Предлагамe ви изследване направено през 2009 и публикувано през 2015:

Abrami, Philip C., Robert M. Bernard, Eugene Borokhovski, David I. Waddington, C. Anne Wade, and Tonje Persson. 2015. “Strategies for Teaching Students to Think Critically: A Meta-Analysis.” Review of Educational Research 85(2):275–314. doi:10.3102/0034654314551063.

Eто анализ на метода и подхода: 

Изследователски дизайн и обхват
• Метаанализ на 341 висококачествени ефектни размера, извлечени от квазиекспериментални и истински експериментални изследвания.
• Изследванията обхващат училищно образование, висше образование и обучение на възрастни, както в STEM, така и в не-STEM области.
• Периодът на включените публикации приключва през 2009 г., статията е публикувана през 2015 г. и е широко цитирана до 2016 г.

Операционализация на критичното мислене
• Използва дефиницията от Delphi изследването на Американската философска асоциация, според която критичното мислене е целенасочена и саморегулираща се преценка.
• Разграничава:
– общи умения за критично мислене;
– предметно-специфични умения за критично мислене;
– нагласи за критично мислене.
• Основно разчита на стандартизирани инструменти като Watson–Glaser и California Critical Thinking Skills Test.

Инструкционна таксономия
• Две паралелни класификационни схеми:
– четирикомпонентната типология на Ennis: обща, инфузионна, имерсионна, смесена;
– трикатегорийният инструкционен модел на авторите:
 диалог;
 автентично или закотвено обучение;
 менторство или коучинг.
• Инструкционните характеристики са кодирани с междурейтингово съгласие над приетите научни прагове.

Силни страни
• Голям обем изследвания и строги критерии за подбор.
• Изключване на по-слаби изследователски дизайни и нестандартизирани измервания в крайните анализи.
• Модераторни анализи по възраст, учебна област и продължителност на интервенцията.

Ограничения
• Фокусът върху измерими резултати дава предимство на уменията пред по-широки форми на критично мислене.
• Ограничена информация за дългосрочен трансфер извън конкретния учебен контекст.
• Липса на разглеждане на ИИ, автоматизацията и алгоритмичното посредничество на мисленето.

ОСНОВНИ ИЗВОДИ ОТ СТАТИЯТА

Какво работи за развиване на критично мислене
• Обучението подобрява критичното мислене с устойчив положителен ефект около g = 0,30.
• Предметно-специфичното критично мислене показва по-силен ефект, около g = 0,57.
• Ефектите се наблюдават във всички дисциплини, възрастови групи и продължителности на курсовете.

Най-ефективни инструкционни стратегии
• Диалог:
– въпроси, водени от преподавателя;
– дискусии в цял клас и в малки групи.
• Автентично обучение:
– приложно решаване на проблеми;
– казуси, симулации, ролеви игри.
• Комбинираните подходи имат най-силен ефект:
– диалог плюс автентични проблеми превъзхожда всеки от тях поотделно;
– диалог плюс автентично обучение плюс менторство води до най-високи ефекти, g ≈ 0,57.

Какво има по-малко значение от очакваното
• Продължителността на интервенцията.
• Учебната дисциплина или образователното равнище.
• Дали обучението е означено като общо или предметно-специфично.

АКТУАЛНИ ЛИ СА ПРЕПОРЪКИТЕ ОТ 2016 Г. В ЕПОХАТА НА ИИ

КАК ПРЕПОРЪКИТЕ СЕ ВПИСВАТ В СЪВРЕМЕННИЯ ИИ КОНТЕКСТ 

Препоръките, формулирани през 2016 г., остават релевантни, защото се основават на педагогически структури, а не на конкретни технологии. Диалогът, автентичните проблеми и менторството описват условия, при които студентите упражняват преценка, а не инструменти, които използват. Тези условия продължават да съответстват на начина, по който се развива критичното мислене. Това, което се е променило, е средата, в която тази преценка се прилага. Системите с изкуствен интелект генерират плавни, уверени и бързи отговори, което променя какво точно оценяват студентите и колко често се налага да го правят.

Диалогът остава ключов, защото оценяването, аргументацията и контрааргументите продължават да бъдат човешка отговорност. Изкуственият интелект може да произведе отговор, но не защитава позиция в отговор на критика, не ревизира твърдения въз основа на контрадоказателства и не договаря смисъл с други участници. Когато студентите участват в диалог, те изнасят разсъжденията си навън. Те трябва да обяснят защо даден отговор е приемлив, на какви допускания се основава и къде се проваля. В среда, наситена с ИИ, диалогът се превръща в механизъм, чрез който студентите изпитват ИИ резултатите, вместо да ги приемат безкритично. Структурата, идентифицирана от Abrami и съавтори, продължава да работи, но обектът на обсъждане се измества от учебното съдържание само по себе си към достоверността и ограниченията на генерираните отговори.

