Kritiskt tänkande

Automatisk maskinöversättning av denna engelska sida, ännu inte granskad av en modersmålstalare.

Kritiskt tänkande — förmågan att analysera, utvärdera och syntetisera information — är både en färdighet som AI-verktyg kan hjälpa till att utveckla och en kompetens som eleverna måste tillämpa när de använder AI. I AI i utbildningen och AIED-forskningen framträder kritiskt tänkande i två sammanlänkade former: som ett lärandemål (att lära elever att tänka kritiskt) och som ett skydd mot okritiskt AI-beroende.

Frågor att fundera över

• Hur säker är du på din förmåga att upptäcka ett falskt eller vilseledande AI-genererat svar? Forskning tyder på att självskattad AI-kompetens vida överstiger den faktiska utvärderingsförmågan — hur skulle du pröva dig själv?
• Kritiskt tänkande framträder här i två former: en färdighet att undervisa i och ett skydd mot okritiskt beroende av AI. Kan du komma på en situation där ett verktyg som "lär ut" kritiskt tänkande i själva verket tränar motsatsen?
• En studie fann att låta elever förhöra AI-genererade misstag gav stora vinster i högre ordningens tänkande. Hur kan det att medvetet blottlägga fel — i stället för att dölja dem — vara ett kraftfullare undervisningsdrag än du antog?
• Enkel tillgång till AI-svar kan tränga undan kritiskt engagemang innan eleverna märker det. Vilken designegenskap, snarare än en policy eller ett förbud, skulle kunna hålla den kognitiva ansträngningen vid liv?
• Det har visats att AI-råd dämpar viljan att säga "jag vet inte" — även när rådet är fel. Hur förändrar det vad det innebär att skapa en klassrumskultur där det är tryggt att ifrågasätta?

Introduktion

Kritiskt tänkande är centralt för AI-kompetens — elever som inte kan utvärdera AI-resultat kritiskt är sårbara för överberoende, hallucinerad information och partiska rekommendationer. Forskning om kognitiv avlastning visar att enkel tillgång till AI-svar kan tränga undan kritiskt engagemang, medan sokratiska angreppssätt som håller tillbaka direkta svar bevarar den kognitiva ansträngning som krävs för djupare tänkande.

Det som skiljer en handledare i logiska felslut från en debattchattbot är strukturerad dialogstyrning, inte en bättre prompt: genom att styra varje tur genom Toulmin-baserad avsiktsdetektering, en fast strategiordning och en verifieringsagent kunde ett sokratiskt system klara 84,5% av dialogkvalitetsmåtten mot 61,5% för en heuristisk baslinje (Shi m.fl. (2026)).

Kritiskt tänkande i AIED-forskningen

Kunskapsbasens artiklar utforskar kritiskt tänkande genom designbaserade och empiriska linser. Adversariella AI-agenter iscensätter konstruktiv konflikt för att få novisa designers att ompröva — en sokratisk variant som tvingar fram kritisk omvärdering. RCT-forskning om GenAI i undervisningen väcker frågan om AI-verktyg som optimerar för ytliga utfall oavsiktligt kan dämpa det kritiska tänkande som leder till djupare lärande. Mätt evidens skärper poängen: huruvida kritiskt tänkande rör sig beror på hur AI-förmedlad återkoppling och uppgifter är designade, och på elevernas metakognitiva reglering, inte på tillgången till en modell.

Kopplingen mellan GenAI-användning och självskattat kritiskt tänkande gick nästan helt genom GenAI-feedbackkompetens: hos 421 kinesiska grundstudenter medierade feedbackkompetensen 71,98% av det totala sambandet (β = 0,185), och den återstående direkta vägen var positiv endast för mindre reflekterande elever (β = 0,177) och icke-signifikant för mer reflekterande (Yan m.fl. (2026)).

