El Futuro del Aprendizaje: Abrazando la IA para cultivar el Pensamiento Crítico
La llegada de la Inteligencia Artificial Generativa (IAG) ha sacudido los cimientos de la educación, especialmente en lo que respecta a la evaluación. Se han alzado voces de alarma, advirtiendo que la IA "destruirá" el pensamiento crítico en las escuelas y que "todo el mundo está haciendo trampas" en la universidad. Estas afirmaciones pueden sonar dramáticas, y si bien contienen "algo de verdad", a menudo desvían la atención del verdadero problema.
En este artículo argumento que el obstáculo principal para el desarrollo de un pensamiento profundo y crítico no es la IA en sí misma, sino la persistencia de métodos instruccionales y sistemas de evaluación tradicionales y obsoletos, cuya debilidad simplemente se ha hecho dolorosamente evidente con la omnipresencia de la IAG.
El Fracaso Inherente de los Métodos Tradicionales (Evidenciado por la IA)
Históricamente, la evaluación en la educación superior ha sido una tarea manual que requería mucho tiempo y a menudo se basaba en una instrucción centrada en el profesor. La educación moderna, especialmente la educación obligatoria y la educación superior, predominantemente adopta un formato de enseñanza disciplinaria, en el que el contenido del aula se centra en la transmisión de conocimiento acumulado. Para evaluar la efectividad del aprendizaje, se han instituido varios métodos de evaluación del conocimiento, como exámenes y sistemas de calificación.
Este enfoque tradicional a menudo se manifiesta en lo que se describe como "educación memorística" (cramming education), un modo de aprendizaje laborioso e ineficiente. Se pone un énfasis significativo en los resultados de los exámenes de los estudiantes, y los educadores tienden a priorizar la difusión de conocimientos, mientras que los estudiantes se centran en la memorización mecánica en lugar de adentrarse en el núcleo de los problemas y participar en una contemplación profunda.
Múltiples investigaciones sugieren que este modelo tiene consecuencias perjudiciales para el pensamiento crítico y el compromiso genuino con el aprendizaje:
Pasividad y Aversión al Aprendizaje: Bajo la influencia de este enfoque, los estudiantes a menudo se ven atrapados en un estado pasivo e interminable de adoctrinamiento, lo que puede llevar a que muchos desarrollen una aversión al aprendizaje.
Falta de Innovación: La deficiencia colectiva en innovación entre los individuos está entrelazada con el marco educativo existente, determinada significativamente por los conceptos y prácticas educativas que enfatizan la memorización mecánica.
Comprensión Superficial: Las prácticas de lectura fragmentada, exacerbadas por los entornos digitales, conducen a una asimilación superficial del contenido, fomentando patrones cognitivos poco profundos.
Aplicación Limitada del Conocimiento: A pesar de la adquisición de conocimiento, la aplicación práctica de lo aprendido al graduarse es a menudo mínima, a veces menos del 10%.
Tratamiento de los Estudiantes como "Receptáculos": Este enfoque tiende a ver a los estudiantes como "receptáculos" para acumular conocimiento, lo que implica que cuanto más asimilen, más exitosa será su educación. Esto se desalinea significativamente con el objetivo de fomentar el desarrollo del estudiante.
El pensamiento crítico va mucho más allá de la simple memorización. Implica habilidades como el análisis, la explicación, la interpretación, la evaluación, la inferencia y la autorregulación. La capacidad de evaluar críticamente ideas, situaciones y argumentos es fundamental para cultivar habilidades de pensamiento crítico sólidas. Los enfoques tradicionales, centrados en la transmisión y la memorización, simplemente no están diseñados para fomentar estas habilidades más complejas.
Aquí es donde entra la IAG. Herramientas como ChatGPT pueden generar ensayos coherentes y respuestas a preguntas basadas en el contenido disciplinario. Cuando las tareas se centran únicamente en la reproducción de conocimiento o en formatos estándar (como ensayos cortos), la IA puede completarlas con un rendimiento impresionante, a veces calificando para las notas más altas. Esto no demuestra que la IA esté destruyendo el pensamiento crítico, sino que las tareas tradicionales que estamos utilizando no estaban midiendo el pensamiento crítico en primer lugar. La IAG simplemente expone la insuficiencia de un modelo educativo que prioriza "tener el pescado" (el conocimiento o la respuesta final) sobre el "saber pescar" (el proceso de pensamiento, análisis y resolución de problemas).
