Pensiero critico

Traduzione automatica della pagina in inglese, non ancora rivista da una persona di madrelingua.

Il pensiero critico — la capacità di analizzare, valutare e sintetizzare informazioni — è al tempo stesso una competenza che gli strumenti di IA possono contribuire a sviluppare e una competenza che gli studenti devono applicare quando usano l'IA. Nella ricerca sull'IA nell'educazione scientifica, il pensiero critico compare in due forme interrelate: come obiettivo di apprendimento (insegnare agli studenti a pensare criticamente) e come salvaguardia contro la dipendenza acritica dall'IA.

Domande da considerare

• Quanto sei sicuro della tua capacità di individuare una risposta generata dall'IA falsa o fuorviante? La ricerca suggerisce che la competenza sull'IA auto-dichiarata supera di molto la capacità effettiva di valutazione — come ti metteresti alla prova?
• Il pensiero critico compare qui in due forme: una competenza da insegnare e una salvaguardia contro la dipendenza acritica dall'IA. Riesci a pensare a una situazione in cui uno strumento che «insegna» il pensiero critico stia in realtà allenando il suo opposto?
• Uno studio ha rilevato che far interrogare agli studenti gli errori generati dall'IA produceva grandi guadagni nel pensiero di ordine superiore. In che modo esporre deliberatamente gli errori — anziché nasconderli — potrebbe essere una mossa didattica più potente di quanto avessi assunto?
• Il facile accesso alle risposte dell'IA può soppiantare l'impegno critico prima ancora che gli studenti se ne accorgano. Quale elemento di progettazione, anziché una regola o un divieto, potrebbe mantenere vivo lo sforzo cognitivo?
• È stato dimostrato che i consigli dell'IA sopprimono la disponibilità a dire «non lo so» — anche quando il consiglio è sbagliato. Come cambia questo il senso di una cultura di classe in cui mettere in discussione è sicuro?

Introduzione

Il pensiero critico è centrale per l'alfabetizzazione sull'IA — gli studenti che non sanno valutare criticamente gli output dell'IA sono vulnerabili alla dipendenza eccessiva, alle informazioni allucinate e alle raccomandazioni di parte. La ricerca sul cognitive offloading mostra che il facile accesso alle risposte dell'IA può soppiantare l'impegno critico, mentre gli approcci socratici che negano le risposte dirette preservano lo sforzo cognitivo necessario a un pensiero più profondo.

Il controllo strutturato del dialogo, non un prompt migliore, è ciò che separa un tutor delle fallacie da un chatbot che discute: instradare ogni turno attraverso il rilevamento dell'intento basato su Toulmin, un ordine fisso delle strategie e un agente verificatore permette a un sistema socratico di superare l'84,5% delle metriche di qualità del dialogo contro il 61,5% di una baseline euristica (Shi et al. (2026)).

Il pensiero critico nella ricerca sull'IA nell'educazione

Gli articoli della knowledge base esplorano il pensiero critico attraverso lenti basate sulla progettazione ed empiriche. Gli agenti di IA avversariali mettono in atto un conflitto costruttivo per spingere al ripensamento in progettisti alle prime armi — una variante socratica che forza la rivalutazione critica. La ricerca RCT su GenAI nell'insegnamento solleva la questione se gli strumenti di IA che ottimizzano i risultati superficiali possano inavvertitamente sopprimere il pensiero critico che conduce all'apprendimento profondo. Le evidenze misurate acuiscono il punto: se il pensiero critico si muove dipende da come sono progettati il feedback e i compiti mediati dall'IA, e dalla regolazione metacognitiva di chi apprende, non dall'accesso a un modello.

L'associazione tra uso di GenAI e pensiero critico auto-dichiarato passava quasi interamente attraverso la feedback literacy: in 421 studenti universitari cinesi, la feedback literacy mediava il 71,98% dell'associazione totale (β = 0,185), e il percorso diretto residuo era positivo solo per gli studenti meno riflessivi (β = 0,177) e non significativo per quelli più riflessivi (Yan et al. (2026)).

Un ancoraggio meta-analitico per l'affermazione sulla moderazione. Attraverso 29 esperimenti, GenAI ha aumentato moderatamente il pensiero di ordine superiore (g = 0,609), con il pensiero critico a ES = 0,691 — al di sotto della risoluzione di problemi (0,745) e al di sopra della creatività (0,444) — più forte per gli interventi di 8–16 settimane (0,759) e per chi apprende con alta autoregolazione dell'apprendimento (0,863 contro 0,284) (Zhao et al. (2025)).

