Hvilke kompetencer har undervisere brug for i forhold til AI?

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

Udvalget for underviserudvikling har en enkelt plads i januar, og prorektoren vil have, at den handler om AI. Eller du står for universitetets pædagogiske center, og tre institutter har bedt om »en AI-workshop«, som viser sig at betyde tre forskellige ting. Eller du har brugt værktøjerne i et år og vil vide, hvad du stadig mangler, før du bygger et kursus omkring dem.

Bundlinjen: promptteknik er den mindste del af det her. Undervisere skal kunne vurdere, hvad en model kan og ikke kan, designe opgaver og evalueringer ud fra den vurdering og vide, hvornår den slet ikke hører hjemme på et kursus. Selvtillid er en dårlig indikator for noget af det, så byg programmet omkring præstation og omkring fagligheder frem for omkring en værktøjsdemonstration.

Den korte version

1. Definer kompetencen i fire dimensioner, og tilføj et undervisningslag for alle, der vurderer studerende.

2. Vurder med præstation frem for med et spørgeskema. Selvvurderet AI-kompetence og demonstreret formåen falder ikke sammen.

3. Få faglighederne ind i rummet. Fagekspertise overføres ikke automatisk til teknologisk integration.

4. Undervis eksplicit i de teknologiske domæner, for det er dem, der måler lavt, også hos undervisere med høj selvtillid.

5. Behandl »hvornår skal det her ikke bruges« som en kompetence, og giv underviserne rygrad til at sige nej.

Definer kompetencen, før du booker lokalet

Vidensbasens syntese om AI-kompetence peger på fire dimensioner, og de er en brugbar dagsorden, fordi hver af dem kræver en anden slags session:

• Grundlæggende forståelse af AI's muligheder og begrænsninger.
• Praktisk formåen i at bruge AI-værktøjer.
• Kritisk vurdering af nøjagtighed, bias, hensigtsmæssighed og usikkerhed.
• Etisk og institutionel bevidsthed om forhold som integritet, privatliv, ligestilling og institutionel styring.

For undervisere skal de dimensioner have et pædagogisk lag ovenpå. Undervisere skal kunne afgøre, hvilket kognitivt arbejde de studerende skal beholde, vælge AI-anvendelser der tjener læringsmålene, designe gyldig evaluering i AI-tiden, lære studerende at verificere og regulere deres egen brug, genkende hallucination, overafhængighed og sycophancy og vide, hvornår menneskelig vurdering bør tilsidesætte automatisering.

De har også brug for nok systemforståelse til at vurdere, hvordan arbejdsgange understøttet af generativ AI passer sammen. En workshop, der underviser i ét værktøj isoleret, producerer undervisere, der kan demonstrere værktøjet og ikke kan sige, hvad der bryder sammen, når det kobles til en bedømmelsesproces. Læreres AI-kompetence og Underviserudvikling rummer den længere version af det argument.

Skriv listen ned, før du planlægger sessionerne. Fire dimensioner plus et undervisningslag er nok til at begrunde fire sessioner i stedet for én, og nok til at fortælle en institutleder, hvilken af de fire deres ønske egentlig handler om.

Vurder præstation frem for selvtillid

Selvrapporteret AI-kompetence kan afvige betydeligt fra demonstreret formåen, og det er den mest praktiske advarsel i denne litteratur for alle, der driver underviserudvikling. En selvtillidsmåling ved slutningen af en workshop måler, hvordan workshoppen føltes.

Forskningen i læreres multiagent-arbejdsgange giver en anden grund til at teste frem for at spørge: systemtænkning, pædagogiske overbevisninger og Self-Efficacy spiller sammen i AI-integration, så den samme session lander forskelligt hos to undervisere med samme faglige baggrund. Det taler for differentierede programmer og imod den standardworkshop, som de fleste institutioner kører.

Den billige version af præstationsvurdering er en opgave, ikke et instrument. Bed hver deltager medbringe en opgave, revidere den med modellen i løbet af sessionen og derefter forsvare revisionen over for en kollega: hvad ændrede sig, hvad vurderer opgaven nu, hvad kan den studerende ikke længere bedømmes på. Det tager tyve minutter og fortæller dig mere end nogen vurderingsskala ved dagens slutning.

