Когато изкуственият интелект мисли вместо студентите, какво се случва с ученето?

Podcast

Подкаст

From cognitive offloading to calibrated delegation: What a new systematic review tells us about AI, critical thinking, and higher education.
Students increasingly use generative AI to summarize readings, write assignments, solve problems, analyze data, and prepare research. These tools save time, but they raise an educational question: When AI performs intellectual work, what happens to the student’s ability to think independently?
A new systematic review published in Frontiers in Education by Suazo Galdames and colleagues (2026), Between Cognitive Offloading and Critical Autonomy, examines this question through 26 empirical studies.
Its central message is that AI can support learning or replace the cognitive processes required for learning. The difference depends substantially on how students use AI and how educators structure that use.

What Does the Research Tell Us?
The researchers reviewed studies published between 2022 and May 2026, identifying six recurring themes.
First, AI increasingly functions as an authority in academic work. Students consult ChatGPT and similar tools for explanations, interpretations, and judgments, sometimes accepting convincing answers without verification.
Second, AI-generated information creates challenges for evaluating evidence. Fluent explanations, fabricated citations, and unsupported claims require students to distinguish plausible information from reliable knowledge.
Third, academic integrity now extends beyond plagiarism. The critical issue is whether students understand, verify, and accept responsibility for AI-assisted work.
Fourth, excessive reliance on AI may reduce independent reasoning, reflection, and source evaluation.
Fifth, properly structured AI use can support critical thinking, conceptual understanding, feedback, and self-regulated learning.
Finally, universities need to move beyond simple prohibition toward educational practices and institutional policies that support responsible AI integration.
The important distinction is between AI as cognitive support and AI as cognitive replacement.

From Cognitive Offloading to Calibrated Delegation
Cognitive offloading occurs when people transfer mental tasks to external tools. This is not inherently negative. Calculators, search engines, and statistical software have supported intellectual work for decades.
Generative AI extends this practice into writing, reasoning, interpretation, and decision-making.
The review introduces calibrated delegation: deliberately deciding which tasks AI should perform, which require human oversight, and which must remain under independent human judgment.
Consider a marketing research student. AI may suggest questionnaire items, explain statistical techniques, or generate R code. The student must still evaluate measurement validity, verify analytical results, interpret findings, and justify conclusions.
The educational question is no longer simply whether students use AI, but which intellectual responsibilities they delegate.

A Framework for Human-AI Learning
The authors propose Hybrid Epistemic Engagement Practices in AI-Mediated Higher Education (HEEP-HE), a conceptual framework organized around four interconnected dimensions.
Epistemological validation: Students verify sources, assess evidence, and take responsibility for knowledge claims.
Pedagogical scaffolding: Instructors design AI-supported activities that promote inquiry, reflection, and critical thinking.
Sociotechnical calibration: Students learn which intellectual tasks can be delegated to AI and which require human judgment.
Civic-democratic resilience: Learners develop the capacity to recognize misinformation and evaluate AI-generated claims beyond the classroom.
Why does this matter?
Because effective AI integration requires more than teaching students to write prompts. It requires teaching them to question answers, recognize uncertainty, verify evidence, and defend their reasoning.
HEEP-HE connects these individual competencies with teaching practices and institutional responsibility. Nevertheless, the authors acknowledge that the framework remains conceptual and has not been empirically validated.

Connecting the Findings with Our Previous Discussions
This review extends several discussions on our Science & Research Blog.
In Cognitive Offloading vs. Cognitive Uploading, we discussed Steven Johnson’s distinction between using AI to replace thinking and using it to stimulate additional intellectual engagement. Calibrated delegation provides a framework for deciding how to achieve the latter.
Our article Beyond AI Literacy: Addressing Metacognitive Laziness in Higher Education examined the risks of delegating planning, monitoring, and reflection to AI. The current review broadens this concern to include evidence evaluation, authorship, and epistemic responsibility.
In Thinking, Fast, Slow, and Artificial, we examined research on cognitive surrender, where people accepted incorrect AI recommendations while becoming more confident in their answers. The new review reinforces the importance of calibrated trust and independent verification.
More recently, Students Use AI, but Do They Know When They Should? highlighted students’ demand for clearer guidance about acceptable AI use.
Together, these discussions suggest that AI literacy should increasingly focus on judgment, verification, and responsibility rather than technical proficiency alone.

What Does the Review Overlook?
Despite its contributions, the review has important methodological limitations.
Although the researchers identified 7,215 records, only 26 studies entered the final synthesis. Automated eligibility assessment excluded 3,962 of the 4,093 unique records before independent human screening. The article describes safeguards for uncertain cases but does not report an independent sensitivity audit of these automated exclusions.
The evidence also remains methodologically heterogeneous. Only four studies used randomized or quasi-experimental designs. Many relied on perceptions, interviews, or self-reported behavior.
Consequently, the review does not demonstrate that AI causes long-term cognitive decline. It identifies associations, perceived risks, and promising educational approaches.
Another overlooked issue concerns the distinction between cognitive offloading and cognitive loss. Delegating a task does not necessarily weaken the underlying ability. The consequences depend on the task, the student’s expertise, and whether independent reasoning and verification remain necessary.
The authors also acknowledge inconsistent measurement of critical autonomy and epistemic agency. We still lack sufficient evidence about which forms of AI assistance strengthen learning over time and which undermine independent performance.
An important missed opportunity is translating calibrated delegation into measurable instructional practices. Universities need practical ways to distinguish productive assistance from harmful dependence, rather than relying on general recommendations.

