AIEd-vidensbaseAIEd KB
På denne side

Læs denne side på engelsk

Begreber

Teoriudvikling i AI i uddannelse

Oprettet 2026-08-22 · Opdateret 2026-11-08

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

Teoriudvikling i AI i uddannelse — det videnskabelige arbejde med at skabe, videreudvikle og kritisk undersøge de teorier og begrebsrammer, der forklarer, hvordan lærende, lærere og AI-systemer interagerer. Efterhånden som generativ AI omformer uddannelse, foreslår feltet både nye teorier om læring-med-AI og omarbejder etablerede læringsteorier — mens en dokumenteret svaghed i teoribrug fortsat er en tværgående begrænsning i AIEd-forskningen.

Spørgsmål at overveje

  • Vi taler ofte om at 'anvende en teori' på AI i uddannelse, men denne side spørger, om feltet faktisk opfinder nye teorier. Før du læser videre: når en velkendt ramme (som behaviorisme eller konstruktivisme) strækkes til at dække generativ AI, hvad kan den så have ret i, og hvad kan den så lydløst forvride?
  • Tænk på en gang, hvor du brugte AI og følte, at din forståelse voksede — eller det modsatte. Hvad er forskellen mellem 'at lære med et værktøj' og 'at medkonstruere viden med en maskine'? Hvor ville du trække den grænse, og giver det overhovedet mening at sige, at maskinen er en medagent?
  • Mange AI-uddannelsesstudier kritiseres for at bruge teori svagt eller slet ikke. Hvis du læste en undersøgelse, der viste, at et AI-værktøj 'virkede', hvad skulle den så fortælle dig om hvorfor og hvordan, før du ville kalde fundet teoretisk meningsfuldt snarere end blot en effektstørrelse?
  • En foreslået teori hævder, at AI-native studerende overvurderer deres egen læring, fordi AI oppuster deres præstation. Har du bemærket hos dig selv eller andre, at I føler jer mere kompetente efter intensiv AI-brug, end I faktisk kunne demonstrere uden? Hvad ville være det stærkeste bevis for, at dette er et reelt fænomen og ikke bare en artefakt af én undersøgelse?
  • Siden skelner mellem teori (at forklare læringsmekanismer) og filosofi (at stille spørgsmål ved, hvad læring og sind grundlæggende er). Hvor i din egen tænkning om AI bevæger du dig mellem de to — for eksempel ved at spørge ikke bare, om en ramme forklarer læring godt, men om den indfanger, hvad læring egentlig er?
  • Nye teorier dukker op — generativisme, epistemisk samhandling, kognitive commons. Som læser: hvad ville overbevise dig om, at en af dem er et genuint fremskridt snarere end en moderigtig omdøbning af ældre idéer? Sæt din egen test for, hvad en god ny teori om læring med AI skal kunne forklare.

Introduktion

Teoriudvikling i AIEd ligger på grænsen mellem de anvendte læringsteorier, feltet trækker på, og de nye konstrukter, AI-tiden producerer. Hvor Learning Theories katalogiserer de etablerede teorier, der anvendes på AI (behaviorisme, konstruktivisme, kognitiv belastning, selvbestemmelse osv.), følger dette begreb processen og produktet af selve teoretiseringen: hvilke nye teorier og rammer der fødes, hvordan etablerede teorier videreudvikles, og det metodologiske spørgsmål, om AIEd-forskning teoretiserer godt.

  • En ramme, der specificerer sin egen sammenligningsbetingelse. Nakamura (2026) behandler fordelingen af kognitivt arbejde som den forklarende enhed, placerer operationer på et gradueret perifert–konstitutivt kontinuum, navngiver den sammenligningsbetingelse, imod hvilken forstærkning og erosion defineres, og udleder syv betingede testbare propositioner (Nakamura, 2026). Fordi propositionerne forudsiger forskelle mellem konfigurationer, kan en undersøgelse, der kun rapporterer en gennemsnitseffekt, hverken bekræfte eller afvise dem.

