Да мислим бързо, бавно, и ИИ

Education systems need to treat AI as a third cognitive system able to  reshape how people think, not only what they produce. It proposes design and policy strategies to promote calibrated collaboration with AI, including interface cues that signal uncertainty, modes that preserve learner autonomy, and literacy efforts that teach when to trust or question AI outputs. It highlights a key challenge: people can accept fluent AI answers with little scrutiny, so systems must add feedback, incentives, and accountability structures to keep deliberation active when stakes rise.

ENGLISH (scroll down for BG text)

Thinking, Fast, Slow, and Artificial: Implications for Instructors at the University of Economics Varna

This study introduces Tri-System Theory, which expands traditional models of cognition by adding System 3, artificial intelligence, as an external reasoning partner. Across three preregistered experiments with 1,372 participants and more than 9,500 reasoning trials, researchers found a consistent pattern. When learners consulted AI, their accuracy increased if the AI was correct and decreased below baseline if the AI was wrong. At the same time, confidence increased regardless of AI accuracy. This pattern, labeled cognitive surrender, shows that learners often adopt AI outputs with limited verification.

Time pressure reduced independent reasoning performance. AI buffered this decline only when its answers were correct. Incentives and item-level feedback improved resistance to faulty AI but did not eliminate vulnerability. Individual differences mattered. Higher trust in AI predicted greater acceptance of incorrect outputs, while higher need for cognition and fluid intelligence predicted stronger resistance.

For the University of Economics Varna, the findings carry clear instructional implications. Many core disciplines such as economics, finance, accounting, management, and public policy require analytical reasoning, model interpretation, and evidence-based argumentation. If students rely on AI without structured verification, you risk inflated confidence, reduced analytical rigor, and fragile understanding.

Strategic Recommendations for Instructors

1. Make verification a graded requirement
   Require students to document how they checked at least one AI-generated claim using academic sources or datasets. Allocate explicit rubric points to evidence validation and error correction.

2. Assess reasoning, not only results
   In problem sets, case analyses, and modeling assignments, require step-by-step explanations of assumptions, data interpretation, and decision logic. Use oral defenses or short in-class checkpoints to make thinking visible.

3. Use staged assessment design
   Break major assignments into proposal, draft, feedback, and revision phases. Require students to reflect on where AI assisted and where they overruled it, with justification.

4. Integrate low-stakes calibration tasks
   Include short exercises where AI provides mixed-quality answers. Ask students to identify inaccuracies and explain corrections. Provide immediate feedback to strengthen evaluation skills.

5. Regulate AI by task type
   Permit AI for editing, formatting, or brainstorming. Restrict or carefully structure its use for core reasoning tasks such as financial modeling, econometric interpretation, or strategic decision analysis.

6. Teach AI literacy as disciplinary literacy
   In economics and management courses, explicitly discuss when AI predictions, summaries, or policy analyses require scrutiny. Connect AI evaluation to statistical reasoning, source credibility, and methodological transparency.

7. Redesign rubrics to reward cognitive effort
   Allocate marks for argument quality, justification of assumptions, uncertainty recognition, and data triangulation. Reduce weight on surface fluency.

Institutional-Level Actions

• Develop faculty guidelines that differentiate between supportive AI use and reasoning substitution.
• Offer professional development workshops focused on assessment redesign rather than detection.
• Embed verification and disclosure standards in program-level learning outcomes.
• Encourage cross-department collaboration to align AI practices across disciplines.

Key Risk for the Institution

The study shows that access to AI increases confidence even when accuracy declines. In a business and economics context, this creates risk in decision-making simulations, financial forecasts, and policy recommendations. If students graduate with strong presentation skills but weak independent reasoning calibration, institutional credibility may suffer.

Key Opportunity

When instructors intentionally structure AI collaboration, you can strengthen analytical discipline. The evidence suggests that feedback, incentives, and structured accountability reduce blind reliance. By integrating AI into assessment design rather than treating it as an external threat, the University of Economics Varna can position itself as a leader in responsible, evidence-based AI integration in higher education.

The core message for instructors is direct. AI does not automatically weaken reasoning. Unstructured AI use does. Your course design determines which outcome prevails.

