Berpikir Kritis

Terjemahan mesin otomatis halaman berbahasa Inggris ini, yang belum ditinjau oleh penutur asli.

Berpikir kritis — kemampuan menganalisis, mengevaluasi, dan menyintesis informasi — merupakan keterampilan yang dapat dikembangkan dengan bantuan alat AI sekaligus kompetensi yang harus diterapkan siswa ketika menggunakan AI. Dalam AI dalam pendidikan penelitian, berpikir kritis muncul dalam dua bentuk yang saling terkait: sebagai tujuan pembelajaran (mengajar siswa berpikir kritis) dan sebagai pengaman terhadap ketergantungan pada AI tanpa sikap kritis.

Pertanyaan yang Perlu Dipertimbangkan

• Seberapa yakin Anda pada kemampuan Anda mengenali jawaban yang dihasilkan AI yang salah atau menyesatkan? Penelitian menunjukkan kompetensi AI yang dilaporkan sendiri jauh melampaui kemampuan evaluasi sebenarnya — bagaimana Anda akan menguji diri Anda sendiri?
• Berpikir kritis di sini muncul dalam dua bentuk: keterampilan yang diajarkan, dan pengaman terhadap ketergantungan pada AI tanpa sikap kritis. Dapatkah Anda memikirkan situasi di mana alat yang 'mengajarkan' berpikir kritis justru melatih kebalikannya?
• Satu studi menemukan bahwa meminta siswa menginterogasi kesalahan yang dihasilkan AI menghasilkan keuntungan besar dalam berpikir tingkat tinggi. Bagaimana mungkin dengan sengaja memaparkan kesalahan — alih-alih menyembunyikannya — menjadi langkah pengajaran yang lebih kuat daripada yang Anda sangka?
• Akses mudah ke jawaban AI dapat menggeser keterlibatan kritis sebelum siswa menyadarinya. Fitur desain apa, alih-alih kebijakan atau larangan, yang dapat menjaga usaha kognitif tetap hidup?
• Saran AI telah ditunjukkan menekan kemauan untuk mengatakan 'saya tidak tahu' — bahkan ketika sarannya salah. Bagaimana itu mengubah makna menciptakan budaya kelas tempat mempertanyakan sesuatu terasa aman?

Pendahuluan

Berpikir kritis adalah pusat Literasi AI — siswa yang tidak dapat mengevaluasi keluaran AI secara kritis rentan terhadap Ketergantungan Berlebih, informasi yang berhalusinasi, dan rekomendasi yang bias. Penelitian tentang Offloading Kognitif menunjukkan bahwa akses mudah ke jawaban AI dapat menggeser keterlibatan kritis, sementara pendekatan Sokratis yang menahan jawaban langsung mempertahankan usaha kognitif yang diperlukan untuk berpikir lebih mendalam.

Kendali dialog terstruktur, bukan prompt yang lebih baik, adalah yang membedakan tutor kesalahan penalaran dari chatbot debat: mengarahkan setiap giliran melalui deteksi niat berbasis Toulmin, urutan strategi tetap, dan agen pemverifikasi memungkinkan satu sistem Sokratis melewati 84.5% metrik kualitas dialog berbanding 61.5% untuk baseline heuristik (Shi et al. (2026)).

Berpikir kritis dalam penelitian pendidikan AI

Artikel-artikel dalam basis pengetahuan mengeksplorasi berpikir kritis melalui lensa berbasis desain dan empiris. Agen AI adversarial menerapkan konflik konstruktif untuk mendorong pertimbangan ulang pada desainer pemula — varian Sokratis yang memaksa evaluasi ulang secara kritis. Penelitian RCT tentang GenAI dalam pengajaran memunculkan pertanyaan apakah alat AI yang mengoptimalkan hasil tingkat permukaan mungkin secara tidak sengaja menekan berpikir kritis yang mengarah pada pembelajaran lebih mendalam. Bukti terukur mempertajam poin ini: apakah berpikir kritis bergerak bergantung pada bagaimana umpan balik dan tugas yang dimediasi AI dirancang, dan pada regulasi metakognitif pembelajar, bukan pada akses ke model.

