Част 2. Какво разкрива ИИ в образованието за човешката преценка, агентността и усилието
The authors of the sources discussed in these three blog posts are concerned values expected to be protected by education. Even when the authors differ in tone, optimism, or emphasis, they repeatedly return to the same point: the real stakes are human judgment, agency, effort, and the conditions under which students and teachers think for themselves.
Another similarity across those writings is the continued centrality of human judgment. This appears in both research and commentary. Abrami et al. (2015) emphasize the importance of dialogue, mentoring, and explicit reasoning instruction in developing critical thinking. Those are all deeply human pedagogical processes. Smith et al. (2025) argue the need for schools for AI policies to manage cheating or efficiency, and also preserve teacher judgment and the relational work of teaching. Alexopoulos (2025) makes the point clearly by presenting AI as an amplifier. If teachers use AI in systems already dominated by weak pedagogy, poor assessment, or shallow learning goals, AI scales those weaknesses. If teachers operate within strong pedagogical environments, AI may support adaptation and feedback. In both cases, human judgment remains the decisive factor.
All authors agree about the pressure exercised on both learner and teacher. Brod (2026) is especially important here because he dismantles one of the most common assumptions in AI-enhanced learning: more choice means more empowerment. Agency requires the opportunity to decide, the capacity to decide, and the capacity to enact those decisions. Many AI systems increase options while quietly reducing the need to think, judge, or persist. This concern also appears in Smith et al. (2025), where teachers worry about students use of AI as a crutch rather than a support, and in Dempsey (2026), where the move toward “AI under the curriculum” raises questions about whether institutions are preparing students for reflective use or normalizing cognitive outsourcing. Agency, then, is not merely about access to tools. It is about preserving the learner’s role as an intentional thinker.
Another correlation among the writings is the suspicion toward efficiency as an educational value. This is one of the most important themes in the whole set. Educational institutions are often tempted by promises of time savings, automation, and streamlined workflows. Yet these texts repeatedly warn of faster not always better. Watkins (2025) shows this in the grading debate. Time saved by automating evaluation may mean less feedback, less dialogue, and less teacher understanding of student work. Alexopoulos (2025) notes that AI may make some tasks more efficient, but asks whether convenience should be allowed to replace judgment, relational teaching, or meaningful engagement. Naeem (2025) critiques a similar tendency at the level of student inquiry. If AI is designed to answer rather than to help students question, then efficiency may come at the cost of curiosity, intellectual humility, and deeper understanding.
AI in education matters less for what it automates and more for how it reshapes human judgment, agency, and the role of effort in learning.
The broader lesson goes beyond AI forcing schools to adopt new tools. It forces them to clarify their theory of learning. If an institution treats education as efficient content delivery, then AI seems like an obvious gain. If it treats education as the development of reasoning, judgment, and intellectual independence, then AI becomes a much more complex design and governance challenge. Hence the reason for the most serious sources in this set to stress human agency and judgment. They reinforce as educational issue not merely the Ai abilities; It is what humans may stop doing when AI becomes too easy to rely on.
The connection among these three commonalities is a shared rejection of educational minimalism. These sources do not define learning as the fastest route to correct output. They define learning as a process based on thought, dialogue, interpretation, uncertainty, and sometimes struggle. That makes AI particularly challenging for education, since AI often presents itself as a machine for removing friction. But in teaching and learning, some kinds of friction are valuable. Students need to wrestle with ideas. Teachers need to interpret student work. Institutions need to distinguish between support that enables learning and automation that bypasses it.
Авторите на разгледаните в тези три блог поста източници поставят фокус върху ценностите, които образованието трябва да защитава. Дори когато се различават по тон, степен на оптимизъм или акценти, те многократно се връщат към една и съща идея: същинският залог са човешката преценка, агентността, усилието и условията, при които студенти и преподаватели мислят самостоятелно.