Nye teorier om læring med AI

En voksende klynge af artikler skaber eksplicit ny teori til AI-tiden snarere end at anvende eksisterende rammer:

  • Generativisme. Generativisme foreslås som en ny læringsteori, der argumenterer for, at behaviorisme, kognitivisme, konstruktivisme og konnektivisme hver hviler på én antagelse, som generativ AI bryder: at observerbar output bekræfter læring (behaviorisme), at kognitive operationer foregår inde i den lærende (kognitivisme), at mening konstrueres snarere end leveres (konstruktivisme), og at det svære er at navigere til eksisterende viden snarere end at generere den (konnektivisme). Den navngiver fire konstrukter — epistemisk partnerskab, distribueret handlingsrum, generativ kompetence og adaptiv metakognition — og udleder en vurderingsindikator for hver, et direkte forsøg på at navngive et særskilt teoretisk paradigme for AI-medieret læring. Hvad den ikke gør, er at fremsætte propositioner, der kunne slå fejl: det er et positionspapir, der syntetiserer eksisterende evidens, så det tilbyder i modsætning til Agentivisme nedenfor et ordforråd og en målingsdagsorden snarere end en falsificerbar teori.

  • AI-forbundethed. Fu og Zhao (2026) rekonstruerer forbundethed for AI-tiden gennem omsorgsetik og neookologisk teori og definerer "kunstig intelligens-forbundethed" som et psykologisk reelt, men etisk asymmetrisk bånd med tre dimensioner og seks falsificerbare propositioner, der afventer skalauvdvikling.

Det syntetiske standpunkt tilføjer et rivaliserende bud, der faktisk fremsætter propositioner: det navngiver syntetisk fremme og forfatterskabsophævelse — et selv, der er tæt stemt, men uden forfatter — og forudsiger en overgangsinteraktion, hvor en livsbeslutningsfortællings vurderede forfatterskab og kohærens bevæger sig i modsatte retninger (Du m.fl. (2026)).

  • Agentivisme. Yan og Gašević (2026) foreslår Agentivisme som en mellemrangsteori om læring i menneske-AI-interaktion, der definerer læring som varig vækst i menneskelig formåen snarere end som vellykket opgaveløsning med AI, og specificerer fire mekanismer: delegeret handlingsrum, epistemisk overvågning og verifikation, rekonstruktiv internalisering og transfer under reduceret støtte. Det, der adskiller den fra de øvrige bud på denne side, er falsificerbarhed: den fremsætter seks propositioner, herunder at læring er stærkere, når AI bevarer den lærendes ansvar for problemformulering, kriterieopsætning og begrundelse, end når den leverer svar. Den fastholder også, at krav om verifikation bør forbedre forsinket præstation, mens gentagen lavfriktionsdelegering uden rekonstruktion bør svække de lærendes kalibrering af deres egen kompetence.

Teoretisering på lærersiden forpligter sig nu på den samme testbarhed: Capability–Decision Model ordner AI-TPACK-formåen opstrøms for holdning og opfattet adfærdskontrol og navngiver fire afkræftelsesbetingelser — mediatorfejl, diskriminantkollaps, moderatornulhed og kontekstredundans — selvom modellen forbliver utestet (Mnguni (2026)).

  • Epistemisk samhandling. Learning with Machines bygger "mod en teori om epistemisk samhandling", en teoriforankret model for, hvordan lærende og GenAI-systemer i fællesskab producerer viden og forståelse.

  • Den kognitive partnerskabscyklus. Page (2026) foreslår den Cognitive Partnership Cycle, en seksfaset rekursiv model — Menneskespørgsmål, AI-ekspansion, Menneskelig refleksion, Integration, Revision og Nyt spørgsmål — der placerer læring i en ændring af den lærendes kognitive position snarere end i promptraffinement, og navngiver fire fejltilstande, hvor den samme rekursion erstatter eller forvrænger tænkning.