Автентичните проблеми запазват ефективността си, защото разкриват нееднозначност и ограничения. Реалните проблеми рядко имат едно чисто решение, а ИИ системите са склонни да представят отговорите като окончателни и завършени. Това напрежение прави автентичните задачи още по-ценни. Когато студентите се сблъскват със сложни казуси, непълни данни или конкуриращи се интерпретации, ИИ резултатите се превръщат в обект на проверка, а не в указание за следване. Рамката от 2016 г. вече отдава значение на приложното решаване на проблеми и казусния подход. В днешния контекст същите тези дизайни принуждават студентите да се изправят пред разликата между правдоподобен текст и защитимо разсъждение.

Менторството запазва значението си, защото преценката се развива чрез насочена практика. Студентите се учат да претеглят доказателства, да разпознават слаби аргументи и да решават кога увереността е неоправдана, като наблюдават как експертите мислят. Изкуственият интелект не моделира този процес прозрачно. Той произвежда резултати, без да показва пълната верига на разсъждение. Менторството запълва тази празнина. Преподавателите демонстрират как проверяват твърдения, как валидират източници и как решават кога даден отговор изисква преработка или отхвърляне. Тази роля съответства тясно на описаното от Abrami и съавтори, въпреки че днес обектът на менторството често включва и ИИ генерирано съдържание.

В същото време препоръките от 2016 г. са непълни, защото предполагат различна информационна екология. Статията разглежда човешки създадени текстове, аргументи и обяснения като основен вход за мислене. Днес студентите рутинно срещат генерирано съдържание, чийто произход, доказателствена база и намерение остават непрозрачни. Рамката не разглежда свръхразчитането на генерирани отговори, при което студентите отстъпват преценката си, защото изходът изглежда добре оформен. Не се отчита и скоростта и мащабът, с които нискокачествена или подвеждаща информация се разпространява. Освен това критичното мислене е представено като вътрешен когнитивен процес, а не като взаимодействие между човешки мислител и система, която предлага решения.

В класна стая, медиирана от ИИ, диалогът трябва да промени функцията си. Вместо възпроизвеждане на съдържание, студентите сравняват ИИ генерирани отговори с човешки авторски текстове. Те изследват допусканията, заложени в подканите и изходите. Питат какви доказателства липсват, са опростени или игнорирани. Дискусията дали даден аргумент отговаря на дисциплинарните стандарти вече включва въпроси дали ИИ е спазил методологичните норми, дали е използвал подходящи източници и дали е направил прекомерни обобщения от ограничени данни. Диалогът се превръща във форма на контрол на качеството.

Автентичното обучение също променя функцията си. ИИ трябва да присъства вътре в проблемното поле, а не извън него. Студентите печелят малко, когато използват ИИ, за да заобиколят задачата. Печелят повече, когато задачата изисква от тях да проверяват твърдения спрямо първични източници, да откриват халюцинации или да подобряват дефектно разсъждение. Казус, при който ИИ система предлага противоречиви анализи, принуждава студентите да отсъдят между тях. Това отразява професионалната практика, при която инструментите подпомагат, но не вземат решенията.

Менторството се развива в посока на изрична подкрепа за критична ИИ грамотност. Преподавателите моделират как се критикуват подканите, как се проверяват систематично резултатите и как се решава кога използването на ИИ подкопава, а не подпомага мисленето. Те правят експертната преценка видима, като вербализират стъпките на разсъждение. Партньорското менторство допълва този процес, като помага на студентите да калибрират доверието си. Студентите се учат един от друг къде ИИ работи добре и къде е необходим скептицизъм.

За да остане ефективна, рамката на Abrami и съавтори се нуждае от допълване, а не от замяна. Необходимо е изрично обучение за това кога използването на ИИ е неподходящо, как се одитира ИИ разсъждение и как се поддържа епистемична отговорност. Оценяването трябва да се фокусира върху процеса. Студентите следва да обясняват как са оценявали информацията, каква роля е изиграл ИИ и как са достигнали до финалните си преценки. Когато използването на ИИ е прозрачно и подлежи на оценка, критичното мислене отново става наблюдаемо.

Основният извод от изследването от 2016 г. остава валиден. Критичното мислене се развива при условия на диалог, автентичност и насочена преценка. Изкуственият интелект повишава залога, защото намалява цената на генерирането на отговори, но увеличава цената на некритичното им приемане. Тези педагогически условия остават необходими, но днес трябва да функционират с ИИ вътре в процеса. Критичното мислене вече не е допълнителен резултат. То се превръща в базово изискване за функциониране в среда, в която правдоподобните отговори са изобилни, а надеждната преценка е дефицитна.

следвайте ни на социалните медии: https://www.linkedin.com/feed/update/urn:li:activity:7422614261920604160

29 Jan 2026