Kritičko mišljenje

Automatski strojni prijevod ove engleske stranice, koji još nije pregledao izvorni govornik.

Kritičko mišljenje — sposobnost analize, vrednovanja i sintetiziranja informacija — i je vještina koju UI alati mogu pomoći razviti i kompetencija koju studenti moraju primijeniti kada koriste umjetnu inteligenciju. U umjetnoj inteligenciji u obrazovanju istraživanju kritičko mišljenje pojavljuje se u dva povezana oblika: kao cilj učenja (poučavanje studenata kritičkom mišljenju) i kao zaštita od nekritičkog oslanjanja na umjetnu inteligenciju.

Pitanja za razmatranje

• Koliko ste sigurni u svoju sposobnost prepoznavanja lažnog ili obmanjujućeg UI-generiranog odgovora? Istraživanja upućuju na to da samoprijavljena UI kompetencija daleko nadmašuje stvarnu sposobnost vrednovanja — kako biste se testirali?
• Kritičko mišljenje ovdje se pojavljuje u dva oblika: kao vještina koju treba poučavati i kao zaštita od nekritičkog oslanjanja na umjetnu inteligenciju. Možete li zamisliti situaciju u kojoj alat koji „poučava“ kritičko mišljenje zapravo uvježbava njegovu suprotnost?
• Jedno je istraživanje pokazalo da je propitivanje UI-generiranih pogrešaka kod studenata proizvelo velike dobitke u mišljenju višeg reda. Kako bi namjerno izlaganje pogrešaka — umjesto njihova skrivanja — moglo biti moćniji nastavni potez nego što ste pretpostavljali?
• Lak pristup UI odgovorima može potisnuti kritičko angažiranje prije nego što studenti to primijete. Koje bi dizajnersko rješenje, a ne politika ili zabrana, moglo održati kognitivni napor na životu?
• Pokazalo se da UI savjeti potiskuju spremnost da se kaže „ne znam“ — čak i kada je savjet pogrešan. Kako to mijenja ono što znači stvoriti razrednu kulturu u kojoj je propitivanje sigurno?

Uvod

Kritičko mišljenje središnje je za pismenost o umjetnoj inteligenciji — studenti koji ne mogu kritički ocijeniti UI rezultate izloženi su pretjeranom oslanjanju, haluciniranim informacijama i pristranim preporukama. Istraživanja kognitivnog rasterećenja pokazuju da lak pristup UI odgovorima može potisnuti kritičko angažiranje, dok sokratovski pristupi koji uskraćuju izravne odgovore čuvaju kognitivni napor potreban za dublje mišljenje.

Strukturirana kontrola dijaloga, a ne bolji poticaj, ono je što razlikuje tutora za logičke pogreške od chatbota za debatu: usmjeravanje svakog poteza kroz Toulminovu detekciju namjere, fiksni redoslijed strategija i agent za provjeru omogućili su jednom sokratovskom sustavu da prođe 84,5 % metrika kvalitete dijaloga prema 61,5 % za heurističku osnovnu liniju (Shi i sur. (2026.)).

Kritičko mišljenje u istraživanju umjetne inteligencije u obrazovanju

Članci baze znanja istražuju kritičko mišljenje kroz dizajnirane i empirijske perspektive. Adverzarni UI agenti provode konstruktivni sukob kako bi potaknuli preispitivanje kod dizajnera početnika — sokratovska varijanta koja prisiljava na kritičku ponovnu procjenu. RCT istraživanje o genAI-u u poučavanju postavlja pitanje mogu li UI alati koji optimiziraju površinske ishode nenamjerno potisnuti kritičko mišljenje koje vodi dubljem učenju. Izmjereni dokazi izoštravaju poantu: pomiče li se kritičko mišljenje, ovisi o tome kako su UI-posredovana povratna informacija i zadaci osmišljeni te o učeničkoj metakognitivnoj regulaciji, a ne o pristupu modelu.

Veza između upotrebe genAI-a i samoprijavljenog kritičkog mišljenja išla je gotovo u cijelosti kroz genAI pismenost o povratnim informacijama: kod 421 kineskog studenta pismenost o povratnim informacijama posredovala je 71,98 % ukupne veze (β = 0,185), a preostali izravni put bio je pozitivan samo za manje refleksivne studente (β = 0,177) i nije bio značajan za refleksivnije (Yan i sur. (2026.)).

