Kritické myslenie

Automatický strojový preklad tejto anglickej stránky, ktorý ešte nebol skontrolovaný rodeným hovorcom.

Kritické myslenie — schopnosť analyzovať, hodnotiť a syntetizovať informácie — je zároveň zručnosťou, ktorú môžu nástroje AI pomôcť rozvíjať, aj kompetenciou, ktorú študenti musia uplatňovať pri používaní AI. Vo vzdelávaní s AI a vo výskume sa kritické myslenie objavuje v dvoch vzájomne prepojených podobách: ako cieľ učenia (učiť študentov myslieť kriticky) a ako zábezpeka proti nekritickej závislosti od AI.

Otázky na zamyslenie

• Ako ste si istí svojou schopnosťou odhaliť nepravdivú alebo zavádzajúcu odpoveď vygenerovanú AI? Výskum naznačuje, že samovyhlásená AI kompetencia ďaleko prevyšuje skutočnú schopnosť hodnotenia — ako by ste sa otestovali?
• Kritické myslenie sa tu objavuje v dvoch podobách: ako zručnosť, ktorú treba učiť, a ako zábezpeka proti nekritickej závislosti od AI. Napadá vás situácia, keď nástroj, ktorý „učí“ kritické myslenie, v skutočnosti trénuje jeho opak?
• Jedna štúdia zistila, že keď študenti skúmali chyby vygenerované AI, prinieslo to veľké prírastky v myslení vyššieho rádu. Ako by mohlo zámerné vystavenie chybám — namiesto ich skrývania — byť mocnejším výučbovým krokom, než ste predpokladali?
• Ľahký prístup k odpovediam AI môže vytlačiť kritickú angažovanosť skôr, než si to študenti uvedomia. Ktorý dizajnový prvok — nie politika alebo zákaz — by mohol udržať kognitívnu námahu nažive?
• Ukázalo sa, že rada AI potláča ochotu povedať „neviem“ — aj keď je rada nesprávna. Ako to mení to, čo znamená vytvoriť triednu kultúru, v ktorej je spochybňovanie bezpečné?

Úvod

Kritické myslenie je ústredné pre AI gramotnosť — študenti, ktorí nedokážu kriticky hodnotiť výstupy AI, sú zraniteľní voči nadmernej závislosti, halucinovaným informáciám a predpojatým odporúčaniam. Výskum kognitívnej záťaže ukazuje, že ľahký prístup k odpovediam AI môže vytlačiť kritickú angažovanosť, kým sokratovské prístupy, ktoré zadržiavajú priame odpovede, zachovávajú kognitívnu námahu potrebnú na hlbšie myslenie.

Tútora logických klamov od debatného chatbota oddeľuje štruktúrované riadenie dialógu, a nie lepší prompt: smerovanie každého ťahu cez detekciu zámeru založenú na Toulminovi, pevný poriadok stratégií a overovacieho agenta umožnilo jednému sokratovskému systému prejsť 84,5 % metrík kvality dialógu oproti 61,5 % pri heuristickom základe (Shi a spol. (2026)).

Kritické myslenie vo výskume AI vzdelávania

Články tejto vedomostnej bázy skúmajú kritické myslenie cez dizajnovo založené a empirické šošovky. Adversariálne AI agenti uskutočňujú konštruktívny konflikt, aby podnietili prehodnotenie u začínajúcich dizajnérov — sokratovský variant, ktorý vynucuje kritické prehodnotenie. RCT výskum generatívnej AI vo výučbe nastoľuje otázku, či nástroje AI optimalizované na povrchové výsledky nemôžu nechtiac potláčať kritické myslenie, ktoré vedie k hlbšiemu učeniu. Merané dôkazy tento bod zostrujú: či sa kritické myslenie pohne, závisí od toho, ako sú navrhnuté spätná väzba a úlohy sprostredkované AI a od metakognitívnej regulácie študentov, nie od prístupu k modelu.

