AIEd-vidensbaseAIEd KB
På denne side

Læs denne side på engelsk

Begreber

Undervisning

Oprettet 2026-10-27 · Opdateret 2026-10-29

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

Undervisning: hvordan AI omformer underviseres arbejde, identitet og handlingsrum. Med over 50 artikler, der undersøger denne dimension, dokumenterer vidensbasen en grundlæggende forandring: fra eneste vidensautoritet til orkestrator af menneske-AI-læringsmiljøer. Denne side går ud over at beskrive denne forskydning; den detaljerer, hvad lærere faktisk gør anderledes, hvordan de kan tilpasse deres praksis, og hvordan de knytter an til Læringsdesign, AI-kompetence og Akademisk integritet.

Malyn-Smith et al. (2026) kalder dette det mere-menneskelige paradoks: i seks scenarier for 2030, der er samskabt af 20 forskere fra 13 lande, intensiverer AI-mætningen det menneskelige pædagogiske arbejde i stedet for at fortrænge det. Scenarierne beskriver AI som "læringsøkosystemets ventilationsanlæg", noget man kun bemærker, når det svigter.

Spørgsmål at overveje

  • Siden beskriver lærerens forskydning "fra eneste vidensautoritet til orkestrator af menneske-AI-læringsmiljøer". Hvad vinder og hvad mister du som underviser, når du holder op med at være den primære indholdskilde?
  • Den argumenterer for, at AI omfordeler lærerens knappeste ressource, opmærksomheden, fra at producere materialer til at fortolke eleverne. Holder den omformulering, og hvad ville du faktisk gøre med den genvundne tid?
  • Forskning citeret på siden viser lærere som aktive AI-designere, der skriver de prompts og stilladser, der former, hvordan AI opfører sig for deres elever, snarere end som passive forbrugere. Hvad skulle der til, for at du (eller lærere du kender) ville føle dig som designer af AI snarere end som bruger af den?
  • I den fjerneste ende af spektret for "lærer-AI-teamarbejde" orkestrerer læreren et team af menneskelige elever, AI-vejledere og kurrikulumressourcer. Hvor forbliver menneskelig dømmekraft uerstattelig i det team, og hvad kan stille erodere, hvis orkestreringen for det meste overlades til AI?
  • Hvis lærerens opmærksomhed omfordeles fra at producere materialer til at fortolke eleverne, hvilke nye kompetencer og risici indfører det så, og hvem støtter læreren i at udvikle dem?

Introduktion

Undervisning betegner her den professionelle rolle, som AI omformer den: mindre indholdsformidling, mere orkestrering af menneskelige og maskinelle deltagere, fortolkning af hvad eleverne faktisk forstår, og design af de betingelser, hvorunder AI-brug er legitim. Siderne, der er samlet under dette begreb, dokumenterer lærer-AI-teamarbejde og ændrede arbejdsgange, de kompetencer rollen nu kræver, og spændingen mellem effektivitetsgevinster og den opmærksomhed, individuel støtte kræver. Den står side om side med Uddannelsesudvikling, AI-kompetence og Assessment som en af de roller, der afgør, om AI-integration ændrer praksis eller blot dekorerer den. læringsvidenskaberne er det forskningsfelt, hvis evidens omformer denne position: de beskriver og tester, hvordan læring sker, og hvilke designs der ændrer den, mens denne side dækker den klasserolle, der skal handle på den evidens i øjeblikket.

Hvordan AI forandrer undervisning

  • Fra underviser til orkestrator: Fem niveauer af lærer-AI-teamarbejde og forskning i orkestrering af handlingsrum kortlægger spektret fra AI som værktøj til AI som undervisningspartner. I den fjerneste ende orkestrerer læreren et team, der omfatter menneskelige elever, AI-vejledere og kurrikulumressourcer, i stedet for selv at formidle alt indhold.

  • Forandrede arbejdsgange: How AI Is Changing Teaching Workflows dokumenterer, hvordan AI flytter lærerens tid fra indholdsformidling til aktiviteter med højere værdi som individuel støtte, Feedback og Curriculum Design. Lærerens knappeste ressource, opmærksomheden, omfordeles fra at producere materialer til at fortolke eleverne. Et systematisk review af sprogundervisere (Li et al. 2026) bekræfter dette: undervisere værdsætter GenAI mest til forberedelsesarbejde (lektionsplanlægning, materialeskaffelse, skrivestøtte), mens de tøver med live brug i klasseværelset, og deres adoption formes af forhold vedrørende professionel identitet, pædagogik, teknik, institution og akademisk integritet, hvor kompetencegab kan knyttes til episteme (forståelse af AI'ens kapabiliteter og grænser), techne (promptkonstruktion, AI-forstærket opgave- og evalueringsdesign, detektion af AI-genereret tekst) og phronesis (etisk dømmekraft, håndtering af bias og privatliv, kontekstfølsom dømmekraft). dokumenterer, hvordan AI flytter lærerens tid fra indholdsformidling til aktiviteter med højere værdi som individuel støtte, Feedback og Curriculum Design. Lærerens knappeste ressource, opmærksomheden, omfordeles fra at producere materialer til at fortolke eleverne.

  • Kompetencekrav: Rammer for læreres AI-kompetence definerer, hvad undervisere skal kunne, fra basal værktøjsfortrolighed til pædagogisk forankret orkestrering. Adoptionsstudier identificerer de reelle barrierer: selvtillid, institutionel støtte og bekymringer om arbejdsbyrde. Bai & Hsieh (2026) tilføjer empirisk vægt i en SEM med 898 kinesiske universitetslærere: GenAI-støttet undervisningsinnovation afhænger mindre af isoleret teknologisk AI-viden og mere af pædagogisk og fagligt indlejret AI-kompetence (AI-kompetence og professionel identitet), som begge delvist medierede kompetence-til-innovation-relationen; et signal om at bygge fakultetsudvikling omkring indlejret, identitetsknyttet AI-kompetence snarere end værktøjsundervisning alene.

  • Parathed som designkompetence, ikke som holdning: Charles (2026) argumenterer for, at læreres parathed til AI-rig interaktiv læring ikke kan aflæses af adoption, selvtillid eller digital kompetence, fordi ingen af disse forudsiger kvaliteten af de designs, lærerne faktisk producerer. Parathed-gennem-design er handlingsorienteret: lærere mobiliserer AI-relateret pædagogisk viden, pædagogiske overbevisninger, self-efficacy og etisk orientering gennem designmægling (værktøjsvalg, opgave- og promptdesign, stilladsning, gennemsigtighed, verifikation, evalueringsredesign, tilgængelighedsplanlægning og menneskelig overvågning) inde i en institutionel og politisk økologi, der muliggør og modererer oversættelsen. To påstande har praktisk vægt. Self-efficacy er en mobiliseringsressource snarere end en kvalitetsindikator, så selvtillid uden AI-relateret pædagogisk viden eller etisk orientering kan accelerere dårligt design. Og politisk klarhed og materiel støtte er separate moderatorer, så en velforsynet skole kan stadig efterlade lærerne i tvivl om, hvad der er tilladt. Charles afviser også at sidestille ikke-brug med uparathed: en velovervejet beslutning om at tilbageholde AI kan i sig selv demonstrere parathed.

