AI-kompetence

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

AI-kompetence — den viden, de færdigheder og de kritiske dispositioner, der skal til for at forstå, vurdere og bruge AI-teknologier effektivt i uddannelseskontekster. AI-kompetence spænder over en grundlæggende forståelse af, hvordan AI fungerer, praktisk kompetence i brugen af AI-værktøjer, kritisk vurdering af AI-output og etisk bevidsthed om AI's samfundsmæssige konsekvenser.

Spørgsmål at overveje

• Hvad betyder det at være 'AI-kompetent'? Er det at kunne bruge værktøjerne, at forstå, hvordan de virker, eller at kunne vurdere deres output kritisk — og hvad betyder mest for dine egne mål?
• Selvrapporteret AI-kompetence afviger markant fra målt præstation — lærere overvurderer deres færdigheder med omkring 40 %. Hvor sikker er du på dine egne AI-færdigheder, og hvilke beviser ville du have tiltro til for reelt at teste den sikkerhed?
• AI-kompetence beskrives som en metakognitiv social praksis, ikke som en tjekliste over færdigheder. Fordi LLM'er er probabilistiske og uigennemsigtige, hvad betyder det så at 'vurdere kritisk' output, når man ikke kan se ind i modellen?
• Der er en spænding mellem kritisk-brugskompetence til akademiske sammenhænge og workflow-integreret kompetence til beskæftigelse — undervisere og arbejdsgivere værdsætter forskellige færdigheder. Hvilken form for AI-kompetence underviser din kontekst egentlig i?
• Teknisk AI-kompetencetræning alene, uden støtte til selvfølelse og selvregulering, kan faktisk øge afhængigheden af AI. Hvordan kunne det at lære at bruge AI gøre dig mere afhængig af det i stedet for mere kompetent?
• AI-kompetence er også en genkendelsesfærdighed: at opdage, hvornår en AI er enig med dig, fordi den er behageligsygende, kontra fordi du har ret. Har du nogensinde fanget en AI i bare at fortælle dig, hvad du ville høre?

Introduktion

AI-kompetence er hurtigt vokset frem som en kernekompetence for studerende, undervisere og institutioner, efterhånden som generativ AI indlejres i uddannelse. I modsætning til almindelig digital dannelse kræver AI-kompetence forståelse af probabilistiske systemer, der kan hallucinere, udvise bias og flytte Learner Agency fra menneske til maskine — hvilket gør kritisk tænkning og Overafhængighed centrale for konstruktet.

Dimensioner af AI-kompetence

Forskning i AI-kompetence i denne vidensbase spænder over fire indbyrdes forbundne dimensioner:

Rammer sporer i stigende grad, hvordan disse dimensioner udføres i praksis: Dai & Chan (2026) viser, hvordan postgraduerede forskere aktivt anvender alle fire dimensioner, når de bruger Generative AI på tværs af forskningsarbejdsprocessen, og udleder forskningsspecifikke retningslinjer for ansvarlig brug af dem, mens Şan & Orhan Karsak (2026) bruger ordforeningskortlægning til at vise, at tyrkiske bachelorstuderendes AI-kognition instrumentelt domineres af "black-box"-tænkning, med etisk-styringsmæssige begreber strukturelt isolerede (τ=−0.819) — et tegn på, at udformningen af uddannelsescertifikater bevidst må bygge bro mellem oplevelsesbaseret værktøjsbrug og etiske rammer.

Efterspørgslen afhænger af, hvad den studerende og systemet tilsammen foretager sig. Kompetencerammer beskriver sædvanligvis ét generisk sæt kompetencer, men hvad en GenAI-understøttet aktivitet faktisk kræver, varierer med, hvordan det epistemiske arbejde er fordelt inde i den. Sun, Dohn og Rehm (2026) klassificerede 102 empiriske studier fra videregående uddannelse efter Strobel m.fl.s taksonomi over GenAI-anvendelser og fandt, at Assistant- og Enabler-sammenfletninger dominerer med henholdsvis 42,16 % af korpuset, mens Generator, Reimaginator og Synthesizer tilsammen udgjorde under en femtedel — et skævvrid, de tilskriver institutionel legitimitet frem for modelkapacitet, da de samme modeller understøtter alle fem. At læse hver type gennem Dohns tre kontekstniveauer (domæneinternt, aktivitetsinternt, aktivitetsindrammende) viser, at kravene koheres for Assistant-arbejde og splittes for de marginale typer, hvor det, aktiviteten forlanger af de studerende, divergerer fra det, institutionen anerkender som legitim kompetence. Deres konklusion fjerner kompetencen helt væk fra værktøjsbehændighed: GenAI-kompetence er evnen til at genkende, hvordan epistemisk arbejde og ansvar er fordelt i en given sammenfletning, og til at handle hensigtsmæssigt inden for den.

Grundlæggende viden: At forstå, hvad LLM'er er, hvordan de adskiller sig fra regelbaserede systemer, og deres fundamentale begrænsninger. Dette omfatter bevidsthed om modellers kapaciteter, skævheder i træningsdata og sondringen mellem opgavespecifik AI og generalpurpose-modeller. Forskning i prompt-engineering undersøger, hvordan forståelsen af promptmekanismer påvirker effektiv AI-brug.

Praktisk kompetence: Evnen til at bruge AI-værktøjer effektivt — fra Prompt Engineering til fortolkning af output. Studier af studerendes GenAI-brugsmønstre viser, at adgang til værktøjer alene ikke skaber kompetence; struktureret øvelse og Scaffolding er afgørende. Vibe coding-rammen viser, hvordan K-12-lærere kan udvikle praktisk AI-kompetence gennem vejledt værktøjsskabelse. Miles, Haber-Curran og Arar (2026) argumenterer for, at denne dimension har en bestanddel, som optimeringstræning går glip af: prompt-kompetence, til forskel fra prompt-engineering, behandler prompting som en retorisk og etisk handling, så undervisning, der kun finjusterer output for bedre ydeevne, lader de etiske og epistemologiske dimensioner af LLM-brug urørt.

Kritisk vurdering: Evnen til at vurdere AI-output for nøjagtighed, bias og rimelighed. Forskning i kompetencevurdering viser et 40 %-gab mellem selvrapporteret og præstationsbaseret AI-kompetence — mennesker overvurderer konsekvent deres vurderingsevner. Denne divergens er det klareste tilfælde i vidensbasen af en selvrapporteringsmetode, der undlader at spore den kompetence, den benævner. Dette forbinder sig med forskning i Overafhængighed, der viser, at studerende, der stoler på AI ukritisk, lærer mindre. Nyt konceptuelt arbejde skubber vurderingen mod verifikation: PEARLS-rammen (Wang) behandler AI-output som et provisorisk videnspåstand, hvis berettigelse skal samles og undersøges på tværs af seks dimensioner (Process, Evidence, Access, Reproducibility, Legitimacy, Source), og fremmer verifikationsdrevet læring som den mekanisme, hvorved lærende opbygger ekspertise, mens de kontrollerer AI-påstande. Supplerende tilbyder den studerendecentrerede ramme for ansvarlig brug (Alsammani) ti studerenderettede retningslinjer på tværs af søjlerne Learning and Growth, Ethics and Integrity samt Awareness and Safety, der externaliserer metakognitive prompts på beslutningstidspunktet. For sekundære lærende grundlægger AI-Assisted Research Competency (AARC)-rammen (Beau, Flaquière & Lazar 2026) dette i dydsepistemologi og AI-intuition og definerer forskningskompetence som at føre undersøgelse med AI uden at opgive forfatterskab, dømmekraft, verifikation eller ansvar — operationaliseret som en analytisk rubric og en verify–cite–reflect-rutine for forpligtelse. I evaluerings-enden foreslår Saleh (2026) en human capability test, der gør vurdering til et designprincip: spørg, hvad en studerende skal demonstrere selvstændigt, hvad der kan styrkes gennem AI-udvidelse, og hvad den studerende skal verificere, forsvare og tage ansvar for.

Faglig verifikation hæver den samme bjælke yderligere. Vega-Baudrit og Rivera Alvarez (2026) argumenterer for, at den centrale AI-kompetencekrav i universitets-kemi er repræsentationsmæssig oversættelse på tværs af Johnstones makroskopiske, submikroskopiske og symbolske domæner, fordi et output kan være lokalt overbevisende i ét domæne, samtidig med at det modsiger ladningsbalance, en mekanisme eller en sikkerhedsgrænse i et andet. Deres afhjælpning er verifikationscentreret integration: gør verifikation til en vurderet aktivitet, bevar promptlogs og revisionshistorikker som ræsonneringsspor, og behandl prompting som en epistemisk handling, der specificerer begrænsninger, antagelser og tilstrækkelighedskriterier, hvor de studerende identificerer en falsk antagelse eller begrunder afvisning af et genereret svar.

Etisk og institutionel bevidsthed: At forstå AI's bredere konsekvenser — fra akademisk redelighed til ligestilling i AI-uddannelse til privatliv. AI-kompetence på institutionelt niveau omfatter politikudvikling, pædagogisk udvikling og styringsrammer — institutionel AI-kompetence er lige så meget et spørgsmål om politik som om pædagogik. EPIQ-AI-rammen rammesætter institutionel AI-kompetence som en socioteknisk tilpasningsudfordring, ikke blot individuel træning.

• AI-kompetence som styringskapacitet for bæredygtig udvikling. Islam, Morshed og Islam (2026) rekonceptualiserer AI-kompetence som en styringsorienteret kapacitet frem for en rent uddannelsesmæssig eller teknisk færdighed og forbinder den til alle sytten af FN's verdensmål for bæredygtig udvikling. Deres seks-niveau-AIRE-taksonomi (Recognize → Comprehend → Apply → Analyze → Integrate → Govern) udvider Blooms hierarki ved at tilføje etisk syntese og strategisk fremsyn og positionerer avancerede kompetencer (Analyze–Govern) som vejen fra grundlæggende kompetence til institutionel og politisk styring — en "18. verdensmål"-heuristik, der behandler kompetence som en tværgående kognitiv og etisk bro. En undersøgelse af 300 fagfolk i en national kontekst fandt stærk teknisk bevidsthed, men begrænset etisk og styringsmæssig parathed, hvor etisk ræsonnement og refleksiv tænkning var de stærkeste prædiktorer for bæredygtig, troværdig AI-brug, og styringskompetence var den stærkeste prædiktor for bevidsthed om AI–SDG-sammenhængen (β = 0,64). Dette begrunder empirisk vidensbasens vægt på kritisk-brugskompetence og binder AI-kompetence direkte til bæredygtighed og politisk integration. Udbuddet af rammer er nu blevet et problem i sig selv. Fitsilis (2026) sammenlignede 16 institutionelt anerkendte AI-kompetencerammer for uddannelse og arbejdsstyrkeudvikling og fandt en fælles kerne af ti kompetenceområder, men stor variation i struktur, progression og implementeringsvejledning — den praktiske vanskelighed er at vælge mellem dem, ikke mangel på dem.

