Myślenie krytyczne

Tłumaczenie automatyczne tej strony z języka angielskiego, jeszcze nie sprawdzone przez rodzimego użytkownika języka.

Myślenie krytyczne — zdolność analizowania, oceniania i syntetyzowania informacji — jest zarówno umiejętnością, którą narzędzia SI mogą pomóc rozwijać, jak i kompetencją, którą uczniowie muszą stosować, korzystając z SI. W edukacji o SI i badaniach nad SI w edukacji myślenie krytyczne pojawia się w dwóch powiązanych formach: jako cel uczenia się (nauczanie uczniów krytycznego myślenia) i jako zabezpieczenie przed bezkrytycznym poleganiem na SI.

Pytania do rozważenia

• Jak pewien jesteś swojej zdolności rozpoznania fałszywej lub wprowadzającej w błąd odpowiedzi wygenerowanej przez SI? Badania sugerują, że samodzielnie raportowane kompetencje w zakresie SI znacznie przewyższają faktyczną zdolność oceny — jak byś się sprawdził?
• Myślenie krytyczne pojawia się tu w dwóch formach: umiejętności, której się uczy, i zabezpieczenia przed bezkrytycznym poleganiem na SI. Czy potrafisz wskazać sytuację, w której narzędzie „uczące" myślenia krytycznego faktycznie ćwiczy jego przeciwieństwo?
• Jedno badanie wykazało, że zmuszanie uczniów do przesłuchiwania błędów wygenerowanych przez SI przyniosło duże zyski w myśleniu wyższego rzędu. Jak celowe obnażanie błędów — zamiast ich ukrywania — mogłoby być potężniejszym ruchem dydaktycznym, niż zakładałeś?
• Łatwy dostęp do odpowiedzi SI może wypierać krytyczne zaangażowanie, zanim uczniowie to zauważą. Jaki element projektu, a nie polityka czy zakaz, mógłby utrzymać wysiłek poznawczy przy życiu?
• Wykazano, że rady SI tłumią gotowość do powiedzenia „nie wiem" — nawet gdy rada jest błędna. Jak to zmienia to, co znaczy stworzyć kulturę klasy, w której pytanie jest bezpieczne?

Wprowadzenie

Myślenie krytyczne jest kluczowe dla kompetencji w zakresie SI — uczniowie, którzy nie potrafią krytycznie ocenić wyników SI, są podatni na nadmierne poleganie, halucynowane informacje i stronnicze rekomendacje. Badania nad odciążaniem poznawczym pokazują, że łatwy dostęp do odpowiedzi SI może wypierać krytyczne zaangażowanie, podczas gdy podejścia sokratyczne, które wstrzymują bezpośrednie odpowiedzi, zachowują wysiłek poznawczy niezbędny do głębszego myślenia.

To kontrolowanie struktury dialogu, a nie lepszy prompt, odróżnia tutora rozpoznawania błędów logicznych od chatbota do debat: przepuszczanie każdej tury przez oparte na modelu Toulmina wykrywanie intencji, ustalony porządek strategii i agenta weryfikującego pozwoliło jednemu systemowi sokratycznemu przejść 84,5% wskaźników jakości dialogu wobec 61,5% dla baseline'u heurystycznego (Shi i wsp. (2026)).

Myślenie krytyczne w badaniach nad edukacją o SI

Artykuły w bazie wiedzy badają myślenie krytyczne przez soczewki oparte na projektowaniu i empiryczne. Wrogie agenty SI wywołują konstruktywny konflikt, aby skłonić nowicjuszy projektujących do ponownego namysłu — wariant sokratyczny, który wymusza krytyczną rewaluację. Badanie RCT nad GenAI w nauczaniu stawia pytanie, czy narzędzia SI optymalizowane pod powierzchniowe wyniki mogą nieumyślnie tłumić myślenie krytyczne, które prowadzi do głębszego uczenia się. Zmierzone dowody wyostrzają ten punkt: to, czy myślenie krytyczne się porusza, zależy od tego, jak zaprojektowano informacje zwrotne i zadania wspierane SI oraz od metapoznawczej regulacji uczniów, a nie od dostępu do modelu.