  • Samdesign og handlingsrum: Lærerskrevne prompts og vibe coding for lærere viser undervisere som aktive AI-designere, ikke passive forbrugere, der skriver de prompts og stilladser, som former, hvordan AI opfører sig for deres elever. I planlægning af STEAM-kunstlektioner for børn bekræftede Luo og Tahir (2025) eksperimentelt, at det betyder noget, hvordan læreren uddelegerer til ChatGPT: at udfylde indholdshuller i en selvskitseret lektion (metoden, som 60 % foretrak og anbefalede) bevarede lærerens designautonomi og hævede samtidig den ekspertvurderede plankvalitet (median 20,5 mod 17,6, p = .002, stor effekt) og klarede sig bedre end at lade AI generere hele planer eller blot kontrollere en færdig plan. AI fungerede mest som en inspirations- og hulsofinnende samarbejdspartner snarere end som kilde til fuldt original innovation, hvilket bekræfter, at læreren forbliver designagenten og dommeren over output, herunder fanger børnesikkerheds- og kulturelle biasfejl, som værktøjet overså. En systematisk gennemgang af lærer-AI-samdesign af læringsoppaver (Wang, Liu & Islam 2026) finder, at denne samdesignerholdning forbliver ujævn, idet den dominerende tilstand stadig er AI som assistent eller indholdsgenerator, og Talebzadeh (2026) viser, at lærerens handlingsrum som "tosproget læringsdesigner" er det, der gør AI-designede gruppeaktiviteter til differentieret, ZPD-tilpasset undervisning.

  • At skrive en bot er ikke det samme som at styre, hvad den underviser i. Syvogtyve mellemskolelærere, der konfigurerede et forfatterværktøj til formåls- og regelbaserede chatbots, så kun delvis troskab i den genererede adfærd: overensstemmelsen faldt fra 88,9 % for responsivitet og 81,5 % for persona til 70,4 % for regler og 59,3 % for formål, og regelefterlevelsen varierede med den valgte model; det udførelses- og evalueringsgab, der gør lærer-som-designer-rollen til en prøve på intentionen snarere end en garanti for den (Riahi et al. (2026)).

  • Før-tjeneste-forberedelse: TPACK-baseret træning og Uddannelsesudvikling-programmer forbereder kommende lærere til AI-forstærkede klasseværelser, før de går ind i dem. Rollespil med simulerede elever udvider dette til praktisk øvelse: en specialbygget ChatGPT-bot (Student GPT), der spiller en matematisk fejlopfattelsesplaget mellemskoleelev, lader lærerstuderende øve sig i at diagnosticere og guide elevræsonnering i en risikofattig ramme og forbereder dem på en central undervisningsopgave: at læse og afhjælpe elevernes tænkning.

  • En lærervendt front, som evidensgrundlaget næsten ikke har betrådt: Štefánik et al. (2026) samler Edustories, 1.492 lærerskrevne casestudier fra virkelige grundskole- og gymnasieklasser (udfordrende elevadfærd, den intervention læreren forsøgte, og hvad der fulgte), netop fordi størstedelen af forskningen i AI i uddannelse har været rettet mod individualiseret elevstøtte, mens det meste undervisning foregår i kollektive klasseværelser. Ved at benchmarke fire sprogmodelfamilier på at forudsige, om en intervention lykkedes, nåede de stærkeste modeller 58 % nøjagtighed mod 64 % for menneskelige eksperter; forfatterne læser gabet i begge retninger, som en grænse for nuværende lærervendt assistance og som evidens for et spirende potentiale. Det, siden vinder ved det, er et målt loft snarere end en kapabilitetspåstand: råd til lærere skal være bedre end ekspertdømmekraft, før de kan betros, og i dag er rækkefølgen den omvendte. Et parallelt gab viser sig i Yalçın et al.s (2026) PRISMA-gennemgang af 46 empiriske studier af GenAI i programmering i højere uddannelse: underviserroller og institutionel praksis var blandt de mindst undersøgte områder af feltet, og 26 af de 46 studier gav ingen kodbar beskrivelse af deres undervisningstilgang, så de designbeslutninger, der frembragte de rapporterede udfald, ofte er usynlige selv for andre undervisere.

  • Hvor AI faktisk kommer ind i arbejdet, opgave for opgave: Holster (2026) adskiller adoption fra allokering ved hjælp af TALIS 2024-data fra 56.669 lærere, med en allokeringsstikprøve på 24.058 AI-brugere i 46 uddannelsessystemer. En opgave, der blev vurderet et point over lærerens egen gennemsnitlige belastning, havde større sandsynlighed for at få AI-hjælp (OR = 1,163), men retningen er forskellig efter opgavetype: planlægning stiger med belastningen (OR = 1,084), evaluering og bedømmelse falder (OR = 0,921), og støtte og tilpasning til specialundervisning stiger stejlt (OR = 1,442, en forudsagt spredning fra 34,0 % til 50,3 % hen over belastningsspændet). Den kompetence- og politikmæssige læsning er, at lærere allerede holder bedømmelse med høj indsats menneskelig, mens de rækker efter AI i individualiseret tilpasningsarbejde, så vejledning, der behandler læreres AI-brug som én adfærd, vil overse, hvor støtten faktisk er nødvendig.

