AIEd-vidensbaseAIEd KB
På denne side

Læs denne side på engelsk

Begreber

Uddannelsesudvikling

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

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

Uddannelsesudvikling (også kendt som underviserudvikling) betegner de processer, programmer og institutionelle støtteordninger, der hjælper undervisere med at udvikle de færdigheder, den selvtillid og den professionelle identitet, der skal til for at undervise godt med AI. Uddannelsesudvikling spænder over individuel oplæring, redesign af kurrikulum, ændringer i institutionel politik og det kulturelle arbejde med at forstå, hvad generativ AI betyder for den akademiske profession.

Spørgsmål at overveje

  • Hvis undervisere i samme institut beskriver AI som en menneskelignende "assistent" på den ene side og som et blot "værktøj" eller en "søgemaskine" på den anden, kan et oplæringsprogram så overhovedet lykkes, før disse underliggende mentale modeller er bragt frem? Hvad kan der ske, hvis udviklingsarbejdet springer det trin over?
  • Uddannelsesudvikling behandles ofte som at lukke et kompetencegab: lær underviserne værktøjerne, så tager de dem i brug. Men noget forskning rammesætter GenAI-integration som en forandring på identitetsniveau ("hvad er meningen med at undervise i en GenAI-verden?"). Hvilken rammesætning tror du er mest præcis, og hvilke forskellige handlinger indebærer hver af dem?
  • Parathedsrammer som EPIQ-AI opdeler underviseres parathed i epistemiske, pædagogiske, institutionelle og kvalitets- og regelefterlevelsesmæssige domæner. Hvis parathed er et socioteknisk afstemningsproblem frem for et individuelt kompetencegab, hvad siger det så om, hvor en enlig "AI-workshop" sandsynligvis kommer til kort?
  • Hvornår har du oplevet, at dine egne antagelser om en ny teknologi blev bragt frem og forskubbet, gennem samtale, metaforer eller et fælles sprog frem for gennem instruktion? Hvilken rolle tror du, et fælles sprog og metaforanalyse spiller for, at undervisere kan forstå AI?
  • Forestil dig et lavteknologisk "metaforværksted", hvor undervisere, administrativt personale og studerende formulerer, om AI føles som en schweizerkniv, en hjælper, en sort boks eller en konkurrent. Kunne det at bringe frygt frem (herunder frygten for, at AI vil erstatte undervisningsroller) gøre mere for indførelsen end mere teknisk oplæring?

Introduktion

Uddannelsesudvikling er det professionelle og institutionelle arbejde, hvorigennem undervisere opbygger evnen til at designe, undervise og evaluere godt, og i AI-tiden er det blevet en forudsætning for, at enhver pædagogisk forandring kan slå igennem. Begrebet spænder over det individuelle (AI-kompetence, selvtillid, kompetence, holdninger) og det institutionelle (standarder, politik, kvalitetssikring og sammenhæng mellem udtalte AI-forventninger og faktisk evalueringsdesign). Et tilbagevendende fund på tværs af denne vidensbase er, at evidensen for effektiv praksis i væsentlig grad løber forud for, hvad de fleste institutioner har implementeret, hvilket gør udviklingsarbejdet, og ikke mere primærforskning, til den bindende begrænsning. Læringsvidenskaberne producerer de fund, dette arbejde bærer: hvor det felt empirisk fastslår, hvordan mennesker lærer, og hvilke designs der ændrer udfald, er uddannelsesudvikling den institutionelle praksis, der flytter sådan evidens ind i, hvordan undervisere faktisk underviser og evaluerer. Arbejdet er dog afgrænset af en institutionel kant: udvikling opbygger kapacitet hos personalet inde i en institution, mens de værktøjer, personalet derefter bedes om at tage i brug, normalt er bygget uden for den, af udviklere af uddannelsesteknologi, hvis design- og indkøbsbeslutninger (standardindstillinger, konfigurerbarhed, hvad der overlever finansieringen) ankommer som begrænsninger for programmet frem for som produkter af det.

Uddannelsesudvikling i AI-tiden

  • Parathedsrammer: EPIQ-AI-rammen identificerer fire parathedsdomæner: epistemisk, pædagogisk, institutionelt og kvalitet og regelefterlevelse. Underviseres parathed er et socioteknisk afstemningsproblem, ikke blot et individuelt kompetencegab.

