Pensamiento crítico

Esta es una traducción automática de la página en inglés y todavía no ha sido revisada por una persona hablante nativa.

El pensamiento crítico (la capacidad de analizar, evaluar y sintetizar información) es a la vez una habilidad que las herramientas de IA pueden ayudar a desarrollar y una competencia que el estudiantado debe aplicar cuando usa la IA. En la IA en la educación, la investigación presenta el pensamiento crítico de dos formas interrelacionadas: como objetivo de aprendizaje (enseñar al estudiantado a pensar críticamente) y como salvaguarda frente a una dependencia acrítica de la IA.

Preguntas para reflexionar

• ¿Cuánta confianza tiene en su capacidad de detectar una respuesta generada por IA falsa o engañosa? La investigación sugiere que la competencia en IA autoinformada supera con creces la capacidad real de evaluación: ¿cómo se pondría a prueba?
• Aquí el pensamiento crítico aparece de dos formas: una habilidad que enseñar y una salvaguarda frente a una dependencia acrítica de la IA. ¿Se le ocurre una situación en la que una herramienta que «enseña» pensamiento crítico esté en realidad entrenando lo contrario?
• Un estudio encontró que hacer que el estudiantado interrogue errores generados por IA produjo grandes mejoras en el pensamiento de orden superior. ¿Cómo podría exponer los errores deliberadamente (en lugar de ocultarlos) ser un movimiento didáctico más potente de lo que suponía?
• El acceso fácil a las respuestas de la IA puede desplazar la implicación crítica antes de que el estudiantado se dé cuenta. ¿Qué característica de diseño, y no una política ni una prohibición, podría mantener vivo el esfuerzo cognitivo?
• Se ha demostrado que los consejos de la IA suprimen la disposición a decir «no lo sé», incluso cuando el consejo es erróneo. ¿Cómo cambia eso lo que significa crear una cultura de aula en la que preguntar sea seguro?

Introducción

El pensamiento crítico es central para la alfabetización en IA: el estudiantado que no puede evaluar críticamente las salidas de la IA es vulnerable a la dependencia excesiva, a la información alucinada y a las recomendaciones sesgadas. La investigación sobre la descarga cognitiva muestra que el acceso fácil a las respuestas de la IA puede desplazar la implicación crítica, mientras que los enfoques socráticos que retienen las respuestas directas preservan el esfuerzo cognitivo necesario para un pensamiento más profundo.

El control estructurado del diálogo, y no un mejor prompt, es lo que separa a un tutor de falacias de un chatbot de debate: enrutar cada turno por una detección de intención basada en Toulmin, un orden fijo de estrategias y un agente verificador permitió que un sistema socrático superara el 84,5% de las métricas de calidad del diálogo frente al 61,5% de una línea base heurística (Shi et al. (2026)).

El pensamiento crítico en la investigación sobre la IA en la educación

Los artículos de la base de conocimiento exploran el pensamiento crítico desde lentes de investigación basada en el diseño y empíricas. Los agentes de IA adversarios provocan un conflicto constructivo para incitar la reconsideración en diseñadores noveles: una variante socrática que fuerza una reevaluación crítica. La investigación con ensayos controlados aleatorizados sobre la IA generativa en la enseñanza plantea si las herramientas de IA que optimizan resultados superficiales pueden suprimir sin proponérselo el pensamiento crítico que conduce a un aprendizaje más profundo. La evidencia medida afina el punto: que el pensamiento crítico se mueva depende de cómo se diseñen la retroalimentación y las tareas mediadas por IA, y de la regulación metacognitiva de quienes aprenden, no del acceso a un modelo.

El vínculo entre el uso de IA generativa y el pensamiento crítico autoinformado pasó casi por completo por la alfabetización en retroalimentación con IA generativa: en 421 estudiantes universitarios chinos, la alfabetización en retroalimentación medió el 71,98% de la asociación total (β=0,185), y la vía directa residual fue positiva solo para el estudiantado menos reflexivo (β=0,177) y no significativa para el más reflexivo (Yan et al. (2026)).

El corpus también recoge la lectura pesimista como argumento y no como medición. Muñiz y Castro Samayoa (2026) sostienen que el patrón de uso dominante erosiona el pensamiento crítico, y no el acceso a un modelo. Lo fundamentan en la afirmación de Dewey de que el pensamiento solo mejora con el ejercicio, y en tres mecanismos: la eliminación de la fricción, el sesgo de automatización y un marco de eficiencia. La tensión con Zhao et al. es real y no está resuelta en el corpus. Su ganancia metaanalítica de g = 0,609 describe intervenciones diseñadas, mientras que Muñiz y Castro Samayoa describen el uso típico. Leídos juntos, ambos coinciden en que la variable de diseño es lo que importa, y discrepan sobre cómo es el valor por defecto sin gestión.

Un ancla metaanalítica para la afirmación sobre la moderación. A lo largo de 29 experimentos, la IA generativa elevó moderadamente el pensamiento de orden superior (g = 0,609), con el pensamiento crítico en un ES = 0,691 —por debajo de la resolución de problemas (0,745) y por encima de la creatividad (0,444)—, más fuerte para intervenciones de 8 a 16 semanas (0,759) y para quienes aprenden con alta autorregulación (0,863 frente a 0,284) (Zhao et al. (2025)).

Las revisiones del impacto de ChatGPT en el pensamiento documentan hallazgos mixtos: la IA puede andamiar el análisis crítico cuando se usa de forma deliberada (por ejemplo, pidiendo al estudiantado que critique argumentos generados por IA), pero también puede cortocircuitar el pensamiento cuando se usa como máquina de respuestas. Esta tensión conecta con la investigación sobre el desajuste en la evaluación de la alfabetización en IA, que muestra que la competencia en IA autoinformada supera con creces la capacidad real de evaluación crítica. Una revisión crítica de 80 estudios de HCI sobre el pensamiento crítico con IA encontró que el campo mide lo que rara vez define: solo 23 de los 80 declararon cómo entendían el pensamiento crítico, 49 (61%) lo evaluaron mediante autoinforme y no mediante desempeño, y 42 (52%) no usaron grupo de control (A Critical Review of Critical Thinking in HCI Research About AI).

Lin y Al-Hada (2026) leen ese panorama mixto como una disociación producto-proceso: la IA generativa puede elevar la calidad de un trabajo mientras reduce la transferencia no asistida y diferida que hay detrás, así que el aprendizaje debería juzgarse por el desempeño no asistido y diferido y no por el producto asistido por IA.

• Implicación cognitiva de orden superior en el chat entre estudiantado e IA. Chang y Li (2026) encuentran que ~62% de las indicaciones del estudiantado a la IA codifican una demanda cognitiva de orden superior, con perfiles por nivel de Bloom que varían según la disciplina (STEM, con predominio de Aplicar, 20,8%; idiomas, con predominio de Comprender, 31,7%; ciencias sociales, con predominio de Crear, 33,8%). Su diseño intrapersonal muestra que los mismos estudiantes producen significativamente más indicaciones de orden superior en ciencias sociales que en cursos de STEM (p < 0,001), lo que indica que el contexto disciplinar da forma a la implicación crítica y de orden superior con la IA.

• Los patrones de interacción se agrupan por nivel de Bloom y conocimiento previo. En una tarea de escritura de ciencia de datos basada en la indagación, 19 estudiantes produjeron 14 patrones de interacción con LLM que variaban según el nivel de conocimiento previo, y la implicación de diseño fue dirigir el andamiaje a etapas específicas del pensamiento de orden superior en lugar de al uso de LLM en general (Luo et al. (2026)).

• La IA como catalizador de la alfabetización mediática crítica en la infancia. Demir y Akar (2026) evalúan un programa de alfabetización mediática crítica de 18 horas y modelo 5E para estudiantes turcos de cuarto grado en el que la IA generativa (ChatGPT, Grammarly) actuó como agente pedagógico integrado fase por fase y no como un añadido. Las comparaciones de muestras emparejadas mostraron grandes mejoras en lectura de medios (+3,50), escritura (+1,67) y alfabetización mediática total (+5,17, todas con p < 0,01), con tamaños del efecto entre grupos en el postest de d de Cohen = 1,12 (lectura), 1,18 (escritura) y 1,31 (alfabetización total) a favor del grupo apoyado por IA. El análisis cualitativo (entrevistas, pósteres, dibujos y eslóganes del estudiantado, observación de aula) reveló seis dominios de crecimiento en alfabetización mediática crítica: autoprotección digital y privacidad de los datos, uso de los medios con propósito y responsable, comunicación segura y conciencia de los límites, evaluación crítica y conciencia de la desinformación, conciencia de los riesgos en línea y ética de los medios y ciudadanía digital, lo que indica que interrogar deliberadamente contenidos mediados por IA puede cultivar el análisis crítico y la reflexión en quienes aprenden a edades tempranas.

• Mejoras en el pensamiento crítico específicas por dimensión en la escritura multimodal de primaria. Lu et al. (2027) siguieron a 60 estudiantes de quinto grado durante una práctica de escritura multimodal apoyada por IA conversacional de ocho semanas en la que convirtieron narraciones en imágenes y vídeos cortos generados por IA. El análisis de medidas repetidas en seis dimensiones del pensamiento crítico encontró mejoras sostenidas (T1→T2 y T1→T3) en interpretación, análisis, evaluación y explicación, una mejora pasajera de la autorregulación y ningún cambio en la inferencia, un patrón desigual a nivel de dimensión que una puntuación agregada de pensamiento crítico habría ocultado. Los autores sostienen que los elementos visuales generados por IA externalizaron el significado y rebajaron así la exigencia inferencial que la escritura impone normalmente, mientras que la colaboración entre pares (preguntas de los pares que obligaban a inferir las interpretaciones de los demás) aportó las ocasiones de inferencia que la interacción individual con la IA no proporcionó. La lección de diseño: la composición con IA multimodal sostiene varias facetas del pensamiento crítico, pero debería combinarse con un andamiaje continuado y un intercambio estructurado entre pares para preservar la inferencia y el aprendizaje autorregulado.

• El andamiaje y la descarga de la IA tiran del pensamiento crítico en direcciones opuestas. Davor, Larbi y Boateng (2026) encuestaron a 533 estudiantes universitarios en Ghana y encontraron que el andamiaje de tareas con IA predecía un mayor pensamiento crítico (β = 0,185), mientras que la tendencia a la descarga cognitiva predecía un menor pensamiento crítico (-.240); la alfabetización en verificación de la IA no tuvo un efecto directo sobre el pensamiento crítico y actuó solo a través de la autorregulación metacognitiva, un patrón de mediación completa que los autores leen como evidencia de que enseñar al estudiantado a comprobar los hechos de la IA no basta por sí solo. (Davor et al. 2026)

• La profundidad de la descarga, y no el uso, acota el pensamiento de orden superior. Delegar la capa de razonamiento de la escritura —garantías, contraargumentos, interpretación de la evidencia— conllevó la asociación negativa más fuerte con el pensamiento de orden superior independiente (ab = −0,34), y la escritura autorregulada la debilitó pero nunca la invirtió (Chen (2026)).

• Es la dependencia, y no el uso, donde la asociación con el pensamiento crítico cambia de signo. Shojaei y colegas (2026) encuestaron a 412 estudiantes de empresa en Omán y encontraron una correlación bivariada casi nula entre el uso de IA generativa y la disposición al pensamiento crítico autoinformada (r = 0,050), con la dependencia prediciendo una menor disposición (β = -0,389) y debilitando el vínculo del uso con la disposición (β = -0,239), de modo que la pendiente simple cayó de 0,424 con dependencia baja a -0,054 con dependencia alta. (Shojaei et al. 2026)

Una encuesta transversal más amplia apunta en la dirección contraria: entre 1.157 estudiantes chinos de posgrado, la dependencia de la IA generativa se asoció positivamente con el pensamiento crítico (β = 0,492), y el pensamiento crítico concentró aproximadamente el 85,0% de la vía de la dependencia funcional a la creatividad en la investigación (Yin et al. (2026)).

