From Scaffolding Students to Scaffolding AI Integration: How Teaching with AI Has Changed in 2026

От подкрепа на студентите към подкрепа на интегрирането на AI: Как се промени преподаването с AI през 2026 г.

Plamen MILTENOFF

During the spring of 2026, much of the discussion about AI in higher education focused on a practical instructional problem: how can we help students use generative AI without allowing the technology to replace the thinking they are supposed to develop?
Several months later, the Digital Education Council’s practical guide, Scaffolding AI in Teaching, shows that the conversation has moved further. The question is no longer only how to scaffold student use of AI. It is becoming a broader institutional question: where should AI be used across teaching, how advanced should its role become, what risks are acceptable, and which forms of human judgment should remain central?
Three sources illustrate this change particularly well.
The first is the April 2026 study by Chrysanthi Melanou and Maik Beege, Scaffolding Generative AI as a Tutor. The second is a spring instructional framework on using AI to support teaching and learning in online arts and humanities. The third is the October practical guide developed by the Digital Education Council Teaching with AI Working Group.
Together, they show how thinking about AI in education has shifted in only a few months.
The spring question: How much scaffolding do students need?
Melanou and Beege examined whether different levels of scaffolding changed how first-semester students learned with generative AI.
Students worked under three conditions: full scaffolding, light scaffolding, and no structured scaffolding. Full scaffolding included structured prompting, iterative refinement, source evaluation, and guided reflection. Light scaffolding provided only the prompting framework.
The results are important because they complicate a common assumption.
Students improved in knowledge, critical thinking, and reflective AI use, but stronger scaffolding did not consistently produce stronger outcomes. Differences between full, light, and control conditions were generally not statistically significant.
The study therefore suggests that the quantity of scaffolding may matter less than how students engage with AI.
Reflective use appears especially important. Students need to evaluate outputs, verify information, regulate their interaction with AI, and decide when to accept or reject its suggestions. The authors even raise the possibility that generative AI itself may already provide a form of implicit scaffolding through explanations, feedback, and structured interaction.
This leads to a more precise instructional principle:
More scaffolding is not necessarily better. Better-designed cognitive engagement is more important.

From prompting to preserving human judgment
The spring instructional framework for online arts and humanities develops this idea at the course and assignment level.
Its central principle is that AI should support interpretation, critique, drafting, feedback, and revision without replacing student judgment.
The strongest examples are process-oriented.
Students draft first. AI identifies weaknesses in evidence or structure. Students decide whether to accept or reject the feedback. They revise their work and explain their reasoning.
The model also separates tasks that AI may support from tasks that must remain human. AI may assist with brainstorming, revision planning, formative feedback, and structural checks. Final interpretation, argument synthesis, creative decisions, and intellectual judgment remain with the student.
This represents an important move away from AI policies based mainly on prohibition.
Instead of asking, “Is AI allowed?”, the framework asks:
Where in the learning process should AI help, and where should the student remain cognitively responsible?

The October shift: from assignments to institutions
The October Digital Education Council guide expands this logic considerably.
Its strongest contribution is a taxonomy covering seven domains of teaching with AI, including faculty development, course preparation, classroom engagement, assessment, feedback, student support, and inclusivity and accessibility.
It also introduces four levels of AI application:
Entry-Level: AI for Efficiency
Intermediate: AI for Enhancement
Advanced: AI for Redesign
Expert: AI for Reinvention
The guide explicitly states that educators are not expected to reach the highest level. Different levels should reflect faculty readiness, institutional capability, and the educational purpose of the application.
This is one of the guide’s main strengths.
Scaffolding is no longer applied only to students. Faculty themselves are scaffolded into more advanced forms of AI use.
The guide also introduces a practical evaluation model based on three dimensions:
Impact: Is the use educationally worthwhile?
Risk: What might go wrong?
Resources: Can the institution support and sustain it?
These dimensions allow institutions to distinguish between quick wins, high-impact projects requiring planning, risky applications requiring mitigation, and low-impact practices that may not deserve investment.
Another strong contribution is the emphasis on developmental fit.
The same AI application may be appropriate for an advanced learner and inappropriate for a beginner. The guide asks whether AI preserves “desirable difficulty” and whether productive struggle remains with the learner.
This is a significant change in the discussion.
The question becomes not simply whether AI improves efficiency, but which forms of cognitive difficulty should AI reduce and which should remain part of learning.
Where the practical guide is weaker
The guide is useful, but it has limitations.
Its four levels may easily be interpreted as a ladder in which Expert use is superior to Entry-Level use. The document warns against this interpretation, yet the labels themselves still suggest progression.
The empirical study from spring gives us a reason to be cautious. Greater scaffolding intensity did not automatically produce stronger learning outcomes. The same caution should apply to AI sophistication.
An advanced AI agent is not necessarily better pedagogy than a simple AI-supported critique exercise.
The guide also provides an evaluation structure but does not offer validated measurement instruments or standardized thresholds for determining impact, risk, or resource requirements.
Finally, many examples in the use-case bank demonstrate implementation and adoption rather than strong evidence of improved learning. Some cases report usage, satisfaction, participation, or faculty time savings. These are useful indicators, but they should not be confused with evidence of deeper learning, retention, transfer, or independent reasoning.