Hvordan AI-kompetence udvikles

Forskning peger på kollaborative og aktive tilgange som de mest effektive. Rismanchian & Doroudi positionerer AI-kompetence som mere end anvendt færdighed: i deres AI×Ed-ramme er den lærende en særskilt slutbruger af AI (tilgået gennem AI-kompetence og AI-uddannelse), og de argumenterer for fornyet AI-kompetencearbejde, der opmuntrer til refleksion over læring i sig selv — behandlingen af kompetence som en vej tilbage til forskningen i "AI som analogi til menneskelig intelligens" om, hvordan mennesker lærer, en retning, feltet stort set har forladt. ICAP-rammen (Interactive → Constructive → Active → Passive) giver en nyttig taksonomi over kognitivt engagement: studerende lærer AI-kompetence bedst, når de medkonstruerer viden frem for passivt at modtage information. Designere bør vælge den tilstand, der passer til læringsmålet, og favorisere de dybere (konstruktive og interaktive) tilstande, hvor det er muligt. Praktiske aktiviteter — at designe prompts, vurdere output i grupper, debattere AI-etik — overgår forelæsninger.

Komposition starter fra leveerfaring — men begrebsdybde kræver scaffolding. Burriss m.fl. (2026) fandt, at unge forankrede abstrakte AI-etik-principper i systemer, de møder dagligt — elektroniske "hall passes", skoleregulerede laptops, plagiatdetektorer — hvor én gruppe forklarede, at AI i skoler "var personligt for alle gruppens medlemmer", og 15 af 18 svar i slutspørgeskemaet rapporterede, at videoproduktionen havde ændret deres forståelse af AI-etik. Forfatterne er eksplicitte om begrænsningen: at komponere i sig selv garanterede ikke begrebsmæssig forankring — "informed consent" blev oversat til "Vi må godkende", og nogle begreber (f.eks. "failsafe") blev aldrig forklaret, hvilket fik dem til at planlægge dybere begrebsligt arbejde i senere iterationer. Kreativ produktion udvikler AI-kompetence bedst, når eksplicit begrebslig Scaffolding ledsager det skabende frem for at antages at opstå af sig selv.

AI-intuition som den oplevelsesmæssige komplement til kompetence. Et tilbagevendende gab er, at K-12-rammer antager, at lærende nærmer sig AI gennem deklarativ, regelbaseret viden, når de i praksis først udvikler en praktisk "fornemmelse" for, hvordan AI reagerer — eksperimenterer med prompts, observerer adfærd, tilpasser strategier — før de kan artikulere formelle principper. Beau & Lazar (2026) formaliserer dette som AI-intuition: en oplevelsesbaseret, induktiv, ofte tavs forståelse, der udvikles gennem iterativ interaktion med AI-systemer og understøtter kontekstfølsom dømmekraft under usikkerhed. Deres dual-ramme placerer AI-kompetence (strukturerede, stort set statiske kompetencer) ved siden af AI-intuition (en dynamisk læringsproces) og kortlægger begge på tværs af standarddimensionerne — understand concepts, use tools, evaluate critically, apply ethically, reflect — så lærende kombinerer begrebslig klarhed og Guardrails (kompetence) med den praktiske visdom til at trust-but-verify og beslutte, hvornår man skal trække sig ud (intuition). Fordi intuition kultiverer "ekspertobservation" af AI (f.eks. stress-test af prompts for at finde, hvor en model fejler), argumenterer forfatterne for, at den er en sikring mod overafhængighed og kritisk-tænkning-erosion; den adskiller sig fra Prompt Engineering (som optimerer output) ved at fremhæve epistemisk dømmekraft. Dette forbinder kompetence med oplevelsesbaseret læring, konstruktivistisk og udviklingsmæssigt funderet klasseværelsespraksis og peger læreruddannelse mod at facilitere induktiv udforskning frem for blot at formidle begreber.

Motivation er en forudsætning, ikke blot et udfald. Liang m.fl. (2026) fandt på tværs af 2.086 sekundære studerende i et etårigt AI-curriculum, at studerende, der gik over i eller forblev i en Self-Determined motivations-profil (høj autonomi-, kompetence- og tilhørighedsbehovstilfredsstillelse), viste de største gevinster i AI-kompetence. AI-kompetence udvikles gennem vedvarende engagement, og det engagement er i sig selv formet af motivation og psykologisk behovsstøtte — så effektiv AI-kompetenceundervisning bør tilgå de studerendes motivation, ikke blot deres færdigheder.

Instruktionel vægtning og opgavens åbenhed når præstationen gennem forskellige behov. Yu, Lin og Chen (2026) randomiserede 320 bachelorstuderende til fire grupper i et 2 x 2-eksperiment på en AIGC-billedgenereringsopgave, scoret med en objektiv rubric (ICC = 0,89), og fandt, at tænkebaseret undervisning — omfattende modelbegrænsninger, kritisk vurdering og etik — klarede sig bedre end færdighedsbaseret prompting-undervisning (M = 9,21 vs. 7,69, F(1, 316) = 50,79, p < 0,001, partial eta squared = 0,138), med den største margin på åbne opgaver (10,10 vs. 8,00). Den strukturelle model viser, at de to designvalg bevæger sig ad forskellige ruter: undervisning virkede indirekte gennem autonomi (beta = 0,035) og kompetence (beta = 0,079), mens opgavens åbenhed hovedsageligt virkede gennem autonomi (beta = 0,029), kompetence var den stærkeste prædiktor for præstation (beta = 0,358), og tilhørighed havde ingen selvstændig effekt. Hvad undervisningen indeholder, betyder derfor mere end om de lærende får prompting-øvelse, og det betyder mest, når opgaven er åben.

De variabler omkring AI-kompetence er siden blevet kortlagt bredere. Et systematisk review fra 2025 af AI-kompetences korrelater syntetiserede 31 studier fra 14 lande (N = 12.071) og fandt de mest konsistente associationer i det affektive og adfærdsmæssige bånd: AI-selvfølelse, positive AI-holdninger, motivation og digital kompetence bevægede sig alle sammen med AI-kompetence, mens AI-angst og negative holdninger bevægede sig imod den. Demografiske variabler registreredes næsten ikke, hvor alder og socioøkonomisk status korrelerede svagt eller slet ikke. Reviewets advarsel handler om instrumenter: de samme studier, der producerede stærke korrelationer ud fra selvvurdering, viste også langt svagere, når AI-kompetence blev testet frem for selvrapporteret.

En strukturligningsundersøgelse af 502 fagpersoner på ét kinesisk forskningsuniversitet fandt AI-kompetence som den stærkeste prædiktor for AI-trivsel (β = 0,713), over for en lille teknologisk selvfølelse-bane (β = 0,082), hvor social og organisatorisk støtte nåede trivsel kun indirekte (Liu m.fl. (2026)).

En tilsyneladende negativ association vender under kontrol: blandt 303 bachelorstuderende i Hongkong korrelerede teknologiangst negativt med AI-kompetence (r = −0,14), men forudsagde dog β = 0,15 i en fælles model, en effekt begrænset til kritisk vurdering og etisk kompetence (Chow m.fl. (2026)).

Hu (2026) tilføjer en ordnet fremstilling af, hvad AI-kompetence forudsiger frem for hvad der forudsiger den. Med en undersøgelse af 450 universitetsstuderende på det kinesiske fastland, der allerede bruger ChatGPT, fandt studiet, at AI-kompetence var direkte relateret til fortsat brug (beta = 0,16, p = 0,002) og indirekte langs en seriel bane gennem tillid og akademisk selvfølelse (indirekte effekt = 0,07, 95 % KI [0,04, 0,10]), hvor forbindelsen mellem kompetence og tillid var den største association i modellen (beta = 0,50). AI-angst modererede det første led (interaktionsbeta = -0,25, simple hældninger faldende fra 0,76 til 0,25 på tværs af angstrækkevidden), så kæden blev tyndere for mere ængstelige studerende, og kompetenceundervisning alene bør ikke antages at nå dem. Designet er tværsnits, og stikprøven er begrænset til eksisterende brugere, så rækkefølgen er en modelleringsantagelse frem for en observeret sekvens.

Et centralt anvendt mål for AI-kompetence er at reducere AI-misbrug: at lære de studerende at bruge AI etisk og produktivt frem for at lade det erstatte deres eget kognitive arbejde. Hvor AI-kompetence opbygger kapaciteten til at vurdere og bruge AI kritisk, er reduktion af misbrug den adfærdsmæssige og strukturelle udbetaling — kombinationen af sikret værktøjsdesign, evalueringsomlægning og opdragende virkemidler som scaffoldede tænk-først/AI-bagefter-sekvenser og prompting-øvelse med bevidst Feedback. De to begreber forstærker hinanden gensidigt: AI-kompetence leverer de kritiske dispositioner, der gør misbrugsreduktionsinterventioner holdbare, mens misbrugsreduktionsbeviser (f.eks. præstation–læring-gabet) begrunder, hvorfor kompetence skal gå ud over operationel færdighed til kritisk dømmekraft.

AI-kompetence behøver også udviklingsmæssigt passende former for de yngste lærende. AI-Play oversætter AI-kompetencekompetencer til legbaserede, unplugged-aktiviteter for børn i præskole til 2. klasse — organiseret omkring AI Body (AI som et system bygget af dele), AI Food (AI lærer af eksempler), AI Brain (AI forbedres gennem mønstre og feedback) og en etisk Præ/Post-AI-linse — og imødekommer et vedvarende manglende udviklingsmæssigt funderet AI-kompetencevejledning for tidlig barndom og gør AI-kompetence tilgængelig for ikke-tekniske undervisere og familier. Supplerende fandt Vahedian Movahed & Martin (2025), at børn i alderen 6–14 bredt betroede en alderstilpasset chatbot som informationskilde, og de fleste modellerede den som "et smart computerprogram, der lærer" (vækkende machine learning-forståelse), men viste dog huller i kritisk engagement og bevidsthed om digital sikkerhed — et tegn på, at unge lærendes tillid kan overgå deres kritiske vurderingsevner, hvilket gør eksplicit tillidskalibrering og sikkerhedsundervisning til en nødvendig del af AI-kompetence for børn.

