La pensée critique

Cette page est une traduction automatique de la page anglaise, non relue par un locuteur natif.

La pensée critique — la capacité à analyser, évaluer et synthétiser l'information — est à la fois une compétence que les outils d'IA peuvent aider à développer et une compétence que les étudiants doivent mettre en œuvre lorsqu'ils utilisent l'IA. Dans le champ de la recherche sur l'IA en éducation recherche, la pensée critique apparaît sous deux formes interdépendantes : comme objectif d'apprentissage (enseigner aux étudiants à penser de manière critique) et comme garde-fou contre la dépendance non critique à l'IA.

Questions à examiner

• Quelle confiance accordez-vous à votre capacité à repérer une réponse générée par l'IA fausse ou trompeuse ? La recherche suggère que la compétence en IA auto-déclarée dépasse de loin la capacité réelle d'évaluation — comment vous testeriez-vous ?
• La pensée critique apparaît ici sous deux formes : une compétence à enseigner, et un garde-fou contre la dépendance non critique à l'IA. Pouvez-vous penser à une situation où un outil qui « enseigne » la pensée critique entraîne en réalité son contraire ?
• Une étude a montré que faire interroger par les étudiants des erreurs générées par l'IA produisait des gains importants en pensée d'ordre supérieur. Comment exposer délibérément les erreurs — plutôt que de les dissimuler — pourrait-il être un geste pédagogique plus puissant que vous ne le supposiez ?
• Un accès aisé aux réponses de l'IA peut évincer l'engagement critique avant même que les étudiants ne s'en rendent compte. Quelle caractéristique de conception, plutôt qu'une politique ou une interdiction, pourrait maintenir vivant l'effort cognitif ?
• Il a été démontré que les conseils de l'IA suppriment la volonté de dire « je ne sais pas » — même lorsque le conseil est faux. Qu'est-ce que cela change quant à la création d'une culture de classe où questionner est sans risque ?

Introduction

La pensée critique est centrale pour l'Littératie en IA — les étudiants incapables d'évaluer de manière critique les productions de l'IA sont vulnérables à la sur-dépendance, aux informations hallucinées et aux recommandations biaisées. Les recherches sur la Délestage cognitif montrent qu'un accès aisé aux réponses de l'IA peut évincer l'engagement critique, tandis que les approches de type socratique qui retiennent les réponses directes préservent l'effort cognitif nécessaire à une pensée plus profonde.

Un contrôle structuré du dialogue, et non un meilleur prompt, distingue un tuteur aux sophismes d'un chatbot de débat : en acheminant chaque tour par une détection d'intention fondée sur Toulmin, un ordre de stratégie fixe et un agent vérificateur, un système socratique franchit 84.5 % des métriques de qualité du dialogue contre 61.5 % pour une référence heuristique (Shi et al. (2026)).

La pensée critique dans la recherche sur l'IA en éducation

Les articles de la base de connaissances explorent la pensée critique à travers des lentilles de conception et empiriques. Les agents d'IA adversariaux mettent en œuvre un conflit constructif pour provoquer un réexamen chez des concepteurs novices — une variante socratique qui impose une réévaluation critique. La recherche par ECR sur l'IA générative dans l'enseignement pose la question de savoir si des outils d'IA optimisés pour des résultats de surface peuvent involontairement supprimer la pensée critique qui mène à un apprentissage plus profond. Les preuves mesurées aiguisent le point : le fait que la pensée critique évolue dépend de la manière dont les rétroactions et les tâches médiées par l'IA sont conçues, et de la régulation métacognitive des apprenants, non de l'accès à un modèle.

Le lien entre l'usage de l'IA générative et la pensée critique auto-déclarée passait presque entièrement par la Littératie en rétroaction envers l'IA générative : chez 421 étudiants de premier cycle chinois, la littératie envers la rétroaction médiatisait 71.98 % de l'association totale (β=0.185), et le chemin direct résiduel n'était positif que pour les étudiants les moins réflexifs (β=0.177) et non significatif pour les plus réflexifs (Yan et al. (2026)).

