AIEd-vidensbaseAIEd KB
På denne side

Læs denne side på engelsk

Begreber

Teknologisk pædagogisk indholdsviden (TPACK)

Oprettet 2026-08-14 · Opdateret 2026-11-08

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

Teknologisk pædagogisk indholdsviden (TPACK) — rammen (Mishra & Koehler, 2006), der beskriver den integrerede viden, lærere har brug for for at bruge teknologi effektivt i undervisningen: samspillet mellem teknologisk viden (TK), pædagogisk viden (PK) og indholdsviden (CK) og deres skæringspunkter. I AI-tiden er TPACK blevet udvidet til AI-TPACK / GenAI-TPACK, som modellerer, hvordan lærere integrerer generativ AI i fagundervisning. Den er den dominerende teoretiske linse til at forstå, hvordan læreres AI-kompetence er struktureret og opbygget gennem professionel udvikling.

Denne dominans er også delvist en søgningsartefakt: i et PRISMA-scoping review af 195 teknologistøttede læreruddannelsesstudier var digital kompetence, TPACK og DigCompEdu eksplicitte søgedeskriptorer, så de 46,5 % andel af kompetencerammer beskriver det indhentede korpus snarere end feltet (Patiño Hernández m.fl. (2026)).

Spørgsmål at overveje

  • TPACK hævder, at effektiv undervisning med teknologi ikke er summen af separate færdigheder (at kende sit fag + at kende undervisning + at kende værktøjet), men produktet af deres samspil. Tænk på en lektion, der for alvor fungerede med en teknologi. Hvilke kombinationer af indholdsmæssig, pædagogisk og teknologisk viden — ikke nogen enkelt af dem — så ud til at gøre arbejdet?
  • En almindelig antagelse er, at en lærer, der er 'teknologikyndig', derfor er klar til at undervise med AI. Hvor kan den antagelse svigte — for eksempel når en teknisk set flydende lærer stadig bruger AI på en pædagogisk overfladisk eller fagligt unøjagtig måde? Hvordan ville 'kompetence' se ud, som en simpel test i tekniske færdigheder ikke fanger?
  • AI-tiden omdefinerer teknologien i TPACK fra et passivt værktøj til en aktiv agent, der kan planlægge, generere og vejlede. Hvis en lærers arbejde skifter fra at betjene et værktøj til at orkestrere en AI, der handler på egen hånd, hvilken ny viden kræver det så — og kan nogen statisk tjekliste fange den?
  • Siden foreslår, at professionel udvikling bør træne skæringspunkterne, ikke bare værktøjerne. Tænk på den seneste teknologitræning, du deltog i eller designede. Handlede den mest om 'hvordan man bruger softwaren', eller byggede den indhold og pædagogik sammen med teknologien? Hvilken tilgang ville du forvente ville ændre klasseværelsespraksis mest, og hvorfor?
  • Forskning fandt forskellige 'lærerarketyper' — optimerere, skabere, passive observatører — der har gavn af forskellige former for støtte. Hvilken arketype ligner du mest, når du bruger AI i undervisningen, og hvilken form for Scaffolding tror du ville hjælpe dig mest? Ville dine lærende beskrive dig på samme måde, som du beskriver dig selv?
  • Nogle forskere argumenterer for, at effektiv AI-integration udspringer af en lærers overbevisninger og følelse af formåen, ikke kun af deres viden. Hvad tror du om AI's rolle i læring, og hvordan kan den overbevisning — mere end din tekniske færdighed — forme, om og hvordan du faktisk integrerer den?

Introduktion

  • Crompton m.fl. operationaliserer med DBR standarder for underviseres teknologiintegration, som udvider TPACK-rammen til institutionel praksis.

Rammeværket

TPACK hævder, at effektiv teknologiintegration ikke er summen af separate vidensdomæner, men produktet af deres dynamiske samspil. Rammen består af tre basisdomæner og fire skæringspunkter:

  • Indholdsviden (CK) — viden om det fagstof, der skal undervises i.

  • Pædagogisk viden (PK) — viden om undervisningsmetoder, strategier og hvordan studerende lærer.

  • Teknologisk viden (TK) — viden om, hvordan man bruger værktøjer og teknologier, herunder generativ AI.