Måling holder trit med denne udviklingsmæssige drejning i den yngre ende. Thianwan og Srikoons validering fra 2025 af et AI-kompetence-selvvurderingsspørgeskema til elever i mellemskolen udviklede et 15-punkts instrument til 4.–6. klasse, organiseret omkring Learning About AI, Learning About How AI Works og Learning for Life with AI, og bekræftede en trefaktorstruktur i to stikprøver (n = 335 og n = 579) med en samlet Cronbachs alpha på ,934. Forfatterne rammesætter det som en formativ diagnostik af opfattet frem for demonstreret kompetence og bemærker, at børns selvvurderingsnøjagtighed er begrænset af metakognitiv evne, der stadig er under udvikling.

Projektbaseret læring som leveringsmekanisme. Zhu & Kong (2026) udviklede og validerede en skala for AI-projektbaseret læring (AI-PBLS) og brugte i en Hongkong-stikprøve af 1.027 sekundære og universitetsstuderende (446 med fuldstændige data) strukturligningsmodellering til at vise, at styrkelse i brugen af AI til problemløsning og AI-etisk bevidsthed samlet medierer forholdet mellem opfattet projektbaseret læring og tilfredshed med et AI-kompetencekursus. Dette positionerer PBL ikke blot som et leveringsformat, men som en mekanisme, der opbygger de lærendes selvtillid og etiske ræsonnement sammen med kompetence, hvilket styrker forbindelsen mellem PBL og meningsfuld AI-kompetenceudvikling. Det leverer også et valideret måleinstrument til fremtidig måling af AI-kompetencekursusoplevelser.

At hæve den etiske dimension af kompetence har et fortegnsproblem. Blandt 584 bachelorstuderende, der havde lært AI selv, øgede kompetence den etiske bevidsthed (β = 0,644, p < ,001), og den etiske bevidsthed øgede derefter AI-angst (β = 0,439, p < ,001) frem for at sænke den, det modsatte af den forudsagte retning (Mu m.fl. (2026)). Lektionen forfatterne drager er, at undervisning i, hvordan etiske bekymringer styres, skal ledsage den etiske dimension i sig selv, ellers kan kompetencearbejde efterlade de lærende mere ængstelige, end den fandt dem.

AI-kompetence som en central mangel i konverserende AI-rammer. Umbrella-reviewet af konverserende AI-agenter (Ganguly m.fl. 2025, 34 reviews) identificerer begrænset AI-kompetencestøtte som en stor mangel i CAI-rammer, og dets etiske brugs-roadmap gør basal vurdering (herunder styrkelse af AI-kompetence) til den første søjle sammen med parttagende design, etiske brugsretningslinjer og løbende evaluering af kognitiv indvirkning. Det finder desuden, at AI-kompetence, træning og bevidsthed rangerer blandt de mest fremhævede etiske retninger i CAI-litteraturen.(Conversational AI agents in education: an umbrella review of current utilization, challenges, and future directions)

Effektiviteten af AI-kompetenceinterventioner. En tre-niveau-metaanalyse af 59 studier (172 effektstørrelser, 7.211 deltagere) estimerer en stor samlet effekt af AI-kompetenceinterventioner (g = 0,837, p < ,001) — men med et bredt prædiktionsinterval [−0,292, 1,966], så effektiviteten varierer betydeligt på tværs af sammenhænge. Interventioner i Østasien og Europa klarede sig bedre end dem i Nordamerika, og vidensfokuserede interventioner klarede sig bedre end dem rettet mod færdigheder, holdninger eller etik. Forfatterne argumenterer for, at AI-kompetenceundervisning derfor bør bevæge sig ud over viden mod færdigheder, praksisser, etik og holdninger, understøttet af integrerede og refleksive pædagogikker (projekt- og problembaseret, undersøgelsesbaseret, oplevelsesbaseret) og GenAI-understøttede værktøjer — et skift, der stemmer overens med de parttagende, producentorienterede former for komputational tænkning, der er beskrevet andre steder i denne vidensbase.

En anden syntese når en tilsvarende størrelsesorden på et smallere grundlag og skærper måleproblemet. Yu, Kim, Chang og Huang (2026) samlede 57 effektstørrelser fra 16 studier med 3.837 K-12-elever, der blev undervist i AI i sig selv frem for undervist med AI, og estimerede Hedges' g = 0,892 (95 % KI [0,548, 1,236], p < ,001), robust over for antagne præ-post-korrelationer fra 0 til 1 og stabil efter trim-and-fill ved g = 0,952. Alle 57 effekter viste positivt (interval 0,16 til 4,93), og ingen moderator (publikationskilde, år, skoleniveau) forklarede den betydelige heterogenitet (I² = 94,68 %). Forfatternes foretrukne forklaring er måling: de inkluderede studier kaldte alt fra AI-viden og etik til holdninger, motivation, selvfølelse og karriereinteresse for "AI-kompetence", så det samlede tal beskriver en fordeling af positive fund under én løs etiket frem for én ensartet intervention. Læst sammen med Liu m.fl. er de to estimater enige om, at AI-kompetenceundervisning virker, og enige om lidt andet, hvilket i sig selv er feltets målesignal.

Klasseværelsesbeviser for bevidst korte designs er tyndere, men de peger i samme retning og tilføjer et adfærdsniveau-udfald, som spørgeskemaer ikke kan levere. Clerc m.fl. (2026) gav 116 franske elever i 8.–9. klasse et totimers workshop om, hvordan LLM'er virker og fejler, kombineret med øvelse i at forudsige, om en prompt ville give et brugbart svar, vurdere svaret og revidere eller spørge igen. To dage senere, under seks LLM-understøttede videnskabsopgaver med en kontrolgruppe, accepterede trænede elever underspecificerede prompts sjældnere (51,5 % vs. 66,7 %, OR = 0,47), stillede opfølgende spørgsmål efter et svagt svar langt hyppigere (59,2 % vs. 27,9 %, d = 0,80) og dømte svarkorrekthed mere følsomt for promptkvalitet (interaktions-OR = 2,52), med en beskeden scoredifference (11,38 vs. 10,29 af 20, p = ,040). Workshoppet øvede aldrig testopgaverne, så det, der overførtes, var en regulatorisk holdning frem for opgavekendskab — og forfatterne er eksplicitte om, at to dage ikke er holdbarhed.

AI-understøttet kritisk mediekompetence i folkeskolen. Demir og Akar (2026) giver en konkret folkeskoledemonstration af GenAI-understøttet kompetenceundervisning: et 18-timers 5E-modelprogram for fjerdeklasses-elever i Tyrkiet, hvor ChatGPT og Grammarly blev indlejret fase for fase som pædagogiske agenter (ChatGPT til refleksive spørgsmål og spørgsmål-og-svar, Grammarly og Canva AI til indholdsforfinelse, Padlet til fælles feedback), tilpasset de tyrkiske pensum i sprogfag og samfundsfag. Den AI-understøttede gruppe viste store gevinster i medielæsning (+3,50), skrivning (+1,67) og samlet mediekompetence (+5,17, alle p < ,01) med effektstørrelser mellem grupper på Cohens d = 1,12–1,31, mens kontrolgruppen kun gik beskedent frem. Kvalitativ analyse afslørede seks domæner af vækst i kritisk mediekompetence — digital selvbesskyttelse og databeskyttelse, målrettet og ansvarlig mediebrug, sikker kommunikation og grænsebevidsthed, kritisk vurdering og bevidsthed om misinformation, bevidsthed om online-risici, samt medieetik/digitalt medborgerskab — et tegn på, at udviklingsmæssigt passende, fagindlejret GenAI-brug kan opbygge de kritiske vurderings- og etiske dimensioner af AI-kompetence, ikke blot operationel færdighed.

Rammer til at strukturere AI-kompetence. Adskillige nye bidrag tilbyder strukturerede progressioner til opbygning af AI-kompetence. Marienko, Markova og Semerikov (2026) foreslår en fem-niveau-ramme (Awareness, Application, Evaluation, Creation, Ethics) integreret med tre paradigmer for AI i uddannelse (AI-directed, AI-supported, AI-empowered), udviklet gennem en blandet-metode-undersøgelse af ukrainske sekundære undervisere (national undersøgelse n = 2018; PD-evaluering n = 1130). De fandt, at 84 % af underviserne bruger AI, men kun 11 % kan identificere specialiserede tjenester ud over ChatGPT, og en professionel udviklingsintervention frembragte en 24 %-forbedring i AI-kompetence — et tegn på, at målrettet PD fremmer kompetence ud over overfladisk værktøjskendskab. Rammens forankring i konstruktivisme, konnektivisme og TPACK forbinder sig med TPACK og lærer-AI-kompetence. Supplerende brugte Moore m.fl. (2026) en toårig DBR-proces med et ungdoms- og AI-ekspertrådgivende udvalg til at designe et videnskabsintegreret ML-curriculum for gymnasieunge og fandt ML-vidensgevinster i begge kohorter (kohorte 2 M2−M1 = 0,175 vs. kohorte 1 0,076) og større gevinster blandt kvindelige og ikke-hvide deltagere — et tegn på, at parttagende, fagintegreret design kan fremme både AI-kompetence og ligestilling.

Et PRISMA-review af 39 STEAM-studier (2016–2025) fandt, at disse implementeringer hovedsageligt udvikler tekniske kompetencer — grundlæggende AI-begreber, komputational tænkning, datakompetence — mens de underudvikler etisk bevidsthed, kreativ fantasi og at skabe, håndtere og designe med AI, så fagindlejrede enheder stadig kan gå glip af de højere-ordens-elementer (Niri m.fl., 2026).

Konstruktet er netop omstridt dér, hvor underviserne er berørt. Et review af 34 studier om AI-kompetence i læreruddannelse fandt, at feltet mangler konsensus om, hvad AI-kompetence betyder for professionelle undervisere som noget adskilt fra almindelig digital dannelse, og at UNESCO's AI Competency Framework for Teachers specificerer 15 kompetencer på tværs af fem dimensioner, samtidig med at det fungerer som en global politisk reference frem for implementeringsvejledning. Fagpersonalet i det tværinstitutionelle læreruddannelseskollaboratorium behandlede AI-kompetence som en integreret dimension af professionel forberedelse frem for en særskilt teknologifærdighed, så kandidaterne forventedes at revidere, sammenligne og begrunde AI-output inden for fagligt kursusarbejde frem for at demonstrere værktøjskendskab.

