Læreres AI-kompetence

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

Læreres AI-kompetence - den viden, de færdigheder og de holdninger, lærere har brug for for effektivt, etisk og retfærdigt at integrere AI i undervisning og læring. Det rækker ud over teknisk værktøjsbrug og omfatter pædagogisk integration, evalueringskompetence, etisk dømmekraft og selvtillid til at bruge AI godt. Læreres AI-kompetence er lærersidens modstykke til AI-kompetence og udvikles gennem professionel udvikling. Den er central for, hvordan lærerens rolle forandres i AI-forstærkede klasseværelser.

Spørgsmål at overveje

• Siden argumenterer for, at læreren er 'den afgørende faktor' for, om AI forbedrer læringen - at værktøjer kun hjælper, når lærere kan planlægge med dem, stilladsere brugen og evaluere output. Svarer det til din erfaring, eller mener du, at værktøjet selv betyder mere end læreren?
• Læreres AI-kompetence spænder over teknisk færdighed, pædagogisk integration, evalueringskompetence og etisk dømmekraft. Hvilken af disse mener du, lærere mangler mest, og hvilken er sværest at træne?
• Forskningen dokumenterer et gab mellem læreres selvoplevede og faktiske AI-færdighed. Hvorfor tror du, at mennesker overvurderer deres beredskab, og hvad skulle der til for at lukke det gab ærligt?
• Et intensivt program for professionel udvikling gav store gevinster i AI-pædagogisk færdighed i den citerede forskning, hvilket antyder, at teknisk-pædagogisk færdighed kan trænes. Hvis det er sandt, hvorfor virker så mange lærere stadig uforberedte - hvad står i vejen?
• Hvis en lærer kan 'bruge AI godt', hvad betyder 'godt' så for dig, og hvordan ville du vide, at en lærer har opnået det, snarere end blot taget værktøjet i brug?

Introduktion

Læreres AI-kompetence er vigtig, fordi læreren er den afgørende faktor for, om AI forbedrer læringen. Forskning viser konsekvent, at AI-værktøjer kun omsættes til bedre udfald, når lærere kan planlægge med dem, stilladsere elevernes brug, evaluere output og integrere dem i sammenhængende undervisning. Vidensbasens litteratur undersøger dimensionerne af denne kompetence, gabene mellem selvopfattelse og faktisk færdighed og den professionelle udvikling, der opbygger den.

Nunez-Canal et al. (2026) forbinder fakultetets AI-kompetence direkte til studerendes udfald ved hjælp af human kapital- og interessentteorier på en spørgeskemaundersøgelse blandt fakultet i business og økonomi og argumenterer for, at universiteters investering i fakultetets kompetence ikke er valgfri.

• Prompttræning køber tid, ikke bedre materialer. I en præregistreret RCT med 204 lærere fandt Appel, Fervers og Piepenburg (2026), at ChatGPT forbedrede kvaliteten af forberedelsesmateriale og skar forberedelsestiden med 34 %, mens tidligere AI-træning gav yderligere 21 % tidsreduktion uden at forbedre den bedømte kvalitet (Appel et al., 2026). Trænede lærere skrev længere prompts og itererede mindre; begge veje nåede samme kvalitet.

Kernedimensioner af kompetence

Vidensbasens forskning konvergerer mod flere indbyrdes forbundne dimensioner:

• Teknisk færdighed: at udforme effektive prompts til undervisningsformål, evaluere AI-værktøjer for pædagogisk egnethed og sikkerhed og fejlfinde i realtid. Et intensivt GenAI-PD-program dokumenterede betydelige gevinster på alle fem AI-PCK-komponenter (samlet d = 2,36), hvilket viser, at teknisk-pædagogisk færdighed kan trænes.

• At specificere agentarbejdsgange: når lærere konfigurerer en chatbot i naturligt sprog, er den dominerende fejl tabt hensigt snarere end forkerte fakta - bots sprang påkrævede trin i arbejdsgangen over i 53,8 % af slutbrugerdial og udelod opsætning af forventninger i 33,4 % (Liu et al. (2026)), så at skrive ordnede, eksplicitte trin er en trænbar kompetencedimension i sig selv.

• Pædagogisk viden er det afgørende lag. Et tværniveau-studium af sekundær AI-undervisning (46 lærere, 2.832 elever) fandt, at teknisk AI-viden alene var utilstrækkelig - og endda kunne reducere elevernes opfattelser af AI til samfundsnytte en smule - mens pædagogisk AI-viden drev elevernes opfattelser og deres intention om at lære AI. Kompetencerammer bør derfor vægte pædagogisk AI-viden som den centrale dimension, ikke som et blødt tillæg.

• Pædagogisk integration: at knytte AI-brug til læringsmål, designe Scaffolding, der understøtter elevernes Metacognition og selv-AI Regulation in Education, og integrere AI i undervisningsdesign. AI-TPACK-forskning modellerer, hvordan lærere kombinerer teknologisk, pædagogisk og faglig viden gennem multi-agent-arbejdsgange, mens en fem-niveau-ramme for lærer-AI-teaming (transaktionel → synergistisk) indfanger, hvordan GenAI kan erstatte, supplere eller forstærke lærerens kompetence.

