AIEd-vidensbaseAIEd KB
På denne side

Læs denne side på engelsk

Begreber

Menneske-AI-samarbejde

Oprettet 2026-05-29 · Opdateret 2026-11-08

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

Menneske-AI-samarbejde — arbejdsdelingen af kognitivt arbejde mellem mennesker og modeller — er vidensbasens centrale interaktionstema: Human-AI collaboration in higher education: Exploring the impact of technology expectations and distrust, "It felt a bit eerie": Exploring humanlike interactions during collaborative writing with an artificial agent, Generative AI (GenAI) as a mindtool that supports generative learning (GL) og Balancing Teacher and Student Agency: Co-Orchestration Tool Design Supporting Real-Time Dynamic Pairing undersøger tillid, handlingsrum og komplementære roller (Human-in-the-Loop, Agentbaseret AI). Det afgørende spørgsmål er, om partnerskabet bevarer eller erstatter den lærendes eget kognitive arbejde — den samme ordning kan understøtte læring eller erstatte den, afhængigt af hvordan ansvaret deles.

Spørgsmål at overveje

  • Det afgørende spørgsmål i menneske-AI-samarbejde er, om partnerskabet bevarer eller erstatter dit eget kognitive arbejde. Tænk på en opgave, du har overladt til AI: genererede og besluttede du, eller accepterede du bare?
  • En undersøgelse fandt, at fri samarbejde med ChatGPT kun gav forbigående gevinster, som kollapsede på en senere opgave uden støtte, mens en protokol med 'tænk først, ChatGPT bagefter' gav varig læring. Hvorfor kan det, hvem der genererer ideerne, forudsige, om du faktisk lærer noget?
  • Det samme værktøj kan understøtte læring eller erstatte den, afhængigt af hvordan ansvaret deles. Kan du komme i tanke om en ordning, der holdt dig kognitivt produktiv, versus en, der stille og roligt udliciterede din tænkning?
  • Én ordning vender de sædvanlige roller om: i stedet for at modellen leverer svarene, forklarer den studerende indholdet, og modellen spiller den uvidende part, der beder om forklaringer, eksempler og et modargument. Hvis det er AI'en, der spørger, hvad sker der så med, hvor meget af tænkningen der bliver på din side?
  • Tillid beskrives som noget, der skal kalibreres, ikke antages — at stole på AI, hvor det er passende, og verificere, hvor det ikke er. Hvordan beslutter du i dag, hvornår du skal stole på og hvornår du skal verificere AI-output?
  • Forskning identificerer samarbejdsformer, der afvejer effektivitet mod dybden af din selvregulerende engagement. Hvornår er det værd at acceptere mindre effektivitet for at beholde mere læring i egne hænder?
  • Hvis samarbejde er et pædagogisk valg lige så meget som et teknisk, hvilke designgreb (prompts, arbejdsgange, strukturer) ville du så sætte op for at sikre, at AI forstærker snarere end erstatter tænkningen for dine lærende?

Introduktion

Menneske-AI-samarbejde beskriver, hvordan lærende, undervisere og AI-systemer deler det kognitive arbejde — hvem der gør hvad, hvem der beslutter, og hvordan tillid og handlingsrum bevares. I stedet for at indramme AI som enten en erstatning eller et passivt værktøj behandler samarbejdsforskningen AI som en partner med komplementære styrker, hvis værdi afhænger af, hvordan ansvaret deles og overvåges. På adfærdens niveau indfanger menneske-AI-interaktion måden, hvorpå lærende udlever dette forhold i praksis — de spørgsmål, prompts og verifikationsgreb, de foretager med AI fra øjeblik til øjeblik.

Arbejdsdelingen løber også gennem de mennesker, der designer interaktionen. På tværs af tolv gennemførte læreruddannelseskurser positionerede undervisere AI som en tænkningspartner, en kritikgenerator eller et øvelsesværktøj, mens kandidaterne beholdt ansvaret for at vurdere, tilpasse og begrunde beslutninger — men det samme whitepaper rapporterer, at kandidaterne devaluerede feedback, de allerede havde vurderet som nyttig, så snart AI-forfatterskabet blev oplyst, en episode som rapporten kalder ballon-poppende-effekten. En analyse af 1.378 designer-chatbot-ture peger den anden vej med hensyn til generering: designere brugte en indlejret assistent primært til afstemningstjek af læringsmål og pædagogisk tilgang snarere end til at producere indhold. I begge tilfælde er det menneskets evaluative dømmekraft, ikke modellens output, der bærer læringen.