Súvislosť používania generatívnej AI so samovyhláseným kritickým myslením prechádzala takmer výlučne cez gramotnosť v spätnej väzbe: u 421 čínskych bakalárov gramotnosť v spätnej väzbe mediovala 71,98 % celkovej asociácie (β=0,185) a zvyšková priama cesta bola pozitívna len u menej reflexívnych študentov (β=0,177) a nevýznamná u reflexívnejších (Yan a spol. (2026)).

Korpus nesie aj pesimistické čítanie v podobe argumentu, a nie merania. Muñiz a Castro Samayoa (2026) argumentujú, že kritické myslenie eroduje dominantný vzor používania, a nie prístup k modelu. Opierajú to o Deweyho tvrdenie, že myslenie sa zlepšuje len cvičením, a o tri mechanizmy: odstránené trenie, automatizačnú predpojatosť a rámec efektívnosti. Napätie so Zhao a spol. je reálne a v korpuse nevyriešené. Ich metaanalytický prírastok g = 0,609 opisuje navrhnuté intervencie, kým Muñiz a Castro Samayoa opisujú typické používanie. Čítané spolu, obe strany súhlasia, že rozhodujúcou premennou je dizajn, a nezhodujú sa v tom, ako vyzerá neriadený predvolený stav.

Metaanalytická kotva pre tvrdenie o moderovaní. Naprieč 29 experimentmi generatívna AI mierne zvýšila myslenie vyššieho rádu (g = 0,609), pričom kritické myslenie dosiahlo ES = 0,691 — pod riešením problémov (0,745) a nad kreativitou (0,444) — najsilnejšie pri intervenciách trvajúcich 8–16 týždňov (0,759) a u študentov s vysokou SRL (0,863 oproti 0,284) (Zhao a spol. (2025)).

Prehľady vplyvu ChatGPT na myslenie dokumentujú zmiešané zistenia: AI môže podoprieť kritickú analýzu, keď sa používa zámerne (napríklad keď študenti kritizujú argumenty vygenerované AI), ale môže aj skratovať myslenie, keď sa používa ako odpoveďový stroj. Toto napätie sa spája s výskumom nesúladu hodnotenia AI gramotnosti, ktorý ukazuje, že samovyhlásená AI kompetencia ďaleko prevyšuje skutočnú schopnosť kritického hodnotenia. Kritický prehľad 80 štúdií HCI o kritickom myslení s AI zistil, že odbor meria to, čo zriedka definuje: len 23 z 80 uviedlo, ako vôbec kritické myslenie chápe, 49 (61 %) ho hodnotilo samovyhlásením a nie výkonom a 42 (52 %) nepoužilo kontrolnú skupinu (A Critical Review of Critical Thinking in HCI Research About AI).

Lin a Al-Hada (2026) čítajú tento zmiešaný obraz ako disociáciu produktu a procesu: generatívna AI môže zvýšiť kvalitu zadania a zároveň znížiť neasistovaný, odložený transfer, ktorý je za ním, takže učenie by sa malo posudzovať podľa neasistovaného odloženého výkonu, a nie podľa produktu vytvoreného s AI.

• Kognitívna angažovanosť vyššieho rádu v chate študenta s AI. Chang a Li (2026) zisťujú, že približne 62 % promptov študentov na AI nesie kognitívnu požiadavku vyššieho rádu, pričom profily na úrovni Bloomovej taxonómie sa líšia podľa disciplíny (STEM s prevahou Apply 20,8 %, jazyky s prevahou Understand 31,7 %, sociálne vedy s prevahou Create 33,8 %). Ich dizajn v rámci osoby ukazuje, že tí istí študenti vytvárajú významne viac promptov vyššieho rádu v sociálnych vedách než v kurzoch STEM (p < ,001), čo naznačuje, že disciplinárny kontext formuje kritickú a vyššiu angažovanosť s AI.

