AIEd-vidensbaseAIEd KB
På denne side

Læs denne side på engelsk

Begreber

Agentbaseret AI

Oprettet 2026-10-27 · Opdateret 2026-10-27

Automatisk maskinoversættelse af denne engelske side, der endnu ikke er blevet gennemgået af en modersmålstalere.

Agentbaseret AI i uddannelse: AI-systemer, der autonomt planlægger, udfører og tilpasser flertrinsarbejdsgange for at nå læringsmål, og som går ud over enkeltstående spørgsmål og svar til at fungere som vedvarende, målorienterede samarbejdspartnere: AI-vejledere, der stilladserer over længerevarende interaktioner, multiagentsystemer, der orkestrerer undervisningsdesigns, og agenter, der samregulerer læring. Dette paradigmeskift fra et promptbesvarende værktøj til en aktiv samarbejdspartner rummer både løfter og risici: agentbaseret AI kan personalisere og uddybe læring, men den truer også handlingsrummet, den kognitive indsats og kontrollen. Vidensbasens scoping review, værktøjsinvariante ramme og pædagogiske best practice-artikler undersøger denne spænding.

Spørgsmål at overveje

  • Agentbaseret AI besvarer ikke bare spørgsmål, den planlægger, udfører og tilpasser flertrinsarbejdsgange mod et mål og fungerer som en vedvarende samarbejdspartner. Hvordan er det at lære med en proaktiv agent forskelligt fra at lære med et værktøj, du selv skal prompte?
  • Feltet drager en grænse mellem "konverserende" og "agentbaseret" AI (et system tæller kun, hvis det opfylder flere kriterier som planlægning, hukommelse, autonomi og målorienteret handling). Hvor går den grænse i praksis, og skjuler det mere, end det afslører, at kalde enhver chatbot "agentbaseret"?
  • Jo mere en agent automatiserer, jo mindre kognitivt arbejde udfører eleven. Hvor går grænsen mellem en AI, der stilladserer din læring, og en, der lærer i dit sted?
  • En scoping review fandt, at kun 29 % af studierne om agentbaseret AI forankrede deres systemer i uddannelsesteori. Hvis de fleste systemer ikke er teoribaserede, hvad bør så gøre dig skeptisk, når du vurderer en "intelligent" vejledningsagent?
  • Multiagentsystemer orkestrerer specialiserede agenter med forskellige roller. Når flere agenter arbejder sammen i et klasseværelse, hvem er så ansvarlig, og hvor bør et menneske gribe ind?
  • Feltets centrale spænding er personalisering versus elevens handlingsrum og kognitive indsats. Hvis en vejleder bliver så god til at tilpasse sig, at du aldrig behøver at kæmpe, hvilken læring får du så egentlig?
  • Hvor på spektret fra copilot til autopilot bør en given opgave ligge, og tjener det nogensinde læringen snarere end blot effektiviteten at flytte en opgave fra "agenten foreslår, eleven bestemmer" til "agenten ejer den"?
  • Hybride agenter forankret i etableret designteori klarede sig bedre end ren prompting. Hvorfor kan et teoretisk forankret system slå rå promptkonstruktion, og hvad siger det om, hvordan en agents "smarthed" måles?

Introduktion

Agentbaseret AI betegner kunstig intelligens-systemer, der autonomt kan planlægge, udføre og tilpasse flertrinsarbejdsgange for at nå læringsmål, og som i uddannelseskontekster går ud over enkeltstående spørgsmål-svar til at fungere som vedvarende, målorienterede samarbejdspartnere. I uddannelse viser agentbaseret AI sig som AI-vejledere, der stilladserer læring over længerevarende interaktioner, multiagentsystemer, der orkestrerer komplekse undervisningsdesigns, og autonome agenter, der tilpasser deres pædagogiske strategier efter elevens behov. Dette nye paradigme flytter AI fra et værktøj, der reagerer på prompts, til en samarbejdspartner, der aktivt guider, tilpasser og samregulerer læringsprocesser.

  • At adskille specifikation fra udførelse er det, der gør en agentbaseret pipeline pålidelig. DagFlow-AI lader LLM-agenter definere hver komponent i en datagenererende mekanisme (variable, en rettet acyklisk graf, fordelinger og modellformler), mens et program sampler observationerne, og et valideringsscript kontrollerer hver agentoutput (Arthur et al., 2026). Ingen agent genererer data eller skriver genereringskoden, hvilket forfatterne præsenterer som svaret på uunderbygget output og instruktionsdrift.

At definere og klassificere agentbaseret AI

Kostopoulos et al. (2025) leverer en operationel definition, som feltet ellers mangler. De foreslår en tjekliste med seks kriterier: et system tæller som agentbaseret, hvis det opfylder mindst fire: autonomi (handling uafhængigt af løbende menneskelig indgriben), ræsonnering og planlægning, hukommelse og kontekstbevidsthed, målorienteret handling mod læringsudfald, tilpasningsevne og dynamisk samarbejde og initiativ. Tærsklen på mindst fire udelukker bevidst reaktive chatbots (en statisk FAQ-bot uden planlægning eller persistens kvalificerer ikke), samtidig med at den rummer forskelligartede arkitekturer. De organiserer også rummet langs tre akser: pædagogisk rolle (vejleder, læringscoach eller mentor, ledsager, underviserens assistent, kurrikulumplanlægger), autonominiveau (reaktiv, adaptiv, proaktiv, samarbejdende) og embodiment (tekstbaseret, avatar eller grafisk, legemliggjort eller robotbaseret). Denne taksonomi, især autonomispektret og tjeklistens udelukkelse af reaktive værktøjer, giver forskere og designere et fælles ordforråd til at klassificere agentbaserede systemer og skelne genuint agentbaseret AI fra blot konverserende AI.