Fordele, risici og designimplikationer

Vidensbasens evidens viser, at menneske-AI-samarbejde er en tveægget ordning, hvis udfald bestemmes af designet snarere end af AI'en selv:

  • Samarbejde kan forstærke læringen, når det bevarer den kognitive engagement. Studier af GenAI som mindtool og guidet samarbejde viser, at når arbejdsdelingen holder den lærende i gang med at generere, beslutte og evaluere, forstærker AI tænkningen frem for at erstatte den — hvilket giver varig selvreguleret læring og gevinster i kreativitet. At den lærende beholder den besluttende rolle, gælder også i skrivning: Oppenheimer, Cash og Connell Pensky (2025) viser, at LLM-kritik af studerendes argumenterende essays forbedrede skrivningen gennem et semester, hvor de lærende besluttede, om de ville indarbejde eller afvise modellens feedback (87,8 % afviste påstande) — en ordning, der bevarede den lærendes evaluative arbejde — og gevinsterne viste sig også på essays skrevet uden LLM-støtte, hvilket tyder på varig færdighed snarere end værktøjsafhængighed.
  • Samarbejde kan erstatte læring, når det udliciterer for meget. Fejlmåden er overafhængighed: når AI producerer svaret, kollapser den lærendes rolle til passiv accept, og den umiddelbare opgavepræstation maskerer manglen på varig læring. Forskning i præstation versus læring og den selvforstærkende skadecyklus fra substitution til stilladsning (From Substitution to Scaffolding: Breaking the Self-Reinforcing Harm Cycle of AI in Education (and Beyond)) dokumenterer dette systematisk.
  • En bedre score er ikke i sig selv bevis for, at samarbejdet har lært noget. Sidens øvrige evidens læser assisteret præstation med forsigtighed, og en randomiseret test af støttetype viser hvorfor. I Iqbal m.fl.s (2026) laboratoriestudie skrev 87 EFL-studerende et essay uden hjælp og reviderede det derefter med ChatGPT 4.0 (n = 29), med en menneskelig skriveunderviser (n = 28) eller uden støtte (n = 30). Hvilken af fire sporbaserede revisionsstrategier en studerende brugte, var stærkt forbundet med den støtte, de havde (Cramérs V = 0,668) og kun moderat med deres tidligere skrivestrategi (Cramérs V = 0,333); Motivation, skrivefærdighed og nøjagtigheden af metakognitiv dømmekraft viste ingen samlet sammenhæng, og den metakognitive forbindelse kom kun frem i betingelsen uden støtte (p = 0,0460). Afgørende er det, at ingen revisionsstrategi forudsagde scoreændring (p = 0,273), selv om støttetypen gjorde: GenAI-gruppen forbedrede sig signifikant mere end gruppen med menneskelig ekspert og kontrolgruppen (H(2) = 16,591, p = 0,00025, η² = 0,174), og inden for den samme gradvist aftagende hjælpesøgnings-strategi vandt GenAI-studerende omkring 4 point i gennemsnit, mens de menneskelige ekspertstuderende tabte 0,5. Forfatterne læser mønstret som ekstern støtte, der omgår den lærendes egen metakognitive dømmekraft, og advarer om, at gevinsterne kan være opgavespecifik optimering snarere end varig formåen. Det omstøder ikke princippet om hvem der genererer og beslutter (studiet varierede, hvem der leverede støtten, ikke hvem der genererede tænkningen), men det skærper den test, en underviser bør anvende: en gevinst opnået under assistance skal overleve en opgave uden assistance, før den tæller som læring, og at tilføje en menneskelig ekspert til rummet er ikke automatisk den sikrere ordning.
  • At tilføje jævnaldrende er heller ikke automatisk den sikrere ordning. Chu, Dai og Zhai (2026) satte 87 bachelorstuderende til at arbejde alene eller i par med et GenAI-multiagentsystem i otte uger. Parrene scorede højest på det komplekse designprojekt (M = 89,64 mod 85,85 for studerende, der arbejdede i par uden systemet, og 86,45 for dem, der arbejdede med det alene, p = 0,039), men bevidstheden om kritisk tænkning steg mest for dem, der arbejdede alene (M = 0,41) og faldt en smule for parrene (M = −0,04, p = 0,039).
  • Designprincip — bevar den lærendes produktive arbejde. På tværs af forskningen er den skarpeste prædiktor for, om samarbejde hjælper eller skader, hvem der genererer og beslutter. Ordninger, der holder mennesket kognitivt produktivt (guidende prompting, "tænk først, konsultér AI bagefter", verifikations- og evalueringstrin), understøtter læring; ordninger, der overlader hele opgaven til modellen, gør ikke. Det komplementære greb er at ændre, hvad modellen får tildelt at være. I Wang m.fl.s (2026) kvasi-eksperiment forklarede 68 lærerstuderende antingen begrebet flipped classroom for en GAI-novicelærende bygget på ERNIE 3.5 (et system indrammet som spørgelystent og anerkendende, som bad om forklaringer, eksempler, verifikationsræsonnement og et modsat perspektiv, sekventeret op ad Blooms taksonomi) eller stillede spørgsmål til en GAI-lærer bygget på samme model. De studerende, der underviste AI'en, forklarede bedre (at definere flipped classroom M = 4,18 vs 3,29; dens undervisningsaktiviteter M = 4,91 vs 3,06, begge p < 0,001) og genererede flere og bedre spørgsmål (M = 3,67 vs 2,14; M = 5,67 vs 3,07, begge p < 0,001), mens objektiv genkaldelse var statistisk uadskillelig (M = 23,18 vs 21,57, p = 0,416), så fordelen lå i forklaring og transfer snarere end i faktagenkaldelse. Studerende i AI-lærer-betingelsen var åbne om byttehandlen: nogle indrømmede, at