AIEd-vidensbaseAIEd KB
På denne side

Læs denne side på engelsk

Begreber

Informations- og mediekompetence

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

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

Informations- og mediekompetence er beslægtede færdigheder, som AI er ved at skrive om på den samme søm. Informationskompetence handler om at finde og verificere nøjagtige data; mediekompetence handler om at forstå, hvem der skabte en besked, hvordan den blev konstrueret, og hvorfor. De overlapper i deres fælles mål om at opbygge den kritiske tænkning, der gør det muligt for mennesker at navigere i en digital verden og spotte misinformation — og de deler nu et andet problem: generativ AI producerer flydende, plausibelt indhold, hvis oprindelse og hensigt er skjult, så det proveniensspørgsmål, mediekompetence altid har stillet, er også flyttet ind i informationskompetencen.

Spørgsmål at overveje

  • Når en chatbot returnerer en selvsikker paragraf med tre henvisninger, udøver den studerende så informationskompetence, mediekompetence eller ingen af delene — og gør opgaven den skelnen synlig?
  • Deepfakes og fabrikerede citater er forskellige fejl: den ene er en falsk registrering af verden, den anden en falsk registrering af litteraturen. Kan et enkelt kursus undervise i begge uden at undervise dårligt i nogen af dem?
  • AI-detektorer og faktatjekkere er selv modeller med fejlprocenter. Hvad sker der med et verifikationscurriculum, når verifikationsværktøjet er probabilistisk?
  • Mediekompetence er blevet undervist gennem produktion — studerende skaber medier for at forstå dem. Hvis en model nu skaber artefakten, hvilken del af pædagogikken overlever så?

Introduktion

De to kompetencer har separate institutionelle hjem. Informationskompetence blev kodificeret i biblioteks- og informationsvidenskab, mest synligt i ACRL-rammen, som et sæt dispositioner omkring autoritet, proces og værdi. Mediekompetence voksede ud af kommunikations- og medievidenskab og ud af skolernes medieundervisning og spørger til forfatterskab, teknik, publikum og virkning. Den ene vurderer, om en kilde fortjener tro; den anden spørger, hvem der skabte en besked, og hvad den gør.

Den opdeling har altid været renere i teorien end i et klasseværelse. Begge kompetencer lærer studerende at sætte tempoet ned, kontrollere proveniensen og modstå flydende retorik. Begge blev bygget på en antagelse om, at artefakten havde en forfatter, der betalte en pris for at producere den. Generativ AI fjerner den antagelse fra begge på én gang: tekst syntetiseres fra et usporbart korpus, billeder og stemmer klones, og automatiserede konti simulerer publikummet selv.

Denne side dækker parret, fordi korpuset behandler dem som ét undervisningsproblem med to udfaldsmængder. Evidensen er ujævn — et bibliometrisk kort og to systematiske reviews på informationssiden, en lille intervention og en ekspertinterviewundersøgelse på mediesiden — og næsten ingen af den tester et kombineret curriculum. Det fravær er i sig selv det fund, der er værd at tage med i praksis.

Hvor de to konstrukter divergerer

Informationskompetencens objekt er kilden, og dens kernespørgsmål er, om påstanden er sand, og evidensen bag den troværdig. Mediekompetencens objekt er beskeden, og dens kernespørgsmål er, hvem der skabte den, hvordan, for hvem og med hvilket formål. Et fabrikeret citat fejler den første test; en deepfake kan bestå enhver faktakontrol, som en studerende ved, hvordan man udfører, og alligevel fejle den anden.

De empiriske litteraturer afspejler opdelingen. En undersøgelse af 236 amerikanske universitetsstuderende spurgte, hvor akademiske søgninger begynder, og fandt søgemaskiner på 45,5 %, bibliotekets hjemmeside på 27,9 % og en AI-chatbot på 26,6 %, hvor internationale studerende erstattede biblioteksressourcer med AI i omtrent det dobbelte af den hjemlige rate (Lund m.fl., 2026). Et systematisk review af 32 studier fandt integration af AI-kompetence i informationskompetenceundervisning på et "spædbarnsstadium", leveret gennem LibGuides og workshops snarere end gennem curriculum (Mirza og Arif, 2026). På mediesiden fandt interviews med syv eksperter og en undersøgelse af 141 studerende, at teknologisk inklusion i curriculum for kritisk mediekompetence var "begrænset og ofte overfladisk", med undervisere, der er utilstrækkeligt uddannet til værktøjer, der producerer desinformation og deepfakes (studiet om kritisk mediekompetence, 2026).

Hvordan AI komplicerer informationskompetence

Den første komplikation er fabrikation i skala. En model producerer overbevisende tekst, plausible referencer og selvsikre statistikker, som måske ikke eksisterer; læseren modtager en syntese, hvis søgespor er blevet slettet. Kontrol bliver en anden færdighed: ikke "er dette en god kilde", men "eksisterer denne kilde, og siger den, hvad svaret påstår".

Den anden er, at søgelaget er kollapset ind i et svarlag. Når værktøjet henter, udvælger og skriver, flytter den kompetente handling sig til at bedømme syntesen. Det er den rest, evidensen fortsat peger på: en platform med indlejret bibliotekar slog konventionel biblioteksundervisning med 0,78 mod 0,25 point på et ACRL-baseret instrument, og de konsultationer, der gav gevinsten, var domineret af spørgsmål om kildevurdering (Huang, 2026).