What Should Universities Do?
The review supports three practical priorities: teach students to verify AI-generated claims, redesign assessments to make reasoning visible, and establish discipline-specific expectations about acceptable cognitive delegation.
Instructors can ask students to document AI use, compare generated answers with evidence, justify methodological decisions, and defend their conclusions independently.
For researchers, the next priority is longitudinal and experimental investigation of how different AI-use strategies influence critical thinking, knowledge retention, and independent problem-solving.
The central challenge is not to eliminate cognitive offloading. It is to determine when delegation supports learning and when it substitutes for the intellectual work students need to develop.
When students submit AI-assisted work, can they still explain, evaluate, and defend what they have produced?
That question deserves a central place in teaching, assessment, and university AI policy.
Add a stronger practical frameworkEnd with concrete university actions

От когнитивното разтоварване към калибрираното делегиране: какво показва нов систематичен обзор за изкуствения интелект, критичното мислене и висшето образование.
Студентите все по-често използват генеративен изкуствен интелект (ИИ), за да обобщават текстове, пишат задания, решават задачи, анализират данни и подготвят научни изследвания. Тези инструменти спестяват време, но поставят важен образователен въпрос: Когато ИИ извършва интелектуалната работа, какво се случва със способността на студентите да мислят самостоятелно?
Нов систематичен обзор, публикуван във Frontiers in Education от Suazo Galdames и съавтори (2026), Between Cognitive Offloading and Critical Autonomy, разглежда този въпрос въз основа на 26 емпирични изследвания.
Основният извод е, че ИИ може да подпомага ученето, но може и да замества познавателните процеси, необходими за усвояването на знания. Разликата зависи до голяма степен от начина, по който студентите използват ИИ, и от организацията на учебния процес.

Какво показват изследванията?
Авторите анализират изследвания, публикувани между 2022 г. и май 2026 г., и идентифицират шест повтарящи се теми.
Първо, ИИ все по-често се възприема като авторитетен източник на знания. Студентите използват ChatGPT и подобни инструменти за обяснения, интерпретации и оценки, като понякога приемат убедително звучащите отговори без проверка.
Второ, генерираната от ИИ информация създава нови предизвикателства пред оценяването на доказателствата. Правдоподобните обяснения, измислените библиографски източници и неподкрепените твърдения изискват студентите да разграничават убедително представената информация от достоверното знание.
Трето, академичната почтеност вече надхвърля проблема с плагиатството. Основният въпрос е дали студентите разбират, проверяват и поемат отговорност за работата, създадена с помощта на ИИ.
Четвърто, прекомерната зависимост от ИИ може да намали самостоятелното разсъждение, рефлексията и критичната оценка на източниците.
Пето, правилно организираното използване на ИИ може да подпомага критичното мислене, концептуалното разбиране, обратната връзка и саморегулираното учене.
И накрая, университетите трябва да преминат от обикновени забрани към образователни практики и институционални политики, които насърчават отговорното интегриране на ИИ.
Ключовото разграничение е между ИИ като познавателна подкрепа и ИИ като заместител на мисленето.

От когнитивното разтоварване към калибрираното делегиране
Когнитивното разтоварване (cognitive offloading) възниква, когато хората прехвърлят умствени задачи към външни инструменти. Това не е непременно отрицателно явление. Калкулаторите, търсачките и статистическият софтуер от десетилетия подпомагат интелектуалната работа.
Генеративният ИИ разширява тази практика към писането, разсъжденията, интерпретацията и вземането на решения.
Обзорът въвежда понятието калибрирано делегиране (calibrated delegation): съзнателно определяне кои задачи могат да бъдат изпълнявани от ИИ, кои изискват човешки контрол и кои трябва да останат под преценката на човека.
Да разгледаме студент, който провежда маркетингово изследване. ИИ може да предложи въпроси за анкета, да обясни статистически методи или да генерира код на R. Студентът обаче трябва сам да оцени валидността на измерването, да провери аналитичните резултати, да интерпретира констатациите и да обоснове заключенията.
Образователният въпрос вече не е просто дали студентите използват ИИ, а кои интелектуални отговорности му делегират.

