Kritisk tenkning

Automatisk maskinoversettelse av denne engelske siden, ennå ikke korrekturlest av en morsmålstalare.

Kritisk tenkning — evnen til å analysere, vurdere og syntetisere informasjon — er både en ferdighet AI-verktøy kan bidra til å utvikle, og en kompetanse elever må anvende når de bruker AI. I AI i undervisning forskning opptrer kritisk tenkning i to sammenvevde former: som et læringsmål (å undervise elever i å tenke kritisk) og som et vern mot ukritisk AI-avhengighet.

Spørsmål å vurdere

• Hvor sikker er du på at du kan oppdage et feilaktig eller villedende AI-generert svar? Forskning tyder på at selvrapportert AI-kompetanse langt overstiger faktisk vurderingsevne — hvordan ville du testet deg selv?
• Kritisk tenkning opptrer her i to former: en ferdighet å undervise i, og et vern mot ukritisk avhengighet av AI. Kan du tenke deg en situasjon der et verktøy som «lærer bort» kritisk tenkning faktisk trener det motsatte?
• Én studie fant at det å la elever granske AI-genererte feil ga store gevinster i høyereordens tenkning. Hvordan kan det å bevisst eksponere feil — i stedet for å skjule dem — være et kraftfullere undervisningsgrep enn du antok?
• Lett tilgang til AI-svar kan fortrenge kritisk engasjement før elevene merker det. Hvilket designgrep, snarere enn en policy eller et forbud, kunne holde den kognitive innsatsen levende?
• AI-råd har vist seg å dempe viljen til å si «jeg vet ikke» — selv når rådet er feil. Hvordan endrer det hva det betyr å skape en klasseromskultur der det er trygt å stille spørsmål?

Introduksjon

Kritisk tenkning er sentralt i AI-kompetanse — elever som ikke kan vurdere AI-resultater kritisk, er sårbare for overavhengighet, hallusinert informasjon og skjeve anbefalinger. Forskning på kognitiv avlasting viser at lett tilgang til AI-svar kan fortrenge kritisk engasjement, mens sokratiske tilnærminger som holder direkte svar tilbake, bevarer den kognitive innsatsen som trengs for dypere tenkning.

Det er strukturert dialogstyring, ikke en bedre prompt, som skiller en feilslutningsveileder fra en debattchatbot: ved å rute hver tur gjennom Toulmin-basert intensjonsgjenkjenning, en fast strategirekkefølge og en verifikatoragent klarte ett sokratisk system 84.5 % av dialogkvalitetsmålene mot 61.5 % for en heuristikk-baseline (Shi et al. (2026)).

Kritisk tenkning i AI-utdanningsforskning

Artiklene i kunnskapsbasen utforsker kritisk tenkning gjennom designbaserte og empiriske linser. Adversarielle AI-agenter iscenesetter konstruktiv konflikt for å få nybegynnerdesignere til å tenke seg om — en sokratisk variant som tvinger fram kritisk revurdering. RCT-forskning på GenAI i undervisning reiser spørsmålet om AI-verktøy som optimerer for overfladiske utfall, utilsiktet kan dempe den kritiske tenkningen som fører til dypere læring. Målt belegg skjerper poenget: om kritisk tenkning beveger seg, avhenger av hvordan AI-formidlet tilbakemelding og oppgaver er designet, og av elevenes metakognitive regulering — ikke av tilgang til en modell.

GenAI-bruks sammenheng med selvrapportert kritisk tenkning gikk nesten utelukkende gjennom GenAI-tilbakemeldingskompetanse: hos 421 kinesiske bachelorstudenter medierte tilbakemeldingskompetanse 71.98 % av den totale sammenhengen (β=0.185), og den gjenværende direkte banen var positiv bare for mindre reflekterte studenter (β=0.177) og ikke-signifikant for mer reflekterte (Yan et al. (2026)).