Korpus nosi i pesimistično čitanje kao argument, a ne kao mjerenje. Muñiz i Castro Samayoa (2026.) tvrde da dominantan obrazac upotrebe erodira kritičko mišljenje, a ne pristup modelu. To temelje na Deweyevoj tvrdnji da se mišljenje poboljšava samo vježbom i na tri mehanizma: uklonjeno trenje, pristranost automatizacije i okvir učinkovitosti. Napetost sa Zhao i sur. stvarna je i u korpusu neriješena. Njihov metaanalitički dobitak od g = 0,609 opisuje osmišljene intervencije, dok Muñiz i Castro Samayoa opisuju tipičnu upotrebu. Čitani zajedno, oboje se slažu da je dizajnerska varijabla ono što je važno, a ne slažu se oko toga kako izgleda neupravljana zadana postavka.

Metaanalitičko uporište za tvrdnju o moderaciji. Kroz 29 eksperimenata genAI je umjereno podigao mišljenje višeg reda (g = 0,609), s kritičkim mišljenjem na ES = 0,691 — ispod rješavanja problema (0,745) i iznad kreativnosti (0,444) — najjače za intervencije od 8 do 16 tjedana (0,759) i za učenike s visokom samoregulacijom (0,863 prema 0,284) (Zhao i sur. (2025.)).

Pregledi utjecaja ChatGPT-a na mišljenje bilježe mješovite nalaze: umjetna inteligencija može poduprijeti kritičku analizu kada se koristi namjerno (npr. traženjem od studenata da kritiziraju UI-generirane argumente), ali može i prekinuti mišljenje kada se koristi kao stroj za odgovore. Ta napetost povezuje se s istraživanjem neusklađenosti procjene pismenosti o umjetnoj inteligenciji, koje pokazuje da samoprijavljena UI kompetencija daleko nadmašuje stvarnu sposobnost kritičkog vrednovanja. Kritički pregled 80 HCI studija o kritičkom mišljenju s umjetnom inteligencijom pronašao je da područje mjeri ono što rijetko definira: samo 23 od 80 navelo je kako uopće razumije kritičko mišljenje, 49 (61 %) procjenjivalo ga je samoprocjenom, a ne izvedbom, a 42 (52 %) nije koristilo kontrolnu skupinu (A Critical Review of Critical Thinking in HCI Research About AI).

Lin i Al-Hada (2026.) čitaju tu mješovitu sliku kao disocijaciju proizvoda i procesa: genAI može podići kvalitetu zadatka, a sniziti nepotpomognuti, odgođeni prijenos koji stoji iza njega, pa učenje treba prosuđivati prema nepotpomognutoj odgođenoj izvedbi, a ne prema UI-potpomognutom proizvodu.

• Kognitivno angažiranje višeg reda u chatu studenta i umjetne inteligencije. Chang i Li (2026.) nalaze da oko 62 % studentskih poticaja umjetnoj inteligenciji kodira kognitivni zahtjev višeg reda, s Bloomovim profilima koji se razlikuju po disciplini (STEM prevladava primjena 20,8 %, jezici prevladava razumijevanje 31,7 %, društvene znanosti prevladava stvaranje 33,8 %). Njihov unutarosobni dizajn pokazuje da isti studenti daju značajno više poticaja višeg reda u društvenim znanostima nego u STEM kolegijima (p < ,001), što upućuje na to da disciplinski kontekst oblikuje kritičko i višerazinsko angažiranje s umjetnom inteligencijom.

• Obrasci interakcije grupiraju se po Bloomovoj razini i prethodnom znanju. U zadatku pisanja o podacima utemeljenom na istraživanju 19 studenata proizvelo je 14 obrazaca interakcije s LLM-om koji su se razlikovali po razini prethodnog znanja, a dizajnerska implikacija bila je usmjeriti potporu na određene faze mišljenja višeg reda, a ne na LLM upotrebu općenito (Luo i sur. (2026.)).

