AIEd-vidensbaseAIEd KB
På denne side

Læs denne side på engelsk

Begreber

Filosofi om AI i uddannelse

Oprettet 2026-08-16 · Opdateret 2026-11-08

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

Filosofi om AI i uddannelse — den gren af uddannelsesfilosofien, der undersøger de grundlæggende begrebsmæssige spørgsmål, som kunstig intelligens rejser i undervisning og læring: Hvad er viden og tænkning, når maskiner deltager i dem? Hvad er den lærende, når kognition er distribueret på tværs af menneskelige og kunstige systemer? Hvilke former for handlekraft, ansvar og personlighed gælder for AI, og hvad skylder uddannelse de lærende i en AI-medieret verden? Forskellig fra (men forbundet med) vidensbasens læringsteori-side, som katalogiserer teorier om hvordan læring sker, stiller filosofien om AI i uddannelse de dybere spørgsmål om, hvad læring, sind og den lærende grundlæggende er under AI-medierede betingelser.

Spørgsmål at overveje

  • Kræver tænkning bevidsthed og en krop? Hvis en AI genuint deltager i din ræsonnering, foregår en del af 'tænkningen' så i maskinen — og ændrer det, hvem der lærer?
  • Siden rejser ideen om kognition, der er 'distribueret' på tværs af menneskelige og kunstige systemer. Tænk på en opgave, du har løst med AI-hjælp: hvor stoppede din tænkning, og hvor begyndte maskinens?
  • Hvis en lærendes kognitive processer bliver genuint hybride (delvist menneskelige, delvist kunstige), hvad betyder det så for det, vi kalder 'den lærende' — og for hvad uddannelse skylder dem?
  • Siden skelner mellem filosofi (hvad læring og den lærende grundlæggende er) og læringsteorier (hvordan læring sker). Kan du nævne en overbevisning, du har om læring, som i virkeligheden er en filosofisk position?
  • Hvis AI kan udøve 'funktionel handlekraft' uden bevidsthed, bærer den så ansvar for sine pædagogiske effekter — og hvis ikke, hvem gør så? Hvem bør svare, når en AI-vejleder vildleder en studerende?
  • Posthumanistisk tænkning omformulerer lærende som 'posthumane' entiteter. Hvordan udfordrer eller forstyrrer den idé dine egne antagelser om, hvor en studerendes sind befinder sig?

Introduktion

Dette er en begrebsside for de filosofiske og teoretiske fundamenter for AI i uddannelse. Mens Learning Theories dokumenterer de empiriske og designorienterede teorier (behaviorisme, konstruktivisme, kognitiv belastning, selvreguleret læring osv.), beskæftiger filosofistrømmen sig med de ontologiske, epistemologiske og etiske spørgsmål, som disse teorier forudsætter. De to er tæt forbundne: filosofiske positioner former, hvilke læringsteorier der virker plausible, og hvilke pædagogiske mål der er værd at forfølge.

Centrale filosofiske spørgsmål

  • Sindets og kognitionens natur. Kræver tænkning bevidsthed og en krop? Kan AI deltage i genuint kognitive processer? Rammer som ensemble cognition argumenterer for, at AI udøver funktionel handlekraft — genuin kausal effekt i kognitive processer — uden bevidsthed, og at tænkning opstår fra dynamisk menneske–AI-interaktion (Towards a philosophy of ensemble cognition: Reconceptualising agency and mind in AI-mediated educational environments). Distribueret kognition og den udvidede sind-tese fremsætter beslægtede påstande om, at kognition er spredt ud over systemer.

  • Hvad er den lærende? Posthumanistisk filosofi rekonceptualiserer den lærende som en "posthuman" entitet, hvis kognitive processer er genuint hybride og distribueret på tværs af biologiske og kunstige systemer (Pedagogical Symbiosis: conceptualizing the Post-Human Learner in the age of cognitive AI). Det udfordrer antagelsen om, at den lærende er et afgrænset, autonomt individuelt sind.