Korpuset bærer også den pessimistiske lesningen som argument snarere enn måling. Muñiz og Castro Samayoa (2026) hevder at det dominerende bruksmønsteret tærer på kritisk tenkning, ikke tilgangen til en modell. De bygger dette på Deweys påstand om at tenkning bare forbedres gjennom øvelse, og på tre mekanismer: fjernet friksjon, automatiseringsskjevhet og en effektivitetsramme. Spenningen med Zhao et al. er reell og uavklart i korpuset. Deres metaanalytiske gevinst på g = 0.609 beskriver designede intervensjoner, mens Muñiz og Castro Samayoa beskriver typisk bruk. Lest sammen er de to enige om at designvariabelen er det som betyr noe, og uenige om hvordan den ustyrte standarden ser ut.

Et metaanalytisk ankerfeste for modereringspåstanden. På tvers av 29 eksperimenter hevet GenAI høyereordens tenkning moderat (g = 0.609), med kritisk tenkning på ES = 0.691 — under problemløsning (0.745) og over kreativitet (0.444) — sterkest for intervensjoner på 8–16 uker (0.759) og for elever med høy selvregulering (0.863 mot 0.284) (Zhao et al. (2025)).

Gjennomganger av ChatGPTs påvirkning på tenkning dokumenterer blandede funn: AI kan støtte kritisk analyse når det brukes bevisst (for eksempel ved å be elever kritisere AI-genererte argumenter), men det kan også kortslutte tenkning når det brukes som svarmaskin. Denne spenningen knytter an til forskning på avviket mellom selvrapportert og målt AI-kompetanse, som viser at selvrapportert AI-kompetanse langt overstiger faktisk kritisk vurderingsevne. En kritisk gjennomgang av 80 HCI-studier av kritisk tenkning med AI fant at feltet måler det det sjelden definerer: bare 23 av de 80 oppga hvordan de overhodet forsto kritisk tenkning, 49 (61 %) vurderte det gjennom selvrapport snarere enn prestasjon, og 42 (52 %) brukte ingen kontrollgruppe (A Critical Review of Critical Thinking in HCI Research About AI).

Lin og Al-Hada (2026) leser det blandede bildet som en dissosiasjon mellom produkt og prosess: GenAI kan heve kvaliteten på en innleveringsoppgave samtidig som det senker den uassisterte, forsinkede overføringen bak den, så læring bør bedømmes på uassistert forsinket prestasjon snarere enn på det AI-assisterte produktet.

• Høyereordens kognitivt engasjement i elev–AI-chat. Chang og Li (2026) finner at omtrent 62 % av elevenes prompter til AI koder for høyereordens kognitiv etterspørsel, med Bloom-profiler som varierer mellom fag (STEM anvendelsesdominert 20.8 %, språk forståelsesdominert 31.7 %, samfunnsfag skapelsesdominert 33.8 %). Deres innen-person-design viser at de samme elevene produserer signifikant flere høyereordens prompter i samfunnsfag enn i STEM-emner (p < .001), noe som tyder på at faglig kontekst former kritisk og høyereordens engasjement med AI.

• Interaksjonsmønstre klynger seg etter Bloom-nivå og forkunnskap. I en undersøkelsesbasert datavitenskapslig skriveoppgave produserte 19 elever 14 Large Language Models (LLMs)-interaksjonsmønstre som varierte med forkunnskapsnivå, og designimplikasjonen var å rette stillas mot bestemte høyereordens tenkningsstadier snarere enn mot LLM-bruk generelt (Luo et al. (2026)).

