Критическое мышление

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Критическое мышление — способность анализировать, оценивать и синтезировать информацию, — является и навыком, который инструменты ИИ могут помочь развить, и компетенцией, которую студенты должны применять при использовании ИИ. В AI in education research критическое мышление появляется в двух взаимосвязанных формах: как учебная цель (teaching студентов критическому мышлению) и как защита от некритичной опоры на ИИ.

Вопросы для размышления

• Насколько вы уверены в своей способности распознать ложный или вводящий в заблуждение сгенерированный ИИ ответ? Исследования показывают, что self-reported компетентность в ИИ значительно превосходит фактическую способность оценивания — как бы вы себя проверили?
• Критическое мышление здесь появляется в двух формах: навык, которому надо учить, и защита от некритичной опоры на ИИ. Можете ли вы придумать ситуацию, где инструмент, который «учит» критическому мышлению, на самом деле тренирует его противоположность?
• Одно исследование обнаружило, что студенты, допрашивающие ошибки, сделанные ИИ, получают большой прирост в мышлении высшего порядка. Как может намеренное выявление ошибок — вместо их сокрытия — оказаться более сильным педагогическим ходом, чем вы предполагали?
• Легкий доступ к ответам ИИ может вытеснять критическое engagement прежде, чем студенты это осознают. Какая проектная особенность, а не политика или запрет, могла бы сохранить когнитивное усилие живым?
• Показано, что советы ИИ подавляют готовность сказать «я не знаю» — даже когда совет неверен. Как это меняет смысл создания аудиторной культуры, в которой задавать вопросы безопасно?

Введение

Критическое мышление является центральным для ИИ-грамотность — студенты, которые не могут критически оценивать результаты ИИ, уязвимы для Over-Reliance, hallucinated information и предвзятых рекомендаций. Исследования Когнитивный оффлоадинг показывают, что лёгкий доступ к ответам ИИ может вытеснять критическое вовлечение, тогда как Socratic approaches, удерживающие прямые ответы, сохраняют когнитивное усилие, необходимое для более глубокого мышления.

Структурированный контроль диалога, а не лучший промпт, отличает тьютора по логическим ошибкам от дебатирующего чат-бота: маршрутизация каждого хода через детекцию намерений на основе Тулмина, фиксированный порядок стратегий и агент-верификатор позволяют одной сократической системе пройти 84,5% метрик качества диалога против 61,5% для эвристического базиса (Shi et al. (2026)).

Критическое мышление в исследованиях ИИ в образовании

Статьи базы знаний исследуют критическое мышление через design-based и эмпирические линзы. Adversarial AI agents реализуют конструктивный конфликт, чтобы побудить к пересмотру начинающих дизайнеров, — сократический вариант, форсирующий критическую переоценку. RCT research on GenAI in teaching ставит вопрос, могут ли инструменты ИИ, оптимизирующие поверхностные результаты, непреднамеренно подавлять критическое мышление, ведущее к более глубокому обучению. Измеренные свидетельства обостряют пункт: движется ли критическое мышление, зависит от того, как спроектированы опосредованная ИИ обратная связь и задачи, и от metacognitive регуляции учащихся, а не от доступа к модели.

Связь использования GenAI с самооценённым критическим мышлением проходила почти целиком через Грамотность в сфере обратной связи GenAI: у 421 китайского студента бакалавриата грамотность обратной связи опосредовала 71,98% общей связи (β=0,185), а остаточный прямой путь был положительным только для менее рефлексивных студентов (β=0,177) и незначимым для более рефлексивных (Yan et al. (2026)).

Мета-аналитический якорь для утверждения о модерации. Среди 29 экспериментов GenAI умеренно повышал мышление высшего порядка (g = 0,609), причём критическое мышление имело ES = 0,691 — ниже решения задач (0,745) и выше креативности (0,444) — сильнее всего для интервенций длительностью 8–16 недель (0,759) и для учащихся с высокой саморегуляцией (0,863 против 0,284) (Zhao et al. (2025)).