  • Den fraværende kognitive baseline (ACB). The Absent Cognitive Baseline teoretiserer et strukturelt gab i AI-native studerendes akademiske Self-Assessment — en tredimensionel ramme, der forklarer, hvorfor studerende overvurderer deres læring, når AI oppuster præstationen.

  • De kognitive commons. Cognitive commons og ekspertiseregenerering trækker på common-pool-resource-teori og distribueret kognition for at forklare, hvordan rationelle AI-adoptionsbeslutninger kan udtømme den fælles ekspertisepulje, som professioner har brug for til fornyelse.

  • Præstation vs. læring. Præstation-vs.-læring teoretiserer den skarpe divergens mellem AI-oppustet opgavepræstation og varig læring, en skelnen der går igen i vidensbasens Learning Gains-evidens.

  • Epistemisk AI-kompetence (EAIL). Epistemisk AI-kompetence omformulerer AI-kompetence som en processorienteret epistemisk kompetence centreret om, hvordan viden konstrueres og retfærdiggøres, når studerende medprogrammerer med generativ AI.

  • Tri-System-teorien. Shaw og Nave (2026) udvider dual-process-redegørelser med System 3 — ekstern, automatiseret, datadrevet ræsonnement fra AI, som kan supplere, fortrænge eller undertrykke System 1 og System 2 — og navngiver kognitiv overgivelse, den ukritiske overtagelse af AI-output, som dens karakteristiske fejltilstand.

  • Kognitiv forvaltning. Credential og kognitiv forvaltning teoretiserer det institutionelle ansvar for at beskytte viden og læring i AI-gennemsyrede evalueringskontekster.

  • Co-AI Regulation in Education og epistemisk proaktivitet. AI som kognitiv partner i co-regulering integrerer eksekutiv funktion, Metacognition, distribueret kognition og sociokulturel udvikling i en udviklingsmodel; epistemisk proaktivitet teoretiserer studerendes agentiske holdning til AI i matematik.

  • Menneske-GAI-engagement-paradigmer. Strydom (2026) imødegår feltets "teorideficit" ved at forankre syv praktiserede menneske-GAI-engagementsparadigmer (beskyttet, mulighedsorienteret, forstærket, pionerende, symbiotisk, værdibaseret, ligestilling) i Schommers multidimensionelle model for personlige epistemologiske overbevisninger — en epistemologisk, snarere end værktøjsfokuseret, teori om, hvordan individer positionerer sig forskelligt i forhold til AI.

  • Den økologiske samhandlingsramme. Poudyal (2026) argumenterer for, at generativ AI omfordeler epistemisk autoritet fra lærere til studerende til maskiner, og introducerer en ramme, der definerer samhandling gennem tre indbyrdes afhængige dimensioner — relationel, regulatorisk (kortlagt på SRL-cyklussen) og pædagogisk (underviseradoptionskontinuum) — alle afgrænset af en ikke-forhandlingsbar betingelse om menneskelig epistemisk ansvarlighed (bestridelighed, proveniens og ikke-delegering af moralsk/intellektuel ære). Den positionerer Elevens handlingsrum som et epistemisk designproblem snarere end et brugbarhedsanliggende og giver institutioner et mere præcist sprog end "balance" til at styre GenAI-integration.

  • Relationelt epistemisk handlingsrum og epistemisk afhængighed. Du & Yuan (2026) bidrager med en kritisk-integrerende redegørelse for, hvornår AI-medieret afhængighed bevarer versus fortrænger dømmekraft. De operationaliserer grænsen mellem produktiv afhængighed og skadelig afhængighed gennem seks diagnostiske kriterier (bestridelighed, genopretning, transfer, sporbarhed, distribueret ansvar, epistemisk pluralitet) og sporer fire sociotekniske veje (flydende autoritet, friktionsløs delegering, uigennemsigtig syntese, institutionaliseret afhængighed). Deres normative forslag, relationelt epistemisk handlingsrum, udvider relationel-autonomi- og epistemisk-samhandlingslinjer ved at fastholde en eksplicit asymmetri — AI kan forme ræsonnement uden reciprokt ansvar eller legitim autoritet — mens det integrerer ansvar og epistemisk retfærdighed på institutionelt niveau. Som teori om læring med AI flytter den feltets spørgsmål fra, om AI hjælper eller skader, til hvilke epistemiske handlinger der bevares, transformeres eller fortrænges, og den gør designet af afhængighed snarere end blot brug til genstand for pædagogisk og institutionel intervention.

