What does critical thinking mean when students work with generative AI?

Какво означава критичното мислене, когато студентите работят с генеративен AI?

Podcast

Подкаст

Plamen MILTENOFF

Two recent studies offer important answers. Hou et al. (2026) examine the impact of critical-thinking intervention on students’ reliance on generative AI during problem solving. Melanou and Beege (2026) study the influence of different levels of instructional scaffolding on learning, critical thinking, and reflective AI use.
Both studies address problems that feel distinctly contemporary: cognitive offloading, passive reliance on AI, reflective use, AI-supported tutoring, and the need to preserve human judgment.
Yet many of their core ideas were already articulated in 1990.
Peter Facione’s Delphi Report, Critical Thinking: A Statement of Expert Consensus for Purposes of Educational Assessment and Instruction, brought together 46 experts to define critical thinking and establish recommendations for teaching and assessment. The report remains important because it provides a conceptual foundation for understanding the expectations of students when AI participates in their learning.
Critical thinking before generative AI
Facione defines critical thinking as purposeful, self-regulatory judgment involving six core skills:
• Interpretation
• Analysis
• Evaluation
• Inference
• Explanation
• self-regulation
The Delphi panel emphasized the broader reach of critical thinking going beyond a correct answer. Students should be able to examine evidence, assess claims, consider alternatives, justify conclusions, monitor their own reasoning, and correct errors.
The report also emphasizes dispositions. A good critical thinker should be inquisitive, open-minded, attentive to evidence, willing to reconsider, honest about personal biases, and persistent in seeking well-supported conclusions.
These ideas become even more relevant when students work with systems capable of producing fluent, plausible, and polished answers in seconds.
Hou et al.: from critical thinking to AI reliance
Hou et al. (2026) studied 226 university students completing a problem-based learning task with generative AI. The intervention combined authentic instruction, structured dialogue, role-play, and a GPT-based peer tutor.
The intervention did not significantly improve students’ self-reported critical thinking after one two-hour session. Yet it changed how students interacted with AI.
Students in the intervention condition showed less direct adoption of AI-generated content and produced more original solutions. The study therefore shifts attention from whether students use AI toward how they rely on it.
This closely resembles Facione’s concept of self-regulation.
Facione describes self-regulation as monitoring one’s cognitive processes, examining one’s reasoning, identifying weaknesses, and correcting mistakes.
Hou et al. translate this into the AI context. Their distinction between reflective and thoughtless AI use can be understood as a contemporary version of the difference between self-regulated judgment and unexamined acceptance.
Melanou and Beege: scaffolding and reflective AI use
Melanou and Beege (2026) examined 175 first-semester students using generative AI as a tutor during a four-hour learning activity. Students received either full scaffolding, light scaffolding, or no additional scaffolding.
The results were again more nuanced than a simple “more guidance is better” conclusion.
Students across all three conditions improved in knowledge, critical thinking, and reflective AI use. Stronger scaffolding did not consistently produce better outcomes.
The educational value of AI may depend less on the amount of external structure and more on how learners regulate their interaction with AI.
This again connects strongly with Facione.
In 1990, the Delphi Report argued that critical thinking requires learners to judge when and how to apply reasoning procedures, monitor their own performance, and become progressively more independent.
The language has changed. The underlying educational problem has not.
Where the three studies agree
The strongest similarity is their emphasis on active judgment.
Facione sees students evaluating claims, question evidence, consider alternatives, justify decisions, and correct their own reasoning.
Hou et al. show students benefit when they question and revise AI-generated content rather than adopting it directly.
Melanou and Beege emphasize reflective regulation, source evaluation, revision, and monitoring of AI-supported learning.
All three reject passive learning.
They also share another important principle: critical thinking cannot be reduced to the final answer.
Facione explicitly warns of correct answer alone not being rewarded in assessment. Educators need evidence of students reaching conclusions through sound reasoning.
This point becomes crucial when generative AI can produce high-quality final products without demonstrating the student’s understanding and/or contribution.
Where they differ
The main difference lies in scope.
Facione presents critical thinking as a broad educational capacity to combines cognitive skills and dispositions across different contexts.
Hou et al. focus more narrowly on critical engagement with AI during collaborative problem solving.
Melanou and Beege focus on critical thinking, metacognition, cognitive load, and reflective use during AI-supported tutoring.
The newer studies examine specific behaviors within short AI-supported learning activities, while Facione describes a broader educational ideal.
There is also a methodological difference.
Facione recommends evaluating critical thinking across multiple situations, over time, and through several forms of evidence.
Both 2026 studies use short interventions. Hou et al. use a two-hour session. Melanou and Beege use a four-hour session. Both acknowledge that such short periods limit conclusions about sustained development.
This distinction matters. A short intervention may change behavior without fundamentally changing critical-thinking competence.
Why the 1990 Delphi Report matters now
Generative AI creates a temptation to redefine critical thinking as “checking AI answers.”
Facione reminds us such approach would be too narrow.
Critical thinking also requires interpreting the problem, analyzing arguments, evaluating evidence, generating alternatives, explaining conclusions, and regulating one’s own reasoning.
In the age of AI, each of these skills can be applied directly to human-AI interaction:
Interpret AI output. Analyze its assumptions and argument structure.
– Evaluate the evidence and credibility of its claims.
Infer the additional information needed.
– Explain the reasons for acceptance, revision, and/or reject of suggestions.
– Self-regulate the amount of cognitive work delegated to AI.
The report’s emphasis on dispositions may be even more important.

