Are Students Learning to Think Critically, or Learning to Produce Answers?

Учат ли се студентите да мислят критично, или създават готови отговори?

Plamen MILTENOFF

Generative AI is changing how students learn, write, research, and solve problems. But an older framework for critical thinking raises a question that universities need to reconsider: Are we teaching students to produce convincing answers, or to make independent, evidence-based judgments?
In 2015, Peter A. Facione published an updated edition of Critical Thinking: What It Is and Why It Counts, an influential essay grounded in the American Philosophical Association’s Delphi research on critical thinking. The original expert consensus dates to 1990, long before ChatGPT and generative AI entered classrooms.
Yet Facione’s framework offers a useful perspective on today’s concerns about student learning, cognitive dependence, and AI-assisted academic work.
His central argument is: critical thinking is not simply knowing information or producing correct answers. It is the ability and willingness to interpret evidence, analyze arguments, evaluate alternatives, make justified decisions, and reconsider one’s conclusions.
Six Skills That Define Critical Thinking
Facione identifies six cognitive skills that form the foundation of critical thinking.
Interpretation means understanding information and clarifying its meaning. A student examining unemployment statistics, for example, should understand what the indicators measure before interpreting economic trends.
Analysis involves identifying arguments, assumptions, and relationships. In marketing research, students should examine why a study claims that social media advertising influences purchasing decisions and what assumptions support that conclusion.
Evaluation requires judging the credibility of information and the strength of arguments. Students need to distinguish between convincing explanations and conclusions supported by reliable evidence.
Inference concerns drawing reasonable conclusions, considering alternatives, and anticipating consequences. Students should recognize when available evidence supports a conclusion and when uncertainty requires further investigation.
Explanation means communicating the reasoning behind a judgment. A correct answer becomes educationally meaningful when students can explain how they reached it.
Self-regulation involves monitoring one’s thinking, identifying mistakes, and revising conclusions.
Facione places particular importance on self-regulation because it enables learners to improve their reasoning.
The educational objective is therefore not simply to teach students to reach conclusions, but to recognize when those conclusions need correction.
Critical Thinking Is More Than a Set of Skills
One of Facione’s most important contributions is distinguishing cognitive skills from what he calls dispositions toward critical thinking.
Students may possess analytical abilities but choose not to exercise them.
A capable student may accept information without verification, disregard opposing evidence, or refuse to reconsider an initial opinion.
Facione therefore emphasizes intellectual curiosity, open-mindedness, truth-seeking, persistence, confidence in reasoning, and willingness to acknowledge personal biases.
This distinction becomes particularly relevant when students work with generative AI.
A student may know that ChatGPT sometimes generates inaccurate references but still submit an AI-produced bibliography without verification.
The problem is no longer a lack of technical knowledge alone. It also concerns the willingness to question information and accept responsibility for academic decisions.
Critical thinking requires knowing how to evaluate information and developing the habit of doing so.
What Happens When AI Performs the Thinking?
Our earlier blog post, From AI Use to AI Literacy: What Schools Need to Teach, discussed research involving 7,432 students from 100 Estonian schools.
The researchers found that frequent generative AI use was not associated with higher AI literacy. More frequent use was associated with slightly lower test scores.
This finding complements Facione’s distinction between performing an activity and possessing the competence necessary to perform it critically.
Students may use AI every day without developing the skills to evaluate its outputs.
Another blog post examining prompting strategies and learning from multiple sources explored students’s use of ChatGPT with textbooks and other academic materials.
That discussion emphasized an important distinction: asking AI whether an answer is correct is not equivalent to independently verifying the answer.
Facione’s framework helps explain why.
Verification requires interpretation, analysis, evaluation, and self-regulation. Asking an AI system to confirm its own answer does not necessarily demonstrate these capabilities.
What Brown University and MIT Add to the Discussion
In September, our Science & Research Blog compared the 2026 reports from Brown University and MIT.
Both institutions expressed concern about the relationship between AI assistance and independent learning.
Brown emphasized the distinction between AI supporting learning and AI substituting for learning. MIT called for reconsidering educational processes, assessment, and the intellectual experiences universities should preserve.
Facione provides a conceptual framework for addressing these concerns.
If critical thinking requires students to interpret, analyze, evaluate, infer, explain, and self-correct, educators must identify which of these intellectual activities students should perform independently.
An AI-generated research report may demonstrate the capabilities of the software without providing sufficient evidence of the student’s reasoning.
The concern becomes greater with autonomous AI agents.
