Kritisch denken

Automatische machinale vertaling van deze Engelse pagina, nog niet nagekeken door een moedertaalspreker.

Kritisch denken — het vermogen om informatie te analyseren, te evalueren en te synthetiseren — is zowel een vaardigheid die AI-tools helpen ontwikkelen als een competentie die studenten moeten toepassen wanneer zij AI gebruiken. In AI in het onderwijs onderzoek verschijnt kritisch denken in twee samenhangende vormen: als leerdoel (studenten leren kritisch te denken) en als waarborg tegen onkritische afhankelijkheid van AI.

Vragen om over na te denken

• Hoe zeker bent u van uw vermogen om een onjuist of misleidend AI-gegenereerd antwoord te herkennen? Onderzoek suggereert dat zelfgerapporteerde AI-competentie de werkelijke evaluatievaardigheid ver overtreft — hoe zou u uzelf testen?
• Kritisch denken verschijnt hier in twee vormen: een vaardigheid om te onderwijzen, en een waarborg tegen onkritische afhankelijkheid van AI. Kunt u een situatie bedenken waarin een tool die kritisch denken 'onderwijst' in feite het tegendeel train?
• Eén studie vond dat studenten AI-gegenereerde fouten laten ondervragen grote winst opleverde in hogere-orde denken. Hoe zou het bewust blootleggen van fouten — in plaats van ze te verbergen — een krachtigere onderwijszet kunnen zijn dan u dacht?
• Gemakkelijke toegang tot AI-antwoorden kan kritische betrokkenheid verdringen voordat studenten het merken. Welk ontwerpkenmerk, in plaats van een beleid of een verbod, zou de cognitieve inspanning levend kunnen houden?
• Van AI-advies is aangetoond dat het de bereidheid om 'ik weet het niet' te zeggen onderdrukt — zelfs wanneer het advies fout is. Hoe verandert dat wat het betekent om een klassencultuur te creëren waarin vragen stellen veilig is?

Inleiding

Kritisch denken staat centraal in AI-geletterdheid — studenten die AI-output niet kritisch kunnen evalueren, zijn kwetsbaar voor overmatige afhankelijkheid, gehallucineerde informatie en bevooroordeelde aanbevelingen. Onderzoek naar cognitieve offloading toont dat gemakkelijke toegang tot AI-antwoorden kritische betrokkenheid kan verdringen, terwijl Socratische benaderingen die directe antwoorden achterhouden de cognitieve inspanning behouden die nodig is voor dieper denken.

Gestructureerde dialoogsturing, niet een betere prompt, is wat een drogredentutor onderscheidt van een debatchatbot: elke beurt routeren via Toulmin-gebaseerde intentiedetectie, een vaste strategieorde en een verificatieagent liet één Socratisch systeem 84.5% van de dialoogkwaliteitsmetrieken halen tegen 61.5% voor een heuristische baseline (Shi et al. (2026)).

Kritisch denken in AI-onderwijsonderzoek

De artikelen in de kennisbank verkennen kritisch denken door ontwerpgerichte en empirische lenzen. Adversariële AI-agenten ensceneren constructief conflict om beginnende ontwerpers tot heroverweging te brengen — een Socratische variant die kritische herevaluatie afdwingt. RCT-onderzoek naar GenAI in het onderwijs werpt de vraag op of AI-tools die oppervlakkige uitkomsten optimaliseren, onbedoeld het kritisch denken kunnen onderdrukken dat tot dieper leren leidt. Gemeten bewijs scherpt dit aan: of kritisch denken beweegt, hangt af van hoe AI-gemedieerde feedback en taken zijn ontworpen, en van de metacognitieve regulatie van leerlingen, niet van toegang tot een model.

De relatie tussen GenAI-gebruik en zelfgerapporteerd kritisch denken liep bijna volledig via GenAI-feedbackgeletterdheid: bij 421 Chinese bachelorstudenten medieerde feedbackgeletterdheid 71.98% van het totale verband (β=0.185), en het resterende directe pad was alleen positief voor minder reflectieve studenten (β=0.177) en niet significant voor meer reflectieve studenten (Yan et al. (2026)).