Indledende læreruddannelse er dér, hvor strukturen er tyndest. Pinto m.fl. (2026) gennemgik 11 studier af AI i indledende læreruddannelse for blivende matematiklærere i folkeskolen og fandt, at ni var en enkelt session eller en håndfuld sessioner indlejret i eksisterende kurser, at prompting var eksplicit træningsindhold i kun nogle af dem, og at etik optrådte i blot tre, hvoraf ingen behandlede gennemsigtighed, algoritmisk bias eller ansvarlighed. De risici, de rapporterer, er kompetenceniveau-svigt: blivende lærere undlod at bemærke begrebsmæssige fejl produceret af ChatGPT, accepterede genereret indhold ukritisk og delegerede mere problemløsning til værktøjet, efterhånden som opgaverne blev sværere. Deres anbefaling er at opbygge AI-kompetence på tværs af hele uddannelsesforløbet, fra en forberedende fase ind i praktikken, frem for i et isoleret modul.

Underviseres beretninger om hvorfor AI-uddannelse undervises i, tilføjer et formålslag, som kompetencerammer lader implicit. Fagerlund m.fl. (2026) interviewede 13 finske lærere fra præskole til 9. klasse, stort set nybegyndere i AI-uddannelse, og læste deres formålserklæringer gennem Biestas tre domæner. Kvalifikation, tilegnelsen af kompetencer, var det klareste og mest konkrete formål, og det fungerede som en vej ind i de to andre: eleverne skulle forstå AI som et socioteknisk fænomen og bruge dets værktøjer, med AI som både mål og hjælp til læring. Socialisering optrådte som at dyrke begejstring, præsentere AI som "sejt" og indramme eleverne som fremtidige AI-kloge arbejdere, der skal opfylde kompetencekrav. Subjektivering, det selvbestemte og personligt meningsfulde engagement, som Biesta behandler som centralt, blev nævnt som vigtigt, men havde intet konkret instruktionsrepertoire ud over at diskutere og reflektere, og lærerne tilbød ingen gennemarbejdede eksempler på at udfordre AI's autoritet. Forfatterne foreslår informeret AI-agency, en heuristik, der placerer subjektivering i centrum, samtidig med at kompetencer behandles som forklarende rammer for selvbestemte valg. Designimplikationen er, at "hvorfor" i AI-uddannelse har lige så meget brug for designopmærksomhed som "hvordan": når subjektivering hviler på generisk diskussion, falder AI-kompetenceundervisning tilbage til den kvalifikation, den skulle sidde ved siden af.

Parathed i sig selv er et omstridt mål. Charles (2026) argumenterer for, at lærerparathed for AI-rig læring bør aflæses af kvaliteten af de designs, lærerne producerer, frem for af adoption, selvtillid eller digital kompetence, og opbygger en ramme omkring designmediation: observerbare beslutninger som værktøjsvalg, opgave- og promptdesign, scaffolding, verifikation, gennemsigtighed, evalueringsomlægning, tilgængelighedsplanlægning og menneskelig tilsyn. To af dens påstande har direkte konsekvenser for professionel udvikling. For det første er selvfølelse en mobiliseringsressource frem for en kvalitetsindikator, fordi selvtillid uden AI-specifik pædagogisk viden eller etisk orientering kan accelerere dårligt design frem for at forhindre det, hvilket kvalificerer den sædvanlige læsning af lærerselvtillid som et parathedssignal. For det andet er politisk klarhed og institutionel støtte adskilte moderatorer, så materiel støtte kan være høj, mens forventningerne forbliver tvetydige, og parathed stadig oversættes dårligt. Rammen nægter også at sidestille ikke-brug med uparathed, da en velovervejet beslutning om at tilbageholde AI i sig selv kan demonstrere designdømmekraft. Den er konceptuel og uvalideret, så den leverer propositioner og beviskilder frem for etablerede effekter.

AI-interaktionskompetence: den interaktionelle dimension. Brunnström og Palmqvist (2026) foreslår en snævrere, interaktionel kompetence — evnen til at styre, vurdere og lære af iterativ interaktion med GenAI — som en specifik aktualisering af de applikationsmæssige, evaluative og integrationsmæssige dimensioner i bredere rammer som AI Literacy Heptagon. Deres refleksive demonstration viser, hvad den består af i praksis: at genkende, at et flydende svar er stemt over ens eget skema, at anmode om forenkling, indsnævre rækkevidde og omdirigere systemet mod fokuseret øvelse. To designkonsekvenser følger — færdigheden er ujævnt fordelt, så uvejledt brug kan favorisere allerede selvsikre studerende og udvide huller (Equity), og den skal undervises eksplicit frem for at antages, med lærere der dækker, hvordan man formulerer produktive prompts, og hvornår man skal holde op med at bruge værktøjet (selvreguleret læring).

Kritisk AI-kompetence: ud over færdigheder til magt og modstand

En særskilt retning i vidensbasen behandler AI-kompetence ikke blot som færdigheder eller kritisk vurdering, men som en kritisk og politisk praksis, der udforsker magt, autoritet og hvis viden der tæller. Dette forbinder AI-kompetence med kritisk pædagogik og ligestilling:

• "At modstå AI" som en kompetenceholdning. Kritisk AI-kompetence (CAIL) kan omfatte at modstå AI — at afvise uundgåeligheden og techsolutionismen i den dominerende diskurs og at dyrke kollektiv agency gennem dialogiske, kollaborative pædagogikker.(Reorienting Critical AI Literacy: A Community-Rooted Praxis of “Resisting AI”) Dette positionerer uddannelse som et rum, hvor fællesskaber forestiller sig og bygger alternative fremtider, frem for blot at tilpasse sig en given teknologisk orden.
• Fællesskabsbaserede epistemologier. Fællesskabsbaseret AI-læring forankrer AI-engagement i de lærendes levede og fællesskabsbaserede måder at kende på og omfordeler AI's epistemiske autoritet gennem epistemisk finjustering, omfordeling af autoritet og situeret dømmekraft.(Community-Based AI Learning: Redistributing Artificial Intelligence's Epistemic Authority in Education)
• Kritiske og feministiske indramninger. Kritisk, feministisk forskning argumenterer for, at AI-kompetence bør indrammes inden for retfærdighedspædagogik, modstand og kulturel bæredygtighed — og spørge, hvis viden AI producerer, hvem der har gavn af det, og hvem der står til ansvar, når systemer svigter.(Can we disrupt the momentum of the AI colonization of science education?)
• Situerede curriculuminstrumenter. AI-kompetence kan opbygges gennem situerede, aktive undervisningsinstrumenter (f.eks. Episodes of Situated Learning), der udvikler AI-kompetencer på tværs af niveauer frem for gennem abstrakt instruktion.(Towards AI literacy: A proposal of a framework based on the Episodes of Situated Learning)
• Kreativ komposition som kritisk AI-kompetencepædagogik. I stedet for at behandle AI-kompetence som teknisk viden eller individuelle kompetencer skal man skabe muligheder for, at lærende komponerer budskaber om AI til rigtige publikum — et multimodalt produkt som en offentlig tjenestemeddelelse demonstrerer og formidler kritisk kompetence samtidig. I Burriss m.fl.s (2026) klasseundersøgelse valgte 22 elever i 10. klasse deres egne AI-etik-emner og lavede video-PSA'er om skoleovervågning, informeret samtykke og algoritmisk anklage; på tværs af alle syv film opstod skaden fra menneske-maskine-sammenfletning frem for et skurkagtigt værktøj, handlingerne sluttede stadig på håb og Learner Agency, og forfatterne positionerer fortælling og fortalelse — modstand mod traditionel evaluering — som centralt for kritisk AI-kompetencepædagogik, der centrerer elevernes identitet, valg og stemme.("Young Scholar[s] on the Beat": Multimodal Composition as a Form of Critical AI Literacy Pedagogy)
• Regulatorisk kompetence, ikke accept. Kim (2026) omformulerer AI-kompetence i videregående uddannelse som regulatorisk kompetence — en udøvet praksis med at verificere, revidere, selektivt overtage eller afvise AI-output under akademisk arbejde — og viser, at evaluativ kapacitet og etisk bevidsthed (ikke blot villighed til at bruge AI) forudsiger aktivt, kritisk engagement.(From AI Anxiety to Strategic Regulation: How University Students Transform Generative AI into a Strategic Learning Resource)
• At genkende behageligsygende adfærd som en kompetencefærdighed. En central evaluativ kompetence er at genkende, hvornår en AI er enig med den lærende kontra når den er korrekt. Kontekstuel behageligsygende adfærd viser, at AI-kompetence og prompting-træning reducer — men ikke eliminerer — behageligsygende spejling af brugerfejl, og behageligsygende AI foretrækkes af brugere netop fordi den får dem til at føle sig forstået. AI-kompetence må derfor lære de lærende at opdage enighed-for-enighedens-skyld og at værdsætte korrigerende friktion, hvilket forbinder sig med tillidskalibrering og reduktion af AI-misbrug.
• Værdiansættelse, ikke blot verifikation. O'Byrne (2026) fandt, at studerende, der kun kontrollerede output for nøjagtighed, troværdighed og relevans, stadig accepterede begrebsmæssigt affladet arbejde, mens dem, der også dømte nuance, tone og epistemisk stillingtagen, omskrev det — hvilket gør "hvornår man ikke skal delegere dømmekraft" til kompetencespørgsmålet.

Disse kritiske retninger supplerer de operationelle og kognitive dimensioner af AI-kompetence: hvor de sidstnævnte spørger "kan den lærende bruge og vurdere AI?", spørger kritisk AI-kompetence "forstår den lærende og udfordrer den magtstruktur, AI legemliggør?"