• AI som katalysator for kritisk mediekompetanse hos barn. Demir og Akar (2026) evaluerer et 18 timers kritisk mediekompetanseprogram etter 5E-modellen for tyrkiske fjerdeklassinger, der generativ AI (ChatGPT, Grammarly) fungerte som en pedagogisk agent innebygd fase for fase snarere enn som et tillegg. Parede sammenligninger viste store gevinster i medielesing (+3.50), skriving (+1.67) og samlet mediekompetanse (+5.17, alle p < .01), med effektstørrelser mellom gruppene på Cohens d = 1.12 (lesing), 1.18 (skriving) og 1.31 (samlet kompetanse) til fordel for den AI-støttede gruppen. Kvalitativ analyse (intervjuer, elevplakater/tegninger/slagord, klasseromsobservasjon) avdekket seks domener for vekst i kritisk mediekompetanse — digital selvbeskyttelse og datapersonvern, målrettet og ansvarlig mediebruk, trygg kommunikasjon og grensebevissthet, kritisk evaluering og bevissthet om desinformasjon, bevissthet om nettrisiko, og medieetikk/digitalt medborgerskap — noe som tyder på at bevisst gransking av AI-formidlet innhold kan dyrke kritisk analyse og refleksjon hos unge elever.

• Dimensjonsspesifikke gevinster i kritisk tenkning i multimodal skriving på barnetrinnet. Lu et al. (2027) fulgte 60 femteklassinger gjennom åtte ukers samtalebasert AI-støttet multimodal skriveøvelse der de gjorde fortellinger om til AI-genererte bilder og korte videoer. Gjentatte målinger langs seks dimensjoner av kritisk tenkning fant vedvarende gevinster (T1→T2 og T1→T3) i tolkning, analyse, vurdering og forklaring, en kortvarig gevinst i selvregulering, og ingen endring i inferens — et ujevnt mønster på dimensjonsnivå som en samlet kritisk-tenkning-skår ville ha skjult. Forfatterne hevder at de AI-genererte visuelle elementene eksternaliserte mening og dermed senket den inferensielle etterspørselen skriving normalt pålegger, mens medelevenes samarbeid (spørsmål som tvang eleven til å slutte seg til andres tolkninger) ga anledningene til inferens som den individuelle AI-interaksjonen ikke ga. Designleksen: multimodal AI-sammensetning støtter flere sider av kritisk tenkning, men bør pares med fortsatt stillas og strukturert utveksling med medelever for å bevare inferens og selvregulering.

• AI-stillas og avlasting trekker kritisk tenkning i motsatte retninger. Davor, Larbi og Boateng (2026) undersøkte 533 universitetsstudenter i Ghana og fant at AI-oppgavestillas predikerte høyere kritisk tenkning (β = .185), mens tilbøyelighet til kognitiv avlasting predikerte lavere kritisk tenkning (-.240); AI-verifiseringskompetanse hadde ingen direkte effekt på kritisk tenkning og virket bare gjennom metakognitiv selvregulering, et fullt medieringsmønster som forfatterne leser som belegg for at det ikke er nok i seg selv å lære elever å faktasjekke AI. (Davor et al. 2026)

• Det er avlastingens dybde, ikke bruken, som begrenser høyereordens tenkning. Å delegere resonneringslaget i skriving — begrunnelser, motargumenter, evidensfortolkning — hadde den sterkeste negative sammenhengen med selvstendig høyereordens tenkning (ab = −0.34), og selvregulert skriving svekket den, men reverserte den aldri (Chen (2026)).

• Det er avhengighet, ikke bruk, som snur sammenhengen med kritisk tenkning. Shojaei og kolleger (2026) undersøkte 412 forretningsstudenter i Oman og fant en nær null bivariat korrelasjon mellom GenAI-bruk og selvrapportert kritisk tenkning (r = 0.050), der avhengighet predikerte lavere disposisjon (β = -0.389) og svekket koblingen fra bruk til disposisjon (β = -0.239), slik at den enkle stigningen falt fra 0.424 ved lav avhengighet til -0.054 ved høy avhengighet. (Shojaei et al. 2026)

En større tverrsnittsundersøkelse peker motsatt vei: blant 1 157 kinesiske master- og doktorgradsstudenter var GenAI-avhengighet positivt assosiert med kritisk tenkning (β = 0.492), og kritisk tenkning bar omtrent 85.0 % av banen fra funksjonell avhengighet til forskningskreativitet (Yin et al. (2026)).

