Tư duy phản biện

Bản dịch máy tự động của trang tiếng Anh này, chưa được người bản ngữ xem xét.

Tư duy phản biện — khả năng phân tích, đánh giá và tổng hợp thông tin — vừa là một kỹ năng mà các công cụ AI có thể giúp phát triển vừa là một năng lực mà sinh viên phải áp dụng khi dùng AI. Trong nghiên cứu về AI trong giáo dục, tư duy phản biện xuất hiện ở hai hình thức liên quan: như một mục tiêu học tập (dạy sinh viên tư duy phản biện) và như một biện pháp bảo vệ chống lại sự phụ thuộc AI thiếu phản biện.

Những câu hỏi cần cân nhắc

• Bạn tự tin đến mức nào vào khả năng nhận ra một câu trả lời do AI tạo ra sai hoặc gây nhầm lẫn? Nghiên cứu cho thấy năng lực AI tự báo cáo vượt xa khả năng đánh giá thực tế — bạn sẽ tự kiểm tra mình như thế nào?
• Tư duy phản biện ở đây xuất hiện ở hai hình thức: một kỹ năng để dạy, và một biện pháp bảo vệ chống lại sự phụ thuộc thiếu phản biện vào AI. Bạn có thể nghĩ ra một tình huống trong đó một công cụ 'dạy' tư duy phản biện thực ra đang huấn luyện điều ngược lại không?
• Một nghiên cứu phát hiện việc để sinh viên chất vấn các lỗi do AI tạo ra mang lại thu hoạch lớn về tư duy bậc cao. Việc cố ý phơi bày lỗi — thay vì giấu chúng — có thể là một động tác giảng dạy mạnh mẽ hơn bạn tưởng như thế nào?
• Việc tiếp cận câu trả lời của AI một cách dễ dàng có thể thay thế sự tham gia phản biện trước khi sinh viên nhận ra. Đặc điểm thiết kế nào, thay vì một chính sách hay một lệnh cấm, có thể giữ cho nỗ lực nhận thức còn sống?
• Lời khuyên của AI đã được chứng minh là đàn áp sự sẵn lòng nói 'tôi không biết' — ngay cả khi lời khuyên đó sai. Điều đó làm thay đổi thế nào việc tạo ra một văn hóa lớp học nơi việc chất vấn là an toàn?

Giới thiệu

Tư duy phản biện là trung tâm của năng lực AI — sinh viên không thể đánh giá phản biện đầu ra của AI thì dễ bị tổn thương trước Phụ thuộc quá mức, thông tin bị ảo giác, và các khuyến nghị thiên kiến. Nghiên cứu về giảm tải nhận thức cho thấy việc tiếp cận câu trả lời của AI một cách dễ dàng có thể thay thế sự tham gia phản biện, trong khi các hướng tiếp cận Socratic giữ lại câu trả lời trực tiếp bảo tồn nỗ lực nhận thức cần thiết cho tư duy sâu hơn.

Kiểm soát hội thoại có cấu trúc, không phải một prompt tốt hơn, là điều phân tách một gia sư ngụy biện khỏi một chatbot tranh biện: định tuyến mỗi lượt qua phát hiện ý định dựa trên Toulmin, một thứ tự chiến lược cố định và một tác tử kiểm chứng cho phép một hệ thống Socratic đạt 84.5% các thước đo chất lượng hội thoại so với 61.5% của một đường cơ sở heuristic (Shi và cộng sự (2026)).

Tư duy phản biện trong nghiên cứu giáo dục AI

Các bài viết của cơ sở kiến thức khám phá tư duy phản biện qua các lăng kính dựa trên thiết kế và thực nghiệm. Các tác tử AI đối kháng thực thi xung đột kiến tạo để thúc đẩy sự xem xét lại ở nhà thiết kế mới vào nghề — một biến thể Socratic buộc phải tái đánh giá phản biện. Nghiên cứu RCT về GenAI trong giảng dạy nêu câu hỏi liệu các công cụ AI tối ưu hóa cho kết quả bề mặt có thể vô tình đàn áp tư duy phản biện dẫn tới học tập sâu hơn hay không. Bằng chứng đo lường làm sắc nét điểm này: liệu tư duy phản biện có dịch chuyển hay không phụ thuộc vào cách phản hồi và nhiệm vụ có AI trung gian được thiết kế, và vào sự điều tiết siêu nhận thức của người học, không phải vào việc tiếp cận một mô hình.

Liên hệ giữa việc dùng GenAI và tư duy phản biện tự báo cáo gần như đi hoàn toàn qua năng lực phản hồi GenAI: ở 421 sinh viên đại học Trung Quốc, năng lực phản hồi làm trung gian 71.98% tổng liên hệ (β=0.185), và đường trực tiếp còn lại chỉ dương ở những sinh viên ít phản tư hơn (β=0.177) và không có ý nghĩa ở những người phản tư nhiều hơn (Yan và cộng sự (2026)).