Reviews of ChatGPT's impact on thinking документируют смешанные находки: ИИ может scaffold критический анализ при осознанном использовании (например, предлагая студентам критиковать сгенерированные ИИ аргументы), но может и прерывать мышление, когда используется как машина ответов. Это напряжение связывается с исследованием How to Assess AI Literacy: Misalignment Between Self-Reported and Objective-Based Measures, показывающим, что самооценённая компетентность в ИИ значительно превосходит фактическую способность критического оценивания. Критический обзор 80 исследований HCI критического мышления с ИИ обнаружил, что поле измеряет то, что редко определяет: лишь 23 из 80 сформулировали, как они понимают критическое мышление вообще, 49 (61%) оценивали его через самоотчёт, а не через результативность, и 42 (52%) не использовали контрольную группу (A Critical Review of Critical Thinking in HCI Research About AI).

Lin and Al-Hada (2026) трактуют эту смешанную картину как диссоциацию продукта и процесса: GenAI может повышать качество задания, снижая лежащий за ним неассистируемый отложенный перенос, поэтому обучение следует оценивать по неассистируемой отложенной результативности, а не по продукту, созданному с ИИ.

• Когнитивное вовлечение высшего порядка в чате студент–ИИ. Chang and Li (2026) обнаруживают, что ~62% промптов студентов ИИ кодируют когнитивный спрос высшего порядка, причём профили по уровням Блума различаются по дисциплинам (STEM с доминированием Apply 20,8%, языки с доминированием Understand 31,7%, социальные науки с доминированием Create 33,8%). Их дизайн внутри индивида показывает, что одни и те же студенты дают значимо больше промптов высшего порядка в социальных науках, чем в курсах STEM (p < .001), что указывает на формирование критического и высшего порядка вовлечения с ИИ дисциплинарным контекстом.
• Паттерны взаимодействия кластеризуются по уровню Блума и предшествующему знанию. В задании на письмо в исследовательской науке о данных 19 студентов дали 14 паттернов взаимодействия с LLM, различавшихся по уровню предшествующего знания, и проектное следствие состояло в нацеливании скаффолдинга на конкретные стадии мышления высшего порядка, а не на использование LLM в целом (Luo et al. (2026)).
• ИИ как катализатор критической медиаграмотности у детей. Demir and Akar (2026) оценивают 18-часовую программу критической медиаграмотности по модели 5E для турецких учеников четвёртого класса, в которой generative AI (ChatGPT, Grammarly) действовал как pedagogical agent, встроенный поэтапно, а не как добавка. Сравнения парных выборок показали большие приобретения в чтении медиа (+3,50), письме (+1,67) и общей медиаграмотности (+5,17, все p < .01), с межгрупповыми размерами эффекта пост-теста Коэна d = 1,12 (чтение), 1,18 (письмо) и 1,31 (общая грамотность) в пользу группы с поддержкой ИИ. Qualitative анализ (интервью, плакаты/рисунки/лозунги студентов, наблюдение в аудитории) выявил шесть областей роста критической медиаграмотности — цифровая самозащита и конфиденциальность data privacy, целенаправленное и ответственное использование медиа, безопасная коммуникация и осведомлённость о границах, критическое оценивание и осведомлённость о дезинформации, осведомлённость об онлайн-рисках и медийная Этика/цифровое гражданство, — указывая, что намеренное допрашивание опосредованного ИИ контента может культивировать критический анализ и рефлексию у юных учащихся.
• Специфичные по измерениям приобретения в критическом мышлении при начальном мультимодальном письме. Lu et al. (2027) отследили 60 Grade 5 на протяжении восьми недель практики мультимодального письма с поддержкой Диалоговый ИИ, в которой они превращали нарративы в сгенерированные ИИ изображения и короткие видео. Анализ повторных измерений по шести измерениям критического мышления обнаружил устойчивые приобретения (T1→T2 и T1→T3) в интерпретации, анализе, оценивании и объяснении, кратковременное приобретение в само-Регулирование ИИ в образовании и отсутствие изменений в умозаключении — неравномерный, уровневый паттерн, который скрыло бы агрегированное измерение критического мышления. Авторы утверждают, что сгенерированные ИИ визуализации экстернализовали смысл и тем самым снизили требовательность к умозаключению, которую письмо обычно налагает, тогда как peer collaboration (вопросы сверстников, форсировавшие умозаключение о чужих интерпретациях) дала поводы для умозаключения, которых не дало одиночное AI interaction. Проектный урок: мультимодальное сочинение с multimodal AI поддерживает несколько аспектов критического мышления, но должно сочетаться с продолжающимся Скаффолдинг и структурированным обменом между сверстниками для сохранения умозаключения и self-regulation.
• Скаффолдинг ИИ и разгружение тянут критическое мышление в противоположных направлениях. Davor, Larbi and Boateng (2026) опросили 533 студентов университетов в Гане и обнаружили, что скаффолдинг задач ИИ предсказывал более высокое критическое мышление (β = .185), тогда как склонность к cognitive offloading предсказывала более низкое критическое мышление (-.240); грамотность в верификации ИИ не имела прямого эффекта на критическое мышление и действовала только через metacognitive self-regulation — паттерн полного посредничества, который авторы трактуют как свидетельство, что обучение студентов проверять факты в ИИ недостаточно само по себе. (Davor et al. 2026)
• Глубина разгружения, а не использование, ограничивает мышление высшего порядка. Делегирование слоя рассуждения в письме — оснований, контраргументов, интерпретации свидетельств, — несло сильнейшую отрицательную связь с независимым мышлением высшего порядка (ab = −0,34), и саморегулируемое письмо её ослабляло, но никогда не обращало (Chen (2026)).
• Ассоциация с критическим мышлением поворачивает на зависимости, а не использовании. Shojaei and colleagues (2026) опросили 412 студентов бизнес-факультетов в Омане и обнаружили почти нулевую бивариантную корреляцию между использованием GenAI и самооценённой диспозицией критического мышления (r = 0,050), причём зависимость предсказывала более низкую диспозицию (β = -0.389) и ослабляла связь от использования к диспозиции (β = -0.239), так что простой наклон падал с 0,424 при низкой зависимости до -0.054 при высокой. (Shojaei et al. 2026)