Our discussion of The New Hybrid: What Should AI Be Allowed to Do in Education? examined Mairéad Pratschke’s argument of educators’ responsibility to determine which tasks AI agents should perform and which intellectual activities should remain with students.
Facione helps identify what is at stake: the development of independent judgment.
How Should Universities Teach and Assess Critical Thinking?
Facione’s framework offers universities a practical starting point for redesigning assessment. If critical thinking involves interpretation, analysis, evaluation, inference, explanation, and self-regulation, assignments should create opportunities for students to demonstrate these skills.
Consider several examples from university teaching.
In marketing and business management, instead of asking students to develop a marketing strategy for a company, instructors might provide conflicting customer surveys, incomplete sales figures, and competing market analyses. Students must determine which evidence is trustworthy, identify unsupported assumptions, compare strategic alternatives, and justify their recommendations. They could then consult an AI assistant, evaluate its proposed strategy, and explain which suggestions they accepted or rejected.
The assessment would focus on the quality of their evidence evaluation, reasoning, and decision-making rather than the presentation of a polished marketing plan.
In economics and finance, students might examine contradictory forecasts about inflation, interest rates, or economic growth. Rather than summarizing the forecasts, they would identify the assumptions behind each prediction, evaluate the underlying data, and explain how changing economic conditions might affect the conclusions. An AI-generated forecast could serve as an additional source for critical examination.
Students would receive credit for recognizing uncertainty and defending their reasoning, even when their predictions differed from subsequent outcomes.
In accounting, students might investigate a company’s financial statements and identify potential inconsistencies, questionable assumptions, or alternative interpretations of its financial position. They would need to explain which indicators raised concerns, what additional evidence was necessary, and whether AI-assisted analysis overlooked important contextual information.
The emphasis would be on professional judgment, evidence evaluation, and the ability to recognize limitations in automated analysis.
In research methodology and data science, instead of evaluating students only on whether they generate a functioning statistical model, instructors could provide a dataset containing missing values, outliers, and potential sources of bias. Students would justify their data-cleaning decisions, compare analytical approaches, interpret model limitations, and explain why particular conclusions were defensible.
They could use AI to suggest analytical methods or generate code, but would remain responsible for validating the analysis and explaining the results. Students should also document how their conclusions changed after identifying errors or receiving feedback.
In tourism and public administration, students might examine a proposed tourism development project involving conflicting economic, environmental, and community interests. They would compare stakeholder perspectives, evaluate available evidence, consider alternative policies, and defend a recommendation while acknowledging trade-offs.
Here, critical thinking involves understanding different perspectives without treating every argument as equally supported by evidence.
These examples share an important characteristic: the assignment does not end when the student produces an answer. Students must demonstrate how they reached their conclusions, what evidence they considered, and why they rejected alternative explanations.
Universities can reinforce this approach through several assessment practices.
An initial independent analysis establishes what students can understand and reason through without AI assistance. An AI-supported phase allows them to explore alternative explanations. A verification phase requires evidence checking, while a final reflection asks students to identify errors, reconsider assumptions, and justify revisions.
Short oral defenses can complement written submissions. For example, an instructor might ask: Which piece of evidence most influenced your decision? What assumption would change your conclusion? Where did the AI’s recommendation differ from yours, and why?
Such questions make critical thinking more observable and assessable.
Facione’s sixth skill, self-regulation, deserves particular attention. Students should receive recognition for detecting weaknesses in their own reasoning and making justified corrections, rather than feeling compelled to defend their first answer.
The objective is not to eliminate AI from assessment. It is to design assessments in which AI supports inquiry while students remain responsible for interpretation, evidence evaluation, explanation, and judgment.
When AI can produce a convincing final product, universities need stronger evidence of the intellectual work students have performed.
This revision also strengthens the connection with the earlier Brown and MIT comparison and The New Hybrid by showing how universities can translate concerns about independent reasoning into concrete assessment practices.
From AI Literacy to Independent Judgment
In Facione’s view, higher education should help students become independent thinkers who can continue learning beyond the university.
His message has gained renewed relevance.
Generative AI gives students immediate access to explanations, analyses, arguments, and solutions. Increasingly autonomous agents can complete extended academic workflows.
The educational challenge is to ensure development of intellectual capabilities needed to question, evaluate, and improve those outputs.
This connects Facione’s framework with our previous discussions of AI literacy, prompting strategies, cognitive outsourcing, and institutional AI policies.
The question is no longer only whether students ability to use AI. It is whether they can still interpret evidence, challenge assumptions, justify decisions, and correct their own reasoning.