den gav "mere præcis og detaljeret information", men rapporterede, at "efter at have brugt den havde jeg ikke lyst til at tænke selvstændigt". At tildele modellen rollen som lærende, der skal undervises, gør den studerende til den eneste kilde til ideerne og fjerner den langvarige vanskelighed med at finde en passende jævnaldrende at undervise. To designgrænser følger med: planlægning og overvågning blev ikke bedre (M = 4,01 vs 3,78, p = 0,062), så rollevending er ikke i sig selv en metakognitiv intervention, og forfatterne sporer den nul-effekt til et opgavedesign, der holdt de studerende fokuserede på indholdsnøjagtighed. I et skriveklasseværelse antager dette princip en konkret, underviselig form. I Alshehri m.fl.s (2026) saudiarabiske EFL-kvasi-eksperiment kørte studerende en femdelt rutine — indram problemet og design prompts, skriv iterativt, revidér, verificér hver påstand og hver citation mod videnskabelige databaser, og regulér deres egen tilskrivning og afhængighed — hvor hver opgave krævede en AI-brugslog over, hvad de accepterede, afviste og hvorfor. Skrivning og digital kritisk tænkning steg sammen og bevægede sig næsten i takt, og de studerendes refleksioner knyttede verifikations- og hallucinations-reparationsrutinerne specifikt til gevinsten i kritisk tænkning: de samme vaner med at afhøre output formede deres komponeringsbeslutninger. Forfatternes eget forbehold er det nødvendige supplement til princippet — arbejdsgangen er kontingent snarere end selvbærende og kan blive kontraproduktiv under tynd stilladsning, lav kritisk-tænkning eller metakognitiv parathed (hvor studerende mangler kapaciteten til at fange dårligt output), gradvis delegering af komponeringsbeslutninger eller uklar institutionel AI-brugspolitik.
  • Bundet autoritet er i sig selv et designmønster for samarbejde med høj indsats. Undervisere i Reichert m.fl. (2026) prototypede ikke åbne assistenter, men systemer, hvis frihed var fastlagt på forhånd: hvert design afgrænsede chatbotten til specifikt lektionsindhold, og sikkerhed blev lagdelt som domænegrænser (lektionsspecifik rækkevidde plus en "informationskvote", der krævede et minimum antal fakta eller problemer, før samtalen gik videre), indholdsfiltrering med standardiserede afvisninger ("Beklager, dette er ikke en del af min vidensbase"), der også alarmerede underviseren, og en lærertilsidesættelse for tvetydige sager — eksemplet var et spørgsmål om menneskelig reproduktion, som var legitimt inden for sin enhed og burde sendes videre til en person snarere end automatisk afvises. Personalisering af format, genre, tempo og kompleksitet blev budt velkommen inden for disse grænser, og tilsyn (fuldstændige samtalelogs, realtidsalarmer, tilsidesættelse) blev indrammet som professionelt ansvar snarere end mistillid til modellen. Implikationen er, at arbejdsdelingen i situationer med høj indsats bør specificeres som bundet, overvåget og tilbagekaldelig snarere end forhandlet tur for tur.
  • Automatisering og forstærkning er ikke alternativer. På tværs af fire lærervendte cases forblev erstatning inde i afgrænsede analytiske delopgaver, mens komplementering dukkede op, hvor underviserne fortolkede og validerede output, så forstærkning viste sig at være en egenskab ved, hvad underviseren gør derefter, snarere end ved værktøjet selv (Horvers m.fl. (2026)).
  • Tillid skal kalibreres, ikke antages. Produktivt samarbejde afhænger af, at lærende nøjagtigt kalibrerer, hvornår de skal stole på, og hvornår de skal verificere AI-output — hvilket forbinder til tillidskalibrering og menneskelig overvågning snarere end blind accept eller blanket afvisning.
  • En affektiv alarm er et signal, underviseren fortolker, ikke en instruks om at adlyde. I en gymnasielektion i geometri gik et AI-systems følelsesalarmer forud for meget forskellige lærertræk, og det er trækket — omformulering af opgaven, kort anerkendelse eller bevidst ikke-indgriben — der ændrede engagementet, så alarmen virkede som ét input blandt det, underviseren kunne observere (Swidan (2026)).
  • Lærer-AI-samarbejde er tveægget for engagement, ikke kun for læring. I en trebølgeundersøgelse af 468 universitetsundervisere øgede samarbejde arbejdsengagementet gennem psykologisk tilgængelighed (indirekte 0,19), men sænkede det gennem arbejdsfremmedgørelse (indirekte −0,03); digital kompetence modererede begge og fladede fremmedgørelsesskråningen ud fra 0,38 til 0,17 (Sun m.fl. (2026)).
  • Arbejdsdelingen følger troværdighed, ikke formåen. Det, de lærende lander på, er en principiel fordeling: AI til umiddelbar, bredt anvendelig sproglig feedback og undervisere til individualiseret, relationel vejledning, tildelt efter hver kildes opfattede troværdighed snarere end dens nøjagtighed, fordi den bindende begrænsning for afhængigheden var opfattet omsorg, ikke kompetence (Serpil og Mor, 2026).
  • Afhængighed er en befolkningsproces, ikke kun et individuelt valg. I en agentbaseret model kollapsede synligt socialt bevis for ubekræftet brug verifikationen fra 0,29 til 0,002 og løftede overafhængigheden fra 0,30 til 0,52, mens synlig peer-verifikation genoprettede næsten fuldstændig verifikation — at ændre, hvad de lærende ser andre gøre, slår at sænke kontrolomkostningerne (Biswas (2026)).

