Част 1. ИИ в преподаването и ученето, по какво литературата вече се съгласява

In this discussion of AI in teaching and learning, I draw on two types of sources. The first includes academic studies and conceptual papers that offer theory, research design, and stronger analytical precision. In this group, Abrami et al. (2015) provide a meta-analysis of critical thinking instruction, Bećirović et al. (2025) examine AI adoption in teacher education through the MAILS, ISS, and TAM3 frameworks, Brod (2026) offers a conceptual reframing of learner agency in AI-rich environments, and Naeem (2025) explores whether generative AI can support intellectual virtues rather than only task completion. The second group consists of popular, policy-oriented, and practitioner-facing texts. These include Alexopoulos (2025), Smith et al. (2025), Watkins (2025), and Dempsey’s edited volume What Education Becomes (Dempsey, 2026). These sources matter because AI in education is evolving faster than the academic publication cycle, and many of the field’s most urgent questions appear first in essays, interviews, guidebooks, and practitioner reflections.

The decision to combine academic and popular sources is intentional. Academic work provides conceptual depth, analytical rigor, and evidence. Popular and professional texts show where institutional anxiety, experimentation, and redesign are already taking shape in practice. Taken together, these sources offer a broad overview of how AI is being interpreted in teaching and learning across research, policy, instructional design, and faculty practice. It is especially indicative the extent to which they converge around a shared set of core concerns.

One such concern is the revelation about AI no longer being  treated as a neutral tool. Across these writings, AI appears as an amplifier, an infrastructure, a design variable, or a systemic pressure bringing changes to the conditions of education itself (Alexopoulos, 2025; Brod, 2026; Dempsey, 2026; Smith et al., 2025). This marks an important shift. Earlier educational technology debates often focused on adoption, access, or digital skills. The recent AI literature increasingly considers the context of cognition as changed. In Dempsey’s framework, AI moves from something outside the curriculum to something under the curriculum, a condition reshaping the learning process even when educators are not explicitly teaching with it (Dempsey, 2026). Smith et al. (2025) make a similar point when they describe AI as an “arrival technology.” Schools did not formally adopt it first. Students and teachers simply began using it.

AI forces a shift from focusing on tools to rethinking learning design, assessment, and evidence of understanding in an environment where machine-generated outputs are always available.

Another commonality across the writings  is the recognition about the real issue, namely, the need for educational design, not tool selection. These sources repeatedly move away from the shallow question, “Which AI platform should we use?” and toward harder questions about purpose, evidence of learning, and human development. Abrami et al. (2015) showed long before the current generative AI moment that critical thinking does not emerge reliably from content exposure alone. It depends on dialogue, authentic tasks, and deliberate pedagogical design. Brod (2026) extends this logic by arguing that learner agency is not equivalent to choice. A student can be offered many options by an AI system and still lack meaningful control over learning. Naeem (2025) pushes the design question even further by asking whether AI systems help students become better inquirers, not only faster responders. Across all three, the signal is consistent. Learning quality depends on the design, assessment and ability to scaffold learning environments.

Further, assessment has become the main fault line. AI reveals existing weaknesses in assessment more quickly than in any other part of education. Smith et al. (2025) argue the AI’s creation of a “wicked problem” in assessment due to students’ ability to produce polished work, yet without a guarantee to understand its content. Watkins (2025) reaches a similar conclusion from a different angle by criticizing AI grading. His point about automated grading’s possibility to be inaccurate or impersonal, is amplified by the fact about grading itself being part of teaching. When evaluation becomes automated, instructors lose a major source of insight into student thinking, and students lose a vital channel of feedback. Alexopoulos (2025) also treats assessment as a pressure point, warning the reality of convenience undermining educational value if schools adopt AI primarily to save time rather than to improve learning.

Taken together, these commonalities suggest a major reorientation. AI in education can be about classroom gadgets or productivity gains. Moreover, it is about the structure of learning itself, the design of educational tasks, and the validity of assessment in a context where machine-generated output is always available. Hence institutions with a focus only on policy restrictions or tool recommendations will miss the deeper shift. The increasingly important issue becomes whether current teaching and assessment still produce credible evidence of learning when AI is part of the environment.

---

В този анализ на ИИ в преподаването и ученето използвам два типа източници. Първият включва академични изследвания и концептуални трудове, които предлагат теория, изследователски дизайн и по-висока аналитична прецизност. В тази група Abrami et al. (2015) представят метаанализ на преподаването на критично мислене, Bećirović et al. (2025) изследват възприемането на ИИ в подготовката на учители чрез рамките MAILS, ISS и TAM3, Brod (2026) предлага концептуално преосмисляне на ученическата агентност в среда, наситена с ИИ, а Naeem (2025) разглежда дали генеративният ИИ може да подкрепя развитието на интелектуални добродетели, а не само изпълнение на задачи. Втората група включва популярни, политико-ориентирани и насочени към практиката текстове. Тук попадат Alexopoulos (2025), Smith et al. (2025), Watkins (2025) и редактираният сборник на Dempsey What Education Becomes (Dempsey, 2026). Тези източници са важни, защото ИИ в образованието се развива по-бързо от академичния публикационен цикъл, а много от най-спешните въпроси се появяват първо в есета, интервюта, ръководства и практико-ориентирани анализи.