  • Undersøg, hvad en rammes niveauer beskriver, før du tager den i brug. På tværs af 16 institutionelt godkendte AI-kompetencerammer var AI-brug, vurdering af output og domæneanvendelse substantielle i alle 16, mens problemformulering (7), datakompetence (9) og AI-skabelse (8) ikke var det; kompetenceniveauer beskriver desuden elevudvikling, faglig rolle eller klassetrin, så de er ikke direkte sammenlignelige (Fitsilis (2026)).

  • Standarder for teknologiintegration: Crompton et al. bruger designbaseret forskning til at udvikle standarder for underviseres integration af teknologi (herunder AI) på videregående uddannelsesinstitutioner.

  • Indførelse og selvtillid: Forskning i læreres AI-indførelse identificerer bekymringer, støtte, selvtillid og holdninger som centrale prædiktorer. Programmer for underviserudvikling skal adressere alle fire.

  • Kurrikulær integration: Rammer for institutionel forandring og evalueringsreform kræver, at undervisere redesigner kurser og ikke blot tilføjer AI-værktøjer.

  • Oplæringsprogrammer: Rammer for AI-opkvalificering og TPACK-baseret grunduddannelse giver modeller for struktureret AI-undervisning af undervisere.

  • AI-formidlet professionel refleksion. Reflective Triangle-modellen placerer AI som kognitiv mediator på tværs af selvrefleksion, kollegial refleksion og fællesskabsrefleksion i et professionelt læringsfællesskab, testet i et fire uger langt gennemførlighedscase med seks lærere; den grænse, den drager, er, at individuel indsigt ikke automatisk bliver fælles professionel viden (Nguyen (2026)).

  • Styring og politik: Analyse af institutionel AI-politik dokumenterer kløften mellem institutionelle ambitioner og undervisernes støttekapacitet.

  • AI-kompetence er institutionelt usynlig. En systematisk gennemgang af 32 studier af sproglæreres AI-kompetence fandt den fraværende i arbejdsbelastningsmodeller, forfremmelsespolitikker og ressourceallokering, med fragmenteret udvikling og ansvar, der forskydes mellem institutioner og myndigheder, så kompetenceudviklingen ender som en individuel indsats frem for strukturel støtte (Deng, Çelik & Duran, 2026).

Metaforer og fælles sprog i uddannelsesudviklingen

Undervisere har heterogene og ofte dybt ambivalente mentale modeller af AI, og effektiv udvikling må bringe dem frem og arbejde med dem. Gerhardt et al. viser, at undervisere i ingeniørvidenskab rammesætter AI gennem metaforer, der både konstruerer og begrænser forståelsen (AI som en menneskelignende "assistent" kontra et "værktøj" eller en "søgemaskine"); fordi undervisere i samme institut ofte har fundamentalt forskellige begrebsliggørelser, er et fælles og præcist sprog om generativ AI en forudsætning for effektiv underviserudvikling og produktive institutsamtaler om indførelse.

En praktisk metode til at bringe disse mentale modeller frem er metaforanalyseværkstedet. Vallis, Wilson & Casey (2025) designede og validerede et lavteknologisk, samarbejdende værksted for undervisere, administrativt personale og studerende, hvor de kunne formulere deres metaforer for generativ AI. Deltagernes metaforer samlede sig i fire kategorier, nemlig Funktioner (værktøjslignende: "schweizerkniv"), Roller (menneskelignende: "hjælper", "frenemy"), Egenskaber (uudgrundelige: "sort boks", "glidebane") og Handlingsrum (truende: "konkurrent", "ondskabsfuld robot"), hvilket bragte vedvarende spændinger frem mellem menneskeligt kontra maskinelt handlingsrum og mellem det kendte og det uudgrundelige. Værkstedet hjalp deltagerne med at bringe antagelser frem, forbinde sig på tværs af roller, føle sig "ikke alene" og tænke over etikken i generativ AI uden at kræve teknisk ekspertise. Som udviklingsværktøj giver det programdesignere en lavtærskeladgang til at bringe et teams antagelser frem før et redesign af evalueringen eller en politikudrulning og til at håndtere frygt direkte, herunder frygten for, at AI vil erstatte undervisningsroller.(Fear and Awe: Making Sense of Generative AI Through Metaphor)

