Researchers currently use AI systems to search literature, summarize articles, develop research questions, assist with writing, analyze data, and even simulate peer review. Parker and Becker argue the need for a new understanding of AI literacy for researchers. Their central point is as follows: AI literacy is not simply technical skill or prompt writing. It is a form of scholarly practice connected to research integrity, judgment, and academic responsibility.
One of the article’s strongest contributions is the idea about AI as a “cultural intermediary” in research. AI systems help researchers complete tasks. They also can impact which knowledge receives more attention, which perspectives gain legitimacy, and which forms of academic communication become accepted as standard.. Since AI systems are trained on existing academic literature, they often reinforce dominant perspectives, mainstream methodologies, and English-language scholarship. This creates risks for interdisciplinary work, emerging fields, and non-Western perspectives.
The authors respond to this challenge by proposing three connected forms of AI literacy: functional, critical, and rhetorical literacy. Functional literacy refers to the ability to use AI tools effectively while verifying outputs, documenting AI use, and recognizing when AI involvement is inappropriate. Critical literacy focuses on evaluation and skepticism. Researchers need to identify bias, omissions, automation bias, and misleading summaries rather than accepting AI-generated outputs as authoritative. Rhetorical literacy focuses on scholarly voice, authorship, interpretation, and meaning-making. Researchers need to maintain their own analytical perspective rather than relying on AI-generated language that reduces disciplinary nuance or weakens argumentative precision.
Another important contribution is the article’s assessment rubric. Instead of measuring AI literacy through self-reported confidence or general awareness, the authors propose observable practices across the research lifecycle. This approach shifts institutional discussions away from simple “allowed versus forbidden” AI use toward accountable scholarly behavior. The framework places responsibility back on researchers rather than on the technology itself.
Another contribution of the article is its practice-oriented assessment rubric. Instead of treating AI literacy as awareness or technical familiarity, the framework evaluates researchers’ ability to decide across real research activities. This approach places accountability on scholarly practice and human decision-making rather than on the technology itself.
For researchers in business and economics, functional AI literacy can support more efficient literature reviews, market analysis, policy analysis, and data interpretation. However, researchers should establish clear verification routines. AI-generated references, summaries, statistical interpretations, and theoretical syntheses should always be checked against primary sources and original datasets. Institutions can support this process by integrating AI documentation requirements into doctoral supervision, research methods training, and publication guidelines.
Critical and rhetorical AI literacy are equally important in business and economics research. AI systems often reproduce dominant economic paradigms, managerial assumptions, and Western business perspectives because these dominate training datasets. Researchers need to critically examine which voices, markets, and theoretical frameworks AI systems privilege or exclude. At the rhetorical level, scholars should maintain ownership of interpretation, argumentation, and disciplinary voice. AI may assist with drafting and organization, but analytical reasoning, theoretical positioning, and scholarly judgment must remain human responsibilities.
Parker, J. L., & Becker, K. P. (2026). Defining and assessing AI literacy for researchers across the research lifecycle. Frontiers in Education, 11. https://doi.org/10.3389/feduc.2026.1827603
Функционална, критическа и реторическа AI грамотност в научните изследвания
Изследователите вече използват AI системи за търсене на литература, обобщаване на статии, разработване на изследователски въпроси, подпомагане на писането, анализ на данни и дори симулиране на рецензиране. Паркър и Бекър аргументират необходимостта от ново разбиране за AI грамотността на изследователите. Основната им теза е следната: AI грамотността не се изчерпва с технически умения или писане на промптове. Тя представлява форма на академична практика, свързана с изследователска почтеност, преценка и академична отговорност.
Един от най-силните приноси на статията е идеята за AI като „културен посредник“ в научните изследвания. AI системите подпомагат изследователите при изпълнението на задачи. Те също така могат да влияят върху това кое знание получава повече внимание, кои перспективи придобиват легитимност и кои форми на академична комуникация започват да се възприемат като стандарт. Тъй като AI системите се обучават върху съществуваща академична литература, те често затвърждават доминиращи перспективи, утвърдени методологии и англоезична научна продукция. Това създава рискове за интердисциплинарната работа, нововъзникващите области и не-западните перспективи.
Авторите отговарят на това предизвикателство чрез три взаимосвързани форми на AI грамотност: функционална, критическа и реторическа грамотност. Функционалната грамотност се отнася до способността за ефективно използване на AI инструменти, съчетано с проверка на резултатите, документиране на AI употребата и разпознаване на ситуации, в които участието на AI е неподходящо. Критическата грамотност поставя акцент върху оценката и скептицизма. Изследователите трябва да разпознават пристрастия, пропуски, автоматизационно пристрастие и подвеждащи обобщения, вместо автоматично да приемат AI генерираното съдържание като авторитетно. Реторическата грамотност се фокусира върху академичния глас, авторството, интерпретацията и създаването на смисъл. Изследователите трябва да съхраняват собствената си аналитична перспектива, вместо да разчитат на AI генериран език, който намалява дисциплинарната специфика или отслабва аргументативната прецизност.
Друг важен принос на статията е предложената рамка за оценяване. Вместо AI грамотността да се измерва чрез самооценка или обща осведоменост, авторите предлагат наблюдаеми практики в рамките на целия изследователски цикъл. Този подход измества институционалните дискусии отвъд опростеното разделение между „разрешена“ и „забранена“ употреба на AI към отговорно академично поведение. Рамката връща отговорността към изследователите, а не към самата технология.
Друг принос на статията е нейният практико-ориентиран инструмент за оценяване. Вместо AI грамотността да се разглежда като информираност или техническа компетентност, рамката оценява способността на изследователите да вземат решения в реални изследователски дейности. Този подход поставя акцент върху академичната практика и човешката преценка, а не върху технологията сама по себе си.
За изследователите в областта на бизнеса и икономиката функционалната AI грамотност може да подпомогне по-ефективни литературни обзори, пазарни анализи, анализи на политики и интерпретация на данни. Въпреки това изследователите трябва да изградят ясни процедури за проверка. AI генерираните източници, обобщения, статистически интерпретации и теоретични синтези винаги трябва да бъдат сверявани с първични източници и оригинални набори от данни. Институциите могат да подкрепят този процес чрез включване на изисквания за документиране на AI употребата в докторантското обучение, курсовете по изследователски методи и насоките за публикуване.
Критическата и реторическата AI грамотност са също толкова важни за изследванията в бизнеса и икономиката. AI системите често възпроизвеждат доминиращи икономически парадигми, управленски допускания и западни бизнес перспективи, защото те преобладават в обучителните набори от данни. Изследователите трябва критично да анализират кои гласове, пазари и теоретични рамки AI системите привилегироват или изключват. На реторическо ниво учените трябва да запазят контрола върху интерпретацията, аргументацията и дисциплинарния си глас. AI може да подпомага структурирането и редактирането, но аналитичното мислене, теоретичното позициониране и академичната преценка трябва да останат човешка отговорност.
Parker, J. L., & Becker, K. P. (2026). Defining and assessing AI literacy for researchers across the research lifecycle. Frontiers in Education, 11. https://doi.org/10.3389/feduc.2026.1827603