Un ancrage méta-analytique pour la thèse de la modération. Sur 29 expériences, l'IA générative a accru modérément la pensée d'ordre supérieur (g = 0.609), la pensée critique se situant à ES = 0.691 — en dessous de la résolution de problèmes (0.745) et au-dessus de la créativité (0.444) — avec l'effet le plus fort pour les interventions de 8 à 16 semaines (0.759) et pour les apprenants à haut niveau d'ASR (0.863 contre 0.284) (Zhao et al. (2025)).

Les revues de l'impact de ChatGPT sur la pensée documentent des résultats mitigés : l'IA peut étayer l'analyse critique lorsqu'elle est utilisée délibérément (par exemple en demandant aux étudiants de critiquer des arguments générés par l'IA), mais elle peut aussi court-circuiter la pensée lorsqu'elle sert de moteur à réponses. Cette tension se rattache à la recherche sur How to Assess AI Literacy: Misalignment Between Self-Reported and Objective-Based Measures montrant que la compétence en IA auto-déclarée dépasse de loin la capacité réelle d'évaluation critique. Une revue critique de 80 études HCI sur la pensée critique avec l'IA a montré que le champ mesure ce qu'il définit rarement : seules 23 des 80 indiquaient comment elles entendaient la pensée critique, 49 (61 %) l'évaluaient par auto-déclaration plutôt que par la performance, et 42 (52 %) n'utilisaient aucun groupe témoin (A Critical Review of Critical Thinking in HCI Research About AI).

Lin et Al-Hada (2026) lisent ce tableau mitigé comme une dissociation produit-processus : l'IA générative peut élever la qualité d'un devoir tout en abaissant le transfert sans aide et différé qui le sous-tend ; l'apprentissage devrait donc être jugé sur la performance sans aide et différée plutôt que sur le produit assisté par l'IA.