• Evalueringskompetence: at evaluere AI-genereret indhold og elevers AI-output og forstå, hvordan validiteten forskubber sig, når elever bruger AI. Det forbinder til Automated Assessment, AI Detection og den bredere dagsorden for redesign af Assessment. For anbefalingssystemer rækker det til at bedømme, om en AI's forklaringer reelt er forståelige og pædagogisk meningsfulde: Feldman-Maggor et al. (2025) fandt, at lærere stolede mere på AI-grupperingsanbefalinger, når forklaringerne var formuleret i domæne- (læseplans)sprog, end når de blotlagde rå modelfeatures - en færdighed i at kræve og vurdere forklaringskvalitet snarere end at acceptere uigennemsigtigt output.

• Modelvalg og promptdesign som demonstrerbare færdigheder: instrumentel AI-kompetence omfatter at vide, hvilken model der skal bruges, og hvordan opgaven formuleres. Jacobsen et al. (2026) lod 153 lærerstuderendes lektionsplanlægningsmål blive kritiseret af ChatGPT-4, Claude 3 og Gemini Advanced under fire systematisk varierede prompts (N = 240 feedback i Studie 1, 345 i Studie 2), med Feedback bedømt på ni kvalitetskategorier. Modelvalg alene forklarede 26,9 % af variansen i den bedømte kvalitet (18,4 % i Studie 2), og promptdesign tilføjede signifikante 15,9 % (5,7 %) oveni; det enkeltstående afgørende prompttræk var domænespecifikt teknisk sprog, hvis fjernelse sænkede kvaliteten signifikant (β = -0,412), mens tilføjelse af eksempler og fjernelse af chain-of-thought-instruktionen ikke gjorde nogen signifikant forskel i Studie 1. Deres læsning - at fagterminologi både åbner relevante træningsdata og rammer anmodningen professionelt ind, ligesom rollevis prompting - plus en tommelfingerregel om at bruge den mest kapable aktuelle frontier-model gør modelvalg til en didaktisk beslutning snarere end en teknisk.

• Etisk og kritisk brug: at genkende bias i AI-output, beskytte elevdata (Privacy) og sikre retfærdige udfald (Equity). Kulturelt relevant AI-brug undersøger, hvordan lærere kan bruge LLM'er til at diversificere materialer snarere end at forstærke dominerende normer.

• Etisk ansvar er distribueret, ikke individuelt. På tværs af syv nationale cases placeres lærere som moralske portvagter for AI-brug, mens de mangler institutionel og epistemisk støtte, så etisk AI-kompetence skal række til kritisk og politisk agens snarere end teknisk færdighed (Raffaghelli et al. (2026)).

• Selvtillid og holdninger: læreres selvtillid former adoptionen. Adoptionsforskning finder, at selvtillid, støtte og oplevet nytte afgør, om lærere faktisk bruger AI, og fakultetets orienteringer former adoptionen i forskning og undervisning.

• I en femlandeundersøgelse af 1.405 K-12-lærere forudsagde AI-beredskab positive overbevisninger om GenAI's undervisningsmæssige værdi (B = 0,59, R² = 0,50), men forudsagde større bekymring for Creativity (B = 0,18), og de samme prædiktorer forklarede kun 7 % og 6 % af bekymringen - beredskabsopbygning alene lader bekymringen urørt (Xiu et al. (2026)).

Beredskab bør ordnes og måles derefter: Capability-Decision-modellen placerer demonstreret AI-kapabilitet opstrøms for holdning og selvtillid og foreslår præstationsindikatorer snarere end kun selvrapportering - lektionsdesignopgaver, promptevalueringopgaver podet med fejl, indholdsvalitetsvurderinger og rubrikker for klasseværelsesartefakter (Mnguni (2026)).

Følelsesmæssig og moralsk beredskab er en særskilt dimension. Vassallo (2026) spurgte det akademiske personale på et maltesisk universitet (109 respondenter) og byggede et AI-skyldindeks (α = 0,88) af fire moralemotionspunkter og fandt, at forventet skyld overgik anger oplevet efter brug: den stærkeste tilslutning var bekymringen for, at AI-brug underminerer ens troværdighed (34,9 % tilslutter sig), derefter følelsen af at snyde, når man bruger det (25,7 %), mens anger efter brug kun opnåede 9,2 %. De fund, der betyder noget for kompetencerammer, er, at ikke-brugere rapporterede højere skyld end brugere (M = 3,25 vs. M = 2,32), og at skyld faldt, jo højere karrieresikkerhed var - akademikere tidligt i karrieren rapporterede mest (M = 2,71) og seniorakademikere mindst (M = 2,03). Følelsesmæssigt beredskab indfanges derfor ikke af færdigheds- eller selvtillidsmål, og artiklen argumenterer for, at kompetencerammer bør behandle skyld og identitetsbekymring som normale overgangsreaktioner snarere end som fejl, der skal korrigeres.

En stærkere version af denne omformulering hævder, at GenAI er et tærskelbegreb snarere end et færdighedsgab: en autoetnografisk beretning argumenterer for, at fakultetets angst og modstand er konstitutiv for tærskeloverskridelsen, så færdighedsbaseret træning fejler, og principiel ikke-adoption bør respekteres snarere end korrigeres (Laidlaw (2026)).