  • Kropslighed og grænserne for disembodied AI. Kropslig og post-kognitivistisk filosofi kritiserer dominansen af symbolske, disembodied AI-modeller og argumenterer for, at kognition er forankret i situationalitet, emergens og sensomotorisk kobling, som nuværende generativ AI mangler ("If You Can't Dance Your Program, You Can't Write It": Challenges and Implications for AI in Education).

  • Følelsesarbejde som testcase for maskinelle sind. Feltets argumenter om, hvorvidt AI kan undervise, afhænger ofte af, om den kan omsorg — et spørgsmål, der blev diskuteret længe før affektiv computing fandtes. Khan (2026) rekonstruerer debatten 1950–1996, hvor Ziffs påstand om, at kun levende væsener bogstaveligt kan have følelser, blev besvaret af Smarts identitetsteori og Putnams adfærdskriterium, så tre rivaliserende ontologier stod uløste. Hans konklusion er en begrundelsesbyrde snarere end en umulighedspåstand — repræsentation, simulation og efterligning er ikke tilstrækkelige til at fastslå følelsesarbejde — hvilket lægger byrden på enhver, der vil uddelegere pastoral omsorg til et system.

  • Handlekraft, forfatterskab og mening. Når AI medierer fortolkning og meningsdannelse, spørger filosofien, hvordan forfatterskab, epistemisk handlekraft og fortolkningsmæssig autonomi omkonfigureres (AI-Mediated Learning and the Restructuring of Interpretive Cognition: A Developmental-Critical Model for Social Sciences and Humanities Education).

  • Ontologien af AI-genererede videnskabelige objekter. I kemi indtager AI-forudsagte forbindelser og titreringskurver et "liminalt ontologisk rum" — hverken helt hypotetisk eller fuldt virkeligt, før det er empirisk bevist — hvilket flytter disciplinen fra realisme mod en konstruktivistisk opfattelse, hvor virkeligheden er et samarbejde mellem menneske og maskine (Reyes og Regala (2026)).

  • Kognitiv passivitet som epistemisk skade. Bai og Costa (2026) trækker på Arendts forståelse af tænkning som en indadgående, uoverførbar aktivitet for at argumentere for, at GenAI, der leverer arbejdet, ikke blot aflaster tænkningen, men forelukker den, idet Bourdieus felt og habitus lokaliserer risikoen i institutionelle strukturer (Bai & Costa (2026)).

  • Værdier, retfærdighed og uddannelsens formål. Filosofisk analyse undersøger, om AI-drevet uddannelse tjener menneskelig blomstring og uddannelsesmæssig retfærdighed, eller om den gør læring til et instrument for produktivitet (Can we disrupt the momentum of the AI colonization of science education?). Det forbinder til kritisk pædagogik og etik.

  • 'Menneskecentreret' som en antropocentrisk diskurs, ikke en neutral etik. Wang og Jin (2026) læser UNESCO-, OECD- og Montréal-deklarationens dokumenter for at argumentere for, at menneskecentreret AIED arver oplysningstidens humanistiske udelukkelser, at transhumanisme bevarer dem, og at mærkatet kan legitimere kommerciel infrastruktur.

  • Epistemologisk forankring for, hvordan folk engagerer sig i AI. Strydom (2026) udleder syv paradigmer for menneske–generativ-AI-engagement fra Schommers fem dimensioner af personlig epistemologisk overbevisning (videnens kilde, sikkerhed, organisering, kontrol og hastighed) og argumenterer for, at de udøves snarere end besiddes — så ændring af, hvordan lærende engagerer sig i AI, kræver ændring af den sociotekniske omgivelse, ikke af deres overbevisninger.