• UI kao katalizator kritičke medijske pismenosti djece. Demir i Akar (2026.) vrednuju 18-satni program kritičke medijske pismenosti po 5E modelu za turske učenike četvrtog razreda, u kojem je generativna umjetna inteligencija (ChatGPT, Grammarly) djelovala kao pedagoški agent ugrađen po fazama, a ne kao dodatak. Usporedbe zavisnih uzoraka pokazale su velike dobitke u čitanju medija (+3,50), pisanju (+1,67) i ukupnoj medijskoj pismenosti (+5,17, sve p < ,01), s efektima između skupina na posttestu od Cohenovog d = 1,12 (čitanje), 1,18 (pisanje) i 1,31 (ukupna pismenost) u korist UI-potpomognute skupine. Kvalitativna analiza (intervjui, učenički plakati/crteži/slogani, promatranje razreda) otkrila je šest područja rasta kritičke medijske pismenosti — digitalna samozastita i privatnost podataka, svrhovita i odgovorna upotreba medija, sigurna komunikacija i svijest o granicama, kritičko vrednovanje i svijest o dezinformacijama, svijest o internetskim rizicima te medijska etika/digitalno građanstvo — što upućuje na to da namjerno propitivanje UI-posredovanog sadržaja može njegovati kritičku analizu i refleksiju kod mladih učenika.

• Rast kritičkog mišljenja specifičan za dimenzije u osnovnoškolskom multimodalnom pisanju. Lu i sur. (2027.) pratili su 60 učenika petog razreda kroz osam tjedana prakse multimodalnog pisanja uz razgovornu umjetnu inteligenciju, u kojoj su priče pretvarali u UI-generirane slike i kratke videozapise. Analiza ponovljenih mjerenja kroz šest dimenzija kritičkog mišljenja pronašla je trajne dobitke (T1→T2 i T1→T3) u interpretaciji, analizi, vrednovanju i objašnjenju, kratkotrajan dobitak u samoregulaciji i nikakvu promjenu u zaključivanju — neujednačan obrazac na razini dimenzija koji bi agregatni rezultat kritičkog mišljenja sakrio. Autori tvrde da su UI-generirane vizuale eksternalizirale značenje i time snizile inferencijalni zahtjev koji pisanje obično nameće, dok je vršnjačka suradnja (vršnjačka pitanja koja su prisiljavala na zaključivanje o tuđim interpretacijama) osigurala prilike za zaključivanje koje samostalna interakcija s umjetnom inteligencijom nije. Dizajnerska lekcija: multimodalno UI komponiranje podupire nekoliko aspekata kritičkog mišljenja, ali ga treba upariti s trajnom postupnom potporom i strukturiranom vršnjačkom razmjenom kako bi se sačuvali zaključivanje i samoregulacija.

• UI potpora i rasterećenje vuku kritičko mišljenje u suprotnim smjerovima. Davor, Larbi i Boateng (2026.) anketirali su 533 sveučilišna studenta u Gani i pronašli da je UI potpora zadacima predviđala više kritičko mišljenje (β = ,185), dok je sklonost kognitivnom rasterećenju predviđala niže (-,240); pismenost o UI verifikaciji nije imala izravan učinak na kritičko mišljenje i djelovala je samo kroz metakognitivnu samoregulaciju, obrazac potpunog posredovanja koji autori čitaju kao dokaz da poučavanje studenata provjeri UI tvrdnji nije samo po sebi dovoljno. (Davor i sur. 2026.)

• Dubina rasterećenja, a ne upotreba, ograničava mišljenje višeg reda. Prepuštanje rasuđivačkog sloja pisanja — argumenata, protuargumenata, tumačenja dokaza — imalo je najjaču negativnu povezanost sa samostalnim mišljenjem višeg reda (ab = −0,34), a samoregulirano pisanje tu je vezu oslabilo, ali je nikad nije preokrenulo (Chen (2026.)).

• Ovisnost, a ne upotreba, mjesto je gdje se veza s kritičkim mišljenjem okreće. Shojaei i kolege (2026.) anketirali su 412 studenata poslovanja u Omanu i pronašli gotovo nultu bivarijatnu korelaciju između upotrebe genAI-a i samoprijavljene dispozicije za kritičko mišljenje (r = 0,050), pri čemu je ovisnost predviđala nižu dispoziciju (β = -0,389) i slabila vezu od upotrebe do dispozicije (β = -0,239), tako da je jednostavni nagib pao s 0,424 pri niskoj ovisnosti na -0,054 pri visokoj. (Shojaei i sur. 2026.)