La IA: ¿Herramienta u Obstáculo? (Depende de su Utilización)
Es innegable que la IAG plantea riesgos. Existe la "tentación" de que los estudiantes copien respuestas directamente sin un compromiso cognitivo, utilizando la tecnología como un "atajo" que descarrila el proceso de aprendizaje. Esto puede resultar en un "resultado externo adecuado" (como un ensayo bien escrito) que carece de aprendizaje subyacente o adquisición de nuevo conocimiento. El fácil acceso a la asistencia de la IA podría socavar el desarrollo de habilidades analíticas esenciales, ya que los estudiantes podrían volverse demasiado dependientes de la tecnología. Muchos investigadores plantean preocupaciones sobre la disminución de la interacción humana y el impacto en las habilidades de pensamiento lateral.
Sin embargo, los mismos investigadores también presentan una perspectiva más matizada, sugiriendo que la IAG tiene un potencial significativo para apoyar y mejorar el desarrollo del pensamiento crítico cuando se utiliza de manera efectiva:
Apoyo para el Análisis y la Interpretación: La IAG puede ayudar a los estudiantes a mejorar su capacidad para interpretar y analizar información, proporcionando diversas perspectivas para comparar.
Mejora de la Escritura y la Estructura: Herramientas como ChatGPT ayudan a los estudiantes a organizar su escritura y fomentan la mejora estructural a través de retroalimentación inmediata.
Promoción de la Explicación y la Inferencia: Al ofrecer una amplia gama de información, la IAG promueve la explicación y la inferencia, ayudando a los estudiantes a formular ideas más críticas y a desarrollar hipótesis y suposiciones.
Facilitación de la Evaluación: Los estudiantes deben evaluar críticamente la salida de la IA, compararla con otras fuentes y emitir juicios informados. Este proceso, que implica evaluar información basada en criterios relevantes, es un componente clave del pensamiento crítico.
Mejora de la Comunicación y el Razonamiento Lógico: La IAG puede mejorar las habilidades de comunicación y razonamiento lógico al ayudar a los estudiantes a articular sus pensamientos claramente.
Fomento de Preguntas Críticas y Análisis: La IAG anima a los estudiantes a hacer preguntas críticas y analizar información compleja.
Catalizador para Discusiones Profundas: Actúa como un catalizador que invita a los estudiantes a participar activamente haciendo preguntas y desarrollando explicaciones.
Apoyo a la Autorregulación y la Resolución de Problemas: Puede ayudar a los estudiantes a verificar sus respuestas, como en matemáticas, alineándose con el aspecto de autorregulación del pensamiento crítico. La evaluación y la crítica de la información son esenciales para desarrollar habilidades de razonamiento sofisticadas.
Crucialmente, para aprovechar estos beneficios, las fuentes enfatizan la necesidad de orientación por parte del educador. Los profesores deben guiar a los estudiantes para que utilicen la IAG de manera sabia, enfatizando la necesidad de verificar la información generada por la IA. La orientación efectiva previene la dependencia excesiva y ayuda a los estudiantes a fortalecer sus habilidades de autorregulación y evaluación crítica. Los procesos internos de reflexión y autoevaluación son insustituibles en el desarrollo del pensamiento crítico genuino.
En esencia, la IAG no está "destruyendo" el pensamiento crítico; está revelando cuán poco lo fomentaban ciertos métodos tradicionales y ofreciendo nuevas herramientas que pueden ser utilizadas (con orientación) para apoyarlo a través de la práctica de evaluación, análisis y reflexión sobre el contenido generado por la IA misma. El problema no es la herramienta, sino la lógica educativa detrás de su uso y cómo interactúa con sistemas que no están diseñados para el aprendizaje profundo y activo.
La Alternativa: Aprendizaje Activo y Experiencial
La construcción de significado implica que el aprendizaje debe ser un proceso activo, logrado a través de lo que el estudiante hace mental y/o físicamente. Este entendimiento contrasta marcadamente con el modelo pasivo de transmisión de conocimiento de la educación tradicional.