• Forkunnskap og tidspunkt for oppgaven avgjør fortegnet på effekten. På tvers av 108 gjennomgåtte dokumenter hevet GenAI prestasjonen i kritisk tenkning for erfarne forskere (+0.20) og senket den for nybegynnere (−0.13); tidlig tilgang hjelper under tidspress, men svekker kritisk tenkning når det finnes tid til ettertanke (Zapata-Hernandez et al. 2026).

• En kort refleksjonsprompt gjør avhengigheten av AI-råd mer diskriminerende. I et eksperiment med tre betingelser og 342 bachelorstudenter fant Ren (2026) at åpen ChatGPT-støtte ga aksept av feilaktige AI-anbefalinger i 62.4 % av forsøkene, som falt til 39.7 % med en kort metakognitiv refleksjonsprompt (OR = 0.40, 95 % CI [0.28, 0.56]); refleksjon forbedret også bevissthetskalibreringen (0.59 mot 0.41) og kuttet den AI-spesifikke attribusjonsskjevhetsindeksen fra 0.42 til 0.21 uten å redusere anbefalingens nøyaktighet eller utløse blanket avvisning av nyttige råd. (Ren 2026)

• Selvtillit kan stige mens nøyaktigheten faller. Shaw og Nave (2026) fant at det å konsultere en AI-assistent hevet nøyaktigheten med 25 prosentpoeng når den hadde rett, og senket den med 15 når den tok feil, men at engasjement med den økte selvtilliten selv etter feil, og at 73.2 % av forsøkene med feil AI endte i overgivelse snarere enn strategisk avlasting.

• Lærerkuratert ChatGPT-tilbakemelding hever kritisk tenkning gjennom høyereordens revidering. Chen og kolleger (2026) gjennomførte et 18 ukers kvasi-eksperiment med 64 bachelorstudenter, alle framtidige lærere i kjemi, fysikk eller matematikk, og sammenlignet konvensjonell lærertilbakemelding (n = 32) med ChatGPT-assistert lærertilbakemelding (n = 32) på tvers av to argumenterende skriveoppgaver. Gruppene startet likt, og bare den assisterte gruppen forbedret seg signifikant (p < 0.001), med Cohens d som steg fra 0.25 ved pretest til 3.74 ved posttest. Mekanismen var typen tilbakemelding, ikke bare tilstedeværelsen av en modell: den assisterte gruppen fikk mer demonstrerende (33.1 % mot 10.9 %) og nærgående spørrende (21.5 % mot 6.0 %) tilbakemelding, reviderte 91.00 % (435 av 478) av tilbakemeldingsenhetene mot 85.21 % (242 av 284), og epistemisk nettverksanalyse knyttet disse revideringene til analyse, vurdering og skaping snarere enn til gjenkjenning og forståelse, mens lærerens egen undervisning og vurderingstilbakemelding stort sett ga revideringer på gjenkjennings- og forståelsesnivå. Lærerne behandlet modellens resultat som utkastmateriale og utvidet, reviderte eller forkastet det (14 % forkastet, 9 % trengte korrigering), og seks av åtte intervjuede påpekte fortsatt upresishet eller uprofesjonell framtoning. Designleksen er at gevinsten i kritisk tenkning kom fra tilbakemelding som modellerer alternativer og gransker elevens resonnering, med en lærer som kuraterte det modellen produserte; det lille utvalget over ett semester betyr at den svært store effektstørrelsen bør leses med forsiktighet. (Chen et al. 2026)