Kho ngữ liệu cũng mang cách đọc bi quan bằng lập luận thay vì đo lường. Muñiz và Castro Samayoa (2026) lập luận rằng mô thức sử dụng chi phối làm xói mòn tư duy phản biện, không phải việc tiếp cận một mô hình. Họ đặt điều này trên khẳng định của Dewey rằng tư duy chỉ cải thiện qua rèn luyện, và trên ba cơ chế: mất ma sát, thiên lệch tự động hóa, và một khung hiệu quả. Căng thẳng với Zhao và cộng sự là có thật và chưa được giải quyết trong kho ngữ liệu. Thu hoạch tổng hợp phân tích g = 0.609 của họ mô tả các can thiệp được thiết kế, trong khi Muñiz và Castro Samayoa mô tả việc sử dụng điển hình. Đọc cùng nhau, hai bên đồng ý rằng biến số thiết kế là điều quan trọng, và bất đồng về việc mặc định không được quản lý trông như thế nào.

Một mốc tổng hợp phân tích cho khẳng định về điều tiết. Trên 29 thí nghiệm, GenAI nâng tư duy bậc cao ở mức vừa phải (g = 0.609), với tư duy phản biện ở ES = 0.691 — thấp hơn giải quyết vấn đề (0.745) và cao hơn sáng tạo (0.444) — mạnh nhất với các can thiệp 8–16 tuần (0.759) và với người học có khả năng tự điều chỉnh cao (0.863 so với 0.284) (Zhao và cộng sự (2025)).

Các tổng quan về tác động của ChatGPT lên tư duy ghi nhận các phát hiện hỗn hợp: AI có thể giàn giáo phân tích phản biện khi được dùng có chủ đích (ví dụ yêu cầu sinh viên phê phán các lập luận do AI tạo), nhưng nó cũng có thể chập mạch tư duy khi được dùng như một cỗ máy trả lời. Căng thẳng này kết nối với nghiên cứu đánh giá năng lực AI cho thấy năng lực AI tự báo cáo vượt xa khả năng đánh giá phản biện thực tế. Một tổng quan phản biện 80 nghiên cứu HCI về tư duy phản biện với AI phát hiện lĩnh vực đang đo điều nó hiếm khi định nghĩa: chỉ 23 trong 80 nghiên cứu nêu cách họ hiểu tư duy phản biện, 49 (61%) đánh giá nó qua tự báo cáo thay vì hiệu năng, và 42 (52%) không dùng nhóm đối chứng (A Critical Review of Critical Thinking in HCI Research About AI).

Lin và Al-Hada (2026) đọc bức tranh hỗn hợp đó như một sự phân ly sản phẩm–quá trình: GenAI có thể nâng chất lượng một bài tập trong khi hạ thấp khả năng chuyển giao trễ, không có hỗ trợ phía sau nó, nên việc học nên được đánh giá trên hiệu năng trễ không có hỗ trợ thay vì trên sản phẩm có AI hỗ trợ.

• Sự tham gia nhận thức bậc cao trong trò chuyện học sinh-AI. Chang và Li (2026) phát hiện khoảng 62% prompt của học sinh gửi AI mã hóa nhu cầu nhận thức bậc cao, với các hồ sơ theo bậc Bloom khác nhau theo ngành học (STEM ưu thế Áp dụng 20.8%, ngôn ngữ ưu thế Hiểu 31.7%, khoa học xã hội ưu thế Sáng tạo 33.8%). Thiết kế trong-cùng-người của họ cho thấy chính những học sinh đó tạo ra nhiều prompt bậc cao hơn đáng kể trong khoa học xã hội so với các khóa STEM (p < .001), cho thấy bối cảnh ngành học định hình sự tham gia phản biện và bậc cao với AI.

• Các mô thức tương tác cụm theo bậc Bloom và kiến thức trước đó. Trong một nhiệm vụ viết khoa học dữ liệu dựa trên điều tra, 19 học sinh tạo ra 14 mô thức tương tác Large Language Models (LLMs) khác nhau theo mức kiến thức trước đó, và hàm ý thiết kế là nhắm giàn giáo vào các giai đoạn tư duy bậc cao cụ thể thay vì vào việc dùng LLM nói chung (Luo và cộng sự (2026)).