Hvad den ændrede rolle faktisk ser ud som: konkrete eksempler

Abstraktionen "orkestrator" er lettere at gribe gennem konkrete, daglige forskydninger i underviserens arbejde:

  • Fra at skrive hvert eneste handout til at kuratere AI-genererede udkast. En underviser, der engang brugte en aften på at bygge et differentieret arbejdsark, prompter nu en AI til at producere tre versioner på forskellige sværhedsgrader og bruger derefter den samme aften på at gennemgå og tilpasse dem, en forskydning fra forfatterskab til redaktionel dømmekraft. Curriculum-as-Code-arbejdsgange gør denne pipeline eksplicit, og Kibar & Ilgaz' systematiske gennemgang viser AI som en "medarbejder", der udkaster indhold, som designeren derefter forfiner. Ekspertvalidering af AI-genererede naturfagslektionsplaner gør eksplicit, hvad den redaktionelle dømmekraft skal veje: Karaismailoglu, Surmeli og Yildirim (2026) fandt, at elleve naturfagsspecialister vurderede ChatGPT-4's og et uddannelsesfokuseret værktøjs planer for sjette klasse som brugbare udkast (7 af 11 vurderede dem "anvendelige med rettelser", kun 3 direkte "anvendelige"), og præferencerne afveg fra den rå score (7 foretrak det højest scorende uddannelsesfokuserede værktøj, 4 den almene plan), fordi dømmekraften vejede affektive og kontekstuelle dimensioner ud over strukturel troskab. Lærere forbliver dommerne over, om og hvordan et AI-udkast bliver en underviselig, kontekstuelt forankret lektion.
  • Fra forelæsning til coaching i realtid. I stedet for at give hele klassen den samme forklaring sender lærere i stigende grad rutinespørgsmål videre til en AI-vejleder og bruger den ansigt-til-ansigt-tid, de har, på de elever, der har brug for menneskelig dømmekraft; arbejdsgangsstudier dokumenterer netop denne omfordeling af opmærksomhed.
  • Fra bedømmelse til at designe evalueringer, som AI ikke kan spille. Undervisere holder op med at stole på genkaldelsesbaserede opgaver, som LLM'er trivielt løser, og designer i stedet autentiske evalueringer, evalueringsskalaer og formative opgaver, der bevarer læringsgevinster.
  • Fra at undervise i indhold til at undervise i brug. Lærerens arbejde omfatter i stigende grad at modellere, hvordan man prompter, evaluerer og bruger AI ansvarligt; et AI-kompetencekurrikulum vævet ind i hvert kursus, ikke et særskilt fag.
  • Fra at læse dashboards til at handle på dem, kontekstuelt. Mejia-Domenzain et al. (2026) viser, at måden lærere faktisk bruger analysedashboards på, divergerer efter kontekst: lærere i omvendt undervisning (universitet) fulgte en sekventiel udforskning og foretrak tilpasning på kursusniveau og at vise dashboards i timen, mens erhvervsskolelærere vendte tilbage til oversigtssider og mest brugte værktøjet til individuelle coachesamtaler. De handlinger, lærerne foreslog, var formet af det repræsenterede indhold og deres undervisningsniveau snarere end af plottypen: universitetslærere foretrak ugentlige tests og kursustilpasning, erhvervsskolelærere direkte, individualiseret coaching. Det peger på kontekstbevidst dashboarddesign og differentierede støttebehov for lærere snarere end én analyseskærm til alle.
  • Fra at modtage alarmer til at bedømme dem. Swidan (2026) fulgte en lærer og otte højtpræsterende gymnasieelever i en GeoGebra-geometrilektion, hvor Dash4Emotion indrammede elever med røde rektangler, der signalerede negativ følelse, og fandt, at alarmerne ikke drev udfaldene; det gjorde lærerens træk efter hver alarm: at omformulere Miras opgave fra at finde en minimumsværdi til den geometriske locus for minimale punkter genåbnede hendes udforskning, tre samtidige alarmer fremkaldte en omformulering for hele klassen, og en periods bevidste ikke-indgriben var i sig selv en pædagogisk beslutning. Studiet holder den holdning, at en AI-genereret følelsesalarm er et fingerpeg, der skal fortolkes sammen med det, læreren kan se, ikke en instruktion, der skal adlydes.
  • Fra gatekeeper til principiel facilitator af feedback på samarbejde. Klasserumspiloterne med Community Builder (CoBi) viser, at lærerrollen afgørende former implementeringens integritet: lærere, der brugte AI'ens iagttagelser og visualiseringer til at vække metakognition og kritisk refleksion over samarbejde, opnåede brug med høj integritet, mens de, der lod systemet glide over i performancemonitorering eller drejede af i generelle AI-diskussioner, ikke gjorde. Lærerne var også bekymrede for at blive "sat på plads" af feedback i realtid og foretrak gennemgang før og efter frem for live visning, hvilket understreger, at orkestrering af AI til samarbejde i hele klassen kræver betydelig professionel læring, ikke kun værktøjsfortrolighed.
  • Fra at undervise med AI til at træde i dens sted. Hvor den digitale kløft efterlader ingen enhed til hver elev, kan læreren blive systemets fysiske grænseflade, en mellemmand snarere end dets orkestrator. I Rodrigues et al.s (2026) "AIED unplugged"-model arbejder eleverne videre med papir og pen, mens læreren fotograferer deres løsninger, og AI'en returnerer personaliserede øvelseslister og fejlspecifik Feedback, som skal gives tilbage. Det er et klyngedelt kvasi-eksperiment over 19 autentiske brasilianske grundskoleklasser snarere end en prototypedemonstration, og dets to resultater har direkte betydning for rollen. For det første kom læringsfordelen over vanlig praksis fra en enkelt 50 minutters læreruddannelsessektion, ikke fra teknologien: betingelserne træning og træning-plus-system adskilte sig ikke på gevinster (-4,33, 95 % CI [-17,29; 7,23]), så forberedelse, ikke værktøjet, er den aktive ingrediens. For det andet virkede systemets egen fordel indirekte, gennem læreren: reduceret indsats medierede en positiv effekt på gevinster (3,649, 95 % CI [1,097; 6,398]), så effekten når elever, som AI'en aldrig rører ved, og det registrerings- og verifikationsarbejde, som lærerne beskrev (at fotografere ark, vente på behandling, rette genkendelsesfejl), er en del af den pædagogiske omkostning ved at udvide AI til ressourcemæssigt svage klasseværelser.
  • Fra informationsformidler til læringsdesigner. Hochberg og Waitzman (2026) fulgte 93 lærere gennem et otte uger langt AI-program og fandt, at praksis bevægede sig mod heutagogisk design for elevens handlingsrum, selv om de selvrapporterede forskydninger ikke var signifikante efter justering, og elevudfald ikke blev målt.