Более крупное поперечное исследование указывает в другую сторону: среди 1 157 китайских студентов магистратуры зависимость от GenAI положительно коррелировала с критическим мышлением (β = 0,492), и критическое мышление несло примерно 85,0% пути от функциональной зависимости к креативности исследований (Yin et al. (2026)).

• Короткий рефлексивный промпт делает опору на советы ИИ более избирательной. В эксперименте с тремя условиями с 342 студентами бакалавриата Ren (2026) обнаружил, что открытая поддержка ChatGPT давала принятие неверных рекомендаций ИИ в 62,4% испытаний, снижаясь до 39,7% при кратком метакогнитивном рефлексивном промпте (OR = 0,40, 95% CI [0.28, 0.56]); рефлексия также улучшила калибровку осведомлённости (0,59 против 0,41) и снизила индекс атрибутивной предвзятости, специфичной для ИИ, с 0,42 до 0,21, не снижая точности рекомендаций и не вызывая огульного отвержения полезных советов. (Ren 2026)

• Уверенность может расти, тогда как точность падает. Shaw and Nave (2026) обнаружили, что обращение к ИИ-ассистенту повышало точность на 25 процентных пунктов, когда он был прав, и снижало на 15, когда ошибался, но взаимодействие с ним повышало уверенность даже после ошибок, а 73,2% испытаний с неверным ИИ заканчивались сдачей, а не стратегическим разгружением.

• Обратная связь ChatGPT, курируемая преподавателем, повышает критическое мышление через ревизию высшего порядка. Chen and colleagues (2026) провели 18-недельный квази-эксперимент с 64 студентами бакалавриата, всеми будущими преподавателями химии, физики или математики, сравнивая обычную обратную связь преподавателя (n = 32) с обратной связью преподавателя с помощью ChatGPT (n = 32) на двух заданиях по аргументационному письму. Группы начинали эквивалентно, и лишь группа с помощью улучшилась значимо (p < 0.001), причём Коэнов d вырос с 0,25 на пре-тесте до 3,74 на пост-тесте. Механизмом был тип обратной связи, а не просто наличие модели: группа с помощью получила больше демонстрирующей (33,1% против 10,9%) и тесно допрашивающей (21,5% против 6,0%) обратной связи, отредактировала 91,00% (435 из 478) единиц обратной связи против 85,21% (242 из 284), и epistemic network analysis связал эти редактуры с анализом, оцениванием и созданием, а не с узнаванием и пониманием, тогда как только-преподавательская инструкция и оценочная обратная связь давали преимущественно редактуры узнавания и понимания. Преподаватели трактовали результат модели как черновой материал, расширяя, пересматривая или отбрасывая его (14% отброшено, 9% требовало исправления), а шесть из восьми интервьюированных всё же отмечали неточность или непрофессионализм. Проектный урок: прирост в критическом мышлении пришёл от обратной связи, которая моделирует альтернативы и допрашивает рассуждение студента, при teacher, курирующем то, что произвела модель; малая выборка одного семестра означает, что очень большой размер эффекта следует читать с осторожностью. (Chen et al. 2026)