• El conocimiento previo y el momento de la tarea fijan el signo del efecto. A lo largo de 108 documentos revisados, la IA generativa elevó el rendimiento en pensamiento crítico de quienes investigan con experiencia (+0,20) y lo redujo en quienes son noveles (−0,13); el acceso temprano ayuda bajo presión de tiempo, pero perjudica el pensamiento crítico cuando existe tiempo para deliberar (Zapata-Hernandez et al. 2026).

• Una indicación de reflexión breve hace más discriminativo el apoyo en los consejos de la IA. En un experimento de tres condiciones con 342 estudiantes de grado, Ren (2026) encontró que el apoyo abierto de ChatGPT produjo la aceptación de recomendaciones incorrectas de la IA en el 62,4% de los ensayos, que cayó al 39,7% con una indicación breve de reflexión metacognitiva (OR = 0,40, IC del 95% [0,28, 0,56]); la reflexión también mejoró la calibración de la conciencia (0,59 frente a 0,41) y redujo el índice de sesgo de atribución específico de la IA de 0,42 a 0,21 sin reducir la precisión de las recomendaciones ni provocar un rechazo generalizado de los consejos útiles. (Ren 2026)

• La confianza puede subir mientras la precisión baja. Shaw y Nave (2026) encontraron que consultar a un asistente de IA elevó la precisión en 25 puntos porcentuales cuando acertaba y la redujo en 15 cuando erraba, pero interactuar con él aumentó la confianza incluso tras los errores, y el 73,2% de los ensayos con IA incorrecta terminaron en rendición cognitiva en lugar de en una descarga estratégica.

• La retroalimentación de ChatGPT curada por el profesorado eleva el pensamiento crítico mediante una revisión de orden superior. Chen y colegas (2026) realizaron un cuasiexperimento de 18 semanas con 64 estudiantes de grado, todos futuros docentes de química, física o matemáticas, y compararon la retroalimentación docente convencional (n = 32) con la retroalimentación docente asistida por ChatGPT (n = 32) en dos tareas de escritura argumentativa. Los grupos empezaron siendo equivalentes, y solo el grupo asistido mejoró de forma significativa (p < 0,001), con la d de Cohen subiendo de 0,25 en el pretest a 3,74 en el postest. El mecanismo fue el tipo de retroalimentación, y no la mera presencia de un modelo: el grupo asistido recibió más retroalimentación de demostración (33,1% frente a 10,9%) y de cuestionamiento estrecho (21,5% frente a 6,0%), revisó el 91,00% (435 de 478) de las unidades de retroalimentación frente al 85,21% (242 de 284), y el análisis de redes epistémicas vinculó esas revisiones con el análisis, la evaluación y la creación y no con el reconocimiento y la comprensión, mientras que la instrucción y la retroalimentación de evaluación solo del profesorado produjeron sobre todo revisiones de reconocimiento y comprensión. El profesorado trató la salida del modelo como material en borrador, ampliándolo, revisándolo o descartándolo (14% descartado, 9% necesitado de corrección), y seis de las ocho personas entrevistadas seguían señalando imprecisión o falta de profesionalidad. La lección de diseño es que la ganancia en pensamiento crítico vino de una retroalimentación que modela alternativas e interroga el razonamiento del estudiante, con un profesorado que cura lo que produjo el modelo; la muestra pequeña y de un solo semestre hace que el tamaño del efecto, muy grande, deba leerse con cautela. (Chen et al. 2026)