Si los métodos tradicionales fallan en desarrollar el pensamiento crítico, ¿cuál es la alternativa? Las fuentes que he consultado apuntan a enfoques que involucran activamente al estudiante en el proceso de aprendizaje, fomentando habilidades de orden superior y la aplicación del conocimiento. Aunque no agrupan estos métodos bajo un único paraguas como "aprendizaje experiencial" o "basado en proyectos", sí describen características y ejemplos que encajan en esta categoría:
Principios Constructivistas: Las herramientas de evaluación (AI-powered) pueden alinearse con principios constructivistas al proporcionar experiencias de aprendizaje interactivas y personalizadas, promoviendo la participación del alumno y una comprensión más profunda.
Aprendizaje Basado en Problemas e Indagación: Estos métodos se mencionan como enfoques que implican una participación del estudiante.
Tareas de Rendimiento y Basadas en Escenarios: Estas evalúan la capacidad de los estudiantes para aplicar sus conocimientos y habilidades en contextos del mundo real.
Enfoques de Resolución de Problemas: Desarrollar habilidades de pensamiento crítico y resolución de problemas a través de la identificación y reformulación de problemas complejos para encontrar soluciones.
Exploración de Procesos Científicos: Mostrar el proceso de descubrimiento y la agudeza intelectual de los científicos puede activar la fascinación por la resolución de problemas y facilitar la comprensión de la esencia de los descubrimientos. Discutir los procesos de pensamiento de los expertos inspira a los estudiantes y aumenta su competencia.
Enfoques Heurísticos: Guiar a los estudiantes haciendo preguntas apropiadas, destacando los desafíos y permitiéndoles analizar y resolver problemas por sí mismos.
Prácticas Sociales y Visitas: La inspiración a través de prácticas sociales y visitas a museos también se mencionan en las fuentes que he consultado, como parte del desarrollo integral, más allá del conocimiento académico.
Enseñanza Innovadora: Centrarse en habilidades de pensamiento de orden superior como el pensamiento crítico, la creatividad y la resolución de problemas, y mejorar la comprensión de conceptos en lugar de la memorización mecánica.
Estos enfoques activos y centrados en el estudiante son intrínsecamente más propensos a fomentar el pensamiento crítico porque requieren que los estudiantes piensen, analicen, evalúen y creen, en lugar de simplemente memorizar y reproducir. En un entorno de este tipo, la IAG podría transformarse de ser un atajo peligroso a una herramienta auxiliar valiosa. Por ejemplo, la IA podría usarse para generar estudios de caso complejos para que los estudiantes los analicen, simular conversaciones para practicar habilidades, o ayudar a los estudiantes a refinar borradores de sus ideas antes de la discusión grupal.
La Crisis de la Evaluación: Por Qué las Reglas No Son Suficientes
La amenaza más inmediata que la IAG representa para la educación reside en la validez de la evaluación. La capacidad de la IAG para completar tareas sin que el estudiante demuestre una capacidad genuina desafía directamente los métodos tradicionales. Los exámenes y tareas tradicionales pueden volverse obsoletos. Las fuentes que he investigado señalan que las tareas como los ensayos de formato corto pueden estar volviéndose obsoletas como herramientas de evaluación.
En respuesta a este desafío, las instituciones a menudo han implementado enfoques que intentan comunicar a los estudiantes el uso permisible de la IA. Ejemplos familiares incluyen los sistemas de "semáforo" o directrices explícitas. Sin embargo, estos enfoques comparten una limitación fundamental: se basan principalmente en comunicar reglas en lugar de rediseñar la mecánica de la evaluación. A esto lo llaman "cambios discursivos".
Un cambio discursivo se define como una modificación que se basa únicamente en la comunicación de instrucciones, reglas o directrices a los estudiantes, de modo que su éxito depende completamente de la conciencia, comprensión y cumplimiento voluntario del estudiante. Estos cambios dejan la estructura subyacente de la tarea sin modificar, centrándose en especificar cómo los estudiantes deben abordar o completar la tarea. Un ejemplo simple sería agregar "No se permite el uso de IAG en esta evaluación" a las instrucciones existentes. Incluso las reglas más sofisticadas, marcos detallados o sistemas de autoinforme siguen siendo discursivos si su éxito depende únicamente de que el estudiante siga las instrucciones.
Las razones por las qué los cambios discursivos son fundamentalmente inadecuados en la era de la IAG, son:
Dependencia del Cumplimiento Voluntario: Se basan enteramente en la suposición implícita de que los estudiantes cumplirán las reglas, una suposición que es problemática.
