AIEd-vidensbaseAIEd KB
På denne side

Læs denne side på engelsk

Begreber

Historien om AI i uddannelse

Oprettet 2026-08-23 · Opdateret 2026-11-08

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

Historien om AI i uddannelse — studiet af, hvordan kunstig intelligens og uddannelse har udviklet sig sammen siden midten af det 20. århundrede, og hvordan tidligere konceptuelle, terminologiske og designmæssige valg fortsat former dagens debatter om AI i læring. I stedet for at behandle generativ AI som en pludselig, uhørt kraft afdækker en historisk linse tilbagevendende spændinger — kontrol vs. handlingsrum, standardisering vs. kreativitet, automatisering vs. forstærkning — som har struktureret AI i uddannelse siden dens oprindelse.

Spørgsmål at overveje

  • Dagens generative AI beskrives ofte som en uhørt revolution. Hvordan kan den indramning ('kronocentrisme') forhindre os i at se de tilbagevendende mønstre under den?
  • Feltet var næsten blevet kaldt 'kybernetik' i stedet for 'kunstig intelligens'. Hvordan kan det ene navnevalg have formet, om vi ser maskiner som selvstændige intelligenser eller som dele af sammenkoblede feedbacksystemer?
  • Siden indrammer AIED-historien som en spænding mellem kontrol (Andersons kognitive vejledere, der optimerer undervisning) og handlingsrum (Paperts konstruktionisme, der styrker de lærende). Hvor på det spektrum ligger dine egne AI-i-uddannelse-valg — og hvorfor?
  • Personalisering har, som siden argumenterer for, to betydninger: at variere vejen til det samme udfald eller at muliggøre forskelligartede, lærerstyrede udfald. Hvilken slags personalisering forfølger din institution egentlig, og hvilken mener du, den bør forfølge?
  • Hvis dagens GenAI-debatter 'spejler' disse historiske spændinger, hvilke tidligere fejl gentager vi så måske — og hvad kunne vi undgå ved at huske dem?
  • Siden hævder, at tekniske designvalg indlejrer værdidomme om læringens formål. Kan du identificere en designbeslutning i et AI-undervisningsværktøj, du har brugt, som stille favoriserede standardisering frem for de lærendes handlingsrum — eller omvendt?

Introduktion

Feltets historie er ikke en lineær udvikling, men en række kontingente beslutninger, hvis virkninger stadig genlyder. At forstå denne historie værner mod "kronocentrisme" (tilbøjeligheden til at behandle den aktuelle udvikling som enestående revolutionær), hjælper med at undgå at gentage tidligere fejl og afslører, hvordan valg om indramning og terminologi — ikke blot teknologi — styrer AI's bane i uddannelse.

Centrale historiske tråde

Fra kybernetik til "kunstig intelligens". Da John McCarthy planlagde Dartmouth Summer Research Project i 1956, valgte han bevidst betegnelsen artificial intelligence frem for cybernetics — dels for at distancere feltet fra Norbert Wiener og dennes fokus på analog feedback. Denne navnebeslutning indrammede maskinernes formåen i direkte sammenligning med menneskelig kognition (antropomorf indramning) og styrede forskningsprioriteter, offentlig opfattelse og etisk debat i årtier. Havde feltet beholdt den kybernetiske indramning, forestiller artiklen sig, at vi nu måske ville tale om "kybernetiske læringssystemer", der understreger feedback og sammenkobling, frem for "AI-vejledere", der positionerer maskinen som en uafhængig intelligenskilde.

Den kognitive revolution og ITS' rødder. Tidlige pionerer — Herbert Simon, Allen Newell, Marvin Minsky, John Anderson — modellerede ikke blot kognition; de undersøgte fundamentale spørgsmål om læring og undervisning. Deres arbejde frembragte informationsbehandlingsmodeller for menneskelig kognition, som blev grundlæggende for uddannelsespsykologien, og førte til Intelligent Tutoring Systems (ITS), forankret i 1960'ernes og 70'ernes heuristiske søgning og ekspertsystemparadigmer. Disse systemer passede naturligt til eksisterende strukturer for evaluering og standardisering og smeltede efterhånden sammen til AIED-fællesskabet.