Le rassegne sull'impatto di ChatGPT sul pensiero documentano risultati contrastanti: l'IA può sostenere l'analisi critica quando è usata deliberatamente (ad esempio chiedendo agli studenti di criticare argomenti generati dall'IA), ma può anche cortocircuitare il pensiero quando è usata come motore di risposte. Questa tensione si collega alla ricerca su il disallineamento della valutazione dell'alfabetizzazione sull'IA che mostra come la competenza sull'IA auto-dichiarata superi di molto la capacità effettiva di valutazione critica. Una rassegna critica di 80 studi HCI sul pensiero critico con l'IA ha rilevato che il campo misura ciò che raramente definisce: solo 23 degli 80 dichiaravano come intendevano il pensiero critico, 49 (61%) lo valutavano tramite auto-dichiarazione anziché tramite performance, e 42 (52%) non usavano alcun gruppo di controllo (A Critical Review of Critical Thinking in HCI Research About AI).

Lin e Al-Hada (2026) leggono questo quadro contrastante come una dissociazione prodotto–processo: GenAI può aumentare la qualità di un compito mentre abbassa il trasferimento non assistito e ritardato che sta dietro ad esso, per cui l'apprendimento dovrebbe essere giudicato sulla performance non assistita e ritardata anziché sul prodotto assistito dall'IA.

• L'impegno cognitivo di ordine superiore nella chat studente-IA. Chang e Li (2026) rilevano che circa il 62% dei prompt degli studenti all'IA codifica una richiesta cognitiva di ordine superiore, con profili a livello di Bloom che variano per disciplina (STEM prevalenza di Apply 20,8%, lingue prevalenza di Understand 31,7%, scienze sociali prevalenza di Create 33,8%). Il loro disegno within-person mostra che gli stessi studenti producono significativamente più prompt di ordine superiore nei corsi di scienze sociali che in quelli STEM (p < 0,001), a indicare che il contesto disciplinare plasma l'impegno critico e di ordine superiore con l'IA.

• I pattern di interazione si raggruppano per livello di Bloom e conoscenza pregressa. In un compito di scrittura basato sull'indagine in data science, 19 studenti hanno prodotto 14 pattern di interazione con l'LLM che variavano per livello di conoscenza pregressa, e l'implicazione progettuale era quella di mirare lo scaffolding a specifiche fasi del pensiero di ordine superiore anziché all'uso degli LLM in generale (Luo et al. (2026)).

• L'IA come catalizzatore dell'alfabetizzazione critica sui media nei bambini. Demir e Akar (2026) valutano un programma di alfabetizzazione critica sui media di 18 ore, basato sul modello 5E, per studenti turchi di quarta elementare, in cui l'IA generativa (ChatGPT, Grammarly) agiva come agente pedagogico integrato fase per fase anziché come aggiunta. I confronti a campioni appaiati hanno mostrato grandi guadagni nella lettura dei media (+3,50), nella scrittura (+1,67) e nell'alfabetizzazione totale sui media (+5,17, tutti p < 0,01), con effect size post-test tra gruppi del d di Cohen pari a 1,12 (lettura), 1,18 (scrittura) e 1,31 (alfabetizzazione totale) a favore del gruppo supportato dall'IA. L'analisi qualitativa (interviste, poster/disegni/slogan degli studenti, osservazione in classe) ha fatto emergere sei domini di crescita nell'alfabetizzazione critica sui media — autoprotezione digitale e privacy dei dati, uso dei media finalizzato e responsabile, comunicazione sicura e consapevolezza dei confini, valutazione critica e consapevolezza della disinformazione, consapevolezza dei rischi online, ed etica dei media/cittadinanza digitale — a indicare che interrogare deliberatamente i contenuti mediati dall'IA può coltivare analisi e riflessione critica nei giovani discenti.

• Guadagni di pensiero critico specifici per dimensione nella scrittura multimediale primaria. Lu et al. (2027) hanno seguito 60 studenti di quinta elementare attraverso otto settimane di pratica di scrittura multimediale supportata da IA conversazionale, in cui trasformavano narrazioni in immagini e brevi video generati dall'IA. L'analisi a misure ripetute su sei dimensioni del pensiero critico ha rilevato guadagni sostenuti (T1→T2 e T1→T3) in interpretazione, analisi, valutazione e spiegazione, un guadagno di breve durata nell'auto-regolazione, e nessun cambiamento nell'inferenza — un pattern irregolare, a livello di dimensione, che un punteggio aggregato di pensiero critico avrebbe nascosto. Gli autori sostengono che i visuali generati dall'IA esternalizzavano il significato e con ciò abbassavano la richiesta inferenziale che la scrittura normalmente impone, mentre la collaborazione tra pari (domande dei pari che costringevano a inferire le interpretazioni degli altri) forniva le occasioni di inferenza che la singola interazione con l'IA non forniva. La lezione progettuale: la composizione con IA multimodale supporta diverse sfaccettature del pensiero critico ma andrebbe abbinata a uno scaffolding continuato e a uno scambio strutturato tra pari per preservare inferenza e autoregolazione.