La Ilusión de Cumplimiento: Estos enfoques a menudo piden a los estudiantes que limiten voluntariamente su uso de la IA, pero sin mecanismos confiables para verificar el cumplimiento, crean una "ilusión de cumplimiento". Los sistemas de detección de IA actualmente no son fiables, con altas tasas de falsos positivos y negativos. Confiar en estas herramientas daña a los estudiantes (acusaciones falsas) y a las instituciones (falsa seguridad).
Instrucciones Ambiguas: Las instrucciones sobre el uso permisible de la IA son inherentemente ambiguas (por ejemplo, "¿usar para editar vs. generar?"). Esta ambigüedad deja a los estudiantes inciertos sobre qué constituye cumplimiento.
Ignorar Incentivos y Perspectivas Divergentes: Se asume que los estudiantes cumplirán voluntariamente, incluso cuando la falta de cumplimiento ofrece claras ventajas prácticas. Esto ignora los incentivos y también las diferencias genuinas en las opiniones de estudiantes y educadores sobre lo que constituye asistencia legítima.
Falta de Mecanismos de Verificación: La IAG socava los métodos de verificación tradicionales al imitar el estilo de escritura humano. Los educadores a menudo no tienen forma factible de confirmar si un estudiante cumplió con las instrucciones sobre el uso de la IA.
La Paradoja Discursiva: Cuanto más detalladas son las instrucciones, más se destaca la brecha entre lo que especificamos y lo que podemos verificar.
Impacto Negativo Adicional: Esta falta de aplicabilidad agrega cargas al estudio, crea un campo de juego desigual y socava la validez de la evaluación.
En resumen, los enfoques discursivos "dicen mucho pero cambian poco". Dirigen comportamientos que no pueden monitorear y prohíben acciones que no pueden detectar. Cuando la validez de una evaluación depende únicamente del cumplimiento voluntario de reglas no aplicables, el sistema se construye sobre cimientos de arena.
La Solución: Cambios Estructurales en la Evaluación
La alternativa que propongo son los "cambios estructurales" en la evaluación. Estos se definen como modificaciones que alteran directamente la naturaleza, el formato o la mecánica de cómo debe completarse una tarea, de modo que el éxito de estos cambios no depende de la comprensión, interpretación o cumplimiento voluntario del estudiante con las instrucciones. En cambio, estos cambios remodelan el marco subyacente de la tarea, restringiendo o abriendo el enfoque del estudiante de maneras que están incorporadas en la evaluación misma.
El poder de los cambios estructurales radica en su independencia del cumplimiento voluntario del estudiante. En lugar de pedir a los estudiantes que sigan reglas comunicadas sobre el uso de la IA, los cambios estructurales crean entornos de evaluación en los que el comportamiento deseado surge naturalmente del diseño de la evaluación. Este enfoque reconoce que, en una era de acceso ubicuo a la IA, la validez de la evaluación debe integrarse en las estructuras de evaluación en lugar de imponerse a través de directrices.
Estos son algunos ejemplos y estrategias para implementar cambios estructurales:
Evaluación Síncrona vs. Asíncrona: Un ensayo para llevar a casa (asíncrono) permite un amplio uso de la IA sin detección. Una actividad de escritura supervisada en clase (síncrona) limita inherentemente la asistencia de la IA por su estructura. Esto no significa que toda la evaluación deba ser síncrona, pero sí que la estructura debe alinearse con lo que queremos medir.
Reorientación del Producto al Proceso: Los cambios estructurales a menudo implican reorientar la evaluación del resultado al proceso. En lugar de evaluar solo el producto final (potencialmente generado por IA), el diseño puede capturar el desarrollo del estudiante y la adquisición de comprensión y habilidad a lo largo del tiempo.
Puntos de Control Autenticados: Incorporar puntos de control autenticados en los que los estudiantes deben demostrar su pensamiento en evolución, como participar en discusiones en vivo sobre sus ideas o mostrar cómo evolucionó su pensamiento a través de sesiones de retroalimentación estructurada.
Tareas que la IA no Puede Replicar Fácilmente: Diseñar preguntas y tareas que la IAG no pueda responder fácilmente. Esto puede incluir presentaciones y discusiones (grabadas o en vivo), diseño de productos, trabajo creativo/artístico.
Métodos Alternativos: Utilizar métodos como videoconferencias para evaluar tareas mediante preguntas y respuestas. Otros enfoques innovadores incluyen desarrollar podcasts o storyboards, en los que la IAG sirva como herramienta auxiliar.
Evaluación Auténtica y de Orden Superior: Centrarse en evaluar habilidades de pensamiento de orden superior como el pensamiento crítico, la creatividad y la resolución de problemas, en lugar de solo el conocimiento. Esto incluye el uso de evaluaciones auténticas que son difíciles de replicar para la IA sin una orientación específica. Como ejemplos podemos mencionar la resolución de problemas, la interpretación de datos y preguntas basadas en estudios de caso.
Evaluación Mixta: Combinar enfoques asistidos por IA y centrados en el ser humano, donde, por ejemplo, la IAG podría usarse para la autocorrección del idioma en la escritura, mientras que el profesor evalúa las ideas y el pensamiento lógico del estudiante.
Incorporar el Uso de la IA en la Tarea: Diseñar tareas que aprovechen la calidad de la interacción con la IA en lugar de intentar prohibirla o limitarla. Esto podría implicar evaluar cómo los estudiantes critican o utilizan herramientas de IA de manera efectiva.
Es importante reconocer que no existe una "receta" única y prescriptiva para los cambios estructurales que funcione para todas las disciplinas y evaluaciones. La validez de una evaluación es específica de lo que se está midiendo. Lo que se necesita es una caja de herramientas conceptual para que los instructores puedan entender cómo diseñar evaluaciones apropiadas. La distinción entre cambios discursivos y estructurales es una primera herramienta crucial en esta caja.
Las instituciones también deben desempeñar un papel liderando esta transformación. Deben repensar sus políticas de evaluación, abogando por métodos de evaluación más diversos que vayan más allá de los exámenes y trabajos escritos tradicionales. También se requiere un cambio en el enfoque educativo y una reevaluación de los objetivos de aprendizaje, centrados en el desarrollo de habilidades genéricas y competencias holísticas como la tenacidad y la perseverancia. Sería muy aconsejable implementar programas más interdisciplinarios que enfaticen el desarrollo integral. Además, se necesita una nueva alfabetización y desarrollo profesional para los profesores en áreas como la evaluación, la alfabetización en IA y la alfabetización digital.
Conclusión
La narrativa de que la IA generativa está destruyendo el pensamiento crítico es una simplificación excesiva. Las fuentes que he investigado sugieren que el verdadero problema no es la IA en sí misma, sino la insistencia en utilizar métodos instruccionales tradicionales que nunca fueron óptimos para fomentar un pensamiento profundo y crítico, y que ahora son totalmente inadecuados en la era digital. Estos métodos tradicionales, centrados en la transmisión de conocimiento y la memorización para exámenes estandarizados, han llevado a un aprendizaje pasivo y superficial.
La IAG, aunque presenta riesgos de uso inadecuado como atajo, también ofrece oportunidades significativas para apoyar el pensamiento crítico si se utiliza con orientación y un enfoque en la evaluación de su salida.
La respuesta al desafío de la IAG no reside en crear más reglas discursivas sobre cómo los estudiantes "deberían" usar la IA en evaluaciones tradicionales. Estos enfoques fallan porque dependen de un cumplimiento voluntario que no puede ser verificado.
En cambio, la educación debe abrazar un cambio estructural. Esto implica rediseñar fundamentalmente la mecánica de las tareas de evaluación para que la validez se integre en su diseño, en lugar de depender de reglas externas. Esto se alinea con un cambio más amplio hacia métodos instruccionales activos y centrados en el estudiante, que intrínsecamente desarrollan habilidades de pensamiento crítico al requerir que los estudiantes analicen, evalúen, creen y resuelvan problemas de manera activa.
El tiempo invertido en desarrollar e implementar enfoques discursivos es tiempo que podría utilizarse para considerar los cambios estructurales que realmente asegurarán la validez de la evaluación y la reputación de los títulos. En lugar de ver la IAG como una amenaza existencial al pensamiento, deberíamos verla como el catalizador necesario que expone las debilidades de los enfoques obsoletos y nos impulsa a adoptar pedagogías y evaluaciones que preparen verdaderamente a los estudiantes para un mundo en el que la capacidad de pensar críticamente, adaptarse y aplicar el conocimiento es más valiosa que nunca.
La clave para el futuro no es prohibir la IA, sino transformar fundamentalmente cómo enseñamos y evaluamos, alejándonos de la transmisión pasiva y la evaluación memorística hacia el aprendizaje activo, el pensamiento crítico y la evaluación estructural que mide lo que realmente importa.
Recursos en la web
CarraroLAB y su proyecto Extended Intelligence Lab: Mencionado como una plataforma que busca integrar la Inteligencia Artificial con la Realidad Virtual y Aumentada para la educación inmersiva y otros sectores. El sitio web general de la empresa es https://www.carraro-lab.com/home/, y hay más información específica sobre el proyecto en https://www.carraro-lab.com/extended-intelligence-lab/
EduPortal: Descrito como una plataforma italiana interactiva diseñada específicamente para profesores, que permite crear y utilizar contenido de Realidad Virtual con herramientas de IA integradas para experimentar estrategias de enseñanza innovadoras. El sitio web es
https://www.eduportal.it/
Museo Nacional de Ciencia y Tecnología Leonardo Da Vinci, Milán: Su zona digital YOU&AI es mencionada como un ejemplo de educación pública sobre IA, utilizando tecnologías inmersivas para explorar escenarios futuros y fomentar discusiones críticas sobre la ética de la IA y su impacto social. El sitio web es https://www.museoscienza.org/it/you-and-ai
EDUCAUSE Learning Initiative: Aunque no es un proyecto de implementación específico en el sentido de una herramienta, se menciona como fuente para un informe sobre educación superior que incluye tendencias tecnológicas. El informe está disponible en https://library.educause.edu/~/media/files/library/2018/8/2018horizonreport.pdf
Institute of Ethical AI in Education: Se menciona su informe provisional "Towards a Shared Vision of Ethical AI in Education" como un recurso. El informe se encuentra en https://www.buckingham.ac.uk/wp-content/uploads/2020/02/The-Institute-for-Ethical-AI-in-Educations-Interim-Report-Towards-a-Shared-Vision-of-Ethical-AI-in-Education.pdf
Macquarie University: Se cita como un ejemplo de institución que ha implementado un enfoque de "semáforo" (traffic light) para comunicar el uso permisible de GenAI en las tareas de evaluación.
University College Dublin: Se menciona específicamente su "Traffic Light system"como un enfoque para guiar el uso de IA. El enlace proporcionado es https://www.ucd.ie/artshumanities/study/aifutures/trafficlightsystem/
University of Bath: Se lista una URL para su "ABC Assessment Categorisations Guidance and Template Text", lo que sugiere directrices institucionales sobre evaluación y AI. https://teachinghub.bath.ac.uk/guide/generative-ai-abc-assessment-categorisations/
University of Cambridge: Acceso a una "Template Declaration of the use of Generative Artificial Intelligence", indicando una iniciativa institucional para abordar el uso de GenAI. https://www. cshss.cam.ac.uk/education/generative-artificial-intelligence-ai-and-scholarship/template-declaration-use-generative
University of California, San Francisco: Se menciona una "Policy on use of Artificial Intelligence (AI) in Assessments and Coursework" con el enlace https://pharm.ucsf.edu/current/policies/ai
Referencias bibliográficas
Anderson, L. W., Krathwohl, D. R., Airasian, P. W., Cruikshank, K. A., Mayer, R. E., Pintrich, P. R., Raths, J., & Wittrock, M. C. (2001). A taxonomy for learning teaching and assessing: A revision of Bloom’s taxonomy of educational objectives. Longman.