Orkestreringsmetaforen

Den dominerende metafor i vidensbasen er orkestrering: lærere koordinerer menneskelige elever, AI-vejledere og kurrikulumressourcer. Det står i kontrast til erstatningsnarrativer: AI forstærker snarere end erstatter menneskelig undervisning. Empirisk evidens støtter denne holdning: en PRISMA-vejledt systematisk gennemgang af 42 studier (2023-2025) fandt, at LLM'er matcher menneskelige bedømmere på korte, velstrukturerede opgaver, men at præstationen falder på længere, flersprogede og nuancerede arbejdsopgaver, og konkluderede, at LLM'er ikke fuldt ud kan erstatte lærere, og at hybride evalueringssystemer med menneske i loopet opnår den højeste bedømmelseseffektivitet (Can ChatGPT Replace the Teacher in Assessment? A Review of Research on the Use of Large Language Models in Grading and Providing Feedback). Orkestreringslinsen omformulerer underviserens kernekompetence til dømmekraft: at beslutte, hvornår et menneske, en AI eller en designet læringsaktivitet er det rigtige instrument for en given elev i et givet øjeblik. Et PRISMA-review fra 2026 af 29 studier af Teacher intervention in K-12 AI-based instruction: a systematic review of processes, strategies, and effects skærper metaforen til en firefaset cyklus (monitorering, dømmekraft, intervention, orkestrering) og viser, hvorfor ingen fase kan tages for givet. Lærere foretrak delt kontrol og accepterede, ændrede, afviste eller overtrumfede AI-forslag; nogle udsatte interventionen bevidst, så eleverne først kunne kæmpe produktivt; og dashboards, der udvidede bevidstheden, kunne også overbelaste opmærksomheden eller overstige, hvad en enkelt lærer fysisk kunne handle på. Dets tre strategier (pædagogisk oversættelse af AI-output, design af læringsstøtte og rekonstruktion af interaktionsstrukturer) beskriver arbejdet som rekontekstualisering snarere end godkendelse, hvilket placerer læreren tættere på mægler end på rollen som menneske-i-loopet-reviewer. Klasserumsobservation navngiver de samme adfærdsmønstre som typer. Seks lektioner med en erfaren lærer tilføjede tre orkestreringstyper til Drijvers' fire (dashboardmonitorering, AI-korrigering og AI-mægling), hvor lærerens indholds- og etikroller var mest synlige, når han rettede AI-genereret feedback (Noh & Kim, 2026).

Udviklende og kritiske lærerroller

Nyere arbejde udvider orkestreringsmetaforen til rigere rollkonceptualiseringer:

  • Medorkestrator på tværs af aktivitetsovergange. Yang et al. (2026) bruger deltagende speed dating med 17 lærere og 13 elever til at kortlægge, hvordan kontrol bør fordeles over faserne i en klasserumsaktivitet (før, under og efter overgangene mellem individuelt og kollaborativt arbejde) i et medorkestreringsværktøj, der understøtter dynamisk parring i realtid. Det designprincip, der træder frem, er, at kontrol ikke er et fast punkt: lærere og elever ønsker forskellige mængder handlingsrum i hver fase, og værktøjet bør lade læreren justere gruppering, aktivitetsovergange og interventionstidspunkt i realtid, samtidig med at læreren beholder en overtrumf. Det placerer læreren som medorkestrator af hele det levende læringsmiljø, en rolle der er mere specifik end den generelle orkestreringsmetafor, fokuseret på de granulære beslutninger fra øjeblik til øjeblik om, hvem der arbejder sammen med hvem, hvornår og med hvilken støtte, og den forbinder forskning i individuel vejledning med design på klasserumsniveau.
  • "Den kognitive koreograf." Posthumanistiske rammer omformer læreren til en kognitiv koreograf, der orkestrerer kognition distribueret over biologiske og kunstige systemer og bevæger sig ud over instrumentalistiske modeller som Technological Pedagogical Content Knowledge (TPACK) og SAM.(Pedagogical Symbiosis: conceptualizing the Post-Human Learner in the age of cognitive AI)
  • Facilitator, medundersøger, etisk supervisor. I naturfagslæring skifter læreres roller fra vidensformidlere til facilitatorer og medundersøgere og får nye ansvarsområder som etiske superviserer af elevernes ansvarlige AI-brug.(Artificial Intelligence in Science Learning within the Framework of Situated Learning Theory: A Qualitative Investigation of Teachers' Perspectives)
  • Mægler af læringsprincipper. Undervisere operationaliserer gamle læringsprincipper (erfaringsbaseret, situeret og distribueret kognition) gennem AI og behandler AI som et værktøj, der forstærker snarere end erstatter underviserens guidende rolle.(Empowering Educators: Operationalizing Age-Old Learning Principles Using AI)
  • Kritisk mægler, der gør AI-output til genstand for kritik. Canonigo (2026) fulgte ti matematikundervisere i matematik på ungdomsuddannelserne gennem en otte uger lang ChatGPT-4-intervention og identificerede fem mæglingspraksisser: AI-genereret opgaveformulering, hintstilladser designet til at nedtrappes, kritisk sammenligning af AI-output med elevernes eget arbejde, differentieret prompting (en visuel analogi til en kæmpende elev, en kubisk udvidelse til en peer) og AI som reflekterende dialogpartner. Hvor lærerne udøvede disse, blev output noget, man kunne argumentere imod, snarere end en facitliste, og eleverne bevægede sig mod formodninger og metakognitive spørgsmål; hvor mæglingen var fraværende, flyttede autoriteten over mod algoritmen, med elever der konsulterede AI'en før deres lærer og kom tilbage kun for validering, hvilket fik en lærer til at beskrive bevægelsen fra "orakel" til "redaktør". Studies ligestillingsfund er det skarpe: over 300 modelsvar var gratistrinnmodellen unøjagtig i 32,7 % af tilfældene mod 12 % for premiummodellen (χ²(1) = 17,5, p < .001), så lærere på den ressourcesvage skole kaldte den "grænsende til ubrugelig til matematik". Værktøjskvalitet, ikke blot værktøjsadgang, bliver en pædagogisk variabel, og én lærers skoles acceptable brug-politik var ti år gammel og tavs om AI, hvilket overlod styringsgabet til klasseværelset.
  • Uafklaret og sårbar professionel identitet. Farazouli et al. (2026) dokumenterer den følelsesmæssige side af rollemæssig omkonfigurering: 24 svenske universitetslærere oplevede GAI's fremkomst som foruroligende og overvældende og rapporterede en "tilstand af sårbarhed" (lav selvtillid, usikkerhed, frygt for "ikke at være foran eleverne") og følte sig "fanget" mellem utopiske og dystopiske diskurser. GAI fik dem til at revurdere deres prioriteringer (at dyrke kritisk tænkning, evaluativ dømmekraft og etisk GAI-brug) og til at sætte spørgsmålstegn ved deres egen og universitetets fremtidige rolle i et landskab, der føltes "ude af kontrol". Det indrammer forskydningen i lærerrollen som identitetsmæssig og følelsesmæssigt ladet, ikke blot som en ændring i færdigheder eller arbejdsgange.
  • Akademiske udviklere som digitale mæglere, også som bremse. Sithole (2026) interviewer tolv akademiske udviklere og læringsdesignere på to sydafrikanske historisk dårligt stillede institutioner og finder, at rollen skifter fra at facilitere reflekterende undervisning mod at være teknologisk mellemled og problemløser, med mægling der spænder over pædagogik, etik og institutionel politik. Det særprægede træk er at behandle langsomhed som en del af jobbet: en deltager beskriver at oversætte mellem "hvad ledelsen vil have, hvad teknologien kan, og hvad forelæserne faktisk er bekymrede for", og at navngive plagiering, elevafhængighed og udlicitering af tænkning, før begejstringen sætter tempoet: "Det er ikke bare teknisk support; det er også forhandling." Samme studie dokumenterer de affektive omkostninger ("jeg føler mig som en bedrager. Jeg lærer AI, mens jeg går, men institutionen forventer ekspertise") og svaret i form af professionel læring: peer-rum, der tester og bevidst ødelægger værktøjer, med sigte på dømmekraft snarere end færdighed, og en eksplicit afvisning af binæren adoption-eller-modstand: "Jeg er ikke anti-AI; jeg er pro-kontekst."
  • Principiel selektivitet i stedet for adoption eller modstand. Adiozaman og Segar (2026) interviewede to akademikere med mere end ti års erfaring tre gange i løbet af et enkelt semester og fandt identitetsarbejde organiseret omkring tre indbyrdes forbundne spændinger (pædagogik versus platform, underviser versus facilitator og omsorg versus compliance), som ikke udmøntede sig i en fast position, men i principiel selektivitet: kontekstfølsomme beslutninger styret af pædagogiske værdier, etisk forpligtelse og professionel dømmekraft. De beskriver en bane fra implicit orientering over midtvejsstrategier som at bede eleverne forklare deres tænkning og redesigne opgaver og evaluering til holdninger, der forblev bevidst åbne snarere end fastlåste, hvor afvisning af en bestemt brug blev behandlet som en legitim udøvelse af dømmekraft snarere end som en undladelse af at adoptere. Det giver det konstruktive modstykke til den sårbarhed, der er dokumenteret ovenfor: det, rolleskiftet kræver, er dømmekraft, så institutionelle svar bygget omkring værktøjstræning adresserer det forkerte problem.
  • Semiautonomi som det foretrukne driftsniveau. Dai et al. (2026) spurgte 287 GenAI-erfarne lærere i 27 lande og regioner og fandt, at de placerede værktøjet på de semiautonome niveauer af en automationsskala: 130 valgte niveau 2 ("lærerassistance"), 94 niveau 3 ("delvis automatisering") og præcis én valgte niveau 6, og beskrev det som "hjælpe", "stillads", "supplement" eller "partner". Opfattet anvendelighed dominerede deres adoptionsintention (β = .832, p < .001), mens opfattet kunstig autonomi kun påvirkede intentionen indirekte gennem anvendelighed, og risikovillighed sænkede intentionen uden at svække anvendeligheden, fordi deres bekymringer knyttede sig til elevernes brug: snyd og integritet, svækket grundviden og højere ordens tænkning, hallucinationer, reduceret menneskelig interaktion samt etiske, juridiske og ligestillingsmæssige risici. Forfatternes "frenemy"-betegnelse fanger holdningen præcist: GenAI værdsat som støtteværktøj, men mistroet som autonom agent. Den undervisningsmæssige konsekvens er, at lærere vil forblive den besluttende aktør og afgøre brug fra sag til sag (fag, elevbehov, opgavetype, timing), så orkestreringsværktøjer bør bygges omkring menneskelig overvågning og sagsbaseret dømmekraft frem for autonomiløfter.
  • Autoriteten bliver hos læreren; kapabiliteten udvider sig kun inden for den. Reichert, Briceno, Tabarsi & Barnes (2026) gav seks lærere fra 6.-12. klasse (samfundsfag, matematik, dyrebiologi, naturfag samt datalogi og robotteknologi) opgaven at papirprototype en LLM-chatbot til deres eget klasseværelse og fandt, at hver prototype kodede den samme holdning: systemet var en afgrænset ekspert, specialiseret, men begrænset til et defineret domæne og superviseret af læreren. Lærerne tegnede to grænser. Autoritetsgrænser fulgte af professionelt og juridisk ansvar: kontrollen over, hvad eleverne lærer, og hvordan de holdes sikre, kunne ikke uddelegeres, så overvågning (komplette samtalelogs, alarmer i realtid ved upassende forespørgsler og manuel overtrumf) blev behandlet som en pligt i rollen snarere end som en kontrol af værktøjet. Ekspertisegrænser fulgte af, hvad modellen ikke kan vide: individuelle elevers historik, klasserumsdynamik og institutionelle normer. Uddelegeringen blev derefter fordelt selektivt over undervisningen: lærerne bød AI velkommen til at præsentere indhold, levere øvelsesopgaver, stilladse og give formativ Feedback, men beholdt selv at informere eleverne om mål og om summativ evaluering. Det giver den semiautonomipræference, der er dokumenteret ovenfor, en konkret arkitektur: lærerens autoritet er det faste element, og AI-kapabiliteten vokser kun inden for den.
  • Lærere som værdiladede bedømmere. Luo & Dawson (2026) viser, at bedømmelse af GenAI-assisteret arbejde ikke er en neutral, kriteriebaseret handling, men en værdidom formet af lærernes formodning om, hvem eleven er (ærlighed, flid), hvad eleven er i stand til (uafhængighed, GenAI-færdighed, faglig mestring), hvordan eleven relaterer til andre (tillid), og om beslutningen fører til gode udfald (retfærdighed, velgørenhed). Lærere mangler ofte bevidsthed om de værdiorienteringer, der ligger bag deres bedømmelse, og disse varierer efter fag (humaniora mere kritisk over for GenAI-brug; hårde og anvendte fag færre bedømmelsesudfordringer) og epistemologisk holdning (absolutistisk, multiplistisk, evaluativistisk). Det placerer læreren som en evaluerende professionel, hvis dømmekraft, og ikke blot værktøjsbrug, skal understøttes og gøres gennemsigtig.
  • Læreren som dommer over pædagogisk meningsfulde forklaringer. Fordi læreres tillid til AI-anbefalinger stiger, når forklaringer er indrammet i deres kurrikulære og pædagogiske sprog snarere end i rå modelinternals, skal effektive værktøjer "tale" lærerens domæne. I et inden-for-deltager-eksperiment fandt Feldman-Maggor et al. (2025), at domænedrevne forklaringer af et AI-grupperingsværktøj blev betroliget og accepteret langt mere end datadrevne feature-importance-forklaringer, hvilket placerer lærerens pædagogiske ordforråd som den grænseflade, gennem hvilken AI opnår tillid og brug, og lærerens vurdering af, om en forklaring er pædagogisk holdbar, som en afgørende faktor i adoptionen.
  • Facilitator, hvis funktion kan uddelegeres delvist. Kuhail et al. (2026) lod 32 STEM-studerende debattere under en menneskelig ordstyrer, en AI-chatbot (GPT-4, promptet med de adfærdsmønstre, man forventer af undervisere: neutralitet, lige taletid, korte anvisninger, håndhævelse af emnet, opfølgende spørgsmål, deeskalering) eller begge i tur, og fandt ingen signifikant forskel i effektivitet, fornøjelse, tilfredshed, anvendelighed eller intention om at bruge det igen (t = 0,23 til 1,30, p = 0,198 til 0,818). Forfatterne læser nulresultatet som en normalisering af menneske-AI-samarbejde i regelbundne diskussioner, ikke som ækvivalens. Vejen til genbrug var forskellig: under menneskelig ordstyring drev tilfredshed intentionen om at bruge, mens opfattet anvendelighed gjorde det under AI-ordstyring (0,806 mod 0,495), så en AI-faciliteret aktivitet overlever på påvist anvendelighed snarere end på, hvor fornøjelig den føles. Den praktiske læsning er AI-ordstyring som en skaleringshjælp til store eller tyndt bemandede kurser under menneskelig overvågning, med ligestilling uverificeret for sarkasme, indirekte sprog og minoritetskommunikationsstile.
  • Sætter af formål, ikke kun af kompetencer. Fagerlund et al. (2026) interviewede 13 finske lærere fra førskole til 9. klasse om, hvorfor elever skal lære om og med AI, og læste deres redegørelser gennem Biestas kvalificering, socialisering og subjektivering. Kvalificering var det klareste og mest konkrete formål og dækkede AI både som læringsmål og som værktøj for læring; socialisering fremstod som at dyrke gunstige holdninger til AI og forberede eleverne som AI-kompetente fremtidige arbejdstagere; subjektivering, selvbestemt og personligt meningsfuld involvering, blev anerkendt som vigtig, men havde ingen konkrete undervisningsstrategier bag sig og hvilede på "at diskutere og overveje". Forfatterne foreslår informeret AI-handlingsrum, med subjektivering i centrum og kompetencer som dens fundament, hvilket giver undervisningsrollen en formålsfastsættende pligt: gør "hvorfor" eksplicit, så færdigheder får kontekst i stedet for at stå som mål i sig selv, og suppler tekniske rammer som Technological Pedagogical Content Knowledge (TPACK) med vedvarende opmærksomhed på uddannelsesmæssigt formål.
  • Adoption er ikke den samme løftestang som præstation. Blandt 200 lærere i Nordsumatra havde AI-brug ingen direkte effekt på lærerpræstation (β = 0,112, p = .087), mens organisatorisk medborgerskabsadfærd medierede den ved β = 0,370, så det er det ekstra-rolle, samarbejdsorienterede arbejde omkring værktøjet snarere end værktøjet selv, der omsætter brug til præstation (Sherly et al. (2027)).