Kompetencegabet

Et centralt fund er gabet mellem selvrapporteret og præstationsbaseret kompetence. Forskning i vurdering af AI-kompetence dokumenterer en betydelig uoverensstemmelse (op til ca. 40 %) mellem, hvad lærere tror, de kan, og hvad de faktisk kan demonstrere - lærere, der er trygge ved AI-færdigheder, mangler ofte grundlæggende prompt- og evalueringsevner. Det motiverer præstationsbaseret evaluering af læreres kompetence frem for afhængighed af selvrapportering og forbinder til kalibreret selvvurdering. En national undersøgelse af 2.586 nigerianske sekundærlærere målte de to sider med separate instrumenter - moderat AI-bevidsthed (M = 3,13 af 8) mod lavere AI-pædagogisk færdighed (M = 2,47 af 5) - hvor lærere tidligt og midt i karrieren rapporterede højere færdighed end erfarne kolleger (Olurinola et al., 2026).

Beredskab er den mest dokumenterede forhindring i matematikundervisningens litteratur. En gennemgang af 54 studier i matematikdidaktik fandt teknologisk-pædagogisk integration og lærerberedskab som den hyppigst rapporterede udfordring (38 af 54), foran evalueringsvaliditet og integritet (26) og overafhængighed (24) (Manto et al. (2026)).

Gabet er ikke kun mellem oplevet og faktisk færdighed, men i bredden af, hvad lærere ved: en national undersøgelse af 2.018 ukrainske sekundærlærere fandt, at 84 % rapporterede at bruge AI i professionel praksis, mens kun 11 % kunne nævne en specialiseret AI-tjeneste ud over ChatGPT (Marienko, Markova & Semerikov (2026)). En anden snæverhed viser sig i, hvad lærere selv byder ind med, snarere end i hvad de kan nævne: 53 lærere i tjeneste, der taggede deres egne klassesituationer op mod OECD's AI Literacy Framework, beskrev 43 AI-kompetente praksisser mod kun 10 fejl (Wang et al., 2026). Deres kompetencevalg klumpede sig om praktisk dømmekraft (at evaluere AI-output, N = 38) og nåede sjældent samfundsmæssig bias (N = 5), etisk tilpasning (N = 6) eller AI's energiforbrug (N = 9).

En undersøgelse blandt 132 lærere i Indonesien fandt næsten universel accept side om side med tynd mekanistisk forståelse: 96,2 % tilsluttede sig læreres brug af AI, men kun 4,6 % nævnte tokenization eller decoding, og 21,5 % troede, at ChatGPT søgte i en database eller på internettet (Aji et al. (2026)). En gunstig holdning er ikke evidens for en brugbar mental model af værktøjet.

Gabet er synligt i artefakten såvel som i selvrapporteringen. Et tværinstitutionelt fakultetslaboratorium i læreruddannelsen, hvor læreruddannere designede AI ind i deres egne metodikkurser, rapporterede, at kandidater kunne producere polerede AI-assisterede lektionsplaner, mens de ikke kunne forklare, hvorfor en plan passede til eleverne og standarderne, da planen selv intet siger om ræsonnementet bag den. At bedømme begrundelsen snarere end produktet er ét svar. Rammen for praksispædagogikker antyder et andet og behandler prøvehandlinger som en tilnærmelse til praksis: AI-formidlet prøvehandling med struktureret feedback efter prøvehandlingen øgede kandidaternes brug af undersøgende og udforskende spørgsmål, men kandidaternes egne vurderinger af deres præstation afveg stadig fra, hvad observatører registrerede.

En faldende selvvurdering efter træning kan signalere læring snarere end tab. I et seks måneders Intelligent-TPACK-program for professionel udvikling med 64 universitetslærere i Hongkong mod 61 kontrolpersoner steg den samlede AI-kompetence med omkring en halv standardafvigelse (Cohens d = -0,521), men nogle lærere i begge grupper scorede lavere ved posttest end ved prætest (Tan, Cheng & Ling, 2025). Interview tilskrev faldene et skift fra ubevidst til bevidst inkompetence - den rekalibrering, som Dunning-Kruger-effekten forudsiger - snarere end tabt færdighed. Forfatterne konkluderer, at præ-post-selvrapportering undervurderer en intervention, fordi en del af gevinsten kommer som en nedadgående korrektion i selve instrumentet.

Gabet viser sig også som manglende deltagelse. Watson & Rainie (2026) spurgte 1.057 amerikanske universitetsundervisere i slutningen af 2025 og fandt, at 26 % slet ikke bruger generative AI-værktøjer, at en tredjedel vælger dem fra til undervisning, og at ikke-brug er koncentreret i kunst og humaniora (40 %). Den institutionelle side af gabet var større end den individuelle: 68 % sagde, at deres institutioner ikke havde forberedt fakultetet på at bruge generativ AI til undervisning og vejledning, og fakultetet nævnte kollegers modstand (82 %) og manglende kendskab (83 %) som de førende forhindringer for adoption på institutniveau - et billede, hvor kapacitetsopbygning, kollegiale normer og politik alle skal bevæge sig sammen.

Læreruddannelsen går i vid udstrækning uden om kompetencens etiske dimension. En systematisk gennemgang af AI i den indledende læreruddannelse for lærerstuderende i matematik på primærniveau (Pinto et al. 2026, 11 studier valgt ud af 341 poster) fandt, at interventionerne koncentrerede sig om kortsigtede tekniske og pædagogiske gevinster, hvor ni af de elleve var korte interventioner over en til seks sessioner, og rapporterede, at etik kun blev behandlet i tre af de elleve studier. Kompetencerammerne nævner etisk dømmekraft som en dimension; den læreruddannelseslitteratur, der skal opbygge den, underviser eller måler den sjældent.