En gennemarbejdet diskriminator gør grænsen konkret. En statisk FAQ-chatbot, der kun kan besvare et fast sæt spørgsmål, opfylder nul kriterier (ingen planlægning, ingen persistens, ingen initiativ) og er tydeligt ikke agentbaseret. En konverserende vejleder, der husker den aktuelle session, men aldrig handler uden at blive promptet, ikke har nogen elevmodel på tværs af sessioner og ikke kan sætte delmål, opfylder måske kun et eller to kriterier (hukommelse, en vis ræsonnering) og er konverserende, ikke agentbaseret. Derimod opfylder en vejleder, der planlægger flerstrengede lektioner, gemmer elevens fremskridt i en vedvarende profil, proaktivt sender et hint, når en elev går i stå, og genplanlægger næste skridt ud fra den profil, planlægning, hukommelse, autonomi og målorienteret interaktion, altså mindst fire kriterier, og kvalificerer sig dermed som agentbaseret. Værdien af at køre denne test er ikke pedanteri: at kalde enhver LLM-chatgrænseflade "agentbaseret" slører netop det designspørgsmål, der afgør, om systemet stilladserer eller fortrænger læring, nemlig hvad systemet tager initiativ til, versus hvad eleven selv skal tage initiativ til.

Afgrænset handlingsrum som uddannelsesdesignmæssig holdning. Ilieva et al.s (2026) AGAI-HE-ramme accepterer den kapabilitetsliste, som definitioner som tjeklisten med seks kriterier beskriver, og begrænser den derefter bevidst: mål, roller, datakilder, værktøjer, kontrolpunkter, stopbetingelser og endelige beslutninger defineres eller godkendes af undervisere, og hver agentbaseret funktion skal kunne føres tilbage til et læringskrav, et evalueringsformål eller en styringskontrol. Rammen drager også en grænse mellem agentbaseret orkestrering og avanceret promptkonstruktion: en agentbaseret arbejdsgang bevarer opgavetilstand, fordeler funktioner, kontrollerer færdiggørelsesbetingelser, vender tilbage til tidligere faser, når evidensen er utilstrækkelig, og registrerer væsentlige beslutninger. Bemærkelsesværdigt fandt dens eksplorative perceptionsstudie med 130 studerende i højere uddannelse ingen signifikant forskel mellem agentstøttet og chatbotstøttet læring, hvilket forfatterne læser som evidens for, at agentbaseret kapabilitet ikke i sig selv giver en oplevet pædagogisk fordel (menneskelig overvågning).

Feltet: hurtig vækst og nuværende form

Vidensbasens scoping review, den mest omfattende syntese af feltet til dato, som kortlægger 474 studier (2020-2026), dokumenterer et felt, der er eksploderet siden 2025, men hvis litteratur stadig domineres af konferenceartikler koncentreret om højere uddannelse, STEM-fag og tekstbaserede vejledningsscenarier. Reviewet analyserer publikationskarakteristika, studiedesigns, agentroller, AI-modeller og arkitekturer, seks dimensioner af agentbaseret kapabilitet og omfanget af uddannelsesteoretisk integration og giver dermed et kort over feltets fronter og huller. Bemærkelsesværdigt var kun 29 % af de gennemgåede studier (138 af 474) eksplicit forankret i uddannelsesteori, hvilket blotlægger et fagligt skel mellem teknisk orienteret og pædagogisk orienteret arbejde.

Et rollebaseret kort over feltet

Hvor scoping reviewet med 474 studier og Kostopoulos et al.s begrebslige oversigt kortlægger forskningens bredde og kapabilitet, organiserer Baradziej (2026) agentbaseret AI efter den rolle, den spiller, en institutionel indramning til at beslutte, hvor disse systemer skal udrulles og styres. På tværs af 48 studier fra højere uddannelse fremtræder seks roller i rækkefølge efter evidensvægt: personaliseret læring og adaptiv vejledning (18 af 48), automatiseret evaluering og feedback (12), undervisningsassistance og -forstærkning (11), administration og elevstøtte (8), kurrikulumdesign og arbejdsmarkedsrelevant tilpasning (5) og forskningsstøtte og akademisk drift (4). Rolleglasset fremhæver et designvalg, der går igen i enhver udrulning: hvor meget kontrol fra øjeblik til øjeblik mennesket beholder (en "copilot"-relation), versus hvor meget agenten ejer (en "autopilot"-relation), den autonomiakse, der afgør, om en agent stilladserer læring eller fortrænger den.

Design og evaluering af agentbaserede systemer

Forskning i vidensbasen spænder over design og evaluering:

  • Hybride agenter forankret i teori slår ren prompting: ISD-Agent-Bench, et benchmark med 25.795 undervisningsdesignscenarier, finder, at den bedst præsterende tilgang integrerer klassiske ISD-rammer (ADDIE, Dick & Carey, Rapid Prototyping) med moderne ReAct-lignende ræsonnering: hybrid (teori plus teknik) slår ren teori, som slår kun teknik. At forankre Large Language Models (LLMs)-agenter i etableret uddannelsesdesignteori giver en strukturel fordel, som rå prompting ikke kan replikere.
  • Evalueringsrammer for agentbaserede værktøjer: Den værktøjsinvariante ramme foreslår at undervise i og evaluere beregningsmæssige metoder på en måde, der ikke afhænger af et bestemt AI-værktøj, med vægt på grundprincipper i datategning, autentisk evaluering via mundtligt forsvar og verifikation, hvilket er relevant for bekymringerne om overafhængighed.
  • En skaleringsramme for rapportering og styring: rammen Autonomi-Overvågning-Evidence (AOE). Dey (2026) argumenterer for, at termen agentbaseret AI anvendes så inkonsistent, at evidens og overvågning ikke kan sammenlignes på tværs af studier: systemer, der planlægger, husker, bruger værktøjer eller koordinerer flere agenter, klumpes sammen med statiske GenAI-grænseflader og konventionelle pædagogiske agenter. Hans kritiske integrative gennemgang af femten peer-reviewede reviews finder, at evidensen er stærkest for udfald på artefaktniveau (feedbacknøjagtighed, reduktion af hallucinationer) og svagest for varig læring, ligestilling, arbejdsbyrde eller institutionelle udfald, hvor autentiske udrulninger typisk er korte, enkeltstående og svagt knyttet til overvågning. Løsningen er en konkret rapporteringstriplet: autonominiveau A0-A4 (reaktiv generering, afgrænset orkestrering, delegeret opgaveautonomi, arbejdsgangsautonomi, konsekvensrig autonomi over bedømmelse, optagelse og studiefremdrift), overvågningsniveau O0-O4 (uspecificeret, retrospektiv revision, godkendelse før brug, kontrolpunktsstyring, løbende afgrænset supervision) og evidensmodenhedstrin M0-M5 (koncept, prototype eller benchmark, deltagerevaluering, autentisk udrulning, udvidet eller flerstedlig, replikeret eller institutionsskala), plus en proportionalitetsregel: tilladelig autonomi bør ikke overhale hverken evidensmodenhed eller overvågningsstyrke (fx kræver et A4-system med konsekvenser M4-M5-evidens, juridisk validering og O4 med menneskelig endelig myndighed). At rapportere A2-O3-M3 gør vage "agentbaserede udrulnings"-påstande til sammenlignelige, testbare specifikationer og giver institutioner en grammatik for trinvis adoption, logning og tilbagerulning, det evidensmæssige komplement til copilot-til-autopilot-spektret ovenfor.
  • Adversarielt robusthedstest: Multiagent-stresstest koordinerer Interrogator-, Target- og Judge-agenter for at afdække fejltilstande, der er usynlige ved test med én strategi, og reducerer robusthedsscorerne med 0,17-0,20 point; afgørende for personakonsistens og sikker udrulning med elever.
  • Domæneanvendelser: agentbaserede systemer optræder på tværs af domæner, herunder adaptive læringsagenter, pædagogiske LLM-agenter, guidende LLM-stilladsning, spilificerede cybersikkerhedslæringsagenter og kliniske simuleringsagenter.
  • Webagenter som evaluatorer af læringsoplevelser: en enkelt autonom "beskrivende" webagent, der navigerer en online lektion som en elev, Wang, Mitchell & Piech (2025), producerer en beskrivelse, der er rig nok til at forudsige elevfravalg og give designeren handlingsrettet feedback, før rigtige elever kommer i gang, og som overgår både en fuld simuleret kohorte og alle baselines på et globalt CS1-kursus. Det placerer agentbaseret evaluering (en agent som stand-in-kritiker af en læringsoplevelse) som en særskilt og billig anvendelse af agentbaseret AI side om side med agenter, der underviser eller designer.

Multiagentsystemer

En voksende og særskilt gren af agentbaseret AI omfatter multiagentsystemer, der orkestrerer flere specialiserede agenter med forskellige roller. Vidensbasen dokumenterer flere arkitekturer: CODE-GEN: A Human-in-the-Loop RAG-Based Agentic AI System for Multiple-Choice Question Generation parrer en generatoragent med en validatoragent til spørgsmålsgenerering med menneske i loopet; adversariel test koordinerer Interrogator-, Target- og Judge-agenter; multiagentklasseværelser (fx MAIC med arketyperne lærer, undervisningsassistent og klassekammerat) skaber varierede peer-læringsdynamikker; og multiagent-social læring undersøger, hvordan interagerende agenter former læring. Multiagentdesign rejser særskilte spørgsmål om menneskelig overvågning (hvilken agent er ansvarlig, og hvor griber et menneske ind?), koordineringsomkostninger og hvordan rolleforskellighed understøtter eller komplicerer stilladsning.

To systemer fra 2026 skærper, hvad rollespecialisering køber, og hvor den holder op med at betale sig. MeduAI-SP (Yang et al., 2026) deler undervisning i klinisk samtale mellem fire LLM-agenter (en patientagent, en sokratisk vejlederagent, en evaluator på tur-niveau og en endelig evaluator), som hver varetager en særskilt undervisningsfunktion. Arkitekturen tilbageholder svar efter design: vejlederen blev forhindret i at afsløre diagnosen eller case-svarene, og den endelige evaluators OSCE-score forblev skjult under den live samtale. Det er rollespecialiseringen, snarere end rå modelkapabilitet, som forsøget tilskriver den forbedrede konsultationsadfærd (71,8 % mod 55,6 % ved den afsluttende eksamination), hvilket giver en konkret skabelon for pædagogisk afstemt multiagentdesign. Et andet studie peger på grænserne for mønstret: i et etikdiskussionssystem med 45 studerende i 15 grupper (Seo et al., 2026) gav tre LLM-personaer, der legemliggjorde omsorgsetik, deontologisk etik og pragmatisk etik, ingen signifikante forskelle indbyrdes, og alle blev vurderet lavere end menneskelige peer-deltagere på bidrag, diversitet og indflydelse (alle Kruskal-Wallis p < .001). Forfatterne tilskriver gabet smigrende enighed (agenterne accepterede næsten ethvert bidrag, medmindre det var helt forkert) og mangel på synlig ræsonnering, og argumenterer for, at opgavefokuseret agentdesign skal parre procestransparens med beskyttelsesforanstaltninger (indramning som fejlbarlig peer, en særskilt spørgefase) for at undgå overafhængighed.