Związek użycia GenAI z samodzielnie raportowanym myśleniem krytycznym przebiegał niemal w całości przez kompetencje w zakresie informacji zwrotnej związane z GenAI: u 421 chińskich studentów kompetencje w zakresie informacji zwrotnej mediowały 71,98% całkowitego związku (β=0,185), a resztowa ścieżka bezpośrednia była dodatnia tylko u mniej refleksyjnych studentów (β=0,177) i nieistotna u bardziej refleksyjnych (Yan i wsp. (2026)).

Korpus niesie też odczyt pesymistyczny w formie argumentu, a nie pomiaru. Muñiz i Castro Samayoa (2026) argumentują, że to dominujący wzorzec użycia, a nie dostęp do modelu, eroduje myślenie krytyczne. Opierają to na twierdzeniu Deweya, że myślenie poprawia się tylko przez ćwiczenie, oraz na trzech mechanizmach: usuniętym tarciu, błędzie automatyzacji i ramie efektywności. Napięcie z Zhao i wsp. jest realne i w korpusie nierozstrzygnięte. Ich metaanalityczny zysk g = 0,609 opisuje zaprojektowane interwencje, podczas gdy Muñiz i Castro Samayoa opisują użycie typowe. Czytane razem, oba źródła zgadzają się, że zmienną rozstrzygającą jest projekt, i nie zgadzają się co do tego, jak wygląda niezarządzany stan domyślny.

Metaanalityczna kotwica dla tezy o moderacji. W 29 eksperymentach GenAI umiarkowanie podniosła myślenie wyższego rzędu (g = 0,609), z myśleniem krytycznym na poziomie ES = 0,691 — poniżej rozwiązywania problemów (0,745) i powyżej kreatywności (0,444) — najsilniej dla interwencji trwających 8–16 tygodni (0,759) i dla uczniów z wysoką samoregulacją uczenia się (0,863 wobec 0,284) (Zhao i wsp. (2025)).

Przeglądy wpływu ChatGPT na myślenie dokumentują mieszane ustalenia: SI może rusztować krytyczną analizę, gdy jest używana świadomie (np. gdy prosi się uczniów o krytykę argumentów wygenerowanych przez SI), ale może też zamykać myślenie, gdy służy jako maszyna odpowiedzi. Napięcie to łączy się z badaniami nad niedopasowaniem oceny kompetencji w zakresie SI, które pokazują, że samodzielnie raportowane kompetencje SI znacznie przewyższają faktyczną zdolność krytycznej oceny. Krytyczny przegląd 80 badań HCI nad myśleniem krytycznym z SI wykazał, że dziedzina mierzy to, co rzadko definiuje: tylko 23 z 80 badań określiło, jak w ogóle rozumie myślenie krytyczne, 49 (61%) oceniało je przez samoopis, a nie wykonanie, a 42 (52%) nie użyło grupy kontrolnej (A Critical Review of Critical Thinking in HCI Research About AI).

Lin i Al-Hada (2026) czytają ten mieszany obraz jako dysocjację produktu i procesu: GenAI może podnieść jakość pracy zaliczeniowej, obniżając jednocześnie samodzielny, odroczony transfer, który za nią stoi, więc uczenie się należy oceniać po samodzielnym, odroczonym wykonaniu, a nie po produkcie wspieranym SI.