• Семестр доступа к ИИ оставил критическое мышление неизменным, тогда как рефлексивное использование его отслеживало. Melanou, Beege and Kimmig (2026) отследили 87 студентов бизнес-информатики на протяжении девятинедельного курса в трёх параллельных условиях (ИИ с рамкой тьютора, ИИ без руководства и без ИИ) с тремя измерениями. Знание выросло в каждой группе без преимущества ни для одного из условий с ИИ и без эффекта Матфея (BF01 = 8,70), тогда как самооценённое критическое мышление и Мотивация оставались стабильными. Отличало студентов рефлексивное использование — практика проверки источников и верификации результата ИИ до его принятия: оно было выше в условии с ИИ, чем в контрольной группе (средние 3,72 против 2,82) и предсказывало критическое мышление на финальном измерении (R² = 0,183, β = 0,43, p < 0,001). Результат ограничивает любое ожидание, что курс использования ИИ сам по себе сдвинет критическое мышление: metacognitive регуляция, а не доступ к инструменту, есть место, где живёт ассоциация, и авторы отмечают, что семестр, вероятно, слишком короток, чтобы увидеть устойчивое изменение. (Melanou et al. 2026)

Связи с другими концепциями

Критическое мышление пересекается с Скаффолдинг (проектирование поддержки ИИ, сохраняющей когнитивный спрос), Промпт-инжиниринг (формулирование вопросов, вызывающих критический анализ) и Over-Reliance (знание, когда доверять ИИ, а когда его оспаривать). Оно является основополагающим для Академическая добросовестность и служит ключевым измерением рамок ИИ-грамотность в контекстах и K-12, и Высшее образование.

• Ошибки ИИ как провокации мышления высшего порядка: Hosseini (2026) операционализирует уровни Блума высшего порядка (Analyze, Evaluate, Create), заставляя студентов допрашивать ошибки, сгенерированные ИИ, в курсе по базам данных, со значимыми приобретениями пре/пост (Коэнов d=1,49) в компетентности в предметной области.

• Критика результата ИИ — навык, которому можно учить, а не побочный продукт решения задач. Группы, решавшие только связанную задачу по физике, принимали отполированное решение ИИ или критиковали его из своих собственных заблуждений, тогда как рефлексия под руководством рубрики MAPS давала экспертно-согласованную критику недостающей интеграции и неопределённых обозначений (Borse et al. (2026)).

• Ограничьте ИИ, чтобы сохранить когнитивную субъектность. План E3-HOT отображает три воплощённых пути — ситуативную встройку, воплощённое участие, когнитивное создание, — на Analyze, Evaluate и Create и ограничивает ИИ промптами, критическими замечаниями и предложениями стратегий, чтобы студенты должны были формулировать обоснования и цитировать свидетельства до принятия утверждения (Zhu et al. (2026)).

• Двусторонний аудит объяснений ИИ. Bernstein and Sibia (2026) использовали стандарты Пола–Элдера (точность, ясность, допущения, точка зрения) как пробы интервью с десятью студентами, прошедшими CS2, и обнаружили проверку объяснений GenAI на уровне механизмов: студенты находили, где отображение аналогии ломалось (аналогия остров-маршрут для связного списка, подразумевавшая круг; ралли в бадминтон, предложенное для рекурсии, без гарантированного уменьшающегося ввода), требовали точных формулировок вместо уклончивых и трактовали объяснения как аргументы, несущие точку зрения. Существенно, что эта проверка отслеживала экспертизу в исходной или целевой области, а не личный интерес, — переформулируя критическое evaluation of AI-результата как проблему знания («двусторонний аудит аналогий»), а не диспозициональную, — и предполагая, что назначение ошибочных аналогий ИИ как объектов для осмотра и починки является более жёсткой проверкой концептуального понимания, чем чтение готового объяснения.(Flawed but Memorable: Student Critical Reception of Interest-Personalized GenAI Analogies in Computing Education)