Et skridt ud over orkestrering af nogle få specialiserede agenter er det fulde agentbaserede multiagent-økosystem, som Sudarshan et al. (2026) foreslår: en institutionsdækkende platform, der koordinerer lærings-, undervisnings- og administrationsagenter gennem tværgående feedbackloops og distribueret intelligens. Dens særpræg er at behandle inklusion som en arkitektonisk førsteklassesbekymring: at koordinere tilgængeligheds-, kognitiv støtte- og trivselsagenter, så elever med særlige uddannelsesbehov støttes på tværs af kognitive, sensoriske og emotionelle dimensioner i realtid, i stedet for at blive betjent af et isoleret hjælpeværktøj. Artiklen placerer dette inde i en menneske-AI-samudviklingsloop (menneskelig adfærd og beslutninger former AI-tilpasning, som igen forstærker menneskelig formåen), der holder mennesker i loopet.

  • Deltagerspecifikke LLM-agenter til kollaborativ problemløsning. Fang (2026) finjusterer individuelle LLM-agenter på rigtige deltageres dialogdata for at repræsentere hver deltager i simuleringer af kollaborativ problemløsning, med probabilistisk taler- og temakodningsvalg samt glidende vindue og opsummeret hukommelse. Valideret med Epistemic Network Analysis er de simulerede dialoger statistisk udelelige fra rigtige (ENA-afstand 0,17, permutations-p = 0,65), en demonstration af agentbaseret AI, der genskaber autentisk kollaborativ diskurs.
  • Socialt intelligent multiagent-vejledning. Prototyper til socialt intelligent multiagent-vejledning som ASTRA undersøger, hvordan elever koordinerer med AI i dyader, ved hjælp af differentierede vejleder- og facilitatoragenter til at fremme koordinering og afbalanceret deltagelse. Rammens sporbaserede evaluering muliggør reproducerbar analyse af interaktion, deltagelsesbalance og verifikation i introducerende programmering.

Den centrale spænding: automatisering vs. læring

Arbejdet om pædagogisk best practice formulerer feltets definerende spænding: når uddannelses-AI skifter fra passive chatbots til proaktive agenter, der tager initiativ og forfølger mål, forbedres personaliseringen, men elevens handlingsrum og kognitive indsats er i fare. Jo mere en agent automatiserer, jo mindre kognitivt arbejde udfører eleven. Designsvaret (bevidst friktion, dynamisk stilladsning, menneske-i-loopet-overvågning og gennemtænkt AI-anvendelse) fungerer som en principbaseret beskyttelsesforanstaltning. Det forbinder til Desirable Difficulties, Sociocultural Learning og risikoen for overafhængighed samt til det bredere tema at bevare handlingsrummet i AI-formidlet læring.

Et empirisk tjek kommer fra en praksisrapport om Spec-Driven Development på et software-PBL-kursus (Tanaka et al. 2026): studerende, der brugte AI-agenter på tværs af udviklingsfaser, genererede mere kode, men viste dyk i kodeforståelse, som først blev genoprettet efter en-til-en-interviews med underviseren, hvilket er konkret feltbevis for spændingen mellem automatisering og læring og for menneske-i-loopet-monitorering som afhjælpning.

Survey-litteraturen omsætter disse principper til målbare designGuardrails snarere end vage intentioner. Om stilladsning anbefaler Kostopoulos et al. (2025) nedtrapningsprotokoller (gradvist at reducere hintfrekvensen efter hvert vellykket forsøg) og at sigte mod et hjælpsøgningsforhold (AI-initierede hints divideret med elevens samlede handlinger) under 0,3, så agenten ikke er den, der driver det meste af interaktionen. De parrer det med reflekterende kontrolpunkter (fx at bede eleven forklare sin ræsonnering, før agenten tilbyder næste fingerpeg) og adaptive nedtrapningskurver, hvis interventionssandsynlighed falder, i takt med at færdigheden stiger. Om gennemsigtighed bør agenter fremvise en "hvorfor dette forslag?"-begrundelse og føre tidsstemplede sporbarhedslogge over beslutninger (agentbegrundelse, datakilder, beslutninger), der er tilgængelige for undervisningsrevision. Om retfærdighed anbefaler de test for forskellige virkninger på mindst tre demografiske grupper (fx køn, sprog, geografi) før udrulning og at inddrage forskellige lærere i designet. Disse målinger giver en underviser eller designer et revisionsgreb: i stedet for at spørge "er agenten for hjælpsom?", mål om hintene trappes ned, om eleven tager initiativ, og om agentens ræsonnering kan inspiceres.

Et supplerende ordforråd til autonomispørgsmålet kommer fra luftfartsanalogien, som Baradziejs (2026) syntese fremdrager: hvor langt en udrulning ligger på spektret fra copilot til autopilot, fra en agent, der assisterer et menneske, som beholder kontrollen fra øjeblik til øjeblik, til en agent, der ejer hele opgaven, mens mennesket kun superviserer. Det samme underliggende system kan konfigureres mod hver ende, og valget er pædagogisk, før det er teknisk. Copilot-konfigurationer (agenten foreslår, eleven bestemmer, mennesket har sidste ord) bevarer handlingsrummet og understøtter de krævende processer, der opbygger læring; autopilot-konfigurationer maksimerer opgavefærdiggørelse og effektivitet, men flytter den kognitive byrde væk fra eleven. At vælge en position på dette spektrum, per opgave og ikke én gang globalt, er en konkret måde at operationalisere feltets princip om "bevidst friktion".