Forvent, at det svage punkt er integrationen

Ny forskning i videregående uddannelse sætter tal på, hvor underviseres kompetence er stærk, og hvor den bryder sammen. En undersøgelse af 127 undervisere på et stort amerikansk forskningsuniversitet, der brugte Technological Pedagogical Content Knowledge (TPACK)-21-instrumentet, fandt selvoplevet pædagogisk indholdsviden høj (M = 4,70) og indholdsviden tæt på loftet (M = 5,15). De teknologisk integrerede domæner lå markant lavere: teknologisk pædagogisk viden (M = 2,62), teknologisk indholdsviden (M = 2,75) og holistisk TPACK (M = 2,55, det laveste af syv).

Læs gabet rigtigt. Det er mennesker, der kender deres fag og ved, hvordan man underviser i det, og som ikke ved, hvordan man gør en model til en del af hverken det ene eller det andet. Indholdsekspertise forudsagde ikke viden om GenAI-integration (CK-korrelationer r = 0,11 til 0,15, alle ikke-signifikante), så et program kan ikke gå ud fra, at faglig mestring overføres. Det må opbygge kompetence gennem målrettet, fagspecifikt arbejde.

Endnu et fund former designet. De tre teknologisk integrerede domæner korrelerede r = 0,81 til 0,91, hvilket tyder på, at de kan fungere som én samlet GenAI-integrationskapacitet. Hvis det holder, skal den undervises som et fælles fundament frem for som tre separate færdigheder med tre separate sessioner.

Design sessioner omkring et rigtigt kursus

Hvad træning kan og ikke kan, viser sig tydeligt i et inden-for-person-studie med 13 undervisere fra videregående uddannelse. At give underviserne en chatbot forbedrede signifikant kvaliteten af deres undervisningsdesign, hvor andelen, der nåede to eller flere Bloom-opgaver på højere niveau, steg fra 41,7 % til 91,7 % (p = 0,01). Den oplevede kognitive indsats faldt markant, median 6,33 til 3,33 (p = 0,004). Den pædagogiske prompttræning ovenpå forbedrede ikke kvaliteten yderligere og hævede indsatsen en smule.

Tre ting følger, og den tredje er den, programmerne springer over.

Adgang ændrer undervisningsadfærd let. Giv underviserne en kapabel model og en rigtig opgave, og arbejdet foran dem bliver bedre inden for én session.

Dybere formåen kræver mere end en workshop. Promptlaget tilførte indsats og ingen målt kvalitet. At lære folk at skrive bedre prompts er en færdighed, og på dette grundlag er den ikke begrænsningen for bedre design.

Kvalitetsgevinster beviser ikke, at praksissen er internaliseret. Tretten undervisere redesignede én opgave godt med værktøjet åbent. Om de kunne gøre det et semester senere, uden værktøjet, er et andet spørgsmål, som undersøgelsen ikke besvarer. Byg en opfølgning ind i programmet frem for at gå ud fra, at gevinsten holdt.

Dæk de dele af rollen, der ligger ud over undervisning

Kompetence er også et institutionelt spørgsmål, og de fleste rammeværker besvarer kun en del af det. Designbaseret forskning med 114 deltagere på tværs af 28 amerikanske institutioner og 11 lande resulterede i seks teknologistandarder for undervisere, der spænder over hele den akademiske rolle: underviser, koordinator, leder, forsker, lærende og bidragyder. Forfatternes begrundelse for at bygge dem er det brugbare. Eksisterende rammeværker (Technological Pedagogical Content Knowledge (TPACK), SAMR) og underviserstandarder (ISTE, UNESCO, DigCompEdu) henvender sig til K-12-lærere eller dækker kun undervisningsdimensionen.

For en underviserudvikler omformulerer det ønsket. Et institut, der beder om en AI-workshop til sine undervisere, spørger om én af seks roller. Det samme instituts koordinatorer træffer beslutninger på programniveau, dets forskere skriver med værktøjerne, og dets ledere godkender indkøb. Én session kan ikke tjene dem alle, og ved at lade som andet ender et program med høj deltagelse og ingen ændring i praksis.

Giv plads til at sige nej

Ibrugtagning modstår en rent teknisk ramme, og modstanden er ofte en vurdering frem for et hul. En undersøgelse af 287 undervisere i 27 lande fandt en forfinet model, der forklarede 79,8 % af variansen i adfærdsmæssig intention. Oplevet kunstig autonomi påvirkede intentionen kun indirekte, gennem nytteværdi. Risikoaversion var en signifikant negativ prædiktor (−0,163), og underviserne var langt mere bekymrede for studerendes overafhængighed og integritetsrisici end for deres egen brug.

Interview med to erfarne akademikere beskriver, hvordan den bekymring føles indefra: tilbagevendende identitetsspændinger mellem pædagogik og platform, mellem underviser og facilitator, mellem omsorg og compliance, navigeret gennem principiel selektivitet forankret i pædagogiske værdier.