Kaitan penggunaan GenAI dengan berpikir kritis yang dilaporkan sendiri berjalan hampir seluruhnya melalui literasi umpan balik GenAI: pada 421 mahasiswa sarjana Tiongkok, literasi umpan balik memediasi 71.98% dari asosiasi total (β=0.185), dan jalur langsung residual hanya positif bagi siswa yang kurang reflektif (β=0.177) serta tidak signifikan bagi yang lebih reflektif (Yan et al. (2026)).

Titik jangkar meta-analitik untuk klaim moderasi. Di 29 eksperimen, GenAI menaikkan berpikir tingkat tinggi secara moderat (g = 0.609), dengan berpikir kritis pada ES = 0.691 — di bawah pemecahan masalah (0.745) dan di atas kreativitas (0.444) — paling kuat untuk intervensi 8–16 minggu (0.759) dan bagi pembelajar dengan SRL tinggi (0.863 berbanding 0.284) (Zhao et al. (2025)).

Tinjauan dampak ChatGPT terhadap berpikir mendokumentasikan temuan yang beragam: AI dapat merancah analisis kritis bila digunakan dengan sengaja (misalnya, meminta siswa mengkritik argumen yang dihasilkan AI), tetapi juga dapat memutus pendek berpikir bila digunakan sebagai mesin jawaban. Ketegangan ini terhubung dengan penelitian How to Assess AI Literacy: Misalignment Between Self-Reported and Objective-Based Measures yang menunjukkan bahwa kompetensi AI yang dilaporkan sendiri jauh melampaui kemampuan evaluasi kritis yang sebenarnya. Sebuah tinjauan kritis atas 80 studi HCI tentang berpikir kritis dengan AI menemukan bidang ini mengukur apa yang jarang didefinisikannya: hanya 23 dari 80 yang menyatakan bagaimana mereka memahami berpikir kritis sama sekali, 49 (61%) menilainya melalui laporan diri alih-alih kinerja, dan 42 (52%) tidak menggunakan kelompok kontrol (A Critical Review of Critical Thinking in HCI Research About AI).

Lin dan Al-Hada (2026) membaca gambaran beragam itu sebagai disosiasi produk–proses: GenAI dapat menaikkan kualitas suatu tugas sekaligus menurunkan transfer tertunda tanpa bantuan di baliknya, sehingga pembelajaran harus dinilai berdasarkan kinerja tertunda tanpa bantuan alih-alih pada produk yang dibantu AI.

• Keterlibatan kognitif tingkat tinggi dalam obrolan siswa-AI. Chang dan Li (2026) menemukan bahwa ~62% prompt siswa ke AI memuat tuntutan kognitif tingkat tinggi, dengan profil tingkat Bloom yang bervariasi menurut disiplin (STEM didominasi Apply 20.8%, bahasa didominasi Understand 31.7%, ilmu sosial didominasi Create 33.8%). Desain dalam-orang mereka menunjukkan siswa yang sama menghasilkan prompt tingkat tinggi secara signifikan lebih banyak di mata kuliah ilmu sosial daripada di STEM (p < .001), yang menunjukkan bahwa konteks disipliner membentuk keterlibatan kritis dan tingkat tinggi dengan AI.

• Pola interaksi mengelompok menurut tingkat Bloom dan pengetahuan awal. Dalam tugas menulis ilmu data berbasis inkuiri, 19 siswa menghasilkan 14 pola interaksi LLM yang bervariasi menurut tingkat pengetahuan awal, dan implikasi desainnya adalah mengarahkan perancahan pada tahap berpikir tingkat tinggi tertentu alih-alih pada penggunaan LLM secara umum (Luo et al. (2026)).