Source Shaw, Steven D., and Gideon Nave. 2026. “Thinking–Fast, Slow, and Artificial: How AI Is Reshaping Human Reasoning and the Rise of Cognitive Surrender.”
Follow us: https://www.linkedin.com/feed/update/urn:li:activity:7429082682267078656

BULGARIAN

Thinking, Fast, Slow, and Artificial: Изводи за преподавателите в Икономически университет – Варна

Изследването предлага Трисистемна теория на мисленето, която добавя Система 3, изкуствения интелект, като външен партньор в процеса на разсъждение. В три предварително регистрирани експеримента с 1372 участници и над 9500 задачи се установява устойчив модел. Когато обучаемите използват ИИ, точността им се повишава, ако ИИ е коректен, и спада под базовото ниво, ако ИИ греши. В същото време увереността на участниците се увеличава независимо от качеството на отговора. Авторите обозначават този модел като когнитивно предаване на контрола, при което хората приемат отговорите на ИИ без задълбочена проверка.

Натискът от време намалява качеството на самостоятелното разсъждение. ИИ компенсира този спад само когато предоставя верни отговори. Финансовите стимули и конкретната обратна връзка подобряват способността за разпознаване на грешни отговори, но не елиминират напълно уязвимостта. Индивидуалните различия имат значение. По-високото доверие в ИИ води до по-често приемане на неточни отговори, докато по-високата когнитивна ангажираност и по-високият флуиден интелект са свързани с по-голяма устойчивост.

За Икономически университет – Варна тези резултати имат пряко значение. Дисциплини като икономика, финанси, счетоводство, мениджмънт и публични политики изискват аналитично мислене, интерпретация на модели и аргументиране на базата на доказателства. Ако студентите използват ИИ без структурирана проверка, се създава риск от повишена увереност при недостатъчна аналитична дълбочина.

Стратегически препоръки за преподавателите

1. Направете проверката задължителен елемент от оценяването
   Изисквайте студентите да документират как са проверили поне едно твърдение, генерирано от ИИ, чрез академични източници или данни. Заложете конкретни критерии за оценка на валидирането и коригирането на грешки.
2. Оценявайте процеса на мислене, а не само крайния резултат
   В задачи, казуси и моделиране изисквайте ясно описание на предпоставките, логиката на анализа и аргументацията. Включвайте устни защити или междинни проверки, които правят мисленето видимо.
3. Използвайте поетапен дизайн на оценяването
   Разделяйте големите задания на предложение, чернова, обратна връзка и финална версия. Изисквайте рефлексия за това къде е използван ИИ и къде студентът е взел самостоятелно решение.
4. Включете кратки упражнения за калибриране
   Създавайте задачи, в които ИИ предоставя както точни, така и неточни отговори. Нека студентите идентифицират грешките и ги коригират. Осигурявайте незабавна обратна връзка.
5. Регулирайте употребата на ИИ според типа задача
   Позволявайте ИИ за редакция, форматиране и генериране на идеи. Ограничете или структурирайте използването му при ключови аналитични дейности като финансово моделиране, иконометричен анализ и стратегически решения.
6. Интегрирайте ИИ грамотността в дисциплинарната подготовка
   Свържете оценката на изхода от ИИ с методологична прозрачност, статистическо мислене и проверка на източници. Обсъждайте кога прогнозите или анализите на ИИ изискват критична оценка.
7. Променете критериите за оценяване
   Разпределете повече тежест върху аргументацията, доказателствата, разпознаването на несигурност и проверката на данни. Намалете акцента върху повърхностната езикова гладкост.

Институционални действия

• Разработете общи насоки за разграничаване между подкрепяща употреба на ИИ и заместване на разсъждението.
• Организирайте обучения за преподаватели, фокусирани върху дизайн на оценяване, а не върху засичане на нарушения.
• Включете стандарти за прозрачност и проверка на ИИ в програмните резултати от обучението.
• Насърчете координация между катедрите за последователна политика по отношение на ИИ.

Основен риск

Изследването показва, че достъпът до ИИ повишава увереността дори когато точността намалява. В контекста на бизнес и икономически анализ това създава риск при симулации, прогнози и стратегически препоръки.

Основна възможност

Когато преподавателите структурират използването на ИИ, те могат да засилят аналитичната дисциплина на студентите. Обратната връзка, ясните стимули и отчетността намаляват некритичното приемане на отговори. Дизайнът на курса определя дали ИИ ще отслаби или ще укрепи мисленето.