• Vzory interakcie sa zhlukujú podľa Bloomovej úrovne a predchádzajúcich vedomostí. V písacej úlohe z dátovej vedy založenej na skúmaní vytvorilo 19 študentov 14 vzorov interakcie s LLM, ktoré sa líšili podľa úrovne predchádzajúcich vedomostí; dizajnovým dôsledkom bolo cieliť podporné lešenie na konkrétne štádiá myslenia vyššieho rádu, a nie na používanie LLM vo všeobecnosti (Luo a spol. (2026)).

• AI ako katalyzátor kritickej mediálnej gramotnosti u detí. Demir a Akar (2026) hodnotia 18-hodinový program kritickej mediálnej gramotnosti podľa modelu 5E pre tureckých žiakov štvrtého ročníka, v ktorom generatívna AI (ChatGPT, Grammarly) pôsobila ako pedagogický agent zabudovaný fázu po fáze, a nie ako dodatočný prvok. Porovnania párových vzoriek ukázali veľké prírastky v čítaní médií (+3,50), písaní (+1,67) a celkovej mediálnej gramotnosti (+5,17, všetko p < ,01), s veľkosťami efektu medzi skupinami v postteste Cohenovho d = 1,12 (čítanie), 1,18 (písanie) a 1,31 (celková gramotnosť) v prospech skupiny podporovanej AI. Kvalitatívna analýza (rozhovory, študentské plagáty/kresby/slogany, pozorovanie v triede) odhalila šesť domén rastu kritickej mediálnej gramotnosti — digitálna sebaochrana a ochrana údajov, účelné a zodpovedné používanie médií, bezpečná komunikácia a povedomie o hraniciach, kritické hodnotenie a povedomie o dezinformáciách, povedomie o online rizikách a mediálna etika/digitálne občianstvo — čo naznačuje, že zámerné skúmanie obsahu sprostredkovaného AI môže kultivovať kritickú analýzu a reflexiu u mladých študentov.

• Prírastky kritického myslenia špecifické pre dimenzie v primárnom multimodálnom písaní. Lu a spol. (2027) sledovali 60 žiakov 5. ročníka počas osemtýždňovej praxe multimodálneho písania podporovanej konverzačnou AI, v ktorej premieňali naratívy na obrazy a krátke videá generované AI. Analýza opakovaných meraní naprieč šiestimi dimenziami kritického myslenia našla trvajúce prírastky (T1→T2 a T1→T3) v interpretácii, analýze, hodnotení a vysvetlení, krátkodobý prírastok v seba-regulácii a žiadnu zmenu v inferencii — nerovnomerný vzor na úrovni dimenzií, ktorý by agregované skóre kritického myslenia skrylo. Autori argumentujú, že vizuály generované AI externalizovali význam, a tým znížili inferenčnú náročnosť, ktorú písanie bežne ukladá, kým rovesnícka spolupráca (otázky rovesníkov, ktoré nútili odvodzovať interpretácie iných) poskytla príležitosti na inferenciu, ktoré sólová interakcia s AI neponúkla. Dizajnová lekcia: multimodálne skladanie s AI podporuje viacero faset kritického myslenia, ale malo by sa spájať s pokračujúcim podporným lešením a štruktúrovanou rovesníckou výmenou, aby sa zachovala inferencia a samoregulácia.

• Podporné lešenie AI a odľahčenie ťahajú kritické myslenie opačnými smermi. Davor, Larbi a Boateng (2026) skúmali 533 univerzitných študentov v Ghane a zistili, že podporné lešenie úloh s AI predpovedalo vyššie kritické myslenie (β = ,185), kým tendencia ku kognitívnemu odľahčeniu predpovedala nižšie kritické myslenie (−,240); gramotnosť overovania AI nemala priamy efekt na kritické myslenie a pôsobila len cez metakognitívnu samoreguláciu — vzor úplnej mediácie, ktorý autori čítajú ako dôkaz, že učiť študentov overovať fakty o AI samo osebe nestačí. (Davor a spol. 2026)

• Hĺbka odľahčenia, nie používanie, ohraničuje myslenie vyššieho rádu. Delegovanie vrstvy uvažovania pri písaní — odôvodnení, protipríkladov, interpretácie dôkazov — nieslo najsilnejšiu negatívnu asociáciu s nezávislým myslením vyššieho rádu (ab = −0,34) a samoregulované písanie ju oslabilo, no nikdy neobrátilo (Chen (2026)).