Korpusen bär också den pessimistiska läsningen som argument snarare än mätning. Muñiz och Castro Samayoa (2026) hävdar att det dominerande användningsmönstret urholkar kritiskt tänkande, inte tillgången till en modell. De grundar detta på Deweys påstående att tänkande bara förbättras genom övning, och på tre mekanismer: borttagen friktion, automatiseringsbias och en effektivitetsram. Motsättningen med Zhao m.fl. är verklig och olöst i korpusen. Deras metaanalytiska vinst på g = 0,609 beskriver designade insatser, medan Muñiz och Castro Samayoa beskriver typisk användning. Lästa tillsammans är de två överens om att det är designvariabeln som spelar roll, och oense om hur den ohanterade standarden ser ut.

Ett metaanalytiskt ankare för moderationspåståendet. Över 29 experiment höjde GenAI högre ordningens tänkande måttligt (g = 0,609), med kritiskt tänkande på ES = 0,691 — under problemlösning (0,745) och över kreativitet (0,444) — starkast för insatser på 8–16 veckor (0,759) och för elever med hög självreglering (0,863 mot 0,284) (Zhao m.fl. (2025)).

Genomgångar av ChatGPT:s påverkan på tänkandet dokumenterar blandade fynd: AI kan strukturera kritisk analys när det används medvetet (till exempel att låta elever kritisera AI-genererade argument), men det kan också koppla förbi tänkandet när det används som en svarsmaskin. Denna spänning kopplar till forskning om bedömning av AI-kompetens som visar att självskattad AI-kompetens vida överstiger den faktiska kritiska utvärderingsförmågan. En kritisk genomgång av 80 HCI-studier om kritiskt tänkande med AI fann att fältet mäter det det sällan definierar: bara 23 av de 80 angav hur de över huvud taget förstod kritiskt tänkande, 49 (61%) bedömde det genom självskattning i stället för prestation, och 42 (52%) använde ingen kontrollgrupp (A Critical Review of Critical Thinking in HCI Research About AI).

Lin och Al-Hada (2026) läser den blandade bilden som en produkt–process-dissociation: GenAI kan höja kvaliteten på en inlämningsuppgift samtidigt som det sänker den oassisterade, fördröjda överföringen bakom den, så lärande bör bedömas på oassisterad fördröjd prestation snarare än på den AI-assisterade produkten.

• Högre ordningens kognitiva engagemang i elev–AI-chatt. Chang och Li (2026) finner att cirka 62% av elevernas prompter till AI kodar högre ordningens kognitiva krav, med Bloom-nivåprofiler som varierar med disciplin (STEM Apply-dominerad 20,8%, språk Understand-dominerad 31,7%, samhällsvetenskap Create-dominerad 33,8%). Deras inomperson-design visar att samma elever producerar signifikant fler högre ordningens prompter i samhällsvetenskapskurser än i STEM-kurser (p < 0,001), vilket tyder på att disciplinär kontext formar kritiskt och högre ordningens engagemang med AI.

• Interaktionsmönster klustrar efter Bloom-nivå och förkunskaper. I en undersökningsbaserad datavetenskaplig skrivuppgift producerade 19 elever 14 interaktionsmönster med LLM:er som varierade med förkunskapsnivå, och designimplikationen var att rikta struktureringen mot specifika högre ordningens tänkandestadier snarare än mot LLM-användning i allmänhet (Luo m.fl. (2026)).

• AI som katalysator för kritisk mediekompetens hos barn. Demir och Akar (2026) utvärderar ett 18-timmars, 5E-modellerat program för kritisk mediekompetens för turkiska fjärdeklassare där generativ AI (ChatGPT, Grammarly) fungerade som en pedagogisk agent inbäddad fas för fas i stället för som ett påhäng. Parade urvalsjämförelser visade stora vinster i medieläsning (+3,50), skrivande (+1,67) och total mediekompetens (+5,17, alla p < 0,01), med effektstorlekar mellan grupper vid eftertest på Cohens d = 1,12 (läsning), 1,18 (skrivande) och 1,31 (total kompetens) till förmån för den AI-stödda gruppen. Kvalitativ analys (intervjuer, elevers affischer/teckningar/slogans, klassrumsobservation) synliggjorde sex domäner av tillväxt i kritisk mediekompetens — digitalt självskydd och dataintegritet, målmedveten och ansvarsfull medieanvändning, säker kommunikation och gränsmedvetenhet, kritisk utvärdering och medvetenhet om desinformation, medvetenhet om nätrisker, och medieetik, etiska frågor och digitalt medborgarskap — vilket tyder på att medvetet förhörande av AI-förmedlat innehåll kan odla kritisk analys och reflektion hos unga elever.