Veće presječno istraživanje upućuje u suprotnom smjeru: među 1.157 kineskih studenata diplomskog studija ovisnost o genAI-u bila je pozitivno povezana s kritičkim mišljenjem (β = 0,492), a kritičko mišljenje nosilo je otprilike 85,0 % puta od funkcionalne ovisnosti do istraživačke kreativnosti (Yin i sur. (2026.)).

• Prethodno znanje i vrijeme zadatka određuju predznak učinka. Kroz 108 pregledanih dokumenata genAI je podigao izvedbu kritičkog mišljenja kod iskusnih istraživača (+0,20), a snizio kod početnika (−0,13); rani pristup pomaže pod vremenskim pritiskom, ali narušava kritičko mišljenje kada ima vremena za promišljanje (Zapata-Hernandez i sur. 2026.).

• Kratak refleksijski poticaj čini oslanjanje na UI savjete razlučivijim. U eksperimentu s tri uvjeta na 342 studenta Ren (2026.) pronašao je da je otvorena ChatGPT podrška proizvela prihvaćanje netočnih UI preporuka u 62,4 % pokusa, što je palo na 39,7 % uz kratak metakognitivni refleksijski poticaj (OR = 0,40, 95 % CI [0,28, 0,56]); refleksija je također poboljšala kalibraciju svijesti (0,59 prema 0,41) i snizila indeks pristranosti pripisivanja specifične za UI s 0,42 na 0,21, bez smanjenja točnosti preporuka ili pokretanja općeg odbacivanja korisnih savjeta. (Ren 2026.)

• Samopouzdanje može rasti dok točnost pada. Shaw i Nave (2026.) pronašli su da je savjetovanje s UI asistentom podiglo točnost za 25 postotnih bodova kada je bio u pravu, a snizilo za 15 kada je pogriješio, no angažiranje s njim povećalo je samopouzdanje čak i nakon pogrešaka, a 73,2 % pokusa s netočnom umjetnom inteligencijom završilo je predajom, a ne strateškim rasterećenjem.

• Nastavnički kurirana ChatGPT povratna informacija podiže kritičko mišljenje kroz reviziju višeg reda. Chen i kolege (2026.) proveli su kvazieksperiment od 18 tjedana sa 64 studenta, svih budućih nastavnika kemije, fizike ili matematike, uspoređujući konvencionalnu nastavničku povratnu informaciju (n = 32) s ChatGPT-potpomognutom nastavničkom povratnom informacijom (n = 32) na dva argumentacijska zadatka pisanja. Skupine su na početku bile ekvivalentne, a samo je potpomognuta skupina značajno napredovala (p < 0,001), uz Cohenov d koji je porastao s 0,25 na predtestu na 3,74 na posttestu. Mehanizam je bila vrsta povratne informacije, a ne puko prisustvo modela: potpomognuta skupina dobila je više povratnih informacija u obliku demonstracije (33,1 % prema 10,9 %) i pomnog propitivanja (21,5 % prema 6,0 %), revidirala je 91,00 % (435 od 478) jedinica povratne informacije prema 85,21 % (242 od 284), a epistemička mrežna analiza povezala je te revizije s analizom, vrednovanjem i stvaranjem, a ne s prepoznavanjem i razumijevanjem, dok su povratne informacije samo nastavnika o poučavanju i vrednovanju uglavnom proizvodile revizije prepoznavanja i razumijevanja. Nastavnici su rezultat modela tretirali kao materijal za nacrt, proširujući ga, revidirajući ili odbacujući (14 % odbačeno, 9 % zahtijevalo ispravak), a šest od osam intervjuiranih istaknulo je nepreciznost ili neprofesionalnost. Dizajnerska lekcija je da je dobitak u kritičkom mišljenju došao od povratne informacije koja modelira alternative i propituje studentovo rasuđivanje, uz nastavnika koji kurira ono što je model proizveo; mali uzorak iz jednog semestra znači da vrlo veliku veličinu učinka treba čitati s oprezom. (Chen i sur. 2026.)