• AI sebagai katalis literasi media kritis pada anak. Demir dan Akar (2026) mengevaluasi program literasi media kritis berdurasi 18 jam dengan model 5E untuk siswa kelas empat Turki, di mana AI generatif (ChatGPT, Grammarly) berperan sebagai agen pedagogis yang disematkan fase demi fase alih-alih sebagai tambahan. Perbandingan sampel berpasangan menunjukkan keuntungan besar dalam membaca media (+3.50), menulis (+1.67), dan total literasi media (+5.17, semua p < .01), dengan ukuran efek post-test antarkelompok Cohen's d = 1.12 (membaca), 1.18 (menulis), dan 1.31 (total literasi) yang menguntungkan kelompok yang didukung AI. Analisis kualitatif (wawancara, poster/gambar/slogan siswa, observasi kelas) mengungkap enam ranah pertumbuhan literasi media kritis — perlindungan diri digital dan privasi data, penggunaan media yang bertujuan dan bertanggung jawab, komunikasi aman dan kesadaran akan batas, evaluasi kritis dan kesadaran misinformasi, kesadaran risiko daring, serta etika media/kewarganegaraan digital — yang menunjukkan bahwa menginterogasi konten yang dimediasi AI secara sengaja dapat menumbuhkan analisis kritis dan refleksi pada pembelajar muda.

• Keuntungan berpikir kritis yang spesifik dimensi dalam penulisan multimodal sekolah dasar. Lu et al. (2027) mengikuti 60 siswa Kelas 5 melalui praktik menulis multimodal berbantuan AI Percakapan selama delapan minggu, di mana mereka mengubah narasi menjadi gambar dan video pendek yang dihasilkan AI. Analisis pengukuran berulang atas enam dimensi berpikir kritis menemukan keuntungan yang bertahan (T1→T2 dan T1→T3) dalam interpretasi, analisis, evaluasi, dan penjelasan, keuntungan self-Regulasi AI dalam Pendidikan yang berumur pendek, dan tidak ada perubahan dalam inferensi — pola yang tidak merata pada tingkat dimensi yang akan tersembunyi oleh skor berpikir kritis agregat. Para penulis berargumen bahwa visual yang dihasilkan AI mengeskternalisasi makna dan dengan demikian menurunkan tuntutan inferensial yang biasanya dibebankan penulisan, sementara kolaborasi sebaya (pertanyaan sebaya yang memaksa menyimpulkan interpretasi orang lain) menyediakan kesempatan inferensi yang tidak diberikan oleh interaksi AI mandiri. Pelajaran desainnya: menyusun dengan AI multimodal mendukung beberapa faset berpikir kritis tetapi harus dipasangkan dengan Perancah berkelanjutan dan pertukaran sebaya yang terstruktur untuk mempertahankan inferensi dan regulasi diri.

• Perancahan AI dan pengalihan beban kognitif menarik berpikir kritis ke arah yang berlawanan. Davor, Larbi dan Boateng (2026) mensurvei 533 mahasiswa di Ghana dan menemukan bahwa perancahan tugas oleh AI memprediksi berpikir kritis yang lebih tinggi (β = .185) sementara kecenderungan pengalihan beban kognitif memprediksi berpikir kritis yang lebih rendah (-.240); literasi verifikasi AI tidak memiliki efek langsung pada berpikir kritis dan hanya bekerja melalui regulasi diri metakognitif, pola mediasi penuh yang dibaca para penulis sebagai bukti bahwa mengajarkan siswa memeriksa fakta keluaran AI tidak cukup dengan sendirinya. (Davor et al. 2026)

• Kedalaman pengalihan, bukan penggunaannya, yang membatasi berpikir tingkat tinggi. Mendelegasikan lapisan penalaran dalam menulis — warrant, kontraargumen, interpretasi bukti — membawa asosiasi negatif terkuat dengan berpikir tingkat tinggi mandiri (ab = −0.34), dan penulisan yang diatur sendiri melemahkan tetapi tidak pernah membalikkannya (Chen (2026)).

• Ketergantungan, bukan penggunaan, adalah titik di mana asosiasi dengan berpikir kritis berubah. Shojaei dan rekan (2026) mensurvei 412 mahasiswa bisnis di Oman dan menemukan korelasi bivariat yang mendekati nol antara penggunaan GenAI dan disposisi berpikir kritis yang dilaporkan sendiri (r = 0.050), dengan ketergantungan memprediksi disposisi yang lebih rendah (β = -0.389) dan melemahkan kaitan dari penggunaan ke disposisi (β = -0.239), sehingga kemiringan sederhana turun dari 0.424 pada ketergantungan rendah menjadi -0.054 pada ketergantungan tinggi. (Shojaei et al. 2026)

Survei lintas-seksional yang lebih besar menunjuk arah sebaliknya: di antara 1,157 mahasiswa pascasarjana Tiongkok, ketergantungan GenAI berasosiasi positif dengan berpikir kritis (β = 0.492), dan berpikir kritis membawa sekitar 85.0% dari jalur dari ketergantungan fungsional ke kreativitas penelitian (Yin et al. (2026)).