• Dimensionsspecifika vinster i kritiskt tänkande vid multimodal skrivning i grundskolan. Lu m.fl. (2027) följde 60 femteklassare genom en åtta veckor lång konversations-AI-stödd multimodal skrivpraktik där de förvandlade berättelser till AI-genererade bilder och korta videor. Upprepade mätningar över sex dimensioner av kritiskt tänkande fann ihållande vinster (T1→T2 och T1→T3) i tolkning, analys, utvärdering och förklaring, en kortvarig vinst i självreglering, och ingen förändring i slutledning — ett ojämnt mönster på dimensionsnivå som en sammanvägd poäng för kritiskt tänkande skulle ha dolt. Författarna hävdar att de AI-genererade visualiseringarna externaliserade mening och därmed sänkte det slutledningskrav som skrivandet normalt ställer, medan kamratsamarbete (kamratfrågor som tvingade fram slutledning om andras tolkningar) gav de tillfällen till slutledning som den solitära AI-interaktionen inte gjorde. Designlärdomen: multimodal AI-komposition stöder flera aspekter av kritiskt tänkande men bör paras med fortsatt strukturering och strukturerat kamratutbyte för att bevara slutledning och självreglering.

• AI-strukturering och avlastning drar kritiskt tänkande i motsatta riktningar. Davor, Larbi och Boateng (2026) enkätade 533 universitetsstudenter i Ghana och fann att AI-uppgiftsstrukturering förutsade högre kritiskt tänkande (β = 0,185) medan benägenheten till kognitiv avlastning förutsade lägre (β = -0,240); AI-verifieringskompetens hade ingen direkt effekt på kritiskt tänkande och verkade bara genom metakognitiv självreglering, ett fullständigt medieringsmönster som författarna läser som bevis för att det inte räcker att lära elever att faktakontrollera AI. (Davor m.fl. 2026)

• Avlastningens djup, inte användningen, begränsar högre ordningens tänkande. Att delegera skrivandets resonemangslager — belägg, motargument, tolkning av evidens — bar den starkaste negativa associationen med oberoende högre ordningens tänkande (ab = −0,34), och självreglerat skrivande försvagade den men vände den aldrig (Chen (2026)).

• Beroendet, inte användningen, är där kopplingen till kritiskt tänkande vänder. Shojaei och kollegor (2026) enkätade 412 affärsstudenter i Oman och fann en nära-noll bivariat korrelation mellan GenAI-användning och självskattad kritisk-tänkande-disposition (r = 0,050), med beroende som förutsade lägre disposition (β = -0,389) och försvagade länken från användning till disposition (β = -0,239), så att den enkla lutningen föll från 0,424 vid lågt beroende till -0,054 vid högt. (Shojaei m.fl. 2026)

En större tvärsnittsenkät pekar i motsatt riktning: bland 1 157 kinesiska doktorander var GenAI-beroende positivt associerat med kritiskt tänkande (β = 0,492), och kritiskt tänkande bar ungefär 85,0% av vägen från funktionellt beroende till forskningskreativitet (Yin m.fl. (2026)).

• Förkunskaper och uppgiftens timing bestämmer effektens tecken. Över 108 granskade dokument höjde GenAI prestationen i kritiskt tänkande för erfarna forskare (+0,20) och sänkte den för noviser (−0,13); tidig tillgång hjälper under tidspress men försämrar kritiskt tänkande när det finns tid för eftertanke (Zapata-Hernandez m.fl. 2026).