• Syv kompetenceklynger, med etik som det svageste led. En tematisk syntese af 78 studier giver klynger for prompt engineering, kritisk evaluering af AI-output, etisk bevidsthed og biasdetektion, pædagogisk-indholdsmæssig tilpasning, begrebsmæssig AI-kompetence, menneskelig overvågning og refleksion. Prompt engineering var det mest konsekvent dokumenterede og opfører sig som et udviklingsspektrum snarere end en enkelt færdighed, hvilket fik gennemgangsforfatterne til at argumentere for, at det bedst forstås som pædagogisk ræsonnement udført gennem et nyt medium - prompten som en eksternaliseret designbeslutning. Etisk bevidsthed var den svagest dokumenterede kompetence i læreruddannelsesstudierne (Spyropoulou & Kameas, 2026).
• Lærere overvurderer deres egen evalueringsevne. Ud over fundet, at kun 38,3 % af AI-genererede læringsmål opfyldte alle kvalitetskriterier uden revision, overvurderer lærerstuderende systematisk deres evne til at evaluere chatbot-output - hvilket gennemgangsforfatterne læser som et muligt perceptuelt snarere end deklarativt deficit. Derfor argumenterer de for, at kompetence bør vurderes gennem præstationsartefakter (lektionsplaner, beslutningslogs, micro-teaching) snarere end selvrapportering: upålideligheden af selvvurdering er demonstreret i netop den litteratur, træningen skal adressere.

Professionel udvikling, der virker

Vidensbasens litteratur om professionel udvikling identificerer effektive tilgange:

• Intensive, teoriforankrede programmer: Et intensivt GenAI-PD-program med 163 lærere/lærerstuderende gav betydelige gevinster på alle AI-PCK-komponenter, hvor lærerstuderende havde størst udbytte. Selvbestemmelsesteoribaseret PD viser, at behovsunderstøttende træning forbedrer læreres AI-kompetence, holdninger og engagement og samtidig reducerer angst.
• Designbaserede og integrerede tilgange: DBR-baseret GenAI-kompetencetræning adresserer overvægten på teknisk viden og værktøjer fra før GenAI; integrative, udviklingsorienterede rammer og integration af social-emotionel kompetence breder kompetencen ud over ren teknik.
• Undersøgelse og autentisk praksis: AI-understøttede undersøgelsesmodeller opbygger AI-kompetence og autentisk præstation hos lærerstuderende.
• Kontekstspecifikt beredskab: EPIQ-AI-beredskabsrammen understreger, at fakultetets beredskab er et socioteknisk spørgsmål, der kræver sammenhæng mellem fakultetets kapacitet, AI Governance og kvalitetssikring.
• Støtte skal være differentieret efter erfaring og AI-færdighed. Choi et al. (2026) fandt, at hvordan lærere faktisk interagerer med AI i lektionsdesign, afhænger af samspillet mellem undervisningserfaring og AI-færdighed, ikke af en af dem alene. Erfarne lærere med høj AI-færdighed tilpasser kritisk AI-output til konteksten (gen-prompting, uddybning), hvorimod novicer - selv teknisk flydende - har tendens til at acceptere AI-svar direkte og sjældent overveje elever og kontekst. Det taler for profileringsbaseret PD: tjeklister til svarvurdering og promptskabeloner til novicer og hands-on færdighedsopbygning til erfarne lærere med lavere AI-færdighed.
• Tidsgevinsten følger selv erfaring og selvtillid, ikke kun støttens design. I Roy et al.s (2026) forsøg med en AI-lektionsassistent var arbejdsbyrdefaldet større for lærere med lavere faglig selvtillid, lavere pædagogisk viden, kortere tid i professionen eller højere teknologiselvtillid. Færdighed og selvtillid er derfor en del af interventionens effekt, ikke kun af dens optag.

Overbevisningskonfiguration er en anden profileringsakse: blandt 40.680 lærere i TALIS 2024 maskerede samme ikke-brugsstatus modsatte barrierer - 83,3 % af profilen "Ligegyldig" angav pædagogiske forbehold, mens 66,2 % af "Afmålt tilslutning" angav utilstrækkelig viden og færdigheder (Fang & Jin (2026)). AI-relateret professionel læring fulgte medlemskab af profiler mere konsekvent end alder eller uddannelsesniveau.

• Lærere deler ikke ét begreb om AI. Et fenomenografisk studie af 16 danske universitetsundervisere fandt tre opfattelser af at undervise med AI og tre af at lære med AI, så én enkelt workshopmodel kun når en del af en given fakultetsgruppe (Stenalt (2026)).

• Samdesign og pædagogisk promptkompetence er kompetencer, ikke tillæg. En systematisk gennemgang af lærer-AI-samdesign af læringsopgaver (Wang, Liu & Islam 2026, 28 studier) finder, at den dominerende samarbejdsform er AI som assistent/indholdsgenerator, og lokaliserer et gab i lærernes mere fulde samdesign- og dialogpartnerkapaciteter. Talebzadeh (2026) viser, at PD, der parrer teknisk AI-træning med pædagogisk ræsonnement - og opbygger "pædagogisk promptkompetence" (at indkode PCK i prompts) - er det, der sætter lærere i stand til at omsætte AI-output til effektive differentierede gruppeaktiviteter.