• L'engagement cognitif d'ordre supérieur dans le dialogue étudiant-IA. Chang et Li (2026) constatent qu'environ 62 % des invites des étudiants à l'IA encodent une demande cognitive d'ordre supérieur, les profils de niveau de Bloom variant selon la discipline (STIM à prédominance Apply 20.8 %, langues à prédominance Understand 31.7 %, sciences sociales à prédominance Create 33.8 %). Leur dispositif intra-individuel montre que les mêmes étudiants produisent significativement plus d'invites d'ordre supérieur en sciences sociales qu'en STIM (p < .001), ce qui indique que le contexte disciplinaire façonne l'engagement critique et d'ordre supérieur avec l'IA.
• Les patrons d'interaction se regroupent par niveau de Bloom et par connaissances antérieures. Dans une tâche d'écriture scientifique fondée sur l'investigation, 19 étudiants ont produit 14 patrons d'interaction avec le LLM qui variaient selon le niveau de connaissances antérieures ; l'implication de conception était de viser l'étayage à des stades spécifiques de la pensée d'ordre supérieur plutôt qu'à l'usage des LLM en général (Luo et al. (2026)).
• L'IA comme catalyseur de la culture médiatique critique chez les enfants. Demir et Akar (2026) évaluent un programme de culture médiatique critique de 18 heures fondé sur le modèle 5E pour des élèves turcs de quatrième année, dans lequel l'IA générative (ChatGPT, Grammarly) agissait comme un agent pédagogique intégré phase par phase plutôt qu'en ajout. Les comparaisons par échantillons appariés ont montré d'importants gains en lecture médiatique (+3.50), en écriture (+1.67) et en littératie médiatique totale (+5.17, tous p < .01), avec des tailles d'effet intergroupes au post-test du d de Cohen de 1.12 (lecture), 1.18 (écriture) et 1.31 (littératie totale) en faveur du groupe soutenu par l'IA. L'analyse qualitative (entretiens, affiches/dessins/slogans d'élèves, observation de classe) a fait apparaître six domaines de croissance en culture médiatique critique — auto-protection numérique et protection des données, usage médiatique intentionnel et responsable, communication sûre et conscience des limites, évaluation critique et conscience de la désinformation, conscience des risques en ligne, et L'éthique médiatique / citoyenneté numérique — indiquant qu'interroger délibérément les contenus médiés par l'IA peut cultiver l'analyse critique et la réflexion chez les jeunes apprenants.
• Gains de pensée critique spécifiques à chaque dimension dans l'écriture multimodale au primaire. Lu et al. (2027) ont suivi 60 élèves de cinquième année durant huit semaines de pratique d'écriture multimodale soutenue par l'L'IA conversationnelle, où ils transformaient des récits en images et courtes vidéos générées par l'IA. L'analyse à mesures répétées sur six dimensions de la pensée critique a révélé des gains soutenus (T1→T2 et T1→T3) en interprétation, analyse, évaluation et explication, un gain de courte durée en auto-Réglementation de l'IA dans l'éducation, et aucun changement en inférence — un patron inégal, au niveau des dimensions, qu'un score agrégé de pensée critique aurait masqué. Les auteurs soutiennent que les visuels générés par l'IA extériorisaient le sens et abaissaient ainsi la demande inférentielle que l'écriture impose normalement, tandis que la collaboration entre pairs (les questions des pairs qui forçaient à inférer les interprétations d'autrui) fournissait les occasions d'inférence que l'interaction en solo avec l'IA ne fournissait pas. La leçon de conception : la composition multimodale assistée par l'IA multimodale soutient plusieurs facettes de la pensée critique, mais devrait être accompagnée d'un L'étayage continu et d'un échange structuré entre pairs pour préserver l'inférence et l'autorégulation.
• Étayage par l'IA et délestage cognitif tirent la pensée critique dans des directions opposées. Davor, Larbi et Boateng (2026) ont interrogé 533 étudiants universitaires au Ghana et constaté que l'étayage des tâches par l'IA prédisait une pensée critique plus élevée (β = .185) tandis que la tendance au délestage cognitif prédisait une pensée critique plus faible (-.240) ; la littératie de vérification de l'IA n'avait pas d'effet direct sur la pensée critique et n'opérait que par l'autorégulation métacognitive, un schéma de médiation complète que les auteurs lisent comme la preuve qu'enseigner aux étudiants à vérifier les faits de l'IA ne suffit pas à lui seul. (Davor et al. 2026)
• La profondeur du délestage, non son usage, borne la pensée d'ordre supérieur. Déléguer la couche de raisonnement de l'écriture — les justifications, les contre-arguments, l'interprétation des preuves — portait l'association négative la plus forte avec la pensée d'ordre supérieure indépendante (ab = −0.34), et l'écriture autorégulée l'affaiblissait sans jamais l'inverser (Chen (2026)).
• C'est la dépendance, non l'usage, qui fait basculer l'association avec la pensée critique. Shojaei et collègues (2026) ont interrogé 412 étudiants en commerce à Oman et constaté une corrélation bivariée quasi nulle entre l'usage de l'IA générative et la disposition à la pensée critique auto-déclarée (r = 0.050), la dépendance prédisant une disposition plus faible (β = -0.389) et affaiblissant le lien de l'usage vers la disposition (β = -0.239), de sorte que la pente simple tombait de 0.424 à faible dépendance à -0.054 à forte dépendance. (Shojaei et al. 2026)

Une enquête transversale plus large pointe dans l'autre sens : parmi 1 157 étudiants chinois en master et doctorat, la dépendance à l'IA générative était positivement associée à la pensée critique (β = 0.492), et la pensée critique portait environ 85.0 % du chemin allant de la dépendance fonctionnelle à la créativité de recherche (Yin et al. (2026)).