• AI như một chất xúc tác cho năng lực truyền thông phản biện ở trẻ em. Demir và Akar (2026) đánh giá một chương trình năng lực truyền thông phản biện 18 giờ theo mô hình 5E cho học sinh lớp bốn Thổ Nhĩ Kỳ, trong đó AI sinh tạo (ChatGPT, Grammarly) hoạt động như một tác tử sư phạm được nhúng theo từng giai đoạn thay vì là một phần bổ sung. Các so sánh mẫu cặp cho thấy thu hoạch lớn ở đọc phương tiện (+3.50), viết (+1.67), và năng lực truyền thông toàn phần (+5.17, tất cả p < .01), với kích thước hiệu ứng sau kiểm tra giữa các nhóm là Cohen's d = 1.12 (đọc), 1.18 (viết), và 1.31 (năng lực toàn phần) nghiêng về nhóm có AI hỗ trợ. Phân tích định tính (phỏng vấn, áp phích/bản vẽ/khẩu hiệu của học sinh, quan sát lớp học) làm lộ sáu lĩnh vực tăng trưởng năng lực truyền thông phản biện — tự bảo vệ số và quyền riêng tư dữ liệu, sử dụng phương tiện có mục đích và có trách nhiệm, giao tiếp an toàn và nhận thức ranh giới, đánh giá phản biện và nhận thức thông tin sai lệch, nhận thức rủi ro trực tuyến, và đạo đức truyền thông/quốc tịch số — cho thấy việc chất vấn có chủ đích nội dung có AI trung gian có thể nuôi dưỡng phân tích phản biện và phản tư ở người học nhỏ tuổi.

• Thu hoạch tư duy phản biện theo từng chiều trong viết đa phương thức ở tiểu học. Lu và cộng sự (2027) theo dõi 60 học sinh lớp 5 qua tám tuần thực hành viết đa phương thức có AI hội thoại hỗ trợ, trong đó các em chuyển tự sự thành ảnh và video ngắn do AI tạo. Phân tích đo lặp trên sáu chiều tư duy phản biện phát hiện thu hoạch bền vững (T1→T2 và T1→T3) ở diễn giải, phân tích, đánh giá và giải thích, một thu hoạch tự điều tiết ngắn ngủi, và không thay đổi ở suy luận — một mô thức không đồng đều ở cấp chiều mà một điểm tư duy phản biện tổng hợp sẽ che giấu. Các tác giả lập luận hình ảnh do AI tạo ngoại hóa ý nghĩa và qua đó hạ thấp nhu cầu suy luận mà việc viết thường áp đặt, trong khi cộng tác đồng đẳng (câu hỏi của bạn học buộc phải suy ra cách diễn giải của người khác) cung cấp những dịp suy luận mà tương tác AI đơn độc không có. Bài học thiết kế: việc sáng tác đa phương thức với AI hỗ trợ vài khía của tư duy phản biện nhưng nên đi kèm giàn giáo tiếp tục và trao đổi đồng đẳng có cấu trúc để bảo tồn suy luận và tự điều chỉnh.

• Giàn giáo AI và giảm tải kéo tư duy phản biện theo hai hướng ngược nhau. Davor, Larbi và Boateng (2026) khảo sát 533 sinh viên đại học ở Ghana và phát hiện giàn giáo nhiệm vụ AI dự báo tư duy phản biện cao hơn (β = .185) trong khi khuynh hướng giảm tải nhận thức dự báo tư duy phản biện thấp hơn (-.240); năng lực kiểm chứng AI không có tác động trực tiếp lên tư duy phản biện và chỉ hoạt động qua tự điều chỉnh siêu nhận thức, một mô thức trung gian hóa đầy đủ mà các tác giả đọc là bằng chứng rằng dạy sinh viên kiểm tra thực tế đầu ra AI tự nó là chưa đủ. (Davor và cộng sự 2026)

• Độ sâu giảm tải, không phải việc sử dụng, giới hạn tư duy bậc cao. Ủy thác tầng lập luận của việc viết — luận cứ, phản biện, diễn giải bằng chứng — mang liên hệ tiêu cực mạnh nhất với tư duy bậc cao độc lập (ab = −0.34), và việc viết tự điều chỉnh làm yếu đi nhưng không bao giờ đảo ngược nó (Chen (2026)).

• Sự phụ thuộc, không phải việc sử dụng, là nơi liên hệ với tư duy phản biện đảo chiều. Shojaei và các đồng nghiệp (2026) khảo sát 412 sinh viên kinh doanh ở Oman và phát hiện tương quan lưỡng biến gần bằng không giữa việc dùng GenAI và khuynh hướng tư duy phản biện tự báo cáo (r = 0.050), với sự phụ thuộc dự báo khuynh hướng thấp hơn (β = -0.389) và làm yếu liên kết từ việc sử dụng đến khuynh hướng (β = -0.239), khiến độ dốc đơn giản giảm từ 0.424 ở mức phụ thuộc thấp xuống -0.054 ở mức phụ thuộc cao. (Shojaei và cộng sự 2026)

Một khảo sát cắt ngang lớn hơn chỉ theo hướng ngược lại: ở 1,157 sinh viên sau đại học Trung Quốc, sự phụ thuộc GenAI liên hệ dương với tư duy phản biện (β = 0.492), và tư duy phản biện mang khoảng 85.0% đường đi từ sự phụ thuộc chức năng đến sáng tạo nghiên cứu (Yin và cộng sự (2026)).