Positive implikationer af AI-agenter for uddannelse

Når de designes godt, giver agentbaseret AI betydelige fordele:

  • Dyb, mere adaptiv personalisering. Vedvarende agenter kan opretholde en læringssamtale over mange ture, spore hvad eleven ved, tilpasse sværhedsgraden og sekvensere flertrins-stilladsning, hvilket går ud over de enkeltstående svar fra tidligere chatbots. Det understøtter adaptiv og personaliseret læring i skala. I Baradziejs (2026) syntese rapporterer den stærkeste evidens for denne rolle akademiske gevinster på 15-25 % og stigninger i engagement på op til +40 %, med særligt potentiale for elever, som historisk er blevet dårligt betjent af standardløsninger (førstegenerationsstuderende, læringsforskelle, andetsprogselever).
  • At lette rutinemæssigt undervisningsarbejde. Agenter kan planlægge lektioner, generere og validere spørgsmål, udkaste feedback og orkestrere specialiserede underagenter (fx generator plus validator til spørgsmålsoprettelse), hvilket frigør lærere til interaktion med højere værdi. Det er løftet i multiagent-arbejdsgange rettet mod lærere. Evalueringsagenter rapporterer især 90-95 % enighed med menneskelige bedømmere og 50-70 % reduktion i bedømmelsestid, selv om den samme evidens påpeger bias og den metakognitive omkostning ved øjeblikkelig, ureflekteret feedback.
  • Rig og varieret interaktion. Multiagentklasseværelser og simulerede peers skaber interaktionsdynamikker (peer-lignende diskurs, konstruktiv uenighed, rollespil), som enkeltagentsystemer ikke kan, og understøtter samarbejdslæring, sokratisk udforskning og simulering.
  • Produktiv friktion. Agenter designet til at udfordre snarere end at give efter kan skubbe elever mod dybere overvejelse. Forskning i adversarielle designagenter viser, at agenter for konstruktiv konflikt fremkaldte signifikant flere designiterationer, bredere udforskning og højere vurderede endelige designs (N=48); en form for ønskværdig vanskelighed.
  • Skalerbar øvelse og simulering. Agentbaserede simuleringer (simulerede elever, kliniske scenarier) lader elever øve sig i risikofattige miljøer før anvendelse i den virkelige verden, som i klinisk simulering og simulerede elever.
  • Evidensbevidst stilladsning. Velgrundede agenter kan anvende læringsteori og kendt pædagogik i deres interaktioner, og benchmarks viser, at teoriforankrede agenter slår rå prompting.

En smallere, underviserbygget klasse af agenter får et særskilt argument i El Khoury og Mas tredjerumsforslag: specialbyggede GPT'er, Gems og Copilot Studio-agenter designet af undervisere til et bestemt pædagogisk formål og eksplicit ikke autonome systemer. Deres påståede værdi er som prøverum med lav indsats (en simulator til mundtlig eksamination, en simulering af klinisk kommunikation, en ESL-udtaleavatar), hvor elever øver sig før bedømmelse, mens underviserens evaluerende rolle forbliver intakt, med agenten uden for de sociale hierarkier, elever navigerer i med peers og undervisere. To grænser er værd at bemærke: forfatterne udelukker agentbaseret bedømmelse fra rammen efter design, og de argumenterer for, at evaluering må forblive relationel: underviserrollen kan ikke erstattes af en maskine, men den kan udvides og gøres mere bæredygtig gennem omhyggeligt design.

Negative implikationer og risici ved AI-agenter for uddannelse

Den samme autonomi, der muliggør disse fordele, skaber også betydelige risici:

  • Erosion af elevens handlingsrum og kognitive indsats. Jo mere en agent automatiserer, jo mindre kognitivt arbejde udfører eleven. Proaktive agenter, der tager initiativ, planlægger og færdiggør opgaver, kan efterlade elever som passive modtagere og udhule de krævende processer (at skrive udkast, genkalde, revidere), der opbygger varig læring. Det er kernebekymringen om overafhængighed og handlingsrum. Effekten er målbar: i Baradziejs (2026) syntese præsterede passive elever i agentbaserede vejledningsmiljøer 8,7 % dårligere end studerende i aktiv læring, hvilket er evidens for, at skaden følger udrulningsdesignet (at lade agenten udføre det kognitive arbejde) mere end teknologien selv.
  • Overautomatisering af læringsprocessen. Hvis en agent optimerer for opgavefærdiggørelse frem for læring, kan den producere "svar", der omgår forståelse, netop den risiko som den værktøjsinvariante ramme advarer om, hvor artefaktet ikke længere attesterer eleven.
  • Reduceret metakognitivt og selvreguleret engagement. Når agenter håndterer planlægning og monitorering, udvikler eleverne måske ikke den metakognition og selvregulering, som uddannelse sigter mod at opbygge. Agenter skal designes til at fremkalde, ikke erstatte, disse processer.
  • Fejlplaceret tillid og verifikationsgab. Autonome agenter kan producere plausibelt, men uvalideret output; elever og lærere kan få for høj tillid til det. Behovet for robust verifikation og AI-kompetence vokser, i takt med at agenter overtager mere autonomi.
  • Uigennemsigtighed, koordinering og ansvarlighed. Multiagentsystemer komplicerer menneskelig overvågning: hvilken agent er ansvarlig for en fejl, og hvor griber et menneske ind? Koordineringsfejl, personadrift og emergente adfærdsmønstre kan underminere pålidelighed og pædagogisk sikkerhed.
  • Bias og ligestilling. Agenter trænet på data, der koder bias, kan reproducere den i skala, og ulige adgang til kapable agentbaserede systemer kan udvide uddannelsesmæssig ulighed. Bias virker på flere niveauer (træningsdata, arkitektur, evalueringskriterier og testpopulationer), så den kræver institutionel afhjælpning (biasrevisioner, forskelligartede datasæt, gennemsigtig dokumentation, inddragelse af interessenter), ikke engangstjek. En mere subtil, kulturelt specifik form er epistemisk hegemoni: fordi de fleste agentbaserede systemer er trænet på engelsksprogede, vestligt producerede data, indlejrer de bestemte antagelser om viden, argumentation og akademisk register. Syntesevidens dokumenterer sprogundervisningsværktøjer, der marginaliserer ikke-vestlige retoriske traditioner og straffer sproglige træk fra ikke-engelske akademiske kulturer, og analyser af det globale syd viser agentbaserede pædagogikker, der reproducerer ulighed, når de ignorerer epistemologisk diversitet og infrastrukturmæssige begrænsninger.
  • Evalueringsintegritet og færdighedsforfald. Når agenter kan generere arbejde på kommando, bliver det sværere at evaluere genuin læring, og overafhængighed kan erodere grundlæggende færdigheder; det "forståelsesgælds"- og certificeringsproblem, som feltet påpeger.
  • Spøgelseselever og verifikationsgabet. Bozkurt, Crompton & Fell Kurban (2026) beskriver "spøgelseseleven": en digital stedfortræder skabt ved at koble LLM'er ("sindet") med agentbaserede AI-browsere ("kroppen"), som kan navigere i Learning Management Systems, engagere sig i indhold og færdiggøre evalueringer med menneskelignende efterligning, hvilket gør den faktiske elevs tilstedeværelse valgfri. Det skaber et verifikationsgab, som traditionelle værktøjer til overvågning og detektion strukturelt er ude af stand til at lukke, og det akkumulerer kognitiv gæld hos den elev, der omgås. I takt med at AI skifter fra generativ til agentbaseret, vokser denne integritets- og verifikationstrussel; en agentbaseret specifik risiko ud over dem, der følger af enkeltstående GenAI.