Det gør menneske-AI-samarbejde til et pædagogisk konstrukt lige så meget som et teknisk: værdien af partnerskabet formes af, hvordan undervisere designer interaktionen, hvordan de lærende regulerer den, og hvordan systemet inviterer til eller afskrækker produktiv engagement.

Hvordan menneske-AI-samarbejde fremtræder i forskningen

  • Tillid og forventninger: Tillidsforventninger undersøger, hvordan de lærendes forventninger til AI former, om samarbejdet bliver produktivt eller fører til overafhængighed.
  • Komplementære roller i skrivning og tænkning: Menneskelignende AI-samarbejdsskrivning og GenAI som mindtool viser, hvordan AI kan forstærke snarere end erstatte den lærendes tænkning, når arbejdsdelingen bevarer den lærendes kognitive engagement.
  • Orkestrering og handlingsrum: Orkestrering af lærer- og elevhandlingsrum og studerendes mentale modeller behandler, hvordan handlingsrum forhandles mellem mennesker og AI, med forbindelse til Human-in-the-Loop og Agentbaseret AI.
  • Metakognitive og teammæssige dimensioner: Menneskecentrerede metakognitive AI-modeller og faglig mediation i studenterteams udvider samarbejdet til metakognition og teamlæring.
  • Samarbejdskompetence som en konfiguration, ikke en tjekliste — metakognition overtager TPACKs integrative rolle. Dang, Hong, Doyle og Nguyen (2026) definerer Human-AI Collaboration Competency som en dynamisk konfiguration af domæne, AI-kompetence og metakognitiv kompetence plus deres skæringspunkter (Working with AI, Agentic Learning with AI, Agentic Personal and Professional Development og HACC selv) og afviser eksplicit en additiv liste af AI-færdigheder boltet på et eksisterende pensum. Deres centrale greb omfordeler det integrative arbejde, som pædagogikken udfører i TPACK: fordi AI er en adaptiv deltager, hvis bidrag skifter, efterhånden som en opgave udfolder sig, falder koordineringsbyrden på den lærendes egen metakognition — at beslutte, hvornår man skal konsultere AI, hvordan man indrammer interaktionen, og hvornår man skal tilsidesætte den — så det er den lærende, ikke underviseren, der holder mekanismen, der gør samarbejdet produktivt. Lærendes handlingsrum er bevidst udeladt som en selvstændig node; det er i stedet den emergente kvalitet, lærende udtrykker, når de koordinerer de tre kompetencer, hvilket gør handlingsrum til en egenskab ved konfigurationen snarere end en færdighed, der trænes isoleret. Rammens interviewundersøgelse med 24 newzealandske undervisere understøttede dimensionerne beskrivende, og rolleniveauet flyttede vægten snarere end accepten: skolelederes netværk centredes om AI med forbindelser til HACC og professionel udvikling og adskilte sig signifikant fra seniorundervisere (U = 10,00, p = 0,04) og tidligt-karriere-undervisere (U = 7,00, p = 0,01).
  • Særskilte samarbejdsformer: empirisk arbejde identificerer tre menneske-AI-samarbejdsformer inden for problemløsning — Delegated Reasoning, Concerted Interpretation og Delegated Elaboration — og afdækker en afvejning mellem effektiviteten i det distribuerede menneske-AI-system og dybden af de lærendes selvregulerende engagement (delegeret ræsonnering klarer sig bedst, men med lavere selv-regulering).(Unpacking Interaction Profiles and Strategies in Human-AI Collaborative Problem Solving: A Cognitive Distribution and Regulation Perspective)
  • Menneskelige og AI-facilitatorer kan være perceptuelt udskiftelige i struktureret diskussion, men genbrug hviler på forskellige grunde. Kuhail m.fl. (2026) udskiftede en menneskelig moderator med en GPT-4-moderator (og tilbage igen) på tværs af 32 debatsessioner afholdt af 32 STEM-studerende og fandt ingen statistisk signifikant forskel i effektivitet, fornøjelse, tilfredshed, nytte eller brugsintention (t spændte fra 0,23 til 1,30, p fra 0,198 til 0,818). Det, der var forskelligt, var hvorfor studerende ville vende tilbage: under AI-moderering drev opfattet nytte brugsintentionen (0,806, p = 0,004), mens tilfredshed kun drev den under menneskelig moderering (0,556, p = 0,002). Forfatterne læser den flade sammenligning som normalisering i regelbundne opgaver snarere end som bevis for ækvivalens og anbefaler at beholde menneskelig overvågning af etiske og relationelle grunde, mens man gør nytten af AI-modererede aktiviteter læsbar i stedet for at læne sig op ad fornøjelse. Fordi studiet kun målte opfattelser, siger det intet om, hvorvidt studerende argumenterede bedre.
  • Tildel opgaven, før du delegerer den. Tsim og Gutoreva (2025) tilføjer en fjerde zone — det, modellen allerede ved — til den lærendes udviklingszoner og udleder tildelingerne Substitute, Complement, Aid og Non-negotiable og argumenterer for, at tilstandene automatisering–forstærkning–samarbejde adskiller sig ved kontrolsted og epistemisk ansvar snarere end ved værktøjets sofistikation.