• Kiến thức trước đó và thời điểm nhiệm vụ quyết định dấu của hiệu ứng. Trên 108 tài liệu được tổng quan, GenAI nâng hiệu năng tư duy phản biện ở nhà nghiên cứu giàu kinh nghiệm (+0.20) và hạ thấp ở người mới (−0.13); tiếp cận sớm có ích dưới áp lực thời gian nhưng làm suy yếu tư duy phản biện khi có thời gian cân nhắc (Zapata-Hernandez và cộng sự 2026).

• Một prompt phản tư ngắn làm cho việc dựa vào lời khuyên AI có tính phân biệt hơn. Trong một thí nghiệm ba điều kiện với 342 sinh viên đại học, Ren (2026) phát hiện hỗ trợ ChatGPT mở tạo ra việc chấp nhận các khuyến nghị AI sai ở 62.4% số lượt, giảm xuống 39.7% khi có một prompt phản tư siêu nhận thức ngắn (OR = 0.40, 95% CI [0.28, 0.56]); phản tư cũng cải thiện hiệu chỉnh nhận thức (0.59 so với 0.41) và cắt chỉ số thiên lệch quy kết đặc thù AI từ 0.42 xuống 0.21 mà không làm giảm độ chính xác của khuyến nghị hay gây ra sự từ chối toàn bộ các lời khuyên hữu ích. (Ren 2026)

• Sự tự tin có thể tăng trong khi độ chính xác giảm. Shaw và Nave (2026) phát hiện việc tham khảo một trợ lý AI nâng độ chính xác lên 25 điểm phần trăm khi nó đúng và hạ xuống 15 khi nó sai, vậy mà việc tương tác với nó làm tăng sự tự tin ngay cả sau lỗi, và 73.2% số lượt AI sai kết thúc bằng sự đầu hàng thay vì giảm tải chiến lược.

• Phản hồi ChatGPT do giáo viên tuyển chọn nâng tư duy phản biện qua việc sửa đổi bậc cao. Chen và các đồng nghiệp (2026) thực hiện một bán thực nghiệm 18 tuần với 64 sinh viên đại học, tất cả là giáo viên hóa học, vật lý hoặc toán trước khi vào nghề, so sánh phản hồi thông thường của giáo viên (n = 32) với phản hồi của giáo viên có ChatGPT hỗ trợ (n = 32) trên hai nhiệm vụ viết lập luận. Các nhóm khởi đầu tương đương, và chỉ nhóm được hỗ trợ cải thiện đáng kể (p < 0.001), với Cohen's d tăng từ 0.25 ở tiền kiểm lên 3.74 ở hậu kiểm. Cơ chế là kiểu phản hồi, không phải sự hiện diện đơn thuần của một mô hình: nhóm được hỗ trợ nhận nhiều phản hồi minh họa (33.1% so với 10.9%) và chất vấn chặt (21.5% so với 6.0%) hơn, sửa 91.00% (435 trên 478) đơn vị phản hồi so với 85.21% (242 trên 284), và phân tích mạng tri thức luận liên kết những sửa đổi đó với phân tích, đánh giá và sáng tạo thay vì nhận biết và hiểu, trong khi giảng dạy và phản hồi đánh giá chỉ có giáo viên chủ yếu tạo ra sửa đổi về nhận biết và hiểu. Giáo viên coi đầu ra của mô hình như chất liệu nháp, mở rộng, sửa hoặc loại bỏ nó (14% bị loại bỏ, 9% cần sửa), và sáu trong tám người được phỏng vấn vẫn nêu vấn đề thiếu chính xác hoặc thiếu tính chuyên nghiệp. Bài học thiết kế là thu hoạch tư duy phản biện đến từ phản hồi mô hình hóa các phương án và chất vấn lập luận của sinh viên, với một giáo viên tuyển chọn điều mô hình tạo ra; mẫu nhỏ trong một học kỳ nghĩa là kích thước hiệu ứng rất lớn nên được đọc thận trọng. (Chen và cộng sự 2026)