• Критическое мышление как непередаваемое вовлечение. Xie (2026) добавляет philosophical контрпункт из даосского самосовершенствования: поскольку ИИ — непрозрачный «чёрный ящик», рамка, ориентированная на гармонизацию неопределённости, а не на вынесение суждения об истине в абсолютных терминах, лучше подходит текущему эпистемическому ландшафту, и критическое мышление становится устойчивым, личностным, непередаваемым вовлечением в реальность, а не демонстрируемой рациональной процедурой. В практике Нейдань (內丹) «нет когнитивных коротких путей», поэтому ИИ позиционируется как «не когнитивный суррогат, а инструментальный помощник» человеческого процветания.(Alternative AI Philosophy: Daoism as Method for AI in Education)

• Ротация ролей как структура критического взаимодействия человек–ИИ. Kenzhebayeva and colleagues (2026) сообщают о дизайн-исследовательском исследовании, в котором 62 будущих психолога образования ротировались через четыре профессиональные роли (Конструктор кейсов, Аналитик исследований, Практик-интервенционист, Рефлексивный исследователь), которые сделали сгенерированные рекомендации объектом обсуждения: участники сравнивали результат ИИ с психологической теорией и модифицировали или отвергали рекомендации, не подходившие к кейсу, а более поздние циклы показывали больше запросов теоретического обоснования, тогда как чрезмерная опора на явно авторитетные ответы сохранялась. (Kenzhebayeva et al. 2026)

• Центрированная на верификации интеграция в дисциплине. Критический обзор generative AI в университетском chemistry education (Vega-Baudrit and Rivera Álvarez, 2026) утверждает, что поскольку химическое рассуждение должно координироваться между макроскопическими, субмикроскопическими и символическими представлениями, студенты не могут верифицировать то, чего не понимают, поэтому Предшествующие знания и Скаффолдинг идут первыми, и верификация должна встраиваться в Оценивание как оцениваемая деятельность: выявить ложное допущение, исправить ошибку в единице или механизме или обосновать отвержение сгенерированного ответа, сохраняя журналы промптов и истории редактур как следы рассуждения. (Vega-Baudrit and Rivera Álvarez 2026)

• Верификация как учебная деятельность, а не только защита. Wang (2026) организует оценивание ИИ-артефактов вокруг шести взаимозависимых измерений — Process, Evidence, Access, Reproducibility, Legitimacy и Source, — и трактует сборку этого обоснования, а не беглость результата, как то, что строит дисциплинарную экспертизу.

Наибольшая экспертная уязвимость в базе знаний — критическое мышление. Среди 65 учебных процессов, оцененных 30 экспертами, Critical Thinking и Critical-Analytic Thinking получили наивысшую оценку нарушения в отчёте (среднее 4,00 из 5; 96% оценщиков на уровне 3 или выше) с усилением ниже порога (2,40, 43%) (Kendeou, Greene & Nixon et al., 2026). Десять из восемнадцати процессов высшего порядка достигли консенсуса только об уязвимости, что отчёт трактует как односторонний риск, а не как компромисс.

Связанные концепции

• Метакогниция
• Когнитивный оффлоадинг
• ИИ-грамотность
• Генеративный ИИ
• Высшее образование
• Обучение, основанное на проблемах
• Интеллектуальное тьюторство
• Развитие педагогической практики
• Преподавание
• Опыт студентов
• Химическое образование — Химическое образование и ИИ: лаборатории, формирующее оценивание, пределы LLM, философия эксперимента
• Образование в области биологии — Биологическое образование и ИИ: ассистенты в лабораторном преподавании, ИИ-грамотность в биологии, критическое мышление, специализированные инструменты
• Когнитивная капитуляция

Связанные статьи

• Ways Generative AI Can Support and Threaten Learning in K–20 US Education - Консенсус 30 экспертов: критическое мышление несёт наивысшую оценку нарушения в отчёте (среднее 4,00)

• From Plausibility to Verifiability: The PEARLS Framework for Developing Epistemic Agency in Generative AI-Mediated Higher Education — Рамка PEARLS для эпистемической субъектности и верификации результата ИИ (Wang 2026)

• Layer-Sensitive Cognitive Offloading in Generative AI-Assisted Writing: Supported Performance and Independent No-AI Outcomes — Чувствительное к слоям когнитивное разгружение в письме с помощью GenAI (Chen 2026)

• The critical-thinking paradox in generative AI-integrated learning: distinguishing efficiency from cognitive depth — a differentiated framework and testable propositions — Парадокс критического мышления в обучении, интегрированном с GenAI