  • Prompt-engineering som pædagogisk tænkning, bygget gennem lektionsstudier. Robinson m.fl. (2026) fulgte fem læreruddannere på én institution i UAE gennem to lektionsstudiecyklusser, der nåede 36 lærerstuderende i matematik på mellem- og folkeskoleniveau, og designede AI-understøttede lektioner med ChatGPT (GPT-4o). Det greb, der gjorde arbejdet, var at parre AI'en med en faglig ramme: de lærerstuderende genererede en opgave, vurderede dens kognitive krav mod en modificeret Mathematical Task Analysis-ramme og omskrev derefter deres prompt for at hæve den begrebsmæssige dybde, så revisionen var forankret i matematikken snarere end i værktøjets funktioner. Seksten af 26 analyserbare prompts bar begrebsmæssige opgavetræk, og underviserne konkluderede, at prompt-engineering "ikke er en teknisk færdighed; det er en kognitiv". Rapporteret læring steg i den reviderede lektion (5 af 7 lærerstuderende i den første cyklus og 10 af 14 i den anden rapporterede at have lært at skelne begrebsmæssige fra proceduremæssige opgaver), med det forbehold, at det at bede AI om en mere begrebsmæssig opgave nogle gange blot producerede en mere kompliceret. For underviserudvikling er argumentet for vedvarende kollaborativ undersøgelse af virkelige lektioner snarere end fritstående værktøjsworkshops.
  • Vejledning afgør præstation versus læring: Wong og Qiu (2026) kontrasterede frit versus guidet menneske-AI-samarbejde på en kreativ opgave. Fri samarbejde med ChatGPT gav kun forbigående præstation, som kollapsede på en senere opgave uden støtte, mens en guidet "tænk først, ChatGPT bagefter"-protokol — at generere sine egne ideer og derefter bruge ChatGPT til at forbedre, udvikle og evaluere dem — gav varige gevinster i uafhængig kreativitet. Fordelen blev medieret af samarbejdsprompts rettet mod at forbedre ens egne ideer, hvilket viser, at hvem der genererer (arbejdsdelingen) forudsiger, om samarbejde producerer læring eller substitution.(Think First, ChatGPT Later: Guiding Human–AI Collaboration for Learning Gains in Independent Human Creativity)
  • AI som mediator, ikke blot partner: Niari rekonceptualiserer AI som en pædagogisk mediator, der orkestrerer interaktion, epistemisk meningsdannelse og regulatoriske processer og omfordeler handlingsrum, autoritet og ansvar på tværs af menneskelige og ikke-menneskelige aktører i stedet for at behandle AI som vejleder, jævnaldrende eller værktøj.
  • Underviseres samarbejde med AI er også mønstret, ikke binært. Når undervisere designer lektionsdesign med generativ AI, antager deres interaktion empirisk skelnelige former. Choi m.fl. (2026) identificerede syv mønstre for lærer-AI-interaktion — fra direkte adoption og elaboreret adoption af AI-output til indledende afvisning, revideret adoption, opfølgende guidet brug, komplekse interaktioner og omgåelse af AI — hvor underviserens undervisningserfaring og AI-færdighed i fællesskab former, om de kritisk genprompter og tilpasser AI til studerende og kontekst (en komplementær, distribueret kognitions-arbejdsdeling) eller passivt accepterer forslag (en AI-domineret fordeling).
  • Den medierende agent som en hybrid form for deltagelse. Snarere end et midtpunkt mellem værktøj og samarbejdspartner konceptualiseres generativ AI som en medierende agent, der medierer handling, mens den genererer kontingente, ikke-tilregnelige bidrag — en særskilt kategori, der omdirigerer design fra teknologisk formåen til deltagelsesvaner (supervisorisk handlingsrum, epistemisk årvågenhed).(Generative AI as a Mediational Agent: Rethinking Learning in Sociocultural Theory)
  • Fællesskab og epistemisk autoritet: fællesskabsbaseret AI-læring viser, at samarbejde også er et spørgsmål om, hvem der er autoritativ, og forankrer AI-engagement i de lærendes levede epistemologier.
  • Datadrevet opdagelse af træk: Principal Trait Analysis (PTA) automatiserer udledningen af interaktions-"træk" fra store LLM-samtalekorpora — en PCA-inspireret firetrins-pipeline, der udtrækker adfærdsobservationer, klynger dem til kandidattræk, scorer hver samarbejdspartner og udvælger de mest adskilende træk. Evalueret på et studenter-AI-vejleder-korpus og et udvikler-kodeagent-korpus finder PTA træk, der forklarer og forudsiger udfald (fx dyb begrebsmæssig engagement positivt, opgavedelegering negativt i undervisningsmiljøet), og — fordi de endnu ikke generaliserer på tværs af semestre/miljøer eller viser læringskurvebaner — argumenterer forfatterne for, at trækkene endnu ikke kan fortolkes som "færdigheder". Det tilbyder et skalerbart, objektivt supplement til AI-kompetence-rammer og selvrapporteringsmål og informerer direkte, hvordan undervisere underviser i "AI-brugsfærdigheder".