  • Pædagogisk indholdsviden (PCK) — hvordan man underviser effektivt i specifikt indhold.

  • Teknologisk indholdsviden (TCK) — hvordan teknologi former og repræsenterer indhold.

  • Teknologisk pædagogisk viden (TPK) — hvordan teknologi understøtter eller begrænser undervisningsstrategier.

  • TPACK — den emergente, integrerede viden i centrum, hvor alle tre domæner interagerer for at muliggøre teknologiforstærket, indholdsspecifik undervisning.

  • Rammen dominerer feltet som standard og strækkes for at passe. I et PRISMA-styret review af 78 studier af AI-understøttet undervisningsdesign anvendte kun 19 en navngivet kompetenceramme — og TPACK og varianter heraf tegnede sig for 17 af disse 19, brugt produktivt som analytisk linse, men strukket ud over deres oprindelige anvendelsesområde, da TPACK ikke blev designet til AI-specifikke kapaciteter. Formålsbyggede udvidelser er tilsvarende sjældne: Intelligent-TPACK optrådte i blot fem studier, normalt parret med AI-kompetence for at håndtere udviklingsmæssig progression (Spyropoulou & Kameas, 2026).

  • Forskningen skrider frem uteoretiseret, mens politiske rammer forbliver utestede. Det samme review fandt, at 76 % af studierne udledte kompetencer af praksis uden nogen teoretisk kortlægning, og hverken DigCompEdu eller UNESCO's AI-kompetenceramme for lærere blev anvendt som analytisk ramme i noget af de 78 — en afkobling, der går i begge retninger, da empirisk arbejde ikke akkumulerer et fælles ordforråd, mens de rammer, der skal vejlede praksis, forbliver empirisk utestede i denne kontekst.

AI-TPACK og GenAI-TPACK

AI-tiden har skubbet rammen mod en læsning af teknologi-med-intelligens. Generativ AI er ikke et passivt værktøj, men en aktiv agent, der kan planlægge, generere indhold, vejlede og tilpasse sig — så integrationsviden omfatter i stigende grad orkestrering: at beslutte, hvornår og hvordan AI handler, stilladserer eller viger for menneskelig dømmekraft.

  • Ud over diskret viden. AI-TPACK-forskning argumenterer for, at effektiv AI-integration ikke udspringer af at besidde separate domæner, men af det dynamiske samspil mellem systemtænkning, pædagogiske overbevisninger og Self-Efficacy — hvilket udfordrer statiske, tjeklistebaserede modeller for læreres AI-kompetence. Lærerarketyper (Systematiske Optimerere, Produktive Skabere, Passive Observatører) opstår ud fra, hvordan lærere designer multi-agent-undervisningsarbejdsgange.

  • Hvad integrationsrammer udelader. En samhandlingskritik hævder, at TPACK og SAMR behandler lærerviden og adoptionsniveauer, men lader magt, dataejerskab og ansvarlighed ubehandlet, så integrationsviden har brug for en eksplicit etisk grænse snarere end endnu et vidensdomæne (Poudyal (2026)).

  • Evidens på tværs af niveauer for den pædagogiske kerne. En multilevelundersøgelse af 46 lærere og 2.832 sekundære studerende fandt, at teknisk AI-viden alene var utilstrækkelig — den dæmpede endda svagt de studerendes opfattelse af AI til samfundets bedste — mens pædagogisk AI-viden (TPAIK) var det, der fremmede de studerendes opfattelser og adfærdsmæssige intention om at lære AI. Resultatet kondenseres til en "pædagogik først, teknologi derefter"-retningslinje, der genlyder fundene om medierende rolle ovenfor.

  • Etik som en integrerende mediator, ikke en grænse. I en undersøgelse af 454 universitetslærere havde isoleret AI-teknologisk viden en negativ direkte sammenhæng med integreret AI-TPACK (β = −0,303), mens dens samlede effekt forblev positiv (β = 0,639) og løb gennem pædagogisk, indholdsmæssig og etisk viden (Chen m.fl. (2026)). Etisk viden kanaliserede også effekten videre og forudsagde både pædagogisk (β = 0,353) og indholdsmæssig viden (β = 0,269).