• En kort reflektionsprompt gör beroendet av AI-råd mer urskiljbart. I ett trebetingat experiment med 342 grundstudenter fann Ren (2026) att öppen ChatGPT-support ledde till acceptans av felaktiga AI-rekommendationer i 62,4% av försöken, vilket sjönk till 39,7% med en kort metakognitiv reflektionsprompt (OR = 0,40, 95% CI [0,28, 0,56]); reflektionen förbättrade också medvetenhetskalibreringen (0,59 mot 0,41) och sänkte det AI-specifika attributionbiasindexet från 0,42 till 0,21 utan att minska rekommendationernas träffsäkerhet eller utlösa ett generellt förkastande av användbara råd. (Ren 2026)

• Självförtroende kan stiga medan träffsäkerheten faller. Shaw och Nave (2026) fann att konsultation av en AI-assistent höjde träffsäkerheten med 25 procentenheter när den hade rätt och sänkte den med 15 när den hade fel, men att engagera den ökade självförtroendet även efter fel, och 73,2% av försöken med felaktig AI slutade i kapitulation snarare än strategisk avlastning.

• Lärarkurerad ChatGPT-återkoppling höjer kritiskt tänkande genom högre ordningens revidering. Chen och kollegor (2026) genomförde ett 18-veckors kvasi-experiment med 64 grundstudenter, alla blivande lärare i kemi, fysik eller matematik, och jämförde konventionell läraråterkoppling (n = 32) med ChatGPT-assisterad läraråterkoppling (n = 32) över två argumenterande skrivuppgifter. Grupperna började likvärdiga, och bara den assisterade gruppen förbättrades signifikant (p < 0,001), med Cohens d som steg från 0,25 vid förtest till 3,74 vid eftertest. Mekanismen var återkopplingens slag, inte bara närvaron av en modell: den assisterade gruppen fick mer demonstration (33,1% mot 10,9%) och nära ifrågasättande (21,5% mot 6,0%) återkoppling, reviderade 91,00% (435 av 478) av återkopplingsenheterna mot 85,21% (242 av 284), och epistemisk nätverksanalys knöt dessa revideringar till analys, utvärdering och skapande snarare än igenkänning och förståelse, medan enbart lärarundervisning och utvärderingsåterkoppling mest gav revideringar av igenkänning och förståelse. Lärarna behandlade modellens utdata som utkastmaterial och utökade, reviderade eller förkastade det (14% förkastades, 9% behövde korrigering), och sex av åtta intervjuade påpekade fortfarande oprecishet eller oprofessionellt språk. Designlärdomen är att vinsten i kritiskt tänkande kom från återkoppling som modellerar alternativ och förhör elevens resonemang, med en lärare som kurerar det modellen producerade; det lilla urvalet under en enda termin innebär att den mycket stora effektstorleken bör läsas med försiktighet. (Chen m.fl. 2026)

• En termin med AI-tillgång lämnade kritiskt tänkande oförändrat, medan reflekterad användning följde det. Melanou, Beege och Kimmig (2026) följde 87 affärsinformatikstudenter genom en nio veckor lång kurs i tre parallella betingelser (handledarformat AI, ostyrd AI och ingen AI) mätt tre gånger. Kunskapen steg i varje grupp utan fördel för någon av AI-betingelserna och utan Matteuseffekt (BF01 = 8,70), medan självskattat kritiskt tänkande och Motivation förblev stabila. Det som skilde eleverna åt var reflekterad användning, praktiken att kontrollera källor och verifiera AI-resultat innan de antas: den var högre i AI-betingelsen än i kontrollgruppen (medelvärden 3,72 mot 2,82) och förutsade kritiskt tänkande vid den sista mätningen (R² = 0,183, β = 0,43, p < 0,001). Resultatet kvalificerar varje förväntan om att en kurs med AI-användning ska flytta kritiskt tänkande av sig själv: metakognitiv reglering, inte verktygsåtkomst, är där associationen bor, och författarna noterar att en termin sannolikt är för kort för att se varaktig förändring. (Melanou m.fl. 2026)

Kopplingar till andra begrepp

Kritiskt tänkande korsar strukturering (att designa AI-stöd som behåller det kognitiva kravet), promptteknik (att formulera frågor som lockar fram kritisk analys) och överberoende (att veta när man ska lita på och när man ska ifrågasätta AI). Det är grundläggande för akademisk integritet och fungerar som en nyckeldimension i ramverk för AI-kompetens i både K-12 och högre utbildning.