Het corpus bevat ook de pessimistische lezing als argument in plaats van als meting. Muñiz en Castro Samayoa (2026) betogen dat het dominante gebruikspatroon kritisch denken uitholt, niet de toegang tot een model. Zij baseren dit op Dewey's stelling dat denken alleen door oefening verbetert, en op drie mechanismen: weggenomen wrijving, automatiseringsbias en een efficiëntiekader. De spanning met Zhao et al. is reëel en onopgelost in het corpus. Hun meta-analytische winst van g = 0.609 beschrijft ontworpen interventies, terwijl Muñiz en Castro Samayoa het typische gebruik beschrijven. Samen gelezen zijn beide het erover eens dat de ontwerpvariabele ertoe doet, en verschillen zij van mening over hoe de onbeheerde standaard eruitziet.

Een meta-analytisch anker voor de moderatieclaim. Over 29 experimenten verhoogde GenAI hogere-orde denken gematigd (g = 0.609), met kritisch denken op ES = 0.691 — onder probleemoplossen (0.745) en boven creativiteit (0.444) — het sterkst voor interventies van 8–16 weken (0.759) en voor leerlingen met hoge SRL (0.863 tegen 0.284) (Zhao et al. (2025)).

Reviews van de invloed van ChatGPT op denken documenteren gemengde bevindingen: AI kan kritische analyse ondersteunen wanneer die doelbewust wordt gebruikt (bijvoorbeeld studenten vragen AI-gegenereerde argumenten te bekritiseren), maar kan het denken ook kortsluiten wanneer die als antwoordmachine wordt gebruikt. Deze spanning sluit aan bij onderzoek naar de kloof tussen zelfgerapporteerde en gemeten AI-geletterdheid, dat laat zien dat zelfgerapporteerde AI-competentie de werkelijke kritische evaluatievaardigheid ver overtreft. Een kritische review van 80 HCI-studies naar kritisch denken met AI vond dat het veld meet wat het zelden definieert: slechts 23 van de 80 gaven aan hoe zij kritisch denken überhaupt opvatten, 49 (61%) beoordeelden het via zelfrapportage in plaats van prestatie, en 42 (52%) gebruikten geen controlegroep (A Critical Review of Critical Thinking in HCI Research About AI).

Lin en Al-Hada (2026) lezen het gemengde beeld als een product-procesdissociatie: GenAI kan de kwaliteit van een opdracht verhogen terwijl de niet-ondersteunde, uitgestelde transfer erachter afneemt, zodat leren moet worden beoordeeld op niet-ondersteunde uitgestelde prestatie in plaats van op het AI-ondersteunde product.

• Hogere-orde cognitieve betrokkenheid in student-AI-chat. Chang en Li (2026) vinden dat ongeveer 62% van de prompts van studenten aan AI een hogere-orde cognitieve vraag bevat, met Bloom-profielen die per discipline verschillen (STEM met toepassen dominant 20.8%, taal met begrijpen dominant 31.7%, sociale wetenschappen met creëren dominant 33.8%). Hun binnen-persoonsdesign laat zien dat dezelfde studenten significant meer hogere-orde prompts produceren in sociale wetenschappen dan in STEM-cursussen (p < .001), wat erop wijst dat disciplinaire context kritische en hogere-orde betrokkenheid bij AI vormgeeft.

• Interactiepatronen clusteren naar Bloom-niveau en voorkennis. In een onderzoeksgerichte schrijftaak in de datawetenschap produceerden 19 studenten 14 Large Language Models (LLMs)-interactiepatronen die varieerden met het voorkennisniveau, en de ontwerpimplicatie was om scaffolding op specifieke hogere-orde denkfasen te richten in plaats van op LLM-gebruik in het algemeen (Luo et al. (2026)).