Друга обща линия е устойчивата централност на човешката преценка. Тя се откроява както в научните изследвания, така и в експертните коментари. Abrami et al. (2015) подчертават значението на диалога, менторството и целенасоченото преподаване на аргументация за развитието на критично мислене. Това са дълбоко човешки педагогически процеси. Smith et al. (2025) посочват, че училищата се нуждаят от политики за ИИ, които не само управляват измамите или ефективността, но и съхраняват преподавателската преценка и релационния характер на преподаването. Alexopoulos (2025) формулира това чрез идеята за ИИ като усилвател. Ако преподавателите използват ИИ в системи с слаба педагогика, некачествено оценяване или повърхностни цели, ИИ ще мащабира тези слабости. Ако работят в силни педагогически среди, ИИ може да подпомогне адаптацията и обратната връзка. И в двата случая човешката преценка остава решаващият фактор.
Всички автори също подчертават натиска върху учащите и преподавателите. Brod (2026) е особено важен, защото разрушава широко разпространеното допускане, че повече избор означава повече овластяване. Агентността изисква възможност за вземане на решения, способност за вземане на решения и способност за тяхното реализиране. Много системи с ИИ увеличават опциите, но същевременно намаляват необходимостта от мислене, преценка и постоянство. Подобна загриженост се вижда и при Smith et al. (2025), където преподавателите се опасяват, че студентите използват ИИ като патерица, а не като подкрепа, както и при Dempsey (2026), където преминаването към „ИИ под учебната програма“ поставя въпроса дали институциите подготвят студентите за рефлексивна употреба или нормализират когнитивното прехвърляне към машини. Следователно агентността не се изчерпва с достъп до инструменти, а се свързва със запазването на ролята на учащия като мислещ субект.
Друга сходна линия е скептицизмът към ефективността като водеща образователна ценност. Това е една от най-силните теми в целия корпус от текстове. Образователните институции често се изкушават от обещания за спестяване на време, автоматизация и оптимизация на процеси. Тези източници обаче последователно показват, че по-бързо не означава по-добро. Watkins (2025) илюстрира това чрез дебата за оценяването. Спестеното време чрез автоматизация може да означава по-малко обратна връзка, по-малко диалог и по-слабо разбиране на студентската работа от страна на преподавателя. Alexopoulos (2025) отбелязва, че ИИ може да повиши ефективността, но поставя въпроса дали удобството трябва да замества преценката, релационното преподаване и ангажираността. Naeem (2025) отправя сходна критика на нивото на ученическото изследване. Ако ИИ е проектиран да дава отговори, вместо да подпомага задаването на въпроси, ефективността може да се постигне за сметка на любопитството, интелектуалната скромност и дълбокото разбиране.
Връзката между тези общи линии е отказът от образователен минимализъм. Тези източници не разглеждат ученето като най-бързия път към правилния отговор. Те го дефинират като процес, основан на мислене, диалог, интерпретация, несигурност и понякога усилие. Това прави ИИ особено предизвикателен за образованието, тъй като той често се представя като средство за премахване на „триенето“. В преподаването обаче част от това „триене“ е ценно. Студентите трябва да се борят с идеи. Преподавателите трябва да интерпретират тяхната работа. Институциите трябва да разграничават подкрепа, която подпомага ученето, от автоматизация, която го заобикаля.
По-широкият извод надхвърля внедряването на нови инструменти. ИИ принуждава институциите да изяснят собствената си теория за ученето. Ако образованието се разглежда като ефективно предаване на съдържание, ИИ изглежда като очевидно предимство. Ако се разглежда като развитие на мислене, преценка и интелектуална независимост, тогава ИИ се превръща в много по-сложно предизвикателство за дизайн и управление. Именно затова най-сериозните източници акцентират върху човешката агентност и преценка. Основният образователен въпрос не е само какво може ИИ, а какво хората могат да спрат да правят, когато стане прекалено лесно да разчитат на него.
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