• AI-fel som provokationer för högre ordningens tänkande: Hosseini (2026) operationaliserar Blooms högre nivåer (Analysera, Utvärdera, Skapa) genom att låta elever förhöra AI-genererade misstag i en databaskurs, med signifikanta för- och eftervinster (Cohens d = 1,49) i ämneskompetens.

• Kritik av AI-resultat är en färdighet som kan struktureras, inte en biprodukt av problemlösning. Grupper som bara löste ett närliggande fysikproblem accepterade en polerad AI-lösning eller kritiserade den utifrån sina egna missuppfattningar, medan MAPS-rubrikstyrd reflektion gav expertanpassad kritik av saknad integration och odefinierad notation (Borse m.fl. (2026)).

• Avgränsa AI för att bevara kognitiv agency. E3-HOT-blåkopian kartlägger tre kroppsliga vägar — situationell inbäddning, kroppsligt deltagande, kognitivt skapande — mot Analysera, Utvärdera och Skapa, och begränsar AI till prompter, kritik och strategiförslag så att eleverna måste artikulera skäl och åberopa evidens innan ett påstående accepteras (Zhu m.fl. (2026)).

• Tvåsidig granskning av AI-förklaringar. Bernstein och Sibia (2026) använde Paul–Elder-standarder (träffsäkerhet, klarhet, antaganden, perspektiv) som intervjuprober med tio studenter som hade slutfört CS2, och fann mekanismnära granskning av GenAI-förklaringar: eleverna lokaliserade var en analogis mappning brast (en analogi med ö-rutter för en länkad lista som antydde en cirkel, en badmintonrally för rekursion som saknade garanterad minskande indata), krävde exakt formulering framför hedging och behandlade förklaringar som argument med ett perspektiv. Avgörande var att denna granskning följde expertis i käll- eller måldomänen snarare än personligt intresse — vilket omramar kritisk utvärdering av AI-resultat som ett kunskapsproblem ("tvåsidig analogigranskning") snarare än ett dispositionsproblem — och tyder på att det är ett hårdare prov på begreppsförståelse att tilldela bristfälliga AI-analogier som objekt att granska och reparera än att läsa en färdig förklaring.(Flawed but Memorable: Student Critical Reception of Interest-Personalized GenAI Analogies in Computing Education)

• Kritiskt tänkande som engagemang som inte kan läggas ut. Xie (2026) tillför en filosofisk motpart från daoistisk självutveckling: eftersom AI är en ogenomskinlig "svart låda" passar ett ramverk inriktat på att harmonisera osäkerhet snarare än att avgöra sanning i absoluta termer bättre för det nuvarande epistemiska landskapet, och kritiskt tänkande blir ett uthålligt, förstapersons, icke-utläggbart engagemang med verkligheten snarare än en påvisbar rationell procedur. I Neidan-praktik (內丹) "finns inga kognitiva genvägar", så AI positioneras som "inte en kognitiv ställföreträdare utan ett instrumentellt tillägg" till mänskligt blomstrande.(Alternative AI Philosophy: Daoism as Method for AI in Education)

• Rollrotation som struktur för kritisk människa–AI-interaktion. Kenzhebayeva och kollegor (2026) rapporterar en designbaserad studie där 62 blivande utbildningspsykologer roterade genom fyra yrkesroller (Case Constructor, Research Analyst, Practitioner-Interventionist, Reflective Researcher) som gjorde genererade rekommendationer till föremål för diskussion. Deltagarna jämförde AI-resultat med psykologisk teori och modifierade eller förkastade rekommendationer som inte passade fallet, och senare cykler visade fler förfrågningar om teoretisk motivering, medan överberoende av till synes auktoritativa svar kvarstod. (Kenzhebayeva m.fl. 2026)