What changed between spring and autumn?
Across these three sources, the evolution is clear.
Spring:
How do we scaffold students when they use AI?
Then:
How do we design assignments so AI supports rather than replaces thinking?
October:
How do we organize AI use across courses, faculty, programmes, and institutions while preserving learning and human judgment?
This represents a shift from tool use to instructional design, and then from instructional design to institutional strategy.

Suggestions for teaching with AI now
The comparison points to five practical principles.
First, do not equate more AI with better teaching. Evaluate educational value independently of technological sophistication.
Second, design assignments around student evaluation, reflection, explanation, and justification. These processes appear more important than adding more layers of AI guidance.
Third, preserve productive struggle. AI should remove unnecessary friction, but not the reasoning students are expected to learn.
Fourth, differentiate AI use by learner stage. First-year students, advanced students, and doctoral researchers should not necessarily receive the same level of AI support.
Fifth, evaluate AI at three levels at the same time: student learning, course design, and institutional capability.
The most important question for the next stage of teaching with AI may therefore be:
Which cognitive responsibilities should remain with the student, which activities can be supported by AI, and how should this balance change as learners, faculty, and institutions develop?
 
През пролетта на 2026 г. голяма част от дискусията за изкуствения интелект във висшето образование беше насочена към един практически проблем на преподаването: как да помогнем на студентите да използват генеративен AI, без технологията да замества мисловните процеси, които те трябва да развиват?
Няколко месеца по-късно практическото ръководство на Digital Education Council, Scaffolding AI in Teaching, показва, че разговорът вече се е придвижил по-далеч. Въпросът вече не е само как да подкрепяме студентите при използването на AI. Той се превръща в по-широк институционален въпрос: къде трябва да се използва AI в преподаването, докъде трябва да стига неговата роля, какви рискове са приемливи и кои форми на човешка преценка трябва да останат централни?Три източника показват тази промяна особено ясно.
Първият е изследването от април 2026 г. на Chrysanthi Melanou и Maik Beege, Scaffolding Generative AI as a Tutor. Вторият е разработената през пролетта рамка за използване на AI в онлайн обучението по изкуства и хуманитарни науки. Третият е практическото ръководство от октомври, разработено от работната група Teaching with AI към Digital Education Council.
Заедно те показват как само за няколко месеца се промени мисленето за AI в образованието.
Пролетният въпрос: От колко подкрепа се нуждаят студентите?
Melanou и Beege изследват дали различните нива на подкрепа променят начина, по който студентите от първи курс учат с генеративен AI.
Студентите работят при три условия: пълна подкрепа, лека подкрепа и липса на структурирана подкрепа. Пълната подкрепа включва структурирано формулиране на промпти, итеративно усъвършенстване, оценяване на източници и насочвана рефлексия. Леката подкрепа включва само рамката за формулиране на промпти.
Резултатите са важни, защото поставят под въпрос едно широко разпространено предположение.
Студентите показват подобрение в знанията, критическото мислене и рефлексивното използване на AI, но по-интензивната подкрепа не води последователно до по-добри резултати. Разликите между пълна, лека и липсваща структурирана подкрепа като цяло не са статистически значими.
Следователно изследването предполага, че количеството подкрепа може да е по-малко важно от начина, по който студентите взаимодействат с AI.
Особено важно изглежда рефлексивното използване. Студентите трябва да оценяват резултатите, да проверяват информацията, да регулират взаимодействието си с AI и да решават кога да приемат или отхвърлят неговите предложения. Авторите дори допускат, че генеративният AI вече може да предоставя форма на имплицитна подкрепа чрез обяснения, обратна връзка и структурирано взаимодействие.
Това води до по-прецизен принцип за преподаване:
Повече подкрепа не означава непременно по-добро учене. По-важно е качеството на когнитивното ангажиране.

От промптване към запазване на човешката преценка
Пролетната рамка за онлайн обучение по изкуства и хуманитарни науки развива тази идея на ниво курс и задание.
Основният принцип е, че AI трябва да подпомага интерпретацията, критиката, създаването на чернови, обратната връзка и преработването на текста, без да замества преценката на студента.
Най-силните примери са ориентирани към процеса.
Студентите първо създават собствена чернова. AI идентифицира слабости в доказателствата или структурата. След това студентите решават дали да приемат или отхвърлят обратната връзка. Те преработват работата си и обясняват логиката зад своите решения.
Моделът също ясно разделя дейностите, които AI може да подпомага, от дейностите, които трябва да останат човешки. AI може да помага при генериране на идеи, планиране на ревизии, формативна обратна връзка и структурни проверки. Финалната интерпретация, синтезът на аргументи, творческите решения и интелектуалната преценка остават отговорност на студента.
Това представлява важна промяна спрямо политики за AI, основани предимно на забрани.
Вместо да питаме „Разрешен ли е AI?“, рамката поставя друг въпрос:
Къде в процеса на учене AI трябва да помага и къде студентът трябва да запази когнитивната отговорност?