• Un semestre de acceso a la IA dejó el pensamiento crítico plano, mientras que el uso reflexivo lo acompañaba. Melanou, Beege y Kimmig (2026) siguieron a 87 estudiantes de informática de empresa a lo largo de un curso de nueve semanas en tres condiciones paralelas (IA enmarcada como tutor, IA sin guía y sin IA), con tres mediciones. El conocimiento aumentó en todos los grupos sin ventaja para ninguna de las condiciones con IA y sin efecto Mateo (BF01 = 8,70), mientras que el pensamiento crítico autoinformado y la motivación se mantuvieron estables. Lo que separó al estudiantado fue el uso reflexivo, la práctica de comprobar las fuentes y verificar la salida de la IA antes de adoptarla: fue mayor en la condición con IA que en el grupo de control (medias de 3,72 frente a 2,82) y predijo el pensamiento crítico en la medición final (R² = 0,183, β = 0,43, p < 0,001). El resultado matiza cualquier expectativa de que un curso de uso de IA mueva el pensamiento crítico por sí solo: es en la regulación metacognitiva, y no en el acceso a la herramienta, donde reside la asociación, y los autores señalan que un semestre es probablemente demasiado corto para ver un cambio duradero. (Melanou et al. 2026)

Conexiones con otros conceptos

El pensamiento crítico se cruza con el andamiaje (diseñar apoyo con IA que mantenga la exigencia cognitiva), la ingeniería de prompts (formular preguntas que susciten análisis crítico) y la dependencia excesiva (saber cuándo confiar en la IA y cuándo cuestionarla). Es fundacional para la integridad académica y constituye una dimensión clave de los marcos de alfabetización en IA tanto en contextos de K-12 como de educación superior.

• Los errores de la IA como provocaciones para el pensamiento de orden superior: Hosseini (2026) operacionaliza los niveles de orden superior de Bloom (Analizar, Evaluar, Crear) haciendo que el estudiantado interrogue errores generados por IA en un curso de bases de datos, con mejoras significativas antes/después (d de Cohen = 1,49) en la competencia en la materia.

• La crítica de la salida de la IA es una habilidad andamiable, no un subproducto de la resolución de problemas. Los grupos que solo resolvían un problema de física relacionado aceptaban una solución de IA pulida o la criticaban desde sus propias concepciones erróneas, mientras que la reflexión guiada por la rúbrica MAPS produjo críticas alineadas con las personas expertas sobre la integración ausente y la notación sin definir (Borse et al. (2026)).

• Acote la IA para preservar la agencia cognitiva. El plano E3-HOT mapea tres vías encarnadas —inserción situacional, participación encarnada y creación cognitiva— sobre Analizar, Evaluar y Crear, y restringe la IA a indicaciones, crítica y sugerencias de estrategia, de modo que el estudiantado debe articular justificaciones y citar evidencia antes de que se acepte una afirmación (Zhu et al. (2026)).

• Auditoría bilateral de las explicaciones de la IA. Bernstein y Sibia (2026) usaron los estándares de Paul-Elder (precisión, claridad, supuestos, punto de vista) como sondas de entrevista con diez estudiantes que habían completado CS2, y encontraron un escrutinio a nivel de mecanismo de las explicaciones de IA generativa: el estudiantado localizaba dónde se rompía el mapeo de una analogía (una analogía de ruta insular para una lista enlazada que implicaba un círculo, un peloteo de bádminton ofrecido para la recursión que no tenía una entrada que se encogiera de forma garantizada), exigía una formulación precisa frente a las evasivas y trataba las explicaciones como argumentos que conllevan un punto de vista. De manera crucial, ese escrutinio seguía la pericia en el dominio de origen o de destino y no el interés personal, lo que reencuadra la evaluación crítica de la salida de la IA como un problema de conocimiento (la «auditoría bilateral de analogías») y no como uno de disposición, y sugiere que asignar analogías defectuosas de la IA como objetos que inspeccionar y reparar es una comprobación más exigente de la comprensión conceptual que leer una explicación terminada.(Flawed but Memorable: Student Critical Reception of Interest-Personalized GenAI Analogies in Computing Education)