• Závislosť, nie používanie, je miesto, kde sa asociácia s kritickým myslením obracia. Shojaei a kolegovia (2026) skúmali 412 študentov obchodu v Ománe a zistili takmer nulovú bivariačnú koreláciu medzi používaním generatívnej AI a samovyhlásenou dispozíciou ku kritickému mysleniu (r = 0,050), pričom závislosť predpovedala nižšiu dispozíciu (β = −0,389) a oslabovala väzbu od používania k dispozícii (β = −0,239), takže jednoduchý sklon klesol z 0,424 pri nízkej závislosti na −0,054 pri vysokej. (Shojaei a spol. 2026)

Väčší prierezový prieskum ukazuje opačným smerom: u 1 157 čínskych postgraduálnych študentov bola závislosť od generatívnej AI pozitívne spojená s kritickým myslením (β = 0,492) a kritické myslenie nieslo približne 85,0 % cesty od funkčnej závislosti k výskumnej kreativite (Yin a spol. (2026)).

• Predchádzajúce vedomosti a časovanie úlohy určujú znamienko efektu. Naprieč 108 preskúmanými dokumentmi generatívna AI zvýšila výkon v kritickom myslení u skúsených výskumníkov (+0,20) a znížila ho u nováčikov (−0,13); skorý prístup pomáha pod časovým tlakom, ale narúša kritické myslenie, keď je čas na uvažovanie (Zapata-Hernandez a spol. 2026).

• Krátky reflexívny prompt robí závislosť od rady AI rozlišujúcejšou. V experimente s tromi podmienkami a 342 bakalármi Ren (2026) zistil, že otvorená podpora ChatGPT viedla k prijatiu nesprávnych odporúčaní AI v 62,4 % pokusov, čo kleslo na 39,7 % s krátkym metakognitívnym reflexívnym promptom (OR = 0,40, 95 % CI [0,28; 0,56]); reflexia tiež zlepšila kalibráciu povedomia (0,59 oproti 0,41) a znížila index atribučnej predpojatosti špecifickej pre AI z 0,42 na 0,21 bez zníženia presnosti odporúčaní alebo vyvolania plošného odmietania užitočných rád. (Ren 2026)

• Sebavedomie môže rásť, kým presnosť klesá. Shaw a Nave (2026) zistili, že konzultácia s asistentom AI zvýšila presnosť o 25 percentuálnych bodov, keď mal pravdu, a znížila ju o 15, keď sa mýlil, no angažovanosť s ním zvýšila sebavedomie aj po chybách a 73,2 % pokusov s nesprávnou AI skončilo kognitívnym odovzdaním, a nie strategickým odľahčením.