For faculty and students, this raises a practical question worth discussing:
When AI can produce an answer, what should students still be expected to think through and explain themselves?
Генеративният изкуствен интелект променя начина, по който студентите учат, пишат, провеждат изследвания и решават проблеми. Но една утвърдена концепция за критичното мислене поставя въпрос, който университетите трябва да преосмислят: Учим ли студентите да създават убедителни отговори, или да вземат самостоятелни решения, основани на доказателства?
През 2015 г. Питър А. Фачоне (Peter A. Facione) публикува актуализирано издание на Critical Thinking: What It Is and Why It Counts, влиятелно есе, основано на изследване на критичното мислене, проведено по метода Делфи под егидата на Американската философска асоциация. Първоначалният експертен консенсус датира от 1990 г., много преди ChatGPT и генеративният изкуствен интелект да навлязат в учебните зали.
Въпреки това концепцията на Фачоне предлага полезна перспектива към съвременните опасения относно ученето на студентите, когнитивната зависимост и академичната работа с помощта на ИИ.
Основната му теза е: критичното мислене не се свежда до притежаването на знания или даването на правилни отговори. То включва способността и готовността да се интерпретират доказателства, да се анализират аргументи, да се оценяват алтернативи, да се вземат обосновани решения и да се преразглеждат собствените заключения.
Шест умения, които определят критичното мислене
Фачоне идентифицира шест когнитивни умения, които изграждат основата на критичното мислене.
Интерпретацията означава разбиране на информацията и изясняване на нейния смисъл. Например студент, който анализира статистически данни за безработицата, трябва да разбира какво измерват съответните показатели, преди да интерпретира икономическите тенденции.
Анализът включва идентифициране на аргументи, допускания и взаимовръзки. При маркетингови изследвания студентите трябва да установят защо дадено проучване твърди, че рекламата в социалните медии влияе върху решенията за покупка, и какви допускания подкрепят това заключение.
Оценяването изисква преценка на достоверността на информацията и убедителността на аргументите. Студентите трябва да разграничават убедително звучащите обяснения от заключенията, подкрепени с надеждни доказателства.
Извеждането на заключения предполага формулиране на обосновани изводи, разглеждане на алтернативи и предвиждане на последствия. Студентите трябва да разпознават кога наличните доказателства подкрепят дадено заключение и кога несигурността налага допълнително изследване.
Обяснението означава ясно представяне на аргументацията, върху която се основава дадена преценка. Правилният отговор придобива образователна стойност, когато студентите могат да обяснят как са достигнали до него.
Саморегулацията включва наблюдение на собственото мислене, откриване на грешки и преразглеждане на заключенията.
Фачоне отдава особено значение на саморегулацията, защото тя позволява на учащите да усъвършенстват собствените си разсъждения.
Следователно образователната цел не е просто студентите да се научат да достигат до заключения, а да разпознават кога тези заключения се нуждаят от корекция.
Критичното мислене е повече от набор от умения
Един от най-важните приноси на Фачоне е разграничението между когнитивните умения и това, което той нарича нагласи към критичното мислене.
Студентите може да притежават аналитични способности, но да не ги прилагат.
Един способен студент може да приема информация без проверка, да пренебрегва противоречащи доказателства или да отказва да преразгледа първоначалното си мнение.
Затова Фачоне подчертава значението на интелектуалното любопитство, отвореността към различни гледни точки, стремежа към истината, постоянството, увереността в собствените способности за разсъждение и готовността за признаване на личните пристрастия.
Това разграничение придобива особена значимост, когато студентите работят с генеративен ИИ.
Студент може да знае, че ChatGPT понякога генерира неточни библиографски източници, но въпреки това да предаде създадена от ИИ библиография, без да я провери.
Проблемът вече не е свързан единствено с липсата на технически знания. Той засяга и готовността да се поставя информацията под съмнение и да се поема отговорност за академичните решения.
Критичното мислене изисква както умението да се оценява информацията, така и изграждането на навик това да се прави.
Какво се случва, когато ИИ извършва мисловната работа?
В предишна публикация в нашия блог, От използването на ИИ към ИИ грамотността: Какво трябва да преподават училищата, разгледахме изследване с участието на 7432 ученици от 100 училища в Естония.
Изследователите установяват, че честото използване на генеративен ИИ не е свързано с по-висока ИИ грамотност. По-честата употреба е свързана с малко по-ниски резултати на теста.
Тази констатация допълва разграничението на Фачоне между извършването на дадена дейност и притежаването на необходимата компетентност тя да се изпълнява критично.
