AIEd-vidensbaseAIEd KB
På denne side

Læs denne side på engelsk

Begreber

SAMR-modellen

Oprettet 2026-09-10 · Opdateret 2026-11-08

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

SAMR-modellen — en ramme for teknologiintegration udviklet af Ruben Puentedura, der klassificerer, i hvilken grad en teknologi transformerer læring, på fire niveauer: Substitution, Augmentation, Modification og Redefinition. De to nederste niveauer (Substitution, Augmentation) forbedrer en eksisterende opgave — teknologien gør det, der blev gjort før, bedre eller mere bekvemt; de to øverste (Modification, Redefinition) transformerer den — opgaven selv ændres til noget, der ikke tidligere var muligt. I AI i uddannelse er SAMR den standardlinse, man bruger til at spørge, om generativ AI bruges til gradvist at forbedre eksisterende praksis eller til at gentænke læring, og den står side om side med TPACK som en måde at beskrive, hvordan lærere integrerer teknologi, frem for hvorfor de accepterer den.

Spørgsmål at overveje

  • Når AI introduceres i et kursus, er det så en Substitution (en chatbot erstatter et søgefelt) eller en Redefinition (en opgave bliver mulig, som ikke var det før)? Hvad afgør, hvilket niveau der er passende — og er transformation altid målet?
  • SAMR og modeller for teknologiadoption besvarer forskellige spørgsmål: adoptionsteori spørger hvorfor en lærer eller institution accepterer et værktøj; SAMR spørger hvor dybt værktøjet ændrer læring. Hvilket spørgsmål besvarer en given AI-integrationsundersøgelse egentlig?
  • Et systematisk review af AI-integration i videregående uddannelse fandt, at de fleste anvendelser lå på Substitution- eller Augmentation-niveauet, og at kun én undersøgelse nærmede sig Redefinition. Hvis det er typisk, hvad siger det så om kløften mellem AI's potentiale og dets virkelighed i klasseværelset?
  • SAMR påkaldes hyppigt i læreres professionelle udvikling for at hjælpe undervisere med at planlægge teknologibrug. Ændrer det, at man klassificerer en lektions SAMR-niveau, hvad en lærer faktisk gør, eller er det først og fremmest en beskrivende etiket?
  • Kritikere hævder, at SAMR ligesom TPACK hviler på en humanistisk ontologi, der behandler kognition som uforandret af teknologi, og at den intet siger om magt, dataejerskab eller ligestilling. Er en linse for integrationsniveau tilstrækkelig, eller kræver AI-tidens integration en mere kritisk ramme?

Introduktion

SAMR beskriver dybden af den teknologiske transformation af læringsopgaver. Dets fire niveauer udgør en stigende skala fra forbedring til transformation: Substitution (værktøjet erstatter et andet uden funktionel ændring — en chatbot i stedet for en søgemaskine), Augmentation (værktøjet erstatter og forbedrer — en tekstbehandlers stavekontrol frem for en skrivemaskine), Modification (opgaven redesignes betydeligt — studerende samarbejder i realtid om et fælles AI-genereret udkast) og Redefinition (nye opgaver, der tidligere var utænkelige, bliver mulige — lærende medskaber med en generativ model på måder, der ikke har noget ikke-AI-analog). Modellen bruges bredt i uddannelsesteknologisk forskning og professionel udvikling af lærere som et ordforråd til at planlægge og evaluere teknologiintegration, og den er en standardledsager til TPACK og til rammer for teknologiadoption — selv om den besvarer et andet spørgsmål end nogen af dem.

Hvad de fire niveauer betyder

  • Forbedring (nedre halvdel): Substitution og Augmentation forbedrer en eksisterende opgave uden at ændre dens natur. Det meste rutinemæssige AI-brug — spørgsmålsgenerering, hurtig tekstgenerering, opsummering — ligger her: det er hurtigere og mere bekvemt, men ændrer ikke, hvad den lærende bliver bedt om at gøre.
  • Transformation (øvre halvdel): Modification og Redefinition ændrer opgaven selv. Vibe coding, realtids-medkonstruktion med en model og adaptiv interaktiv dialog er opgaver, der ikke var mulige før generativ AI, og repræsenterer den transformative ende af skalaen.