• Semestar pristupa umjetnoj inteligenciji ostavio je kritičko mišljenje nepromijenjenim, dok ga je refleksivna upotreba pratila. Melanou, Beege i Kimmig (2026.) pratili su 87 studenata poslovne informatike kroz devetotjedni kolegij u tri paralelna uvjeta (UI u okviru tutora, nevođena UI i bez UI) mjereno tri puta. Znanje je poraslo u svakoj skupini bez prednosti ni jednog UI uvjeta i bez Matejevog učinka (BF01 = 8,70), dok su samoprijavljeno kritičko mišljenje i motivacija ostali stabilni. Ono što je razlikovalo studente bila je refleksivna upotreba, praksa provjere izvora i verifikacije UI rezultata prije usvajanja: bila je viša u UI uvjetu nego u kontrolnoj skupini (prosjeci 3,72 prema 2,82) i predviđala je kritičko mišljenje na završnom mjerenju (R² = 0,183, β = 0,43, p < 0,001). Rezultat relativizira svako očekivanje da će kolegij s umjetnom inteligencijom sam po sebi pokrenuti kritičko mišljenje: metakognitivna regulacija, a ne pristup alatu, mjesto je na kojem veza živi, a autori napominju da je semestar vjerojatno prekratak za trajnu promjenu. (Melanou i sur. 2026.)

Veze s drugim konceptima

Kritičko mišljenje presijeca se s postupnom potporom (osmišljavanje UI podrške koja održava kognitivni zahtjev), inženjerstvom poticaja (formuliranje pitanja koja izazivaju kritičku analizu) i pretjeranim oslanjanjem (znanje kada vjerovati, a kada propitivati umjetnu inteligenciju). Temeljno je za akademsku čestitost i služi kao ključna dimenzija okvira pismenosti o umjetnoj inteligenciji u kontekstima K-12 i visokog obrazovanja.

• UI pogreške kao provokacije za mišljenje višeg reda: Hosseini (2026.) operacionalizira Bloomove razine višeg reda (analizirati, vrednovati, stvarati) tako što studenti propituju UI-generirane pogreške na kolegiju baza podataka, uz značajne dobitke prije i poslije (Cohenov d=1,49) u predmetnoj kompetenciji.

• Kritika UI rezultata vještina je kojoj se može pružiti potpora, a ne nusproizvod rješavanja problema. Skupine koje su samo riješile povezani fizikalni problem prihvatile su uglađeno UI rješenje ili ga kritizirale iz vlastitih zabluda, dok je refleksija vođena MAPS rubrikom proizvela kritike usklađene sa stručnjacima o nedostajućoj integraciji i nedefiniranoj notaciji (Borse i sur. (2026.)).

• Ograničite UI da sačuvate kognitivnu djelotvornost. Nacrt E3-HOT preslikava tri utjelovljena puta — situacijsko usađivanje, utjelovljeno sudjelovanje, kognitivno stvaranje — na analizirati, vrednovati i stvarati, i ograničava UI na poticaje, kritiku i prijedloge strategija, pa studenti moraju artikulirati obrazloženja i citirati dokaze prije nego što se tvrdnja prihvati (Zhu i sur. (2026.)).

• Dvostrano revidiranje UI objašnjenja. Bernstein i Sibia (2026.) koristili su Paul–Elder standarde (točnost, jasnoća, pretpostavke, gledište) kao probe u intervjuima s deset studenata koji su završili CS2 i pronašli propitivanje genAI objašnjenja na razini mehanizma: studenti su locirali gdje se preslikavanje analogije lomi (analogija otoka i rute za povezani popis koja implicira krug, badmintonski poen ponuđen za rekurziju bez zajamčenog smanjivanja ulaza), tražili precizan izričaj umjesto ublažavanja i tretirali objašnjenja kao argumente koji nose gledište. Ključno, to je propitivanje pratilo stručnost u izvornoj ili ciljnoj domeni, a ne osobni interes — preokvirujući kritičko vrednovanje UI rezultata kao problem znanja („dvostrano revidiranje analogija“), a ne dispozicijski — i upućujući na to da je dodjeljivanje pogrešnih UI analogija kao objekata za pregled i popravak teža provjera konceptualnog razumijevanja od čitanja gotova objašnjenja. (Flawed but Memorable: Student Critical Reception of Interest-Personalized GenAI Analogies in Computing Education)