• Spätná väzba ChatGPT kurátorovaná učiteľom zvyšuje kritické myslenie cez revíziu vyššieho rádu. Chen a kolegovia (2026) uskutočnili 18-týždňový kváziexperiment so 64 bakalármi, všetko budúcimi učiteľmi chémie, fyziky alebo matematiky, a porovnávali konvenčnú spätnú väzbu učiteľa (n = 32) so spätnou väzbou učiteľa asistovanou ChatGPT (n = 32) pri dvoch argumentačných písacích úlohách. Skupiny začali ekvivalentne a významne sa zlepšila len asistovaná skupina (p < ,001), pričom Cohenovo d stúplo z 0,25 v preteste na 3,74 v postteste. Mechanizmom bol druh spätnej väzby, nie samotná prítomnosť modelu: asistovaná skupina dostala viac demonštračnej (33,1 % oproti 10,9 %) a tesne sa dopytujúcej (21,5 % oproti 6,0 %) spätnej väzby, revidovala 91,00 % (435 z 478) jednotiek spätnej väzby oproti 85,21 % (242 z 284) a epistemická sieťová analýza spojila tieto revízie s analýzou, hodnotením a tvorbou, a nie s rozpoznávaním a porozumením, kým výučba a hodnotiaca spätná väzba len od učiteľa produkovali prevažne revízie rozpoznávania a porozumenia. Učitelia pokladali výstup modelu za konceptový materiál a rozširovali, revidovali alebo zahadzovali ho (14 % zahodených, 9 % vyžadujúcich korekciu) a šiesti z ôsmich intervievaných stále upozorňovali na nepresnosť alebo neprofesionálnosť. Dizajnová lekcia je, že prírastok kritického myslenia prišiel zo spätnej väzby, ktorá modeluje alternatívy a skúma uvažovanie študenta, pričom učiteľ kurátoruje to, čo model vyprodukoval; malá vzorka z jedného semestra znamená, že veľmi veľká veľkosť efektu sa má čítať opatrne. (Chen a spol. 2026)

• Semester prístupu k AI nechal kritické myslenie bez zmeny, kým reflexívne používanie ho sledovalo. Melanou, Beege a Kimmig (2026) sledovali 87 študentov obchodnej informatiky počas deväťtýždňového kurzu v troch paralelných podmienkach (AI rámcovaná ako tútor, neriadená AI a žiadna AI) s tromi meraniami. Vedomosti stúpli v každej skupine bez výhody ani jednej podmienky s AI a bez Matúšovho efektu (BF01 = 8,70), kým samovyhlásené kritické myslenie a motivácia zostali stabilné. Študentov oddeľovalo reflexívne používanie, prax overovania zdrojov a validácie výstupu AI pred jeho prijatím: bolo vyššie v podmienke s AI než v kontrolnej skupine (priemery 3,72 oproti 2,82) a predpovedalo kritické myslenie pri poslednom meraní (R² = 0,183, β = 0,43, p < ,001). Výsledok kvalifikuje akékoľvek očakávanie, že kurz používania AI pohne kritickým myslením sám od seba: metakognitívna regulácia, a nie prístup k nástroju, je miestom, kde asociácia žije, a autori poznamenávajú, že semester je pravdepodobne príliš krátky na to, aby sa ukázala trvácna zmena. (Melanou a spol. 2026)

Súvislosti s inými konceptmi

Kritické myslenie sa pretína s podporným lešením (navrhovanie podpory AI, ktorá udržiava kognitívnu náročnosť), inžinierstvom promptov (formulovanie otázok, ktoré vyvolávajú kritickú analýzu) a nadmernou závislosťou (vedieť, kedy AI dôverovať a kedy ju spochybniť). Je základom akademickej integrity a slúži ako kľúčová dimenzia rámcov AI gramotnosti v kontextoch K-12 aj vysokého školstva.

• Chyby AI ako provokácie pre myslenie vyššieho rádu: Hosseini (2026) operacionalizuje Bloomove úrovne vyššieho rádu (Analyze, Evaluate, Create) tak, že študenti v kurze databáz skúmajú chyby vygenerované AI, s významnými prírastkami pred/po (Cohenovo d=1,49) v odborovej kompetencii.

• Kritika výstupu AI je zručnosť, ktorú možno podoprieť, a nie vedľajší produkt riešenia problémov. Skupiny, ktoré len riešili súvisiaci fyzikálny problém, prijali uhladené riešenie AI alebo ho kritizovali z vlastných mylných predstáv, kým reflexia vedená rubrikou MAPS produkovala kritiky zosúladené s expertmi na chýbajúcu integráciu a nedefinovanú notáciu (Borse a spol. (2026)).

• Ohraničte AI, aby sa zachovala kognitívna agentúra. Plán E3-HOT mapuje tri vtelené cesty — situačné zakotvenie, vtelenú participáciu, kognitívnu tvorbu — na Analyze, Evaluate a Create a obmedzuje AI na prompty, kritiku a návrhy stratégie, takže študenti musia artikulovať odôvodnenia a citovať dôkazy pred prijatím tvrdenia (Zhu a spol. (2026)).