Рамка за съвместно учене между човека и ИИ
Авторите предлагат Hybrid Epistemic Engagement Practices in AI-Mediated Higher Education (HEEP-HE), или „Хибридни практики за епистемично ангажиране във висшето образование с посредничеството на ИИ“. Това е концептуална рамка, организирана около четири взаимосвързани измерения.
Епистемична валидация: Студентите проверяват източници, оценяват доказателства и поемат отговорност за твърденията си.
Педагогическо подпомагане: Преподавателите разработват дейности с ИИ, които насърчават изследователското мислене, рефлексията и критичния анализ.
Социотехническо калибриране: Студентите се учат кои интелектуални задачи могат да делегират на ИИ и кои изискват човешка преценка.
Гражданска и демократична устойчивост: Обучаемите развиват способност да разпознават дезинформация и да оценяват генерирани от ИИ твърдения извън учебната аудитория.
Защо това е важно?
Защото ефективното интегриране на ИИ изисква повече от обучение за създаване на промптове. Студентите трябва да се научат да поставят под съмнение отговорите, да разпознават несигурността, да проверяват доказателствата и да защитават своите разсъждения.
HEEP-HE свързва тези индивидуални компетентности с преподавателските практики и институционалната отговорност. Самите автори обаче признават, че рамката остава концептуална и все още не е емпирично валидирана.

Връзка с предишните ни блог постове
Този обзор продължава няколко дискусии в нашия блог „Наука и изследвания“.
В публикацията Cognitive Offloading vs. Cognitive Uploading разгледахме разграничението на Стивън Джонсън между използването на ИИ като заместител на мисленето и като средство за стимулиране на допълнителна интелектуална активност. Калибрираното делегиране предлага подход за постигане на второто.
Статията ни Beyond AI Literacy: Addressing Metacognitive Laziness in Higher Education разгледа рисковете от делегирането на планирането, самонаблюдението и рефлексията на ИИ. Настоящият обзор разширява проблема, като включва оценяването на доказателства, авторството и епистемичната отговорност.
В Thinking, Fast, Slow, and Artificial обсъдихме изследвания върху когнитивното подчиняване (cognitive surrender), при което хората приемат погрешни препоръки на ИИ, докато увереността им в отговорите нараства. Новият обзор потвърждава значението на адекватно калибрираното доверие и независимата проверка.
По-скоро в Students Use AI, but Do They Know When They Should? подчертахме потребността на студентите от по-ясни указания за допустимото използване на ИИ.
Взети заедно, тези дискусии показват, че грамотността за работа с ИИ трябва все повече да се съсредоточава върху преценката, проверката и отговорността, а не единствено върху техническите умения.

Какво пропуска изследването?
Въпреки приносите си обзорът има съществени методологични ограничения.
Изследователите първоначално идентифицират 7215 публикации, но само 26 попадат в окончателния анализ. Автоматизираната оценка за допустимост изключва 3962 от 4093 уникални записа преди независимата проверка от изследователи. Статията описва предпазни механизми за неясните случаи, но не представя независим одит на чувствителността на автоматизираното изключване.
Доказателствата са и методологично разнородни. Само четири изследвания използват рандомизиран или квазиекспериментален дизайн. Много от останалите разчитат на възприятия, интервюта или самооценки.
Следователно обзорът не доказва, че ИИ причинява дългосрочен когнитивен спад. Той идентифицира зависимости, възприемани рискове и обещаващи педагогически подходи.
Друг недостатъчно разгледан въпрос е разграничението между когнитивно разтоварване и загуба на познавателни способности. Делегирането на задача не означава непременно отслабване на съответното умение. Последствията зависят от характера на задачата, експертността на студента и необходимостта от самостоятелно разсъждение и проверка.
Авторите признават също непоследователното измерване на критичната автономност и епистемичната самостоятелност. Все още липсват достатъчно доказателства кои форми на подпомагане чрез ИИ укрепват ученето в дългосрочен план и кои отслабват самостоятелното изпълнение на задачи.
Важна пропусната възможност е превръщането на калибрираното делегиране в измерими преподавателски практики. Университетите се нуждаят от практически критерии за разграничаване на продуктивната помощ от вредната зависимост, вместо да разчитат единствено на общи препоръки.

Какво трябва да направят университетите?
Обзорът подкрепя три практически приоритета: студентите да се обучават да проверяват твърденията на ИИ, оценяването да се преработи така, че да прави процеса на разсъждение видим, и да се установят специфични за отделните дисциплини правила за допустимото когнитивно делегиране.
Преподавателите могат да изискват студентите да документират използването на ИИ, да сравняват генерираните отговори с доказателства, да обосновават методологичните си решения и самостоятелно да защитават заключенията си.
За изследователите следващият приоритет са дългосрочните и експерименталните проучвания върху влиянието на различните стратегии за използване на ИИ върху критичното мислене, запазването на знанията и самостоятелното решаване на проблеми.
Основното предизвикателство не е да премахнем когнитивното разтоварване. То е да определим кога делегирането подпомага ученето и кога замества интелектуалната работа, необходима за развитието на студентите.
Когато студентите предават работа, създадена с помощта на ИИ, могат ли все още самостоятелно да обяснят, оценят и защитят това, което са представили?
Този въпрос заслужава централно място в преподаването, оценяването и университетските политики за използване на изкуствен интелект.