• AI als katalysator voor kritische mediageletterdheid bij kinderen. Demir en Akar (2026) evalueerden een programma van 18 uur voor kritische mediageletterdheid volgens het 5E-model bij Turkse leerlingen van de vierde klas, waarin generatieve AI (ChatGPT, Grammarly) als pedagogische agent fase per fase werd ingebed in plaats van als toevoeging. Gepaarde vergelijkingen toonden grote winsten in media lezen (+3.50), schrijven (+1.67) en totale mediageletterdheid (+5.17, alle p < .01), met effectgroottes tussen groepen op de nameting van Cohen's d = 1.12 (lezen), 1.18 (schrijven) en 1.31 (totale geletterdheid) in het voordeel van de AI-ondersteunde groep. Kwalitatieve analyse (interviews, posters, tekeningen en slogans van leerlingen, klasobservatie) bracht zes domeinen van groei in kritische mediageletterdheid aan het licht — digitale zelfbescherming en dataprivacy, doelbewust en verantwoord mediagebruik, veilige communicatie en grensbewustzijn, kritische evaluatie en bewustzijn van desinformatie, bewustzijn van online risico's, en media-ethiek en digitaal burgerschap — wat erop wijst dat het doelbewust ondervragen van AI-gemedieerde inhoud kritische analyse en reflectie bij jonge leerlingen kan cultiveren.

• Dimensiespecifieke winst in kritisch denken bij meertalig schrijven in het basisonderwijs. Lu et al. (2027) volgden 60 leerlingen van de vijfde klas gedurende een achtweekse oefening in meertalig schrijven met conversationele AI, waarin zij verhalen omzetten in AI-gegenereerde afbeeldingen en korte video's. Herhaalde-metingenanalyse over zes dimensies van kritisch denken vond aanhoudende winst (T1→T2 en T1→T3) in interpreteren, analyseren, evalueren en uitleggen, een kortstondige winst in zelf-regulatie, en geen verandering in inferentie — een ongelijkmatig patroon op dimensieniveau dat een samengestelde score voor kritisch denken zou hebben verborgen. De auteurs betogen dat de AI-gegenereerde beelden betekenis externaliseerden en daarmee de inferentiële vraag verlaagden die schrijven normaal oplegt, terwijl peer-samenwerking (vragen van medeleerlingen die dwongen andermans interpretaties af te leiden) de aanleidingen voor inferentie leverde die de solitaire AI-interactie niet bood. De ontwerples: multimodale AI ondersteunt verschillende facetten van kritisch denken, maar moet worden gecombineerd met blijvende Scaffolding en gestructureerde peer-uitwisseling om inferentie en zelfregulering te behouden.

• AI-scaffolding en offloading trekken kritisch denken in tegengestelde richtingen. Davor, Larbi en Boateng (2026) bevraagden 533 universiteitsstudenten in Ghana en vonden dat AI-taakscaffolding hoger kritisch denken voorspelde (β = .185) terwijl de neiging tot cognitieve offloading lager kritisch denken voorspelde (-.240); AI-verificatiegeletterdheid had geen direct effect op kritisch denken en werkte alleen via metacognitieve zelfregulering, een volledig mediatiepatroon dat de auteurs lezen als bewijs dat studenten leren om AI te factchecken op zichzelf niet genoeg is. (Davor et al. 2026)

• De diepte van offloading, niet het gebruik, begrenst hogere-orde denken. Het delegeren van de redeneerlaag van schrijven — warrants, tegenargumenten, interpretatie van bewijs — droeg de sterkste negatieve associatie met onafhankelijk hogere-orde denken (ab = −0.34), en zelfregulerend schrijven verzwakte maar keerde die nooit om (Chen (2026)).