Kontrol vs. handlingsrum: Anderson og Papert. To konkurrerende visioner opstod, legemliggjort i John Anderson og Seymour Papert. Andersons kognitive vejledere (ACT/ACT-R-teori) dekomponerede viden til produktionsregler, gav præcis individuel feedback og forstærkede traditionelle uddannelsesstrukturer — en vision om AI som et værktøj til at optimere undervisning. Paperts konstruktionisme (Logo, "mikroverdener", debugging-som-læring) så computere som miljøer, hvor børn konstruerer viden gennem kreativ eksperimenteren — en vision om AI som et redskab til intellektuel styrkelse, der udfordrede institutionelle hierarkier. Denne "essentielle spænding" mellem kontrol og handlingsrum er feltets historiske gennemgående tråd.

To former for personalisering. Personalisering har to forskellige fortolkninger, som afspejler disse visioner. Den første fastholder ensartede udfald, mens vejen varieres (med rødder i Skinners undervisningsmaskiner; Khan Academys vision om vejledning til mestring). Den anden omfavner forskelligartede udfald — lærende, der forfølger individuelle interesser og talenter, ubundet af standardpensumgrænser (Zhao, 2024). ITS-modellen understøtter den første; konstruktionismen den anden.

Lektioner for GenAI-æraen. Dagens debatter om generativ AI spejler tæt disse historiske spændinger. GenAI positioneres ofte som en næste generations intelligente vejleder (en forlængelse af Anderson), hvilket rejser bekymringer om overvågning, dataindsamling og standardisering. Alternativt kan det være et værktøj til kreativt handlingsrum (en forlængelse af Papert), hvilket kræver, at vi gentænker evaluering og accepterer mere tvetydige udfald. Som Mishra m.fl. konkluderer, favoriserer institutionelle kræfter gentagne gange tilgange, der forstærker eksisterende strukturer — og det sprog og de metaforer, vi vælger, vil forme fremtidige muligheder. Rismanchian og Doroudis AI×Ed-ramme giver denne intuition empirisk grundlag: ved at placere artikler fra AIED-proceedings (1985, 1993, 2021, 2024) og IJAIED (2004, 2014, 2021) langs to akser — AI's rolle (anvendt værktøj vs. analogi til menneskelig intelligens) og slutbrugeren — sporer de et felt, der bevægede sig fra en mangfoldig blanding, herunder betydelig tidlig forskning med AI som analogi til menneskelig intelligens (komputationale læringsmodeller, Paperts mikroverdener, agentbaserede modeller for videns tilegnelse), mod et næsten udelukkende fokus på anvendte, instrumentelle anvendelser i 2000'erne. Bemærkelsesværdigt er det, at generativ-AI-æraen ser ud til delvis at vende den bane: ved AIED 2024 var tre af de fire pladser i "AI-som-analogi"-kvadranten bygget på LLM'er, og en af dem fik en best-paper-pris for LLM-drevne undervisbare agenter.

Tidsskriftsrekorden skifter retning to gange. En strukturel topic-model over 5.387 artikler i Computers & Education (1976–2026) fandt AI i 390 poster (7,2 %), fordelt over 17 af dets 18 emner. De årlige odds for, at en artikel var AI-relateret, steg 21,8 % om året frem til 1989, faldt 3,7 % årligt indtil 2018 og steg derefter 40,1 % årligt frem til 2025 (Wu m.fl., 2026). Vendepunktet i 2018 kommer fire år før ChatGPT, så den generative æra accelererede en tendens, der allerede var i gang, snarere end at starte en.

Generativ AI's seneste indvirkning

Ankomsten af generativ AI — en bred familie, der omfatter store sprogmodeller (tekst) samt billed-, lyd- og videogeneratorer — markerer det mest betydningsfulde vendepunkt i AIED-feltets historie siden feltets grundlæggelse. LLM'er er det mest fremtrædende medlem af denne familie og driver det meste af klasseværelsets indvirkning, men generativ AI som helhed (i stand til at producere ny tekst, nye billeder, lyd og kode) er den bredere kraft, der omformer uddannelse. Den forstås bedst i forhold til AIED-feltets historie snarere end som et rent brud. Flere træk gør generativ-AI-æraen særegen:

Skala og rækkevidde. I modsætning til de kognitive vejledere og ITS fra tidligere årtier, som opererede i kontrollerede laboratorie- og klasseværelsesmiljøer, nåede LLM'er hundreder af millioner af lærende og undervisere inden for måneder efter udgivelsen og trådte næsten øjeblikkeligt ind i hverdagens skrivning, lektier og undervisning. GenAI-debatten flyttede fra specialiserede tidsskrifter til klasseværelser, bestyrelseslokaler og lovgivende forsamlinger med uhørt hast.