• Et semester med AI-tilgang lot kritisk tenkning stå stille, mens reflektert bruk sporet den. Melanou, Beege og Kimmig (2026) fulgte 87 forretningsinformatikkstudenter gjennom et ni ukers kurs i tre parallelle betingelser (AI med veilederramme, AI uten veiledning, og ingen AI) målt tre ganger. Kunnskapen steg i alle grupper uten fortrinn for noen av AI-betingelsene og uten Matteuseffekt (BF01 = 8.70), mens selvrapportert kritisk tenkning og motivasjon holdt seg stabil. Det som skilte studentene, var reflektert bruk, praksisen med å sjekke kilder og verifisere AI-resultater før man tar dem i bruk: den var høyere i AI-betingelsen enn i kontrollgruppen (gjennomsnitt 3.72 mot 2.82) og predikerte kritisk tenkning ved den siste målingen (R² = 0.183, β = 0.43, p < 0.001). Resultatet modererer enhver forventning om at et kurs med AI-bruk vil flytte kritisk tenkning av seg selv: det er metakognitiv regulering, ikke verktøytilgang, som bærer sammenhengen, og forfatterne bemerker at ett semester trolig er for kort til å se varig endring. (Melanou et al. 2026)

Forbindelser til andre begrep

Kritisk tenkning skjærer seg med stillas (å designe AI-støtte som opprettholder kognitiv etterspørsel), Prompt Engineering (å formulere spørsmål som framkaller kritisk analyse) og overavhengighet (å vite når man skal stole på og når man skal stille spørsmål ved AI). Det er grunnleggende for Akademisk integritet og fungerer som en nøkkeldimensjon i AI-kompetanse-rammeverk både i K-12 og i høyere utdanning.

• AI-feil som provokasjoner for høyereordens tenkning: Hosseini (2026) operasjonaliserer Blooms høyereordensnivåer (analysere, vurdere, skape) ved å la elever granske AI-genererte feil i et databasekurs, med signifikante gevinster fra før til etter (Cohens d=1.49) i fagkompetanse.

• Kritikk av AI-resultater er en ferdighet som kan støttes, ikke et biprodukt av problemløsning. Grupper som bare løste et beslektet fysikkproblem, godtok en polert AI-løsning eller kritiserte den ut fra egne misoppfatninger, mens MAPS-rubrikkstyrt refleksjon ga ekspertnære kritikker av manglende integrasjon og udefinert notasjon (Borse et al. (2026)).

• Avgrens AI-en for å bevare kognitiv handlekraft. E3-HOT-blåkopien kartlegger tre legemliggjorte veier — situasjonell forankring, legemliggjort deltakelse, kognitiv skaping — mot analysere, vurdere og skape, og begrenser AI-en til prompter, kritikk og strategiforslag, slik at elevene må artikulere begrunnelser og vise til belegg før en påstand godtas (Zhu et al. (2026)).

• Tosidig revisjon av AI-forklaringer. Bernstein og Sibia (2026) brukte Paul–Elder-standarder (nøyaktighet, klarhet, antakelser, ståsted) som intervjuprober med ti studenter som hadde fullført CS2, og fant mekanismenivå-gransking av GenAI-forklaringer: studentene lokaliserte hvor en analogis kobling brøt (en øy-rute-analogi for en lenket liste som antydet en sirkel, en badmintonrally-analogi for rekursjon som ikke hadde noen garantert krympende input), krevde presis ordbruk framfor forbehold, og behandlet forklaringer som argumenter med et ståsted. Avgjørende var at denne granskingen sporet ekspertise i kilde- eller måldomenet snarere enn personlig interesse — noe som omformulerer kritisk vurdering av AI-resultater til et kunnskapsproblem («tosidig analogirevisjon») snarere enn et disposisjonsproblem — og antyder at det å gi elevene feilaktige AI-analogier som objekter å inspisere og reparere, er en hardere prøve på begrepsforståelse enn å lese en ferdig forklaring.(Flawed but Memorable: Student Critical Reception of Interest-Personalized GenAI Analogies in Computing Education)