• Afhankelijkheid, niet gebruik, is waar de associatie met kritisch denken kantelt. Shojaei en collega's (2026) bevraagden 412 bedrijfskundestudenten in Oman en vonden een vrijwel nul bivariate correlatie tussen GenAI-gebruik en zelfgerapporteerde dispositie tot kritisch denken (r = 0.050), waarbij afhankelijkheid een lagere dispositie voorspelde (β = -0.389) en de link van gebruik naar dispositie verzwakte (β = -0.239), zodat de eenvoudige helling daalde van 0.424 bij lage afhankelijkheid naar -0.054 bij hoge afhankelijkheid. (Shojaei et al. 2026)

Een grotere cross-sectionele enquête wijst de andere kant op: onder 1,157 Chinese masterstudenten was GenAI-afhankelijkheid positief geassocieerd met kritisch denken (β = 0.492), en kritisch denken droeg ongeveer 85.0% van het pad van functionele afhankelijkheid naar onderzoekscreativiteit (Yin et al. (2026)).

• Voorkennis en taaktiming bepalen het teken van het effect. Over 108 beoordeelde documenten verhoogde GenAI de kritisch-denkprestatie van ervaren onderzoekers (+0.20) en verlaagde die van beginners (−0.13); vroege toegang helpt onder tijdsdruk maar schaadt kritisch denken wanneer er tijd voor beraad is (Zapata-Hernandez et al. 2026).

• Een korte reflectieprompt maakt afhankelijkheid van AI-advies onderscheidender. In een experiment met drie condities onder 342 bachelorstudenten vond Ren (2026) dat open ChatGPT-ondersteuning leidde tot acceptatie van onjuiste AI-aanbevelingen in 62.4% van de pogingen, dalend naar 39.7% met een korte metacognitieve reflectieprompt (OR = 0.40, 95% CI [0.28, 0.56]); reflectie verbeterde ook de kalibratie van het bewustzijn (0.59 versus 0.41) en verlaagde de AI-specifieke attributiebias-index van 0.42 naar 0.21, zonder de nauwkeurigheid van aanbevelingen te verlagen of tot een algehele afwijzing van nuttig advies te leiden. (Ren 2026)

• Vertrouwen kan stijgen terwijl nauwkeurigheid daalt. Shaw en Nave (2026) vonden dat het raadplegen van een AI-assistent de nauwkeurigheid met 25 procentpunten verhoogde wanneer die gelijk had en met 15 verlaagde wanneer die zich vergiste, maar dat het gebruik ervan het vertrouwen ook na fouten verhoogde, en 73.2% van de pogingen met een onjuiste AI eindigde in overgave in plaats van strategische offloading.

• Door docenten gecureerde ChatGPT-feedback verhoogt kritisch denken via hogere-orde revisie. Chen en collega's (2026) voerden een quasi-experiment van 18 weken uit met 64 bachelorstudenten, allen aanstaande leraren scheikunde, natuurkunde of wiskunde, waarin conventionele docentfeedback (n = 32) werd vergeleken met ChatGPT-ondersteunde docentfeedback (n = 32) bij twee argumentatieve schrijftaken. De groepen begonnen gelijkwaardig, en alleen de ondersteunde groep verbeterde significant (p < 0.001), met Cohen's d die steeg van 0.25 bij de voormeting naar 3.74 bij de nameting. Het mechanisme was het soort feedback, niet de loutere aanwezigheid van een model: de ondersteunde groep ontving meer demonstratie- (33.1% versus 10.9%) en nauw ondervragende feedback (21.5% versus 6.0%), reviseerde 91.00% (435 van 478) van de feedbackeenheden tegen 85.21% (242 van 284), en epistemic network analysis verbond die revisies aan analyseren, evalueren en creëren in plaats van aan herkennen en begrijpen, terwijl instructie en evaluatieve feedback van alleen de docent vooral revisies op het niveau van herkennen en begrijpen opleverden. Docenten behandelden de output van het model als conceptmateriaal, door het uit te breiden, te herzien of weg te gooien (14% weggegooid, 9% behoefte aan correctie), en zes van de acht geïnterviewden noemden nog steeds onnauwkeurigheid of onprofessionaliteit. De ontwerples is dat de winst in kritisch denken kwam van feedback die alternatieven modelleert en het redeneren van de student ondervraagt, met een docent die cureert wat het model produceerde; de kleine steekproef van één semester betekent dat de zeer grote effectgrootte voorzichtig moet worden gelezen. (Chen et al. 2026)

