Метапознание в епохата на ИИ: от рефлексия към целенасочени паузи
| Podcast | Подкаст |
| Many discussions about artificial intelligence in education end with the same advice: ask students to reflect. Reflection remains important, but AI-mediated learning requires more than asking students to look back on their work. Metacognition means the ability to monitor, evaluate, and regulate our own thinking. In simple terms, it means asking: What am I doing? Why am I doing it this way? How do I know this is a good decision? AI-mediated learning means learning in which artificial intelligence shapes part of the process. Students may use AI to search, summarize, draft, calculate, translate, explain, code, or revise. This builds on the older idea of computer-mediated learning, where digital platforms, learning management systems, forums, simulations, and online tools supported communication and access to content. The pedagogical difference is in the greater ability of AI to mediate access or communication. It can generate answers, suggest reasoning, imitate feedback, and take over parts of the cognitive work. This makes student judgment more important, not less. This is the central point in the recent paper by Tina Austin, Jason Gulya, and Nick Potkalitsky. Metacognition, in their view, cannot remain a general request to “think about your thinking.” In the age of AI, metacognition must become discipline-specific. Students need to understand clearly what good thinking looks like in economics, finance, accounting, marketing, management, tourism, and other fields before they can judge whether AI is helping or replacing their learning. The infographic shared with the article offers a useful model: three levels of metacognitive orchestration in AI-mediated learning. The first level is Gulya’s Pre-Creation Loop: plan the process first. Before students open an AI tool, they clarify the goal, map the task, decide where AI might help, predict risks, and plan where human judgment must remain central. For example, a student in finance preparing an investment analysis might decide that AI can help summarize company reports, but the final judgment about risk, assumptions, and recommendation must remain the student’s responsibility. The second level is Austin’s Pause Before the Loop: decide whether AI should enter the task at all. This is the crucial stop sign. Students ask: Should AI be involved? Why or why not? What should remain mine? What is at risk if I delegate this? Is the struggle itself the learning objective? This matters in university teaching: some tasks lose their educational value if AI does the hard work. If students use AI to generate an interpretation of a case study before they have examined the case themselves, they may complete the assignment faster, but miss the learning process. In an accounting course, for instance, the struggle of identifying errors in a financial statement is part of learning professional judgment. Delegating such step too early weakens the task. The third level is the UnBlooms Loop: question, generate, critique, refine. Here AI can enter the work, but students continue to check their reasoning. They do not accept output because it sounds fluent. They ask whether it meets disciplinary standards. In economics, this means asking whether AI has made hidden assumptions about causality, markets, or incentives. In marketing, it means asking whether the proposed campaign reflects real audience data or repeats generic claims. In tourism, it means asking whether an AI-generated strategy fits the local context, seasonality, visitor behavior, and sustainability concerns. In academic writing, it means asking whether the text expresses the student’s argument or whether AI has replaced the student’s voice. Austin’s LinkedIn post adds a strong image to this discussion. She refers to the idea of metacognitive checkpoints, inspired by cell cycle arrest. A cell does not pause because pausing sounds good. It pauses because unchecked replication creates danger. The same logic applies to AI use. The goal is not to slow students down for no reason. The goal is to prevent unchecked delegation of thinking. This shifts the conversation from “How can students use AI better?” to “How can we design learning conditions that preserve judgment?” For universities, this has clear implications. AI literacy should not focus only on prompts, tools, and productivity. It should teach students when to use AI, how to evaluate AI, when to resist AI, and how to protect disciplinary reasoning. A useful assignment question is no longer only “Did you use AI?” A better question is: “Which parts of this task required your own disciplinary judgment, and how did you protect them?” That question helps students see AI as part of a learning process, not a shortcut around it. It also helps instructors move from policing AI use toward designing better learning. | Ред дискусии за изкуствения интелект в образованието завършват с един и същ съвет: накарайте студентите да рефлектират върху работата си. Рефлексията остава важна, но обучението, опосредствано от ИИ, изисква повече от това студентите да погледнат назад към своята работа. Метапознанието означава способността да наблюдаваме, оценяваме