  • Menneske-AI-forholdet som den mest vedvarende bekymring på tværs af CAI-generationer. Umbrella-reviewet af konverserende AI-agenter (Ganguly m.fl. 2025, 34 reviews) finder, at bekymringer om menneske-AI-forholdet — overafhængighed, social isolation, depersonalisering, følelsesmæssig afhængighed, gennemsigtighed, ansvarlighed — er det hyppigst diskuterede etiske emne på tværs af alle CAI-generationer og går forud for GenAI. Det placerer spørgsmålet "bevare vs. erstatte" helt i centrum af CAI-etikken og understreger, at samarbejdets værdi bestemmes af designet (hvem der genererer, hvem der beslutter, hvordan ansvaret deles).(Conversational AI agents in education: an umbrella review of current utilization, challenges, and future directions for ethical and responsible use)
  • AI skalerer realtids-ekspertise til novicer — det første live-vejlednings-RCT. Wang m.fl.s (2024) randomiserede forsøg (900 vejledere, ~1.800 K-12-elever i underforsynede samfund) placerede AI på vejlederens side snarere end elevens: Tutor CoPilot genererede øjeblikkelige ekspertlignende forslag (bygget på erfarne vejlederes tænke-højt-ræsonnering), som novicen kunne redigere eller afvise. Elever hos behandlede vejledere var 4 procentpoint mere tilbøjelige til at mestre emner (p < 0,01), med 9 procentpoints gevinster blandt elever hos de lavest vurderede vejledere — som steg til at matche højere vurderede vejlederes kontroludfald — for ca. $20 pr. vejleder pr. år. Fundet er et stærkt empirisk anker for lærer-/vejlederforstærkning som en retfærdig form for menneske-AI-samarbejde: mennesket beholder den pædagogiske dømmekraft og autonomi, mens AI leverer skalerbar ekspertise.
  • Afgrænsede eksperter: hvordan undervisere opdeler autoritet med en AI. Reichert, Briceno, Tabarsi og Barnes (2026) gennemførte et deltagende designstudie, hvor seks sekundære undervisere prototypede LLM-chatbots til deres egne klasseværelser og analyserede, hvordan autoritet bør fordeles mellem underviser og system. Underviserne indrammede konsekvent AI'en som en afgrænset ekspert — specialiseret formåen begrænset til et strengt defineret domæne og opererende under menneskelig overvågning — og opdelte den afgrænsethed i to dimensioner: autoritetsgrænser, hvor professionelt og juridisk ansvar for elevernes læring og sikkerhed ikke kan delegeres, og ekspertisegrænser, hvor systemet mangler underviserens kontekstuelle viden om individuelle elever, klasseværelsesdynamik og institutionelle normer. At kortlægge prototyperne på Gagnés ni undervisningsbegivenheder viste, at delegeringen var selektiv snarere end alt-eller-intet: underviserne bød AI velkommen til at præsentere indhold, levere øvelsesopgaver, stilladsere og give formativ Feedback, men nægtede at overlade det at informere elever om mål eller summativ evaluering. Den designmæssige læsning er, at en samarbejdsgrænseflade bør gøre synligt, hvor mennesket beholder den besluttende rolle, ikke blot hvor modellen er i stand til noget.
  • Rollen skal tilpasse sig, ikke blot mærkes. Liao (2026) viser, at en fast "jævnaldrende"-AI-companion opretholdt længere bogsamtaleinteraktioner, men dominerede udvekslingen (lavere andel af elevord/sætninger) og ramte et affektivt loft, hvilket argumenterer for, at samarbejde kræver rolle-adaptiv logik — skift mellem jævnaldrende, assistent og rådgiver — snarere end en enkelt statisk persona.
  • Lærersidens samdesign og rollearkitektur er også samarbejder. Ud over elevvendte partnere samarbejder undervisere med GenAI om at designe undervisning. Wang m.fl. (2026) gennemgår systematisk lærer-AI-samdesign af læringsopgaver og kortlægger de samarbejdsformer og spændinger (handlingsrum, epistemisk autoritet, kontrol), der opstår, når undervisere og AI i fællesskab producerer designs; Talebzadeh (2026) finder, at underviseres pædagogiske ekspertise — ikke AI-færdighed — afgør kvaliteten af AI-designede differentierede gruppeaktiviteter (rollekdom, synergi, niveautilpasning) og positionerer underviseren som en "tosproget læringsdesigner".
  • GenAI som en agent og et samarbejdsrum i grupper. Xu m.fl. (2026) observerer små videregående teams og viser, at GenAI's rolle er forhandlet og konfigurerbar — fra underordnet assistent til omstridt holdkammerat — og at synkron delt brug opretholder fælles forståelse, mens asynkron privat brug fragmenterer gennemsigtigheden, og de foreslår en GenAI-Supported Cooperative Work-linse, der behandler GenAI som både agent og interaktivt samarbejdsrum.