• Une brève invite de réflexion rend plus discriminante la confiance aux conseils de l'IA. Dans une expérience à trois conditions portant sur 342 étudiants de premier cycle, Ren (2026) a constaté que le soutien ouvert de ChatGPT produisait une acceptation des recommandations incorrectes de l'IA dans 62.4 % des essais, chiffre qui tombait à 39.7 % avec une brève invite de réflexion métacognitive (OR = 0.40, IC à 95 % [0.28, 0.56]) ; la réflexion améliorait aussi la calibration de la conscience (0.59 contre 0.41) et réduisait l'indice de biais d'attribution spécifique à l'IA de 0.42 à 0.21, sans réduire l'exactitude des recommandations ni déclencher un rejet généralisé des conseils utiles. (Ren 2026)

• La confiance peut monter tandis que l'exactitude baisse. Shaw et Nave (2026) ont constaté que consulter un assistant IA élevait l'exactitude de 25 points de pourcentage lorsqu'il avait raison et l'abaissait de 15 lorsqu'il se trompait, et pourtant y recourir augmentait la confiance même après des erreurs, 73.2 % des essais avec IA incorrecte se concluant par un abandon plutôt que par un délestage stratégique.

• Une rétroaction ChatGPT choisie par l'enseignant élève la pensée critique par une révision d'ordre supérieur. Chen et collègues (2026) ont mené une quasi-expérience de 18 semaines avec 64 étudiants de premier cycle, tous professeurs stagiaires de chimie, de physique ou de mathématiques, comparant la rétroaction enseignante conventionnelle (n = 32) à la rétroaction enseignante assistée par ChatGPT (n = 32) sur deux tâches d'écriture argumentative. Les groupes partaient équivalents, et seul le groupe assisté s'est amélioré de façon significative (p < 0.001), le d de Cohen passant de 0.25 au prétest à 3.74 au post-test. Le mécanisme était le type de rétroaction, et non la simple présence d'un modèle : le groupe assisté a reçu davantage de rétroaction de démonstration (33.1 % contre 10.9 %) et d'interrogation rapprochée (21.5 % contre 6.0 %), a révisé 91.00 % (435 sur 478) des unités de rétroaction contre 85.21 % (242 sur 284), et l'analyse de réseaux épistémiques a relié ces révisions à l'analyse, l'évaluation et la création plutôt qu'à la reconnaissance et à la compréhension, tandis que l'enseignement par le seul enseignant et la rétroaction évaluative produisaient surtout des révisions de reconnaissance et de compréhension. Les enseignants traitaient la production du modèle comme matériau brut, en l'amplifiant, le révisant ou le rejetant (14 % rejeté, 9 % nécessitant une correction), et six des huit personnes interrogées signalaient encore de l'imprécision ou du manque de professionnalisme. La leçon de conception est que le gain en pensée critique venait d'une rétroaction qui modélise des alternatives et interroge le raisonnement de l'étudiant, avec un enseignant curateur de ce que le modèle produisait ; le faible échantillon, sur un seul semestre, invite à lire avec prudence la très grande taille d'effet. (Chen et al. 2026)

• Un semestre d'accès à l'IA a laissé la pensée critique inchangée, tandis que l'usage réflexif la suivait. Melanou, Beege et Kimmig (2026) ont suivi 87 étudiants en informatique de gestion durant un cours de neuf semaines, dans trois conditions parallèles (IA encadrée par un tuteur, IA sans guidage, et pas d'IA) mesurées trois fois. Les connaissances ont progressé dans tous les groupes, sans avantage pour l'une ou l'autre condition avec IA et sans effet Matthieu (BF01 = 8.70), tandis que la pensée critique auto-déclarée et la La motivation restaient stables. Ce qui distinguait les étudiants était l'usage réflexif, la pratique consistant à vérifier les sources et à valider la production de l'IA avant de l'adopter : il était plus élevé dans la condition IA que dans le groupe témoin (moyennes de 3.72 contre 2.82) et prédisait la pensée critique à la mesure finale (R² = 0.183, β = 0.43, p < 0.001). Le résultat nuance toute attente qu'un cours d'usage de l'IA fasse à lui seul évoluer la pensée critique : c'est dans la régulation métacognitive, et non dans l'accès à l'outil, que réside l'association, et les auteurs notent qu'un semestre est probablement trop court pour observer un changement durable. (Melanou et al. 2026)

Connexions aux autres concepts

La pensée critique recoupe le L'étayage (concevoir un soutien par l'IA qui maintient la demande cognitive), l'L'ingénierie des invites (formuler des questions qui suscitent l'analyse critique) et la sur-dépendance (savoir quand faire confiance à l'IA et quand la questionner). Elle est fondatrice pour l'Intégrité académique et constitue une dimension clé des cadres d'Littératie en IA, tant dans les contextes Primaire et secondaire (K-12) que Enseignement supérieur.