  • En reviewlinse for hele feltet. Et systematisk review fra et TPACK-perspektiv (Liu & Zhong, 2025) analyserede 71 empiriske studier af GenAI i studerendes læring, fandt en samlet positiv effekt (Hedges' g = 0,752) og identificerede GenAI-kompetence for studerende og GenAI-TPACK-professionel udvikling for lærere som feltets to kritiske prioriteter.

  • Færdighed alene forudsiger ikke pædagogisk integration. Choi m.fl. (2026) målte læreres Intelligent-TPACK for at segmentere deltagerne og observerede, at selv AI-flydende nybegyndere lænede sig passivt op ad AI-output under lektionsdesign, mens erfarne lærere — med lavere målt AI-TPACK — kritisk genengagerede sig og tilpassede AI-forslag til pædagogisk kontekst. Resultatet forstærker mønstret ovenfor: AI-TPACK omsættes til god klasseværelsesbrug gennem erfaren pædagogisk dømmekraft, og Teacher Education-støtte skal derfor rette sig mod anvendelsen af AI-viden, ikke blot besiddelsen af den.

  • Læreruddannelsens kontekst. TPACK er instrumentel i at kultivere læreres kompetence til at integrere teknologi i pensumspecifik undervisning, hvilket er grunden til, at læreruddannelses- og PD-forskning (fx intensive GenAI-PD-programmer, AI-TPACK-parathed blandt lærerstuderende) i stigende grad måler den som det relevante udfald.

  • Pædagogisk viden medierer GenAI-integration. Mohebi og ElSayary (2026) undersøgte 325 lærere i arbejde på tværs af 26 lande og interviewede syv, med et forklarende sekventielt mixed methods-design til at modellere TPACK-GenAI. Teknologisk viden (TK), pædagogisk viden (PK) og pædagogisk indholdsviden (PCK) var hver forbundet med samlet TPACK-GenAI, men teknologisk pædagogisk viden (TPK) medierede disse sammenhænge — evidens for, at bevægelsen "fra færdighed til pædagogik" betyder noget: at oversætte GenAI-færdighed til god klasseværelsesbrug går gennem pædagogisk-teknologisk integrationsviden, ikke gennem værktøjskendskab alene.

  • I videregående uddannelse overføres fagekspertise ikke til GenAI-integration. Sutedjo, Chowdhury & Liu (2026) tilpassede TPACK-21-instrumentet til at undersøge 127 undervisere på et amerikansk forskningsuniversitet om brug af GenAI til at undervise i det 21. århundredes færdigheder. Underviserne rapporterede stærk CK (M = 5,15) og PCK (M = 4,70), men lav teknologintegreret viden — TPK (M = 2,62), TCK (M = 2,75) og samlet TPACK (M = 2,55, det laveste domæne) — og CK viste ingen signifikant korrelation med TK eller noget teknologintegreret domæne (r = 0,11–0,15, ns). De tre teknologintegrerede domæner korrelerede så stærkt indbyrdes (r = 0,81–0,91), at de kan fungere som en enkelt GenAI-integrationsfaktor. Resultatet forstærker designprincippet om at træne skæringspunkterne: kompetenceudvikling for undervisere skal bevidst opbygge GenAI-integrationsviden gennem fagspecifikke aktiviteter snarere end at antage, at fagekspertise overføres af sig selv, og behandle de teknologintegrerede domæner som et fælles GenAI-kompetencefundament.

  • Institutionel form og træningsniveau interagerer. Mnguni m.fl. (2026) sammenlignede 186 naturfagslærerstuderende på sidste år på et sydafrikansk campusuniversitet (n = 85) og et fjernundervisningsuniversitet (n = 97). Selvrapporteret TPACK var højere på campus (64,0 % mod 47,4 %), pædagogisk viden var det mindst rapporterede domæne i begge grupper (53 % på campus), og niveauet af AI-træning var kun forbundet med selvrapporteret TPACK på fjerninstitutionen, hvor gennemførelsen af et fem-credit-kursus forudsagde svagere rapporteret TPACK end ingen træning overhovedet (p = 0,039 mod p = 0,607 på campus). Parathed følger derfor den institutionelle udbudskontekst snarere end træningstimer alene, og forfatterne advarer om, at selvrapporteret parathed ikke kan erstatte præstationsevidence.

