Отвъд промптването: Да научим студентите да мислят с ИИ, а не просто да го използват
At the University of Economics – Varna, the question is no longer whether generative AI belongs in higher education. It already does. The more urgent question is what kind of thinking students practice when they use it. Med Kharbach’s Critical Thinking Activities for the Age of AI offers a timely and practical answer: the real danger is not AI itself, but the passive cycle of prompt, receive, accept, and move on. His guide responds with thirteen classroom activities mapped to Robert Ennis’s six critical thinking skills and grounded in one especially important idea: reflection after the activity is the step to turn a useful exercise into a lasting thinking habit.
That is why this guide matters. It addresses a quiet problem on the radar of many educators : students are not simply at risk of “cheating more”; they are at risk of thinking less. Kharbach’s framework is valuable because it refuses two extremes at once. It does not treat AI as an enemy to be banned, and it does not romanticize AI as a frictionless productivity tool. Instead, it treats AI as a training ground for judgment. That is a much stronger educational position.
One of the guide’s biggest strengths is its use of deliberate cognitive friction. Activities such as Push-Back Protocol, Hallucination Detective, Human vs. AI Blind Comparison, and AI Output Audit with Rubric force students to slow down, inspect claims, question assumptions, verify evidence, and notice the difference between fluency and substance. In that sense, the guide is not really just a collection of activities. It is an argument for redesigning classroom work so that AI becomes the object of critique rather than the shortcut around thought.
That practical orientation is especially useful for institutions like UE Varna. In economics, finance, business, and management, students are constantly expected to evaluate evidence, weigh competing explanations, identify weak reasoning, and make defensible recommendations. These are not peripheral skills. They are the analytical backbone of pricing decisions, policy briefs, audits, market analysis, feasibility studies, and strategic planning. Kharbach’s activities connect naturally to that kind of work. The Pricing Exercise is almost tailor-made for business education. The AI Debate / Multiple Perspectives activity fits economics seminars neatly. And the Assignment Redesign Workshop speaks directly to faculty who are rethinking assessment in courses where AI use is already widespread.
At the same time, the most useful way to read this guide is not as a finished solution, but as a strong foundation that still needs institutional scaffolding.
A good example is prompting. One version of the current AI conversation places heavy emphasis on role-based prompting: ask the model to respond as a strategy consultant, researcher, instructional designer, or project manager, and the output often becomes more structured and more usable. That is a real advantage. In professional education, students do need to learn how to frame better questions, specify context, and request outputs in formats that mirror workplace tasks. But this is precisely where educators need to be careful. A consultant-style answer is not the same as a trustworthy answer. A polished response filtered through a persuasive “persona” can still be shallow, biased, or false. The real competitive advantage is not learning how to make AI sound expert; it is learning how to interrogate expert-sounding output.
This is also where the guide’s limitations become clearer. It tells instructors what to do in the classroom, but not enough about how to measure whether these activities are actually improving critical thinking over time. The reflective memo is treated as essential, and rightly so, yet the guide does not provide a common template, rubric, or assessment model that institutions could scale across courses. It also assumes a fair amount: that students already have enough domain knowledge to spot sophisticated errors, that faculty are comfortable modeling critical AI use, and that access to tools is relatively even. In real classrooms, those assumptions do not always hold.
There are other missed opportunities as well. The guide is strongest on chatbot-text interactions, but higher education increasingly involves AI for data analysis, coding, image generation, research support, and decision dashboards. It also focuses more on critiquing AI than on showing students when AI can responsibly support deeper learning. And while the guide is flexible at the activity level, it stops short of offering a program-level roadmap for building AI literacy across a department or institution.
That is where the next step belongs to institutions like UE Varna.
The first priority should be to move beyond blanket “AI allowed” or “AI prohibited” language and toward stage-by-stage assignment design. Students need to know when AI may be used for brainstorming, when independent reasoning is required, when verification is mandatory, and how AI use must be disclosed. The second priority is to make process visible. Every major AI-enabled assignment should require three things: a brief AI-use disclosure, evidence of source verification, and a reflective memo explaining what the student accepted, rejected, revised, or questioned. The third priority is shared infrastructure. Faculty should not have to reinvent this work course by course. A common reflection template and a shared critical-thinking rubric would make adoption far more consistent.