  • Hvis filosofi? Pluralisme i feltets begrebsmæssige fundamenter. Xie (2026) argumenterer for, at feltets filosofiske debat er overdetermineret af én vestlig arkitektur — epistemisk handlekraft som egenskab ved diskrete subjekter, viden indrammet repræsentationelt og kalkulativt, og menneske–AI-relationen placeret inden for subjekt–objekt-dualisme — så dens grænser bliver grænserne for feltets kollektive forestillingsevne. Som en komparativ modvægt rekonstruerer han daoistiske begreber — "Dao-natur" (道性), selvkultivering (修道) og "Zhenren" (真人) — ikke som "østligt indhold" tilføjet en uændret ramme, men som ressourcer, der omformer de begrebsmæssige fundamenter, hvorigennem AI selv forstås, og anvender dem på viden (epistemisk monokultur og syntetisk misinformation), erkendelse (aflastning der forringer kritisk tænkning) og indvirkning (miljøomkostninger og globale nord–syd-asymmetrier) (Alternative AI Philosophy: Daoism as Method for AI in Education).

  • Handlekraft uden ansvarlighed. En korpusassisteret diskursanalyse af 366 GenAI-bachelorabstrakter finder AI nævnt 2.050 gange og indgående i 447 strenge aktør–prædikat-associationer — feltets hyppigste aktør — men handlingsprædikater dominerer dem (78,7 %), og ingen sætning gør et system ansvarligt: af 166 forpligtelsesudtryk tildelte ingen ansvar til et system, og den ene klausul, der forbinder AI med ansvarlighed, siger, at AI ikke er ansvarlig. Poudyal (2026) læser dette som funktionel handlekraft anerkendt i sproget uden det relationelle ansvar, der ville knytte den til nogen. Hverken værktøj eller samarbejdspartner: den medierende agent. Warschauer, Tate og Ritchie (2026) argumenterer for, at det underdriver generativ AI's interaktionelle indflydelse at kalde den et blot værktøj, mens det fejlagtigt tilskriver den intentionalitet og ansvarlighed at kalde den en samarbejdspartner, og foreslår den medierende agent — et responsivt, ikke-ansvarligt system, hvis nyhed er deltagelse snarere end intelligens.

Forholdet til læringsteorier

Filosofien om AI i uddannelse og Learning Theories er komplementære linser. Læringsteorier forklarer læringens mekanismer (f.eks. hvordan Feedback, stilladsering eller kognitiv belastning former udfald); filosofien afhører forudsætningerne for disse mekanismer — hvad der tæller som viden, hvem der tæller som vidende, og hvad den lærende grundlæggende er. Posthumanistisk og kritisk-filosofisk arbejde udfordrer især feltet til at bevæge sig ud over instrumentelle rammer som Teknologisk pædagogisk indholdsviden (TPACK) og SAM mod en dybere ontologisk reorientering (Pedagogical Symbiosis: conceptualizing the Post-Human Learner in the age of cognitive AI).

Forholdet til teoriudvikling

Filosofien om AI i uddannelse og teoriudvikling i AIEd er komplementære, men forskellige. Filosofien stiller de ontologiske og epistemologiske spørgsmål — hvad sind, viden og den lærende grundlæggende er under AI-medierede betingelser — mens teoriudvikling producerer og empirisk tester de mekanismer, der operationaliserer svarene på disse spørgsmål (generativisme, epistemisk samhandlekraft, den fraværende kognitive baseline). De to informerer gensidigt hinanden: filosofien afklarer de forudsætninger, som teorier bærer (f.eks. forudsætter epistemisk samhandlekraft en distribueret, ikke-individualistisk model for kognition), mens teoriudvikling giver filosofiske positioner testbar, falsificerbar form. Feltets mest fundamentale artikler gør begge dele på én gang og ligger på grænsen mellem de to begreber.

Almindelige fejlopfattelser

"Filosofien om AI i uddannelse er det samme som at katalogisere læringsteorier." De ligger på forskellige dybder. Learning Theories-siden spørger, hvordan læring sker; filosofien spørger, hvad læring, sind og den lærende grundlæggende er under AI-medierede betingelser. Et studium kan afgøre et læringsteoretisk spørgsmål og lade det filosofiske stå urørt, hvilket er grunden til, at en teknisk vellykket intervention stadig kan være den forkerte ting at gøre.