Students may know how to verify an AI-generated claim but choose not to. They may understand bias but fail to question a fluent answer. They may know how to seek alternative evidence but accept the first plausible response because it is faster.
Critical thinking requires both ability and willingness.
The central lesson
Facione provides the conceptual foundation. Hou et al. show how critical-thinking interventions can reduce passive AI reliance and improve originality. Melanou and Beege point out the importance of reflective regulation over increased scaffolding intensity.
Together, the three studies suggest the deficiency of AI literacy defined primarily by proficiency with prompts or tools. A stronger definition would emphasize intellectual agency.
The key question for universities goes beyond students’ ability to use AI.
It is whether they can interpret, challenge, evaluate, revise, justify, and regulate AI-supported thinking while remaining responsible for the final judgment.
In that sense, the 1990 Delphi Report is not outdated.
It offers a framework for one of the most important educational questions of the generative AI era: what should remain cognitively and intellectual
Две скорошни изследвания предлагат важни отговори. Hou et al. (2026) изследват влиянието на интервенция за развитие на критичното мислене върху зависимостта на студентите от генеративен ИИ по време на решаване на проблеми. Melanou и Beege (2026) проучват влиянието на различни нива на учебно подпомагане (instructional scaffolding) върху ученето, критичното мислене и рефлексивното използване на ИИ.
И двете изследвания разглеждат проблеми, които са характерни за съвременната епоха: когнитивно разтоварване, пасивна зависимост от ИИ, рефлексивна употреба, ИИ-базирано обучение и необходимостта от запазване на човешката преценка.
Въпреки това много от основните им идеи вече са били формулирани през 1990 г.
Докладът на Peter Facione Delphi Report, Critical Thinking: A Statement of Expert Consensus for Purposes of Educational Assessment and Instruction, обединява 46 експерти с цел да дефинират критичното мислене и да установят препоръки за преподаване и оценяване. Докладът остава важен, защото осигурява концептуална основа за разбирането на очакванията към студентите, когато ИИ участва в процеса им на обучение.
Критичното мислене преди генеративния ИИ
Facione дефинира критичното мислене като целенасочена, саморегулираща се преценка, включваща шест основни умения:
Интерпретация
• Анализ
• Оценяване
• Извеждане на заключения (Inference)
• Обяснение
• Саморегулация
Панелът Delphi подчертава по-широкия обхват на критичното мислене, който надхвърля даването на правилен отговор. Студентите трябва да могат да анализират доказателства, да оценяват твърдения, да разглеждат алтернативи, да обосновават заключенията си, да наблюдават собственото си мислене и да коригират грешките си.
Докладът също така подчертава значението на нагласите. Добрият критически мислител трябва да бъде любознателен, с отворено мислене, внимателен към доказателствата, готов да преразглежда позициите си, честен относно собствените си пристрастия и настойчив в търсенето на добре обосновани заключения.
Тези идеи стават още по-актуални, когато студентите работят със системи, способни да генерират плавни, правдоподобни и добре оформени отговори за секунди.
Hou et al.: от критично мислене към зависимост от ИИ
Hou et al. (2026) изучават 226 университетски студенти, изпълняващи задача за обучение, базирано на решаване на проблеми, с помощта на генеративен ИИ. Интервенцията комбинира автентично обучение, структуриран диалог, ролеви игри и GPT-базиран виртуален партньор за обучение (peer tutor).
Интервенцията не води до статистически значимо подобрение на самооценката на студентите за собственото им критично мислене след една двучасова сесия. Въпреки това тя променя начина, по който студентите взаимодействат с ИИ.
Студентите в експерименталната група показват по-малко директно възприемане на генерирано от ИИ съдържание и създават повече оригинални решения. Следователно изследването измества фокуса от въпроса дали студентите използват ИИ към начина, по който разчитат на него.
Това силно наподобява концепцията на Facione за саморегулация.
Facione описва саморегулацията като наблюдение на собствените когнитивни процеси, анализ на собственото разсъждение, идентифициране на слабости и коригиране на грешки.
Hou et al. пренасят тази идея в контекста на ИИ. Разграничението им между рефлексивна и безкритична употреба на ИИ може да се разглежда като съвременна версия на разликата между саморегулирана преценка и непроверено приемане.
Melanou и Beege: подпомагане и рефлексивна употреба на ИИ
Melanou и Beege (2026) изследват 175 студенти в първи семестър, използващи генеративен ИИ като преподавател по време на четиричасова учебна дейност. Студентите получават или пълно подпомагане, или ограничено подпомагане, или никакво допълнително подпомагане.
Резултатите отново са по-нюансирани от простото заключение, че „повече насоки са по-добри“.
Студентите и в трите групи подобряват знанията си, критичното си мислене и рефлексивната си употреба на ИИ. По-силното подпомагане не води последователно до по-добри резултати.