Modellens output løftes til status af kollektiv viden uden den fællesskabsgaranti, som den status kræver — det kalder Webb et al. (2026) pseudo-cPCK, og det er grunden til, at feltet har brug for et nyt teoretisk konstrukt snarere end en bedre grænseflade (Webb et al., 2026).

At videreudvikle etableret teori

Andet arbejde udvider eksisterende teori ind i AI-konteksten snarere end at grundlægge nye paradigmer: kritisk-tænkning-paradoks-arbejde integrerer kognitiv belastningsteori med belastningsreduktionsinstruktion i en tre-niveau-ramme; retfærdig evaluering re-teoretiserer Assessment under GenAI-forstyrrelse. Ba, Gašević, Lim & Anderson (2026) rekonceptualiserer selve Community of Inquiry-rammen: i stedet for at indramme GenAI som et værktøj, en dialogisk partner eller en spekulativ "fjerde tilstedeværelse" repositionerer de den som en epistemisk betingelse, der omkonfigurerer, hvordan kognitiv, social og undervisningsmæssig tilstedeværelse udøves, dokumenteres og styres — og omformer CoI-tilstedeværelser til sociotekniske præstationer i menneske–GenAI-sammensætninger og foreslår en konfigurationsbaseret heuristik, hvor GenAI-involvering og undersøgelseskvalitet er betinget forbundet gennem menneskelig ansvarlighed. Meget af dette er konceptuelt rammearbejde (business school-rammer, valideret simulering), der operationaliserer teori for praksis.

Lin og Chang (2026) udvider Self-Regulated Learning og menneske–AI-regulering ved at navngive, hvad den lærende styrer — standarder, evaluative domme og kontrolautorisation — snarere end kun hvad AI'en gør.

Friktionsparadokset tilbyder en anden udvidelse af etableret teori: Gupta (2026) anvender Bjork og Bjorks ønskværdige vanskeligheder og Kapurs produktive fiasko på relationelle møder i uddannelse i udlandet og argumenterer for, at det, der betyder noget, er, hvor meget fortolkningsmæssigt handlingsrum en studerende overfører til en generativ assistent, snarere end hvor ofte den bruges. Rammen er konceptuel og fremsætter fem propositioner som konkurrerende hypoteser.

Ranieri & Biagini (2026) videreudvikler feltets funktionelle taksonomi fra Zawacki-Richter m.fl. (2019): blandt de 154 publikationer med en klassificerbar anvendelsesfunktion undslap 90 (58,4 %) dens fire kategorier, og deres ramme krydser funktion med delegeret kontrol, epistemisk position og indlejret pædagogik.

An, McLaren og Stamper (2026) videreudvikler ACT-R og Knowledge-Learning-Instruction-rammen ved at teoretisere vildledende overgeneralisering — en fejltilstand, hvor videnskompilering giver en overgeneraliseret produktion, der frembringer korrekte handlinger, men udelader en kritisk anvendelsesbetingelse — og ved empirisk at validere en detektions-/afhjælpningsprocedure på tværs af adaptive ITS'er og et K-12-decimalindlæringsdatasæt.