SAMR parres ofte med ICAP-rammen, fordi de to stemmer overens: de fire madlavning-til-læring-scenarier i Rummel, Nachtigall & Panadero (2026) kortlægger ICAP-engagement-tilstande på SAMR-niveauer — ICAP Passive med SAMR Substitution, Active med Augmentation, Constructive med Modification og Interactive med Redefinition — og illustrerer en progression fra passiv delegering til interaktiv medkonstruktion.

Evidens fra vidensbasen

  • AI-integration i videregående uddannelse er i høj grad gradvis, ikke transformerende. AlSheikh m.fl. (2026) vurderede i et PRISMA-systematisk review af 22 interventionsstudier, udvalgt blandt 959 poster, AI-integration med SAMR-modellen og fandt, at de fleste studier klyngede sig på Substitution- eller Augmentation-niveauet, med færre på Modification og kun ét, der nærmede sig Redefinition. AI blev typisk introduceret for at forbedre eksisterende praksis — domineret af automatisering af evaluering og personaliserede læringsstøtte — snarere end for at gentænke læseplaner eller læringsudbytter.
  • SAMR er en almindelig analytisk linse for GenAI-drevet pensumændring. Sabani m.fl. (2026) kortlægger fem læseplansskift (statisk til dynamisk, formidling til kapacitet, lokalt til institutionelt) på etablerede linser, herunder SAMR og konstruktiv sammenhæng, og bruger modellen til at tydeliggøre de pædagogiske mekanismer, hvorved GenAI omformer læseplanen.
  • SAMR og TPACK forankrer standarder for læreres teknologiintegration. Crompton m.fl. (2026) placerer deres seks standarder for underviseres teknologiintegration op mod eksisterende rammer — Teknologisk pædagogisk indholdsviden (TPACK), RAT, SAMR, SETI — og standarder (ISTE, UNESCO, DigCompEdu), hvoraf de fleste retter sig mod K-12-undervisere eller kun mod undervisningsdelen af underviseres roller og efterlader et hul i kompetenceudviklingen for undervisere i videregående uddannelse.
  • SAMR er et mål for den posthumanistiske kritik. Elsayed (2026) kritiserer TPACK, SAMR og modeller for AI-kompetence for at dele en humanistisk ontologi, der forudsætter en afgrænset lærende, hvis kognition grundlæggende er uforandret af teknologisk mediation, og argumenterer for, at disse instrumentalistiske rammer ikke kan håndtere AI's konstitutive rolle i kognition.
  • En ramme for integration, ikke en ramme for magt. Poudyal (2026) evaluerer SAMR sammen med TPACK og andre integrationsrammer og finder, at ingen af dem behandler retfærdig magt, dataejerskab eller ansvarlighed, hvilket motiverer en alternativ økologisk samhandlingsramme.
  • Studerendes brug afspejler også SAMR, og feedback spænder over alle niveauer. Kodning af GenAI-erklæringer fra 31–36 studerende i en fysikenhed placerede læring på substitution–augmentation, formatering på substitution og opgaveløsning på modification–redefinition, mens feedback — kontrol, afklaring, verifikation — optrådte på alle fire niveauer (Quince og Faulconer (2026)).
  • Dybde og inklusion er separate akser. Jita, Jita & Omoniyi (2026) parrer SAMR med UDL på tværs af 38 kilder og argumenterer for, at opgaver på Redefinition-niveau stadig kan udelukke studerende, hvis sprog, enhed eller forbindelse ikke passer til designet.