• Kritičko mišljenje kao angažman koji se ne može prepustiti. Xie (2026.) dodaje filozofski pandan iz daoističkog samousavršavanja: budući da je umjetna inteligencija neprozirna „crna kutija“, okvir usmjeren na usklađivanje nesigurnosti, a ne na presuđivanje istine u apsolutnim terminima, bolje odgovara trenutačnom epistemičkom krajoliku, a kritičko mišljenje postaje trajno, prvooosobno angažiranje sa stvarnošću koje se ne može prepustiti, a ne dokaziv racionalni postupak. U praksi Neidana (內丹) „nema kognitivnih prečaca“, pa je umjetna inteligencija pozicionirana kao „ne kognitivni surogat, nego instrumentalni dodatak“ ljudskom procvatu. (Alternative AI Philosophy: Daoism as Method for AI in Education)

• Rotacija uloga kao struktura kritičke ljudsko-UI interakcije. Kenzhebayeva i kolege (2026.) izvješćuju o dizajnerskom istraživanju u kojem je 62 budućih obrazovnih psihologa rotiralo kroz četiri profesionalne uloge (konstruktor slučaja, analitičar istraživanja, praktičar-intervencionist, refleksivni istraživač) koje su generirane preporuke učinile predmetom rasprave. Sudionici su uspoređivali UI rezultat s psihološkom teorijom i mijenjali ili odbijali preporuke koje nisu odgovarale slučaju, a kasniji ciklusi pokazali su više zahtjeva za teorijskim obrazloženjem, dok je pretjerano oslanjanje na naizgled autoritativne odgovore opstalo. (Kenzhebayeva i sur. 2026.)

• Integracija usmjerena na verifikaciju u jednoj disciplini. Kritički pregled generativne umjetne inteligencije u sveučilišnom kemijskom obrazovanju (Vega-Baudrit i Rivera Álvarez, 2026.) tvrdi da, budući da se kemijsko rasuđivanje mora uskladiti kroz makroskopske, submikroskopske i simboličke prikaze, studenti ne mogu provjeriti ono što ne razumiju, pa prethodno znanje i postupna potpora dolaze prvi, a verifikaciju treba ugraditi u procjenu kao procijenjenu aktivnost: prepoznati pogrešnu pretpostavku, ispraviti pogrešku u jedinici ili mehanizmu ili obrazložiti odbijanje generiranog odgovora, čuvajući zapise poticaja i povijesti revizija kao tragove rasuđivanja. (Vega-Baudrit i Rivera Álvarez 2026.)

• Verifikacija kao aktivnost učenja, a ne samo zaštita. Wang (2026.) organizira vrednovanje UI artefakata oko šest međuovisnih dimenzija — proces, dokaz, pristup, reproducibilnost, legitimnost i izvor — i tretira sastavljanje tog jamstva, a ne fluentnost rezultata, kao ono što gradi disciplinsku stručnost.

Najveća ranjivost koju su stručnjaci ocijenili u bazi znanja jest kritičko mišljenje. Kroz 65 procesa učenja koje je ocijenilo 30 stručnjaka, kritičko mišljenje i kritičko-analitičko mišljenje dobili su najvišu ocjenu poremećaja u izvješću (prosjek 4,00 od 5; 96 % ocjenjivača na 3 ili više), uz poboljšanje ispod praga (2,40, 43 %) (Kendeou, Greene i Nixon i sur., 2026.). Deset od osamnaest procesa višeg reda postiglo je konsenzus samo o ranjivosti, što izvješće čita kao jednostrani rizik, a ne kompromis.

• Struktura partnerstva, a ne izloženost, nosi vezu. Akgun i Toker (2026.) modelirali su 891 studenta iz SAD-a i Turske teorijom tranzaktivnih memorijskih sustava i pronašli da ni samoprocijenjena sposobnost mišljenja ni povjerenje u UI partnerstvo nisu izravno predviđali ostvarivanje kritičkog mišljenja. Oboje je hranilo poznavanje genAI-a, koje je pak predviđalo samo dva ponašanja: specijalizaciju i koordinaciju rada (b = 0,636) i refleksivnu transformaciju rezultata (b = 0,367). Ta ponašanja predviđala su kritičko mišljenje (b = 0,230 i b = 0,175), bez preostalog izravnog puta (CFI = 0,974, RMSEA = 0,048). To je mehanizamski prikaz ponavljajuće nule u području: sati upotrebe i samoprocijenjena kompetencija nisu zamjenske mjere za kritičko mišljenje, a ono što istraživanje mjeri kada pita o izloženosti jest ulaz u lanac, a ne njegov ishod.