• Obojsmerný audit vysvetlení AI. Bernstein a Sibia (2026) použili Paul–Elderove štandardy (presnosť, jasnosť, predpoklady, hľadisko) ako interviewové sondy s desiatimi študentmi, ktorí absolvovali CS2, a našli mechanizmový skrutinizmus vysvetlení generatívnej AI: študenti lokalizovali, kde sa mapovanie analógie zlomilo (analógia ostrovných trás pre spájaný zoznam, ktorá implikovala kruh; badmintonová výmena ponúknutá pre rekurziu, ktorá nemala zaručený zmenšujúci sa vstup), žiadali presné formulácie namiesto vyhýbavosti a pokladali vysvetlenia za argumenty nesúce hľadisko. Kriticky, tento skrutinizmus sledoval odbornosť v zdrojovej alebo cieľovej doméne, a nie osobný záujem — čo prerámuje kritické hodnotenie výstupu AI ako vedomostný problém („obojsmerný audit analógií“), a nie dispozičný — a naznačuje, že zadávanie chybných analógií AI ako objektov na skúmanie a opravu je tvrdšia kontrola konceptuálneho porozumenia než čítanie hotového vysvetlenia. (Flawed but Memorable: Student Critical Reception of Interest-Personalized GenAI Analogies in Computing Education)

• Kritické myslenie ako angažovanosť, ktorú nemožno outsourcovať. Xie (2026) pridáva filozofický náprotivok z daoistického sebakultivovania: pretože AI je nepriehľadná „čierna skrinka“, rámec orientovaný na zlaďovanie neistoty, a nie na absolútne rozhodovanie pravdy, lepšie vyhovuje súčasnej epistemickej krajine a kritické myslenie sa stáva trvalou angažovanosťou s realitou vedenou z prvej osoby, ktorú nemožno outsourcovať, a nie preukázateľným racionálnym postupom. V praxi Neidan (內丹) „neexistujú kognitívne skratky“, takže AI je pozicionovaná ako „nie kognitívny zástupca, ale inštrumentálny doplnok“ ľudského rozkvetu. (Alternative AI Philosophy: Daoism as Method for AI in Education)

• Rotácia rolí ako štruktúra kritickej interakcie človeka a AI. Kenzhebayeva a kolegovia (2026) referujú dizajnovo založenú štúdiu, v ktorej 62 budúcich školských psychológov rotovalo cez štyri profesijné roly (Case Constructor, Research Analyst, Practitioner-Interventionist, Reflective Researcher), ktoré urobili z generovaných odporúčaní predmet diskusie. Účastníci porovnávali výstup AI s psychologickou teóriou a upravovali alebo odmietali odporúčania, ktoré k prípadu nepasovali, a neskoršie cykly ukázali viac žiadostí o teoretické odôvodnenie, kým nadmerná závislosť od zdanlivo autoritatívnych odpovedí pretrvávala. (Kenzhebayeva a spol. 2026)

• Na overovanie zameraná integrácia v disciplíne. Kritický prehľad generatívnej AI v univerzitnom vzdelávaní chémie (Vega-Baudrit a Rivera Álvarez, 2026) argumentuje, že pretože chemické uvažovanie sa musí koordinovať naprieč makroskopickými, submikroskopickými a symbolickými reprezentáciami, študenti nemôžu overiť to, čomu nerozumejú, takže predchádzajúce vedomosti a podporné lešenie idú prvé a overovanie by sa malo navrhnúť do hodnotenia ako hodnotená činnosť: identifikovať falošný predpoklad, opraviť chybu jednotky alebo mechanizmu, alebo odôvodniť odmietnutie vygenerovanej odpovede, pričom sa uchovávajú logy promptov a histórie revízií ako stopy uvažovania. (Vega-Baudrit a Rivera Álvarez 2026)

• Overovanie ako učebná činnosť, nielen zábezpeka. Wang (2026) organizuje hodnotenie artefaktov AI okolo šiestich vzájomne závislých dimenzií — Process, Evidence, Access, Reproducibility, Legitimacy a Source — a pokladá zostavenie tohto odôvodnenia, a nie plynulosť výstupu, za to, čo buduje odbornosť v disciplíne.