It would also make sense to pilot a short sequence rather than scatter isolated activities across the semester. A strong starting arc might begin with Hallucination Detective, move into AI Output Audit with Rubric, and culminate in an assignment redesign exercise for faculty or advanced students. That would create a progression from verification, to evaluation, to course-level application. Just as importantly, departments should collect local evidence: student reflections, rubric scores, samples of revised work, and faculty observations. The research base on AI and cognition is still emerging, so institutional learning matters. Kharbach himself acknowledges that the strongest long-term evidence is still developing.
Finally, any serious institutional response should include what the guide only touches lightly: access, privacy, workload, and equity. Critical AI literacy is not just a classroom technique. It is also a policy issue. An academic integrity framework for the AI era should focus less on prohibition alone and more on accountable, documented, ethical use.
Kharbach’s central message remains the right one. The challenge is not simply that students use AI. It is that they may use it passively. The educational task, then, is not to remove AI from the learning environment, but to redesign learning so that judgment stays visible. For universities preparing students for a digital economy, that may be the most important shift of all.
The goal is not to produce graduates who can prompt elegantly. It is to produce graduates who can question confidently, verify carefully, reason independently, and use AI without surrendering their intellectual agency. That is the standard worth building toward.
В Икономически университет – Варна въпросът вече не е дали генеративният изкуствен интелект (ИИ) има място във висшето образование. Той вече е тук. По-спешният въпрос е какъв вид мислене упражняват студентите, когато го използват. Наръчникът на Мед Харбах „Дейности за критично мислене в ерата на ИИ“ (Critical Thinking Activities for the Age of AI) предлага навременен и практически отговор: истинската опасност не е самият ИИ, а пасивният цикъл на „промптване, получаване, приемане и продължаване напред“. Неговото ръководство отговаря с тринадесет класни дейности, съобразени с шестте умения за критично мислене на Робърт Енис и основани на една особено важна идея: рефлексията след дейността е това, което превръща полезното упражнение в траен навик за мислене.
Ето защо този наръчник е важен. Той адресира един тих проблем, който много преподаватели вече усещат: студентите не са просто изложени на риск да „преписват повече“; те са изложени на риск да мислят по-малко. Рамката на Харбах е ценна, защото отхвърля две крайности едновременно. Тя не разглежда ИИ като враг, който трябва да бъде забранен, нито го романтизира като инструмент за продуктивност без усилия. Вместо това, тя третира ИИ като тренировъчна площадка за изграждане на преценка. Това е много по-силна образователна позиция.
Една от най-големите предимства на наръчника е използването на съзнателно „когнитивно триене“. Дейности като Протокол за оспорване (Push-Back Protocol), Детектив на халюцинации (Hallucination Detective), Сляпо сравнение: Човек срещу ИИ и Одит на ИИ резултата с рубрика принуждават студентите да забавят темпото, да инспектират твърденията, да подлагат под съмнение предположенията, да проверяват доказателствата и да забелязват разликата между гладкото изразяване и съдържанието. В този смисъл наръчникът не е просто колекция от дейности. Той е аргумент за препроектиране на работата в клас, така че ИИ да стане обект на критика, а не пряк път за заобикаляне на мисълта.
Тази практическа насоченост е особено полезна за институции като ИУ-Варна. В икономиката, финансите, бизнеса и мениджмънта от студентите постоянно се очаква да оценяват доказателства, да претеглят конкуриращи се обяснения, да идентифицират слаба аргументация и да правят защитими препоръки. Това не са периферни умения. Те са аналитичният гръбнак на решенията за ценообразуване, политическите анализи, одитите, пазарните анализи, проучванията за осъществимост и стратегическото планиране. Дейностите на Харбах се свързват естествено с този вид работа. Упражнението за ценообразуване е почти създадено за бизнес образование. Дейността Дебат с ИИ / Множество перспективи се вписва отлично в икономическите семинари. А Уъркшопът за препроектиране на задачи говори директно на преподавателите, които преосмислят оценяването в курсове, където използването на ИИ вече е широко разпространено.
В същото време, най-полезният начин да се чете това ръководство не е като готово решение, а като здрава основа, която все още се нуждае от институционално надграждане.
Добър пример е промптването. Една версия на текущия разговор за ИИ поставя силен акцент върху промптването, базирано на роли: поискайте от модела да отговори като стратегически консултант, изследовател, дизайнер на обучение или ръководител на проекти и резултатът често става по-структуриран и използваем. Това е реално предимство. В професионалното образование студентите трябва да се научат как да формулират по-добри въпроси, да уточняват контекста и да изискват резултати във формати, които отразяват реалните задачи на работното място. Но точно тук преподавателите трябва да бъдат внимателни. Отговорът в стил „консултант“ не е същият като надеждния отговор. Лъскавият отговор, филтриран през убедителна „персона“, все още може да бъде повърхностен, предубеден или неверен. Истинското конкурентно предимство не е да се научиш как да накараш ИИ да звучи като експерт; то е да се научиш как да разпитваш експертно звучащия резултат.