• Verifieringscentrerad integrering i en disciplin. En kritisk genomgång av generativ AI i universitetsämnet kemi (Vega-Baudrit och Rivera Álvarez, 2026) hävdar att eftersom kemiskt resonemang måste samordnas över makroskopiska, submikroskopiska och symboliska representationer, kan elever inte verifiera det de inte förstår, så förkunskaper och strukturering kommer först och verifiering bör designas in i bedömningen som en bedömd aktivitet: identifiera ett felaktigt antagande, korrigera ett enhets- eller mekanismfel, eller motivera ett förkastande av ett genererat svar, med promptloggar och revideringshistorier som resonemangsspår. (Vega-Baudrit och Rivera Álvarez 2026)

• Verifiering som en lärandeaktivitet, inte bara ett skydd. Wang (2026) organiserar utvärdering av AI-artefakter kring sex ömsesidigt beroende dimensioner — Process, Evidence, Access, Reproducibility, Legitimacy och Source — och behandlar det att sammanställa detta berättigande, snarare än resultatets flyt, som det som bygger disciplinär expertis.

Den största expertbedömda sårbarheten i kunskapsbasen är kritiskt tänkande. Över 65 lärandeprocesser bedömda av 30 experter fick Critical Thinking och Critical-Analytic Thinking rapportens högsta störningsbetyg (medelvärde 4,00 av 5; 96% av bedömarna på eller över 3) med förstärkning under tröskeln (2,40, 43%) (Kendeou, Greene & Nixon m.fl., 2026). Tio av arton processer av högre ordning nådde konsensus endast om sårbarhet, vilket rapporten läser som ensidig risk snarare än en avvägning.

• Partnerskapets struktur, inte exponeringen, bär associationen. Akgun och Toker (2026) modellerade 891 amerikanska och turkiska collegestudenter med teorin om transaktiva minnessystem och fann att varken självskattad tänkeförmåga eller förtroende för AI-partnerskapet direkt förutsade utövandet av kritiskt tänkande. Båda matade GenAI-förtrogenhet, som i sin tur bara förutsade två beteenden: specialisering och arbetsdelning (b = 0,636) och reflekterande omvandling av resultat (b = 0,367). Dessa beteenden förutsade kritiskt tänkande (b = 0,230 och b = 0,175) utan att någon direkt väg återstod (CFI = 0,974, RMSEA = 0,048). Detta är mekanismnivåversionen av fältets återkommande nollresultat: användningstimmar och självskattad kompetens är inte proxys för kritiskt tänkande, och det en studie mäter när den frågar om exponering är ingången till kedjan, inte dess utfall.

Vanliga missuppfattningar

• "En bättre prompt ger bättre kritiskt tänkande." Strukturerad dialogstyrning, inte en bättre prompt, skiljer en handledare i logiska felslut från en debattchattbot: det som gjorde arbetet var att styra varje tur genom Toulmin-baserad avsiktsdetektering. Mekanismen är interaktionsstrukturen snarare än formuleringen.
• "GenAI-användning höjer kritiskt tänkande direkt." Kopplingen mellan GenAI-användning och självskattat kritiskt tänkande gick nästan helt genom GenAI-feedbackkompetens — hos 421 kinesiska grundstudenter medierade feedbackkompetensen 71% av sambandet. Kompetensen är vägen.
• "Den metaanalytiska effekten är enhetlig." Över 29 experiment höjde GenAI högre ordningens tänkande måttligt (g = 0,609) med kritiskt tänkande på ES = 0,691. Måttliga sammanvägda effekter över heterogena insatser stöder kategorin, inte en specifik design.

Anslutna begrepp

• Metacognition
• Kognitiv avlastning
• AI-kompetens
• Generative AI
• Higher Education
• Problem-Based Learning
• Intelligent Tutoring
• Utveckling av undervisningen
• Undervisning
• Student Experience
• Chemistry Education — Kemiundervisning och AI: laborationer, formativ bedömning, LLM:ers gränser, experimentfilosofi
• Biology Education — Biologiundervisning och AI: laborationsassistenter, AI-kompetens i biologi, kritiskt tänkande, specialiserade verktyg
• Kognitiv kapitulation
• Reflection

Anslutna artiklar

• When Does GenAI Use Support Critical Thinking? A Cross-Cultural Structural Account of Transactive Memory with GenAI — Kritiskt tänkande går genom arbetsdelning och omarbetning av resultat, inte genom exponering