En supplerende målingsadvarsel kommer fra samme forfatters Capability–Decision Model: når TPACK er selvrapporteret og opfattet adfærdskontrol måles som Self-Efficacy, kan de to muligvis ikke skelnes empirisk, så en undersøgelse kan ikke afgøre, om det er formåen eller generel selvtillid, der forudsiger intention (Mnguni (2026)).

  • Integreret TPACK flytter sig mest, når AI stilladseres inde i autentiske problembaserede opgaver. Chen og Osman (2026) sammenlignede et otte uger langt AI-understøttet CTD-PBL-modul med konventionel undervisning for 130 lærerstuderende på tredje år i fysik i et kvasi-eksperimentelt design med intakte klasser (65 pr. betingelse), hvor grupperne brugte DeepSeek gennem opgavespecifikke promptskabeloner, og hvert AI-output skulle bestå menneskelig verifikation, før det indgik i et undervisningsartefakt. Modulgruppen rapporterede højere TPACK ved posttest (M = 4,04 mod 3,40, p < 0,001, d = 1,02) og højere opfattet kollaborativ problemløsning (M = 3,62 mod 3,05, d = 0,88), med signifikante gruppe × tid-interaktioner på begge udfald. Hvor gevinsterne landede, er den TPACK-relevante detalje: de største dimensionseffekter var i de integrerede domæner — TPCK (d = 1,21), PCK (d = 1,06) og TPK (d = 0,95) — og samarbejdsgevinsterne var tydeligst i fælles vidensopbygning og social regulering, dvs. skæringspunkterne snarere end basisdomænerne. Forfatterne fremstiller disse som differentiel forandring forbundet med en integreret undervisningsbetingelse, ikke som en AI-effekt: AI blev aldrig isoleret fra PBL-opgavekæden, det strukturerede samarbejde, underviserens stilladsering, peer-feedback eller den refleksive revision, og begge udfald var spørgeskemabaserede opfattelser af kompetence snarere end demonstreret klasseværelsespræstation.

  • En intervention kan flytte basisdomænet først. Et seks måneder langt program for professionel udvikling, bygget direkte på Intelligent-TPACK-rammen, hævede teknisk AI-viden mest (AITK: 3,92 til 4,43, t(63) = 3,856, p < 0,001, d = 0,48), teknologisk-pædagogisk viden næstmest (AITPK: d = 0,33) og integreret AITPACK mindst (d = 0,26), mens etisk bevidsthed forblev forholdsvis uændret (Tan, Cheng & Ling, 2025). Rækkefølgen er spejlbilledet af Chen og Osmans gevinster i de integrerede domæner, og begge er selvrapportering.

AI-TPACK som mediator mellem kompetence og klasseværelsesintegration. En strukturligningsmodel over kinesiske lærerstuderende i naturfag (Zou, Li, Wang & Du, 2026) placerer AI-TPACK ikke som en parallel kompetence, men som den transmissionsmekanisme, hvorigennem generel AI-kompetence bliver undervisningspraksis. AI-kompetence forudsagde AI-TPACK stærkt, AI-TPACK forudsagde til gengæld naturfagsundervisnings-Self-Efficacy, og undervisnings-self-efficacy var den stærkeste enkeltprædiktor for intentionen om at undervise gennem AI-integreret undersøgelsesbaseret læring.

Hele den serielle kæde (AI-kompetence → AI-TPACK → self-efficacy → intention) var signifikant, ligesom de separate indirekte ruter gennem AI-TPACK og gennem self-efficacy; samlet løb det meste af AI-kompetancens sammenhæng med intention gennem disse mediatorer snarere end direkte, og resultatet holdt efter kontrol for køn, studieår, fag og AI-brugsfrekvens. Modellens praktiske påstand er en sekvens med et indgangspunkt: AI-kompetence er nødvendig, men utilstrækkelig, og integrationsarbejdet sker, hvor teknologisk, pædagogisk og indholdsmæssig viden kombineres — hvilket også er der, lærernes tillid til at undervise i faget opbygges.

  • Validering som en fjerde kompetence. Orhon, Cekerol og Ugur (2026) udvider modellen med AI-valideringsviden — at underkaste probabilistisk AI-output fagspecifik verifikation, før det behandles som evidens for en legitim beslutning — og parrer den med en processorienteret rubric til designuddannelse.