En ny slags formåen. Tidligere AIED-systemer modellerede kognition og leverede struktureret undervisning (Anderson-traditionen). LLM'er udfører åben generering — producerer essays, forklaringer, kode og dialog — hvilket bringer de lærendes handlingsrum og kreativitet (Papert-traditionen) i forgrunden på måder, tidligere ITS ikke kunne. Det er derfor, det nuværende øjeblik genantænder spændingen mellem kontrol og handlingsrum så skarpt: det samme værktøj kan udrulles som en næste generations intelligente vejleder (der kontrollerer udfaldene) eller som en kreativ medskribent og tænkningspartner (der forstærker handlingsrummet).

En omvending af adgangsligningen. Historisk var personlig vejledning knap og dyr; GenAI gjorde adaptiv en-til-en-støtte næsten gratis og universel — hvilket dramatisk sænkede de tilgængeligheds- og omkostningsbarrierer, der formede tidligere AIED. Men det indførte også nye risici: algoritmisk bias, hallucination, overvågning, dataindsamling og dekvalificering af undervisere.

Fornyet bekymring om AI-kompetence og misbrug. Generativ-AI-æraen gjorde AI-kompetence presserende og omformulerede debatterne om akademisk redelighed (detektion vs. dialog), mens den genoplivede langvarige bekymringer om automatisering, standardisering og epistemisk afhængighed. Det er de moderne udtryk for feltets oprindelige spændinger.

Kronocentrismens risiko. Som Mishra m.fl. advarer om, mangler hypen omkring generativ AI ofte historisk bevidsthed, hvilket lader teknologievangelister dominere samtalen. At forstå, at dagens GenAI-debatter genlyder af Anderson–Papert-skillelinjen og navnebeslutningen om kybernetik i 1955, hjælper os med at træffe bevidste valg i stedet for at behandle nutiden som uundgåelig. Det egentlige spørgsmål er ikke, hvad generativ-AI-værktøjer kan, men hvad vi ønsker, de skal gøre — en beslutning formet af, hvor vi har været.

Implikationer

  • Læs hype historisk. Anerkend, at hver ny AI-bølge indrammes som revolutionær; historisk bevidsthed afslører kontinuitet og hjælper med at modstå virksomheders dominans over samtalen.
  • Se designvalg som værdivalg. Tekniske beslutninger om AI i uddannelse indlejrer ideologiske positioner om læringens formål — bring dem frem i lyset og afprøv dem.
  • Afvej kontrol mod handlingsrum bevidst. Om AI bør optimere mod standardudfald eller muliggøre forskelligartede, lærerstyrede udfald, er et reelt valg med institutionelle og politiske konsekvenser, ikke en teknisk givenhed.
  • Bevar de lærendes handlingsrum. Den tilbagevendende modstand mod standardisering og kontrol til fordel for åbne, lærercentrerede tilgange er en holdbar tråd, der er værd at forsvare.

Almindelige fejlopfattelser

"AI i uddannelse begyndte med ChatGPT." Det gjorde den ikke, og troen er kostbar, fordi den gør hver tidligere lektie usynlig. Intelligent vejledning stammer fra det heuristiske søge- og ekspertsystemarbejde i 1960'erne og 70'erne, og AIED-fællesskabet formede sig omkring det årtier før store sprogmodeller. Mishra m.fl. viser, at de nuværende debatter genskaber en skillelinje, der allerede var eksplicit i Andersons kognitive vejledere og Paperts konstruktionisme, så en læser, der daterer feltet til 2022, vil genudlede argumenter, som feltet allerede har afgjort, forladt eller tabt én gang før.