Generativ AI som identitetsarbejde, ikke blot opkvalificering

En tærskelorienteret tilgang omrammer GenAI-integration som en ontologisk forvandling for undervisere og ikke som et kompetencegab. Med tærskelbegrebsteori (Meyer & Land) argumenterer Laidlaw for, at generativ AI udviser alle fem tærskelkendetegn: den er transformativ (ombygger antagelser om evaluering, pædagogik og professionel rolle), besværlig (bryder overbevisninger om originalitet, menneskeligt handlingsrum og indsats kontra præstation), irreversibel, integrerende (forbinder teknologi, pædagogik, epistemologi og identitet) og afgrænset (GenAI-færdighed bliver en ny markør for professionel aktualitet).(When faculty ask, 'what's the point of teaching?': GenAI as identity crisis, not skills gap)

Ifølge denne redegørelse er undervisere, der spørger "hvad er meningen med at undervise i en GenAI-verden?", ikke mangelfulde i kompetence; de er i en liminal tærskeloverskridelsesfase, hvor angst, modstand og forvirring er nødvendige dele af forvandlingen og ikke forhindringer, der skal fjernes. Kompetencebaseret oplæring, der besvarer et kompetencespørgsmål, underviserne ikke stiller, kan blive perifer i forhold til den egentlige forvandling, og velment styring kan ende som en "håndhævelsesillusion", hvor man kommunikerer regler frem for at understøtte forandring.(When faculty ask, 'what's the point of teaching?': GenAI as identity crisis, not skills gap)

Designimplikation: suppler (og erstat ikke) kompetenceopbygning med identitetsstøttende praksisser: åbne sessioner med identitetsspørgsmål frem for tekniske demonstrationer, vedvarende fagspecifikke kohorter, hvor undervisere undersøger, hvad GenAI betyder for deres fags formål, peer-mentorstrukturer, der anerkender forskellige forvandlingstidslinjer, og en skelnen mellem frygtbaseret tøven (som har gavn af støtte) og principiel ikke-indførelse forankret i legitime faglige værdier (som fortjener respekt).(When faculty ask, 'what's the point of teaching?': GenAI as identity crisis, not skills gap) Metaforværkstedmodellen ovenfor er en konkret udmøntning af dette: i stedet for at begynde med teknisk opkvalificering åbner den med det fortolkende, identitetsladede spørgsmål om, hvad GenAI betyder for deltagerne.

Empirisk støtte til identitetsarbejdsrammen. Farazouli et al. (2026) giver direkte kvalitativ evidens for denne redegørelse: 24 svenske universitetslærere beskrev fremkomsten af generativ AI som alarmerende og overvældende og rapporterede en "tilstand af sårbarhed" (lav selvtillid, usikkerhed, frygt for "ikke at være foran de studerende") og følelsen af at "sidde fast" mellem utopiske og dystopiske diskurser. Deres begrænsede viden og erfaring, sammen med følelser af sårbarhed, fremhæver lærernes manglende parathed til at navigere i, vurdere og tage generativ AI i brug, og forfatterne argumenterer for, at institutioner må stille afgrænsede rum og tid til rådighed, så lærere kan eksperimentere med generativ AI, udveksle idéer og i fællesskab udvikle praksisser og retningslinjer på institutions-, instituts- og kursusniveau. Det forankrer identitetsarbejdet og den støtteorienterede tilgang i lærernes egne rapporterede erfaringer og ikke kun i teori.