Образователната стойност на ИИ може да зависи по-малко от количеството външна структура и повече от това как учащите регулират взаимодействието си с ИИ.
Това отново е тясно свързано с идеите на Facione.
През 1990 г. Delphi Report твърди, че критичното мислене изисква учащите да преценяват кога и как да прилагат стратегии за разсъждение, да наблюдават собственото си представяне и постепенно да стават по-независими.
Езикът се е променил. Основният образователен проблем не се е променил.
Къде трите изследвания съвпадат
Най-силното сходство е акцентът върху активната преценка.
Facione разглежда студентите като хора, които оценяват твърдения, поставят под въпрос доказателства, разглеждат алтернативи, обосновават решения и коригират собственото си мислене.
Hou et al. показват, че студентите извличат полза, когато поставят под въпрос и преработват генерираното от ИИ съдържание, вместо да го възприемат директно.
Melanou и Beege акцентират върху рефлексивната саморегулация, оценяването на източници, преработката и наблюдението на обучението, подпомагано от ИИ.
И трите подхода отхвърлят пасивното учене.
Те споделят и още един важен принцип: критичното мислене не може да бъде сведено до крайния отговор.
Facione изрично предупреждава, че само правилният отговор не трябва да бъде възнаграждаван при оценяване. Преподавателите се нуждаят от доказателства, че студентите достигат до заключения чрез качествено и аргументирано разсъждение.
Тази идея става особено важна, когато генеративният ИИ може да създава висококачествени крайни продукти, без да демонстрира разбирането и/или приноса на студента.
Къде се различават
Основната разлика е в обхвата.
Facione представя критичното мислене като широка образователна способност, която обединява когнитивни умения и нагласи в различни контексти.
Hou et al. се фокусират по-тясно върху критичното взаимодействие с ИИ по време на съвместно решаване на проблеми.
Melanou и Beege се концентрират върху критичното мислене, метакогницията, когнитивното натоварване и рефлексивната употреба по време на обучение, подпомагано от ИИ.
По-новите изследвания разглеждат конкретни поведения в рамките на кратки учебни дейности, подпомагани от ИИ, докато Facione описва по-широк образователен идеал.
Съществува и методологична разлика.
Facione препоръчва критичното мислене да се оценява в множество ситуации, във времето и чрез различни форми на доказателства.
И двете изследвания от 2026 г. използват краткосрочни интервенции. Hou et al. използват двучасова сесия. Melanou и Beege използват четиричасова сесия. И двете изследвания признават, че толкова кратки периоди ограничават възможността за изводи относно устойчивото развитие.
Това разграничение е важно. Кратка интервенция може да промени поведението, без фундаментално да промени компетентността за критично мислене.
Защо Delphi Report от 1990 г. е важен днес
Генеративният ИИ създава изкушение да се предефинира критичното мислене като „проверяване на отговорите на ИИ“.
Facione ни напомня, че подобен подход би бил твърде ограничен.
Критичното мислене изисква също така интерпретиране на проблема, анализиране на аргументи, оценяване на доказателства, генериране на алтернативи, обясняване на заключения и саморегулация на собственото разсъждение.
В ерата на ИИ всяко от тези умения може да бъде приложено директно към взаимодействието между човек и ИИ:
Интерпретирайте резултатите от ИИ. Анализирайте неговите предположения и структурата на аргументите му.
Оценявайте доказателствата и надеждността на твърденията му.
Извеждайте каква допълнителна информация е необходима.
Обяснявайте причините за приемане, преработване и/или отхвърляне на предложенията.
Саморегулирайте количеството когнитивна работа, делегирана на ИИ.
Акцентът на доклада върху нагласите може да бъде дори по-важен.
Студентите може да знаят как да проверят твърдение, генерирано от ИИ, но да изберат да не го направят. Може да разбират понятието за пристрастност, но да не поставят под въпрос добре формулиран отговор. Може да знаят как да търсят алтернативни доказателства, но да приемат първия правдоподобен отговор, защото е по-бърз.
Критичното мислене изисква както способност, така и готовност.
Основният извод
Facione предоставя концептуалната основа. Hou et al. показват как интервенциите за развитие на критично мислене могат да намалят пасивната зависимост от ИИ и да подобрят оригиналността. Melanou и Beege подчертават значението на рефлексивната саморегулация пред увеличаването на интензивността на подпомагането.
Заедно трите изследвания показват ограниченията на ИИ грамотността, когато тя се дефинира предимно като умение за използване на подсказки (prompts) или инструменти. По-силна дефиниция би поставила акцент върху интелектуалната автономност.
Ключовият въпрос пред университетите надхвърля способността на студентите да използват ИИ.
Той е дали студентите могат да интерпретират, оспорват, оценяват, преработват, обосновават и регулират мисленето, подпомагано от ИИ, като същевременно запазват отговорността за крайната преценка.
В този смисъл Delphi Report от 1990 г. не е остарял.
Той предлага рамка за един от най-важните образователни въпроси на ерата на генеративния ИИ: какво трябва да остане когнитивно и интелектуално човешко?