• Zaangażowanie poznawcze wyższego rzędu w rozmowie uczeń–SI. Chang i Li (2026) stwierdzają, że około 62% promptów uczniów do SI koduje poznawcze zapotrzebowanie wyższego rzędu, przy czym profile poziomów Blooma różnią się w zależności od dyscypliny (STEM z przewagą Zastosowania 20,8%, języki z przewagą Rozumienia 31,7%, nauki społeczne z przewagą Tworzenia 33,8%). Ich projekt wewnątrzobiektowy pokazuje, że ci sami uczniowie tworzą istotnie więcej promptów wyższego rzędu na naukach społecznych niż na kursach STEM (p < 0,001), co wskazuje, że kontekst dyscyplinarny kształtuje krytyczne i wyższego rzędu zaangażowanie z SI.
• Wzorce interakcji grupują się według poziomu Blooma i wiedzy uprzedniej. W zadaniu pisania o danych opartym na dociekaniu 19 uczniów wytworzyło 14 wzorców interakcji z LLM, które różniły się w zależności od poziomu wiedzy uprzedniej, a wskazówka projektowa była taka, by celować rusztowaniem w konkretne etapy myślenia wyższego rzędu, a nie w użycie LLM w ogóle (Luo i wsp. (2026)).
• SI jako katalizator krytycznej kompetencji medialnej u dzieci. Demir i Akar (2026) oceniają 18-godzinny program krytycznej kompetencji medialnej w modelu 5E dla tureckich uczniów czwartej klasy, w którym generatywna SI (ChatGPT, Grammarly) działała jako agent pedagogiczny osadzony faza po fazie, a nie dodatek. Porównania par prób wykazały duże zyski w czytaniu mediów (+3,50), pisaniu (+1,67) i całkowitej kompetencji medialnej (+5,17, wszystkie p < 0,01), przy międzygrupowych efektach post-testu Cohena d = 1,12 (czytanie), 1,18 (pisanie) i 1,31 (kompetencja ogółem) na korzyść grupy wspieranej SI. Analiza jakościowa (wywiady, plakaty/rysunki/hasła uczniów, obserwacja klasy) ujawniła sześć obszarów wzrostu krytycznej kompetencji medialnej — cyfrowa samoochrona i prywatność danych, celowe i odpowiedzialne korzystanie z mediów, bezpieczna komunikacja i świadomość granic, krytyczna ocena i świadomość dezinformacji, świadomość ryzyka online oraz etyka medialna i obywatelstwo cyfrowe — co wskazuje, że celowe przesłuchiwanie treści zapośredniczonych przez SI może kultywować krytyczną analizę i refleksję u młodych uczniów.
• Zyski w myśleniu krytycznym specyficzne dla wymiarów w multimodalnym pisaniu w szkole podstawowej. Lu i wsp. (2027) śledzili 60 uczniów klasy 5 przez ośmiotygodniową praktykę pisania multimodalnego wspieranego SI konwersacyjną, w której zamieniali narracje na obrazy i krótkie filmy generowane przez SI. Analiza powtarzanych pomiarów w sześciu wymiarach myślenia krytycznego wykazała trwałe zyski (T1→T2 i T1→T3) w interpretacji, analizie, ocenie i wyjaśnianiu, krótkotrwały zysk w samoregulacji i brak zmiany w wnioskowaniu — nierówny wzorzec na poziomie wymiarów, który zagregowany wynik myślenia krytycznego by ukrył. Autorzy argumentują, że generowane przez SI wizualizacje uzewnętrzniły znaczenie i tym samym obniżyły wymóg inferencyjny, który pisanie zwykle narzuca, podczas gdy współpraca rówieśnicza (pytania rówieśników wymuszające wnioskowanie o cudzych interpretacjach) dostarczyła okazji do wnioskowania, których samotna interakcja z SI nie dała. Lekcja projektowa: komponowanie multimodalną SI wspiera kilka aspektów myślenia krytycznego, ale należy je łączyć z dalszym rusztowaniem i ustrukturyzowaną wymianą rówieśniczą, aby zachować wnioskowanie i samoregulację uczenia się.
• Rusztowanie SI i odciążanie ciągną myślenie krytyczne w przeciwne strony. Davor, Larbi i Boateng (2026) przebadali 533 studentów uniwersyteckich w Ghanie i stwierdzili, że rusztowanie zadań przez SI przewidywało wyższe myślenie krytyczne (β = 0,185), podczas gdy tendencja do odciążania poznawczego przewidywała niższe myślenie krytyczne (-0,240); kompetencje weryfikacji SI nie miały bezpośredniego wpływu na myślenie krytyczne i działały tylko przez metapoznawczą samoregulację, pełny wzorzec mediacji, który autorzy czytają jako dowód, że uczenie uczniów sprawdzania faktów w SI nie wystarcza samo w sobie. (Davor i wsp. 2026)
• Głębokość odciążania, a nie użycie, ogranicza myślenie wyższego rzędu. Delegowanie warstwy rozumowania w pisaniu — uzasadnień, kontrargumentów, interpretacji dowodów — miało najsilniejszy negatywny związek z samodzielnym myśleniem wyższego rzędu (ab = −0,34), a samoregulowane pisanie go osłabiało, ale nigdy nie odwracało (Chen (2026)).
• To zależność, a nie użycie, jest miejscem, w którym związek z myśleniem krytycznym zmienia znak. Shojaei i współpracownicy (2026) przebadali 412 studentów biznesu w Omanie i stwierdzili niemal zerową korelację dwuzmiennową między użyciem GenAI a samodzielnie raportowaną dyspozycją do myślenia krytycznego (r = 0,050), przy czym zależność przewidywała niższą dyspozycję (β = -0,389) i osłabiała związek między użyciem a dyspozycją (β = -0,239), tak że proste nachylenie spadało z 0,424 przy niskiej zależności do -0,054 przy wysokiej. (Shojaei i wsp. 2026)