• Kritisk tenkning som engasjement som ikke kan settes ut. Xie (2026) legger til en filosofisk motpart fra daoistisk selvdyrking: fordi AI er en ugjennomsiktig «svart boks», passer et rammeverk orientert mot å harmonisere usikkerhet snarere enn å avgjøre sannhet i absolutte termer, bedre til det nåværende epistemiske landskapet, og kritisk tenkning blir vedvarende, førstepersons engasjement med virkeligheten som ikke kan settes ut, snarere enn en demonstrerbar rasjonell prosedyre. I Neidan-praksis (內丹) «finnes det ingen kognitive snarveier», så AI posisjoneres som «ikke en kognitiv stedfortreder, men et instrumentelt tillegg» til menneskelig blomstring.(Alternative AI Philosophy: Daoism as Method for AI in Education)

• Rollerotasjon som struktur for kritisk menneske–AI-interaksjon. Kenzhebayeva og kolleger (2026) rapporterer en designbasert studie der 62 framtidige pedagogiske psykologer roterte gjennom fire profesjonelle roller (casekonstruktør, researchanalytiker, praksisintervensjonist, reflekterende forsker) som gjorde genererte anbefalinger til gjenstand for diskusjon. Deltakerne sammenlignet AI-resultater med psykologisk teori og endret eller forkastet anbefalinger som ikke passet caset, og senere runder viste flere forespørsler om teoretisk begrunnelse, mens overavhengighet av tilsynelatende autoritative svar vedvarte. (Kenzhebayeva et al. 2026)

• Verifiseringssenteret integrering i et fag. En kritisk gjennomgang av generativ AI i universitetskjemi (Vega-Baudrit og Rivera Álvarez, 2026) hevder at fordi kjemisk resonnering må koordineres på tvers av makroskopiske, submikroskopiske og symbolske representasjoner, kan elever ikke verifisere det de ikke forstår, så forkunnskap og stillas kommer først, og verifisering bør designes inn i vurderingen som en vurdert aktivitet: identifisere en feil antakelse, rette en enhets- eller mekanismefeil, eller begrunne at et generert svar forkastes, med promptlogger og revisjonshistorikk som resonnementstråder. (Vega-Baudrit og Rivera Álvarez 2026)

• Verifisering som læringsaktivitet, ikke bare som sikring. Wang (2026) organiserer vurdering av AI-artefakter rundt seks gjensidig avhengige dimensjoner — prosess, belegg, tilgang, reproduserbarhet, legitimitet og kilde — og behandler det å sette sammen denne berettigelsen, snarere enn resultatets flyt, som det som bygger faglig ekspertise.

Den største ekspertvurderte sårbarheten i kunnskapsbasen er kritisk tenkning. På tvers av 65 læringsprosesser vurdert av 30 eksperter fikk kritisk tenkning og kritisk-analytisk tenkning rapportens høyeste forstyrrelsesskår (gjennomsnitt 4.00 av 5; 96 % av vurdererne på eller over 3), med forsterkning under terskelen (2.40, 43 %) (Kendeou, Greene & Nixon et al., 2026). Ti av atten høyereordensprosesser nådde konsensus bare om sårbarhet, noe rapporten leser som ensidig risiko snarere enn en avveining.

• Det er strukturen i partnerskapet, ikke eksponeringen, som bærer sammenhengen. Akgun og Toker (2026) modellerte 891 amerikanske og tyrkiske universitetsstudenter med teorien om transaktive minnesystemer og fant at verken selvvurdert tenkeevne eller tillit til AI-partnerskapet predikerte utøvelse av kritisk tenkning direkte. Begge feedet GenAI-kjennskap, som på sin side bare predikerte to atferder: spesialisering og arbeidsdeling (b = 0.636) og reflektert transformasjon av resultatet (b = 0.367). Disse atferdene predikerte kritisk tenkning (b = 0.230 og b = 0.175) uten at det gjensto en direkte bane (CFI = 0.974, RMSEA = 0.048). Dette er mekanismenivå-versjonen av feltets tilbakevendende nullfunn: brukstimer og selvvurdert kompetanse er ikke proxier for kritisk tenkning, og det en studie måler når den spør om eksponering, er inngangsverdien til kjeden snarere enn utfallet.