Uobičajene zablude

• „Bolji poticaj proizvodi bolje kritičko mišljenje.“ Strukturirana kontrola dijaloga, a ne bolji poticaj, razdvaja tutora za logičke pogreške od chatbota za debatu: posao je obavilo usmjeravanje svakog poteza kroz Toulminovu detekciju namjere. Mehanizam je struktura interakcije, a ne formulacija.
• „Upotreba genAI-a izravno podiže kritičko mišljenje.“ Veza upotrebe genAI-a sa samoprijavljenim kritičkim mišljenjem išla je gotovo u cijelosti kroz genAI pismenost o povratnim informacijama — kod 421 kineskog studenta pismenost o povratnim informacijama posredovala je 71 % veze. Pismenost je put.
• „Metaanalitički učinak je jednoličan.“ Kroz 29 eksperimenata genAI je umjereno podigao mišljenje višeg reda (g = 0,609), s kritičkim mišljenjem na ES = 0,691. Umjereni objedinjeni učinci kroz heterogene intervencije podupiru kategoriju, ali ne određeni dizajn.

Povezani koncepti

• Metacognition
• Kognitivno rasterećenje
• Pismenost u području umjetne inteligencije
• Generative AI
• Higher Education
• Problem-Based Learning
• Intelligent Tutoring
• Obrazovni razvoj
• Poučavanje
• Student Experience
• Chemistry Education — Kemijsko obrazovanje i UI: laboratoriji, formativna procjena, ograničenja LLM-a, filozofija eksperimentiranja
• Biology Education — Biološko obrazovanje i UI: laboratorijski asistenti za poučavanje, pismenost o umjetnoj inteligenciji u biologiji, kritičko mišljenje, specijalizirani alati
• Kognitivna predaja
• Reflection

Povezani članci

• When Does GenAI Use Support Critical Thinking? A Cross-Cultural Structural Account of Transactive Memory with GenAI — Kritičko mišljenje ide kroz podjelu rada i preradu rezultata, a ne kroz izloženost

• Ways generative AI can support and threaten learning in K-20 US education - Konsenzus 30 stručnjaka: kritičko mišljenje nosi najvišu ocjenu poremećaja u izvješću (prosjek 4,00)

• From Plausibility to Verifiability: The PEARLS Framework for Developing Epistemic Agency in Generative AI-Mediated Higher Education — Okvir PEARLS za epistemičku djelotvornost i verifikaciju UI rezultata (Wang 2026.)

• Layer-sensitive cognitive offloading in generative AI-assisted writing: Supported performance and independent no-AI outcomes — Slojno osjetljivo kognitivno rasterećenje u pisanju potpomognutom genAI (Chen 2026.)

• The critical-thinking paradox in generative AI-integrated learning: distinguishing efficiency from cognitive depth — a differentiated framework and testable propositions — Paradoks kritičkog mišljenja u učenju integriranom s genAI-om

• The Pedagogy of AI Mistakes: Fostering Higher-Order Thinking — Pedagogija UI pogrešaka: njegovanje mišljenja višeg reda (Hosseini 2026.)

• Thinking—fast, slow, and artificial: How AI is reshaping human reasoning and the rise of cognitive surrender — Trosustavna teorija i kognitivna predaja: kako UI preoblikuje ljudsko rasuđivanje (Shaw i Nave 2026.)

• The Tragedy of the Cognitive Commons: How AI Could Disrupt the Regeneration of Professional Expertise — Tragedija kognitivnog zajedničkog dobra: UI i obnova stručnosti

• Does generative artificial intelligence improve students' higher-order thinking? A meta-analysis based on 29 experiments and quasi-experiments — Metaanaliza genAI-a i mišljenja višeg reda

• Can we disrupt the momentum of the AI colonization of science education? — Razbijanje UI kolonizacije znanstvenog obrazovanja

• Reorienting Critical AI Literacy: A Community-Rooted Praxis of "Resisting AI" — Preusmjeravanje kritičke UI pismenosti