Większe badanie przekrojowe wskazuje przeciwny kierunek: wśród 1 157 chińskich studentów studiów podyplomowych zależność od GenAI była dodatnio związana z myśleniem krytycznym (β = 0,492), a myślenie krytyczne niosło około 85,0% ścieżki od zależności funkcjonalnej do kreatywności badawczej (Yin i wsp. (2026)).

• Wiedza uprzednia i moment zadania wyznaczają znak efektu. W 108 przejrzanych dokumentach GenAI podniosła wyniki myślenia krytycznego u doświadczonych badaczy (+0,20) i obniżyła je u nowicjuszy (−0,13); wczesny dostęp pomaga pod presją czasu, ale upośledza myślenie krytyczne, gdy istnieje czas na namysł (Zapata-Hernandez i wsp. 2026).
• Krótki prompt refleksyjny czyni poleganie na radach SI bardziej różnicującym. W eksperymencie z trzema warunkami i 342 studentami Ren (2026) stwierdził, że otwarte wsparcie ChatGPT prowadziło do akceptacji błędnych rekomendacji SI w 62,4% prób, co spadało do 39,7% przy krótkim prompcie metapoznawczej refleksji (OR = 0,40, 95% CI [0,28, 0,56]); refleksja poprawiała też kalibrację świadomości (0,59 wobec 0,41) i obniżała wskaźnik stronniczości przypisania specyficznej dla SI z 0,42 do 0,21, bez obniżania trafności rekomendacji i bez wywoływania zbiorczego odrzucania użytecznych rad. (Ren 2026)
• Pewność może rosnąć, gdy trafność spada. Shaw i Nave (2026) stwierdzili, że konsultacja z asystentem SI podniosła trafność o 25 punktów procentowych, gdy asystent miał rację, i obniżyła ją o 15, gdy się mylił, a jednak angażowanie go zwiększało pewność nawet po błędach, i 73,2% prób z błędną SI kończyło się kapitulacją zamiast strategicznego odciążania.
• Kuratorowana przez nauczyciela informacja zwrotna z ChatGPT podnosi myślenie krytyczne przez poprawki wyższego rzędu. Chen i współpracownicy (2026) przeprowadzili 18-tygodniowy quasi-eksperyment z 64 studentami, wszystkimi przyszłymi nauczycielami chemii, fizyki lub matematyki, porównując konwencjonalną informację zwrotną nauczyciela (n = 32) z informacją zwrotną nauczyciela wspieraną ChatGPT (n = 32) w dwóch zadaniach pisania argumentacyjnego. Grupy zaczynały równoważnie, a istotnie poprawiła się tylko grupa wspierana (p < 0,001), przy czym d Cohena wzrosło z 0,25 w pretreście do 3,74 w post-teście. Mechanizmem był rodzaj informacji zwrotnej, a nie sama obecność modelu: grupa wspierana otrzymała więcej informacji demonstracyjnych (33,1% wobec 10,9%) i wnikliwie pytających (21,5% wobec 6,0%), poprawiła 91,00% (435 z 478) jednostek informacji zwrotnej wobec 85,21% (242 z 284), a epistemiczna analiza sieci wiązała te poprawki z analizą, oceną i tworzeniem, a nie z rozpoznawaniem i rozumieniem, podczas gdy informacja zwrotna wyłącznie nauczycielska oraz oceniająca produkowała głównie poprawki rozpoznawania i rozumienia. Nauczyciele traktowali wynik modelu jako materiał roboczy, rozszerzając, poprawiając lub odrzucając go (14% odrzucono, 9% wymagało korekty), a sześciu z ośmiu rozmówców nadal wskazywało nieprecyzyjność lub nieprofesjonalizm. Lekcja projektowa jest taka, że zysk w myśleniu krytycznym pochodził z informacji zwrotnej, która modeluje alternatywy i przesłuchuje rozumowanie ucznia, przy nauczycielu kuratorującym to, co wyprodukował model; niewielka, jednosemestralna próba oznacza, że bardzo duży efekt należy czytać ostrożnie. (Chen i wsp. 2026)
• Semestr dostępu do SI pozostawił myślenie krytyczne bez zmian, a refleksyjne użycie szło z nim w parze. Melanou, Beege i Kimmig (2026) śledzili 87 studentów informatyki biznesowej przez dziewięciotygodniowy kurs w trzech równoległych warunkach (SI w ramie tutora, SI bez prowadzenia i brak SI), mierzonych trzykrotnie. Wiedza rosła w każdej grupie bez przewagi któregokolwiek warunku z SI i bez efektu Mateusza (BF01 = 8,70), podczas gdy samodzielnie raportowane myślenie krytyczne i motywacja pozostawały stabilne. Tym, co różniło studentów, było refleksyjne użycie — praktyka sprawdzania źródeł i weryfikowania wyniku SI przed jego przyjęciem: była wyższa w warunku z SI niż w grupie kontrolnej (średnie 3,72 wobec 2,82) i przewidywała myślenie krytyczne w pomiarze końcowym (R² = 0,183, β = 0,43, p < 0,001). Wynik kwalifikuje każde oczekiwanie, że kurs z użyciem SI sam z siebie poruszy myślenie krytyczne: to metapoznawcza regulacja, a nie dostęp do narzędzia, jest miejscem, w którym żyje związek, a autorzy zauważają, że semestr jest prawdopodobnie zbyt krótki, by zobaczyć trwałą zmianę. (Melanou i wsp. 2026)