"Kognitiv udlicitering er skaden, og den kan vendes med mere indsats." Der findes en stærkere påstand. Bai og Costa (2026) trækker på Arendts forståelse af tænkning som en indadgående, uoverførbar aktivitet for at argumentere for, at GenAI, der leverer arbejdet, ikke blot aflaster tænkningen, men forelukker den — og de lokaliserer risikoen institutionelt, gennem Bourdieus felt og habitus, snarere end i individuel viljestyrke. Hvis argumentet holder, er "brug det forsigtigt" ikke et tilstrækkeligt botemiddel, fordi praksissen formes af det felt, der belønner outputtet.

"Ikke-vestlig filosofi er indhold, man tilføjer en uændret ramme." Den kan være en kilde til anderledes fundamenter. Én rekonstruktion behandler daoistiske begreber — "Dao-natur" (道性), selvkultivering (修道) og "Zhenren" (真人) — ikke som "østligt indhold" føjet til en vestlig ramme, men som ressourcer, der omformer de begrebsmæssige fundamenter, hvorigennem AI i uddannelse forstås. At tilføje en tradition som illustration og at bruge den til at omformulere spørgsmålene er forskellige videnskabelige handlinger.

"Filosofisk kritik kan ikke omsættes til handling." Den fastlægger, hvad der tæller som succes. Om et systems output er en lærendes præstation, og om en målt gevinst er et pædagogisk gode, er forudgående spørgsmål, som ingen effektstørrelse kan besvare — og institutioner, der springer dem over, vil optimere det målbare og kalde det forbedring.

Implikationer for praksis

For undervisere

  • Beslut, før du tager et værktøj i brug, hvad du er villig til at regne som den studerendes egen præstation. Hvis en poleret aflevering produceret af systemet ville tilfredsstille din evaluering, har du svaret "ingenting" — og ingen senere ændring af bedømmelsesrammen genvinder spørgsmålet.
  • Tag forelukkelsesargumentet alvorligt, når du designer opgaver: hvis GenAI, der leverer arbejdet, forelukker tænkningen snarere end blot aflaster den, så er "brug det ansvarligt" ikke en tilstrækkelig beskyttelse, fordi det omgivende felt belønner outputtet. Design opgaver, hvor beviset for tænkning produceres, før værktøjet er tilgængeligt.
  • Spørg, hvis læringsforståelse dit kursus koder. At adoptere en ramme ukritisk importerer dens antagelser om, hvad en lærende er, og de antagelser er omstridelige.

For udviklere

  • Blottlæg den grænse, du har trukket mellem assistance og levering, og gør den til en produktbeslutning snarere end en standardindstilling. Et system, der kan producere det færdige artefakt, har implicit besluttet, at mentalt arbejde er valgfrit.
  • Modstå at optimere mod det, der ligner læring. Flydendehed og fuldstændighed er de målbare egenskaber, og de er dem, der maskerer forelukkelsen.
  • Hvis du påstår, at dit system "understøtter tænkning", så angiv, hvad det nægter at gøre — nægtelsen er mekanismen.

For forskere og politikere

  • Angiv den læringsforståelse, din evaluering forudsætter, fordi en målt gevinst kun er et pædagogisk gode i forhold til en eller anden redegørelse for, hvad uddannelse er til for.
  • Finansier det filosofiske arbejde side om side med det empiriske: spørgsmål om, hvad der tæller som en lærendes præstation, fastlægger de succesktriterier, som de empiriske studier derefter bruger.

Forbundne begreber

Forbundne artikler

Metadata

Læring og undervisningLearning Theories
Ligestilling, etik og ansvarlig brugEthics
Grundlag for AI i uddannelseElevens handlingsrum, AI i uddannelse, Menneske-AI-samarbejde, Filosofi 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.