• Les erreurs de l'IA comme provocations pour la pensée d'ordre supérieur : Hosseini (2026) opérationnalise les niveaux d'ordre supérieur de Bloom (Analyze, Evaluate, Create) en faisant interroger aux étudiants des erreurs générées par l'IA dans un cours de bases de données, avec des gains pré/post significatifs (d de Cohen = 1.49) en compétence disciplinaire.

• La critique de la production de l'IA est une compétence étayable, non un sous-produit de la résolution de problèmes. Les groupes qui se contentaient de résoudre un problème de physique apparenté acceptaient une solution d'IA léchée ou la critiquaient depuis leurs propres conceptions erronées, tandis que la réflexion guidée par la grille MAPS produisait des critiques alignées sur celles des experts, portant sur l'intégration manquante et la notation indéfinie (Borse et al. (2026)).

• Borner l'IA pour préserver l'autonomie cognitive. Le plan E3-HOT projette trois voies incarnées — inscription situationnelle, participation incarnée, création cognitive — sur Analyze, Evaluate et Create, et contraint l'IA à des invites, des critiques et des suggestions de stratégie, de sorte que les étudiants doivent articuler des justifications et citer des preuves avant qu'une affirmation ne soit acceptée (Zhu et al. (2026)).

• Un audit à double face des explications de l'IA. Bernstein et Sibia (2026) ont utilisé les standards Paul–Elder (exactitude, clarté, hypothèses, point de vue) comme sondes d'entretien avec dix étudiants ayant achevé le cours CS2, et ont mis au jour un examen au niveau des mécanismes des explications de l'IA générative : les étudiants situaient où le mapping d'une analogie se rompait (une analogie de trajet entre îles pour une liste chaînée qui impliquait un cercle, un échange de badminton proposé pour la récursion sans entrée garantie de rétrécissement), exigeaient une formulation précise plutôt que des précautions, et traitaient les explications comme des arguments porteurs d'un point de vue. Point crucial, cet examen suivait l'expertise du domaine source ou cible plutôt que l'intérêt personnel — recadrant l'évaluation critique de l'IA comme un problème de connaissance (« audit à double face des analogies ») plutôt que comme un problème dispositionnel — et suggérant qu'assigner des analogies d'IA défectueuses comme objets à inspecter et à réparer est un contrôle plus exigeant de la compréhension conceptuelle que de lire une explication achevée.(Flawed but Memorable: Student Critical Reception of Interest-Personalized GenAI Analogies in Computing Education)

• La pensée critique comme engagement non délégable. Xie (2026) ajoute une contrepartie philosophique issue de la culture de soi taoïste : parce que l'IA est une « boîte noire » opaque, un cadre orienté vers l'harmonisation de l'incertitude plutôt que vers l'arbitrage de la vérité en termes absolus convient mieux au paysage épistémique actuel, et la pensée critique devient un engagement soutenu, à la première personne et non délégable envers la réalité, plutôt qu'une procédure rationnelle démontrable. Dans la pratique du Neidan (內丹), « il n'y a pas de raccourcis cognitifs » ; l'IA est dès lors positionnée comme « non un substitut cognitif mais un adjuvant instrumental » à l'épanouissement humain.(Alternative AI Philosophy: Daoism as Method for AI in Education)