• Een semester AI-toegang liet kritisch denken vlak, terwijl reflectief gebruik het volgde. Melanou, Beege en Kimmig (2026) volgden 87 studenten bedrijfsinformatica gedurende een cursus van negen weken in drie parallelle condities (AI met tutorframe, ongestuurde AI en geen AI), driemaal gemeten. Kennis steeg in elke groep zonder voordeel voor een van beide AI-condities en zonder Mattheüseffect (BF01 = 8.70), terwijl zelfgerapporteerd kritisch denken en motivatie stabiel bleven. Wat studenten onderscheidde was reflectief gebruik, de praktijk van het controleren van bronnen en het verifiëren van AI-output voordat die wordt overgenomen: dat was hoger in de AI-conditie dan in de controlegroep (gemiddelden 3.72 versus 2.82) en voorspelde kritisch denken bij de laatste meting (R² = 0.183, β = 0.43, p < 0.001). Het resultaat nuanceert elke verwachting dat een cursus AI-gebruik kritisch denken vanzelf in beweging brengt: metacognitieve regulatie, niet toegang tot de tool, is waar de associatie zit, en de auteurs merken op dat een semester waarschijnlijk te kort is om duurzame verandering te zien. (Melanou et al. 2026)

Verbanden met andere concepten

Kritisch denken raakt aan Scaffolding (AI-ondersteuning ontwerpen die de cognitieve vraag hoog houdt), prompt engineering (vragen formuleren die kritische analyse uitlokken) en overmatige afhankelijkheid (weten wanneer je AI moet vertrouwen en wanneer je haar moet bevragen). Het is fundamenteel voor academische integriteit en fungeert als een kerndimensie van AI-geletterdheid-kaders in zowel K-12 als hoger onderwijs.

• AI-fouten als provocaties voor hogere-orde denken: Hosseini (2026) operationaliseert de hogere-orde niveaus van Bloom (analyseren, evalueren, creëren) door studenten in een databasecursus AI-gegenereerde fouten te laten ondervragen, met significante voor- en nawinst (Cohen's d=1.49) in vakkennis.

• Kritiek op AI-output is een scaffolderbare vaardigheid, geen bijproduct van probleemoplossen. Groepen die alleen een verwant natuurkundeprobleem oplosten, accepteerden een gepolijste AI-oplossing of bekritiseerden die vanuit hun eigen misvattingen, terwijl reflectie met de MAPS-rubric leidde tot expertconforme kritiek op ontbrekende integratie en ongedefinieerde notatie (Borse et al. (2026)).

• Begrens de AI om cognitieve agency te behouden. De E3-HOT-blauwdruk brengt drie belichaamde paden — situationele inbedding, belichaamde participatie en cognitieve creatie — in kaart op analyseren, evalueren en creëren, en begrenst de AI tot prompts, kritiek en strategische suggesties, zodat studenten hun beweegredenen moeten verwoorden en bewijs moeten aanvoeren voordat een claim wordt aanvaard (Zhu et al. (2026)).

• Tweezijdige auditing van AI-verklaringen. Bernstein en Sibia (2026) gebruikten Paul–Elder-standaarden (nauwkeurigheid, helderheid, aannames, gezichtspunt) als interviewprobes bij tien studenten die CS2 hadden afgerond, en vonden mechanismeniveau-onderzoek van GenAI-verklaringen: studenten lokaliseerden waar de mapping van een analogie brak (een eilandroute-analogie voor een linked list die een cirkel impliceerde, een badmintonrally voor recursie zonder gegarandeerd krimpende invoer), eisten precieze formulering in plaats van hedging, en behandelden verklaringen als argumenten met een gezichtspunt. Cruciaal is dat dit onderzoek samenhing met expertise in het bron- of doeldomein, niet met persoonlijke interesse — wat kritische evaluatie van AI-output herkadert als een kennisprobleem ("tweezijdige analogie-auditing") in plaats van een dispositioneel probleem — en suggereert dat het opdragen van gebrekkige AI-analogieën als te inspecteren en te repareren objecten een zwaardere toets van conceptueel begrip is dan het lezen van een afgeronde verklaring.(Flawed but Memorable: Student Critical Reception of Interest-Personalized GenAI Analogies in Computing Education)