Et program, der arbejdede direkte med identitetsspørgsmålet. Chick, Morello & Staffey (2026) rapporterer om et seks uger langt sommerinstitut, der tog ti undervisere fra uddannelsesfag, sundhedsvidenskab, erhvervsøkonomi og andre programmer fra lav AI-færdighed (gennemsnitlig selvvurdering 1,89 på en sekspunktskala) til 60%, der rapporterede høj selvtillid i at vejlede studerendes AI-brug, og 90% med positive opfattelser, og de tilskriver forskydningen mindre værktøjsoplæring end struktureret, sikker eksperimenteren, der åbnede med det eksistentielle spørgsmål om professionel værdi frem for med demonstrationer. Ordförrådsændringen er den markør, de læner sig op ad: tidlige rammesætninger af AI som en "snydemaskine" eller en "dehumaniserende kraft" vige for "nysgerrig assistent", og deres fire temaer, fra frygt til nysgerrighed, et ønske om etisk klarhed, som politiktomrummet ikke leverede, inkluderende design som ligestillingsforstærker og undervisere, der bevæger sig fra portvagter til guider, beskriver en delvis, bevidst reorientering af undervisningsidentiteten. De ti capstone-redesigns er den hårdere evidens, hvor otte af ti placerer AI som et stillads, der understøtter frem for erstatter tænkning, og forfatternes symbiotiske pædagogik formaliserer det, deltagerne byggede: komplementært design, transparent proces, kritisk integration, indlejret etisk ræsonnement og iterativ forfinelse. Forbeholdet er strukturelt og ikke individuelt: de samme deltagere nævnte modstridende politiske signaler, personlige værktøjsabonnementer og ingen tidsfrigørelse til redesignene, så forfatterne konkluderer, at modstand aldrig var problemet, og at lappeløsninger, der lader politik og infrastruktur være urørt, vil fejle selv en entusiastisk kohorte.

Udvikling som mediation, og det første spørgsmål en udvikler stiller. Sithole (2026) studerer akademisk udvikling, feltets ældre navn og det begreb, der bruges af International Journal for Academic Development, som udgav artiklen, på to sydafrikanske historisk dårligt stillede institutioner, og omrammer udviklere fra tekniske implementører til digitale mediatorer, der arbejder i tre registre: pædagogisk (at oversætte AI-diskurs til levedygtig undervisnings-, lærings- og evalueringspraksis), etisk (at holde automatisering op mod akademisk integritet og innovation op mod omsorg) og institutionelt (at arbejde i det liminale rum mellem ledelsesmæssige krav og akademiske hensyn). To fund er vigtige for programdesign. For det første er filterspørgsmålet kontekstuelt, før det er teknisk, nemlig "hvad betyder det her for undervisningen her, for vores studerende fra ressourcesvage skoler?", og at bremse indførelsen tæller som en del af arbejdet frem for som modstand mod det. For det andet er den affektive omkostning strukturel og ikke personlig: udviklerne blev forventet at udstråle ekspertise i værktøjer, hvis konsekvenser de stadig var ved at finde ud af ("jeg føler mig som en bedrager. Jeg lærer AI, mens jeg går, men institutionen forventer ekspertise"), og deres respons var kollegial professionel læring rettet mod dømmekraft frem for færdighed, herunder forsøg på bevidst at bryde værktøjerne. Artikelens analytiske bidrag er at adskille digital ulighed, et distributionelt problem, fra algoritmisk kolonialitet, et epistemisk problem, der overlever fuld adgang, og at placere begge inde i det globale syds videregående uddannelse, hvor udviklingsarbejde forventes at være transformerende frem for en neutral støttefunktion.

Skyld og moralsk ubehag som udviklingssignal. Vassallo (2026) leverer den affektive pendant til identitetsredegørelsen. I en spørgeskemaundersøgelse blandt akademisk personale på et maltesisk universitet (109 svar, en svarprocent på 3,5, som artiklen selv læser som informativ om tilstanden af den etiske debat) fulgte skyld skjul frem for åbenhed: at begrænse AI-brug på grund af uro korrelerede med AI-skyldindekset med r = 0,62, og at undgå at fortælle kolleger om det med r = 0,50, mens formel indberetning i akademiske publikationer ikke viste nogen sammenhæng (r = 0,08). Kun 31,2% oplevede klare institutionelle retningslinjer, og sammenhængen mellem den klarhed og lavere skyld var svag (r = −0,25, p = 0,010), hvilket artiklen læser som evidens for, at topstyrede påbud ikke kan løse et problem, der delvis er følelsesmæssigt og identitetsbaseret. Anbefalingerne er direkte udviklingsorienterede: behandl skyld og identitetsbekymring som normale overgangsreaktioner frem for fejl, der skal korrigeres, brug struktureret eksperimenteren med lav indsats til at føre personalet gennem den forventede uro, og læn dig op ad mentorordninger med seniorforskere, da skyld var højest blandt yngre akademikere (M = 2,71) og lavest blandt seniorer (M = 2,03).