AI-kompetence i STEM-undervisning

Den mest udviklede faglige evidensbase for AI-kompetence kommer fra STEM-undervisning, og Hallström, Chiu, Ding, Koretsky og Li (2026) sammenfatter dens ti mest citerede studier (2022–2026) for at vise både udgangspunktet og dets grænser. På tværs af korpus defineres AI-kompetence gennem seks overlappende konstrukter — viden/færdigheder/holdninger (Su & Yang 2024), begrebsmæssig-procedural-kontekstuel viden (Stolpe & Hallström 2024), kende-forstå/brug-anvend/evaluér-skab/etik (Ng et al. 2022) og Long & Magerkos brug–kommunikation–evaluering-indramning (Hornberger et al. 2023) — så feltets "begrebsmæssige tvetydighed" er et måleproblem: to studier kan begge måle "AI-kompetence" uden at måle det samme konstrukt. Kun to af de ti tilbyder komplette rammer. Gennemgangens skarpeste fund er en asymmetri — korpuset målder næsten udelukkende studerendes kompetence, mens næsten intet udvikler læreres, et hul, der efterlader lærerrettede AI-kompetenceinterventioner hvilende på antagelse frem for evidens, og et, som forfatterne forbinder til det praktiske krav om, at lærere selv skal være AI-kompetente for at kunne gennemføre sådanne interventioner.(AI Literacy and STEM Education: Emerging Frontiers and Research Priorities)

Chatbot-evidsen i det korpus går mod flydendhedsbaseret træning. Ding et al. (2023) fandt, at ChatGPT-vejledning i universitetsfysik hævede selvtillid og viden, men forstærkede en misforståelse af AI som "overmenneskelig og ufejlbarlig", og konkluderede, at AI-kompetenceundervisning er "først og fremmest at forbedre de studerendes kritiske tænkning i vurdering af information." Xu et al. (2026) fandt, at ChatGPT-understøttet STEM-programmering forbedrede selvtillid og viden, men efterlod datalogisk tænkning og selvstændig tænkning uændrede — gevinster i flydendhed, der eksisterer side om side med ingen gevinst i tænkning. Begge fund spejler bekymringerne om tillidskalibrering og overafhængighed andre steder på denne side: en vejleder, der aldrig modsiger den studerende, kan producere selvsikre lærende, der ikke kan vurdere. Holdning, ikke parathed eller selvvirkningsgrad, viste sig at være den stærkeste determinant for faktisk brug af AI-værktøjer blandt STEM-bachelorer (Falebita & Kok 2025), og gennemgangen bemærker, at den STEM-faglige dækning er skævvredet mod biologi og fysik, mens teknologi som fag næsten er fraværende. For fagspecifikt design er gennemgangens praktiske advarsel, at omfattende kompetencerammer (UNESCO, EU/OECD) "ofte mangler forbindelse til empirisk forskning eller tilstrækkelig teoretisk underbygning", og at få er anvendelige i klasseværelset.

Hvis AI-færdigheder tæller? Kløften mellem underviser- og arbejdsgiverindramning

Et centralt åbent spørgsmål inden for AI-kompetence er hvilke færdigheder der betyder noget, og for hvem. En Ithaka S+R-undersøgelse, der sammenlignede, hvordan amerikanske undervisere og arbejdsgivere prioriterer de 26 færdigheder i HiBob AI Skills Framework, fandt, at de kun er enige om vigtigheden af én (at sætte realistiske forventninger til AI-understøttet arbejde). Undervisere vægter en kritisk, ansvarlig-brugsorientering — at genkende AI's grænser, gennemsigtighed og kildeangivelse, menneskelig ansvarlighed, proaktiv outputgennemgang — hvilket stemmer overens med akademiske værdier om kildeangivelse, gennemgang og informationskompetence. Arbejdsgivere vægter produktivitetsorienterede færdigheder — workflow-evaluering og -omlægning, automatisering og menneske-AI-teamarbejde — som afspejler teambaseret effektivitet på arbejdspladsen. Fordi kun tre af 26 færdigheder undervises af halvdelen eller flere undervisere, og de underviste skæver mod de kritisk-brugskategorier, identificerer rapporten en konkret AI-færdighedskløft: hele kategorier, som arbejdsgivere værdsætter, hverken prioriteres eller undervises i bachelorpensum.(AI skills for college graduates: Exploring how instructors and employers prioritize AI skills differently) Denne kløft indrammer AI-kompetence som et omstridt konstrukt — kritisk-brugskompetence til akademiske sammenhænge kontra workflow-integreret kompetence til beskæftigelse — en spænding, der er relevant for at indramme AI-brug for studerende, curriculumdesign og professionel træning.

De studerendes egne vurderinger fortæller en beslægtet, men anderledes ordnet historie. ElSayary og Ragab (2026) undersøgte 380 universitetsstuderende, hovedsageligt STEM-tilmeldte hyppige AI-brugere, og fandt, at selvrapporteret AI-kompetence bar det meste af forklaringen af opfattet parathed til beskæftigelse: fire kompetencedimensioner tilføjede ΔR² = 0,554 (p < ,001) oven på baggrundskontroller til blot 0,054, og den fulde model nåede 60,8 % af variansen. Inden for kompetencesættet var den evaluative dimension stærkest (Analyze & Evaluate, β = 0,286), fulgt af den affektive (Attitudes & Mindsets, β = 0,266), med praktisk brug (β = 0,217) og grundlæggende viden (β = 0,187) bagved; for opfattet karriereparathed specifikt var kun Analyze & Evaluate (β = 0,216, p < ,001) og Attitudes & Mindsets (β = 0,192, p = ,004) signifikant associeret. Læst mod Ithaka-kløften læner de studerendes egen følelse af arbejdspladsparathed sig mod den kritisk-evaluative orientering, undervisere favoriserer, frem for de workflow-integrerede færdigheder, arbejdsgivere vægter. Designet er en enkelt-sessions selvrapportering med ensartet høje gennemsnit (4,17 til 4,57 af 5) og uden måling af arbejdsgiver eller beskæftigelse, så det, det viser, er, at selvvurderet AI-kompetence og selvvurderet beskæftigelsesparathed bevæger sig sammen, hvor de evaluative og dispositionelle dele gør det meste af arbejdet, ikke at disse studerende påviseligt er arbejdsmarkedsparate.

Design af AI-kompetenceinterventioner

Vidensbasens rammer og empiriske studier konvergerer om et sæt praktiske retningslinjer for undervisere og instruktionsdesignere, der bygger AI-kompetenceinterventioner:

1. Brug en struktureret kompetenceramme som scaffolding, ikke som tjekliste. Modne rammer giver designere et fælles ordforråd og et udviklingsmæssigt sekventeret mål. SAIL-rammen organiserer AI-kompetence i tre domæner (AI Concepts; Application and Technical Skills; AI Digital Citizenship) på tværs af fire scaffoldede niveauer — Understand and Explore → Apply and Integrate → Evaluate and Create → AI++. AI Literacy Heptagon krydser syv dimensioner (teknisk viden, anvendelse, kritisk tænkning, etik, social indvirkning, integration, juridisk/regulatorisk) med fire Bloom-tilpassede færdighedsniveauer og understreger, at vægtningen skal være tilpasset den faglige kontekst — tekniske programmer vægter anvendelse, humaniora-programmer vægter etisk og social-indvirknings-ræsonnement.(The Scaffolded AI literacy (SAIL) framework: Results of a Delphi study for equitable AI literacy framework design in education)(The AI Literacy Heptagon: A Structured Approach to AI Literacy in Higher Education)

2. Engagér de lærende på tværs af ICAP-tilstande. Ved at anvende ICAP-rammen giver effektiv undervisning de lærende mulighed for at engagere sig på flere kognitive niveauer — passiv eksponering (AI-begrebsforelæsninger), aktiv manipulation (praktisk værktøjsbrug), konstruktiv generering (at skabe AI-artefakter, selvforklaring) og interaktiv dialog (kollaborativ problemløsning med kammerater og AI) — idet man vælger den tilstand, der passer til læringsmålet. Et systematisk review fandt, at vellykkede kollaborative AI-kompetenceinterventioner spændte over alle fire ICAP-tilstande.(Systematic Review of Collaborative Learning Activities for Promoting AI Literacy)

3. Vurdér demonstreret kompetence, ikke selvopfattelse. Selvrapporteret AI-kompetence afviger markant fra målt præstation — lærere overvurderer deres AI-færdigheder med ~40 %, og præstationsbaserede mål korrelerer med klasseværelses-AI-integration langt bedre end selvrapporteringer (r≈0,72 vs. 0,31). Design interventioner omkring præstationsbaseret evaluering og kalibrering frem for selvtillidsspørgeskemaer, og brug diagnostiske profiler (overestimatorer vs. sande nybegyndere) til at målrette støtte.(How to Assess AI Literacy: Misalignment Between Self-Reported and Objective-Based Measures)

4. Opbyg metakognitive og kritiske dispositioner, ikke blot operationel færdighed. AI-kompetence forstås bedst som en metakognitiv social praksis end som en færdighedstjekliste: fordi LLM'er er probabilistiske og uigennemsigtige, må de lærende overvåge og justere deres strategier, dyrke videnskabelig skepsis og udforske, hvordan algoritmer former vidensproduktion — ikke blot lære at betjene værktøjer. Parttagende co-design og eksperimenterende, projektbaserede rum (ikke engangs værktøjstræning) er dér, hvor denne bevidsthed vokser.(Metacognitive AI literacy: going beyond the AI skills gap agenda)

5. Indlejr kompetencen i faget, og gør den vedvarende. Bevægelse mod højere stadier af AI-kompetence (fra ukritisk brug → informeret brug → kritisk vurdering → forbedring) er mest synlig, når oplevelserne er vedvarende og fagindlejrede frem for leveret som fritstående workshops. Design til gentagen, kontekstuel praksis inden for autentisk kursusarbejde.(Beyond Tool Adoption: A Practical Five-Stage Developmental Continuum for AI Literacy in Higher Education) En konkret model for fagindlejret kritisk kompetence er den opgavebaserede taksonomi af Dierickx m.fl. (2026) til journalistik: den kortlægger LLM-understøttede opgaver på tværs af de fire stadier af nyhedsarbejdsprocessen (nyhedsindsamling, meningsdannelse, redigering, publikation/distribution), hver bundet til en basisprompt og en risiko-og-afbødningsstrategi. Ved at behandle opgavedefinition og prompting som en situeret form for professionel dømmekraft — ikke en neutral teknisk færdighed — gør den selve prompting til et køretøj for kritisk AI-kompetence (bias, hallucination, overafhængighed og den varige værdi af menneskeligt redaktionelt tilsyn), og dens underliggende logik overføres til andre vidensintensive erhverv (jura, medicin, offentlig politik). Supplerende til sådanne fagspecifikke taksonomier klassificerer Dohn m.fl.s (2026) taksonomi GenAI-læringsaktiviteter langs seks dimensioner, hvoraf Epistemic Engagement (at forstå / bruge / kritisere / konstruere GenAI) direkte operationaliserer AI-kompetence som dybden af de lærendes kognitive forhold til teknologien — fra passiv eksponering til aktiv kritik og konstruktion.