• Strukturer, der opbygger kompetence, snarere end lister over den. Perl-Nussbaum og Finkelstein (2026) drev et fakultetslæringsfællesskab med seks sessioner hver anden uge i et stort offentligt R1-fysikinstitut - nitten fakultetsmedlemmer over serien, omkring ti ved hvert møde - hvor hver session åbnede med lokale data, gik videre til test af AI i små grupper mod reelle, anonymiserede elevlektier og sluttede i fælles diskussion, og det gav et fælles lager med fem indgange snarere end en træningspakke. Evalueringskompetence kan opbygges på samme måde gennem et designværktøj: i Paula et al.s (2026) pilotstudie udviklede otte erfarne kursuskoordinatorer i STEM og sundhed deres evalueringskompetence ved at kritisere en specialbygget GPT's vurderingsudkast mod faglige standarder, selv om outputtet gentagne gange ramte ved siden af faglig kontekst, ignorerede emnesekvensering og i ét tilfælde bragte fabrikerede referencer med gennem gentagen prompting. Alle otte beholdt den akademiske dømmekraft hos sig selv og afviste ende-til-ende-automatisering, hvilket gør struktureret kritik af genererede udkast til udviklingsmekanismen snarere end værktøjstræning.

• Korte sessioner kan flytte accept uden at flytte adoption. Mesenhöller og Böhme (2026) evaluerede en tre timers INSIGHT-session med 100 tyske lærere og fandt, at både oplevet nytte og oplevet brugervenlighed steg signifikant (nytte t(99) = -3,24, p = 0,002, d = 0,32; brugervenlighed d = 0,25), mens den adfærdsmæssige intention om at bruge AI-baserede teknologier til differentiering ikke ændrede sig. Forfatterne bemærker, at deres baselines allerede var gunstige, så en loftseffekt er plausibel. Læsningen for PD-design er snæver, men nyttig: en kort session kan ændre, hvordan lærere bedømmer AI-værktøjer, uden at ændre om de planlægger at bruge dem, hvilket er den slags ændring, der kræver opfølgning snarere end en enkeltstående begivenhed.

• Undervisere foretrækker sproglig flyden, men tilskriver læring til stilladsering. På tværs af 41 undervisere blev en GPT-4o-baseline foretrukket samlet set (21 vs. 13), men den finjusterede tre-trins-model (identificér, udforsk, udvikl) blev oftere tilskrevet læring (18 vs. 13), og de to vurderinger var kun enige 39 % af tiden (Molnar et al. (2026)).

• Institutionel støtte: professionel udvikling skal parres med institutionel infrastruktur (politik, institutionel forandring) for holdbar adoption.

• Forfatterværktøjer garanterer ikke pædagogisk troskab. Riahi et al. (2026) undersøgte 27 mellemskolelærere, der konfigurerede pædagogiske chatbots i PD-workshops, og analyserede fokusgrupper sammen med konfigurations- og interaktionslogs. Lærerne behandlede chatbotten som en undervisningsmæssig stilladsering afgrænset af lærerdefinerede regler, men den logbaserede overensstemmelse mellem hensigt og adfærd var stærkere for responsiveness (88,9 %) og persona (81,5 %) end for regler (70,4 %) og formål (59,3 %). Konfigurerbare kontroller alene bærer ikke pædagogisk hensigt ind i adfærden, så det at udtrykke, teste og forfine en chatbots pædagogik er i sig selv en kompetence, som forfatterværktøjerne skal understøtte.

Et designbaseret modeksempel behandler kompetence som situationel snarere end som et trin på en stige. Eyals designbaserede studie fra 2025 med 22 læreruddannere i videregående uddannelse lod deltagerne undersøge fem offentliggjorte evalueringsrammer og samdesigne et alternativ organiseret omkring tre indbyrdes forbundne akser: kontekstpasning (infrastruktur, sociokulturelle faktorer, lokale behov, udviklingsstadie), professionelle behov (fag, pædagogik, ledelse, støtte) og dynamisk udvikling. Modellen afviser faste kompetenceniveauer og tillader ikke-lineær progression, og den leveres med et refleksivt selvvurderingsspørgeskema med 20 punkter bedømt 1 til 5. Dens validering er kun kvalitativ, uden kvantitativ reliabilitetstest, så den står som et designbidrag snarere end et valideret instrument.

• Meta-analytisk estimat. Guo et al. (2026) samlede 212 effektstørrelser fra 34 studier og estimerer læreres AI-kompetence-PD til g = 0,76 (95 % CI [0,50; 1,02]), stærkest for færdigheder (g = 0,91) og svagest for holdninger og værdier (g = 0,61); korrektion for tilsyneladende publikationsselektion sænker estimatet til ca. g = 0,49.

• Fremmøde forudsiger gevinster, hvor følelsen af at deltage ikke gør det. I samme seks måneders program forudsagde fremmødeprocenten kompetencegevinsten (β = 0,407, p = 0,001), mens selvoplevet deltagelse ikke gjorde det (β = 0,049, p = 0,692), og fag, undervisningserfaring og professionel titel forklarede lidt; forfatterne læser fremmøde som adfærdsmæssig investering og oplevet deltagelse som overfladisk engagement (Tan, Cheng & Ling, 2025).