• Kritisch denken als niet-uitbesteedbare betrokkenheid. Xie (2026) voegt een filosofische tegenhanger toe vanuit Daoïstische zelfcultivering: omdat AI een ondoorzichtige "black box" is, past een kader dat gericht is op het harmoniseren van onzekerheid in plaats van het in absolute termen beslechten van waarheid beter bij het huidige epistemische landschap, en wordt kritisch denken een aanhoudende, eerste-persoons, niet-uitbesteedbare betrokkenheid bij de werkelijkheid in plaats van een aantoonbare rationele procedure. In de Neidan-praktijk (內丹) "zijn er geen cognitieve snelkoppelingen", dus AI wordt gepositioneerd als "geen cognitieve plaatsvervanger maar een instrumenteel hulpmiddel" voor menselijke bloei.(Alternative AI Philosophy: Daoism as Method for AI in Education)

• Rolrotatie als structuur voor kritische mens-AI-interactie. Kenzhebayeva en collega's (2026) rapporteren een ontwerpgericht onderzoek waarin 62 aanstaande onderwijspsychologen door vier professionele rollen roteerden (casusconstructeur, onderzoeksanalist, praktijkinterventist, reflectieve onderzoeker) die gegenereerde aanbevelingen tot voorwerp van gesprek maakten. Deelnemers vergeleken AI-output met psychologische theorie en wijzigden of verwierpen aanbevelingen die niet bij de casus pasten, en latere cycli toonden meer vragen om theoretische rechtvaardiging, terwijl overmatig vertrouwen in ogenschijnlijk gezaghebbende antwoorden bleef bestaan. (Kenzhebayeva et al. 2026)

• Verificatiegerichte integratie in een discipline. Een kritische review van generatieve AI in universitair scheikundeonderwijs (Vega-Baudrit en Rivera Álvarez, 2026) betoogt dat, omdat chemisch redeneren moet worden gecoördineerd over macroscopische, submicroscopische en symbolische representaties, studenten niet kunnen verifiëren wat zij niet begrijpen, zodat voorkennis en Scaffolding voorop staan en verificatie in beoordeling moet worden ontworpen als een beoordeelde activiteit: een valse aanname identificeren, een eenheid- of mechanismefout corrigeren, of onderbouwen waarom een gegenereerd antwoord wordt verworpen, met promptlogs en revisiegeschiedenissen als redeneersporen. (Vega-Baudrit en Rivera Álvarez 2026)

• Verificatie als leeractiviteit, niet alleen als waarborg. Wang (2026) ordent de evaluatie van AI-artefacten rond zes onderling afhankelijke dimensies — Process, Evidence, Access, Reproducibility, Legitimacy en Source — en behandelt het samenstellen van dat bewijs, in plaats van de vloeiendheid van de output, als wat disciplinaire expertise opbouwt.

De grootste door experts beoordeelde kwetsbaarheid in de kennisbank is kritisch denken. Over 65 leerprocessen die door 30 experts werden beoordeeld, kregen Critical Thinking en Critical-Analytic Thinking de hoogste disruptiescore van het rapport (gemiddelde 4.00 van 5; 96% van de beoordelaars op of boven 3) met versterking onder de drempel (2.40, 43%) (Kendeou, Greene & Nixon et al., 2026). Tien van de achttien hogere-orde processen bereikten alleen consensus over kwetsbaarheid, wat het rapport leest als eenzijdig risico in plaats van een afweging.