• Prompt refleksi singkat membuat ketergantungan pada saran AI lebih diskriminatif. Dalam eksperimen tiga kondisi dengan 342 mahasiswa sarjana, Ren (2026) menemukan bahwa dukungan ChatGPT yang terbuka menghasilkan penerimaan rekomendasi AI yang salah pada 62.4% percobaan, turun menjadi 39.7% dengan prompt refleksi metakognitif singkat (OR = 0.40, 95% CI [0.28, 0.56]); refleksi juga meningkatkan kalibrasi kesadaran (0.59 vs. 0.41) dan memangkas indeks bias atribusi khas AI dari 0.42 menjadi 0.21 tanpa mengurangi akurasi rekomendasi atau memicu penolakan menyeluruh terhadap saran yang berguna. (Ren 2026)

• Kepercayaan diri dapat naik sementara akurasi turun. Shaw dan Nave (2026) menemukan bahwa berkonsultasi dengan asisten AI menaikkan akurasi sebesar 25 poin persentase ketika asisten itu benar dan menurunkannya sebesar 15 ketika salah, namun berinteraksi dengannya meningkatkan kepercayaan diri bahkan setelah kesalahan, dan 73.2% percobaan dengan AI yang salah berakhir pada penyerahan kognitif alih-alih pengalihan yang strategis.

• Umpan balik ChatGPT yang dikurasi guru menaikkan berpikir kritis melalui revisi tingkat tinggi. Chen dan rekan (2026) menjalankan kuasi-eksperimen 18 minggu dengan 64 mahasiswa sarjana, semuanya calon guru kimia, fisika, atau matematika, membandingkan umpan balik guru konvensional (n = 32) dengan umpan balik guru berbantuan ChatGPT (n = 32) pada dua tugas menulis argumentatif. Kedua kelompok mulai setara, dan hanya kelompok berbantuan yang meningkat secara signifikan (p < 0.001), dengan Cohen's d naik dari 0.25 pada pretest menjadi 3.74 pada posttest. Mekanismenya adalah jenis umpan balik, bukan sekadar kehadiran model: kelompok berbantuan menerima lebih banyak umpan balik demonstrasi (33.1% vs. 10.9%) dan pertanyaan yang mendalam (21.5% vs. 6.0%), merevisi 91.00% (435 dari 478) unit umpan balik berbanding 85.21% (242 dari 284), dan analisis jaringan epistemik mengaitkan revisi tersebut dengan analisis, evaluasi, dan penciptaan alih-alih pengenalan dan pemahaman, sementara pengajaran dan umpan balik evaluasi dari guru saja sebagian besar menghasilkan revisi pengenalan dan pemahaman. Guru memperlakukan keluaran model sebagai bahan draf, memperluas, merevisi, atau membuangnya (14% dibuang, 9% perlu dikoreksi), dan enam dari delapan narasumber tetap menandai ketidakpresisian atau ketidakprofesionalan. Pelajaran desainnya adalah bahwa keuntungan berpikir kritis berasal dari umpan balik yang memodelkan alternatif dan menginterogasi penalaran siswa, dengan seorang guru yang mengurasi apa yang dihasilkan model; sampel kecil yang hanya satu semester berarti ukuran efek yang sangat besar itu harus dibaca dengan hati-hati. (Chen et al. 2026)

