative AI Philosophy: Daoism as Method for AI in Education)

• Rotace rolí jako struktura kritické interakce člověk–AI. Kenzhebayeva a kolegové (2026) referují o studii založené na designu, v níž 62 budoucích školních psychologů prošlo čtyřmi profesními rolemi (tvůrce případu, výzkumný analytik, praktik-intervencionista, reflektivní výzkumník), které učinily generovaná doporučení předmětem diskuse. Účastníci srovnávali výstup AI s psychologickou teorií a upravovali nebo odmítali doporučení, která k případu nepasovala, a pozdější cykly ukázaly více žádostí o teoretické odůvodnění, zatímco přehnané spoléhání na zdánlivě autoritativní odpovědi přetrvávalo. (Kenzhebayeva et al. 2026)

• Integrace zaměřená na verifikaci v oboru. Kritický přehled generativní AI v univerzitním chemickém vzdělávání (Vega-Baudrit a Rivera Álvarez, 2026) argumentuje, že protože chemické uvažování musí být koordinováno napříč makroskopickou, submikroskopickou a symbolickou reprezentací, studenti nemohou ověřit to, čemu nerozumí, takže předchozí znalosti a scaffolding přicházejí první a verifikace by měla být navržena do hodnocení jako hodnocená činnost: identifikovat falešný předpoklad, opravit chybu jednotky nebo mechanismu, nebo odůvodnit odmítnutí vygenerované odpovědi, přičemž logy promptů a historie revizí slouží jako stopy uvažování. (Vega-Baudrit a Rivera Álvarez 2026)

• Verifikace jako učební činnost, nejen pojistka. Wang (2026) organizuje hodnocení artefaktů AI kolem šesti vzájemně závislých dimenzí — Process, Evidence, Access, Reproducibility, Legitimacy a Source — a za to, co buduje oborovou odbornost, pokládá sestavení tohoto odůvodnění, nikoli plynulost výstupu.

Největší zranitelností hodnocenou odborníky v této znalostní bázi je kritické myšlení. Napříč 65 procesy učení hodnocenými 30 odborníky získalo kritické myšlení a kriticko-analytické myšlení nejvyšší míru narušení ve zprávě (průměr 4,00 z 5; 96 % hodnotitelů na 3 nebo výše), přičemž posílení zůstalo pod prahem (2,40, 43 %) (Kendeou, Greene a Nixon et al., 2026). Deset z osmnácti procesů vyššího řádu dosáhlo konsenzu pouze na zranitelnosti, což zpráva čte jako jednostranné riziko, nikoli kompromis.

• Asociaci nese struktura partnerství, nikoli expozice. Akgun a Toker (2026) modelovali 891 amerických a tureckých vysokoškoláků teorií tranzaktivních paměťových systémů a zjistili, že ani sebeposuzovaná schopnost myslet, ani důvěra v partnerství s AI přímo nepredikovaly uskutečňování kritického myšlení. Obě vstupovaly do obeznámenosti s generativní AI, která následně predikovala jen dvě chování: specializaci a koordinaci práce (b = 0,636) a reflektivní transformaci výstupu (b = 0,367). Tato chování predikovala kritické myšlení (b = 0,230 a b = 0,175) a žádná přímá cesta nezbyla (CFI = 0,974, RMSEA = 0,048). To je mechanismová verze opakované nuly v oboru: hodiny používání a sebehodnocená kompetence nejsou zástupným ukazatelem kritického myšlení a to, co studie měří, když se ptá na expozici, je vstup do řetězce, nikoli jeho výsledek.

Časté mylné představy

• „Lepší prompt produkuje lepší kritické myšlení." Strukturované řízení dialogu, nikoli lepší prompt, odlišuje tutora logických klamů od chatbota pro debatu: práci odvedlo směrování každého tahu přes detekci záměru založenou na Toulminově modelu. Mechanismem je struktura interakce, nikoli formulace.
• „Používání generativní AI přímo zvyšuje kritické myšlení." Vazba používání generativní AI na sebeposuzované kritické myšlení probíhala téměř výhradně přes gramotnost ve zpětné vazbě u generativní AI — u 421 čínských vysokoškoláků gramotnost ve zpětné vazbě zprostředkovala 71 % asociace. Cestou je gramotnost.
• „Metaanalytický efekt je uniformní." Napříč 29 experimenty generativní AI mírně zvýšila vyšší myšlení (g = 0,609) s kritickým myšlením na ES = 0,691. Mírné sdružené efekty napříč heterogenními intervencemi podporují kategorii, nikoli konkrétní design.

Související koncepty

• Metacognition
• Kognitivní odklánění
• Gramotnost v oblasti AI
• Generative AI
• Higher Education
• Problem-Based Learning
• Intelligent Tutoring
• Vzdělávací rozvoj
• Výuka
• Student Experience
• Chemistry Education — Chemické vzdělávání a AI: laboratoře, formativní hodnocení, limity LLM, filozofie experimentování
• Biology Education — Biologické vzdělávání a AI: laboratorní asistenti, gramotnost v AI v biologii, kritické myšlení, specializované nástroje
• Kognitivní kapitulace
• Reflection

Související články

• When Does GenAI Use Support Critical Thinking? A Cross-Cultural Structural Account of Transactive Memory with GenAI — Kritické myšlení probíhá přes dělbu práce a přepracování výstupu, nikoli expozici

• Ways generative AI can support and threaten learning in K-20 US education - Konsenzus 30 odborníků: kritické myšlení nese nejvyšší míru narušení ve zprávě (průměr 4,00)

• From Plausibility to Verifiability: The PEARLS Framework for Developing Epistemic Agency in Generative AI-Mediated Higher Education — Rámec PEARLS pro epistemickou agenturnost a ověřování výstupu AI (Wang 2026)