• De structuur van het partnerschap, niet blootstelling, draagt de associatie. Akgun en Toker (2026) modelleerden 891 Amerikaanse en Turkse studenten met de theorie van transactief geheugen en vonden dat noch zelf-ingeschatte denkvaardigheid noch vertrouwen in het AI-partnerschap kritisch denken direct voorspelde. Beide voedden bekendheid met GenAI, die op zijn beurt slechts twee gedragingen voorspelde: specialisatie en coördinatie van werk (b = 0.636) en reflectieve transformatie van output (b = 0.367). Die gedragingen voorspelden kritisch denken (b = 0.230 en b = 0.175) zonder dat er een direct pad overbleef (CFI = 0.974, RMSEA = 0.048). Dit is de mechanismeniveau-versie van de terugkerende nulbevinding in het veld: gebruiksuren en zelf-ingeschatte competentie zijn geen proxy's voor kritisch denken, en wat een studie meet wanneer zij naar blootstelling vraagt, is de input van de keten en niet de uitkomst.

Veelvoorkomende misverstanden

• "Een betere prompt levert beter kritisch denken op." Gestructureerde dialoogsturing, niet een betere prompt, onderscheidt een drogredentutor van een debatchatbot: elke beurt routeren via Toulmin-gebaseerde intentiedetectie deed het werk. Het mechanisme is de interactiestructuur, niet de formulering.
• "GenAI-gebruik verhoogt kritisch denken direct." De relatie tussen GenAI-gebruik en zelfgerapporteerd kritisch denken liep bijna volledig via GenAI-feedbackgeletterdheid — bij 421 Chinese bachelorstudenten medieerde feedbackgeletterdheid 71% van het verband. De geletterdheid is het pad.
• "Het meta-analytische effect is uniform." Over 29 experimenten verhoogde GenAI hogere-orde denken gematigd (g = 0.609) met kritisch denken op ES = 0.691. Gematigde gepoolde effecten over heterogene interventies ondersteunen de categorie en niet een specifiek ontwerp.

Verbonden concepten

• Metacognition
• Cognitieve offloading
• AI-geletterdheid
• Generative AI
• Higher Education
• Problem-Based Learning
• Intelligent Tutoring
• Educatieve ontwikkeling
• Lesgeven
• Student Experience
• Chemistry Education — Scheikundeonderwijs en AI: practica, formatieve beoordeling, beperkingen van LLM's, filosofie van het experiment
• Biology Education — Biologieonderwijs en AI: practicumassistenten, AI-geletterdheid in biologie, kritisch denken, gespecialiseerde tools
• Cognitieve overgave
• Reflection

Verbonden artikelen

• When Does GenAI Use Support Critical Thinking? A Cross-Cultural Structural Account of Transactive Memory with GenAI — Kritisch denken loopt via arbeidsverdeling en het herwerken van output, niet via blootstelling

• Ways generative AI can support and threaten learning in K-20 US education - Een consensus van 30 experts: kritisch denken krijgt de hoogste disruptiescore van het rapport (gemiddelde 4.00)

• From Plausibility to Verifiability: The PEARLS Framework for Developing Epistemic Agency in Generative AI-Mediated Higher Education — PEARLS-kader voor epistemische agency en het verifiëren van AI-output (Wang 2026)

• Layer-sensitive cognitive offloading in generative AI-assisted writing: Supported performance and independent no-AI outcomes — Laagspecifieke cognitieve offloading bij GenAI-ondersteund schrijven (Chen 2026)

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

• The Pedagogy of AI Mistakes: Fostering Higher-Order Thinking — De pedagogie van AI-fouten: hogere-orde denken bevorderen (Hosseini 2026)

• Thinking—fast, slow, and artificial: How AI is reshaping human reasoning and the rise of cognitive surrender — Tri-System-theorie en cognitieve overgave: hoe AI het menselijk redeneren hervormt (Shaw & Nave 2026)

• The Tragedy of the Cognitive Commons: How AI Could Disrupt the Regeneration of Professional Expertise — De tragedie van de cognitieve commons: AI en de regeneratie van expertise