• La rotation des rôles comme structure d'interaction humaine-IA critique. Kenzhebayeva et collègues (2026) rapportent une étude de conception dans laquelle 62 futurs psychologues de l'éducation ont tourné à travers quatre rôles professionnels (Case Constructor, Research Analyst, Practitioner-Interventionist, Reflective Researcher) qui faisaient des recommandations générées l'objet de la discussion : les participants comparaient la production de l'IA à la théorie psychologique et modifiaient ou rejetaient les recommandations qui ne convenaient pas au cas, et les cycles ultérieurs montraient davantage de demandes de justification théorique, tandis que la sur-dépendance à des réponses en apparence autoritaires persistait. (Kenzhebayeva et al. 2026)

• Une intégration centrée sur la vérification dans une discipline. Une revue critique de l'IA générative dans l'enseignement universitaire de la chimie (Vega-Baudrit et Rivera Álvarez, 2026) soutient que, le raisonnement chimique devant être coordonné à travers les représentations macroscopique, submicroscopique et symbolique, les étudiants ne peuvent vérifier ce qu'ils ne comprennent pas ; les Connaissances antérieures et le L'étayage viennent donc d'abord, et la vérification devrait être conçue dans l'Évaluation comme une activité évaluée : identifier une hypothèse fausse, corriger une erreur d'unité ou de mécanisme, ou justifier le rejet d'une réponse générée, en conservant les journaux de prompts et les historiques de révision comme traces de raisonnement. (Vega-Baudrit et Rivera Álvarez 2026)

• La vérification comme activité d'apprentissage, et pas seulement comme garde-fou. Wang (2026) organise l'évaluation des artéfacts d'IA autour de six dimensions interdépendantes — Process, Evidence, Access, Reproducibility, Legitimacy et Source — et traite l'assemblage de cette garantie, plutôt que la fluidité de la production, comme ce qui construit l'expertise disciplinaire.

La vulnérabilité la plus fortement évaluée par les experts dans la base de connaissances est la pensée critique. Sur 65 processus d'apprentissage évalués par 30 experts, la pensée critique et la pensée critique-analytique ont recueilli la note de perturbation la plus élevée du rapport (moyenne de 4.00 sur 5 ; 96 % des évaluateurs à 3 ou plus) avec une amélioration sous le seuil (2.40, 43 %) (Kendeou, Greene & Nixon et al., 2026). Dix des dix-huit processus d'ordre supérieur n'ont atteint de consensus que sur la vulnérabilité, ce que le rapport lit comme un risque unilatéral plutôt que comme un arbitrage.

Concepts liés

• La métacognition
• Délestage cognitif
• Littératie en IA
• L'IA générative
• Enseignement supérieur
• Apprentissage par problèmes
• Tutorat intelligent
• Le développement éducatif
• L'enseignement
• L'expérience étudiante
• Enseignement de la chimie — L'enseignement de la chimie et l'IA : travaux pratiques, évaluation formative, limites des LLM, philosophie de l'expérimentation
• Enseignement de la biologie — L'enseignement de la biologie et l'IA : assistants de laboratoire, littératie en IA en biologie, pensée critique, outils spécialisés
• Capitulation cognitive

Articles liés

• Ways Generative AI Can Support and Threaten Learning in K–20 US Education - A 30-expert consensus: critical thinking carries the report's highest disruption rating (mean 4.00)

• From Plausibility to Verifiability: The PEARLS Framework for Developing Epistemic Agency in Generative AI-Mediated Higher Education — PEARLS framework for epistemic agency and verifying AI output (Wang 2026)

• Layer-Sensitive Cognitive Offloading in Generative AI-Assisted Writing: Supported Performance and Independent No-AI Outcomes — Layer-sensitive cognitive offloading in GenAI-assisted writing (Chen 2026)

• The critical-thinking paradox in generative AI-integrated learning: distinguishing efficiency from cognitive depth — a differentiated framework and testable propositions — The critical-thinking paradox in GenAI-integrated learning

• The Pedagogy of AI Mistakes: Fostering Higher-Order Thinking — The Pedagogy of AI Mistakes: Fostering Higher-Order Thinking (Hosseini 2026)

• Thinking—Fast, Slow, and Artificial: How AI Is Reshaping Human Reasoning and the Rise of Cognitive Surrender — Tri-System Theory and cognitive surrender: how AI reshapes human reasoning (Shaw & Nave 2026)