Postfænomenologi og teknologisk mediation. Farazouli m.fl. (2026) videreudvikler den etablerede postfænomenologiske ramme for teknologisk mediation (Ihde 1990; Verbeek 2006, 2011; Rosenberger & Verbeek 2015) ind i AI-i-uddannelse-konteksten. I stedet for at foreslå en ny teori anvender de den til at rekonceptualisere GAI-chatbots som multistabile teknologiske artefakter, hvis "scripts" (hurtig responsivitet, naturligt klingende tekst, der kan opnå beståelseskarakterer) medierer lærernes opfattelser og omkonfigurerer deres praksis — forstyrrer lærernes selvtillid, omformer hvad kompetence betyder og skubber lærerne ud over instrumentelle spørgsmål om acceptabel brug mod at revurdere deres rolle og betydningen af undervisning. Dette er et teori-videreudviklingsbidrag: det demonstrerer, hvordan en filosofisk redegørelse for menneske–teknologi-relationer forklarer den følelsesmæssige og professionelle forstyrrelse, lærere oplever, når GAI træder ind i etableret uddannelsespraksis.

Et yderligere rammebidrag er Rismanchian & Doroudis AI×Ed-typologi, som udvider Kahns (1977) oprindelige "tre interaktioner" langs to akser — AI's rolle (anvendt værktøj vs. analogi til menneskelig intelligens) og slutbrugeren (forsker til lærende) — for at placere ethvert AIED-projekt. Ud over at kategorisere feltet argumenterer den for at genoplive teoristrømmen "AI som analogi til menneskelig intelligens" og bruge beregnings- og agentbaserede modeller for læring (fx deres egen beregningsmodel af ICAP-rammen) til at bygge bro mellem samtidig læringsteori og beregningsmodellering — en metodologisk retning, som feltet i vid udstrækning opgav, da det vendte sig mod anvendt, datadrevet arbejde.

Komparativ filosofi som vej til teoretisk pluralisme. Xie (2026) modellerer en anden vej til teoriudvikling: i stedet for at teoretisere AI i uddannelse inden for én tradition iscenesætter artiklen en komparativ dialog, hvor hver tradition "gør synligt, hvad den anden slører", og afviser eksplicit at syntetisere dem i én ramme — en tilgang, der behandler teoretisk pluralisme som en metodologisk position snarere end en uafklaret uenighed. Han argumenterer for, at ikke-vestlige traditioner kan gøre mere end at diversificere debatter; de kan omforme de begrebsmæssige grundlag for AIED-teori ved at rekonstruere daoistisk "Dao-natur" (道性), selvdyrkelse (修道) og "Zhenren" (真人) som ressourcer til at gentænke Elevens handlingsrum, uddannelsens epistemiske mål og etisk handling under AI-medierede betingelser. Han angiver også grænserne klart: bidraget er enkeltforfatter, ikke-empirisk, og advarer om, at en sådan oversættelse kræver kontekstualisering for at undgå romantisering og orientalisme.(Alternative AI Philosophy: Daoism as Method for AI in Education)

Teoribrugsproblemet i AIEd

Feltets teoretisering er ujævn. Begrænsninger i AIEd-forskningen dokumenterer, at AIEd-studier ofte bruger teori svagt eller ukritisk — en tilbagevendende metodologisk svaghed side om side med reproducerbarheds- og målingsgab. Reviews finder, at mange AIEd-artikler anvender teori overfladisk eller slet ikke (fx litteraturreviews, der bemærker, at få studier forankrer interventioner i læringsteori). Det gør teoriudvikling — og teoribrug — til et kvalitetsanliggende lige så meget som et videnskabeligt output, hvilket forbinder til forskningsmetoder og AI Ed Evaluation.

Forholdet til filosofien om AI i uddannelse

Teoriudvikling og filosofien om AI i uddannelse er komplementære, men forskellige strenge i vidensbasens grundlagsarbejde. Teoriudvikling producerer og tester empirisk mekanismerne for læring-med-AI — navngivne teorier og rammer som generativisme, epistemisk samhandling og den fraværende kognitive baseline, der forklarer og forudsiger, hvordan lærende og AI interagerer. Filosofi afdækker de forudsætninger, som disse mekanismer hviler på: hvad der tæller som viden, hvem der tæller som vidende, og hvad den lærende grundlæggende er. En teori som epistemisk samhandling foreslår en mekanisme, mens den implicit overtager filosofiske forpligtelser om distribueret kognition og Elevens handlingsrum; filosofien gør disse forpligtelser eksplicitte og bestridelige. Hvor teoriudvikling spørger, om en ramme forklarer læring godt, spørger filosofien, om den indfanger, hvad læring og sind virkelig er — de to strenge mødes i feltets mest grundlæggende artikler, som ofte gør begge dele på én gang.