Praktisk vejledning til programdesignere

For underviserudviklere, akademiske ledere og instruktionsdesignere, der planlægger AI-relateret professionel udvikling, peger vidensbasens evidens på følgende:

Adressér de fire indførelsesdrivere, ikke blot viden. Selvtillid, holdninger, støtte og bekymringer forudsiger, om undervisere faktisk tager AI i brug, og en workshop, der kun handler om viden og ignorerer disse, ændrer næppe praksis. Design udviklingen, så den opbygger selvtillid gennem praktisk brug, giver vedvarende støtte (ikke engangsoplæring) og aktivt bringer undervisernes bekymringer frem og responderer på dem.(AI Adoption Among Teachers: Insights on Concerns, Support, Confidence, and Attitudes)

Selvtillid og kompetence er ikke udskiftelige mål: i en SEM-analyse med 502 universitetsundervisere var AI-kompetence den dominerende prædiktor for AI-relateret trivsel (β = 0,713), mens teknologisk self-efficacy bidrog lidt (β = 0,082), og støtte nåede kun trivsel indirekte (Liu et al. (2026)).

Behandl efterspørgsel efter retningslinjer og retningslinjers tilstrækkelighed som to forskellige problemer. Undervisere på ét universitet støttede stærkt institutionelle tiltag mod uetisk AI-brug (M = 4,59), mens de vurderede de eksisterende retningslinjer lavest (M = 2,99) og udpegede databeskyttelse og kulturel inklusion som deres svageste viden, et konkret mål for professionel udvikling (Bilgic & Sever, 2026).

Behandl parathed som et socioteknisk afstemningsproblem. EPIQ-AI-rammen viser, at underviseres parathed spænder over epistemiske, pædagogiske, institutionelle og kvalitets- og regelefterlevelsesmæssige domæner. Programmer, der kun oplærer individet, overser de institutionelle håndtag (politik, arbejdsbelastning, incitamenter, kvalitetsstandarder), der muliggør eller blokerer forandring; afstem dem side om side med oplæringen.(Faculty Readiness for AI-Supported Teaching and Scalable Online Program Delivery in Higher Education: The EPIQ-AI Framework for Epistemic Integrity)

Sæt ikke lighedsteg mellem infrastrukturinvesteringer og forvandling. På tværs af 125 studier korrelerede institutionel investering i GenAI-infrastruktur og uddannelsesudvikling kun svagt med faktisk pædagogisk forandring (r = 0,12), mens 60-70% af underviserne følte sig uforberedte på at integrere GenAI, hvilket gør udvikling og ikke indkøb til den bindende begrænsning.(Rathnayake (2026))

Arbejd mod redesign af kurrikulum, ikke mod værktøjsindførelse. Målet er, at undervisere redesigner kurser og evaluering, ikke blot at de tilføjer AI-værktøjer. Forankr den professionelle udvikling i redesignarbejde på kursusniveau og i evalueringsreform, og giv underviserne strukturerede rammer til at gøre det (fx evalueringsskalaer, rammer for institutionel forandring).(A Framework for Institutional Change in the Age of AI)(A bit of chaos and madness: The AI Assessment Scale and the work of assessment reform)

Saml landsbyen, ikke individet. På tværs af 12 interviewede akademikere og 17 studerende oversteg redesign af evalueringen i GenAI-tiden enhver enkelt akademikers formåen, og ufleksible processer, lange gennemløbstider og arbejdsbyrde blev nævnt, så forfatterne foreslår et programdækkende team, der kombinerer evalueringsdesign, GenAI, faglig, programmæssig og branchemæssig ekspertise (Nicola-Richmond et al., 2025).