Powiązania z innymi koncepcjami

Myślenie krytyczne przecina się z rusztowaniem (projektowanie wsparcia SI, które utrzymuje wymagania poznawcze), inżynierią promptów (formułowanie pytań wywołujących krytyczną analizę) i nadmiernym poleganiem (wiedza o tym, kiedy ufać, a kiedy kwestionować SI). Jest fundamentem uczciwości akademickiej i kluczowym wymiarem ram kompetencji w zakresie SI zarówno w kontekstach K-12, jak i szkolnictwa wyższego.

• Błędy SI jako prowokacje do myślenia wyższego rzędu: Hosseini (2026) operacjonalizuje wyższe poziomy Blooma (Analizuj, Oceniaj, Twórz), każąc studentom przesłuchiwać błędy wygenerowane przez SI na kursie baz danych, ze znaczącymi zyskami przed/po (Cohena d=1,49) w kompetencji przedmiotowej.
• Krytyka wyniku SI jest umiejętnością, którą można rusztować, a nie produktem ubocznym rozwiązywania problemów. Grupy, które jedynie rozwiązały pokrewny problem fizyczny, przyjmowały wypolerowane rozwiązanie SI lub krytykowały je z własnych błędnych wyobrażeń, podczas gdy refleksja prowadzona rubryką MAPS produkowała krytyki zgodne z eksperckimi, wskazujące brakującą integrację i niezdefiniowaną notację (Borse i wsp. (2026)).
• Ogranicz SI, aby zachować sprawczość poznawczą. Plan E3-HOT mapuje trzy ucieleśnione ścieżki — osadzenie sytuacyjne, uczestnictwo ucieleśnione, tworzenie poznawcze — na Analizuj, Oceniaj i Twórz, i ogranicza SI do promptów, krytyki i sugestii strategii, tak aby uczniowie musieli artykułować uzasadnienia i cytować dowody, zanim twierdzenie zostanie przyjęte (Zhu i wsp. (2026)).
• Dwustronny audyt wyjaśnień SI. Bernstein i Sibia (2026) użyli standardów Paula–Eldera (trafność, jasność, założenia, punkt widzenia) jako sond wywiadowych z dziesięcioma studentami po kursie CS2 i stwierdzili dociekliwość na poziomie mechanizmu wobec wyjaśnień GenAI: studenci lokalizowali miejsca, w których mapowanie analogii się łamało (analogia wyspy i trasy dla listy powiązanej, sugerująca cykl; wymiana w badmintonie zaproponowana dla rekurencji, bez gwarantowanego zmniejszającego się wejścia), domagali się precyzyjnego języka zamiast asekuracji i traktowali wyjaśnienia jako argumenty niosące punkt widzenia. Co ważne, ta dociekliwość szła za ekspertyzą w dziedzinie źródłowej lub docelowej, a nie za osobistym zainteresowaniem — przeformułowując krytyczną ocenę wyników SI jako problem wiedzy („dwustronny audyt analogii"), a nie dyspozycji — i sugerując, że zadawanie wadliwych analogii SI jako obiektów do zbadania i naprawy jest trudniejszym sprawdzianem rozumienia pojęciowego niż czytanie gotowego wyjaśnienia.(Flawed but Memorable: Student Critical Reception of Interest-Personalized GenAI Analogies in Computing Education)