  • Komplementære halvdele af klasseværelsesamarbejde. To studier fra 2026 kortlægger komplementære halvdele af menneske-AI-samarbejde i klasseværelset. MeduAI-SP (Yang m.fl.) argumenterer for "funktionel komplementaritet" i klinisk uddannelse: AI-agenter håndterer gentagne rollespil, konsistent patient-simulering, tjeklistemonitorering, sokratisk udspørgen og foreløbig formativ feedback, mens fakultet og menneskelige standardiserede patienter leverer kontekstuel fortolkning, nuanceret følelsesmæssig respons, individualiseret remediation, professionalismevurdering og parathedsdomme — idet substitution er afgrænset af fejlkonsekvenser, opgaveusikkerhed, relationel følsomhed og tilgængelig menneskelig gennemgang, og et AI-system eksplicit forhindret i autonomt at fastslå klinisk kompetence. I den modsatte retning dokumenterer en etikdiskussion med 45 studerende og et blandet 3-menneske/3-agent-format (Seo m.fl., 2026) et tveægget mønster: agenter sænkede sociale barrierer (deltagerne talte mere direkte, fordi agenter mangler følelser, og følte ingen forpligtelse til at udfylde stilhed), men den samme komfort afledte interaktionen væk fra mennesker — 79,7 % af spørgsmålene gik til agenter mod de 60 %, som deres tilgængelighed forudsiger (p = 0,017). Bemærkelsesværdigt gjorde tilstedeværelsen af andre mennesker, at deltagerne behandlede AI'en mere respektfuldt, hvilket tyder på, at menneskelig samværen i sig selv er en affordans for at kalibrere AI-engagement.
  • Komplementaritet er betinget, ikke en standardegenskab ved teams. Tuo m.fl. (2026) fandt, at menneske-AI-teams kun slog både mennesker og AI alene i én af seks betingelser — de udfordrende tilfælde, hvor AI'en var mindre nøjagtig end menneskene — og rapporterede ingen konsekvent teamfordel andre steder, så det at tilføje en AI-partner er ikke i sig selv en vej til komplementær præstation.
  • Professionelle programmer omdirigerer træning fra rutineproduktion mod samarbejdskompetencer (en designprotokol): Wang (2026) foreslår en designbaseret ramme for oversætteruddannelse bygget omkring en opgaveforskydningsinventar (18 delopgaver vurderet for sandsynlighed for AI-forskydning med [E]/[P]-proveniensmærker) og fire omdirigerede kompetencer: tværfaglig viden, AI-orkestrering, strategisk dømmekraft og kritisk AI-evaluering. Rammen er en præregistreret protokol uden empiriske data endnu; dens bidrag er metoden — en reviderbar forskydningsanalyse plus en samdesignvej for pensumreform — som overføres til ethvert professionelt program, hvis rutineopgaver agentiske systemer i stigende grad udfører.
  • Sammenfletningstyper adskiller sig i, hvad de kræver af den studerende, og det er derfor, nogle forbliver sjældne. Sun, Dohn og Rehm (2026) klassificerer 102 videregående studier efter, hvordan epistemisk arbejde deles mellem studerende og system (Assistant, Enabler, Synthesizer, Generator, Reimaginator), og finder, at de to former, der holder kompetencen tilregnelig til den enkelte studerende, hver udgør 42,16 % af korpuset, mens de former, der fordeler forfatterskabet, forbliver marginale. Deres forklaring er institutionel snarere end teknisk: de sjældne typer beder studerende om at tage epistemisk ansvar for output, de ikke har produceret, mens de stadig vurderes som individuelle forfattere, og det er den modsætning — ikke arbejdsdelingen selv — der holder dem ude af praksis. Designsvaret er at gøre fordelingen af epistemisk arbejde eksplicit, sekventere aktiviteter hen over spektret og opbygge refleksion over, hvordan ansvaret blev delt.
  • At eje et værk er ikke det samme som at have forfattet det. Hong m.fl. (2026) navngiver et forfatterskabslegitimeringsunderskud: en person kan opleve et output som sit eget og alligevel ikke kunne indestå for forfatterrollen, fordi psykologisk ejerskab, følelsen af handlingsrum og ansvarlighed for at offentliggøre værket er separate ruter, der ikke behøver at stemme overens. Deres arbejdsknudepunkt for forfatterskab klassificerer bidrag rolle for rolle, så én registrering kan understøtte en redaktionel påstand og fejle en eneforfatterpåstand på samme tid. Fremstillingen er en konceptuel analyse uden data og uden testet model, så underskuddet er et foreslået konstrukt, hvis forudsigelser forbliver utestede.
  • At guide, ikke fortælle, kræver sit eget kriterium for at bedømme en agent. Et designcase, der satte sig for at spejle lærerfacilitering, fandt, at en vidensagent bundet til en kurateret base kunne bedømmes på nøjagtighed, mens en agent, der skulle lede studerende mod deres egne svar, ikke kunne (Humburg m.fl., 2025).
  • Partnerskab strækker sig til forskningsprocessen selv, ikke kun til studerendes læring — Potter m.fl. (2026) lod GPT-4o udkaste koder og foreløbige temaer i en sikker RAG-platform, mens tre kernforskere og to eksterne validatorer beholdt den fortolkende autoritet og konsoliderede fire endelige temaer. Den hybride arbejdsgang omfordelte forskerarbejdskraften snarere end at fjerne den.