Kør serien på lokalets egne data frem for importeret best practice. Perl-Nussbaum og Finkelstein (2026) dokumenterer en gennemarbejdet model fra et stort offentligt R1-fysikinstitut: seks sessioner hver anden uge af 60 til 75 minutter, nitten undervisere deltog over serien og omkring ti ved hvert møde, hvor hver session åbnede med lokale data eller instituttets egne materialer, gik videre til smågruppetest af AI mod rigtige anonymiserede studerendelektier og sluttede i fælles diskussion. Det, underviserne fandt ved at teste, var mere brugbart end nogen pakke, facilitatorerne kunne have importeret: AI løste hver opgave, de forsøgte, men dens feedback på rigtige studerendes arbejde var ujævn, promptafhængig og overfladefokuseret, medmindre den fik eksplicitte mål og rubrikker, og de studerende promptede overfladisk og ændrede output kosmetisk, medmindre produktiv brug blev modelleret. Det første konkrete output var et levende lager på fem poster, nemlig pensumpolitiske erklæringer, materialer til klassediskussion, studerendes spørgeskema, AI-integrerede lektieopgaver og evalueringsstrukturer, hvilket er grunden til, at forfatterne behandler sessionens struktur som selve argumentet frem for noget indhold, den leverede.

Forankr i en kompetenceramme. Udviklingen bør også opbygge pædagogisk promptkompetence, evnen til at indkode pædagogiske intentioner i prompts, da Talebzadeh (2026) finder, at det er pædagogisk ekspertise og ikke AI-færdighed, der afgør kvaliteten af læreres AI-assisterede designarbejde.(AI-accelerated End-to-End Framework for Rapid Professional Upskilling)(AI literacy-related domains and AI-TPACK readiness among preservice mathematics teachers: A factor-informed structural equation modelling study)(The Architecture of Roles in AI-Designed Group Activities: A comparative inductive analysis of novice and experienced teachers' differentiated instruction within the IAT framework)

Sekvensér forståelse før automatisering. En kritisk diskursanalyse af 14 stykker grå litteratur udgivet mellem november 2022 og april 2025, der rådgiver praktikere om generativ AI til konstruktiv sammenhæng, finder, at kompetence må komme før værktøjsadgang: fordi kvaliteten af engagement kommer før kvaliteten af forståelse i en konstruktivistisk ramme, skalerer risikoen omvendt med fortrolighed, og nybegyndere er mest udsat for plausibilitetsdrevet accept af plausibelt udseende, men pædagogisk tynde output. McInnes et al. (2026) argumenterer desuden for, at udviklingsenheder bør modsætte sig et teknokratisk mandat, hvor man hjælper undervisere med at "opnå færdighed" i værktøjer, der udfører "det tunge arbejde" i kursusdesign, fordi den rammesætning lukker udviklere ude af et lukket underviser-GenAI-loop og omdanner værdiledet, relationel udvikling til en medierende mekanisme for softwareindførelse. Det forsvarlige alternativ holder underviserudviklere som kuratorer og regelsættere for enhver institutionelt afgrænset retrieval-augmenteret sammenhængsassistent, der stiller undersøgende spørgsmål, flagger under- og overevaluering og genererer alternativer, men aldrig færdige artefakter, med eskalering til menneskelig dømmekraft i akkrediterings- og tværprogramspørgsmål behandlet som en egenskab frem for en undtagelse.

Bring frygt og mentale modeller frem og håndter dem. Før undervisningen redesignes, brug et metaforanalyseværksted (Vallis, Wilson & Casey 2025) til at bringe et teams antagelser og bekymringer om generativ AI frem, herunder frygten for at den vil erstatte undervisningsroller, og byg udvikling, der responderer på dem frem for at ignorere dem.(Fear and Awe: Making Sense of Generative AI Through Metaphor)

Modeller AI-kompetence og mål reelle gevinster. Underviserudvikling bør selv udleve de praksisser, der undervises i (at bruge AI pædagogisk, vurdere output kritisk), og bør vurdere demonstreret kompetence frem for selvrapporteret selvtillid, da selvopfattelse pålideligt overvurderer AI-færdighed.(How to Assess AI Literacy: Misalignment Between Self-Reported and Objective-Based Measures)(Efficacy of an Intensive Generative AI Professional Development Program on Pedagogical Content Knowledge (AI-PCK) and the Comparative Analysis of Learning Gain between Experienced and Pre-service Teachers)