Disse roller forbinder lærerarbejdet til Distributed Cognition, Situated Learning, Embodied Learning og Critical Pedagogy og omformulerer læreren som designer og etisk guide for AI-formidlet læring snarere end blot som bruger.

  • AI-støttede beslutninger klynger sig, hvor adfærdsdata er tilgængelige. Köroğlu et al. (2026) gennemgik 27 empiriske studier (2016-2025) og identificerede otte typer forelæserbeslutninger, og fandt at AI-støtte var koncentreret om undervisnings-, Feedback- og evalueringsbeslutninger, mens beslutninger om kurrikulum, læringsmiljø, følelser, etik og administration sjældent blev støttet. Læringsanalytiske dashboards var det mest almindelige system og forarbejdede tekst- og logdata til adfærdsindikatorer for præstation og engagement; multimodale og interaktionsbaserede data, agentbaserede systemer og kognitive, metakognitive, motivationsmæssige og affektive udfald var alle forholdsvis sjældne i det gennemgåede korpus. Den praktiske læsning for undervisere er, at det beslutningsrum, et AI-værktøj åbner, er afgrænset af de data, det viser, så værktøjsvalg også er et valg om, hvilke undervisningsbeslutninger der får ressourcer.

Hvordan undervisere bør tilpasse deres undervisningspraksis til AI

Vidensbasens evidens konvergerer mod et sæt konkrete tilpasninger:

Design AI'ens pædagogiske indpakning, ikke kun værktøjet. Den samme AI giver store læringsgevinster eller netto skade afhængigt af, hvordan aktiviteten er designet omkring den. Kibar & Ilgaz og evidensen om læringsgevinster er konsistente: underviserens opgave er at designe læringsoplevelsen og behandle AI som en komponent i en struktureret aktivitet snarere end som svarmaskinen. Stilladsér først et elevforsøg, og lad derefter AI'en coache; det er forskellen mellem evaluering og præstationsinflation.

Kræv et menneske-i-loopet-kontrolpunkt. I stedet for at acceptere AI-output som sandhed, lær eleverne at evaluere, rette og tage ejerskab over AI-assisteret arbejde. Fair-use-AI-kompetence indrammer dette som at afbalancere AI'ens produktivitet mod genuin menneskelig blomstring og forfatterskab. Design opgaver, så AI hjælper med udkast, men eleven forbliver agenten for evaluering og revision.

Kurater AI-feedbackudkast; videresend dem ikke. Chen et al. (2026) gav 64 kinesiske lærerstuderende ChatGPT-assisteret feedback på argumenterende skrivning og fandt, at behandlingen af output som udkastmateriale snarere end som færdig kommentar flyttede kritisk tænkning, hvor lærerfeedback alene ikke gjorde det (post-test Cohens d på 3,74 mod 0,25 ved prætest, p < .001). Det, lærerne gjorde med udkastet, er den overførbare del: de kopierede passende indhold på et niveau svarende til deres eget (28 %), udvidede det med dybere input (16 %), leverede det (16 %), reviderede det (14 %) eller kasserede det helt (14 %), og yderligere 9 % krævede rettelse. Den assisterede feedback hældede mod modellering (demonstration, 33,1 % mod 10,9 %) og udspørgen (spørg tæt på, 21,5 % mod 6,0 %), og eleverne reviderede den mod analyse, evaluering og skabelse snarere end genkendelse, men seks af otte interviewede rapporterede stadig upræcision og uprofessionalisme. Lærerens verifikationstrin er det, der gør hybriden sikker.

Tilpas evalueringen til AI-tidsalderen. Bevæg dig væk fra opgaver, som LLM'er kan løse ordret, mod autentiske, procesbaserede og fremmødebaserede evalueringer. Evalueringsskalaer giver undervisere en rubrik til at beslutte, hvor meget AI-assistance der er legitim i hver fase, og metaanalytisk evidens viser, at AI kan understøtte højere ordens tænkning, når evalueringsdesignet kræver det.