• Myślenie krytyczne jako zaangażowanie, którego nie można zlecić na zewnątrz. Xie (2026) dodaje filozoficzny odpowiednik z daoistycznej samokultywacji: ponieważ SI jest nieprzejrzystą „czarną skrzynką", ramy zorientowane na harmonizowanie niepewności, a nie rozstrzyganie prawdy w kategoriach absolutnych, lepiej pasują do obecnego krajobrazu epistemicznego, a myślenie krytyczne staje się trwałym, pierwszoosobowym, niezbywalnym zaangażowaniem z rzeczywistością, a nie demonstrowalną procedurą racjonalną. W praktyce Neidan (內丹) „nie ma poznawczych skrótów", więc SI jest pozycjonowana jako „nie substytut poznawczy, lecz instrumentalny dodatek" do ludzkiego rozkwitu.(Alternative AI Philosophy: Daoism as Method for AI in Education)
• Rotacja ról jako struktura krytycznej interakcji człowiek–SI. Kenzhebayeva i współpracownicy (2026) raportują badanie oparte na projektowaniu, w którym 62 przyszłych psychologów edukacji przeszło przez cztery role zawodowe (Konstruktor Przypadku, Analityk Badawczy, Praktyk-Interwencjonista, Refleksyjny Badacz), czyniąc generowane rekomendacje przedmiotem dyskusji. Uczestnicy porównywali wynik SI z teorią psychologiczną i modyfikowali lub odrzucali rekomendacje niedopasowane do przypadku, a późniejsze cykle pokazywały więcej próśb o uzasadnienie teoretyczne, choć nadmierne poleganie na pozornie autorytatywnych odpowiedziach utrzymywało się. (Kenzhebayeva i wsp. 2026)
• Integracja skoncentrowana na weryfikacji w dyscyplinie. Krytyczny przegląd generatywnej SI w uniwersyteckiej edukacji chemicznej (Vega-Baudrit i Rivera Álvarez, 2026) argumentuje, że ponieważ rozumowanie chemiczne musi być koordynowane między reprezentacjami makroskopowymi, submikroskopowymi i symbolicznymi, studenci nie mogą zweryfikować tego, czego nie rozumieją, więc wiedza uprzednia i rusztowanie przychodzą najpierw, a weryfikację należy zaprojektować w ocenianiu jako ocenianą aktywność: zidentyfikować fałszywe założenie, poprawić błąd jednostki lub mechanizmu albo uzasadnić odrzucenie wygenerowanej odpowiedzi, zachowując logi promptów i historie poprawek jako ślady rozumowania. (Vega-Baudrit i Rivera Álvarez 2026)
• Weryfikacja jako aktywność uczenia się, a nie tylko zabezpieczenie. Wang (2026) organizuje ocenę artefaktów SI wokół sześciu współzależnych wymiarów — Proces, Dowody, Dostęp, Odtwarzalność, Legitymizacja i Źródło — i traktuje złożenie tego uzasadnienia, a nie płynność wyniku, jako to, co buduje ekspertyzę dyscyplinarną.