• Satu semester akses AI membiarkan berpikir kritis datar, sementara penggunaan reflektif mengikutinya. Melanou, Beege dan Kimmig (2026) mengikuti 87 mahasiswa informatika bisnis melalui kursus sembilan minggu dalam tiga kondisi paralel (AI berbingkai tutor, AI tanpa panduan, dan tanpa AI) yang diukur tiga kali. Pengetahuan naik di setiap kelompok tanpa keuntungan bagi kedua kondisi AI dan tanpa efek Matthew (BF01 = 8.70), sementara berpikir kritis yang dilaporkan sendiri dan motivasi tetap stabil. Yang membedakan siswa adalah penggunaan reflektif, yaitu praktik memeriksa sumber dan memverifikasi keluaran AI sebelum mengadopsinya: praktik ini lebih tinggi pada kondisi AI daripada kelompok kontrol (rata-rata 3.72 vs. 2.82) dan memprediksi berpikir kritis pada pengukuran akhir (R² = 0.183, β = 0.43, p < 0.001). Hasil ini membatasi ekspektasi bahwa suatu mata kuliah yang menggunakan AI akan menggerakkan berpikir kritis dengan sendirinya: regulasi metakognitif, bukan akses alat, adalah tempat asosiasinya berada, dan para penulis mencatat satu semester kemungkinan terlalu singkat untuk melihat perubahan yang bertahan. (Melanou et al. 2026)

Koneksi ke konsep lain

Berpikir kritis bersinggungan dengan Perancah (merancang dukungan AI yang mempertahankan tuntutan kognitif), Rekayasa Prompt (merumuskan pertanyaan yang memancing analisis kritis), dan Ketergantungan Berlebih (mengetahui kapan harus percaya dan kapan harus mempertanyakan AI). Ini mendasar bagi Integritas Akademik dan berfungsi sebagai dimensi kunci kerangka Literasi AI baik dalam konteks K-12 maupun Pendidikan Tinggi.

• Kesalahan AI sebagai provokasi bagi berpikir tingkat tinggi: Hosseini (2026) mengoperasionalkan tingkat higher-order Bloom (Analyze, Evaluate, Create) dengan meminta siswa menginterogasi kesalahan yang dihasilkan AI dalam mata kuliah basis data, dengan keuntungan pra/pasca yang signifikan (Cohen's d=1.49) dalam kompetensi materi pelajaran.

• Kritik terhadap keluaran AI adalah keterampilan yang dapat dirancah, bukan produk sampingan pemecahan masalah. Kelompok yang hanya memecahkan masalah fisika terkait menerima solusi AI yang rapi atau mengkritiknya dari miskonsepsi mereka sendiri, sedangkan refleksi terpandu rubrik MAPS menghasilkan kritik yang selaras dengan ahli terhadap integrasi yang hilang dan notasi yang tidak terdefinisi (Borse et al. (2026)).

• Batasi AI untuk mempertahankan agensi kognitif. Cetak biru E3-HOT memetakan tiga jalur berwujud — penyematan situasional, partisipasi berwujud, penciptaan kognitif — ke Analyze, Evaluate, dan Create, dan membatasi AI pada prompt, kritik, dan saran strategi sehingga siswa harus mengartikulasikan alasan dan mengutip bukti sebelum suatu klaim diterima (Zhu et al. (2026)).

• Audit dua sisi atas penjelasan AI. Bernstein dan Sibia (2026) menggunakan standar Paul–Elder (akurasi, kejelasan, asumsi, sudut pandang) sebagai probe wawancara dengan sepuluh siswa yang telah menyelesaikan CS2, dan menemukan pengamatan tingkat mekanisme terhadap penjelasan GenAI: siswa menemukan tempat pemetaan suatu analogi rusak (analogi rute pulau untuk daftar bertaut yang menyiratkan lingkaran, reli bulu tangkis yang ditawarkan untuk rekursi yang tidak memiliki input menyusut yang terjamin), menuntut perumusan yang presisi alih-alih bahasa yang berhati-hati, dan memperlakukan penjelasan sebagai argumen yang membawa sudut pandang. Yang krusial, pengamatan itu mengikuti keahlian ranah sumber atau ranah sasaran alih-alih minat pribadi — membingkai ulang evaluasi kritis atas keluaran AI sebagai masalah pengetahuan ("audit analogi dua sisi") alih-alih masalah disposisi — dan menyarankan bahwa menugaskan analogi AI yang cacat sebagai objek untuk diperiksa dan diperbaiki merupakan ujian pemahaman konseptual yang lebih sulit daripada membaca penjelasan yang sudah jadi.(Flawed but Memorable: Student Critical Reception of Interest-Personalized GenAI Analogies in Computing Education)

• Berpikir kritis sebagai keterlibatan yang tidak dapat dialihdayakan. Xie (2026) menambahkan padanan filosofis dari pengembangan diri Daois: karena AI adalah "kotak hitam" yang opak, kerangka yang berorientasi pada harmonisasi ketidakpastian alih-alih memutuskan kebenaran secara absolut lebih sesuai dengan lanskap epistemik saat ini, dan berpikir kritis menjadi keterlibatan yang berkelanjutan, orang pertama, dan tidak dapat dialihdayakan dengan realitas alih-alih prosedur rasional yang dapat didemonstrasikan. Dalam praktik Neidan (內丹) "tidak ada jalan pintas kognitif", sehingga AI diposisikan sebagai "bukan pengganti kognitif melainkan pelengkap instrumental" bagi kemajuan manusia.(Alternative AI Philosophy: Daoism as Method for AI in Education)

• Rotasi peran sebagai struktur untuk interaksi manusia-AI yang kritis. Kenzhebayeva dan rekan (2026) melaporkan studi berbasis desain di mana 62 calon psikolog pendidikan berotasi melalui empat peran profesional (Case Constructor, Research Analyst, Practitioner-Interventionist, Reflective Researcher) yang menjadikan rekomendasi yang dihasilkan sebagai objek diskusi: peserta membandingkan keluaran AI dengan teori psikologis dan memodifikasi atau menolak rekomendasi yang tidak sesuai dengan kasus, dan siklus berikutnya menunjukkan lebih banyak permintaan justifikasi teoretis, sementara ketergantungan berlebih pada respons yang tampak otoritatif tetap bertahan. (Kenzhebayeva et al. 2026)

• Integrasi yang berpusat pada verifikasi dalam suatu disiplin. Tinjauan kritis atas AI generatif dalam pendidikan kimia universitas (Vega-Baudrit dan Rivera Álvarez, 2026) berargumen bahwa karena penalaran kimia harus dikoordinasikan lintas representasi makroskopik, submikroskopik, dan simbolik, siswa tidak dapat memverifikasi apa yang tidak mereka pahami, sehingga pengetahuan awal dan Perancah didahulukan dan verifikasi harus dirancang ke dalam penilaian sebagai aktivitas yang dinilai: mengidentifikasi asumsi yang salah, mengoreksi kesalahan satuan atau mekanisme, atau membenarkan penolakan atas jawaban yang dihasilkan, dengan menyimpan catatan prompt dan riwayat revisi sebagai jejak penalaran. (Vega-Baudrit dan Rivera Álvarez 2026)

• Verifikasi sebagai aktivitas belajar, bukan hanya pengaman. Wang (2026) menyusun evaluasi artefak AI di sekitar enam dimensi yang saling bergantung — Process, Evidence, Access, Reproducibility, Legitimacy dan Source — dan memperlakukan penyusunan jaminan itu, bukan kelancaran keluaran, sebagai hal yang membangun keahlian disipliner.

Kerentanan terbesar yang dinilai pakar dalam basis pengetahuan adalah berpikir kritis. Di 65 proses pembelajaran yang dinilai oleh 30 pakar, Critical Thinking dan Critical-Analytic Thinking memperoleh peringkat gangguan tertinggi dalam laporan (rata-rata 4.00 dari 5; 96% penilai pada atau di atas 3) dengan peningkatan di bawah ambang (2.40, 43%) (Kendeou, Greene & Nixon et al., 2026). Sepuluh dari delapan belas proses tingkat tinggi mencapai konsensus hanya pada kerentanan, yang dibaca laporan sebagai risiko satu sisi alih-alih pertukaran yang seimbang.