• The Pedagogy of AI Mistakes: Fostering Higher-Order Thinking — Педагогика ошибок ИИ: развитие мышления высшего порядка (Hosseini 2026)

• Thinking—Fast, Slow, and Artificial: How AI Is Reshaping Human Reasoning and the Rise of Cognitive Surrender — Три-системная теория и когнитивная сдача: как ИИ переустраивает человеческое рассуждение (Shaw & Nave 2026)

• The Tragedy of the Cognitive Commons: How AI Could Disrupt the Regeneration of Professional Expertise — Трагедия когнитивного общего достояния: ИИ и регенерация экспертизы

• Does Generative Artificial Intelligence Improve Students' Higher-Order Thinking? A Meta-Analysis Based on 29 Experiments and Quasi-Experiments — Мета-анализ GenAI и мышления высшего порядка

• Can we disrupt the momentum of the AI colonization of science education? — Нарушение ИИ-колонизации естественнонаучного образования

• Reorienting Critical AI Literacy: A Community-Rooted Praxis of “Resisting AI” — Переориентация критической ИИ-грамотности

• Inquiry-Based Learning Patterns in Large Language Model-Driven Learning Environments: An Exploratory Study From Bloom's Perspective — Паттерны IBL в средах, управляемых LLM (перспектива Блума)

• Probing AI-Generated Physics Solutions and Preparing Students to Critique Them — Подготовка студентов к критике сгенерированных ИИ решений по физике

• 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 — Чрезмерная опора на ИИ, смоделированная как сложная адаптивная система

• More externalization, but less inference? Exploring changes in young learners' critical thinking during conversational — Специфичные по измерениям приобретения в критическом мышлении при мультимодальном письме с поддержкой ИИ (Lu et al. 2027)

• Tackling the Root of Misinformation by Teaching Laypeople about Logical Fallacies via Socratic Questioning and Critical Argumentation — обучение распознаванию логических ошибок через структурированный многоходовой диалог

• Building AI Companions that Prioritize Learning over Performance — обучение важнее результативности: для чего следует оптимизировать и измерять компаньонов

• Artificial intelligence-supported learning and higher-order cognitive outcomes: the mediating role of metacognitive self-regulation — Скаффолдинг ИИ, разгружение и грамотность верификации через метакогнитивную саморегуляцию (Davor et al. 2026)

• Helpful or harmful? Generative AI dependence, self-reported critical thinking disposition, and self-perceived employability among business students — Зависимость от GenAI ограничивает связь использования с критическим мышлением у студентов бизнеса (Shojaei et al. 2026)

• College students’ metacognitive awareness of generative-AI reliance: an experimental study of decision confidence and attribution bias — Рефлексивный промпт снижает принятие неверных советов ИИ и атрибутивную предвзятость (Ren 2026)

• Designing an AI-integrated role-rotation pedagogical model to support competence-related learning in pre-service educational psychologists — Ротация ролей как структура критического взаимодействия человек–ИИ (Kenzhebayeva et al. 2026)

• Generative artificial intelligence in university chemistry education: a critical review using Johnstone’s chemistry triplet and Biggs’ 3P model — Центрированная на верификации интеграция GenAI в университетском химическом образовании (Vega-Baudrit and Rivera Álvarez 2026)

• Effects of ChatGPT-Assisted Teacher Feedback on College Students' Critical Thinking Skills and Perceptions of Argumentative Writing — обратная связь ChatGPT, курируемая преподавателем, повысила критическое мышление через ревизию высшего порядка (Chen et al. 2026)

• Generative AI and Learning Dynamics in Higher Education: A Longitudinal Empirical Study — семестр доступа к ИИ оставил критическое мышление неизменным; рефлексивное использование его предсказывало (Melanou et al. 2026)

• GenAI dependence and graduate students’ research creativity: the roles of critical thinking and human–AI collaboration quality — Зависимость от GenAI положительно коррелировала с критическим мышлением у 1 157 студентов магистратуры

• The association between generative AI use and university students’ critical thinking: a moderated mediation model of GenAI feedback literacy and reflective thinking — От использования GenAI к критическому мышлению через грамотность обратной связи, с прямым путём только для менее рефлексивных студентов

• AI Literacy and STEM Education: Emerging Frontiers and Research Priorities — Синтез десяти наиболее цитируемых исследований ИИ-грамотности в STEM-образовании (Hallström et al. 2026)