• Does generative artificial intelligence improve students' higher-order thinking? A meta-analysis based on 29 experiments and quasi-experiments — Meta-analyse van GenAI en hogere-orde denken

• Can we disrupt the momentum of the AI colonization of science education? — De AI-kolonisatie van bètaonderwijs verstoren

• Reorienting Critical AI Literacy: A Community-Rooted Praxis of "Resisting AI" — Kritische AI-geletterdheid heroriënteren

• Inquiry-based learning patterns in large language model-driven learning environments: an exploratory study from Bloom's perspective — IBL-patronen in LLM-gedreven omgevingen (Blooms perspectief)

• Probing AI-generated physics solutions and preparing students to critique them — Studenten voorbereiden op het bekritiseren van AI-gegenereerde natuurkundeoplossingen

• Flawed but Memorable: Student Critical Reception of Interest-Personalized GenAI Analogies in Computing Education — Gebrekkig maar memorabel: de kritische ontvangst door studenten van op interesse gepersonaliseerde GenAI-analogieën in het informaticaonderwijs

• Alternative AI Philosophy: Daoism as Method for AI in Education — Alternatieve AI-filosofie: daoïsme als methode voor AI in het onderwijs

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

• Modeling AI Overreliance as a Complex Adaptive System — Overmatige afhankelijkheid van AI gemodelleerd als een complex adaptief systeem

• More externalization, but less inference? Exploring changes in young learners' critical thinking during conversational AI bot-supported multimodal writing practice — Dimensiespecifieke winst in kritisch denken bij AI-ondersteund meertalig schrijven (Lu et al. 2027)

• Tackling the Root of Misinformation by Teaching Laypeople about Logical Fallacies via Socratic Questioning and Critical Argumentation — drogredenen leren herkennen via gestructureerde meerbeurtsdialoog

• Building AI Companions that Prioritize Learning over Performance — leren boven presteren: waarvoor companions moeten worden geoptimaliseerd en gemeten

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

• Helpful or harmful? Generative AI dependence, self-reported critical thinking disposition, and self-perceived employability among business students — GenAI-afhankelijkheid begrenst de link tussen gebruik en kritisch denken bij bedrijfskundestudenten (Shojaei et al. 2026)

• College students’ metacognitive awareness of generative-AI reliance: an experimental study of decision confidence and attribution bias — Reflectieprompt verlaagt acceptatie van onjuist AI-advies en attributiebias (Ren 2026)

• Designing an AI-integrated role-rotation pedagogical model to support competence-related learning in pre-service educational psychologists — Rolrotatie als structuur voor kritische mens-AI-interactie (Kenzhebayeva et al. 2026)

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

• Effects of ChatGPT-Assisted Teacher Feedback on College Students' Critical Thinking Skills and Perceptions of Argumentative Writing — door docenten gecureerde ChatGPT-feedback verhoogde kritisch denken via hogere-orde revisie (Chen et al. 2026)

• Generative AI and Learning Dynamics in Higher Education: A Longitudinal Empirical Study — een semester AI-toegang liet kritisch denken vlak; reflectief gebruik voorspelde het (Melanou et al. 2026)

• GenAI dependence and graduate students' research creativity: the roles of critical thinking and human-AI collaboration quality — GenAI-afhankelijkheid positief geassocieerd met kritisch denken bij 1,157 masterstudenten

• The association between generative AI use and university students' critical thinking: a moderated mediation model of GenAI feedback literacy and reflective thinking — GenAI-gebruik naar kritisch denken via feedbackgeletterdheid, met een direct pad alleen voor minder reflectieve studenten

• Generative AI in Education and the Erosion of Critical Democratic Citizenship — De pessimistische lezing van het moderatiebewijs: verlies van wrijving, automatiseringsbias, efficiëntiekader

• Generative AI and Cognitive Processes in Education: A Narrative Review and Conceptual Framework — Narratieve review van 108 documenten: het teken van het effect volgt voorkennis en taaktiming (AMCIF-kader)