Najväčšou zraniteľnosťou v tejto vedomostnej báze hodnotenou expertmi je kritické myslenie. Naprieč 65 učebnými procesmi hodnotenými 30 expertmi získali Critical Thinking a Critical-Analytic Thinking najvyššie hodnotenie narušenia v správe (priemer 4,00 z 5; 96 % hodnotiteľov na úrovni 3 alebo vyššie) s podporou pod prahom (2,40, 43 %) (Kendeou, Greene a Nixon a spol., 2026). Desať z osemnástich procesov vyššieho rádu dosiahlo konsenzus len na zraniteľnosti, čo správa číta ako jednostranné riziko, a nie kompromis.

• Asociáciu nesie štruktúra partnerstva, nie vystavenie. Akgun a Toker (2026) modelovali 891 amerických a tureckých vysokoškolských študentov teóriou systémov transaktívnej pamäti a zistili, že samovyhlásená schopnosť myslenia ani dôvera v partnerstvo s AI priamo nepredpovedali uskutočňovanie kritického myslenia. Obe napájali oboznámenosť s generatívnou AI, ktorá následne predpovedala len dve správania: špecializáciu a koordináciu práce (b = 0,636) a reflexívnu transformáciu výstupu (b = 0,367). Tie správania predpovedali kritické myslenie (b = 0,230 a b = 0,175) bez zostávajúcej priamej cesty (CFI = 0,974, RMSEA = 0,048). Je to mechanizmová verzia opakujúceho sa nulového výsledku odboru: hodiny používania a samohodnotená kompetencia nie sú proxami kritického myslenia a to, čo štúdia meria, keď sa pýta na vystavenie, je vstup do reťazca, a nie jeho výsledok.

Bežné mylné predstavy

• „Lepší prompt produkuje lepšie kritické myslenie.“ Skutočnú prácu odviedlo štruktúrované riadenie dialógu, nie lepší prompt, ktoré oddeľuje tútora logických klamov od debatného chatbota: smerovanie každého ťahu cez detekciu zámeru založenú na Toulminovi. Mechanizmom je štruktúra interakcie, a nie formulácia.
• „Používanie generatívnej AI priamo zvyšuje kritické myslenie.“ Súvislosť používania generatívnej AI so samovyhláseným kritickým myslením prechádzala takmer výlučne cez gramotnosť v spätnej väzbe — u 421 čínskych bakalárov gramotnosť v spätnej väzbe mediovala 71 % asociácie. Cestou je gramotnosť.
• „Metaanalytický efekt je rovnomerný.“ Naprieč 29 experimentmi generatívna AI mierne zvýšila myslenie vyššieho rádu (g = 0,609), pričom kritické myslenie dosiahlo ES = 0,691. Mierne zlúčené efekty naprieč heterogénnymi intervenciami podporujú kategóriu, a nie konkrétny dizajn.

Súvisiace koncepty

• Metacognition
• Kognitívne odľahčenie
• AI gramotnosť
• Generative AI
• Higher Education
• Problem-Based Learning
• Intelligent Tutoring
• Vzdelávací rozvoj
• Výučba
• Student Experience
• Chemistry Education — Vzdelávanie v chémii a AI: laboratóriá, formatívne hodnotenie, limity LLM, filozofia experimentovania
• Biology Education — Vzdelávanie v biológii a AI: asistenti v laboratóriu, AI gramotnosť v biológii, kritické myslenie, špecializované nástroje
• Kognitívna kapitulácia
• Reflection

Súvisiace články

• 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)