Промяната през октомври: от отделното задание към институцията
Практическото ръководство на Digital Education Council от октомври значително разширява тази логика.
Един от най-силните му приноси е таксономията, обхващаща седем области на преподаването с AI, включително развитие на преподавателите, разработване на курсове, ангажиране в учебния процес, оценяване, обратна връзка, подкрепа на студентите и приобщаване и достъпност.
Ръководството въвежда и четири нива на приложение на AI:
Начално ниво: AI за ефективност
Средно ниво: AI за подобрение
Напреднало ниво: AI за препроектиране
Експертно ниво: AI за преосмисляне
Документът изрично подчертава, че от преподавателите не се очаква да достигнат най-високото ниво. Различните нива трябва да отразяват готовността на преподавателите, институционалния капацитет и образователната цел на конкретното приложение.
Това е една от основните силни страни на ръководството.
Scaffolding вече не се отнася само до студентите. Самите преподаватели получават структурирана подкрепа за преминаване към по-сложни форми на използване на AI.
Ръководството въвежда и практичен модел за оценяване, основан на три измерения:
Въздействие: Има ли образователна стойност?
Риск: Какво може да се обърка?
Ресурси: Може ли институцията да поддържа това приложение устойчиво?
Тези измерения позволяват на институциите да разграничават бързи и лесни решения, проекти с голям потенциал, които изискват планиране, рискови приложения, при които първо са необходими мерки за ограничаване на риска, и практики с ниска стойност, които може да не заслужават инвестиция.
Друг важен принос е акцентът върху съответствието с етапа на развитие на обучаемия.
Едно и също приложение на AI може да бъде подходящо за напреднал студент и неподходящо за начинаещ. Ръководството поставя въпроса дали AI запазва „желаната трудност“ и дали продуктивното интелектуално усилие остава при обучаемия.
Това представлява съществена промяна в дискусията.
Въпросът вече не е само дали AI увеличава ефективността, а кои форми на когнитивна трудност трябва да намалява и кои трябва да останат част от ученето.
Къде практическото ръководство е по-слабо
Ръководството е полезно, но има и ограничения.
Неговите четири нива лесно могат да бъдат разбрани като стълбица, при която „експертното“ използване е по-добро от началното. Документът предупреждава срещу такова тълкуване, но самите наименования все пак създават усещане за йерархия.
Емпиричното изследване от пролетта дава основание да бъдем внимателни. По-интензивната подкрепа не води автоматично до по-добри резултати от ученето. Същата предпазливост трябва да се прилага и към сложността на AI.
Напреднал AI агент не означава непременно по-добра педагогика от сравнително проста задача, при която студентите критично оценяват AI-генериран текст.
Ръководството предлага рамка за оценяване, но не предоставя валидирани измервателни инструменти или стандартизирани прагове за определяне на въздействие, риск или необходим ресурс.
Освен това много от примерите в банката с практики показват успешна реализация и приемане, но не дават силни доказателства за подобряване на ученето. Част от случаите представят данни за използване, удовлетвореност, участие или спестено време на преподавателите. Това са полезни показатели, но те не трябва да се смесват с доказателства за по-задълбочено учене, дългосрочно запаметяване, трансфер на знания или независимо разсъждение.

Какво се промени между пролетта и есента?
В трите източника се вижда ясна еволюция.
Пролет:
Как да подкрепяме студентите, когато използват AI?
Следващата стъпка:
Как да проектираме задания така, че AI да подпомага, а не да замества мисленето?
Октомври:
Как да организираме използването на AI в курсове, сред преподаватели, учебни програми и институции, като едновременно запазим ученето и човешката преценка?
Това представлява преход от използване на инструмент към дизайн на обучението, а след това от дизайн на обучението към институционална стратегия.

Насоки за преподаване с AI сега
Сравнението между трите източника насочва към пет практически принципа.
Първо, не трябва да приемаме, че повече AI означава по-добро преподаване. Образователната стойност трябва да се оценява независимо от технологичната сложност.
Второ, заданията трябва да изискват оценяване, рефлексия, обяснение и аргументация от страна на студентите. Тези процеси изглеждат по-важни от добавянето на още слоеве AI подкрепа.
Трето, трябва да запазим продуктивното интелектуално усилие. AI може да премахва ненужните затруднения, но не и разсъждението, което студентите трябва да усвоят.
Четвърто, използването на AI трябва да се различава според етапа на развитие на обучаемите. Студенти от първи курс, напреднали студенти и докторанти не трябва непременно да получават еднакво ниво на AI подкрепа.
Пето, AI трябва да се оценява едновременно на три нива: учене на студентите, дизайн на курса и институционален капацитет.
Следователно най-важният въпрос за следващия етап на преподаването с AI може да бъде:
Кои когнитивни отговорности трябва да останат при студента, кои дейности могат да бъдат подпомагани от AI и как този баланс трябва да се променя с развитието на студентите, преподавателите и институциите?