Vanlige misoppfatninger

• «En bedre prompt gir bedre kritisk tenkning.» Det er strukturert dialogstyring, ikke en bedre prompt, som skiller en feilslutningsveileder fra en debattchatbot: å rute hver tur gjennom Toulmin-basert intensjonsgjenkjenning gjorde jobben. Mekanismen er interaksjonsstrukturen, ikke ordvalget.
• «GenAI-bruk hever kritisk tenkning direkte.» GenAI-bruks kobling til selvrapportert kritisk tenkning gikk nesten utelukkende gjennom GenAI-tilbakemeldingskompetanse — hos 421 kinesiske bachelorstudenter medierte tilbakemeldingskompetansen 71 % av sammenhengen. Kompetansen er veien.
• «Den metaanalytiske effekten er ensartet.» På tvers av 29 eksperimenter hevet GenAI høyereordens tenkning moderat (g = 0.609), med kritisk tenkning på ES = 0.691. Moderate samleeffekter over heterogene intervensjoner støtter kategorien, ikke et bestemt design.

Tilknyttede begrep

• Metacognition
• Kognitiv avlasting
• AI-kompetanse
• Generative AI
• Higher Education
• Problem-Based Learning
• Intelligent Tutoring
• Utdanningsutvikling
• Undervisning
• Student Experience
• Chemistry Education — Kjemiundervisning og AI: laboratorier, formativ vurdering, LLM-grenser, eksperimentfilosofi
• Biology Education — Biologiundervisning og AI: laboratorieassistenter, AI-kompetanse i biologi, kritisk tenkning, spesialiserte verktøy
• Kognitiv overgivelse
• Reflection

Tilknyttede artikler

• When Does GenAI Use Support Critical Thinking? A Cross-Cultural Structural Account of Transactive Memory with GenAI — Kritisk tenkning går gjennom arbeidsdeling og bearbeiding av resultatet, ikke gjennom eksponering

• Ways generative AI can support and threaten learning in K-20 US education - En konsensus blant 30 eksperter: kritisk tenkning får rapportens høyeste forstyrrelsesskår (gjennomsnitt 4.00)

• From Plausibility to Verifiability: The PEARLS Framework for Developing Epistemic Agency in Generative AI-Mediated Higher Education — PEARLS-rammeverket for epistemisk handlekraft og verifisering av AI-resultater (Wang 2026)

• Layer-sensitive cognitive offloading in generative AI-assisted writing: Supported performance and independent no-AI outcomes — Lagfølsom kognitiv avlasting i GenAI-assistert skriving (Chen 2026)

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

• The Pedagogy of AI Mistakes: Fostering Higher-Order Thinking — Pedagogikken i AI-feil: å fremme høyereordens tenkning (Hosseini 2026)

• Thinking—fast, slow, and artificial: How AI is reshaping human reasoning and the rise of cognitive surrender — Tri-system-teori og kognitiv overgivelse: hvordan AI omformer menneskelig resonnering (Shaw & Nave 2026)

• The Tragedy of the Cognitive Commons: How AI Could Disrupt the Regeneration of Professional Expertise — Tragedien i kognitiv allmenning: AI og regenerering av ekspertise

• Does generative artificial intelligence improve students' higher-order thinking? A meta-analysis based on 29 experiments and quasi-experiments — Metaanalyse av GenAI og høyereordens tenkning

• Can we disrupt the momentum of the AI colonization of science education? — Å forstyrre AI-koloniseringen av naturfagsundervisning

• Reorienting Critical AI Literacy: A Community-Rooted Praxis of "Resisting AI" — Å reorientere kritisk AI-kompetanse