• El pensamiento crítico como implicación no externalizable. Xie (2026) añade una contraparte filosófica desde la autoperfección taoísta: dado que la IA es una «caja negra» opaca, un marco orientado a armonizar la incertidumbre y no a dirimir la verdad en términos absolutos se ajusta mejor al panorama epistémico actual, y el pensamiento crítico se convierte en una implicación sostenida, en primera persona y no externalizable con la realidad, en lugar de un procedimiento racional demostrable. En la práctica del Neidan (內丹) «no hay atajos cognitivos», así que la IA se sitúa como «no un sustituto cognitivo sino un adjunto instrumental» del florecimiento humano.(Alternative AI Philosophy: Daoism as Method for AI in Education)

• La rotación de roles como estructura para una interacción crítica entre personas y IA. Kenzhebayeva y colegas (2026) informan de un estudio basado en el diseño en el que 62 psicólogos educativos en formación rotaron por cuatro roles profesionales (constructor de casos, analista de investigación, practicante-interventor, investigador reflexivo) que convertían las recomendaciones generadas en objeto de discusión: los participantes comparaban la salida de la IA con la teoría psicológica y modificaban o rechazaban las recomendaciones que no encajaban con el caso, y los ciclos posteriores mostraron más peticiones de justificación teórica, mientras persistía la dependencia excesiva de respuestas aparentemente autorizadas. (Kenzhebayeva et al. 2026)

• Integración centrada en la verificación en una disciplina. Una revisión crítica de la IA generativa en la enseñanza universitaria de la química (Vega-Baudrit y Rivera Álvarez, 2026) sostiene que, como el razonamiento químico debe coordinarse entre representaciones macroscópicas, submicroscópicas y simbólicas, el estudiantado no puede verificar lo que no comprende, de modo que los conocimientos previos y el andamiaje van primero y la verificación debería diseñarse dentro de la evaluación como una actividad evaluada: identificar un supuesto falso, corregir un error de unidades o de mecanismo o justificar el rechazo de una respuesta generada, conservando registros de prompts e historiales de revisión como rastros de razonamiento. (Vega-Baudrit y Rivera Álvarez 2026)

• La verificación como actividad de aprendizaje, no solo como salvaguarda. Wang (2026) organiza la evaluación de artefactos de IA en torno a seis dimensiones interdependientes —Proceso, Evidencia, Acceso, Reproducibilidad, Legitimidad y Fuente— y trata el ensamblaje de esa garantía, y no la fluidez de la salida, como lo que construye la pericia disciplinar.

La mayor vulnerabilidad calificada por personas expertas en la base de conocimiento es el pensamiento crítico. A lo largo de 65 procesos de aprendizaje valorados por 30 expertos, el Pensamiento Crítico y el Pensamiento Crítico-Analítico obtuvieron la mayor calificación de disrupción del informe (media 4,00 de 5; el 96% de quienes valoraron en 3 o más) con la potenciación por debajo del umbral (2,40, 43%) (Kendeou, Greene & Nixon et al., 2026). Diez de los dieciocho procesos de orden superior alcanzaron consenso únicamente sobre la vulnerabilidad, lo que el informe interpreta como un riesgo unilateral y no como una contrapartida.

• La estructura de la asociación, y no la exposición, es lo que sostiene la relación. Akgun y Toker (2026) modelaron a 891 estudiantes universitarios de Estados Unidos y Türkiye con la teoría de los sistemas de memoria transactiva y encontraron que ni la habilidad de pensamiento autoevaluada ni la confianza en la asociación con la IA predecían directamente la puesta en práctica del pensamiento crítico. Ambas alimentaban la familiaridad con la IA generativa, que a su vez predecía solo dos conductas: la especialización y coordinación del trabajo (b = 0,636) y la transformación reflexiva de la salida (b = 0,367). Esas conductas predecían el pensamiento crítico.