Решението да се комбинират академични и популярни източници е целенасочено. Академичните изследвания осигуряват концептуална дълбочина, аналитична строгост и емпирична основа. Популярните и професионални текстове показват къде институционалното напрежение, експериментирането и процесите на преосмисляне вече се развиват в практиката. В съвкупност тези източници дават широк поглед върху това как ИИ се интерпретира в преподаването и ученето в контекста на научни изследвания, политики, инструкционен дизайн и академична практика. Особено показателна е степента, в която те се обединяват около общ набор от ключови проблеми.

Един такъв проблем е осъзнаването, че ИИ вече не може да се разглежда като неутрален инструмент. В тези източници ИИ се появява като усилвател, инфраструктура, дизайнерска променлива или системен натиск, който променя самите условия на образованието (Alexopoulos, 2025; Brod, 2026; Dempsey, 2026; Smith et al., 2025). Това бележи важна промяна. По-ранните дебати за образователните технологии се фокусираха върху внедряване, достъп или дигитални умения. Съвременната литература за ИИ все по-често приема, че самият контекст на познанието е променен. В рамката на Dempsey ИИ се премества от нещо извън учебната програма към нещо под нея, условие, което променя учебния процес дори когато преподавателите не работят пряко с него (Dempsey, 2026). Smith et al. (2025) формулират сходна идея, когато описват ИИ като „пристигнала технология“. Училищата не го внедряват първо формално. Учениците и преподавателите започват да го използват.

Друга обща линия е разбирането, че същинският проблем е образователният дизайн, а не изборът на инструмент. Тези източници системно се отдалечават от повърхностния въпрос „Коя платформа за ИИ да използваме?“ и се насочват към по-трудни въпроси за целта на образованието, доказателствата за учене и човешкото развитие. Abrami et al. (2015) показват още преди настоящия етап на генеративен ИИ, че критичното мислене не се развива надеждно чрез излагане на съдържание. То зависи от диалог, автентични задачи и целенасочен педагогически дизайн. Brod (2026) развива тази логика, като подчертава, че агентността на учащия не се изчерпва с избор. Един студент може да има множество опции, предоставени от ИИ, и въпреки това да няма реален контрол върху ученето си. Naeem (2025) задълбочава този въпрос, като пита дали ИИ подпомага студентите да станат по-добри изследователи на знанието, а не само по-бързи изпълнители. Общото послание е ясно. Качеството на ученето зависи от дизайна, оценяването и способността да се изграждат добре структурирани учебни среди.

Оценяването се очертава като основна линия на напрежение. ИИ разкрива слабостите в оценяването по-бързо от всяка друга област на образованието. Smith et al. (2025) говорят за „сложен проблем“ в оценяването, тъй като студентите могат да създават добре оформени продукти без гаранция за разбиране. Watkins (2025) достига до сходен извод, като критикува автоматизираното оценяване. Неговият аргумент не е само, че то може да бъде неточно или безлично, а че самото оценяване е част от преподаването. Когато се автоматизира, преподавателите губят достъп до мисленето на студентите, а студентите губят важен канал за обратна връзка. Alexopoulos (2025) също разглежда оценяването като критична зона, като предупреждава, че удобството може да подкопае образователната стойност, ако ИИ се използва основно за спестяване на време.

В обобщение, тези общи линии насочват към необходимост от преосмисляне. ИИ в образованието не се изчерпва с инструменти или повишаване на продуктивността. Той засяга структурата на ученето, дизайна на задачите и валидността на оценяването в среда, в която машинно генерираното съдържание е постоянно налично. Институциите, които се фокусират само върху ограничения или избор на инструменти, рискуват да пропуснат по-дълбоката промяна. Ключовият въпрос става дали съществуващите практики в преподаването и оценяването все още осигуряват надеждни доказателства за учене в условията на ИИ.

Bibliography:

Abrami, P. C., Bernard, R. M., Borokhovski, E., Waddington, D. I., Wade, C. A., & Persson, T. (2015). Strategies for teaching students to think critically: A meta-analysis. Review of Educational Research, 85(2), 275–314. https://doi.org/10.3102/0034654314551063

Alexopoulos, A. (2025). AI in the classroom: Promise, peril, and what comes next. To Vima. https://www.tovima.com/stories/ai-in-the-classroom-promise-peril-and-what-comes-next/

Bećirović, S., Polz, E., & Tinkel, I. (2025). A multidimensional study of AI adoption among university students in teacher education programs. Smart Learning Environments, 12(1), Article 67. https://doi.org/10.1186/s40561-025-00422-0

Brod, G. (2026). Agency does not equal choice: Conceptualizing agency for learning in the age of AI. Learning and Individual Differences, 125, Article 102841. https://doi.org/10.1016/j.lindif.2025.102841

Dempsey, P. R. (Ed.). (2026). What education becomes: Teaching and learning in a post-AI world. Second Draft Labs.

Naeem, H. (2025). Teaching skills and intellectual virtues with generative AI. Episteme, 1–18. https://doi.org/10.1017/epi.2025.10089

Smith, J. M., Dukes, J., Sheldon, J., Nnamani, M. N., Esteves, N., & Reich, J. (2025). A guide to AI in schools: Perspectives for the perplexed. MIT Teaching Systems Lab. https://tsl.mit.edu/wp-content/uploads/2025/08/GuideToAIInSchools.pdf

Watkins, M. (2025). The dangers of using AI to grade: Nobody learns, nobody gains. Substack. https://marcwatkins.substack.com/p/the-dangers-of-using-ai-to-grade