Students use AI systems to summarize readings, explain concepts, generate ideas, write drafts, solve problems, and support research. These capabilities create significant opportunities for learning. They also raise an important question: What happens when students begin outsourcing not only tasks, but also the thinking processes behind learning?
A recent study by Dizon et al. (2026) introduces the concept of “metacognitive laziness” and provides one of the first validated tools to measure it. The researchers developed the Metacognitive Laziness Scale (MLS), a six-item instrument designed to assess students’ tendency to delegate planning, monitoring, reflection, and other metacognitive activities to AI systems.
The findings should attract the attention of universities worldwide. Metacognitive laziness was strongly associated with behavioral and emotional disaffection from learning. Students reporting higher levels of AI-driven metacognitive offloading were more likely to disengage from learning activities. At the same time, metacognitive laziness showed no meaningful relationship with engagement measures, suggesting that students can appear active and productive while avoiding deeper self-regulated learning processes.
Universities should avoid focusing exclusively on plagiarism detection or AI restrictions. Instead, institutions need strategies promoting AI fluency, process-based assessment, reflective AI use, and early intervention when problematic learning habits emerge.
For the University of Economics Varna, the Metacognitive Laziness Scale presents an interesting opportunity. The instrument is more then a surveillance tool or a mechanism for punishing students. Rather, it can serve as an early diagnostic instrument to help faculty understand students’ interaction with AI during learning.
The scale could be incorporated into research projects examining AI use across disciplines such as economics, business administration, informatics, finance, tourism, and management. Results could help identify patterns of AI dependence and inform the design of targeted interventions.
For example, students demonstrating higher levels of metacognitive offloading might benefit from workshops focused on self-regulated learning, critical evaluation of AI outputs, reflective prompting, and verification practices. Such interventions would support students before problematic habits become deeply embedded.
The study also reinforces a broader lesson. AI literacy alone is no longer sufficient.
Current university initiatives focus on teaching students the AI systems, their limitations, and writing effective prompts. These skills remain important. Yet students also need AI fluency, the ability to collaborate with AI while maintaining ownership of thinking, judgment, and decision-making.
This distinction matters. A student who asks ChatGPT to create a study plan demonstrates a different learning behavior from a student who uses AI to critique and improve a self-created study plan. The first delegates metacognitive responsibility. The second strengthens metacognitive capacity.
The challenge facing universities is therefore not whether students should use AI. The challenge is determining how students should use AI.
Process-based assessment represents one promising solution. Instead of evaluating only final products, educators can assess evidence of thinking throughout the learning process. Learning journals, AI interaction logs, reflection reports, draft comparisons, oral defenses, and structured self-assessments can all provide evidence of student reasoning.
Reflective AI use should become another institutional priority. Students should be encouraged to explain why they used AI, what they accepted from AI, what they rejected, and how their thinking changed during the process. Reflection transforms AI from a shortcut into a learning partner.
Early intervention is equally important. Universities routinely identify students at academic risk through grades and attendance. Similar approaches can help identify students developing excessive dependence on AI-supported metacognitive offloading. The goal is support rather than punishment.
Balancing AI-supported efficiency with the protection of critical thinking and self-regulated learning will become one of the defining educational challenges of the coming decade. The solution is unlikely to emerge through bans, detection software, or increasingly restrictive policies.
Instead, universities need learning environments where AI supports thinking rather than replaces it. This requires intentional instructional design, thoughtful assessment practices, faculty development, and institutional commitment to AI fluency.
The contribution of Dizon and colleagues extends beyond a new measurement scale. Their work of the colleagues from the Australian and Hong Kong academia highlights a fundamental shift in educational thinking. The future of AI in higher education will depend less on technology capabilities and more on students ability to do for themselves.
This blog post is based on:
Dizon, J. I. W. T., Mendoza, N., Gasevic, D., & Ganotice Jr, F. (2026). Assessing AI-Driven Metacognitive Offloading: Initial Development and Validation of the Metacognitive Laziness Scale. ECNU Review of Education, 9(2). https://doi.org/10.1177/20965311261450994
Отвъд ИИ грамотността: Справяне с метакогнитивната ленивост във висшето образование
Изкуственият интелект променя висшето образование. Студентите вече използват ИИ системи за обобщаване на текстове, обясняване на концепции, генериране на идеи, създаване на чернови, решаване на задачи и подпомагане на изследователска дейност. Тези възможности създават значителни ползи за обучението. Те поставят и един важен въпрос: какво се случва, когато студентите започнат да прехвърлят към ИИ не само изпълнението на задачи, но и мисловните процеси, които стоят зад ученето?
Скорошно изследване на Dizon и колеги (2026) въвежда понятието „метакогнитивна ленивост“ и представя един от първите валидирани инструменти за нейното измерване. Изследователите разработват Скала за метакогнитивна ленивост (Metacognitive Laziness Scale, MLS), която оценява склонността на студентите да делегират на ИИ планирането, наблюдението, рефлексията и други метакогнитивни дейности.