• Værdier halter efter færdigheder også i et domænespecifikt program. I et årslangt program i Hongkong med 30 engelsklærere steg viden om Multimodal AIe evalueringsstrategier fra 3,13 til 4,15 ud af 5 (partiel η² = 0,571), og kompetencen i at støtte elever fra 3,05 til 3,98 (0,482), begge signifikante, mens hvert eneste værdiunderdomæne forblev statistisk fladt under en Bonferroni-korrigeret alfa på 0,006. Lærerne tilskrev gevinsterne samplanlægning på skolen og tværskolige klyngemøder snarere end workshopperne alene (Jiang et al., 2026).

• Mikrolæring kan udvikle universitetslæreres AI-kompetence. Cechovsky (2026) forfinede to Vocational Education and Trainingmoduler gennem to online gruppediskussioner til fem designprincipper - klar struktur og orientering, vejledning og navigationsstøtte, segmentering og modularisering, multimodal præsentation og aktivering af den lærende - og fandt platformnavigation og lokalisering af moduler som de væsentligste praktiske barrierer.

Læreres AI-kompetence og den forandrede lærerrolle

I takt med at AI overtager rutinemæssige undervisnings- og evalueringsopgaver, flytter lærerens særlige bidrag sig mod orkestrering, dømmekraft og relation: at beslutte hvornår og hvordan AI bruges, at stilladsere elevernes agens og kritiske brug, at sikre ligestilling og at yde den sociale og følelsesmæssige støtte, AI ikke kan. Det omformulerer lærerens kompetence omkring menneskelig overvågning i kredsløbet, etisk dømmekraft og støtte til selvreguleret læring - og forbinder til Undervisning og beskyttelse mod overafhængighed.

Implikationer for AI i uddannelse

• Vurdér præstation, ikke kun selvrapportering: læreres kompetence bør evalueres gennem demonstration, givet det dokumenterede selvrapporteringsgab.

• Træn hele kompetencen, ikke kun værktøjer: PD bør opbygge tekniske, pædagogiske, evalueringsmæssige og etiske dimensioner sammen, forankret i læringsteori.

• Opbyg selvtillid side om side med færdighed: holdninger og Self-Efficacy former adoptionen, så PD bør reducere angst og opbygge selvtillid gennem autentisk, understøttet praksis.

• Understøt det institutionelle lag: holdbar lærerkompetence kræver sammenhængende politik, styring og kapacitet, ikke isoleret træning.

• Læreres digitale kompetence til GenAI-læseplansdesign. Guillén-Gámez (2026) validerer et TAM-baseret diagnostisk instrument med 434 lærere i tjeneste; adfærdsmæssig intention var den vigtigste prædiktor for digital kompetence til at bruge GenAI i læseplansplanlægning, med self-efficacy som rodårsag.

Et psykometrisk instrument til læreres AI-kompetence

• Et psykometrisk studie udviklede Teachers' AI Literacy Scale (TAILS) til at måle AI-kompetence specifikt inden for sproglæreruddannelse og operationaliserede ED-AI-rammens seks dimensioner. Instrumentets udvikling udfylder et hul i vurderinger, der retter sig mod studerende eller generelle brugere, og understøtter målingen af læreres AI-kompetence.

Instrumentlandskabet er siden blevet gennemgået. Zainal, Mohd Matore og Maats systematiske gennemgang fra 2026 af måleværktøjer til læreres AI-kompetence bedømte 33 instrumenter offentliggjort mellem 2019 og 2025 og fandt feltet metodisk ensformigt: 31 (93,9 %) er selvrapporteringsskalaer for oplevet selvtillid, kun to (6,1 %) tester viden objektivt, og ingen bruger præstationsbaserede opgaver. Intern konsistens var det stærkeste kvalitetsdomæne (28 af 33 på karakter A) og retfærdighed det svageste, hvor fem instrumenter (15,2 %) rapporterede måleinvariants eller differentiel itemfunktion. Indholdet halter også efter teknologien, da 29 instrumenter (87,9 %) sigter mod generelle AI-begreber, og kun fire (12,1 %), alle fra 2025, behandler generativ AI.

Almindelige fejlopfattelser

• "Prompttræning gør lærernes materialer bedre." Prompttræning køber tid, ikke bedre materialer: i en præregistreret RCT med 204 lærere fandt Appel, Fervers og Piepenburg (2026), at ChatGPT forbedrede tidsforbruget, mens materialekvaliteten ikke fulgte med. Effektivitetsgevinsten er reel, og det er kvalitetsgevinsten ikke.
• "Når lærere konfigurerer en chatbot, er fejlen faktuel." Når lærere konfigurerer en chatbot i naturligt sprog, er den dominerende fejl tabt hensigt snarere end forkerte fakta - bots springer det trin over, læreren mente. Instruktionsfølgning fejler strukturelt snarere end faktisk.
• "Teknisk færdighed er det afgørende lag." Pædagogisk viden er det afgørende lag: et tværniveau-studium af sekundær AI-undervisning Shen et al., 2026. Den kompetence, der bestemmer udfaldet, er den, de fleste træningsprogrammer underinvesterer i.