Beskyt betingelserne for varig læring. Fordi AI-svar får læring til at se let ud, skal undervisere designe for at modvirke gabet mellem præstation og læring. Lodge & Loble advarer om, at ubesværet succes med AI kan maskere fraværet af læring; undervisere bør indbygge produktivt nederlag, kræve uassisteret demonstration af mestring og behandle AI-støttede svar som et udgangspunkt, ikke som det færdige resultat.

Planlæg efter formidlingsmediet. Tilpasning er ikke medieneutral: online undervisning med AI multiplicerer både mulighederne (skalerbar personalisering, altid-tilgængelig støtte) og risiciene (integritet, udlicitering). Design AI-indpakningen lige så bevidst online som i fysiske kontekster.(Can AI deliver appropriate support for diverse student profiles? A large-scale evaluation)

At inddrage AI-kompetence i undervisningen

AI-kompetence er ikke et særskilt modul; den er vævet ind i, hvordan undervisere designer hvert kursus. Effektive tilgange omfatter:

At sikre akademisk integritet i AI-tidsalderen

Akademisk integritet med AI er et designproblem, ikke et kontrolproblem. Undervisere tilpasser sig ved at:

  • Omformulere integritet omkring proces og forfatterskab. I stedet for detektion, understreg akademisk integritet som gennemsigtig, dokumenteret brug. Forskning i agentbaseret AI og spøgelseselever viser, at integritetsrisikoen flytter sig, når elever sætter AI-agenter i arbejde på deres vegne, så undervisere skal definere, hvad forfatterskab betyder, når "spøgelset" er en AI.
  • Brug indberetning og indramning. Hvordan AI-brug indrammes for elever, som en krykke eller som et legitimt værktøj, former, om de indberetter den. Gennemsigtighedsnormer (fx indberetning af AI-brug) reducerer incitamentet til at skjule AI-brug.
  • Designdræb incitamentet til at snyde. Autentiske, procesbaserede og fremmødebaserede evalueringer (mundtlige eksamener, porteføljer, observeret problemløsning) gør outsourcing mindre attraktiv end AI-detektionsværktøjer gør. Evalueringsskalaer og autentisk evaluering er det konstruktive alternativ til detektionskapløb.
  • AI Regulation in Education på opgaveniveau er, hvordan undervisere faktisk styrer AI. Chirikovs (2026) studie af over 31.000 kursusbeskrivelser viser, at undervisere i stigende grad fungerer som regulatorer på opgaveniveau snarere end at anvende blanketregler: de begrænser AI til udkastskrivning og revision (79 % af kurserne) og ræsonnering og problemløsning (65 %), tillader det til redigering og korrekturlæsning (83 %) og studiestøtte (80 %) og lader idéudvikling og planlægning være det mest omstridte (46 % tillader, 54 % begrænser). Denne differentiering, bygget på hvilke opgaver AI fortrænger versus forstærker, er et konkret, underviserdrevet alternativ til politikken om adoption eller forbud og giver lærerrollen en central plads i politikdannelsen.
  • Timelønnede undervisere bærer bedømmelsesbyrden uden mandatet. Tyve timelønnede akademikere, nogle med undervisning på tre eller flere institutioner samtidigt, beskrev, at de opdagede forseelser gennem utrænet håndværk, mens de hverken havde kurrikulær eller politisk myndighed (Andriamora & Andriamora, 2026).

At forbinde undervisning med læringsdesign

Undervisning og læringsdesign er to sider af samme sag: underviserens daglige vurderinger er den levende udførelse af den designede læringsoplevelse. AI strammer denne forbindelse:

  • Lærere som læringsdesignere. LearnAI og læreres promptdesign viser undervisere, der fungerer som designere: de specificerer aktiviteten, AI'ens rolle og de stilladser, der strukturerer læringen. Det er læringsdesign i praksis på brugspunktet.
  • Principper for læringsdesign styrer AI-pædagogikken. De samme læringsdesignprincipper (klare mål, afstemt evaluering, stilladsning og Feedback) afgør, om AI hjælper eller skader. ISD-Agent-Bench validerer empirisk, at forankring af AI-design i formelle undervisningsdesignmodeller slår teorifri prompting.
  • Design for lærerens orkestrering. Effektive AI-læringsmiljøer er designet med læreren i tankerne: de værktøjer, som menneskecentreret AI tilbyder, bør reducere lærerens arbejdsbyrde og forstærke dømmekraften, ikke tilføje endnu en uigennemsigtig sort boks. Når undervisere samdesignede AI-læringsaktiviteter (aktivitetsteoretiske perspektiver), blev både adoption og kvalitet bedre.

Forholdet til elevidentitet

Lærerrollen og elevidentitet er gensidige sider af samme menneskelige proces, og AI omformer begge.

  • Læreridentitet er en professionel identitet; elevidentitet er en læringsidentitet. Siden om lærerrollen dokumenterer, hvordan AI omformer underviseres arbejde, identitet og handlingsrum, deres udviklende professionelle selvforståelse (se Laidlaws indramning af GenAI som en identitetskrise). Elevidentitet er det parallelle konstrukt for eleverne: hvem de er, og hvem de er ved at blive som lærende, i faglige, professionelle, kreative og akademiske termer.
  • De er kausalt koblede. Lærere, der oplever identitetsforstyrrelse (usikkerhed om deres professionelle formål midt i GenAI), er mindre i stand til at støtte deres elevers identitetsudvikling; en lærer, der tvivler på sin rolle, har svært ved at validere elevernes spirende selvforståelse på samme område. Omvendt er lærere, der fastholder en sikker professionel identitet, bedre positioneret til at stilladse elevernes tilhør og forfatterskab.
  • Forskellige fejltilstande. Læreridentitet trues af rolleforældelse og formål ("hvad er pointen med at undervise?"). Elevidentitet trues af tab af forfatterskab og kompetence ("er det her virkelig mit / er jeg god nok?"). Begge er reaktioner på AI på identitetsniveau, ikke blot på færdighedsniveau.
  • Begge er professionel udvikling og pædagogiske anliggender. At støtte læreridentitet hører under Uddannelsesudvikling og Læreres AI-kompetence; at støtte elevidentitet hører under Student Experience, Authentic Assessment og handlingsrum. Et veldesignet AI-integreret system tager hensyn til begge, fordi lærerens identitet er den betingelse, hvorunder elevernes identiteter dannes.