• Lo scaffolding dell'IA e l'offloading spingono il pensiero critico in direzioni opposte. Davor, Larbi e Boateng (2026) hanno sondato 533 studenti universitari in Ghana e rilevato che lo scaffolding dei compiti con IA prediceva un pensiero critico più alto (β = 0,185), mentre la tendenza al cognitive offloading ne prediceva uno più basso (−0,240); l'alfabetizzazione sulla verifica dell'IA non aveva alcun effetto diretto sul pensiero critico e agiva solo attraverso la regolazione metacognitiva di sé, un pattern di piena mediazione che gli autori leggono come evidenza del fatto che insegnare agli studenti a verificare i fatti sull'IA non basta da solo. (Davor et al. 2026)

• È la profondità dell'offloading, non l'uso, a delimitare il pensiero di ordine superiore. Delegare lo strato di ragionamento della scrittura — fondamenti, controargomentazioni, interpretazione delle evidenze — portava l'associazione negativa più forte con il pensiero di ordine superiore indipendente (ab = −0,34), e la scrittura autoregolata la attenuava ma non la invertiva mai (Chen (2026)).

• È la dipendenza, non l'uso, il punto in cui l'associazione con il pensiero critico si inverte. Shojaei e colleghi (2026) hanno sondato 412 studenti di economia in Oman e rilevato una correlazione bivariata quasi nulla tra uso di GenAI e disposizione al pensiero critico auto-dichiarata (r = 0,050), con la dipendenza che prediceva una disposizione più bassa (β = −0,389) e indeboliva il legame dall'uso alla disposizione (β = −0,239), così che la pendenza semplice scendeva da 0,424 a bassa dipendenza a −0,054 ad alta dipendenza. (Shojaei et al. 2026)

Un'indagine trasversale più ampia punta nella direzione opposta: tra 1.157 studenti magistrali cinesi, la dipendenza da GenAI era positivamente associata al pensiero critico (β = 0,492), e il pensiero critico portava circa l'85,0% del percorso dalla dipendenza funzionale alla creatività nella ricerca (Yin et al. (2026)).

• Un breve prompt riflessivo rende più discriminativa la fiducia nei consigli dell'IA. In un esperimento a tre condizioni con 342 studenti universitari, Ren (2026) ha rilevato che il supporto aperto di ChatGPT produceva l'accettazione di raccomandazioni errate dell'IA nel 62,4% delle prove, scendendo al 39,7% con un breve prompt di riflessione metacognitiva (OR = 0,40, IC 95% [0,28, 0,56]); la riflessione migliorava anche la calibrazione della consapevolezza (0,59 vs. 0,41) e riduceva l'indice di bias di attribuzione specifico dell'IA da 0,42 a 0,21 senza ridurre l'accuratezza delle raccomandazioni né innescare un rifiuto indiscriminato dei consigli utili. (Ren 2026)

• La fiducia può crescere mentre l'accuratezza cala. Shaw e Nave (2026) hanno rilevato che consultare un assistente di IA aumentava l'accuratezza di 25 punti percentuali quando aveva ragione e la abbassava di 15 quando sbagliava, eppure coinvolgerlo aumentava la fiducia anche dopo gli errori, e il 73,2% delle prove con IA errata si concludeva con una resa anziché con un offloading strategico.

• Il feedback di ChatGPT curato dagli insegnanti aumenta il pensiero critico attraverso la revisione di ordine superiore. Chen e colleghi (2026) hanno condotto un quasi-esperimento di 18 settimane con 64 studenti universitari, tutti insegnanti in formazione di chimica, fisica o matematica, confrontando il feedback convenzionale degli insegnanti (n = 32) con il feedback degli insegnanti assistito da ChatGPT (n = 32) su due compiti di scrittura argomentativa. I gruppi partivano equivalenti, e solo il gruppo assistito migliorava significativamente (p < 0,001), con il d di Cohen che saliva da 0,25 al pretest a 3,74 al post-test. Il meccanismo era il tipo di feedback, non la mera presenza di un modello: il gruppo assistito riceveva più feedback di dimostrazione (33,1% vs. 10,9%) e di interrogazione ravvicinata (21,5% vs. 6,0%), revisionava il 91,00% (435 su 478) delle unità di feedback contro l'85,21% (242 su 284), e la network analysis epistemica collegava quelle revisioni ad analisi, valutazione e creazione anziché a riconoscimento e comprensione, mentre l'insegnamento basato sul solo insegnante e il feedback di valutazione producevano per lo più revisioni di riconoscimento e comprensione. Gli insegnanti trattavano l'output del modello come materiale grezzo, espandendolo, revisionandolo o scartandolo (14% scartato, 9% che necessitava di correzione), e sei degli otto intervistati segnalavano ancora imprecisione o non professionalità. La lezione progettuale è che il guadagno di pensiero critico derivava da un feedback che modellava alternative e interrogava il ragionamento dello studente, con un insegnante che curava ciò che il modello produceva; il campione piccolo e limitato a un semestre significa che l'effect size molto grande va letto con cautela. (Chen et al. 2026)

• Un semestre di accesso all'IA ha lasciato il pensiero critico invariato, mentre l'uso riflessivo lo tracciava. Melanou, Beege e Kimmig (2026) hanno seguito 87 studenti di informatica aziendale attraverso un corso di nove settimane in tre condizioni parallele (IA con tutor, IA senza guida, e nessuna IA) misurate tre volte. La conoscenza cresceva in ogni gruppo, senza vantaggio per nessuna delle condizioni con IA e senza effetto Matteo (BF01 = 8,70), mentre il pensiero critico auto-dichiarato e la motivazione restavano stabili. Ciò che separava gli studenti era l'uso riflessivo, la pratica di controllare le fonti e verificare l'output dell'IA prima di adottarlo: era più alto nella condizione con IA che nel gruppo di controllo (medie di 3,72 vs. 2,82) e prediceva il pensiero critico alla misurazione finale (R² = 0,183, β = 0,43, p < 0,001). Il risultato qualifica ogni aspettativa che un corso di uso dell'IA muova di per sé il pensiero critico: la regolazione metacognitiva, non l'accesso allo strumento, è dove vive l'associazione, e gli autori notano che un semestre è probabilmente troppo breve per osservare un cambiamento durevole. (Melanou et al. 2026)

Collegamenti con altri concetti

Il pensiero critico si interseca con lo scaffolding (progettare un supporto dell'IA che mantenga la richiesta cognitiva), il prompt engineering (formulare domande che suscitino analisi critica) e la dipendenza eccessiva (sapere quando fidarsi dell'IA e quando metterla in discussione). È fondamentale per l'integrità accademica e funge da dimensione chiave dei quadri di alfabetizzazione sull'IA in contesti sia K-12 che di istruzione superiore.

• Gli errori dell'IA come provocazioni per il pensiero di ordine superiore: Hosseini (2026) rende operativi i livelli di ordine superiore di Bloom (Analizzare, Valutare, Creare) facendo interrogare agli studenti gli errori generati dall'IA in un corso di basi di dati, con guadagni significativi pre/post (d di Cohen = 1,49) nella competenza disciplinare.

• La critica dell'output dell'IA è una competenza supportabile, non un sottoprodotto della risoluzione di problemi. I gruppi che si limitavano a risolvere un problema di fisica correlato accettavano una soluzione dell'IA ben confezionata o la criticavano a partire dalle proprie misconcezioni, mentre la riflessione guidata dalla rubrica MAPS produceva critiche allineate all'esperto riguardo all'integrazione mancante e alla notazione indefinita (Borse et al. (2026)).

• Circoscrivere l'IA per preservare l'autonomia cognitiva. Il progetto E3-HOT mappa tre percorsi incarnati — inserimento situazionale, partecipazione incarnata, creazione cognitiva — su Analizzare, Valutare e Creare, e vincola l'IA a prompt, critiche e suggerimenti di strategia, così che gli studenti debbano articolare motivazioni e citare evidenze prima che un'affermazione sia accettata (Zhu et al. (2026)).

• Auditing a due versanti delle spiegazioni dell'IA. Bernstein e Sibia (2026) hanno usato gli standard di Paul–Elder (accuratezza, chiarezza, assunti, punto di vista) come sonde nelle interviste con dieci studenti che avevano completato CS2, e hanno rilevato uno scrutinio a livello di meccanismo sulle spiegazioni di GenAI: gli studenti localizzavano il punto in cui la corrispondenza di un'analogia si rompeva (un'analogia con un percorso tra isole per una lista concatenata che implicava un cerchio, uno scambio di badminton offerto per la ricorsione che non aveva un input garantito in diminuzione), pretendevano formulazioni precise anziché vaghe, e trattavano le spiegazioni come argomenti portatori di un punto di vista. Fondamentalmente, quello scrutinio seguiva l'espertise nel dominio di origine o di destinazione anziché l'interesse personale — rifondando la valutazione critica dell'output dell'IA come un problema di conoscenza («auditing a due versanti delle analogie») anziché disposizionale — e suggerendo che assegnare analogie difettose dell'IA come oggetti da ispezionare e riparare sia un controllo più duro sulla comprensione concettuale della lettura di una spiegazione finita.(Flawed but Memorable: Student Critical Reception of Interest-Personalized GenAI Analogies in Computing Education)