• Một học kỳ tiếp cận AI để tư duy phản biện phẳng lì, trong khi việc sử dụng có phản tư đi theo nó. Melanou, Beege và Kimmig (2026) theo dõi 87 sinh viên tin học kinh doanh qua một khóa chín tuần trong ba điều kiện song song (AI được định khung như gia sư, AI không hướng dẫn, và không AI) được đo ba lần. Kiến thức tăng ở mọi nhóm mà không có lợi thế cho điều kiện AI nào và không có hiệu ứng Matthew (BF01 = 8.70), trong khi tư duy phản biện tự báo cáo và động lực giữ nguyên. Điều phân tách sinh viên là việc sử dụng có phản tư, thực hành kiểm tra nguồn và kiểm chứng đầu ra AI trước khi tiếp nhận: nó cao hơn ở điều kiện AI so với nhóm đối chứng (trung bình 3.72 so với 2.82) và dự báo tư duy phản biện ở lần đo cuối (R² = 0.183, β = 0.43, p < 0.001). Kết quả này giới hạn bất kỳ kỳ vọng nào rằng một khóa học dùng AI sẽ tự nó làm dịch chuyển tư duy phản biện: sự điều tiết siêu nhận thức, không phải việc tiếp cận công cụ, là nơi liên hệ nằm, và các tác giả lưu ý một học kỳ có lẽ quá ngắn để thấy thay đổi bền vững. (Melanou và cộng sự 2026)

Kết nối với các khái niệm khác

Tư duy phản biện giao thoa với giàn giáo (thiết kế hỗ trợ AI duy trì nhu cầu nhận thức), kỹ thuật nhắc (hình thành các câu hỏi khơi ra phân tích phản biện), và Phụ thuộc quá mức (biết khi nào tin và khi nào chất vấn AI). Nó là nền tảng của liêm chính học thuật và đóng vai trò một chiều then chốt của các khuôn khổ năng lực AI trong cả bối cảnh K-12 và giáo dục đại học.

• Lỗi của AI như chất xúc tác cho tư duy bậc cao: Hosseini (2026) vận hành hóa các mức bậc cao của Bloom (Phân tích, Đánh giá, Sáng tạo) bằng cách để sinh viên chất vấn các lỗi do AI tạo ra trong một khóa học cơ sở dữ liệu, với thu hoạch trước/sau có ý nghĩa (Cohen's d=1.49) về năng lực môn học.

• Phê phán đầu ra AI là một kỹ năng có thể giàn giáo, không phải sản phẩm phụ của giải quyết vấn đề. Các nhóm chỉ giải một bài toán vật lý liên quan chấp nhận một giải pháp AI bóng bẩy hoặc phê phán nó từ quan niệm sai lầm của chính họ, trong khi phản tư được hướng dẫn bằng rubric MAPS tạo ra các phê phán khớp với chuyên gia về thiếu tích hợp và ký hiệu không được định nghĩa (Borse và cộng sự (2026)).

• Ràng buộc AI để bảo tồn quyền chủ động nhận thức. Bản thiết kế E3-HOT ánh xạ ba lối nhập thể — nhúng định cảnh, tham gia nhập thể, sáng tạo nhận thức — lên Phân tích, Đánh giá và Sáng tạo, và ràng buộc AI vào các prompt, phê phán và gợi ý chiến lược để sinh viên phải phát biểu lý do và dẫn bằng chứng trước khi một khẳng định được chấp nhận (Zhu và cộng sự (2026)).

• Kiểm toán hai phía các giải thích của AI. Bernstein và Sibia (2026) dùng các tiêu chuẩn Paul–Elder (độ chính xác, độ rõ ràng, giả định, quan điểm) làm đầu dò phỏng vấn với mười sinh viên đã hoàn thành CS2, và phát hiện sự soi xét ở cấp cơ chế đối với các giải thích của GenAI: sinh viên xác định nơi ánh xạ của một phép loại suy bị đứt (một phép loại suy tuyến đảo cho danh sách liên kết ngụ ý một vòng tròn, một pha cầu lông được đưa ra cho đệ quy mà không có đầu vào giảm dần được bảo đảm), đòi hỏi cách diễn đạt chính xác thay vì nói giảm, và coi các giải thích là lập luận mang một quan điểm. Đáng chú ý, sự soi xét đó đi theo chuyên môn ở miền nguồn hoặc miền đích thay vì sở thích cá nhân — định khung lại việc đánh giá phản biện đầu ra AI như một vấn đề tri thức ("kiểm toán phép loại suy hai phía") chứ không phải vấn đề khuynh hướng — và gợi ý rằng giao các phép loại suy AI khiếm khuyết như những đối tượng để kiểm tra và sửa chữa là một phép kiểm khó hơn đối với sự hiểu khái niệm so với việc đọc một giải thích đã hoàn thành.(Flawed but Memorable: Student Critical Reception of Interest-Personalized GenAI Analogies in Computing Education)