Concepciones erróneas

• «Un mejor prompt produce mejor pensamiento crítico.» El control estructurado del diálogo, y no un mejor prompt, es lo que separa a un tutor de falacias de un chatbot de debate: enrutar cada turno por una detección de intención basada en Toulmin hizo el trabajo. El mecanismo es la estructura de la interacción, no la formulación.
• «El uso de IA generativa eleva directamente el pensamiento crítico.» El vínculo del uso de IA generativa con el pensamiento crítico autoinformado pasó casi por completo por la alfabetización en retroalimentación con IA generativa: en 421 estudiantes universitarios chinos, la alfabetización en retroalimentación medió el 71% de la asociación. La alfabetización es la vía.
• «El efecto metaanalítico es uniforme.» A lo largo de 29 experimentos, la IA generativa elevó moderadamente el pensamiento de orden superior (g = 0,609), con el pensamiento crítico en ES = 0,691. Los efectos agrupados moderados sobre intervenciones heterogéneas respaldan la categoría y no un diseño específico.

Conceptos conectados

• Metacognición
• Descarga cognitiva
• Alfabetización en IA
• IA generativa
• Educación superior
• Aprendizaje basado en problemas
• Tutoría inteligente
• Desarrollo educativo
• La docencia
• Experiencia del estudiantado
• Educación química — Química y educación: laboratorios, evaluación formativa, límites de los LLM, filosofía de la experimentación
• Educación en biología — Biología y educación: asistentes de laboratorio con IA, alfabetización en IA en biología, pensamiento crítico, herramientas especializadas
• Rendición cognitiva
• Reflexión

Artículos conectados

• From Plausibility to Verifiability: The PEARLS Framework for Developing Epistemic Agency in Generative AI-Mediated Higher Education — El marco PEARLS para la agencia epistémica y la verificación de la salida de la IA (Wang 2026)

• Layer-sensitive cognitive offloading in generative AI-assisted writing: Supported performance and independent no-AI outcomes — La descarga cognitiva sensible a las capas en la escritura asistida por IA generativa (Chen 2026)

• The critical-thinking paradox in generative AI-integrated learning: distinguishing efficiency from cognitive depth — a differentiated framework and testable propositions — La paradoja del pensamiento crítico en el aprendizaje integrado con IA generativa

• The Pedagogy of AI Mistakes: Fostering Higher-Order Thinking — La pedagogía de los errores de la IA: fomentar el pensamiento de orden superior (Hosseini 2026)

• Thinking—fast, slow, and artificial: How AI is reshaping human reasoning and the rise of cognitive surrender — La teoría de los tres sistemas y la rendición cognitiva: cómo la IA reconfigura el razonamiento humano (Shaw y Nave 2026)

• The Tragedy of the Cognitive Commons: How AI Could Disrupt the Regeneration of Professional Expertise — La tragedia de los bienes cognitivos comunes: la IA y la regeneración de la pericia

• Does generative artificial intelligence improve students' higher-order thinking? A meta-analysis based on 29 experiments and quasi-experiments — La IA generativa y el pensamiento de orden superior: metaanálisis

• Can we disrupt the momentum of the AI colonization of science education? — Interrumpir la colonización de la IA en la didáctica de las ciencias

• Reorienting Critical AI Literacy: A Community-Rooted Praxis of "Resisting AI" — Reorientar la alfabetización crítica en IA

• Inquiry-based learning patterns in large language model-driven learning environments: an exploratory study from Bloom's perspective — Patrones del aprendizaje basado en la indagación en entornos impulsados por LLM (perspectiva de Bloom)

• Probing AI-generated physics solutions and preparing students to critique them — Preparar al estudiantado para criticar soluciones de física generadas por IA

• Flawed but Memorable: Student Critical Reception of Interest-Personalized GenAI Analogies in Computing Education — Defectuosas pero memorables: recepción crítica del estudiantado de las analogías de IA generativa personalizadas por interés en la educación en informática

• Alternative AI Philosophy: Daoism as Method for AI in Education — Una filosofía alternativa de la IA: el taoísmo como método para la IA en la educación