AI-agenter og akademisk integritet

Agentbaseret AI udgør særskilte integritetstrusler, der går ud over de enkeltstående GenAI-tilfælde, som feltet allerede kæmper med. Fordi agenter handler autonomt over lange horisonter, og fordi "spøgelseselever" (LLM-"sind" koblet med agentbaserede browser-"kroppe") kan navigere i Learning Management Systems, engagere sig i indhold og færdiggøre evalueringer med menneskelignende efterligning, gør de elevens genuine tilstedeværelse valgfri og skaber et verifikationsgab, som overvågning og detektion ikke kan lukke. Flere integritetsmæssige konsekvenser følger:

  • Artefaktet attesterer ikke længere eleven. Når en agent kan generere, planlægge og udføre en hel aflevering, afspejler produktets kvalitet agentens kapabilitet, ikke elevens. Det er den værktøjsinvariante certificeringsproblem i sin ekstreme form; den traditionelle "aflevér arbejdet"-evaluering mister sin evidensværdi.
  • Verifikation, ikke detektion, er det eneste gangbare svar. Detektionsbaseret politiarbejde er strukturelt ude af stand til at følge med autonome agenter. Integritetsspørgsmålet flytter sig fra "kan vi fange AI-agenter?" til "kan vi verificere, hvad eleven faktisk kan?", hvilket favoriserer procesbaseret, interaktiv og menneske-i-loopet-verifikation.
  • Agentbaseret færdiggørelse af vurderet kursusarbejde er nu demonstreret, og det er en validitetsfejl, ikke blot en integritetsfejl. Hadjisolomou & El-Haddad (2026) dokumenterede agenter (Claude for Chrome, Perplexity Comet, Claude Opus), der loggede ind på et aktivt bachelor-LMS-kursus og færdiggjorde rigtigt vurderet arbejde ud fra en enkelt instruktion: en quiz med 10 spørgsmål blev scoret 10/10 på under 5 minutter, og et opslag på et diskussionsforum, hvor agenten fabrikerede en troværdig personlig livshistorie efter at have udvundet data fra peers' opslag. Ved at anvende Kanes argumentbaserede validitetsramme placerer de en "antagelse om menneskelig produktion" i bunden af scoreinferensen: agentbaseret færdiggørelse fjerner dens underbygning, så enhver uovervåget asynkron score, også ærligt opnåede, mister fortolkningsmæssig støtte, fordi forfatterskabet ikke kan verificeres. At indramme problemet som validitet snarere end integritet betyder noget, fordi en institution kan straffe forseelser og stadig mangle grundlag for de scorer, den rapporterer, og fordi de samme artefakter indgår i programreview- og akkrediteringskæder. Deres afhjælpning, i tråd med denne sides "verifikation frem for detektion", er evalueringsredesign for verificeret menneskelig tilstedeværelse (tilstedeværelse frem for produkt, integration frem for isolation, autenticitet frem for genericitet, øvelse med lav indsats og tilstedeværelse ved høj indsats) med en ligestillingsbevarende menu af verifikationsmuligheder.
  • Ansvarligheden er spredt. I multiagentsystemer er det uklart, hvem der er ansvarlig, når en autonom agent producerer problematisk output: eleven, systemet eller institutionen. Det slører den tilskrivning, som akademiske integritetsprocesser forudsætter.
  • Kognitiv gæld akkumuleres i det stille. Spøgelseselever lader elever omgå de krævende processer, der opbygger forståelse, og pådrager sig kognitiv gæld, som først kommer til syne, når uafhængig præstation kræves. Integritet er dermed knyttet til genuin læring, ikke blot til regeloverholdelse.
  • Det udvider ligestillingsgabene. Elever med adgang til mere kapable agentbaserede systemer får en uforholdsmæssig fordel, og automatiseret støtte kan erodere hjælpen til dem, der har mest brug for den; en Equity-dimension af integritet.