• Ways generative AI can support and threaten learning in K-20 US education - En konsensus bland 30 experter: kritiskt tänkande bär rapportens högsta störningsbetyg (medelvärde 4,00)

• From Plausibility to Verifiability: The PEARLS Framework for Developing Epistemic Agency in Generative AI-Mediated Higher Education — PEARLS-ramverket för epistemisk agency och verifiering av AI-resultat (Wang 2026)

• Layer-sensitive cognitive offloading in generative AI-assisted writing: Supported performance and independent no-AI outcomes — Lagerkänslig kognitiv avlastning i GenAI-assisterat skrivande (Chen 2026)

• The critical-thinking paradox in generative AI-integrated learning: distinguishing efficiency from cognitive depth — a differentiated framework and testable propositions — Kritiskt-tänkande-paradoxen i GenAI-integrerat lärande

• 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 — Metaanalys av GenAI och högre ordningens tänkande

• 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-mönster i LLM-drivna miljöer (ur Blooms perspektiv)

• Probing AI-generated physics solutions and preparing students to critique them — Att förbereda elever på att kritisera AI-genererade fysiklösningar

• 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-överberoende modellerat som ett komplext adaptivt system

• More externalization, but less inference? Exploring changes in young learners' critical thinking during conversational AI bot-supported multimodal writing practice — Dimensionsspecifika vinster i kritiskt tänkande vid AI-stödd multimodal skrivning (Lu m.fl. 2027)

• Tackling the Root of Misinformation by Teaching Laypeople about Logical Fallacies via Socratic Questioning and Critical Argumentation — att undervisa i igenkänning av felslut genom strukturerad flertursdialog

• Building AI Companions that Prioritize Learning over Performance — lärande framför prestation: vad companion-AI bör optimeras och mätas för

• Artificial intelligence-supported learning and higher-order cognitive outcomes: the mediating role of metacognitive self-regulation — AI-strukturering, avlastning och verifieringskompetens via metakognitiv självreglering (Davor m.fl. 2026)

• Helpful or harmful? Generative AI dependence, self-reported critical thinking disposition, and self-perceived employability among business students — GenAI-beroende begränsar länken från användning till kritiskt tänkande hos affärsstudenter (Shojaei m.fl. 2026)

• College students’ metacognitive awareness of generative-AI reliance: an experimental study of decision confidence and attribution bias — Reflektionsprompt minskar acceptansen av felaktiga AI-råd och attributionsbias (Ren 2026)

• Designing an AI-integrated role-rotation pedagogical model to support competence-related learning in pre-service educational psychologists — Rollrotation som struktur för kritisk människa–AI-interaktion (Kenzhebayeva m.fl. 2026)

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

• Effects of ChatGPT-Assisted Teacher Feedback on College Students' Critical Thinking Skills and Perceptions of Argumentative Writing — lärarkurerad ChatGPT-återkoppling höjde kritiskt tänkande via högre ordningens revidering (Chen m.fl. 2026)

• Generative AI and Learning Dynamics in Higher Education: A Longitudinal Empirical Study — en termin med AI-tillgång lämnade kritiskt tänkande oförändrat; reflekterad användning förutsade det (Melanou m.fl. 2026)

• GenAI dependence and graduate students' research creativity: the roles of critical thinking and human-AI collaboration quality — GenAI-beroende positivt associerat med kritiskt tänkande hos 1 157 doktorander

• The association between generative AI use and university students' critical thinking: a moderated mediation model of GenAI feedback literacy and reflective thinking — GenAI-användning till kritiskt tänkande via feedbackkompetens, med en direkt väg bara för mindre reflekterande elever

• Generative AI in Education and the Erosion of Critical Democratic Citizenship — Den pessimistiska läsningen av modereringsevidensen: friktionsförlust, automatiseringsbias, effektivitetsram

• Generative AI and Cognitive Processes in Education: A Narrative Review and Conceptual Framework — Narrativ genomgång av 108 dokument: effektens tecken följer förkunskaper och uppgiftens timing (AMCIF-ramverket)