• Fostering Sustainable Learning via Embodied Intelligence: The E3-HOT Framework for Higher-Order Thinking in the AI Era — Fomentar el aprendizaje sostenible mediante la inteligencia corporeizada (E3-HOT)

• Modeling AI Overreliance as a Complex Adaptive System — La dependencia excesiva de la IA modelada como sistema adaptativo complejo

• More externalization, but less inference? Exploring changes in young learners' critical thinking during conversational AI bot-supported multimodal writing practice — Mejoras en el pensamiento crítico específicas por dimensión en la escritura multimodal apoyada por IA (Lu et al. 2027)

• Tackling the Root of Misinformation by Teaching Laypeople about Logical Fallacies via Socratic Questioning and Critical Argumentation — enseñar el reconocimiento de falacias mediante un diálogo estructurado de varios turnos

• Building AI Companions that Prioritize Learning over Performance — el aprendizaje por encima del rendimiento: para qué deberían optimizarse y medirse los acompañantes

• Artificial intelligence-supported learning and higher-order cognitive outcomes: the mediating role of metacognitive self-regulation — Andamiaje de IA, descarga y alfabetización en verificación a través de la autorregulación metacognitiva (Davor et al. 2026)

• Helpful or harmful? Generative AI dependence, self-reported critical thinking disposition, and self-perceived employability among business students — La dependencia de la IA generativa acota el vínculo entre uso y pensamiento crítico en estudiantes de empresa (Shojaei et al. 2026)

• College students’ metacognitive awareness of generative-AI reliance: an experimental study of decision confidence and attribution bias — Una indicación de reflexión reduce la aceptación de consejos de IA incorrectos y el sesgo de atribución (Ren 2026)

• Designing an AI-integrated role-rotation pedagogical model to support competence-related learning in pre-service educational psychologists — La rotación de roles como estructura para la interacción crítica entre personas y IA (Kenzhebayeva et al. 2026)

• Generative artificial intelligence in university chemistry education: a critical review using Johnstone’s chemistry triplet and Biggs’ 3P model — La integración de la IA generativa centrada en la verificación en la enseñanza universitaria de la química (Vega-Baudrit y Rivera Álvarez 2026)

• Effects of ChatGPT-Assisted Teacher Feedback on College Students' Critical Thinking Skills and Perceptions of Argumentative Writing — la retroalimentación de ChatGPT curada por el profesorado elevó el pensamiento crítico mediante una revisión de orden superior (Chen et al. 2026)

• Generative AI and Learning Dynamics in Higher Education: A Longitudinal Empirical Study — un semestre de acceso a la IA dejó el pensamiento crítico plano; el uso reflexivo lo predijo (Melanou et al. 2026)

• GenAI dependence and graduate students' research creativity: the roles of critical thinking and human-AI collaboration quality — La dependencia de la IA generativa se asocia positivamente con el pensamiento crítico en 1.157 estudiantes de posgrado

• The association between generative AI use and university students' critical thinking: a moderated mediation model of GenAI feedback literacy and reflective thinking — El uso de IA generativa y el pensamiento crítico a través de la alfabetización en retroalimentación, con una vía directa solo para el estudiantado menos reflexivo

• Generative AI in Education and the Erosion of Critical Democratic Citizenship — La lectura pesimista de la evidencia sobre la moderación: pérdida de fricción, sesgo de automatización y marco de eficiencia

• Generative AI and Cognitive Processes in Education: A Narrative Review and Conceptual Framework — Revisión narrativa de 108 documentos: el signo del efecto sigue al conocimiento previo y al momento de la tarea (marco AMCIF)

• Ways generative AI can support and threaten learning in K-20 US education — Un consenso de 30 personas expertas: el pensamiento crítico carga con la mayor calificación de disrupción del informe (media 4,00)

• When Does GenAI Use Support Critical Thinking? A Cross-Cultural Structural Account of Transactive Memory with GenAI — El pensamiento crítico pasa por la división del trabajo y la reelaboración de la salida, no por la exposición