• Inquiry-based learning patterns in large language model-driven learning environments: an exploratory study from Bloom's perspective — IBL-mønstre i LLM-drevne miljøer (Bloom-perspektiv)

• Probing AI-generated physics solutions and preparing students to critique them — Å forberede elever på å kritisere AI-genererte fysikkløsninger

• Flawed but Memorable: Student Critical Reception of Interest-Personalized GenAI Analogies in Computing Education — Feilaktig, men minneverdig: studenters kritiske mottak av interessepersonaliserte GenAI-analogier i informatikkundervisning

• Alternative AI Philosophy: Daoism as Method for AI in Education — Alternativ AI-filosofi: daoisme som metode for AI i utdanning

• Fostering Sustainable Learning via Embodied Intelligence: The E3-HOT Framework for Higher-Order Thinking in the AI Era — Å fremme bærekraftig læring gjennom legemliggjort intelligens (E3-HOT)

• Modeling AI Overreliance as a Complex Adaptive System — AI-overavhengighet modellert som et komplekst adaptivt system

• More externalization, but less inference? Exploring changes in young learners' critical thinking during conversational AI bot-supported multimodal writing practice — Dimensjonsspesifikke gevinster i kritisk tenkning i AI-støttet multimodal skriving (Lu et al. 2027)

• Tackling the Root of Misinformation by Teaching Laypeople about Logical Fallacies via Socratic Questioning and Critical Argumentation — å undervise i gjenkjenning av feilslutninger gjennom strukturert flertursdialog

• Building AI Companions that Prioritize Learning over Performance — læring framfor prestasjon: hva følgesvenner bør optimeres og måles for

• Artificial intelligence-supported learning and higher-order cognitive outcomes: the mediating role of metacognitive self-regulation — AI-stillas, avlasting og verifiseringskompetanse via metakognitiv selvregulering (Davor et al. 2026)

• Helpful or harmful? Generative AI dependence, self-reported critical thinking disposition, and self-perceived employability among business students — GenAI-avhengighet avgrenser koblingen mellom bruk og kritisk tenkning hos forretningsstudenter (Shojaei et al. 2026)

• College students’ metacognitive awareness of generative-AI reliance: an experimental study of decision confidence and attribution bias — Refleksjonsprompt kutter aksept av feilaktige AI-råd og attribusjonsskjevhet (Ren 2026)

• Designing an AI-integrated role-rotation pedagogical model to support competence-related learning in pre-service educational psychologists — Rollerotasjon som struktur for kritisk menneske–AI-interaksjon (Kenzhebayeva et al. 2026)

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

• Effects of ChatGPT-Assisted Teacher Feedback on College Students' Critical Thinking Skills and Perceptions of Argumentative Writing — lærerkuratert ChatGPT-tilbakemelding hevet kritisk tenkning via høyereordens revidering (Chen et al. 2026)

• Generative AI and Learning Dynamics in Higher Education: A Longitudinal Empirical Study — et semester med AI-tilgang lot kritisk tenkning stå stille; reflektert bruk predikerte den (Melanou et al. 2026)

• GenAI dependence and graduate students' research creativity: the roles of critical thinking and human-AI collaboration quality — GenAI-avhengighet positivt assosiert med kritisk tenkning hos 1 157 master- og doktorgradsstudenter

• The association between generative AI use and university students' critical thinking: a moderated mediation model of GenAI feedback literacy and reflective thinking — GenAI-bruk til kritisk tenkning via tilbakemeldingskompetanse, med en direkte bane bare for mindre reflekterte studenter

• Generative AI in Education and the Erosion of Critical Democratic Citizenship — Den pessimistiske lesningen av modereringsbelegget: tap av friksjon, automatiseringsskjevhet, effektivitetsramme

• Generative AI and Cognitive Processes in Education: A Narrative Review and Conceptual Framework — Narrativ gjennomgang av 108 dokumenter: effektens fortegn følger forkunnskap og tidspunkt for oppgaven (AMCIF-rammeverket)