Студентите могат да използват ИИ ежедневно, без да развиват уменията, необходими за оценяване на генерираните резултати.
В друга публикация, посветена на стратегиите за формулиране на заявки към ИИ и ученето от множество източници, разгледахме използването на ChatGPT заедно с учебници и други академични материали.
Тази дискусия подчерта важно разграничение: да попитаме ИИ дали даден отговор е правилен не е равнозначно на това самостоятелно да проверим неговата достоверност.
Концепцията на Фачоне помага да разберем защо.
Проверката изисква интерпретация, анализ, оценяване и саморегулация. Искането към ИИ да потвърди собствения си отговор не доказва непременно наличието на тези умения у студента.
Какво добавят университетите Браун и MIT към дискусията?
През септември в нашия блог „Наука и научни изследвания“ сравнихме докладите за 2026 г. на университетите Браун и MIT.
И двете институции изразяват загриженост относно връзката между подпомаганото от ИИ обучение и самостоятелното учене.
Университетът Браун подчертава разграничението между ИИ като средство за подпомагане на ученето и ИИ като негов заместител. MIT призовава към преосмисляне на образователните процеси, оценяването и интелектуалните дейности, които университетите трябва да съхранят.
Фачоне предлага концептуална основа за разглеждане на тези проблеми.
Ако критичното мислене изисква студентите да интерпретират, анализират, оценяват, извеждат заключения, обясняват и коригират собствените си разсъждения, преподавателите трябва да определят кои от тези интелектуални дейности студентите следва да извършват самостоятелно.
Научен доклад, генериран от ИИ, може да демонстрира възможностите на софтуера, без да предоставя достатъчно доказателства за уменията за разсъждение на студента.
Този проблем става още по-съществен с появата на автономните ИИ агенти.
В публикацията Новият хибрид: Какво трябва да бъде позволено на ИИ да прави в образованието? разгледахме аргумента на Мейрид Прачке (Mairéad Pratschke), че преподавателите носят отговорност да определят кои задачи трябва да изпълняват ИИ агентите и кои интелектуални дейности трябва да останат отговорност на студентите.
Фачоне ни помага да разберем какво е заложено на карта: развитието на способността за самостоятелна преценка.
Как университетите трябва да преподават и оценяват критичното мислене?
Концепцията на Фачоне предлага на университетите практическа отправна точка за преосмисляне на оценяването. Ако критичното мислене включва интерпретация, анализ, оценяване, извеждане на заключения, обяснение и саморегулация, учебните задания трябва да създават възможности студентите да демонстрират тези умения.
Нека разгледаме няколко примера от университетското обучение.
В маркетинга и бизнес мениджмънта, вместо да възлагат на студентите просто да разработят маркетингова стратегия за дадена компания, преподавателите могат да предоставят противоречиви резултати от потребителски проучвания, непълни данни за продажбите и конкуриращи се пазарни анализи. Студентите трябва да определят кои доказателства са надеждни, да идентифицират необосновани допускания, да сравнят стратегически алтернативи и да аргументират препоръките си. След това могат да се консултират с ИИ асистент, да оценят предложената от него стратегия и да обяснят кои предложения приемат или отхвърлят.
Оценяването ще се съсредоточи върху качеството на анализа на доказателствата, аргументацията и вземането на решения, а не върху представянето на добре оформен маркетингов план.
В икономиката и финансите студентите могат да анализират противоречиви прогнози за инфлацията, лихвените проценти или икономическия растеж. Вместо просто да обобщават прогнозите, те трябва да идентифицират допусканията, залегнали в основата на всяка от тях, да оценят използваните данни и да обяснят как променящите се икономически условия могат да повлияят върху заключенията. Прогноза, генерирана от ИИ, може да послужи като допълнителен източник за критичен анализ.
Студентите трябва да получават положителна оценка за разпознаването на несигурността и защитата на собствената си аргументация, дори когато прогнозите им се различават от последващото развитие на събитията.
В счетоводството студентите могат да изследват финансовите отчети на компания и да идентифицират потенциални несъответствия, съмнителни допускания или алтернативни интерпретации на финансовото ѝ състояние. Те трябва да обяснят кои показатели пораждат съмнения, какви допълнителни доказателства са необходими и дали анализът с помощта на ИИ пропуска важна контекстуална информация.
Акцентът ще бъде върху професионалната преценка, оценяването на доказателствата и способността да се разпознават ограниченията на автоматизирания анализ.