• Il pensiero critico come impegno non delegabile. Xie (2026) aggiunge una controparte filosofica tratta dall'auto-coltivazione daoista: poiché l'IA è un'opaca «scatola nera», un quadro orientato all'armonizzare l'incertezza anziché all'aggiudicare la verità in termini assoluti si adatta meglio all'attuale paesaggio epistemico, e il pensiero critico diventa un impegno sostenuto, in prima persona, non delegabile con la realtà anziché una procedura razionale dimostrabile. Nella pratica Neidan (內丹) «non esistono scorciatoie cognitive», per cui l'IA è collocata come «non un surrogato cognitivo ma un ausilio strumentale» al fiorire umano.(Alternative AI Philosophy: Daoism as Method for AI in Education)

• La rotazione dei ruoli come struttura per l'interazione critica umano-IA. Kenzhebayeva e colleghi (2026) riportano uno studio basato sulla progettazione in cui 62 psicologi dell'educazione in formazione ruotavano attraverso quattro ruoli professionali (Costruttore di casi, Analista di ricerca, Professionista-Interventista, Ricercatore Riflessivo) che rendevano oggetto di discussione le raccomandazioni generate: i partecipanti confrontavano l'output dell'IA con la teoria psicologica e modificavano o rifiutavano le raccomandazioni che non si adattavano al caso, e i cicli successivi mostravano più richieste di giustificazione teorica, mentre la dipendenza eccessiva da risposte apparentemente autorevoli persisteva. (Kenzhebayeva et al. 2026)

• Integrazione centrata sulla verifica in una disciplina. Una rassegna critica dell'IA generativa nell'insegnamento universitario della chimica (Vega-Baudrit e Rivera Álvarez, 2026) sostiene che, poiché il ragionamento chimico deve essere coordinato tra rappresentazioni macroscopiche, submicroscopiche e simboliche, gli studenti non possono verificare ciò che non comprendono, per cui la conoscenza pregressa e lo scaffolding vengono prima e la verifica andrebbe progettata dentro la valutazione come attività valutata: individuare un assunto falso, correggere un errore di unità o di meccanismo, o giustificare il rifiuto di una risposta generata, conservando i log dei prompt e le storie delle revisioni come tracce del ragionamento. (Vega-Baudrit and Rivera Álvarez 2026)

• La verifica come attività di apprendimento, non solo come salvaguardia. Wang (2026) organizza la valutazione degli artefatti dell'IA attorno a sei dimensioni interdipendenti — Processo, Evidenza, Accesso, Riproducibilità, Legittimità e Fonte — e tratta l'assemblaggio di quella giustificazione, anziché la scioltezza dell'output, come ciò che costruisce l'expertise disciplinare.

La vulnerabilità più alta valutata dagli esperti nella knowledge base è il pensiero critico. Tra 65 processi di apprendimento valutati da 30 esperti, il Pensiero Critico e il Pensiero Critico-Analitico hanno ricevuto il punteggio di perturbazione più alto del report (media 4,00 su 5; il 96% dei valutatori a 3 o sopra) con il potenziamento sotto soglia (2,40, 43%) (Kendeou, Greene & Nixon et al., 2026). Dieci dei diciotto processi di ordine superiore hanno raggiunto consenso solo sulla vulnerabilità, cosa che il report legge come rischio unilaterale anziché come compromesso.

Concetti collegati

• Metacognizione
• Offloading cognitivo
• Alfabetizzazione sull'IA
• IA generativa
• Istruzione superiore
• Apprendimento basato sui problemi
• Tutoraggio Intelligente
• Sviluppo educativo professionale
• Insegnamento
• Esperienza dello studente
• Educazione alla chimica — Chemistry education and AI: labs, formative assessment, LLM limits, philosophy of experimentation
• Educazione alla biologia — Biology education and AI: lab teaching assistants, AI literacy in biology, critical thinking, specialized tools
• Resa cognitiva

Articoli collegati

• 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)

• 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

• AI Literacy and STEM Education: Emerging Frontiers and Research Priorities — Synthesis of the ten most-cited studies of AI literacy in STEM education (Hallström et al. 2026)