и регулираме собственото си мислене. Казано по-просто, то означава да си задаваме въпроси като: Какво правя? Защо го правя по този начин? Как знам, че това е добро решение? Обучението, опосредствано от ИИ, означава обучение, при което изкуственият интелект оформя част от процеса. Студентите могат да използват ИИ за търсене, резюмиране, изготвяне на чернови, изчисления, превод, обяснение, програмиране или редактиране. Това надгражда по-старата идея за компютърно-опосредствано обучение, при което дигитални платформи, системи за управление на обучението, форуми, симулации и онлайн инструменти подпомагат комуникацията и достъпа до съдържание. Педагогическата разлика е в по-голямата способност на ИИ да участва не само в достъпа или комуникацията, а и в самия познавателен процес. Той може да генерира отговори, да предлага аргументация, да имитира обратна връзка и да поема части от мисловната работа. Това прави студентската преценка по-важна, а не по-малко важна. Това е централната теза в скорошната статия на Tina Austin, Jason Gulya и Nick Potkalitsky. Според тях метапознанието не може да остане общ призив към студентите да „мислят за своето мислене“. В епохата на ИИ метапознанието трябва да стане дисциплинарно специфично. Студентите трябва ясно да разбират как изглежда доброто мислене в икономиката, финансите, счетоводството, маркетинга, мениджмънта, туризма и други области, преди да могат да преценят дали ИИ подпомага или заменя тяхното учене. Инфографиката към статията предлага полезен модел: три нива на метакогнитивна оркестрация в обучението, опосредствано от ИИ. Графика тук Първото ниво е Pre-Creation Loop на Gulya: първо планирайте процеса. Преди студентите да отворят инструмент с ИИ, те изясняват целта, картографират задачата, решават къде ИИ може да помогне, предвиждат рискове и планират къде човешката преценка трябва да остане водеща. Например студент по финанси, който подготвя инвестиционен анализ, може да реши, че ИИ може да помогне при резюмирането на фирмени отчети, но финалната преценка за риска, допусканията и препоръката трябва да остане негова отговорност. Второто ниво е Pause Before the Loop на Austin: решете дали ИИ изобщо трябва да влезе в задачата. Това е ключовият стоп-сигнал. Студентите си задават въпроси като: Трябва ли ИИ да участва? Защо да участва или защо не? Какво трябва да остане мое? Какъв е рискът, ако делегирам тази част? Дали самото усилие е целта на ученето? Това има значение в университетското преподаване: някои задачи губят образователната си стойност, ако ИИ свърши трудната работа. Ако студентите използват ИИ, за да генерират интерпретация на казус, преди сами да са го анализирали, те могат да завършат задачата по-бързо, но да пропуснат процеса на учене. В курс по счетоводство например усилието да се открият грешки във финансов отчет е част от изграждането на професионална преценка. Делегирането на такава стъпка твърде рано отслабва задачата. Третото ниво е UnBlooms Loop: задаване на въпроси, генериране, критика, усъвършенстване. Тук ИИ може да влезе в работата, но студентите продължават да проверяват собственото си мислене. Те не приемат резултата само защото звучи убедително. Те питат дали той отговаря на дисциплинарните стандарти. В икономиката това означава да се провери дали ИИ не прави скрити допускания за причинност, пазари или стимули. В маркетинга това означава да се прецени дали предложената кампания отразява реални данни за аудиторията или повтаря общи твърдения. В туризма това означава да се провери дали генерираната от ИИ стратегия съответства на местния контекст, сезонността, поведението на посетителите и изискванията за устойчивост. В академичното писане това означава да се прецени дали текстът изразява аргумента на студента, или ИИ е заменил неговия глас. Публикацията на Austin в LinkedIn добавя силен образ към тази дискусия. Тя свързва идеята за метакогнитивни контролни точки с процеса на спиране на клетъчния цикъл. Клетката не спира, защото спирането звучи добре. Тя спира, защото неконтролираното възпроизвеждане създава опасност. Същата логика важи и за използването на ИИ. Целта не е студентите да бъдат забавяни без причина. Целта е да се предотврати неконтролираното делегиране на мислене. Това измества разговора от „Как студентите могат да използват ИИ по-добре?“ към „Как можем да проектираме условия за учене, които запазват преценката?“ За университетите това има ясни последици. ИИ грамотността не трябва да се фокусира само върху промптове, инструменти и продуктивност. Тя трябва да учи студентите кога да използват ИИ, как да оценяват ИИ, кога да се въздържат от ИИ и как да защитават дисциплинарното мислене. Полезният въпрос към една задача вече не е само „Използвахте ли ИИ?“ По-добрият въпрос е: „Кои части от тази задача изискваха вашата собствена дисциплинарна преценка и как ги защитихте?“ Този въпрос помага на студентите да виждат ИИ като част от процеса на учене, а не като пряк път около него. Той също така помага на преподавателите да преминат от контролиране на употребата на ИИ към проектиране на по-добро учене. |
Metacognition as Disciplinary Infrastructure in AI-Mediated Learning
https://digitalcommons.lindenwood.edu/cgi/viewcontent.cgi?article=1055&context=ijedie
Tina Austin’ LInkedIn post: