counterargument

The article examines the methodological conditions for developing students’ critical thinking in English language classes. Critical thinking is interpreted as a set of abilities to analyse information, distinguish evidence from assumptions, evaluate source credibility, compare opposing viewpoints, draw justified conclusions, and monitor one’s own reasoning process. The study argues that language objectives and thinking objectives should be integrated within a single lesson design. For this purpose, a methodological cycle is proposed that combines a problem question, claim–evidence analysis, academic debate, case tasks, intertextual comparison, and reflective writing. This cycle connects reading, writing, listening, and speaking with argumentation, evaluation, and decision-making processes. Assessment is recommended to address not only language accuracy, cohesion, and academic vocabulary, but also clarity of claims, relevance and sufficiency of evidence, consideration of counterarguments, and logical validity of conclusions. Such organization enables critical thinking to develop systematically through English language content and makes students’ reasoning processes visible, assessable, and transferable across learning contexts.

این مقاله به بررسی شرایط روش‌شناختی برای پرورش تفکر انتقادی دانشجویان در کلاس‌های زبان انگلیسی می‌پردازد. تفکر انتقادی به عنوان مجموعه‌ای از توانایی‌ها برای تحلیل اطلاعات، تمایز شواهد از فرضیات، ارزیابی اعتبار منابع، مقایسه دیدگاه‌های متضاد، استنتاج نتایج موجه و پایش فرایند استدلال فردی تفسیر می‌شود. این مطالعه استدلال می‌کند که اهداف زبانی و اهداف تفکر باید در قالب طراحی یک درس واحد ادغام شوند. بدین منظور، یک چرخه روش‌شناختی پیشنهاد می‌شود که پرسش مسئله‌محور، تحلیل ادعا–شواهد، مناظره علمی، تکالیف موردی، مقایسه بینامتنی و نگارش تأملی را ترکیب می‌کند. این چرخه مهارت‌های خواندن، نوشتن، شنیدن و صحبت کردن را با فرایندهای استدلال، ارزیابی و تصمیم‌گیری پیوند می‌دهد. توصیه می‌شود ارزیابی نه تنها دقت زبانی، انسجام و واژگان علمی، بلکه وضوح ادعاها، ارتباط و کفایت شواهد، توجه به استدلال‌های مخالف و روایی منطقی نتایج را نیز در بر گیرد. چنین سازمان‌دهی‌ای امکان پرورش نظام‌مند تفکر انتقادی از طریق محتوای زبان انگلیسی را فراهم می‌کند و فرایندهای استدلال دانشجویان را قابل مشاهده، قابل ارزیابی و قابل انتقال به زمینه‌های مختلف یادگیری می‌سازد.

Minority viewpoints are often suppressed in power-imbalanced group decision-making due to social pressure to comply with the majority. To address this problem, we developed an LLM-powered dissenting minority support system that aimed to foster attention to minority views through either AI-generated counterarguments or AI-mediated messages. We conducted a mixed-method experiment with 96 participants in 24 groups, comparing minority members’ experiences across baseline, AI-counterargument, and AI-mediated message conditions. Our findings revealed a nuanced trade-off: AI-generated counterarguments fostered a more flexible atmosphere and enhanced satisfaction, while AI-mediated messaging increased minority participation but unexpectedly reduced their psychological safety. This research contributes empirical evidence on how different AI implementations affect group dynamics, identifies a critical support paradox between participation and psychological safety, provides design implications for future systems, and highlights ethical challenges in implementing AI-mediated communication in hierarchical settings. These insights advance understanding of designing more equitable AI support for power-imbalanced group decision-making.

دیدگاه‌های اقلیت در تصمیم‌گیری گروهی با عدم توازن قدرت اغلب به دلیل فشار اجتماعی برای تبعیت از اکثریت سرکوب می‌شوند. برای رفع این مشکل، ما سامانه‌ای مبتنی بر مدل زبانی بزرگ (LLM) جهت حمایت از اقلیت مخالف توسعه دادیم که هدف آن جلب توجه به دیدگاه‌های اقلیت از طریق پاداستدلال‌های تولیدشده توسط هوش مصنوعی یا پیام‌های میانجی‌گری‌شده توسط هوش مصنوعی بود. ما یک آزمایش ترکیبی با ۹۶ شرکت‌کننده در ۲۴ گروه انجام دادیم و تجربیات اعضای اقلیت را در شرایط پایه، پاداستدلال هوش مصنوعی و پیام میانجی‌گری‌شده توسط هوش مصنوعی مقایسه کردیم. یافته‌های ما نشان داد که یک موازنه ظریف وجود دارد: پاداستدلال‌های تولیدشده توسط هوش مصنوعی فضای انعطاف‌پذیرتری ایجاد کرده و رضایت را افزایش دادند، در حالی که پیام‌های میانجی‌گری‌شده توسط هوش مصنوعی مشارکت اقلیت را افزایش داد اما به طور غیرمنتظره‌ای ایمنی روانی آن‌ها را کاهش داد. این پژوهش شواهد تجربی درباره تأثیر پیاده‌سازی‌های مختلف هوش مصنوعی بر پویایی‌های گروه ارائه می‌دهد، به یک پارادوکس حمایتی مهم میان مشارکت و ایمنی روانی اشاره می‌کند، پیامدهای طراحی برای سامانه‌های آینده را مطرح می‌سازد و چالش‌های اخلاقی در اجرای ارتباط میانجی‌گری‌شده توسط هوش مصنوعی در محیط‌های سلسله‌مراتبی را برجسته می‌کند. این یافته‌ها به درک بهتر طراحی حمایت‌های عادلانه‌تر مبتنی بر هوش مصنوعی برای تصمیم‌گیری گروهی با عدم توازن قدرت کمک می‌کند.