Бързо, бавно и изкуствено мислене: защо човешкото мислене е по-важно в епохата на ИИ
The Science and Research Institute has already discussed Steven Shaw’s Tri-System Theory in a previous post, “Thinking, Fast, Slow, and Artificial”. People often trust AI answers too quickly because they sound clear and confident, even when they are wrong. The main lesson is use AI for support, but always check its answers with your own thinking, evidence, and course knowledge.
Daniel Kahneman’s Thinking, Fast and Slow became an influential book on human judgment and decision-making by providingr two modes of thought: System 1 and System 2. System 1 is fast, intuitive, automatic, and often shaped by heuristics. System 2 is slower, more deliberate, analytical, and effortful. The book helped educators, economists, psychologists, managers, and policy makers understand why people often make confident but flawed judgments, and why better decisions require reflection, verification, and awareness of cognitive bias. ([The Decision Lab][1])
Steven Shaw’s Thinking, Fast, Slow, and Artificial extends this discussion into the age of generative AI. Shaw and Nave introduce Tri-System Theory, where artificial intelligence functions as System 3, an external reasoning partner able to influence human judgment. According to their research, AI can improve accuracy when its answers are correct, but it can also reduce accuracy below baseline when its answers are wrong. The more concerning finding regards the confidence increase regardless of AI accuracy. This pattern, called cognitive surrender, reveals the possibility for learners to accept fluent AI outputs with limited verification. ([SSRN][2])
Tina Austin’s UnBlooms™ framework offers an instructional response to this problem. Her central idea is “think first, AI second,” but thinking before, during, and after AI use. Austin challenges linear uses of Bloom’s Taxonomy in the age of generative AI and argues that educators should start with the learning problem, not with the tool. In this view, AI should not replace the learner’s reasoning. It should act as a critic, challenger, or feedback partner to help students examine their own thinking. ([aipodcast.education][3])
Wong and Qiu’s Think First, ChatGPT Later add empirical support to this position. Students who used ChatGPT freely produced stronger outputs during an AI-assisted task, but this advantage disappeared when they later worked without AI. By contrast, students who first generated their own ideas and then used ChatGPT to improve, develop, and evaluate them performed better on a later independent creativity task. The key finding is simple: free AI use can improve products, while regulated AI use can improve learning. ([Springer][4])
Together, these four sources describe a new model of thinking in the AI era. Kahneman reminds us about human regular preference for fast, fluent, low-effort answers. In Shaw’s opinion, AI can intensify this tendency because it supplies confident external reasoning, even when wrong. Austin gives educators a framework for keeping students in control of their thinking. Wong and Qiu draw attention to the importance of sequence: students need to think first, then collaborate with AI, then demonstrate independent capability.
This changes our understanding of learning and assessment. In the past, a polished essay, report, presentation, or analysis often signaled higher-order thinking. Generative AI weakens the assumption. A student can now produce a fluent output without doing the intellectual work of the output it appears to represent. Educators must shift assessment of the final product, to the process behind it: the first attempt, the use of AI, the comparison between human and AI reasoning, the verification of claims, and the final justification.
The same point applies to Bloom’s Taxonomy. In AI-supported learning, “creating” no longer automatically sits above “evaluating” if AI can generate the product. The more important educational question becomes: who controlled the thinking? Students need to retrieve knowledge, explain ideas, apply methods, analyze evidence, evaluate AI outputs, create responsibly, and decide when to resist AI use. The highest level of learning is no longer production alone, but control over the thinking processl.
For universities, this has practical consequences. AI policies should move beyond permission and prohibition. Instructors should design assignments seeking evidence of students’ reasoning before AI use, document AI contributions, verify AI-generated claims, and explain their revisions, or rejections of AI suggestions. In economics, management, finance, accounting, public policy, and research methods, this matters because students must learn to make evidence-based judgments, not only produce fluent arguments.
Human-centered AI means keeping the learner responsible for judgment. It treats AI as a partner in inquiry, not a substitute for cognition. Education should develop people who can reason under uncertainty, check claims, recognize weak evidence, resist false confidence, and make accountable decisions. AI can support this goal, but only when educators design collaboration around the thinking process. The future of AI in education depends less on access to tools and more on whether students learn to remain authors of their own reasoning.
[1]: https://thedecisionlab.com/reference-guide/philosophy/system-1-and-system-2-thinking?utm_source=chatgpt.com “System 1 and System 2 Thinking – The Decision Lab”
[2]: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=6097646&utm_source=chatgpt.com “Thinking—Fast, Slow, and Artificial: How AI is Reshaping Human …”
[3]: https://aipodcast.education/unblooms-tina-austin-on-thinking-well-with-ai-and-rethinking-blooms?utm_source=chatgpt.com “UnBlooms: Tina Austin on thinking well with AI and rethinking Bloom’s”
[4]: https://link.springer.com/article/10.1007/s10648-026-10118-7?utm_source=chatgpt.com “Think First, ChatGPT Later: Guiding Human–AI Collaboration for Learning …”
Научноизследователският Институт към ИУ Варна вече разгледа Трисистемната теория на Steven Shaw в предишна публикация, „Thinking, Fast, Slow, and Artificial“. Хората често се доверяват твърде бързо на отговорите на ИИ, защото те звучат ясно и уверено, дори когато са погрешни. Основният извод е следният: използвайте ИИ като подкрепа, но винаги проверявайте отговорите му чрез собственото си мислене, доказателства и знания от учебния курс.