6. Behandl ligestilling og det digitale skel som designbegrænsninger. AI-kompetence er en mekanisme til at adressere det tre-niveau-digitale skel (adgang, færdigheder, udfald): at lukke enhedskløften er utilstrækkeligt, medmindre færdigheder og kritisk brug opbygges, så gevinsterne fordeles retfærdigt. Interventioner bør planlægge eksplicit for lærende, der kommer ind med mindre tidligere AI-adgang, og inkorporere kulturelle og styringsmæssige perspektiver frem for at behandle kompetence som kulturnøutral.(The Scaffolded AI literacy (SAIL) framework: Results of a Delphi study for equitable AI literacy framework design in education)(Digital Divide)

7. Kombinér kompetence med misbrugsreduktionsvirkemidler. Fordi AI-misbrug aktivt skader holdbar læring, bør kompetenceundervisning kobles med de strukturelle og opdragende virkemidler, der er dokumenteret under reduktion af AI-misbrug — sikret "hint-not-answer"-værktøjsdesign, evalueringsomlægning og scaffoldede tænk-først/AI-bagefter-sekvenser med bevidst prompting-øvelse.

8. Start fra de lærendes faktiske udgangspunkt. De lærende kommer ind med forskellige orienteringer — undgåelse drevet af frygt, mistro eller mangel på adgang, kontra ukritisk afhængighed, der maskerer misforståelse. En diagnostisk, stadiebaseret tilgang (frem for et ensartet curriculum) lader designere møde de studerende, hvor de er, og bevæge dem mod kritisk, ansvarligt engagement.(Beyond Tool Adoption: A Practical Five-Stage Developmental Continuum for AI Literacy in Higher Education)

9. Udvid udbuddet ud over de publikummer, formel uddannelse allerede når. AI Literacies-rammen for public service-medier argumenterer ud fra et landskabsreview af mere end 40 rammer og 35 ekspertinterviews for, at udbuddet har skævet mod tekniske og funktionelle færdigheder, og at AI-kompetencer overlapper og bør forbindes til digital, medie- og informationskompetence frem for at undervises som et fritstående fag. Dens struktur — seks kompetenceområder, fem værdier og tre progressionsniveauer (Understanding and Applying, Analysing and Evaluating, Synthesising and Specialising) med en evalueringsguide — er en brugbar skabelon til udbydere uden for formel skolegang, og dens ligestillingsargument er en designinstruktion: at nå unge mennesker, der er digitalt eller på anden måde marginaliserede, kræver bevidste partnerskaber, ikke universel offentliggørelse.(Supporting AI Literacies for Young Adults Aged 14-19: A value-based, practical framework for public service media organisations)

Måling af AI-kompetence

En særskilt forskningsretning behandler AI-kompetence ikke blot som et mål for undervisning, men som et konstrukt, der skal måles. Vidensbasens evalueringsretning skelner mellem selvrapporteret og præstationsbaseret kompetence: selvrapporteringer afviger markant fra demonstreret kompetence (lærere overvurderer med ~40 %), og præstationsbaserede mål forudsiger klasseværelses-AI-integration langt bedre end selvtillidsspørgeskemaer (r≈0,72 vs. 0,31). Interventionsarbejde gengiver den divergens på adfærdsniveau: i Clerc m.fl. (2026) forudsagde hverken GenAI-holdninger eller en generel metakognitiv-bevidsthedsskala de studerendes regulering af LLM-interaktion eller deres endelige opgavescores (r = ,01 og r = ,04, begge ikke-signifikante), mens de adfærder, workshoppet ændrede — at afvise underspecificerede prompts, dømme svarkorrekthed, stille et opfølgende spørgsmål — faktisk sporede svarkvalitet. Validerede instrumenter er under fremkomst for at lukke dette gab — GLAT tilbyder en psykometrisk valideret evaluering af generativ-AI-kompetence, og diagnostiske profiler (overestimatorer vs. sande nybegyndere) lader designere målrette støtte, hvor den er nødvendig. Guo m.fl. (2026) kortlægger dette instrumentlandskab direkte og gennemgår 80 validerede rammer — 69 digitale kompetencer og 11 AI-kompetencer — offentliggjort mellem januar 2014 og februar 2025. AI har trukket digital kompetence mod etik og omformuleret kommunikation til at omfatte menneske-AI-interaktion, mens metakognitiv regulering og underviserspecifikt menneske-AI-samarbejde forbliver de mindst specificerede. For design og forskning binder dette AI-kompetence til uddannelsesmåling og til evaluering bredt: en kompetenceramme er kun så nyttig som de instrumenter, der bruges til at spore vækst, og stadiebaserede kontinua kræver pålidelig måling for at placere de lærende langs dem.

Et 32-punkts seksfacetinstrument udvider den firedimensionelle model med to yderligere facetter — ansvarlig brug og selvudvikling — og opretholder skalar invarians på tværs af unge (12–17), unge voksne (18–40) og midaldrende voksne (41–60), selvom forfatterne advarer om, at ΔCFI nærmede sig den konventionelle grænse (Liu m.fl. (2026)).

Zhi, Yang og Huang (2026) opbygger en kandidatspecifik model på Marzanos taksonomi: grounded-teory-analyse af interviews med 14 professorer kondenserede 329 rå etiketter til 96 begreber, 15 kategorier og fem dimensioner (kognitivt grundlag, operationelle færdigheder, højere-ordens-tænkning, metakognitiv refleksion, etisk ansvarlighed), og operationaliserede dem derefter som en 15-punkts Likert-skala, hvis fem faktorer fremkom i eksplorativ faktoranalyse (83,14 % af kumulativ varians) og holdt i bekræftende faktoranalyse på en anden delstikprøve (CFI = 0,934, RMSEA = 0,083), med reliabilitet fra 0,796 til 0,842 på tværs af 308 gyldige spørgeskemaer.

Critical 3wAI Literacy Scale (Bozkurt, Ertan & Cömert, 2026) validerer den samme tredelte struktur for voksne lærende som et selvrapporteringsinstrument (n = 546 og n = 647; χ²/df = 4,93, CFI = 0,931, α = 0,913). Dets Know-How- og Know-Why-faktorer kom tættest sammenkoblet ud (HTMT = 0,544), mens teoretisk viden alene ikke omsattes til praktisk effekt. Som en selvrapporteringsmetode deler den divergensproblemet, der er dokumenteret ovenfor, så den er en valideret diagnostik frem for et præstationsmål — og forfatterne opfordrer til revalidering på tværs af aldersgrupper og kulturelle kontekster.

Et beslægtet spørgsmål er, hvad instrumenterne overhovedet kan måle. Burriss m.fl. (2026) bemærker, at eksisterende AI-kompetenceskalaer og kompetencerammer antager individuelt målbar præstation og dermed strukturelt udelukker kollaborativt, kreativt udtryk — deres enheds beviser var multimodale filmartefakter, refleksioner og borgerdiskurs frem for en summativ score, og forfatterne argumenterer for, at sådanne beviser kan supplere frem for erstatte konventionelle mål. At udvide konstruktet kan derfor kræve at udvide de tilladte beviser, ikke blot at tilføje modalitetsrige punkter til eksisterende skalaer.

Et supplerende spor måler, hvordan lærende og undervisere modtager AI-kompetence-materialer frem for deres kompetence i sig selv. Wang, Chuang og Wu (2026) fik 794 studerende og 37 undervisere til at vurdere to guidebogsudgaver bygget til UNESCO's alderstærskel (aldre 9-12 og 13-18) efter omkring 30 minutters vejledt klasseværelseseksponering. Accept holdt en firefaktorstruktur (Performance Expectancy, Effort Expectancy, Perceived Playfulness, Behavioral Intention) med understøttet måleinvarians på tværs af de to elevudgaver, yngre lærende scorede højere på alle fire konstrukter, og opfattet legfuldhed bar den største association med intention i begge kohorter. Forfatterne er eksplicitte om, hvad dette ikke er: opfattet accept af en alderstrappet ressource er ikke AI-kompetencepræstation, etisk ræsonnement, adoption eller vedvarende brug, og accept på materialeniveau bør ikke læses som bevis for, at kompetencen forbedredes.

Måling udstrækkes også til de undervisere, der formidler de lærendes engagement med AI. De fleste AI-kompetencevurderinger retter sig mod studerende eller generelle brugere, hvilket efterlader et gab i læreruddannelse — et gab, Teachers' AI Literacy Scale (TAILS) imødekommer: forankret i ED-AI-rammen med seks dimensioner (kundskab, evaluering, samarbejde, kontekstualisering, autonomi og etik), valideret gennem eksplorativ og bekræftende faktoranalyse med blivende sproglærere. Sådanne instrumenter understøtter måling og udvikling af AI-kompetencen hos de undervisere, der formidler de lærendes engagement med AI. På studerendesiden udvikler og validerer Nie m.fl. (2026) en Generative AI Assessment Literacy Scale (GAA-LS) til studerende i videregående uddannelse — et 18-punkts, femfaktorinstrument, hvis scorer sporer feedback-engagement, akademisk redelighed og ansvarlig AI-brug, med en indirekte bane til redelighed gennem feedback — et tegn på, at evalueringsspecifik AI-kompetence er målbar og binder sig til adfærd vedrørende redelighed. Hvad dette underviserrettede instrumentkorpus faktisk indeholder, er siden blevet revideret: Zainal, Mohd Matore og Maats review fra 2026 af måleværktøjer for lærer-AI-kompetence bedømte 33 instrumenter offentliggjort mellem 2019 og 2025 og fandt, at 31 (93,9 %) var selvrapporteringsskalaer over opfattet selvtillid, at blot to testede viden objektivt, og at ingen brugte præstationsbaserede opgaver, mens retfærdighedsbeviser var det svageste kvalitetsdomæne, med kun fem instrumenter, der rapporterede måleinvarians eller differentielt itemfunktion.

Opdateringen fra 2026 af denne målelitteratur reorganiserer den i fire domæner — kundskab og brug, epistemisk tilsyn, afhængighedskalibrering og operationel kontrol over værktøjsbrugende agenter — og rapporterer, at intet valideret individniveauinstrument i korpuset dækker den fulde kombination af omfang, tilladelser, genopretning, tilstandsisolering, uafhængig gennemgang og evidensbaseret afslutning, som agentisk værktøjsbrug kræver. Dets samlede subjektiv–objektiv-korrelation på tværs af tre sammenstikprøvede effekter var r = ,055, hvilket stemmer overens med den divergens, der er beskrevet ovenfor, frem for med selvvurderinger som en brugbar proxy (Verí (2026)).