• Tư duy phản biện như sự tham gia không thể thuê ngoài. Xie (2026) bổ sung một đối ứng triết học từ việc tu dưỡng bản thân theo Đạo giáo: bởi AI là một "hộp đen" mờ đục, một khuôn khổ định hướng hòa hợp sự không chắc chắn thay vì phân xử chân lý theo nghĩa tuyệt đối phù hợp hơn với cảnh quan tri thức luận hiện tại, và tư duy phản biện trở thành sự tham gia bền bỉ, ngôi thứ nhất, không thể thuê ngoài với thực tại thay vì một thủ tục lý tính có thể chứng minh. Trong thực hành Nội đan (內丹) "không có đường tắt nhận thức nào", nên AI được định vị là "không phải vật thay thế nhận thức mà là phụ trợ công cụ" cho sự hưng thịnh của con người.(Alternative AI Philosophy: Daoism as Method for AI in Education)

• Luân chuyển vai trò như một cấu trúc cho tương tác người-AI phản biện. Kenzhebayeva và các đồng nghiệp (2026) báo cáo một nghiên cứu dựa trên thiết kế trong đó 62 nhà tâm lý giáo dục trước khi vào nghề luân chuyển qua bốn vai trò nghề nghiệp (Người xây dựng Tình huống, Nhà phân tích Nghiên cứu, Nhà thực hành-Can thiệp, Nhà nghiên cứu Phản tư) biến các khuyến nghị được tạo ra thành đối tượng thảo luận. Người tham gia so sánh đầu ra AI với lý thuyết tâm lý và sửa đổi hoặc bác bỏ các khuyến nghị không phù hợp với tình huống, và các chu trình sau cho thấy nhiều yêu cầu biện minh lý thuyết hơn, trong khi sự phụ thuộc quá mức vào các phản hồi có vẻ có quyền uy vẫn tồn tại. (Kenzhebayeva và cộng sự 2026)

• Tích hợp lấy kiểm chứng làm trung tâm trong một ngành học. Một tổng quan phản biện về AI sinh tạo trong giáo dục hóa học đại học (Vega-Baudrit và Rivera Álvarez, 2026) lập luận rằng vì lập luận hóa học phải được phối hợp xuyên các biểu diễn vĩ mô, vi mô và ký hiệu, sinh viên không thể kiểm chứng điều họ không hiểu, nên kiến thức trước đó và giàn giáo đến trước và việc kiểm chứng nên được thiết kế vào đánh giá như một hoạt động được chấm: xác định một giả định sai, sửa một lỗi đơn vị hoặc cơ chế, hoặc biện minh cho việc bác bỏ một câu trả lời được tạo ra, giữ nhật ký prompt và lịch sử sửa đổi như các dấu vết lập luận. (Vega-Baudrit và Rivera Álvarez 2026)

• Kiểm chứng như một hoạt động học tập, không chỉ một biện pháp bảo vệ. Wang (2026) tổ chức việc đánh giá hiện vật AI quanh sáu chiều phụ thuộc lẫn nhau — Process, Evidence, Access, Reproducibility, Legitimacy và Source — và coi việc tập hợp căn cứ đó, thay vì sự trôi chảy của đầu ra, là điều xây dựng chuyên môn ngành học.

Tính dễ tổn thương lớn nhất được chuyên gia đánh giá trong cơ sở kiến thức là tư duy phản biện. Trên 65 quá trình học tập được 30 chuyên gia đánh giá, Tư duy Phản biện và Tư duy Phản biện-Phân tích nhận xếp hạng gián đoạn cao nhất của báo cáo (trung bình 4.00 trên 5; 96% người đánh giá ở mức 3 trở lên) với mức tăng cường dưới ngưỡng (2.40, 43%) (Kendeou, Greene & Nixon và cộng sự, 2026). Mười trong mười tám quá trình bậc cao chỉ đạt đồng thuận về tính dễ tổn thương, điều báo cáo đọc là rủi ro một phía thay vì một sự đánh đổi.

• Cấu trúc của quan hệ đối tác, không phải sự phơi nhiễm, mang liên hệ. Akgun và Toker (2026) mô hình hóa 891 sinh viên đại học Hoa Kỳ và Thổ Nhĩ Kỳ bằng lý thuyết hệ thống ký ức giao dịch và phát hiện cả khả năng tư duy tự đánh giá lẫn sự tự tin vào quan hệ đối tác AI đều không dự báo trực tiếp việc thực thi tư duy phản biện. Cả hai đều nuôi dưỡng sự quen thuộc với GenAI, và đến lượt nó chỉ dự báo hai hành vi: chuyên môn hóa và phối hợp lao động (b = 0.636) và biến đổi phản tư đầu ra (b = 0.367). Những hành vi đó dự báo tư duy phản biện (b = 0.230 và b = 0.175) mà không còn đường trực tiếp nào (CFI = 0.974, RMSEA = 0.048). Đây là phiên bản cấp cơ chế của kết quả vô hiệu tái diễn trong lĩnh vực: số giờ sử dụng và năng lực tự đánh giá không phải đại lượng thay thế cho tư duy phản biện, và điều một nghiên cứu đo khi nó hỏi về sự phơi nhiễm là đầu vào của chuỗi chứ không phải kết quả của nó.