• The Tragedy of the Cognitive Commons: How AI Could Disrupt the Regeneration of Professional Expertise — The tragedy of the cognitive commons: AI and expertise regeneration

• Does Generative Artificial Intelligence Improve Students' Higher-Order Thinking? A Meta-Analysis Based on 29 Experiments and Quasi-Experiments — GenAI and higher-order thinking meta-analysis

• Can we disrupt the momentum of the AI colonization of science education? — Disrupting the AI colonization of science education

• Reorienting Critical AI Literacy: A Community-Rooted Praxis of “Resisting AI” — Reorienting critical AI literacy

• Inquiry-Based Learning Patterns in Large Language Model-Driven Learning Environments: An Exploratory Study From Bloom's Perspective — IBL patterns in LLM-driven environments (Bloom's perspective)

• Probing AI-Generated Physics Solutions and Preparing Students to Critique Them — Preparing students to critique AI-generated physics solutions

• Flawed but Memorable: Student Critical Reception of Interest-Personalized GenAI Analogies in Computing Education — Flawed but Memorable: Student Critical Reception of Interest-Personalized GenAI Analogies in Computing Education

• Alternative AI Philosophy: Daoism as Method for AI in Education — Alternative AI Philosophy: Daoism as Method for AI in Education

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

• Modeling AI Overreliance as a Complex Adaptive System — AI overreliance modeled as a complex adaptive system

• More externalization, but less inference? Exploring changes in young learners' critical thinking during conversational — Dimension-specific critical-thinking gains in AI-supported multimodal writing (Lu et al. 2027)

• Tackling the Root of Misinformation by Teaching Laypeople about Logical Fallacies via Socratic Questioning and Critical Argumentation — teaching fallacy recognition through structured multi-turn dialogue

• Building AI Companions that Prioritize Learning over Performance — learning over performance: what companions should be optimized and measured for

• Artificial intelligence-supported learning and higher-order cognitive outcomes: the mediating role of metacognitive self-regulation — AI scaffolding, offloading, and verification literacy via metacognitive self-regulation (Davor et al. 2026)

• Helpful or harmful? Generative AI dependence, self-reported critical thinking disposition, and self-perceived employability among business students — GenAI dependence bounds the use to critical-thinking link in business students (Shojaei et al. 2026)

• College students’ metacognitive awareness of generative-AI reliance: an experimental study of decision confidence and attribution bias — Reflection prompt cuts acceptance of incorrect AI advice and attribution bias (Ren 2026)

• Designing an AI-integrated role-rotation pedagogical model to support competence-related learning in pre-service educational psychologists — Role rotation as structure for critical human-AI interaction (Kenzhebayeva et al. 2026)

• Generative artificial intelligence in university chemistry education: a critical review using Johnstone’s chemistry triplet and Biggs’ 3P model — Verification-centered GenAI integration in university chemistry education (Vega-Baudrit and Rivera Álvarez 2026)

• AI Literacy and STEM Education: Emerging Frontiers and Research Priorities — Synthèse des dix études les plus citées sur la littératie en IA dans l'éducation en STIM (Hallström et al. 2026)

• Effects of ChatGPT-Assisted Teacher Feedback on College Students' Critical Thinking Skills and Perceptions of Argumentative Writing — teacher-curated ChatGPT feedback raised critical thinking via higher-order revision (Chen et al. 2026)

• Generative AI and Learning Dynamics in Higher Education: A Longitudinal Empirical Study — a semester of AI access left critical thinking flat; reflective use predicted it (Melanou et al. 2026)

• GenAI dependence and graduate students’ research creativity: the roles of critical thinking and human–AI collaboration quality — GenAI dependence positively associated with critical thinking in 1,157 graduate students

• The association between generative AI use and university students’ critical thinking: a moderated mediation model of GenAI feedback literacy and reflective thinking — GenAI use to critical thinking via feedback literacy, with a direct path only for less reflective students