Målelandskabet er i sig selv uordentligt, og nu delvist kortlæggeligt. He, Zhang, Wang og Ji (2026) analyserede AI-kompetenceinstrumentkorpuset med en LLM-baseret kodeanalysepipeline og fandt, at feltet måler mange konstrukter under én etiket — et jangle-problem, hvor ét konstrukt bærer flere navne (Behavioral Commitment optræder i otte kandidatpar, Intrinsic Motivation i fem), sammen med kandidat-jingle-tilfælde, hvor instrumenter deler en etiket, men ikke deres punktindhold. Deres semantiske lighedsgenfinding af punkt- og konstruktstruktur korrelerede kun moderat med instrumenternes egne rapporterede reliabiliteter (r = 0,49 på punktniveau mod 0,45 og 0,35 på konstruktniveau), og de tilbyder metoden som screening frem for domsafsigelse. Konsekvensen for enhver, der vælger et mål, er, at konvergente påstande på tværs af studier ikke kan antages sikre: to instrumenter med samme navn operationaliserer måske ikke det samme konstrukt.

Hvad disse instrumenter kan understøtte, er nu blevet revideret, og revisionen er ædruelig. Jin, Gašević, Martinez-Maldonado og Yan (2026)screenede 8,056 poster ned til 58 studier om 47 unikke instrumenter, bedømt med COSMIN mod et konstrukt, hvis instrumentudviklingsvindue komprimerede sig til tre år (to instrumenter før 2023, 28 alene i 2025). Korpuset forbliver 37 af 47 selvrapporteringer, og beviserne klynger sig tæt omkring intern struktur: strukturel validitet var tilstrækkelig i 32 af 58 studier og intern konsistens i 32, hvoraf ingen blev vurderet utilstrækkelig, men konstruktvaliditet blev rapporteret af kun 15 studier (12 tilstrækkelige), kriterievaliditet af ét, måleinvens af fem (alle tilstrækkelige), og blot 2 af 58 opnåede en tilstrækkelig samlet indholdsvaliditetsvurdering — omfattende var utilstrækkelig i 53 på trods af 43 studier, der rapporterede kognitiv interviewning. Mønstret er, at målepraksis ser robust ud netop der, hvor det er billigst at demonstrere, og tynd der, hvor beviserne skal komme udefra instrumentet, så en ren faktorstruktur og en høj koefficient (som kan afspejle punktredundans lige så meget som konstruktrepræsentation) bør ikke læses som demonstreret kapacitet. Forfatternes recept er konsolidering frem for formering: forfin eksisterende skalaer, test invarians, når en krydser et sprog eller et uddannelsesstadie, og tilføj kriteriebeviser ved at relatere scorer til præstationsopgaver.

En af undtagelserne er bygget til at sammenligne grupper. Zhang m.fl. (2026) udviklede Generative AI Literacy Scale (GAILS) — 43 punkter reduceret til 34 gennem en fem-ekspert-Delphi-gennemgang og en syv-persons-pilot, derefter valideret i 341 nordamerikanske voksne — og testede skalar invens og fandt, at den holdt på tværs af kvindelige og mandlige respondenter samt på tværs af studerende- og arbejdsstyrkegrupper. Det er, hvad der berettiger de gennemsnitsammenligninger, instrumentet rapporterer — mænd scorer beskedent højere på Adaptive Operational Skills, studerende højere på Adaptive Operational Skills og Responsible GenAI Literacy — som kompetenceforskelle frem for differentielt itemfunktion, og det er, hvad der gør skalaen brugbar på tværs af videregående uddannelse og arbejdspladsindstillinger frem for kun for studerende. Dets egne beviser er ikke uplettede: fit var blandet (CFI = ,967 og SRMR = ,058 inden for konventionelle grænser, RMSEA = ,087 over dem), total-skala-α = ,973 står ved siden af én mislykket Fornell–Larcker-diskriminanssammenligning (faktor 1 √AVE = ,828 mod r = ,873 med faktor 3), og ligesom næsten alt i korpuset måler det opfattet kompetence uden adfærdsmæssigt kriterium. En valideret skala på dette felt er et udgangspunkt for det invarians- og kriteriearbejde, reviewet opfordrer til, ikke en færdig Benchmark.

Forbindelser på tværs af vidensbasen

AI-kompetence skærer sig ind i AI-vejledning (at forstå, hvornår og hvordan AI-vejledere er effektive), lærer-AI-kompetence (underviserparathed), akademisk redelighed (at vide, hvad der udgør passende AI-brug) og AI-uddannelse bredt. Den er både en forudsætning for effektiv AI-brug og et udfald af veldesignet AI-integration — studerende lærer AI-kompetence VED at bruge AI kritisk, ikke blot ved at lære OM AI.

AI-kompetence er tveægget for overafhængighed: Maizel m.fl. (2026) fandt, at de færdighedsbaserede dimensioner af AI-kompetence (bruge/forstå, opdage) var positivt associerede med rapporteret AI-afhængighed, mens AI-selvfølelse og akademisk selvtillid var negativt associerede — så teknisk AI-kompetencetræning, uden selvfølelses- og selvregulerings-scaffolds, kan øge afhængighed. AI-kompetence bliver her en muliggørende kapacitet, hvis retning afhænger af komplementære motivationsressourcer.

• Verifikationsvaner betaler sig kun gennem regulering. I Davor, Larbi og Boatengs (2026) undersøgelse af 533 universitetsstuderende i Ghana havde AI-verifikationskompetence ingen signifikant direkte effekt på kritisk tænkning (beta = ,076, p = ,090) eller teknisk problemløsning (beta = ,043, p = ,385) og betød noget kun gennem metakognitiv selvregulering (beta = ,167, p < ,001), en fuld mediering, forfatterne kalder metakognitiv aktivering. AI-opgavescaffolding forudsagde begge udfald (beta = ,185 og ,170), mens kognitiv overførselstendens forudsagde dem negativt (beta = -,240 og -,312) og depressiv til regulering (beta = -,294). At lære de studerende at kontrollere AI-output er derfor ikke nok i sig selv: evaluative vaner kræver planlægning, overvågning og refleksion indbygget i opgaven.
• Kritik af AI-output som en kompetencepraksis: Hosseini (2026) behandler evaluering af AI-genererede fejl som en kerne-AI-kompetencefærdighed og bruger fejltilstandsanalyse og iterativ promptforfinelse i et databasedesignkursus. Undersøgelsen fandt, at de studerende overvurderede deres AI-evner (selvrapporteret kompetence svagt, negativt korreleret med objektiv kompetence), og at kritikbaseret læring styrkede kalibrering.
• Socialistisk humanistisk AI-kompetence (2026): Et litteraturreview kritiserer compliance-orienteret AI-kompetence og foreslår en socialistisk-humanistisk indramning af asynkron AI-kompetence og fair use i videregående uddannelse, hvorved det historiske digitale skel forbindes til moderne AI-kompetence, og opfordrer til tilgange, der tjener menneskelig trivsel og ligestilling frem for mekanisk politikoverholdelse (From Mechanical Compliance to Human Flourishing: A Socialist Humanist Approach to Asynchronous AI Literacy and Fair Use in Higher Education).
• Billige, letthåndterede advarsler dæmper AI-overtalelse — uden at koste generel tillid. Orchinik og Rand (2026) præregistrerede to eksperimenter (sammenlagt N = 3.208 amerikanske voksne), hvor deltagerne samtalede med en LLM, der var instrueret i at ændre deres holdninger til politiske emner. En enkelt kort advarsel — at modeller kan blive promptet til at overtale og kan fremlægge information selektivt — reducerede holdningsændring med omkring halvdelen (-48,1 %, 95 % KI [-59,5 %, -36,8]) i forhold til kontrol, og at tilføje specifikke overtalelsesteknikadvarsler gav ingen yderligere gavn. Den egenskab, der betyder noget for undervisning, er på den anden side af effekten: generel tillid til Generative AI faldt ikke, så interventionen opbygger kalibreret tillid frem for blind skepsis. Det er en enkelt-afsnit-intervention uden facilitering, hvilket er en sjælden omkostningsprofil for et AI-kompetencedesign.
• De lærendes styring af AI betyder mere end værktøjets design. Azimi (2026) randomiserede 33 studerende på et kandidatkursus i dataanalyse mellem en scaffoldet AI Study Coach indlejret i notesbøgerne (n = 16) og ubegrænset brug af de Generative AI-værktøjer, de valgte (n = 17), i syv uger. Opgavevurdering og begrebsinventar-gevinster var uadskillelige; Coach-tilstanden rapporterede højere selvtillid i stedet. Det, der adskilte de studerende, var AI-kompetence i praksis: dem, der havde formuleret deres egne regler for, hvornår AI skulle bruges, scorede højere i begge tilstande, og de studerende med den dybeste modelforståelse — alle selvunderviste — promptede mest bevidst. Designimplikationen går imod kontrolrefleksen: undervis de selvregulatoriske og modelforståelseskomponenterne af AI-kompetence frem for at begrænse værktøjer.

Forbundne begreber

• Pedagogical Patterns — Udviklet ud fra de kritisk-vurderende trin i disse sekvenser
• Learners — De lærende: paraplyen for de lærendesidens begreber
• Generative AI — den teknologi, AI-kompetence retter sig mod
• Large Language Models (LLMs) — de systemer, der er hjertet i AI-kompetence
• Critical Thinking — central evaluativ disposition
• Prompt Engineering — central praktisk kompetence
• Metacognition — kompetence som metakognitiv social praksis
• Cognitive Offloading — den overafhængighedsrisiko, kompetence imødegår
• Reducing AI Misuse — kompetencens adfærdsmæssige udbytte
• Academic Integrity — at vide, hvad der udgør passende AI-brug
• Self-Assessment — at vurdere dit eget arbejde og din egen færdighed, som teknik og som mål
• Trust Calibration — at kalibrere passende tillid
• AI Sycophancy — kompetencefærdigheden at opdage enighed
• Equity — retfærdig fordeling af kompetence
• Digital Divide — adgangs-/færdigheds-/udfaldskløften
• Ethics — den etiske bevidsthedsdimension
• Teacher AI Competency — underviserparathed
• Educational Development — opbygning af underviserkompetence
• AI-Assisted Educational Research — AI-assisteret uddannelsesforskning
• K-12 — skoleniveau-kompetence
• Higher Education — universitetsniveau-kompetence
• Career Development and Readiness — det beskæftigelsesmæssige udbytte, AI-kompetence argumenteres for at opbygge
• AI i uddannelse — det bredere felt

Forbundne artikler

• Modeling the Relationships Between University Students' AI Competence, AI Ethical Awareness, and AI Anxiety: A Dual-Stage PLS-SEM and ANN Analysis - At hæve den etiske dimension af kompetence uden en mestringsramme kan efterlade de studerende mere ængstelige