SAMR, TPACK og teknologiadoption: hvordan de adskiller sig

Tre rammer forveksles ofte, men besvarer forskellige spørgsmål:

  • Modeller for teknologiadoption (TAM, UTAUT) forklarer hvorfor en person eller institution accepterer og fortsætter med at bruge en teknologi — opfattet anvendelighed, brugervenlighed og social indflydelse.
  • TPACK beskriver den viden, en lærer har brug for for at integrere teknologi effektivt — samspillet mellem teknologisk, pædagogisk og indholdsmæssig viden, i AI-tiden udvidet til AI-TPACK/GenAI-TPACK.
  • SAMR klassificerer hvor dybt en teknologi transformerer en læringsopgave, fra forbedring til redefinition.

SAMR forstås bedst som en linse for integrationsdybde, der bruges i planlægning og evaluering, og som supplerer adoptionsteori (der forklarer optagelse) og TPACK (der forklarer lærerens formåen). I AI-tiden bruges den mest produktivt til at spørge, om generativ AI anvendes til at forbedre eksisterende opgaver eller til at muliggøre genuint nye — en skelnen, der går igen i vidensbasens forskning i evaluering og læseplaner.

Implikationer for praksis

  • Brug SAMR til at stille dybdespørgsmålet, ikke til at foreskrive transformation. Forbedring er ikke i sig selv ringere; mange rutinemæssige AI-anvendelser er legitime substitutioner. Modellen er diagnostisk og tydeliggør, hvad en given anvendelse faktisk ændrer.
  • Par den med ICAP. SAMR beskriver, hvad opgaven bliver; ICAP beskriver, hvordan den lærende engagerer sig. Brugt sammen adskiller de overfladisk substitution fra dyb interaktiv medkonstruktion.
  • Suppler den med linser for adoption og ligestilling. SAMR siger intet om, hvorfor et værktøj tages i brug, eller hvem der får gavn af det. Par den med adoptionsmodeller og ligestillingsanalyse for at undgå, at en dybdeetiket erstatter en kritisk vurdering.
  • Behandl evidens for gradvis integration som et fund, ikke et nederlag. Hvis det meste AI-integration klynger sig på Substitution/Augmentation, er desigopgaven ikke at tvinge Redefinition frem, men at anerkende, at transformativ brug kræver andre opgavedesign, ikke bare bedre værktøjer.

Almindelige fejlopfattelser

"Højere på SAMR er bedre undervisning." SAMR er en linse til at spørge, om AI gentænker læring eller forbedrer eksisterende praksis; det er ikke en kvalitetsrangering, og Redefinition er ikke det rigtige svar på enhver opgave. En substitution, der fjerner et uproduktivt trin, er en succes vurderet på læring, ikke på det niveau den indtager.

"AI-adoption bevæger sig op ad stigen." Fordelingen er koncentreret i bunden. Et systematisk review af AI-integration i videregående uddannelse fandt, at de fleste anvendelser lå på Substitution eller Augmentation, og at kun én undersøgelse nærmede sig Redefinition. SAMR's praktiske anvendelse i denne litteratur er derfor i høj grad diagnostisk — den navngiver, hvor feltet faktisk står.

"SAMR og TPACK er konkurrerende rammer." De beskriver forskellige ting: SAMR beskriver graden af transformation i en opgave, mens TPACK beskriver den viden, en lærer har brug for for at integrere teknologi godt. En lærer kan være meget TPACK-kompetent og stadig arbejde på Substitution-niveau, hvilket er grunden til, at de to bruges sammen i stedet for at vælges imellem.

"Et værktøj, der er transformativt på ét niveau, er transformativt på alle niveauer." Det samme generative værktøj kan understøtte en Substitution i ét kursus og en Redefinition i et andet, fordi niveauet er en egenskab ved opgavedesignet snarere end ved teknologien. At tilskrive niveauet til værktøjet producerer adoptionsbeslutninger i stedet for designbeslutninger.

Forbundne begreber

Forbundne artikler

Metadata

NiveauK 12, Higher Ed
Tiltænkt målgruppeInstructors, Curriculum Designers, Researchers
Teknologier og teknikkerTechnologies, Technology Adoption Models
Grundlag for AI i uddannelseUddannelsesudvikling, Læringsdesign, Teknologisk pædagogisk indholdsviden (TPACK), Læreres AI-kompetence
SidetypeFramework
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.