Forbundne begreber

• AI-kompetence
• Uddannelsesudvikling
• Undervisning
• Prompt Engineering
• Læringsdesign
• Scaffolding
• Metacognition
• Assessment Validity
• Equity
• Ethics
• Self-Efficacy
• Human-in-the-Loop
• Learner Agency
• Kognitiv udlicitering
• Educational AI Policy
• AI i uddannelse
• Technological Pedagogical Content Knowledge (TPACK)
• Teacher Education
• Pedagogies and Teaching Strategies - Paraply: pædagogikker og undervisningsstrategier i AI-undervisning

Forbundne artikler

• Lesson planning using AI lesson assistant, Aila - A Teacher Choices Trial — Hvilke lærere vandt planlægningstid: lavere faglig selvtillid, lavere pædagogisk viden, kortere tid i professionen eller høj teknologiselvtillid

• AI Misconception and Adoption Among Indonesian K-12 Teachers — Lærere accepterer AI, mens de misforstår, hvordan den virker (Aji et al. 2026)

• AI integration in mathematics education: A systematic review of implementation challenges and pedagogical implications (2017-2025) — Lærerberedskab og teknologisk-pædagogisk integration som den hyppigst rapporterede udfordring på tværs af 54 matematikdidaktiske studier (Manto et al. 2026)

• Conceptualizing and developing second language teachers' multimodal assessment literacy in the GenAI era — Multimodal evalueringskompetence: et årslangt program, hvor viden og kompetence flyttede sig, og værdier ikke gjorde

• The impact of professional development programs on K-12 teachers' AI literacy: A systematic review and meta-analysis

• Enhancing Teachers' AI Competency: A Professional Development Intervention Study Based on Intelligent-TPACK Framework — Intelligent-TPACK-PD: en halv standardafvigelse i gevinst og negative gevinster, der læses som rekalibrering - Effekten af professionelle udviklingsprogrammer på K-12-læreres AI-kompetence: en systematisk gennemgang og metaanalyse

• AILitHub: Building AI Literacy Infrastructure to Situate Frameworks into Practice — Lærere taggede deres egne AI-klassesituationer og nåede praktiske kompetencer let, men samfundsmæssige og etiske sjældent (Wang et al. 2026)

• Typology of Generative AI Tools for Education — Værktøjsvalg som en udøvelse af underviserens agens

• Generative Artificial Intelligence (GAI) in Teaching and Learning Processes at the K-12 Level: A Systematic Review — Systematisk gennemgang af generativ AI i K-12-undervisning og -læring (Marzano 2026)

• Pedagogy first, technology second: Cross-level relationships between teacher professional knowledge and student — Læreres professionelle viden i K-12-AI-undervisning: TAIK vs. TPAIK og elevernes læring (Shen et al. 2026)

• Analyzing teacher-AI interaction patterns across teacher experience and AI proficiency in student-centered lesson design — Mønstre i lærer-AI-interaktion i lektionsdesign på tværs af erfaring og AI-færdighed (Choi et al. 2026)

• Preparing Pre-Service Teachers for Responsible Generative AI Use: Curriculum Implications for Ethics, Privacy, and AI Literacy — Lærerstuderendes ansvarlige GenAI-brug: læseplansmæssige implikationer (Kohnke et al. 2026)

• Validating AI-generated classroom observations: Reliability, accuracy, and limits of LLM-based pedagogical judgment — LLM-klasseobservation til læreres professionelle udvikling (Melo et al. 2026)

• Responsible Integration of AI into Pedagogies of Practice in Mathematics Teacher Education — Generativ AI på tværs af repræsentationer, dekompositioner og tilnærmelser: prøvehandling, struktureret feedback og nøjagtighedsforbeholdene

• Efficacy of an Intensive Generative AI Professional Development Program on Pedagogical Content Knowledge (AI-PCK) and the Comparative Analysis of Learning Gain between Experienced and Pre-service Teachers — Effekten af et intensivt GenAI-program for professionel udvikling

• Modeling AI-TPACK in Practice: Insights from Teachers'' Multi-Agent Workflow Design — Modellering af AI-TPACK gennem læreres multi-agent-arbejdsgange

• Towards Synergistic Teacher-AI Interactions with Generative Artificial Intelligence — Mod synergistiske lærer-AI-interaktioner

• Teacher education for artificial intelligence literacy through a self-determination theory perspective — Læreruddannelse til AI-kompetence gennem selvbestemmelsesteori

• Development and evaluation of artificial intelligence literacy training for teacher education students — Designbaseret forskning i GenAI-kompetencetræning

• Rethinking Generative AI Literacy: An Integrative, Developmental, and Dialectical Framework for K-12 Teacher Education — At gentænke GenAI-kompetence i læreruddannelsen

• Exploring interfaces and implications for integrating social-emotional competencies into AI literacy for education: a narrative review — At integrere social-emotionelle kompetencer med AI-kompetence

• AI Adoption Among Teachers: Insights on Concerns, Support, Confidence, and Attitudes — AI-adoption blandt lærere: selvtillid og støtte

• Faculty Orientations Shape Adoption of AI in Research and Teaching — Fakultetets orienteringer former AI-adoptionen

• How to Assess AI Literacy: Misalignment Between Self-Reported and Objective-Based Measures — Uoverensstemmelse mellem selvrapporteret og præstationsbaseret AI-kompetence

• Effects of an AI-supported inquiry model on AI literacy and authentic performance: A quasi-experimental study with preservice teachers — AI-understøttet undersøgelse for lærerstuderende

• Faculty Readiness for AI-Supported Teaching and Scalable Online Program Delivery in Higher Education: The EPIQ-AI Framework for Epistemic Integrity — EPIQ-AI-rammen for fakultetets beredskab

• LLMs to Support K-12 Teachers in Culturally Relevant Pedagogy: An AI Literacy Example — LLM'er til kulturelt relevant K-12-pædagogik

• A Framework for Institutional Change in the Age of AI — Ramme for institutionel forandring med AI