Книгата на Daniel Kahneman Thinking, Fast and Slow се превърна във влиятелен труд върху човешката преценка и вземането на решения, защото представи два режима на мислене: Система 1 и Система 2. Система 1 е бърза, интуитивна, автоматична и често се влияе от евристики. Система 2 е по-бавна, по-съзнателна, аналитична и изисква усилие. Книгата помогна на преподаватели, икономисти, психолози, мениджъри и политици да разберат защо хората често правят уверени, но погрешни преценки, както и защо по-добрите решения изискват размисъл, проверка и осъзнаване на когнитивните изкривявания. (The Decision Lab)
Steven Shaw’s Thinking, Fast, Slow, and Artificial разширява тази дискусия в епохата на генеративния ИИ. Shaw и Nave въвеждат Трисистемната теория, според която изкуственият интелект функционира като Система 3, външен партньор в разсъждението, способен да влияе върху човешката преценка. Според тяхното изследване ИИ може да повиши точността, когато отговорите му са верни, но може и да я понижи под изходното равнище, когато отговорите му са погрешни. По-тревожният резултат е, че увереността се повишава независимо от точността на ИИ. Този модел, наречен когнитивно предаване, показва възможността обучаемите да приемат плавни и убедителни отговори на ИИ с ограничена проверка. (SSRN)
Рамката UnBlooms™ на Tina Austin предлага педагогически отговор на този проблем. Нейната основна идея е „първо мислене, после ИИ“, но също и мислене преди, по време на и след използването на ИИ. Austin оспорва линейното приложение на Таксономията на Bloom в епохата на генеративния ИИ и твърди, че преподавателите трябва да започват от учебния проблем, а не от инструмента. В тази перспектива ИИ не трябва да заменя разсъждението на обучаемия. Той трябва да действа като критик, предизвикател или партньор за обратна връзка, който помага на студентите да изследват собственото си мислене. (aipodcast.education)
Статията Think First, ChatGPT Later на Wong и Qiu добавя емпирична подкрепа към тази позиция. Студентите, които са използвали ChatGPT свободно, са създали по-силни резултати по време на задача с помощта на ИИ, но това предимство е изчезнало, когато по-късно са работили без ИИ. За разлика от тях, студентите, които първо са генерирали собствени идеи и след това са използвали ChatGPT, за да ги подобрят, развият и оценят, са се справили по-добре в последваща самостоятелна творческа задача. Основният извод е ясен: свободното използване на ИИ може да подобри продуктите, докато регулираното използване на ИИ може да подобри ученето. (Springer)
Заедно тези четири източника описват нов модел на мислене в епохата на ИИ. Kahneman ни напомня за човешката склонност да предпочитаме бързи, плавни и нискоусилни отговори. Според Shaw ИИ може да засили тази склонност, защото предоставя уверено външно разсъждение, дори когато греши. Austin дава на преподавателите рамка, чрез която да запазят контрола на студентите върху собственото им мислене. Wong и Qiu насочват вниманието към значението на последователността: студентите трябва първо да мислят, след това да работят съвместно с ИИ и накрая да демонстрират самостоятелна способност.
Това променя разбирането ни за ученето и оценяването. В миналото добре написано есе, доклад, презентация или анализ често се приемаха като знак за мислене от по-висок порядък. Генеративният ИИ отслабва това предположение. Днес студентът може да създаде гладък и убедителен резултат, без да е извършил интелектуалната работа, която този резултат изглежда представя. Затова преподавателите трябва да преместят фокуса на оценяването от крайния продукт към процеса зад него: първия опит, използването на ИИ, сравнението между човешкото и машинното разсъждение, проверката на твърденията и крайната обосновка.
Същото важи и за Таксономията на Bloom. В обучението, подпомогнато от ИИ, „създаването“ вече не стои автоматично над „оценяването“, ако ИИ може да генерира продукта. По-важният образователен въпрос става: кой контролираше мисленето? Студентите трябва да извличат знания, да обясняват идеи, да прилагат методи, да анализират доказателства, да оценяват резултати от ИИ, да създават отговорно и да решават кога да се противопоставят на използването на ИИ. Най-високото равнище на учене вече не е само създаването на продукт, а контролът върху мисловния процес.
За университетите това има практически последици. Политиките за ИИ трябва да надхвърлят разрешението и забраната. Преподавателите трябва да проектират задания, които изискват доказателства за разсъждението на студентите преди използването на ИИ, документиране на приноса на ИИ, проверка на генерираните от ИИ твърдения и обяснение на направените редакции или отхвърлените предложения. В икономиката, управлението, финансите, счетоводството, публичните политики и изследователските методи това е особено важно, защото студентите трябва да се научат да правят преценки, основани на доказателства, а не само да създават убедително звучащи аргументи.
Човекоцентричният ИИ означава обучаемият да остане отговорен за преценката. Той третира ИИ като партньор в изследването, а не като заместител на мисленето. Образованието трябва да развива хора, които могат да разсъждават в условия на несигурност, да проверяват твърдения, да разпознават слаби доказателства, да устояват на фалшива увереност и да вземат отговорни решения. ИИ може да подкрепи тази цел, но само когато преподавателите проектират сътрудничеството около мисловния процес. Бъдещето на ИИ в образованието зависи по-малко от достъпа до инструменти и повече от това дали студентите ще се научат да останат автори на собственото си разсъждение.