• Struktur kemitraan, bukan paparan, yang membawa asosiasi. Akgun dan Toker (2026) memodelkan 891 mahasiswa AS dan Turki dengan teori sistem memori transaktif dan menemukan bahwa baik kemampuan berpikir yang dinilai sendiri maupun kepercayaan pada kemitraan AI tidak memprediksi pengejawantahan berpikir kritis secara langsung. Keduanya mengalir ke keakraban GenAI, yang kemudian hanya memprediksi dua perilaku: spesialisasi dan koordinasi kerja (b = 0.636) dan transformasi reflektif atas keluaran (b = 0.367). Perilaku tersebut memprediksi berpikir kritis (b = 0.230 dan b = 0.175) tanpa jalur langsung yang tersisa (CFI = 0.974, RMSEA = 0.048). Ini adalah versi tingkat mekanisme dari temuan nol yang berulang di bidang ini: jam penggunaan dan kompetensi yang dinilai sendiri bukan proksi berpikir kritis, dan apa yang diukur sebuah studi ketika bertanya tentang paparan adalah input bagi rantai itu, bukan hasilnya.

Miskonsepsi Umum

• "Prompt yang lebih baik menghasilkan berpikir kritis yang lebih baik." Kendali dialog terstruktur, bukan prompt yang lebih baik, yang membedakan tutor kesalahan penalaran dari chatbot debat: mengarahkan setiap giliran melalui deteksi niat berbasis Toulmin yang melakukan pekerjaannya. Mekanismenya adalah struktur interaksi, bukan pilihan kata.
• "Penggunaan GenAI menaikkan berpikir kritis secara langsung." Kaitan penggunaan GenAI dengan berpikir kritis yang dilaporkan sendiri berjalan hampir seluruhnya melalui literasi umpan balik GenAI — pada 421 mahasiswa sarjana Tiongkok, literasi umpan balik memediasi 71% dari asosiasi itu. Literasi adalah jalurnya.
• "Efek meta-analitik itu seragam." Di 29 eksperimen, GenAI menaikkan berpikir tingkat tinggi secara moderat (g = 0.609) dengan berpikir kritis pada ES = 0.691. Efek gabungan yang moderat atas intervensi yang heterogen mendukung kategori, bukan desain tertentu.

Konsep terkait

• Metakognisi
• Offloading Kognitif
• Literasi AI
• AI Generatif
• Pendidikan Tinggi
• Pembelajaran Berbasis Masalah
• Tutoring Cerdas
• Pengembangan Pendidikan
• Pengajaran
• Pengalaman Siswa
• Pendidikan Kimia — Pendidikan kimia dan AI: laboratorium, penilaian formatif, batas LLM, filsafat eksperimen
• Pendidikan Biologi — Pendidikan biologi dan AI: asisten pengajar laboratorium, literasi AI dalam biologi, berpikir kritis, alat khusus
• Penyerahan Kognitif

Artikel terkait

• When Does GenAI Use Support Critical Thinking? A Cross-Cultural Structural Account of Transactive Memory with GenAI — Berpikir kritis berjalan melalui pembagian kerja dan pengolahan ulang keluaran, bukan paparan

• Ways Generative AI Can Support and Threaten Learning in K–20 US Education - Konsensus 30 pakar: berpikir kritis membawa peringkat gangguan tertinggi dalam laporan (rata-rata 4.00)

• From Plausibility to Verifiability: The PEARLS Framework for Developing Epistemic Agency in Generative AI-Mediated Higher Education — Kerangka PEARLS untuk agensi epistemik dan verifikasi keluaran AI (Wang 2026)

• Layer-Sensitive Cognitive Offloading in Generative AI-Assisted Writing: Supported Performance and Independent No-AI Outcomes — Pengalihan beban kognitif yang sensitif lapisan dalam penulisan berbantuan GenAI (Chen 2026)

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

• The Pedagogy of AI Mistakes: Fostering Higher-Order Thinking — Pedagogi Kesalahan AI: Menumbuhkan Berpikir Tingkat Tinggi (Hosseini 2026)

• Thinking—Fast, Slow, and Artificial: How AI Is Reshaping Human Reasoning and the Rise of Cognitive Surrender — Teori Tri-Sistem dan penyerahan kognitif: bagaimana AI membentuk ulang penalaran manusia (Shaw & Nave 2026)

• The Tragedy of the Cognitive Commons: How AI Could Disrupt the Regeneration of Professional Expertise — Tragedi milik bersama kognitif: AI dan regenerasi keahlian

• Does Generative Artificial Intelligence Improve Students' Higher-Order Thinking? A Meta-Analysis Based on 29 Experiments and Quasi-Experiments — Meta-analisis GenAI dan berpikir tingkat tinggi