• Inquiry-based learning patterns in large language model-driven learning environments: an exploratory study from Bloom's perspective — Obrasci IBL-a u okruženjima vođenima LLM-om (Bloomova perspektiva)

• Probing AI-generated physics solutions and preparing students to critique them — Priprema studenata za kritiku UI-generiranih fizikalnih rješenja

• Flawed but Memorable: Student Critical Reception of Interest-Personalized GenAI Analogies in Computing Education — Pogrešne, ali pamtljive: studentski kritički prijem interesno personaliziranih genAI analogija u računalnom obrazovanju

• Alternative AI Philosophy: Daoism as Method for AI in Education — Alternativna filozofija umjetne inteligencije: daoizam kao metoda za umjetnu inteligenciju u obrazovanju

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

• Modeling AI Overreliance as a Complex Adaptive System — Pretjerano oslanjanje na umjetnu inteligenciju modelirano kao složeni adaptivni sustav

• More externalization, but less inference? Exploring changes in young learners' critical thinking during conversational AI bot-supported multimodal writing practice — Rast kritičkog mišljenja specifičan za dimenzije u UI-potpomognutom multimodalnom pisanju (Lu i sur. 2027.)

• Tackling the Root of Misinformation by Teaching Laypeople about Logical Fallacies via Socratic Questioning and Critical Argumentation — poučavanje prepoznavanja logičkih pogrešaka kroz strukturirani višekratni dijalog

• Building AI Companions that Prioritize Learning over Performance — učenje iznad izvedbe: za što bi suputnike trebalo optimizirati i mjeriti

• Artificial intelligence-supported learning and higher-order cognitive outcomes: the mediating role of metacognitive self-regulation — UI potpora, rasterećenje i pismenost o verifikaciji kroz metakognitivnu samoregulaciju (Davor i sur. 2026.)

• Helpful or harmful? Generative AI dependence, self-reported critical thinking disposition, and self-perceived employability among business students — Ovisnost o genAI-u ograničava vezu upotrebe i kritičkog mišljenja kod studenata poslovanja (Shojaei i sur. 2026.)

• College students’ metacognitive awareness of generative-AI reliance: an experimental study of decision confidence and attribution bias — Refleksijski poticaj smanjuje prihvaćanje netočnih UI savjeta i pristranost pripisivanja (Ren 2026.)

• Designing an AI-integrated role-rotation pedagogical model to support competence-related learning in pre-service educational psychologists — Rotacija uloga kao struktura kritičke ljudsko-UI interakcije (Kenzhebayeva i sur. 2026.)

• Generative artificial intelligence in university chemistry education: a critical review using Johnstone’s chemistry triplet and Biggs’ 3P model — Integracija genAI-a usmjerena na verifikaciju u sveučilišnom kemijskom obrazovanju (Vega-Baudrit i Rivera Álvarez 2026.)

• Effects of ChatGPT-Assisted Teacher Feedback on College Students' Critical Thinking Skills and Perceptions of Argumentative Writing — nastavnički kurirana ChatGPT povratna informacija podigla je kritičko mišljenje kroz reviziju višeg reda (Chen i sur. 2026.)

• Generative AI and Learning Dynamics in Higher Education: A Longitudinal Empirical Study — semestar pristupa umjetnoj inteligenciji ostavio je kritičko mišljenje nepromijenjenim; refleksivna upotreba predviđala ga je (Melanou i sur. 2026.)

• GenAI dependence and graduate students' research creativity: the roles of critical thinking and human-AI collaboration quality — Ovisnost o genAI-u pozitivno povezana s kritičkim mišljenjem kod 1.157 studenata diplomskog studija

• The association between generative AI use and university students' critical thinking: a moderated mediation model of GenAI feedback literacy and reflective thinking — Upotreba genAI-a do kritičkog mišljenja kroz pismenost o povratnim informacijama, s izravnim putem samo za manje refleksivne studente

• Generative AI in Education and the Erosion of Critical Democratic Citizenship — Pesimistično čitanje dokaza o moderaciji: gubitak trenja, pristranost automatizacije, okvir učinkovitosti

• Generative AI and Cognitive Processes in Education: A Narrative Review and Conceptual Framework — Narativni pregled 108 dokumenata: predznak učinka prati prethodno znanje i vrijeme zadatka (okvir AMCIF)