Antag ikke, at faglig ekspertise overføres til generativ AI. Sutedjo, Chowdhury & Liu (2026) spurgte 127 undervisere på amerikanske forskningsuniversiteter med TPACK-21-instrumentet og fandt, at indholdsviden (CK) viste ingen signifikant korrelation med teknologisk viden eller noget teknologintegreret domæne (r = 0,11-0,15, ns); faglig ekspertise forudsagde ikke viden om GenAI-integration. De teknologintegrerede domæner (TPK, TCK, TPACK) korrelerede så stærkt indbyrdes (r = 0,81-0,91), at de kan fungere som en enkelt GenAI-integrationsfaktor. I praksis: byg GenAI-integration gennem fagspecifikke aktiviteter, der forbinder GenAI-muligheder med den enkelte undervisers fag, og behandl de teknologintegrerede domæner som et fælles GenAI-kompetencefundament frem for at oplære dem som separate færdigheder.(Assessing faculty self-perceived knowledge in using generative AI to teach 21st-century skills)

Fagspecifikke smartklasserumsmodeller. Zhu, Liang, Mao og Wang (2026) viser, hvordan et matematikstudium på kandidatniveau kan forstærkes med intelligente uddannelsesteknologier (automatisk scoring, personaliserede anbefalinger, multi-AI-feedback) integreret på tværs af faser før, under og efter undervisningen inden for en tredimensionel smartklasserumsramme. Deres kvasi-eksperiment fandt statistisk signifikante gevinster i kompetencen til at designe undervisningsmål og tilbyder en overførbar D-T-E-model (Disciplinary Demand, Technological Empowerment, Evaluation Loop) til læreruddannere og underviserudviklere, der vil flytte smart-uddannelsesrammer fra makrokoncepter til fagspecifik praksis.

Mål fremmøde, ikke følelsen af engagement. I et seks måneder langt Intelligent-TPACK-program for 64 universitetslærere forudsagde fremmødeprocent gevinsten i AI-kompetence (β = 0,407, p = 0,001), mens selvopfattet deltagelse ikke gjorde (β = 0,049, p = 0,692), hvilket forfatterne læser som konkret adfærdsmæssig investering frem for overfladisk engagement (Tan, Cheng & Ling, 2025). Programmet parrede onlineforelæsninger med tre fysiske workshops og krævede derefter, at lærerne reviderede deres undervisningsdesigns og implementerede dem i det følgende semester, og forfatterne anbefaler at knytte fremmøde til medarbejdersamtalen sammen med meningsfulde incitamenter.

Benchmark mod det, underviserne selv rapporterer. Watson & Rainie (2026)'s undersøgelse blandt 1 057 amerikanske undervisere finder det institutionelle lag tyndt på måder, programdesignere kan måle direkte: 59% vurderede deres institution som uforberedt på at bruge generativ AI effektivt til at forberede studerende på fremtiden, og 68% sagde, at den ikke havde forberedt underviserne på at bruge den til undervisning og vejledning, mens den strukturelle respons bestod i en taskforce på 55% af institutionerne, men i et generelt uddannelsesmål om AI-kompetence på kun 13%. Underviserne havde ikke ventet på politikken: 87% skrev deres egne regler på opgaveniveau, mens 48% kunne pege på en institutionel, og de nævnte kollegers modstand (82%) og ukendskab (83%), ikke påbud, som forhindringerne for institutternes indførelse. For udviklingsprogrammer taler det for at behandle kollegiale normer, et fælles politiksprog på opgaveniveau og eksplicitte mål for institutionel parathed som en del af interventionen frem for at overlade dem til politikdokumentet.

Underviseres respons afspejler magtcentre, ikke holdning. I et instrumentelt casestudie af 33 skriveundervisere formede fire polycentriske magtcentre (den globale GenAI-trend, universitetet og instituttet, kolleger og studerende) praksissen, og deltidsansatte, der var begrænset af lav diskursmagt, flyttede sig fra detektion mod at undervise i acceptabel brug (Zuo et al. (2026)).