Тук ограниченията на наръчника стават по-ясни. Той казва на преподавателите какво да правят в класната стая, но не и достатъчно за това как да измерват дали тези дейности действително подобряват критичното мислене с течение на времето. Рефлексивната бележка се разглежда като съществена, и правилно, но наръчникът не предоставя общ шаблон, рубрика или модел за оценяване, който институциите биха могли да мащабират в различните курсове. Той също така приема доста неща за даденост: че студентите вече имат достатъчно познания в областта, за да забележат сложни грешки, че преподавателите се чувстват комфортно да моделират критично използване на ИИ и че достъпът до инструментите е сравнително равнопоставен. В реалните класни стаи тези предположения невинаги са верни.
Има и други пропуснати възможности. Наръчникът е най-силен при взаимодействията с чатботове чрез текст, но висшето образование все повече включва ИИ за анализ на данни, програмиране, генериране на изображения, подкрепа на научни изследвания и табла за вземане на решения. Той също така се фокусира повече върху критикуването на ИИ, отколкото върху показването на студентите кога ИИ може отговорно да подпомогне по-дълбокото учене. И макар ръководството да е гъвкаво на ниво отделна дейност, то спира дотук, без да предложи пътна карта на ниво програма за изграждане на ИИ грамотност в рамките на катедра или институция.
Ето къде е следващата стъпка за институции като ИУ-Варна.
Първият приоритет трябва да бъде преминаването отвъд общите формулировки „ИИ е разрешен“ или „ИИ е забранен“ към поетапно проектиране на задачите. Студентите трябва да знаят кога ИИ може да се използва за генериране на идеи (brainstorming), кога се изисква независимо мислене, кога проверката е задължителна и как трябва да се декларира използването на ИИ. Вторият приоритет е да се направи процесът видим. Всяка по-значима задача с участието на ИИ трябва да изисква три неща: кратко деклариране на използването на ИИ, доказателства за проверка на източниците и рефлексивна бележка, обясняваща какво студентът е приел, отхвърлил, преработил или поставил под съмнение. Третият приоритет е споделената инфраструктура. Преподавателите не трябва да измислят всичко това курс по курс. Общ шаблон за рефлексия и споделена рубрика за критично мислене биха направили внедряването много по-последователно.
Също така би било разумно да се пилотира кратка последователност от дейности, вместо да се разпръскват изолирани упражнения през семестъра. Една силна начална крива може да започне с Детектив на халюцинации, да премине към Одит на ИИ резултата с рубрика и да завърши с упражнение за препроектиране на задачи за преподаватели или напреднали студенти. Това би създало прогресия от проверка към оценка и към прилагане на ниво курс. Също толкова важно е катедрите да събират местни доказателства: рефлексии на студенти, оценки по рубрики, мостри от преработена работа и наблюдения на преподаватели. Изследователската база за ИИ и когнитивните процеси все още се формира, така че институционалното обучение е от ключово значение. Самият Харбах признава, че най-силните дългосрочни доказателства тепърва се разработват.
И накрая, всеки сериозен институционален отговор трябва да включва това, до което наръчникът се докосва само бегло: достъп, поверителност, натовареност и справедливост. Критичната ИИ грамотност не е просто техника в класната стая. Тя е и въпрос на политика. Една рамка за академична почтеност в ерата на ИИ трябва да се фокусира по-малко върху забраните и повече върху отчетливото, документирано и етично използване.
Централното послание на Харбах остава правилното. Предизвикателството не е просто в това, че студентите използват ИИ. То е в това, че могат да го използват пасивно. Тогава образователната задача не е да премахнем ИИ от учебната среда, а да препроектираме ученето така, че преценката да остане видима. За университетите, подготвящи студенти за дигитална икономика, това може да бъде най-важната промяна от всички.
Целта не е да произвеждаме завършващи, които могат да промптват елегантно. Целта е да произвеждаме завършващи, които могат да задават въпроси с увереност, да проверяват внимателно, да разсъждават независимо и да използват ИИ, без да се отказват от своята интелектуална автономност. Това е стандартът, към който си струва да се стремим.