Det forbinder diskussionen om agentbaseret AI til vidensbasens dækning af akademisk integritet, som indrammer svaret som evalueringsredesign og AI-kompetence snarere end detektion alene.

Produktiv friktion og social interaktion

Ikke al agentbaseret adfærd behøver være gnidningsfri assistance. Forskning i adversarielle designagenter viser, at agenter, der udspiller konstruktiv konflikt, fremkaldte signifikant flere designiterationer, bredere udforskning af alternativer og højere vurderede endelige designs blandt novicedesignere inden for interaktionsdesign (N=48); en dynamik med produktiv friktion, hvor konfliktagenten var frustrerende, men i sidste ende hjælpsom. Det forbinder til sokratisk udspørgen og designtænkning og illustrerer, hvordan agentbaseret AI kan understøtte dyb overvejelse frem for passiv accept.

Et studie af, hvordan agentbaseret AI når læringsudfald ad psykologiske snarere end teknologiske veje, leverer den manglende målingsvinkel. Pramod og Patil (2026) spurgte 398 erhvervsstuderende i Indien og modellerede autonomi, kompetence og tilhør side om side med interaktivitet, informationsdeling og opfattet social tilstedeværelse; autonomi var den stærkeste motivationsdriver (β = 0,504) og interaktivitet den stærkeste sociale (0,468), hvor motivation og social tilstedeværelse nærede engagement med næsten samme styrke (0,533 og 0,493), før engagement forudsagde opfattet læringsmæssig præstation (0,671). Designtimen er, at den sociale vej ikke er automatisk: en konstruktion for samarbejdsmiljø flyttede opfattet social tilstedeværelse mindre, end almindelig responsivitet og informationsdeling gjorde, så at behandle en agent som en chatgrænseflade frem for som en deltager lader det meste af den vej stå ubrugt.

Implikationer for undervisere og undervisningsdesignere

For lærere, undervisere og undervisningsdesignere ændrer agentbaseret AI både, hvad der er muligt, og hvad der skal beskyttes:

  • Omfordel indsatsen til arbejde med højere værdi. Agenter kan overtage lektionsplanlægning, spørgsmålsgenerering og -validering, feedbacktriage og ressourceudhentning. Undervisere bør behandle disse som automatiserbare stilladser, der frigør tid til det, agenter ikke kan: relationel undervisning, kontekstuel dømmekraft og design af læringsoplevelser. Multiagent-arbejdsgange rettet mod lærere er en lovende model.
  • Hold elevens kognitive arbejde helt centralt. Det centrale designspørgsmål er ikke "hvad kan agenten gøre?", men "hvad skal eleven gøre?". Undervisningsdesignere bør konfigurere agentbaserede systemer, så de stilladserer frem for at erstatte elevens planlægning, monitorering og indsats, ved hjælp af dynamisk stilladsning og bevidst friktion til at beskytte handlingsrummet og undgå overafhængighed.
  • Design for verifikation og proces, ikke kun output. Når agenter kan generere arbejde på kommando, attesterer artefaktet ikke længere læring. Undervisere bør parre agentbaserede værktøjer med procesbaseret evaluering (mundtligt forsvar, værktøjsinvariante opgaver, verifikationskontroller), så forståelse, ikke blot produktion, måles.
  • Kurater og forankr agenter i pædagogik. Benchmarkevidens viser, at teoriforankrede agenter slår rå prompting. Designere bør forankre agentadfærd i etablerede undervisningsrammer (fx gradvis frigivelse, sokratisk udspørgen, læringsteori) frem for at falde tilbage på generisk værktøjskædning.
  • Behold menneskelig overvågning og dømmekraft. Multiagent- og autonome systemer gør menneske-i-loopet-design nødvendigt: beslut, hvor et menneske griber ind, hvem der er ansvarlig, og hvordan fejl fanges. Adversariel test hjælper med at afdække fejltilstande før udrulning.
  • Opbyg underviserens AI-kompetence. Lærere og designere har brug for præcise mentale modeller af agentbaseret AI for at kunne konfigurere, monitorere og kritisere disse systemer og for at modellere ansvarlig brug for eleverne. Det forbinder til Læreres AI-kompetence og fakultetsudvikling.
  • Hold øje med ligestilling. Agentbaserede værktøjer risikerer at udvide gab, hvis adgangen er ulige, eller hvis automatisering eroderer støtten til de elever, der har mest brug for den; design med Equity for øje.
  • Rejs institutionel stilladsning, før I skalerer. Udrulningsspørgsmålet er ikke kun på designniveau, men på institutionsniveau. Baradziejs (2026) syntese kondenserer styringsevidensen i tre søjler: udvikl AI-kompetence blandt både studerende og personale; opbyg etisk infrastruktur (databeskyttelsespolitikker, rammer for algoritmisk ansvarlighed og akademisk integritet) før udrulning i stor skala; og lever kompetencebaseret underviseruddannelse, der går ud over værktøjsbekendtskab til pædagogiske rammer, som bevarer menneskeligt handlingsrum. Da kun omkring 6,5 % af underviserne i nogle nationale kontekster rapporterer direkte AI-brug, er uddannelsesgabet en bindende begrænsning for ansvarlig adoption.