Forbindelser

Menneske-AI-samarbejde forbinder til Human-in-the-Loop (overvågning), Agentbaseret AI (autonomi), Undervisning (underviseres forandrede arbejde), Scaffolding og Metacognition (hvordan samarbejde understøtter læring) og overafhængighed (fejlmåden, når samarbejde bliver substitution). Det er et kernetema på tværs af AI-kompetence, Self-Regulated Learning og Student Experience.

Almindelige fejlopfattelser

  • "Samarbejde betyder, at AI'en gør en del af arbejdet." Den lærende beholder den besluttende rolle, og det gælder også i skrivning: Oppenheimer, Cash og Connell Pensky (2025) viser, at det holder, når ordningen er designet til det. Arbejdsdeling er ikke samarbejde, medmindre mennesket beholder dømmekraften.
  • "Det er AI'en, der forklarer i en vendt ordning." Studerende, der underviste AI'en, forklarede bedre — flipped classroom-definition på M = 4,18 mod 3,29, undervisningsaktiviteter på M = 4,91 mod 3,06, begge p < 0,001. Læringen tilfaldt den, der forklarede.
  • "Menneskelige og AI-bidrag er substitutter." To studier fra 2026 kortlægger komplementære halvdele af klasseværelsesamarbejde, hvilket indrammer designproblemet som fordeling snarere end erstatning.

Forbundne begreber

Forbundne artikler

Metadata

Læring og undervisningStudent-AI Interaction
Teknologier og teknikkerGenerative AI, Large Language Models (LLMs)
Grundlag for AI i uddannelseMenneske-AI-samarbejde, 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.