Những hiểu lầm phổ biến

• "Một prompt tốt hơn tạo ra tư duy phản biện tốt hơn." Kiểm soát hội thoại có cấu trúc, không phải một prompt tốt hơn, là điều phân tách một gia sư ngụy biện khỏi một chatbot tranh biện: định tuyến mỗi lượt qua phát hiện ý định dựa trên Toulmin là thứ làm nên công việc. Cơ chế là cấu trúc tương tác chứ không phải cách diễn đạt.
• "Việc dùng GenAI nâng tư duy phản biện một cách trực tiếp." Liên hệ giữa việc dùng GenAI và tư duy phản biện tự báo cáo đi gần như hoàn toàn qua năng lực phản hồi GenAI — ở 421 sinh viên đại học Trung Quốc, năng lực phản hồi làm trung gian 71% của liên hệ. Chính năng lực đó là con đường.
• "Hiệu ứng tổng hợp phân tích là đồng nhất." Trên 29 thí nghiệm, GenAI nâng tư duy bậc cao ở mức vừa phải (g = 0.609) với tư duy phản biện ở ES = 0.691. Các hiệu ứng gộp vừa phải trên những can thiệp không đồng nhất ủng hộ phạm trù chứ không ủng hộ một thiết kế cụ thể.

Khái niệm liên quan

• Metacognition
• Giảm tải nhận thức
• Năng lực AI (AI Literacy)
• Generative AI
• Higher Education
• Problem-Based Learning
• Intelligent Tutoring
• Phát triển giáo dục
• Giảng dạy
• Student Experience
• Chemistry Education — Giáo dục hóa học và AI: phòng thí nghiệm, đánh giá định hình, giới hạn của LLM, triết học thực nghiệm
• Biology Education — Giáo dục sinh học và AI: trợ giảng phòng thí nghiệm, năng lực AI trong sinh học, tư duy phản biện, công cụ chuyên biệt
• Đầu hàng nhận thức
• Reflection

Bài viết liên quan

• When Does GenAI Use Support Critical Thinking? A Cross-Cultural Structural Account of Transactive Memory with GenAI — Tư duy phản biện đi qua phân công lao động và tái gia công đầu ra, không phải sự phơi nhiễm

• Ways generative AI can support and threaten learning in K-20 US education - Đồng thuận của 30 chuyên gia: tư duy phản biện mang xếp hạng gián đoạn cao nhất của báo cáo (trung bình 4.00)

• From Plausibility to Verifiability: The PEARLS Framework for Developing Epistemic Agency in Generative AI-Mediated Higher Education — Khuôn khổ PEARLS cho quyền chủ động tri thức luận và kiểm chứng đầu ra AI (Wang 2026)

• Layer-sensitive cognitive offloading in generative AI-assisted writing: Supported performance and independent no-AI outcomes — Giảm tải nhận thức nhạy cảm theo tầng trong viết có GenAI hỗ trợ (Chen 2026)

• The critical-thinking paradox in generative AI-integrated learning: distinguishing efficiency from cognitive depth — a differentiated framework and testable propositions — Nghịch lý tư duy phản biện trong học tập tích hợp GenAI

• The Pedagogy of AI Mistakes: Fostering Higher-Order Thinking — Sư phạm của những lỗi AI: nuôi dưỡng tư duy bậc cao (Hosseini 2026)

• Thinking—fast, slow, and artificial: How AI is reshaping human reasoning and the rise of cognitive surrender — Lý thuyết Ba Hệ và sự đầu hàng nhận thức: AI định hình lại lập luận của con người như thế nào (Shaw & Nave 2026)

• The Tragedy of the Cognitive Commons: How AI Could Disrupt the Regeneration of Professional Expertise — Bi kịch của tài sản chung nhận thức: AI và việc tái tạo chuyên môn

• Does generative artificial intelligence improve students' higher-order thinking? A meta-analysis based on 29 experiments and quasi-experiments — Phân tích tổng hợp về GenAI và tư duy bậc cao

• Can we disrupt the momentum of the AI colonization of science education? — Phá vỡ sự thuộc địa hóa giáo dục khoa học của AI

• Reorienting Critical AI Literacy: A Community-Rooted Praxis of "Resisting AI" — Định hướng lại năng lực AI phản biện