Teknikker til at sikre akademisk integritet med agentbaseret AI

Fordi autonome agenter gør detektion frugtesløs, bør undervisere fokusere på teknikker, der verificerer læring og gør ærligt arbejde synligt, frem for på kontrol:

  • Foretræk verifikation frem for detektion. Erstat eller suppler "aflevér arbejdet" med interaktioner, der kræver, at eleven demonstrerer forståelse, som ikke kan outsources: mundtlige forsvar, værktøjsinvariante opgaver, problemløsning i realtid og procesbaseret evaluering. Målet er at fastslå, hvad eleven kan selvstændigt, ikke at fange en agent.
  • Brug interaktiv og trinvis evaluering. Kræv trinwise afleveringer (udkast, revisioner, refleksioner) og opfølgende konverserende kontroller, der undersøger, om eleverne forstår deres afleverede arbejde; "AI Viva"- og cognitive-stewardship-tilgangene. Spøgelseselever kan ikke opretholde en live udspørgen, de ikke selv har udført.
  • Sæt klare, formålsdrevne forventninger. Forankr integritetsforventninger i kursets formål (hvilken AI-brug der er tilladt, hvornår og hvorfor) snarere end i abstrakte regler. Klarhed i politikken, der er afstemt med pædagogikken, reducerer den tvetydighed, eleverne udnytter, og de fejlvurderinger, der dokumenteres i integritetsforskningen.
  • Gør AI-brug synlig og indberettet. Strukturerede, opgavespecifikke indberetninger af AI-brug (der kortlægger brug til kognitive faser) fremtvinger refleksion og normaliserer ærlig indberetning og flytter kulturen fra skjul til gennemsigtighed.
  • Opbyg AI-kompetence som integritetsundervisning. Lær eleverne at bruge agenter ansvarligt og at bedømme output kritisk, og indram integritet som genuin læring snarere end regelopfyldelse. Det omfatter AI-kompetence, forståelse af hvad agenter kan og ikke kan, og den læringsomkostning, der følger af at omgå indsats.
  • Behold mennesker i loopet. Oprethold menneskelig overvågning af evalueringsbeslutninger, verificér afleveringer med høj indsats interaktivt, og design agentbaserede værktøjer, så en underviser altid kan gribe ind.
  • Luk verifikationsgabet med interaktion. I fuldt online eller asynkrone kontekster, brug overvågede eller interaktive komponenter, der kræver live tilstedeværelse, og håndtér dermed spøgelseselev-truslen direkte i stedet for at antage, at detektion fanger den.

Et balanceret hovedbudskab

Agentbaseret AI er hverken et universalmiddel eller en uundgåelig skade: dens værdi afhænger af designet. Brugt til at stilladse elevens handlingsrum, forankret i pædagogik og med mennesker i loopet kan agenter personalisere og uddybe læring; brugt til at maksimere automatisering og opgavefærdiggørelse kan de erodere netop den indsats, der frembringer læring. Det tilbagevendende designprincip er intentionalitet: at beslutte eksplicit, hvad agenten gør, og hvad den bevidst overlader til eleven.

Almindelige fejlopfattelser

"Enhver chatbot, der er koblet til værktøjer, er et agentbaseret system." Skellet drages på kapabilitetsstruktur, ikke på værktøjsadgang: et system tæller kun som agentbaseret, hvis det opfylder kriterier som planlægning, hukommelse, autonomi og målorienteret handling over flere trin. Et prompt-svar-værktøj, der kan kalde en lommeregner, forbliver konverserende. Skellet betyder noget, fordi risici og evalueringsmetoder er forskellige: autonom flertrinshandling rejser fejltilstande, som en enkelt udveksling ikke gør.

"Bedre basismodeller er det, der får agentbaserede systemer til at virke i uddannelse." I det forsøg, denne side citerer, tilskrives rollespecialisering snarere end rå modelkapabilitet den forbedrede konsultationsadfærd (71,8 % mod sammenligningen). Arkitektur og arbejdsdeling mellem agenter er designbeslutninger med målbare effekter, hvilket betyder, at en stærkere model, der sænkes ned i en uspecialiseret pipeline, ikke vil reproducere resultatet.

"Agentbaserede systemer i uddannelse er pædagogisk forankrede, fordi uddannelsesforskere bygger dem." Evidensen siger det modsatte: et scoping review fandt, at kun 29 % af studierne om agentbaseret AI (138 af 474) eksplicit forankrede deres systemer i uddannelsesteori. Det faglige skel mellem teknisk og pædagogisk orienteret arbejde er feltets tilstand, ikke en enkelt forfatters forglemmelse, så en demo, der virker, er det forventede output, og en demo, der virker for læring, er minoritetstilfældet.

"En agent, der personaliserer og uddyber læring, er en nettogevinst i forhold til en chatbot." Den bærer en bestemt afvejning med sig: agentbaserede systemer truer handlingsrummet og inviterer udlicitering af den kognitive indsats, som læringen afhænger af, og ved at udføre flere trin uden opsyn gør de den udlicitering sværere at bemærke. Spændingen mellem automatisering og læring er kategorisens centrale analytiske problem snarere end et forbehold, der føjes til dens fordele.

Forbundne begreber

Forbundne artikler

Relaterede FAQ'er

Relaterede ressourcer

  • DeepTutor
    The open-source release of the DeepTutor agentic tutoring framework: one workspace for tutoring, question generation, mastery practice, research and visualization, with inspectable learner memory.

Metadata

FagområdeStem Education
NiveauHigher Ed, K 12
Tiltænkt målgruppeLearners
Læring og undervisningScaffolding
Teknologier og teknikkerGenerative AI, Human-in-the-Loop, Intelligent Tutoring, Large Language Models (LLMs)
Grundlag for AI i uddannelseLearner Agency, Agentbaseret AI, AI-kompetence, Kognitiv udlicitering
KildeHistorikRedigerChat

Indlejr denne side

Kopiér koden nedenfor for at indlejre denne side i et læringsstyringssystem eller på en anden hjemmeside. Den indlejrede version viser kun sidens indhold — den skjuler sidens header, navigation og footer.