Chan, C. K. Y. (2023). A comprehensive AI policy education framework for university teaching and learning. International Journal of Educational Technology in Higher Education, 20(1). https://doi.org/10.1186/s41239-023-00408-3
Chaudhry, I. S., Sarwary, S. A. M., Refae, E., G. A., & Chabchoub, H. (2023). Time to revisit existing student’s performance evaluation approach in higher education sector in a new era of ChatGPT — A case study. Cogent Education, 10(1). https://doi.org/10.1080/2331186X.2023.2210461
Chiu, T. K. F., Xia, Q., Zhou, X-Y, Chai, C. S., & Cheng, M-T. (2023). Systematic literature review on opportunities, challenges, and future research recommendations of artificial intelligence in education. Computer & Education: Artificial Intelligence, 4, 100118. https://doi.org/10.1016/j.caeai.2022.100118
Cross, J., Robinson, R., Devaraju, S., Vaughans, A., Hood, R., Kayalackakom, T., ... & Robinson, R. E. (2023). Transforming medical education: Assessing the integration of ChatGPT into faculty workflows at a Caribbean medical school. Cureus, 15(7). https://doi.org/10.7759/cureus.41399
Currie, G., Singh, C., Nelson, T., Nabasenja, C., Al-Hayek, Y., & Spuur, K. (2023). ChatGPT in medical imaging higher education. Radiography, 29(4), 792–799. https://doi.org/10.1016/j.radi.2023.05.011
Dai, Y., Liu, A., & Lim, C. P. (2023). Reconceptualizing ChatGPT and generative AI as a student-driven innovation in higher education. Procedia CIRP. https://www.sciencedirect.com/science/article/pii/S2212827123004407?via%3Dihub
Elsayed, S. (2023). Towards mitigating ChatGPT’s negative impact on education: Optimizing question design through Bloom’s taxonomy. https://doi.org/10.1109/tensymp55890.2023.10223662
Essel, H. B., Vlachopoulos, D., Essuman, A. B., & Amankwa, J. O. (2024). ChatGPT effects on cognitive skills of undergraduate students: Receiving instant responses from AI-based conversational large language models (LLMs). Computers and Education: Artificial Intelligence, 6, 1–13. https://doi.org/10.1016/j.caeai.2023.100198
Guo, K., & Wang, D. (2023). To resist it or to embrace it? Examining ChatGPT’s potential to support teacher feedback in EFL writing. Education and Information Technologies. https://doi.org/10.1007/s10639-023-12146-0
Mohammed, S. I., Jasim, A. L., Al-Jumaili, A. A., Mikhael, E. M., & Ali, F. Z. (2024). Perceptions of senior pharmacy students towards the impact of artificial intelligence on university education and scientific writing: A qualitative study. Al-Rafidain Journal of Medical Sciences, 6(1), 142–146. https://doi.org/10.54133/ajms.v6i1.538
Naidu, K., & Sevnarayan, K. (2023). ChatGPT: An ever-increasing encroachment of artificial intelligence in online assessment in distance education. Online Journal of Communication and Media Technologies, 13(3). https://doi.org/10.30935/ojcmt/13291
Perkins, M., Roe, J., & Furze, L. (2024). The AI assessment scale revisited: A framework for educational assessment. arXiv Preprint arXiv:2412.09029.
Piaget, J. (1972). Development and learning. In C. S. Lavatelli & F. Stendler (Eds.), Readings in child behavior and development (pp. 7-20). Harcourt Brace Jovanovich.
Rajabi, P., Taghipour, P., Cukierman, D., & Doleck, T. (2023). Exploring ChatGPT’s impact on post-secondary education: A qualitative study. ACM International Conference Proceeding Series. https://doi.org/10.1145/3593342.3593360
Smolansky, A., Cram, A., Raduescu, C., Zeivots, S., Huber, E., & Kizilcec, R. F. (2023). Educator and student perspectives on the impact of generative AI on assessments in higher education. L@S 2023 - Proceedings of the 10th ACM Conference on Learning @ Scale. https://doi.org/10.1145/3573051.3596191
Stutz, P., Elixhauser, M., Grubinger-Preiner, J., Linner, V., Reibersdorfer-Adelsberger, E., Traun, C., Wallentin, G., Wöhs, K., & Zuberbühler, T. (2023). Ch(e)atGPT? An anecdotal approach addressing the impact of ChatGPT on teaching and learning GIScience. GI_Forum, 11(1), 140–147. https://doi.org/10.1553/giscience2023_01_s140
Sweller, J. (1988). Cognitive load during problem solving: Effects on learning. Cognitive Science, 12, 257-285.
Vargas-Murillo, A. R., Pari-Bedoya, I. N. M. de la A., & Guevara-Soto, F. de J. (2023). Challenges and opportunities of AI-assisted learning: A systematic literature review on the impact of ChatGPT usage in higher education. International Journal of Learning, Teaching and Educational Research, 22(7), 122–135. https://doi.org/10.26803/ijlter.22.7.7