  • Seks familier af professionel udvikling, tre med god evidens og en klar vinder. En gennemgang af 78 studier af AI-understøttet instruktionsdesign sorterer dokumenteret professionel udvikling i kompakte indlejrede moduler (2-4 uger), semestrerlang mikrolæring, opgavebaserede designcyklusser, samarbejdende dialogbaserede spørgsmålskæder, kritisk fælles opdagelse og selvstyret praktikerlæring. Udfaldsevidensen er stærkest for kompakte indlejrede moduler: et tre uger langt modul gav statistisk signifikante gevinster på alle seks Intelligent-TPACK-domæner med mellemstore til store effektstørrelser, og et fire uger langt program med 436 lærerstuderende og en kontrolbetingelse er den stærkeste kontrollerede evaluering i materialet (Spyropoulou & Kameas, 2026).
  • Tre designtræk adskiller de bedst underbyggede interventioner. Etik indlejret som distribueret øvelse med kontrolpunkter ved hver opgave frem for en enkeltstående session; præstationsbaseret kompetencevurdering med undervisningsplaner, beslutningslogge og mikro-undervisning, motiveret direkte af selvrapporteringens upålidelighed; og promptkonstruktion udviklet som reflekteret, pædagogisk forankret praksis. Indførelse er ikke samme håndtag som præstation: på tværs af 200 lærere i Nordsumatra havde AI-brug ingen direkte effekt på læreres præstation (β = 0,112, p = 0,087), mens organisatorisk medborgerskabsadfærd bar den indirekte, så udviklingsarbejde rettet mod samarbejdende brug ud over kerneopgaven er den version, evidensen understøtter (Sherly et al. (2027)). Et tilhørende to uger langt studie fandt hurtige gevinster i viden og selvtillid og udpegede samtidig biasdetektion som den svageste fremspirende kompetence, et gab der holdt i det længere modul, i tråd med at etisk perceptuel kapacitet udvikles langsommere end teknologisk fortrolighed.

Almindelige fejlopfattelser

"En kompetenceworkshop er den intervention, uddannelsesudvikling har brug for." Parathed er et socioteknisk afstemningsproblem, ikke et individuelt underskud, og derfor kommer en enkeltstående "AI-workshop" til kort i forhold til det behov, den skal dække. Et program, der arbejdede direkte med spørgsmålet, var et seks uger langt sommerinstitut, der tog ti undervisere fra uddannelsesfag, sundhedsvidenskab, erhvervsøkonomi og andre programmer gennem identitetsarbejde. Varighed og kohorte er ikke tilfældige i det design; de er det, der adskiller det fra en rundvisning i funktioner.

"Klarere institutionelle retningslinjer vil løse undervisernes uro." Retningslinjer hjælper, og de når ikke problemet. Kun 31,2% af det akademiske personale på et maltesisk universitet oplevede klare institutionelle retningslinjer, og sammenhængen mellem retningslinjernes klarhed og lavere skyld var svag (r = −0,25, p = 0,010). En svag sammenhæng i den størrelsesorden betyder, at topstyrede påbud ikke kan afgøre det, artiklen læser som et delvis følelsesmæssigt og identitetsbaseret problem; den femtedel af variansen, de forklarer, er ikke den femtedel, der betyder noget.

"Skyld over AI-brug indikerer regelbrud." Den følger skjul frem for åbenhed: at begrænse AI-brug på grund af uro korrelerede med at skjule det, ikke med forbudt adfærd. At læse skyld som evidens for forseelse identificerer derfor dens kilde forkert, og at behandle den som et compliance-signal vil skubbe adfærden længere ud af syne.

"En lav svarprocent betyder, at underviserne ikke har stærke følelser." Artiklen læser sine 109 svar (en svarprocent på 3,5) som selv informativ om tilstanden af den etiske debat; et lavt svar på et spørgsmål om ubehag er et fund om det ubehag, ikke et fravær af det. Og en GenAI-integration, der udelukkende rammesættes som opkvalificering, overser det identitetsspørgsmål, nogle undervisere faktisk stiller: hvad meningen med undervisning er i en GenAI-verden.

Forbundne begreber

Forbundne artikler

Relaterede FAQ'er

Relaterede ressourcer

  • Education Agent Skills
    A library of 165 evidence-grounded agent skills covering pedagogy, learning science, curriculum, and assessment, packaged for Claude, Codex, and Hermes.
  • FPDS Apps and Resources
    The public resource page of Faculty Professional Development Services at Hillsborough College, collecting its AI design coaches, Canvas courses and accessibility guides in one place.

Metadata

NiveauHigher Ed, K 12
Tiltænkt målgruppeFaculty Developers, Instructors
Institutioner og politikEducational AI Policy
Grundlag for AI i uddannelseAI-kompetence, Curriculum Design, Læringsdesign, Undervisning, Læreres AI-kompetence
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.