"Feltet har gradvist forladt AI-som-analogi til fordel for anvendte værktøjer, og generativ AI fortsætter den tendens." Dette er den mest lærerige korrektion på siden, fordi banen er reel, men ikke monoton. Rismanchian og Doroudis positionsanalyse af AIED 1985, 1993, 2021 og 2024 samt IJAIED 2004, 2014 og 2021 viser ganske vist en drift fra et blandet felt mod næsten udelukkende anvendt instrumentalitet i 2000'erne. Men ved AIED 2024 var tre af de fire artikler i AI-som-analogi-kvadranten LLM-baserede, herunder best-paper-arbejdet om LLM-baserede undervisbare agenter. Generativ AI vender delvis tendensen snarere end at forlænge den, hvilket er grunden til, at det at behandle den som "den næste intelligente vejleder" fejllæser, hvor forskningsfronten faktisk flyttede sig hen.

"Personalisering betyder at tilpasse sværhedsgraden til den enkelte lærende." Det er kun én af to uforenelige betydninger, og at sammenblande dem skjuler et politisk valg. I den første betydning holdes udfaldet fast, og kun vejen varieres, med en linje fra Skinners undervisningsmaskiner gennem mestringsbaseret vejledning. I den anden diversificeres udfaldene selv, når lærende forfølger individuelle interesser ubundet af standardpensum (Zhao, 2024). Et ITS implementerer den første; konstruktionismen den anden. Et værktøj, der beskrives som "personaliseret", har ikke fortalt dig noget, før du ved, hvilken af dem der menes.

"'Kunstig intelligens' var simpelthen det oplagte navn for feltet." Udtrykket var et bevidst valg. Da McCarthy planlagde Dartmouth-projektet i 1956, foretrak han artificial intelligence frem for cybernetics, dels for at distancere arbejdet fra Wieners analoge feedbacktradition. Den ene beslutning indrammede maskiner i direkte sammenligning med menneskelig kognition, og den antropomorfe indramning, den installerede, former stadig forskningsprioriteter, produkters sprog og de etiske spørgsmål, offentligheden stiller.

At omsætte det i praksis

For undervisere og undervisningsdesignere

  • Navngiv den tradition, dit værktøj tilhører, før du tager det i brug. Spørg, om det optimerer mod faste udfald eller åbner for de lærendes retning, fordi svaret — ikke funktionslisten — afgør, hvad det vil gøre ved dit evalueringsdesign.
  • Afprøv ordet "personaliseret" i enhver leverandørpåstand, og få et svar i form af de to betydninger ovenfor. Et produkt, der varierer tempoet mod en fælles standard, og et, der lader studerende divergere, er ikke substitutter.
  • Når studerende fremstiller GenAI som uhørt, er historien undervisningsindhold i sig selv. Anderson–Papert-indramningen giver dem et ordforråd til at argumentere om AI i stedet for blot at bruge det.

For udviklere

  • Grænsefladens sprog er en designbeslutning med en afstamning. At kalde dit system en "AI-vejleder" arver Andersons indramning og forventningen om at optimere mod standardudfald; at kalde det en "mikroverden" eller et "læringsmiljø" arver Paperts. Ingen af dem er neutrale, så vælg bevidst.
  • Hvis du bygger i analogitraditionen (læringsmodeller, undervisbare agenter, simulationer af videns tilegnelse), så sig det. Den kvadrant var næsten tom i to årtier og befolkes igen; positioneringen er en differentiator, og evalueringskriterierne er anderledes.

For forskere

  • Brug de historiske korpora som baseline i stedet for at behandle nutiden som den eneste tilgængelige sammenligning. AIED-proceedings for 1985, 1993, 2021 og 2024 samt IJAIED for 2004, 2014 og 2021 er en færdiglangsgående stikprøve af feltets egne påstande.
  • Citér afstamning, når du hævder nyhed. En påstand om, at et system "personaliserer læring" eller "modellerer den lærende", er kun ny i forhold til en bestemt tidligere tradition, og traditionen er dokumenteret.

Forbundne begreber

Forbundne artikler

Metadata

Læring og undervisningConstructivism, Learning Theories
Teknologier og teknikkerGenerative AI, Intelligent Tutoring
Grundlag for AI i uddannelseElevens handlingsrum, AI i uddannelse, Historien om AI i uddannelse
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.