В методологията на научните изследвания и науката за данните, вместо да оценяват студентите единствено според това дали са създали работещ статистически модел, преподавателите могат да предоставят набор от данни с липсващи стойности, отклоняващи се наблюдения и потенциални източници на систематични грешки. Студентите трябва да аргументират решенията си при подготовката и почистването на данните, да сравняват аналитични подходи, да интерпретират ограниченията на моделите и да обясняват защо определени заключения са обосновани.
Те могат да използват ИИ за предложения относно аналитични методи или генериране на програмен код, но остават отговорни за валидирането на анализа и обяснението на резултатите. Студентите трябва също да документират как заключенията им са се променили след откриването на грешки или получаването на обратна връзка.
В туризма и публичната администрация студентите могат да анализират предложен проект за развитие на туризма, при който съществуват противоречиви икономически, екологични и обществени интереси. Те трябва да сравнят гледните точки на заинтересованите страни, да оценят наличните доказателства, да разгледат алтернативни политики и да защитят своята препоръка, като отчетат необходимите компромиси.
В този случай критичното мислене предполага разбиране на различните гледни точки, без да се приема, че всички аргументи са еднакво добре подкрепени с доказателства.
Тези примери имат една важна обща характеристика: заданието не приключва, когато студентът представи отговор. Студентите трябва да демонстрират как са достигнали до заключенията си, какви доказателства са разгледали и защо са отхвърлили алтернативни обяснения.
Университетите могат да подкрепят този подход чрез няколко практики за оценяване.
Първоначалният самостоятелен анализ показва какво студентите могат да разберат и обмислят без помощта на ИИ. Следващият етап, подпомаган от ИИ, им позволява да изследват алтернативни обяснения. Етапът на проверка изисква оценяване на доказателствата, а заключителната рефлексия предполага студентите да идентифицират грешки, да преразгледат допусканията си и да обосноват направените корекции.
Кратките устни защити могат да допълнят писмените задания. Например преподавателят може да попита: Кое доказателство повлия най-силно върху решението ви? Кое допускане би променило заключението ви? В какво се различава препоръката на ИИ от вашата и защо?
Подобни въпроси правят критичното мислене по-лесно за наблюдение и оценяване.
Шестото умение на Фачоне, саморегулацията, заслужава специално внимание. Студентите трябва да получават признание за способността си да откриват слабости в собствените разсъждения и да правят обосновани корекции, вместо да се чувстват задължени да защитават първоначалния си отговор.
Целта не е ИИ да бъде изключен от оценяването, а да се разработят форми на оценяване, при които ИИ подпомага изследването, докато студентите запазват отговорността за интерпретацията, оценяването на доказателствата, обяснението и преценката.
Когато ИИ може да създаде убедителен краен продукт, университетите се нуждаят от по-надеждни доказателства за интелектуалната работа, извършена от самите студенти.
Този подход укрепва и връзката с предишните ни публикации за сравнението между Браун и MIT и „Новият хибрид“, като показва как университетите могат да превърнат загрижеността относно самостоятелното мислене в конкретни практики за оценяване.
От ИИ грамотността към самостоятелната преценка
Според Фачоне висшето образование трябва да помага на студентите да се превърнат в самостоятелно мислещи личности, способни да продължат да учат и след завършването на университета.
Неговото послание придобива нова актуалност.
Генеративният ИИ предоставя на студентите незабавен достъп до обяснения, анализи, аргументи и решения. Все по-автономните ИИ агенти могат да изпълняват сложни и продължителни академични задачи.
Предизвикателството пред образованието е да осигури развитието на интелектуалните способности, необходими за поставяне под съмнение, оценяване и подобряване на тези резултати.
Това свързва концепцията на Фачоне с предишните ни дискусии за ИИ грамотността, стратегиите за формулиране на заявки, прехвърлянето на когнитивни задачи към технологиите и институционалните политики за ИИ.
Въпросът вече не е само дали студентите умеят да използват ИИ. Въпросът е дали те продължават да могат самостоятелно да интерпретират доказателства, да оспорват допускания, да обосновават решения и да коригират собствените си разсъждения.
За преподавателите и студентите това поставя един практически въпрос, който заслужава обсъждане:
Когато ИИ може да генерира отговор, какво трябва да очакваме студентите да могат самостоятелно да обмислят и обяснят?
Добави ясно заглавие на публикациятаСъкрати повторенията за критичното мислене


Reference: Facione, P. A. (2015). Critical Thinking: What It Is and Why It Counts. Measured Reasons LLC. The essay draws on the American Philosophical Association’s 1990 Delphi expert consensus report, Critical Thinking: A Statement of Expert Consensus for Purposes of Educational Assessment and Instruction.