Den tredje er kapacitet. I en undersøgelse af 412 akademiske bibliotekarer på 38 nigerianske institutioner var selvurderet kompetence høj for databaseundervisning (M = 4,07) og formidling af informationskompetence (M = 4,02), men den samlede AI-kompetence var 2,86, svagest på at designe læringsmål (M = 2,70) og vurdere udfald (M = 2,62) (Dada, 2026). Et felt kortlagt på 1.669 publikationer bliver bedt om at undervise i en kompetence, som dets undervisere rapporterer, at de endnu ikke kan designe (Jabeen og Lux, 2026).

Hvordan AI komplicerer mediekompetence

Mediekompetencens grundlæggende spørgsmål forudsatte en skaber med et formål. Deepfakes, stemmekloning og automatiserede bots bryder den antagelse på tre måder: artefakten kan være uden menneskelig forfatter, publikummet kan være syntetisk, og hensigten kan være optimering for engagement snarere end overbevisning fra nogens side.

Curriculumsevidensen tyder på, at skolerne ikke er fulgt med. Ekspertinterviewene beskriver læreruddannelse som den bindende begrænsning snarere end studerendes modstand og argumenterer for en kritisk-pædagogisk indramning, der behandler evaluering som etisk og deltagende praksis i stedet for værktøjstræning. En bestilt rapport for public service-medier fandt, at tilbuddet til 14–19-årige hælder mod funktionelle AI-færdigheder og væk fra kritisk evaluering, på trods af at den gennemgik mere end 40 rammer og interviewede 35 eksperter (AI-literacies-rapporten, 2025).

AI som et defensivt værktøj — påstande og forbehold

Argumentet for at bruge AI på den defensive side er plausibelt og hyppigt fremført: automatiserede troværdighedskontroller, der scanner en kildes historie og sprog for biassignaler, deepfake-detektorer, metadataanalysatorer, der leder efter proveniensmarkører, og simulationer, der lader studerende øve evaluering på realistisk syntetisk materiale. Disse kapaciteter er rigtige produkter, og klasseværelsesbrugen er rigtig praksis.

Evidensen er tyndere end påstandene. Detektorer er probabilistiske og forringes, efterhånden som generatorerne bliver bedre; en faktatjekmodel er selv en model, så den studerende må stadig vurdere tjekkeren; og proveniensmetadata hjælper kun, når en producent vælger at vedhæfte dem. Et af korpusets mest solide resultater er, at AI-understøttet mediekompetenceundervisning kan virke i lille skala: et 18-timers program bygget på 5E-modellen gav store gevinster blandt 36 fjerdeklasses-elever på én tyrkisk skole (Demir og Akar, 2026). Seksogtredive studerende er et proof of concept, ikke en indkøbssag.

Et debatindlæg fra bibliotekssektoren driver den samme idé videre: AI kunne bære informationskompetencens formidling gennem retrieval, adaptive tutorials, chatbots og automatiseret faktatjek, hvor bibliotekarer snarere end leverandører ejer integrationen (Offem og Arikpo, 2026). Artiklen rapporterer ingen data, så den er en designbrief om, hvor undervisningen kunne ligge, snarere end evidens for, at den virker.

Læst sammen antyder de to sider af regnskabet en regel: AI kan bære praksis-belastningen — realistiske scenarier, øjeblikkelig feedback, skala — men dømmekrafts-belastningen bliver hos den lærende, og ethvert værktøj, der påstår at erstatte den, bør evalueres som en detektor med en målt fejlrate, ikke adopteres som en facitliste.

Hvad det betyder for praksis

  • Undervis i én procedure, to objekter. Den kontrollerbare rutine — spor påstanden til en kilde, spor kilden til en forfatter, spørg hvad artefakten gør — virker for et citat og for en video. Navngiv, hvilket objekt opgaven vurderer.
  • Behandl detektion som evidens, ikke som dom. En detektors output er en sandsynlighed; lær studerende at bekræfte med en anden metode og at sige, hvad der ville ændre deres mening.
  • Behold produktionen i curriculum. At skabe medier var den pædagogik, der gjorde kritik konkret; at generere med AI kan kun understøtte den, hvis studerende undersøger de valg, værktøjet traf for dem.
  • Anbring en bibliotekar eller mediespecialist inde i arbejdsgangen. Det stærkeste undervisningsresultat i denne litteratur kommer fra et design, hvor menneskelig konsultation var indbygget, ikke tilbudt bagefter.
  • Vurdér personalets kapacitet, før du skriver pensum. Det målte underskud ligger i at designe læringsmål og vurdere udfald, ikke i at bruge værktøjer.

Evidensens begrænsninger

De fleste studier her er små, selvrapporterede eller begge dele: 236 studerende i én undersøgelse, 36 børn i én intervention, 412 bibliotekarer, der vurderer sig selv. Bibliometrisk synlighed er ikke praksis, og det siger de scientometriske forfattere eksplicit. Intet studie i korpuset evaluerer et kombineret informations- og mediekompetencecurriculum, og de detektor- og faktatjekværktøjer, som praksislitteraturen anbefaler, er stort set umålte i disse kilder. Påstanden om, at AI-drevet verifikation forbedrer udfald, bør behandles som en designhypotese, indtil nogen tester den mod en kontrolgruppe.

Forbundne begreber

Forbundne artikler

Metadata

NiveauHigher Ed, K 12, Adult Learning
Tiltænkt målgruppeLibrarians, Instructors, Learners, Curriculum Designers
Læring og undervisningCritical Pedagogy
Teknologier og teknikkerGenerative AI, Large Language Models (LLMs)
Ligestilling, etik og ansvarlig brugTrust Calibration
Grundlag for AI i uddannelseInformations- og mediekompetence, AI-kompetence, Kritisk tænkning, Akademisk integritet
SidetypeSynthesis
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.