Резултатите заслужават вниманието на университетите по целия свят. Метакогнитивната ленивост е силно свързана с поведенческо и емоционално отчуждение от ученето. Студентите с по-високи нива на метакогнитивно прехвърляне към ИИ показват по-голяма склонност към дистанциране от учебния процес. В същото време не се установява значима връзка между метакогнитивната ленивост и показателите за ангажираност. Това означава, че студентите могат да изглеждат активни и продуктивни, докато избягват по-дълбоките процеси на саморегулирано учене.
Изводите за образователната политика са ясни. Университетите не бива да се фокусират единствено върху откриването на плагиатство или ограничаването на използването на ИИ. Вместо това институциите се нуждаят от стратегии, които насърчават ИИ флуентност, оценяване, базирано на процеса на учене, рефлексивна употреба на ИИ и ранни интервенции при възникване на проблемни учебни навици.
За Икономически университет – Варна Скала за метакогнитивна ленивост предлага интересна възможност. Инструментът не трябва да се разглежда като средство за наблюдение или санкциониране на студентите. Напротив, той може да служи като диагностичен инструмент за ранно установяване на модели на взаимодействие с ИИ по време на обучението.
Скалата може да бъде включена в изследвания, които анализират използването на ИИ в различни специалности като икономика, бизнес администрация, информатика, финанси, туризъм и мениджмънт. Получените резултати могат да помогнат за идентифициране на модели на зависимост от ИИ и да подпомогнат разработването на целенасочени образователни интервенции.
Например студенти с по-високи нива на метакогнитивно прехвърляне към ИИ могат да бъдат включени в обучения, насочени към саморегулирано учене, критична оценка на ИИ отговорите, рефлексивно използване на промптове и практики за проверка на информацията. Подобни интервенции биха подкрепили студентите преди тези навици да се превърнат в устойчив модел на поведение.
Изследването потвърждава и един по-широк извод. ИИ грамотността вече не е достатъчна.
Много от настоящите инициативи във висшето образование се фокусират върху това студентите да разбират как работят ИИ системите, какви са техните ограничения и как да създават ефективни промптове. Тези умения остават важни. Но студентите се нуждаят и от ИИ флуентност, тоест способността да работят съвместно с ИИ, като същевременно запазват отговорността за собственото си мислене, преценка и вземане на решения.
Тази разлика е съществена. Студент, който използва ChatGPT, за да създаде учебен план вместо него, демонстрира различно учебно поведение от студент, който използва ИИ, за да анализира и подобри учебен план, който сам е разработил. В първия случай отговорността за метакогнитивния процес се прехвърля към технологията. Във втория случай технологията подпомага развитието на метакогнитивните умения.
Следователно основният въпрос пред университетите не е дали студентите трябва да използват ИИ. Въпросът е как трябва да го използват.
Оценяването, базирано на процеса на учене, представлява едно от най-перспективните решения. Вместо да се оценяват единствено крайните продукти, преподавателите могат да оценяват доказателства за мисловния процес по време на работата. Учебни дневници, записи на взаимодействието с ИИ, рефлексивни отчети, сравнения между различни версии на чернови, устни защити и структурирани самооценки могат да предоставят ценна информация за начина на мислене на студентите.
Рефлексивната употреба на ИИ трябва да се превърне в институционален приоритет. Студентите следва да обясняват защо са използвали ИИ, кои предложения са приели, кои са отхвърлили и как взаимодействието с технологията е повлияло на собственото им мислене. Именно рефлексията превръща ИИ от средство за спестяване на усилия в партньор за учене.
Също толкова важни са и ранните интервенции. Университетите традиционно идентифицират студентите в риск чрез академични резултати и посещаемост. Подобен подход може да се приложи и за установяване на прекомерна зависимост от ИИ при изпълнение на метакогнитивни задачи. Целта трябва да бъде подкрепа, а не наказание.
Постигането на баланс между ефективността, която ИИ предоставя, и защитата на критичното мислене и саморегулираното учене ще бъде едно от най-важните предизвикателства пред образованието през следващото десетилетие. Решението едва ли ще бъде намерено чрез забрани, системи за откриване на нарушения или все по-рестриктивни политики.
Вместо това университетите трябва да изграждат учебна среда, в която ИИ подпомага мисленето, а не го замества. Това изисква целенасочен инструкционен дизайн, внимателно проектирани оценявания, професионално развитие на преподавателите и институционален ангажимент към развитието на ИИ флуентност.
Приносът на Dizon и неговите колеги надхвърля създаването на нов измервателен инструмент. Тяхното изследване поставя фокус върху една фундаментална промяна в образованието. Бъдещето на ИИ във висшето образование ще зависи по-малко от това какво може да прави технологията и много повече от това какво студентите продължават да правят сами.
Текстът е базиран на изследването на
Dizon, J. I. W. T., Mendoza, N., Gasevic, D., & Ganotice Jr, F. (2026). Assessing AI-Driven Metacognitive Offloading: Initial Development and Validation of the Metacognitive Laziness Scale. ECNU Review of Education, 9(2). https://doi.org/10.1177/20965311261450994.