• Reconceptualizing digital literacy in the AI era: A systematic review of validated frameworks from an ecological perspective — 80 validerede rammer viser AI udvider digital kompetence mod etik, mens underviseres menneske-AI-samarbejde forbliver underspecificeret (Guo m.fl. 2026)

• Supporting AI Literacies for Young Adults Aged 14-19: A value-based, practical framework for public service media organisations — Seks kompetenceområder, fem værdier og tre progressionsniveauer for public service-medier

• The AI Literacy Heptagon: A Structured Approach to AI Literacy in Higher Education — The AI Literacy Heptagon

• Beyond Tool Adoption: A Practical Five-Stage Developmental Continuum for AI Literacy in Higher Education — A Practical Five-Stage Continuum for AI Literacy

• Clarifying the Conceptual Landscape in AI Literacy Measurement: A Large Language Model Based Approach — Kortlægning af AI-kompetenceinstrumentkorpuset: 55 konstrukter, jangle- og jingle-par, LLM-baseret kodning

• Measuring Artificial Intelligence Literacy: A Systematic Review of Instrument Development, Conceptual Foundations, and Psychometric Quality — COSMIN-bedømmelse af 58 studier og 47 AI-kompetenceinstrumenter: validitetsbeviser klynger sig omkring intern struktur, mens kriterie-, indholds- og invariansbeviser stort set mangler (Jin m.fl. 2026)

• The Generative Artificial Intelligence Literacy Scale (GAILS): Development, Validation, and Measurement Invariance Across Sex and Occupational Status Groups — GAILS: 34-punkts GenAI-kompetenceskala valideret i 341 voksne, skalarinvariant på tværs af køn og studerende-/arbejdsstyrkegrupper (Zhang m.fl. 2026)

• GLAT: The Generative AI Literacy Assessment Test — GLAT: en valideret evalueringstest for generativ AI-kompetence

• How to Assess AI Literacy: Misalignment Between Self-Reported and Objective-Based Measures — AI-kompetencevurdering: Selvrapporteret vs. præstationsbaseret misalignment

• Development and validation of the generative AI assessment literacy scale for higher education students — GAA-LS: valideret Generative AI Assessment Literacy Scale til studerende i videregående uddannelse (Nie m.fl. 2026)

• Beyond AI Literacy: A Structured Review and Exploratory Meta-Analysis of Measures for Competent Generative-AI Use — Beyond AI Literacy: A Structured Review and Exploratory Meta-Analysis of Measures for Competent Generative-AI Use

• How AI literacy correlates with affective, behavioral, cognitive and contextual variables: A systematic review — systematisk review af, hvad AI-kompetence korrelerer med

• Assessing teachers' AI literacy: a systematic review of measurement tools — systematisk review af de værktøjer, der måler lærer-AI-kompetence

• Development of an AI literacy self-assessment questionnaire in upper primary school students — selvvurderingsspørgeskema til elever i mellemskolen

• Metacognitive AI literacy: going beyond the AI skills gap agenda — AI-kompetence som en metakognitiv social praksis

• AI Literacy Interventions in Education: A Meta-Analysis of Effects and Moderators — Metaanalyse af AI-kompetenceinterventionseffekter

• The Scaffolded AI literacy (SAIL) framework: Results of a Delphi study for equitable AI literacy framework design in education — The Scaffolded AI Literacy (SAIL) Framework

• Measuring Acceptance of Age-Tiered AI Literacy Guidebooks: A Developmentally Informed Study of K-12 Students and Teachers — Alders-trappede AI-kompetenceguidebøger evalueret med 794 studerende og 37 undervisere: firefaktoracceptstruktur invariant på tværs af 9-12- og 13-18-udgaverne, med yngre lærende højere på alle konstrukter

• Reorienting Critical AI Literacy: A Community-Rooted Praxis of “Resisting AI” — Kritisk AI-kompetence: magt, modstand, agency

• Prompts to Practice: A Pedagogical Framework for Human-Centered AI Engagement — Prompt-kompetence som en grundlæggende kompetence, der adskiller sig fra prompt-engineering: den femfasede menneskecentrerede GenAI-engagementmodel (Miles, Haber-Curran & Arar 2026)

• The Hidden Cost of Contextual Sycophancy: an AI Literacy Intervention in Human-AI Collaboration — Kontekstuel behageligsygende adfærd som en AI-kompetenceintervention

• Understanding Student Dependency on AI: The Role of AI Literacy, Academic Self-Efficacy, and Resource Management Strategies — AI-kompetence, selvfølelse og afhængighed

• Teaching Students to Question the Machine: An AI Literacy Intervention Improves Students' Regulation of LLM Use in a Science Task — et totimers workshop ændrede mellemskolestuderendes regulering af LLM-interaktion, mens selvrapporteringer ikke forudsagde noget (Clerc m.fl. 2026)

• Artificial Intelligence Literacy and Sustainable Development: An Ethical Governance and Development Goals Framework — AI-kompetence som en styringskapacitet for bæredygtig udvikling: AIRE-taksonomien og AI–SDG-nexus (Islam, Morshed & Islam 2026)

• AI Literacy in Secondary Education: Framework, Assessment, and Professional Development in the Ukrainian Context — Fem-niveau AI-kompetenceramme for ukrainske sekundære undervisere (Marienko m.fl. 2026)

• STEAM Education for AI Literacy: A Systematic Literature Review — STEAM-uddannelse til AI-kompetence: systematisk review

• Systematic Review of Collaborative Learning Activities for Promoting AI Literacy — Collaborative AI Literacy Framework

• Co-Constructing AI Boundaries: Agency, Judgment, and Ethical Literacy in AI-Mediated Meaning-Making — omformulerer AI-kompetence som at dømme, hvilket fortolkende arbejde der ikke bør delegeres

• Artificial intelligence-supported learning and higher-order cognitive outcomes: the mediating role of metacognitive self-regulation — AI-verifikationskompetence betød noget kun gennem metakognitiv selvregulering, mens kognitiv overførsel forudsagte lavere kritisk tænkning og problemløsning (Davor m.fl. 2026)

• Designing for AI literacy: psychological mechanisms and self-determination — Tænkebaseret undervisning slog færdighedsbaseret undervisning på en objektivt vurderet opgave, med autonomi og kompetence bærende effekten (Yu, Lin & Chen 2026)

• Psychological predictors of continued ChatGPT use among university students: the roles of AI literacy, trust, and academic self-efficacy — AI-kompetence til fortsat ChatGPT-brug går gennem tillid og akademisk selvfølelse, og AI-angst gør det første led tyndere (Hu 2026)

• Modeling and measuring graduate students’ generative AI literacy: a study based on Marzano’s taxonomy — Femdimensionel Marzano-forankret model og 15-punkts selvrapporteringsskala for kandidat-GenAI-kompetence (Zhi m.fl. 2026)

• Artificial intelligence in initial teacher training for pre-service primary school teachers in mathematics: a systematic review — Elleve studier af AI i indledende matematiklæreruddannelse, hovedsageligt kortvarige, med etik behandlet i blot tre (Pinto m.fl. 2026)

• Generative artificial intelligence in university chemistry education: a critical review using Johnstone’s chemistry triplet and Biggs’ 3P model — Verifikationscentreret GenAI-integration i universitetskemi, med repræsentationsmæssig oversættelse som det centrale AI-kompetencekrav (Vega-Baudrit & Rivera Alvarez 2026)

• Who Acts, Who Knows, Who Answers? A Corpus-Assisted Discourse Analysis of Agency, Epistemic Responsibility, and Accountability in Generative AI Higher Education Research — Who Acts, Who Knows, Who Answers? A Corpus-Assisted Discourse Analysis of Agency, Epistemic Responsibility, and Accountability in Generative AI Higher Education Research

• Bridging the Gap: Investigating Students' Self-Reported AI-Literacy and Perceived Employability Competencies for an AI-Enabled Workforce — Selvrapporteret AI-kompetence forklarede 60,8 % af opfattet parathed til beskæftigelse, hvor de evaluative og affektive dimensioner var stærkest (ElSayary & Ragab 2026)

• From Competency to Agency: Teachers' Views of the Purposes of AI Education — Underviseres formål med AI-uddannelse læst gennem Biestas kvalifikation, socialisering og subjektivering, samt den informerede AI-agency-heuristik (Fagerlund m.fl. 2026)

• Teacher Readiness-By-Design for AI-Rich Interactive Learning — Lærerparathed som designkvalitet frem for adoption eller selvtillid, med selvfølelse som en ressource og ikke-brug ikke uparathed (Charles 2026)

• The Effects of K-12 Artificial Intelligence Education in Enhancing AI Literacy: A Meta-Analysis — K-12 AI-uddannelse hævede AI-kompetence med et samlet g = 0,892 på tværs af 57 positive effekter, og måleuenighed forklarer heterogeniteten (Yu m.fl. 2026)

• Literacy demands placed on students in student–GenAI entanglements in higher education — Kompetencekrav varierer efter studerende–GenAI-sammenfletningstype; Assistant- og Enabler-former dominerer, mens resten forbliver marginal af institutionelle grunde (Sun, Dohn & Rehm 2026)

• The AI Competence Framework Landscape: A Comparative Analysis of Frameworks for Education and Workforce Development — Sammenlignende analyse af 16 AI-kompetencerammer for uddannelse og arbejdsstyrkeudvikling

• A Multidimensional Analysis of AI Literacy Determinants: External Resources, Digital Skills, and Psychological Profile Among University Students — Eksterne ressourcer, digital kompetence og psykologisk profil som fælles determinanter, med et teknologiangst-fortegnsskift

• The Six-Facet Artificial Intelligence Literacy Questionnaire (SFAILQ): Assessing AI Literacy in Adolescents, Young Adults, and Midlife Adults — Seksfacetinstrument, der tilføjer ansvarlig-brugs- og selvudviklingsfacetter, skalarinvariant på tværs af unge, unge voksne og midaldrende voksne

• Exploring University Faculty's AI Well-Being: A Structural Equation Model of Social Supports, AI Literacy, and Technological Self-Efficacy — Strukturligningsmodel for fagpersoners AI-trivsel, sociale støtter og AI-kompetence

• What Does It Mean to Be AI Literate? Psychometric Validation of the Critical 3wAI Literacy Scale — Valideret 17-punkts selvrapporteringsskala med tre distinkte AI-kompetencefaktorer (Know What/How/Why); Know-How og Know-Why mest sammenkoblet (HTMT = 0,544)

• AI Literacy and STEM Education: Emerging Frontiers and Research Priorities — Syntese af de ti mest citerede studier af AI-kompetence i STEM-undervisning (Hallström et al. 2026)