Læreres samdesign af tidlig AI-kompetence

  • Lærersamdesign i tidlig AI-kompetence. Lee (2026) viser, at to førskolelærere og to børnehaveklasselærere, som samdesignede Play With AI-kurrikulummet (PL-AI), oplevede betydelig vækst i selvtillid og pædagogisk handlingsrum, hvor samdesign fremmede kurrikulært ejerskab, reflekteret praksis og meningsfuld tilpasning. Det placerer lærere som centrale samdesignere, ikke blot implementører, af udviklingsmæssigt passende AI-kompetencekurrikula, en model med implikationer for læreruddannelse i tidlig barndom og grundskole AI-undervisning.

Lærere, der samdesignede AI-læringsressourcer

  • Lærerrollen strækker sig til samdesign af AI-læringsressourcer: lærer-AI-samdesignede simuleringer til droner i STEM-undervisning holdt GenAI-output pædagogisk gyldigt og kontekstuelt relevant, og lærere er de tiltænkte modtagere af Teachers' AI Literacy Scale. Effektiv GenAI-integration afhænger i stigende grad af lærerinddragelse i designet.

AI-refleksionssystemer bør tilpasse sig lærererfaring

  • Lærervendt AI-refleksionsanalytik bør være ekspertisetilpasset, ikke ens for alle. En spørgeskemaundersøgelse blandt 100 amerikanske K-12-lærere (medianopdeling ved ni år; binomiale tests; 15 % valgforskelle detekterbare ved cirka 83 % styrke) fandt systematiske præferenceforskelle. Mindre erfarne lærere angiver mangel på refleksionstid som en topbarriere 3 gange så høj grad som de erfarne (37 % mod 12 %, p < .001) og ønsker analyser om elevmangel på engagement (48 % mod 33 %, p = .028) og følelser (31 % mod 18 %, p = .036).
  • Designreglen, der udledes af opdelingen, er erfaringstilpassede anbefalingstilstande. Erfarne lærere ønsker analyser om forbedret læring efter at have hjulpet en elev (40 % mod 26 %, p = .019) og om deres undervisningsmetoder (42 % mod 26 %, p = .012); deres topbarriere er at følge præstationer (28 % mod 15 %, p = .009). Designregel: novicetilstand lig strukturerede prompts og engagementanalytik; eksperttilstand lig fleksibel langsgående analyse, et direkte argument imod ensartede dashboards. (How expertise levels shape preferences and reflection needs — towards AI reflection systems for teacher empowerment)

Almindelige fejlopfattelser

"AI vil reducere eller erstatte det pædagogiske arbejde med at undervise." Ekspertscenarieevidensen peger den anden vej. Malyn-Smith et al. (2026) kalder det det mere-menneskelige paradoks: på tværs af seks scenarier for 2030, samskabt af 20 forskere fra 13 lande, intensiverer AI-mætningen det menneskelige pædagogiske arbejde i stedet for at fortrænge det. Scenarierne beskriver AI som "læringsøkosystemets ventilationsanlæg", infrastruktur, man kun bemærker, når den svigter. Det, der ændrer sig, er ikke mængden af menneskelig dømmekraft, der kræves, men dens genstand: opmærksomheden flytter sig fra at producere materialer mod at fortolke eleverne.

"Læreres AI-kompetence betyder at lære værktøjerne." Værktøjsfortrolighed er den svageste tilgængelige forudsiger. I Bai og Hsiehs (2026) SEM med 898 kinesiske universitetslærere afhang GenAI-støttet undervisningsinnovation mindre af isoleret teknologisk AI-viden og mere af pædagogisk og fagligt indlejret AI-kompetence sammen med professionel identitet, som begge delvist medierede udfaldet. En workshop om funktioner, der ikke rører pædagogik eller faglig identitet, sigter på den forkerte variabel, og derfor indrammer Laidlaw et al. fakultetets GenAI-reaktion som et identitetsspørgsmål snarere end som et færdighedsgab.

"Lærere er allerede samdesignere af AI, så overgangen er i gang." Drømmen er reel; beskrivelsen er det ikke endnu. Wang, Liu og Islams (2026) systematiske gennemgang af lærer-AI-samdesign af læringsopgaver finder, at samdesignerholdningen forbliver ujævn, med AI som assistent eller indholdsgenerator som den dominerende tilstand. At læse den gennemgang som evidens for en fuldført forskydning ville skjule gabet mellem de lærere, en side som denne anbefaler, og de lærere, de fleste institutioner faktisk har.

"Hvordan en lærer uddelegerer til en chatbot, betyder næsten intet, når modellen gør arbejdet." Uddelegeringsmønstret er interventionen. I planlægning af STEAM-kunstlektioner for børn fandt Luo og Tahir (2025) eksperimentelt, at udfyldning af indholdshuller i en selvskitseret lektion bevarede lærerens designautonomi og samtidig hævede den ekspertvurderede plankvalitet (median 20,5 mod 17,6, p = .002, stor effekt), bedre end alternativet med at lade modellen levere skitsen. Samme model, samme opgave, forskellig arbejdsdeling, væsentligt forskelligt resultat.

En praktisk startsekvens

Evidensen støtter en bestemt rækkefølge af operationer for en underviser, der adopterer AI, snarere end en liste af funktioner at lære.

  1. Skriv aktiviteten, før du vælger værktøjet. Specificér målet, det elevforsøg der kommer først, og hvad der tæller som evidens for forståelse. Værktøjer, der vælges først, har tendens til at omskrive aktiviteten omkring sig selv.
  2. Beslut uddelegeringsmønstret eksplicit. Skitsér lektionen selv og lad AI'en udfylde indholdshuller, i stedet for at acceptere en genereret skitse; det mønster ovenfor med den målte kvalitetsforskel.
  3. Placér kontrolpunktet der, hvor ejerskabet ligger. Design så eleven evaluerer, retter og ejer det AI-assisterede arbejde, og så AI-feedback ankommer som et udkast, læreren kuraterer, snarere end som en kommentar, læreren videresender.
  4. Beskyt den fortolkningstid, forskydningen skaber. Hvis opmærksomheden flytter sig fra materialeproduktion til at læse eleverne, skal den omfordelte tid overleve mødet med kalenderen; hvis den absorberes af nyt administrativt arbejde, sker den lovede rolleændring ikke.
  5. Tjek, om du bliver uddannet i værktøjer eller i pædagogik. Givet SEM-resultatet, foretræk professionel udvikling, der arbejder på faglige opgaver og identitet, frem for rundvisninger i funktioner.

Forbundne begreber

Forbundne artikler

Relaterede FAQ'er

Metadata

NiveauK 12, Higher Ed
Tiltænkt målgruppeInstructors, Faculty Developers, Learners
Læring og undervisningScaffolding
Teknologier og teknikkerIntelligent Tutoring
Grundlag for AI i uddannelseAI-kompetence, Uddannelsesudvikling, Læringsdesign, Læreres 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.