• Layer-sensitive cognitive offloading in generative AI-assisted writing: Supported performance and independent no-AI outcomes — Vrstvově citlivý kognitivní offloading v psaní asistovaném generativní AI (Chen 2026)

• The critical-thinking paradox in generative AI-integrated learning: distinguishing efficiency from cognitive depth — a differentiated framework and testable propositions — Paradox kritického myšlení v učení integrujícím generativní AI

• The Pedagogy of AI Mistakes: Fostering Higher-Order Thinking — Pedagogika chyb AI: rozvíjení vyššího myšlení (Hosseini 2026)

• Thinking—fast, slow, and artificial: How AI is reshaping human reasoning and the rise of cognitive surrender — Tri-systémová teorie a kognitivní kapitulace: jak AI přetváří lidské uvažování (Shaw a Nave 2026)

• The Tragedy of the Cognitive Commons: How AI Could Disrupt the Regeneration of Professional Expertise — Tragédie kognitivního společenství: AI a obnova odbornosti

• Does generative artificial intelligence improve students' higher-order thinking? A meta-analysis based on 29 experiments and quasi-experiments — Metaanalýza generativní AI a vyššího myšlení

• Can we disrupt the momentum of the AI colonization of science education? — Narušování AI kolonizace přírodovědného vzdělávání

• Reorienting Critical AI Literacy: A Community-Rooted Praxis of "Resisting AI" — Reorientace kritické gramotnosti v AI

• Inquiry-based learning patterns in large language model-driven learning environments: an exploratory study from Bloom's perspective — Vzorce IBL v prostředích řízených LLM (perspektiva Bloomovy taxonomie)

• Probing AI-generated physics solutions and preparing students to critique them — Příprava studentů na kritiku fyzikálních řešení generovaných AI

• Flawed but Memorable: Student Critical Reception of Interest-Personalized GenAI Analogies in Computing Education — Vadné, ale zapamatovatelné: kritická recepce zájmově personalizovaných analogií generativní AI studenty v informatickém vzdělávání

• Alternative AI Philosophy: Daoism as Method for AI in Education — Alternativní filozofie AI: daoismus jako metoda pro AI ve vzdělávání

• Fostering Sustainable Learning via Embodied Intelligence: The E3-HOT Framework for Higher-Order Thinking in the AI Era — Podpora udržitelného učení prostřednictvím ztělesněné inteligence (E3-HOT)

• Modeling AI Overreliance as a Complex Adaptive System — Přehnané spoléhání na AI modelované jako komplexní adaptivní systém

• More externalization, but less inference? Exploring changes in young learners' critical thinking during conversational AI bot-supported multimodal writing practice — Dimenzně specifické zisky kritického myšlení v multimodálním psaní podporovaném AI (Lu et al. 2027)

• Tackling the Root of Misinformation by Teaching Laypeople about Logical Fallacies via Socratic Questioning and Critical Argumentation — výuka rozpoznávání klamů prostřednictvím strukturovaného vícetahového dialogu

• Building AI Companions that Prioritize Learning over Performance — učení před výkonem: na co mají být společníci optimalizováni a měřeni

• Artificial intelligence-supported learning and higher-order cognitive outcomes: the mediating role of metacognitive self-regulation — Scaffolding AI, offloading a gramotnost ve verifikaci přes metakognitivní seberegulaci (Davor et al. 2026)

• Helpful or harmful? Generative AI dependence, self-reported critical thinking disposition, and self-perceived employability among business students — Závislost na generativní AI ohraničuje vazbu používání na kritické myšlení u studentů obchodu (Shojaei et al. 2026)

• College students’ metacognitive awareness of generative-AI reliance: an experimental study of decision confidence and attribution bias — Reflektivní prompt snižuje přijímání nesprávných rad AI a atribuční zkreslení (Ren 2026)

• Designing an AI-integrated role-rotation pedagogical model to support competence-related learning in pre-service educational psychologists — Rotace rolí jako struktura kritické interakce člověk–AI (Kenzhebayeva et al. 2026)

• Generative artificial intelligence in university chemistry education: a critical review using Johnstone’s chemistry triplet and Biggs’ 3P model — Integrace generativní AI zaměřená na verifikaci v univerzitním chemickém vzdělávání (Vega-Baudrit a Rivera Álvarez 2026)

• Effects of ChatGPT-Assisted Teacher Feedback on College Students' Critical Thinking Skills and Perceptions of Argumentative Writing — zpětná vazba ChatGPT kurátorovaná učitelem zvýšila kritické myšlení přes revize vyššího řádu (Chen et al. 2026)

• Generative AI and Learning Dynamics in Higher Education: A Longitudinal Empirical Study — semestr přístupu k AI nechal kritické myšlení ploché; predikovalo ho reflektivní používání (Melanou et al. 2026)

• GenAI dependence and graduate students' research creativity: the roles of critical thinking and human-AI collaboration quality — Závislost na generativní AI pozitivně spojena s kritickým myšlením u 1 157 postgraduálních studentů

• The association between generative AI use and university students' critical thinking: a moderated mediation model of GenAI feedback literacy and reflective thinking — Používání generativní AI a kritické myšlení přes gramotnost ve zpětné vazbě, s přímou cestou jen u méně reflektivních studentů

• Generative AI in Education and the Erosion of Critical Democratic Citizenship — Pesimistické čtení důkazů o moderaci: ztráta tření, zaujatost automatizace, rámec efektivity

• Generative AI and Cognitive Processes in Education: A Narrative Review and Conceptual Framework — Narativní přehled 108 dokumentů: znaménko efektu sleduje předchozí znalosti a načasování úkolu (rámec AMCIF)