Hvorfor den betyder noget i AI-uddannelse

TPACK er den organiserende ramme for lærersiden af vidensbasens evidensbase. Den forklarer, hvorfor læreres AI-kompetence er mere end værktøjsflydendhed: lærere skal integrere teknologisk, pædagogisk og indholdsmæssig viden sammen for at gøre AI til læringsudbytte. Vidensbasens side om Læreres AI-kompetence dækker kompetencedimensionerne; TPACK er den vidensstruktur, der ligger under dem. Forskning i læreres selvtillid, professionel udvikling og den forandrede lærerrolle opererer alle inden for (eller imod) denne ramme. Rammen udvides nu til at evaluere hele programmer: Wu & Li (2026) bygger et AHP-Fuzzy-AHP-evalueringssystem til AI-certifikatprogrammer på TPACK-dimensioner og finder, at undervisernes professionelle kompetence — ikke den tekniske infrastruktur — er det største gab mellem eksperternes prioritering og det nuværende udbud, hvilket signalerer, at certificering bør investere i lærernes integrerede pædagogiske kapacitet.

Mediationen løber for det meste gennem brugervenlighed. Zhao (2026) testede seks indirekte veje fra AI-kompetence og TPACK til dybdelæring hos 423 lærerstuderende: TPACK gennem opfattet brugervenlighed var størst (0,212) og AI-kompetence gennem anvendelighed mindst (0,033), så integrationsviden virkede gennem brugbarhed snarere end nytte. Komponenterne vejer ikke lige tungt i AI-tilfældet. Blandt 988 lærerstuderende forudsagde TCK (β = 0,67) og TPK (β = 0,41) integreret AI-TPACK, mens TK alene ikke gjorde (β = −0,10, p = 0,066), og integreret TPACK forudsagde holdning til GenAI (β = 0,75) (Khalil m.fl., 2026).

Designimplikationer

  1. Træn skæringspunkterne, ikke bare værktøjer. PD bør bygge teknologisk, pædagogisk og indholdsmæssig viden sammen snarere end at tilbyde isoleret værktøjstræning — det centrale TPACK-designprincip.
  2. Behandl AI som en agent, ikke et apparat. AI-TPACK udvider rammen mod orkestrering af AI-agenter, hvilket kræver systemtænkning og pædagogisk dømmekraft om, hvornår AI bør handle.
  3. Differentier PD efter lærerprofil. Forskellige lærerarketyper (optimerere, skabere, observatører) har gavn af forskellig stilladsering — avancerede rammer, hurtig feedback eller eksplicit modellering.
  4. Vurdér integreret kompetence. TPACK-orienterede udfald (fx AI-PCK-gevinster) bør måles som integreret formåen, ikke som selvrapporteret værktøjskendskab.

Almindelige fejlopfattelser

  • "TPACK's dominans afspejler dens forklaringskraft." Den dominans er delvist en søgningsartefakt: i et PRISMA-scoping review af 195 teknologistøttede læreruddannelsesstudier dominerer digital kompetence, TPACK og DigComp den indekserede litteratur. Forekomst i en søgning er en egenskab ved det ordforråd, feltet bruger, ikke bevis for, at rammen forklarer mere.
  • "En velkendt ramme er en valideret ramme for AI." TPACK blev ikke designet til AI-specifikke kapaciteter, hvilket er grunden til, at Intelligent-TPACK blev udviklet — og det optræder i blot fem studier i reviewet med 78 studier. At bruge TPACK til GenAI-kompetence strækker den ud over dens konstruktion.
  • "At anvende en ramme betyder, at forskningen er teoretiseret." Det samme review fandt, at 76 % af studierne udledte kompetencer af praksis uden nogen teoretisk kortlægning, så TPACK's tilstedeværelse i feltet eksisterer side om side med, at det meste forskning er uteoretiseret. En navngivet ramme er ikke det samme som en ramme, der gør arbejde.

Forbundne begreber

Forbundne artikler

Relaterede FAQ'er

Metadata

Tiltænkt målgruppeFaculty Developers, Instructors
Teknologier og teknikkerGenerative AI
Grundlag for AI i uddannelseAI-kompetence, Læseplansdesign, Uddannelsesudvikling, Læringsdesign, Undervisning, Teknologisk pædagogisk indholdsviden (TPACK), 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.