Så kompetence omfatter professionel dømmekraft om, hvornår AI ikke skal bruges, og et program, der ikke kan sige det højt, vil lyde som et salgsoplæg for præcis de undervisere, hvis dømmekraft du helst vil have i rummet. To erfarne akademikere er et lille evidensgrundlag for en stor påstand; behandl identitetsfundet som en beskrivelse af en reel spænding frem for som en målt effekt, og lad det forme tonen i sessionerne.

Hvad underviserudviklere tager fejl af

En promptworkshop er et AI-kompetenceprogram. Den dækker én af fire dimensioner, og i studiet med 13 undervisere tilførte promptlaget indsats uden at tilføje målt kvalitet.

Undervisere med selvtillid er kompetente undervisere. Selvrapportering afviger fra demonstreret formåen, og undersøgelsen med 127 undervisere fandt indholdsviden tæt på loftet ved siden af holistisk TPACK på 2,55. Selvtillid følger fagekspertise, og det er netop det, disse undervisere allerede har.

Indholdseksperter finder selv ud af integrationen. Indholdsviden forudsagde ikke integrationsviden i den undersøgelse. Korrelationen var ikke-signifikant, og det er fundet, der begrunder fagspecifikke programmer frem for en generel invitation.

Ét rammeværk dækker alle. Standarden med seks roller findes, fordi TPACK, SAMR og de store underviserstandarder dækker K-12-lærere eller kun undervisningsdimensionen.

Modstand er et videnshul, der skal fyldes. Risikoaversion forudsagde intentionen negativt, og identitetsarbejdet beskriver undervisere, der ræsonnerer ud fra pædagogiske værdier. Noget af det, der ligner modvilje, er en forsvarlig holdning til studerendes overafhængighed.

Hvad du vil få tilbage

»Vi har ikke personaletid til præstationsbaseret udvikling.« Så byg ikke et program. Byg én øvelse på opgaveniveau: medbring en opgave, revidér den med modellen, forsvare revisionen. Det er tyveminuttersversionen, og den producerer evidens for formåen, som et tilfredshedsspørgeskema ikke gør.

»Vores undervisere bruger allerede værktøjerne, så træningen kommer bagefter dem.« Brug er ikke konstruktet. Undersøgelsen med 127 undervisere beskriver mennesker med høj indholds- og pædagogisk viden og lav teknologisk integreret viden, og studiet med 13 undervisere viser, at designkvaliteten flyttede sig med adgangen, mens promptlaget ikke tilførte noget. Ingen af resultaterne siger, at underviserne foran dig har integreret noget.

»Det her er et IT-træningsproblem.« Intentionmodellen sætter nytteværdi, ikke teknisk formåen, på vejen til ibrugtagning, og risikoaversion løber ved siden af. Forhindringen er vurdering af studerende og af faget, og derfor hører sessionerne til i det pædagogiske center.

»Kompetencerammeværker er bureaukratisk overhead.« De er et kort over én plads i januar. De fire dimensioner fortæller dig, hvad du skal udelade, og de seks roller fortæller dig, hvilket publikum et ønske egentlig er til.

Hvad du kan gøre i denne uge

1. Skriv de fire dimensioner og undervisningslaget på én side, og markér, hvilke af dem dit nuværende tilbud dækker.

2. Erstat tilfredshedsskemaet ved sessionens slutning med én opgave: en opgave, der revideres og forsvares.

3. Bed to institutter om et rigtigt kursus og en rigtig opgave at arbejde med frem for at sende en generel invitation.

4. Tilføj et afsnit om, hvornår AI holdes ude af en opgave, og sig klart, at det er en legitim professionel vurdering at afvise en bestemt anvendelse.

5. Beslut, hvilken af de seks roller din næste session tjener, og navngiv publikummet i invitationen.

Hvor du kan gå videre

Modstykket på studentsiden er Hvordan bør jeg integrere AI-kompetence i mit kursus?, og Hvilken evidens findes der for AI-kompetenceindsatser i videregående uddannelse? dækker, hvor stærkt grundlaget for den kompetence er. For den underviserrettede opsummering af forskningen, se Hvilke ti hovedfund fra forskningen i AI i uddannelse bør undervisere kende til?; Læreres AI-kompetence og Underviserudvikling bærer rammematerialet, og Hvordan skriver jeg en AI-politik for et kursus og kommunikerer den til studerende? er det dokument, som det meste af dette udviklingsarbejde ender med at producere.