Największą podatnością ocenioną przez ekspertów w bazie wiedzy jest myślenie krytyczne. W 65 procesach uczenia się ocenionych przez 30 ekspertów Myślenie krytyczne i krytyczno-analityczne uzyskały najwyższą ocenę zakłócenia w raporcie (średnia 4,00 z 5; 96% oceniających na poziomie 3 lub wyższym) przy wzmocnieniu poniżej progu (2,40, 43%) (Kendeou, Greene & Nixon i wsp., 2026). Dziesięć z osiemnastu procesów wyższego rzędu osiągnęło konsensus tylko co do podatności, co raport czyta jako jednostronne ryzyko, a nie wymianę.

• To struktura partnerstwa, a nie ekspozycja, niesie związek. Akgun i Toker (2026) modelowali 891 studentów z USA i Turcji teorią transakcyjnych systemów pamięci i stwierdzili, że ani samoocena zdolności myślenia, ani pewność w partnerstwie z SI nie przewidywały bezpośrednio realizacji myślenia krytycznego. Oba zasilały znajomość GenAI, która z kolei przewidywała tylko dwa zachowania: specjalizację i koordynację pracy (b = 0,636) oraz refleksyjne przekształcanie wyniku (b = 0,367). Te zachowania przewidywały myślenie krytyczne (b = 0,230 i b = 0,175), a żadna ścieżka bezpośrednia nie pozostała (CFI = 0,974, RMSEA = 0,048). To mechanizmowa wersja powracającego zera w dziedzinie: godziny użycia i samoocena kompetencji nie są proxy myślenia krytycznego, a to, co badanie mierzy, pytając o ekspozycję, jest wejściem do łańcucha, a nie jego wynikiem.

Częste błędne wyobrażenia

• „Lepszy prompt daje lepsze myślenie krytyczne." Kontrola struktury dialogu, a nie lepszy prompt, odróżnia tutora rozpoznawania błędów logicznych od chatbota do debat: pracę wykonało wykrywanie intencji oparte na modelu Toulmina w każdej turze. Mechanizmem jest struktura interakcji, a nie sformułowanie.
• „Użycie GenAI podnosi myślenie krytyczne bezpośrednio." Związek użycia GenAI z samodzielnie raportowanym myśleniem krytycznym przebiegał niemal w całości przez kompetencje w zakresie informacji zwrotnej związane z GenAI — u 421 chińskich studentów kompetencje te mediowały 71% związku. To kompetencja jest ścieżką.
• „Efekt metaanalityczny jest jednolity." W 29 eksperymentach GenAI umiarkowanie podniosła myślenie wyższego rzędu (g = 0,609), z myśleniem krytycznym na poziomie ES = 0,691. Umiarkowane efekty zbiorcze z heterogenicznych interwencji wspierają kategorię, a nie konkretny projekt.

Połączone koncepcje

• Metacognition
• Odciążanie poznawcze
• Kompetencje w zakresie SI (AI literacy)
• Generative AI
• Higher Education
• Problem-Based Learning
• Intelligent Tutoring
• Rozwój edukacyjny
• Nauczanie
• Student Experience
• Chemistry Education — Edukacja chemiczna i SI: laboratoria, ocenianie kształtujące, ograniczenia LLM-ów, filozofia eksperymentowania
• Biology Education — Edukacja biologiczna i SI: asystenci laboratoryjni, kompetencje w zakresie SI w biologii, myślenie krytyczne, narzędzia specjalistyczne
• Kapitulacja poznawcza
• Reflection

Połączone artykuły

• When Does GenAI Use Support Critical Thinking? A Cross-Cultural Structural Account of Transactive Memory with GenAI — Critical thinking runs through division of labor and reworking output, not exposure
• 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 AI bot-supported multimodal writing practice — 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
• Generative AI in Education and the Erosion of Critical Democratic Citizenship — The pessimistic reading of the moderation evidence: friction loss, automation bias, efficiency frame
• Generative AI and Cognitive Processes in Education: A Narrative Review and Conceptual Framework — Narrative review of 108 documents: the effect's sign tracks prior knowledge and task timing (AMCIF framework)