• Can we disrupt the momentum of the AI colonization of science education? — Mengganggu kolonisasi AI atas pendidikan sains

• Reorienting Critical AI Literacy: A Community-Rooted Praxis of “Resisting AI” — Mengorientasikan ulang literasi AI yang kritis

• Inquiry-Based Learning Patterns in Large Language Model-Driven Learning Environments: An Exploratory Study From Bloom's Perspective — Pola IBL dalam lingkungan yang digerakkan LLM (perspektif Bloom)

• Probing AI-Generated Physics Solutions and Preparing Students to Critique Them — Mempersiapkan siswa mengkritik solusi fisika yang dihasilkan AI

• Flawed but Memorable: Student Critical Reception of Interest-Personalized GenAI Analogies in Computing Education — Cacat tetapi Mudah Diingat: Penerimaan Kritis Siswa terhadap Analogi GenAI yang Dipersonalisasi Berdasarkan Minat dalam Pendidikan Komputasi

• Alternative AI Philosophy: Daoism as Method for AI in Education — Filsafat AI alternatif: Daoisme sebagai metode bagi AI dalam pendidikan

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

• Modeling AI Overreliance as a Complex Adaptive System — Ketergantungan berlebih pada AI dimodelkan sebagai sistem adaptif kompleks

• More externalization, but less inference? Exploring changes in young learners' critical thinking during conversational — Keuntungan berpikir kritis yang spesifik dimensi dalam penulisan multimodal berbantuan AI (Lu et al. 2027)

• Tackling the Root of Misinformation by Teaching Laypeople about Logical Fallacies via Socratic Questioning and Critical Argumentation — mengajarkan pengenalan kesalahan penalaran melalui dialog multiturn terstruktur

• Building AI Companions that Prioritize Learning over Performance — pembelajaran alih-alih kinerja: untuk apa pendamping harus dioptimalkan dan diukur

• Artificial intelligence-supported learning and higher-order cognitive outcomes: the mediating role of metacognitive self-regulation — Perancahan AI, pengalihan beban kognitif, dan literasi verifikasi melalui regulasi diri metakognitif (Davor et al. 2026)

• Helpful or harmful? Generative AI dependence, self-reported critical thinking disposition, and self-perceived employability among business students — Ketergantungan GenAI membatasi kaitan penggunaan dengan berpikir kritis pada mahasiswa bisnis (Shojaei et al. 2026)

• College students’ metacognitive awareness of generative-AI reliance: an experimental study of decision confidence and attribution bias — Prompt refleksi memangkas penerimaan saran AI yang salah dan bias atribusi (Ren 2026)

• Designing an AI-integrated role-rotation pedagogical model to support competence-related learning in pre-service educational psychologists — Rotasi peran sebagai struktur bagi interaksi manusia-AI yang kritis (Kenzhebayeva et al. 2026)

• Generative artificial intelligence in university chemistry education: a critical review using Johnstone’s chemistry triplet and Biggs’ 3P model — Integrasi GenAI yang berpusat pada verifikasi dalam pendidikan kimia universitas (Vega-Baudrit dan Rivera Álvarez 2026)

• Effects of ChatGPT-Assisted Teacher Feedback on College Students' Critical Thinking Skills and Perceptions of Argumentative Writing — umpan balik ChatGPT yang dikurasi guru menaikkan berpikir kritis melalui revisi tingkat tinggi (Chen et al. 2026)

• Generative AI and Learning Dynamics in Higher Education: A Longitudinal Empirical Study — satu semester akses AI membiarkan berpikir kritis datar; penggunaan reflektif memprediksinya (Melanou et al. 2026)

• GenAI dependence and graduate students’ research creativity: the roles of critical thinking and human–AI collaboration quality — Ketergantungan GenAI berasosiasi positif dengan berpikir kritis pada 1,157 mahasiswa pascasarjana

• The association between generative AI use and university students’ critical thinking: a moderated mediation model of GenAI feedback literacy and reflective thinking — Penggunaan GenAI ke berpikir kritis melalui literasi umpan balik, dengan jalur langsung hanya bagi siswa yang kurang reflektif