• TeachingCoach: A Fine-Tuned Scaffolding Chatbot for Instructional Guidance to Instructors — TeachingCoach-chatbot til vejledning af undervisere

• When faculty ask, 'what's the point of teaching?': GenAI as identity crisis, not skills gap — GenAI som identitetskrise, ikke færdighedsgab

• Situated AI ethics: a cultural-historical and ecological framework for education

• Transforming Curriculum Design with Generative AI: A Model for Assessing Teacher Digital Competence — Vurdering af læreres digitale kompetence til GenAI-læseplansdesign (Guillén-Gámez 2026)

• Understanding what good education is: a phenomenographic investigation of university teachers' understandings of AI — fenomenografisk studie af universitetslæreres opfattelser af AI

• AI Literacy in Secondary Education: Framework, Assessment, and Professional Development in the Ukrainian Context — Fem-niveau AI-kompetenceramme + PD for ukrainske sekundærlærere (Marienko et al. 2026)

• Reimagining teacher-AI co-design in learning task design: trends and perspectives — Lærer-AI-samdesign af læringsopgaver: tendenser og perspektiver (Wang et al. 2026)

• The Architecture of Roles in AI-Designed Group Activities: A comparative inductive analysis of novice and experienced teachers' differentiated instruction within the IAT framework — Rollarkitektur i AI-designede differentierede gruppeaktiviteter (Talebzadeh 2026)

• The Impact of Explainable AI on Teachers' Trust and Acceptance of AI EdTech Recommendations: The Power of Domain-specific Explanations

• AI Literacy of Teachers: Prompt Engineering and Model Selection as Predictors of AI-Feedback Quality — Prompt engineering og modelvalg som prædiktorer for AI-feedbackkvalitet (Jacobsen et al. 2026)

• The AI guilt complex: Moral emotions and ethical dilemmas in academic technology adoption — AI-skyldkomplekset: forventet skyld og fire moralske responsprofiler blandt akademisk personale (Vassallo 2026)

• Empowering teachers to use AI for differentiation: changes in teachers’ acceptance of AI-based technologies following participation in a short professional development training session — En tre timers PD-session hævede oplevet nytte og brugervenlighed, men ikke den angivne adoptionsintention (Mesenhöller & Böhme 2026)

• Artificial intelligence in initial teacher training for pre-service primary school teachers in mathematics: a systematic review — Systematisk gennemgang af AI i læreruddannelse i primær matematik: etik behandlet i kun tre af elleve studier (Pinto et al. 2026)

• The AI Challenge: How college faculty assess the present and future of higher education in the age of AI — AAC&U/Elon-undersøgelse af 1.057 amerikanske universitetsundervisere: forberedelse, ikke-brug og gabet mellem individuel og institutionel politik (Watson & Rainie 2026)

• AI Integration as Instructional Design: Lessons from a Cross-Institutional Faculty Collaboratory in Teacher Preparation — Tværinstitutionelt fakultetslaboratorium: AI-integration som undervisningsdesign i læreruddannelsen

• Assessing teachers' AI literacy: a systematic review of measurement tools — Systematisk gennemgang af 33 instrumenter til måling af læreres AI-kompetence: 31 selvrapportering, to objektive vidensprøver, ingen præstationsopgaver (Zainal, Mohd Matore & Maat 2026)

• Rethinking artificial-intelligence literacy through the lens of teacher educators: The adaptive AI model — En designbaseret adaptiv AI-kompetencemodel og et refleksivt spørgeskema med 20 punkter samdesignet med 22 læreruddannere (Eyal 2025)

• A Workshop Series for Effective Use of AI in Uncertain Times: Building a Physics Faculty Learning Community — En workshopserie til effektiv brug af AI i usikre tider: at opbygge et fysisk fakultetslæringsfællesskab

• Designing Authentic Assessments with Generative AI: A Pilot Study of Assessment Authentifire in Higher Education — At designe autentiske evalueringer med generativ AI: et pilotstudie af Assessment Authentifire i videregående uddannelse

• Will It Teach as Intended? How Teachers Configure Educational AI Chatbots — Underviser den som tilsigtet? Hvordan lærere konfigurerer pædagogiske AI-chatbots

• A Capability–Decision Model of teacher readiness for AI integration in teaching — Ordnet kapabilitets-først-model for lærerberedskab med præstationsbaserede kapabilitetsindikatorer

• K-12 in-service teachers' beliefs about generative AI in classrooms: insights from the United States, India, Qatar, Colombia, and the Philippines — Tværnational undersøgelse af 1.405 K-12-lærere: beredskab forudsiger positive overbevisninger, men ikke bekymring

• Teachers’ AI Belief Profiles and Their Associations with AI Use, Pedagogical Applications, and Barriers: A Person-Centered Analysis of TALIS 2024 — Fire læreroverbevisningsprofiler fra TALIS 2024 forbinder professionel læring og profil-specifikke barrierer for AI-brug

• Designing Microlearning Modules on AI for University Teachers in Vocational Teacher Education: A Design-Based Research Study — At designe mikrolæringsmoduler om AI til universitetslærere i erhvervslæreruddannelsen: et designbaseret forskningsstudie

• EduWild: How Teacher-Configured Chatbots Fail in Real-World Use and How to Fix Them — EduWild: hvordan lærerkonfigurerede chatbots fejler i virkelig brug, og hvordan det rettes