Almindelige fejlopfattelser

"Et fund om, at værktøjet virkede, er et teoretisk bidrag." Det er det ikke, og grunden er strukturel. Hvor en rammes propositioner forudsiger forskelle mellem konfigurationer, kan en undersøgelse, der kun rapporterer en gennemsnitseffekt, hverken bekræfte eller afvise dem — designet kan ikke se den skelnen, teorien handler om. Et forsøg, der viser en gennemsnitsgevinst, fortæller dig, at noget skete, ikke hvilken mekanisme der forårsagede det, så teorien er præcis lige så understøttet som før.

"At anvende en etableret teori på AI er teoriudvikling." Sidens eget teoribrugsproblem siger det modsatte: anvendelse er ikke videreudvikling, og feltets tilbagevendende mønster er lånte konstrukter brugt som ordforråd snarere end som testbare forudsigelser. Skelnen betyder noget, fordi en lånt ramme, der ikke kan generere en falsificerbar forskel, er dekoration, ikke teori.

"De eksisterende taksonomier over AI's pædagogiske funktion dækker allerede, hvad disse systemer gør." De dækker ikke meget af det. Blandt 154 publikationer med en klassificerbar anvendelsesfunktion undslap 90 (58,4 %) de fire kategorier i den tidligere ramme, hvilket er grunden til, at det nyere arbejde krydser funktion med delegeret kontrol, epistemisk position og indlejret pædagogik. En taksonomi, der fejlklassificerer næsten tre af fem tilfælde, kan ikke tjene som feltets fælles ordforråd, og gabet er et fund om fænomenet snarere end et hul i en artikel.

Implikationer for praksis

For undervisere og undervisningsdesignere

  • Når en undersøgelse rapporterer en gennemsnitseffekt, må du ikke behandle den som vejledning om din konfiguration. Påstandene på teoriniveau handler om forskelle mellem konfigurationer, og et gennemsnit kan ikke fortælle dig, hvilken du kører.
  • Spørg til enhver ramme, du tager i brug, om den forudsiger noget, der kunne vise sig forkert i din egen sammenhæng. Hvis ikke, hjælper den dig ikke med at beslutte noget.
  • Forvent, at eksisterende kategorier rammer ved siden af din case; over halvdelen af de klassificerede publikationer passede ikke i den standardmæssige firedeling.

For udviklere

  • Rapportér konfigurationer snarere end én enkelt overskriftseffekt. Hvis dit design legemliggør en specifik kombination af delegeret kontrol og epistemisk holdning, så sig det — det er den enhed, teorien taler om, og den enhed et andet team har brug for at reproducere.
  • Markedsfør ikke en mekanismepåstand på styrken af et gennemsnitsudfald; den evidensform, mekanismen kræver, er en kontrast, ikke et gennemsnit.

For forskere

  • Design til konfigurationskontraster, hvis du sigter mod et teoretisk bidrag. Et gennemsnitseffektforsøg publiceret som teoriudvikling er feltets mest almindelige og mindst nyttige output.
  • Knyt eksplicitte falsificerbare propositioner til enhver ramme, du introducerer, og rapportér, hvilke konfigurationsforskelle der ville have afvist dem.

Forbundne begreber

Forbundne artikler

Metadata

StudietypeLiterature Review
Læring og undervisningLearning Theories
Forskningsmetoder og evalueringResearch Methods in AIED
Grundlag for AI i uddannelseAI i uddannelse, Begrænsninger i AIEd-forskning
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.