• Inquiry-based learning patterns in large language model-driven learning environments: an exploratory study from Bloom's perspective — Các mô thức IBL trong môi trường do LLM dẫn dắt (góc nhìn Bloom)

• Probing AI-generated physics solutions and preparing students to critique them — Chuẩn bị cho sinh viên phê phán các giải pháp vật lý do AI tạo ra

• Flawed but Memorable: Student Critical Reception of Interest-Personalized GenAI Analogies in Computing Education — Khiếm khuyết nhưng đáng nhớ: tiếp nhận phản biện của sinh viên đối với các phép loại suy GenAI cá nhân hóa theo sở thích trong giáo dục tin học

• Alternative AI Philosophy: Daoism as Method for AI in Education — Triết học AI thay thế: Đạo giáo như phương pháp cho AI trong giáo dục

• Fostering Sustainable Learning via Embodied Intelligence: The E3-HOT Framework for Higher-Order Thinking in the AI Era — Nuôi dưỡng học tập bền vững qua trí tuệ nhập thể (E3-HOT)

• Modeling AI Overreliance as a Complex Adaptive System — Sự phụ thuộc quá mức vào AI được mô hình hóa như một hệ thống thích ứng phức hợp

• More externalization, but less inference? Exploring changes in young learners' critical thinking during conversational AI bot-supported multimodal writing practice — Thu hoạch tư duy phản biện theo từng chiều trong viết đa phương thức có AI hỗ trợ (Lu và cộng sự 2027)

• Tackling the Root of Misinformation by Teaching Laypeople about Logical Fallacies via Socratic Questioning and Critical Argumentation — dạy nhận diện ngụy biện qua hội thoại nhiều lượt có cấu trúc

• Building AI Companions that Prioritize Learning over Performance — học tập hơn hiệu năng: các companion nên được tối ưu hóa và đo lường cho điều gì

• Artificial intelligence-supported learning and higher-order cognitive outcomes: the mediating role of metacognitive self-regulation — Giàn giáo AI, giảm tải và năng lực kiểm chứng qua tự điều chỉnh siêu nhận thức (Davor và cộng sự 2026)

• Helpful or harmful? Generative AI dependence, self-reported critical thinking disposition, and self-perceived employability among business students — Sự phụ thuộc GenAI giới hạn liên kết giữa sử dụng và tư duy phản biện ở sinh viên kinh doanh (Shojaei và cộng sự 2026)

• College students’ metacognitive awareness of generative-AI reliance: an experimental study of decision confidence and attribution bias — Prompt phản tư cắt việc chấp nhận lời khuyên AI sai và thiên lệch quy kết (Ren 2026)

• Designing an AI-integrated role-rotation pedagogical model to support competence-related learning in pre-service educational psychologists — Luân chuyển vai trò như cấu trúc cho tương tác người-AI phản biện (Kenzhebayeva và cộng sự 2026)

• Generative artificial intelligence in university chemistry education: a critical review using Johnstone’s chemistry triplet and Biggs’ 3P model — Tích hợp GenAI lấy kiểm chứng làm trung tâm trong giáo dục hóa học đại học (Vega-Baudrit và Rivera Álvarez 2026)

• Effects of ChatGPT-Assisted Teacher Feedback on College Students' Critical Thinking Skills and Perceptions of Argumentative Writing — phản hồi ChatGPT do giáo viên tuyển chọn nâng tư duy phản biện qua sửa đổi bậc cao (Chen và cộng sự 2026)

• Generative AI and Learning Dynamics in Higher Education: A Longitudinal Empirical Study — một học kỳ tiếp cận AI để tư duy phản biện phẳng lì; việc sử dụng có phản tư dự báo nó (Melanou và cộng sự 2026)

• GenAI dependence and graduate students' research creativity: the roles of critical thinking and human-AI collaboration quality — Sự phụ thuộc GenAI liên hệ dương với tư duy phản biện ở 1,157 sinh viên sau đại học

• The association between generative AI use and university students' critical thinking: a moderated mediation model of GenAI feedback literacy and reflective thinking — Từ việc dùng GenAI đến tư duy phản biện qua năng lực phản hồi, với đường trực tiếp chỉ cho sinh viên ít phản tư hơn

• Generative AI in Education and the Erosion of Critical Democratic Citizenship — Cách đọc bi quan của bằng chứng điều tiết: mất ma sát, thiên lệch tự động hóa, khung hiệu quả

• Generative AI and Cognitive Processes in Education: A Narrative Review and Conceptual Framework — Tổng quan tường thuật 108 tài liệu: dấu của hiệu ứng đi theo kiến thức trước đó và thời điểm nhiệm vụ (khuôn khổ AMCIF)