Hvordan designer jeg kompetenceudvikling i AI for undervisere, der faktisk ændrer praksis?

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

Det er februar. Din prorektor har annonceret en AI-satsning med en budgetpost, og du har et semester til at få den til at vise sig i undervisningslokalerne. Eller du afholdt seks workshops i efteråret, lokalerne var fulde, og den undervisning, du sidder med i, har ikke ændret sig. Eller en dekan stiller det ligefremme spørgsmål ved budgettiden: hvad har pengene købt?

Alle tre kommer fra samme designfejl. En workshop viser folk, hvad et værktøj gør. Praksis ændrer sig, når en underviser bruger understøttet, struktureret tid på et problem i sit eget kursus, længe nok til at en ny vane fortrænger en gammel, og når institutionen siger ja til eksperimentet i stedet for blot at tolerere det.

Bundlinjen til mødet: standardisér en sessioncyklus, hvor hver deltager medbringer et rigtigt artefakt fra sit kursus og går derfra med et revideret, læg verifikation, åbenhed og risikostyring ind i arbejdsdokumentet i stedet for i en afsluttende etikprædiken, stræk programmet ud over en enkelt dag og par det med mentorordning, kør fagspecifikke kohorter, og rapportér de artefakter, folk producerede, ved en opfølgning i stedet for hvor sikre de følte sig den sidste eftermiddag.

Den korte version

1. Forankr hver session i et artefakt fra deltagerens eget kursus, og afslut sessionen med at artefaktet er revideret.

2. Læg verifikation, åbenhed og risikostyring i arbejdsskabelonen, hvor de bliver brugt, så en nervøs deltager har et sted at lægge bekymringen.

3. Brug timerne på bedømmelse og rubrikker, det svageste område ved baseline og det med den største målte gevinst.

4. Kør fagspecifikke kohorter, og differentiér derefter indeni dem efter erfaring.

5. Sikr betingelserne: udtrykkelig tilladelse til at eksperimentere, beskyttet tid, materialer på de sprog, dine undervisere arbejder på.

6. Evaluer reviderede artefakter med en forsinkelse, plus én relationel indikator, og behandl tilfredshedsscorer som støj.

Kør hver session på deltagerens eget kursus

Den reneste sammenligning her er Bi m.fl. (2026), som spurgte 568 undervisere på fem universiteter og kørte et kvasi-eksperiment med 160 af dem. Begge arme fik fire workshops af 90 minutter over på hinanden følgende uger, med identisk kontakttid, platform og facilitatorstøtte. Indholdet var forskelligt. Den ene arm fik konventionel GenAI-kompetenceudvikling, den anden en struktureret cyklus af promptformulering, gennemgang af output, revision af kursusmateriale og skriftlig refleksion mod en skabelon med syv komponenter, der dækkede mål, opgavebegrænsninger, bedømmelseskriterier, verifikation, åbenhed og risikostyring.

Den strukturerede arm scorede højere på alle syv parathedsdimensioner. Dens største forspring lå i promptdesign, på omkring to standardafvigelser, og det var den eneste arm, hvis gevinst i promptdesign overlevede den forsinkede test; den konventionelle arms mindre gevinst var faldet tilbage under baseline ved opfølgningen.

Yderligere to resultater forklarer, hvorfor demonstrationer ikke flytter med. I et within-subjects-studie med 13 undervisere fra videregående uddannelse hævede chatbotadgang andelen af aktiviteter, der nåede to eller flere højereordens Bloom-opgaver, fra 41,7 % til 91,7 % (p = 0,01) og sænkede den oplevede kognitive anstrengelse fra en median på 6,33 til 3,33 (p = 0,004). Den pædagogiske prompttræning, der blev lagt ovenpå, forbedrede ikke designkvaliteten yderligere, og den hævede anstrengelsen en smule. Samtidig var det i en workshop med 60 naturfagslærere fra mellemtrinnet den kollaborative gennemgang af ChatGPT-genererede bedømmelsesspørgsmål, der var det produktive element, og det var den, der bragte problemer med begrebsmæssig præcision og risikoen for at forstærke misforståelser op til overfladen.

Det, studierne har til fælles: læringen kom fra at kritisere og revidere materiale. Folk forbedrer den ting, der ligger foran dem, og de forbedrer den hurtigere, når en kollega også læser den.

Hold op med at behandle færdighed som den manglende brik

Den fristende diagnose er et kompetencegab, der lukkes med bedre instruktion. Bai og Hsieh (2026) spurgte 898 universitetsundervisere på AI-TPACK-skalaer og fandt, at undervisere, der forstod, hvordan generative værktøjer virker, eller kunne betjene dem kompetent, ikke var mere tilbøjelige til at rapportere, at de opfandt og implementerede nye undervisningspraksisser, end dem, der ikke kunne. Det integrerede AI-TPACK-konstrukt havde slet ingen direkte vej til innovativ adfærd. Dets indflydelse gik udelukkende gennem AI-kompetence, undervisningsrelateret tro på egen formåen og professionel identitet.

Det ændrer, hvad en session er til. En gennemgang af et værktøj rammer ingen af de tre. En session, hvor en underviser omskriver sin egen opgave, forsvarer ændringen og hører en kollega erklære sig enig i, at den er bedre, rammer alle tre på én gang, og det er grunden til, at artefaktcyklussen slår demoen, selv når indholdet er tyndere.

Designimplikationen er ubekvem for enhver med et slide deck: du kan ikke foredrage en underviser til at se sig selv som den slags underviser, der arbejder på denne måde. Du kan sætte vedkommende i en situation, hvor den handler sådan én gang, med støtte, og lade beviserne hobe sig op.

Læg de svære dele i den skabelon, de bruger

Dogans (2026) i-TPACK-ramme kommer fra et PRISMA-review af AI-kompetenceudvikling plus en søgning, der dukkede 17 yderligere studier op. Den bringer fem vidensdomæner (intelligent teknologisk viden, teknologisk indholdsviden, teknologisk pædagogisk viden, integreret i-TPACK og AI-etik) i overensstemmelse med fire evidensbaserede veje: aktiv læring, modeller og eksempler, coaching og ekspertstøtte samt tilbagemelding og refleksion, styret af fem principper, der løber fra kollektiv synergi frem for siloer til fleksibilitet inden for struktur.

Rammens skarpeste kritik af feltet er, at etik behandles overfladisk eller helt mangler i mange eksisterende programmer, og rettelsen er placeringen. Verifikation, åbenhed og risikostyring hører hjemme i det dokument, deltagerne bruger hele ugen, ikke i de sidste 20 minutter af den sidste session. En skabelon med en risikostyringskolonne bliver udfyldt; et afsluttende afsnit om ansvarlig brug bliver nikket til.

Rammens grænse er, at den er konceptuel og uden udfaldsdata på programniveau. Brug den som en designcheckliste snarere end som bevis for, at designet virker. Udfaldsbeviserne findes i studierne ovenfor og nedenfor.

Brug timerne på bedømmelse

Hvis dit program har plads til ét dybt emne, vælg bedømmelse. I Talebzadehs (2026) otte timers program, fire sessioner af to timer med 163 undervisere og underviserstuderende, steg samlet AI-PCK fra 151,65 til 220,14 (d = 2,36, p < 0,001). Den største komponenteffekt var bedømmelsesrubrikker (d = 2,19), som også var det svageste område ved prætest. Gevinsten var snævrere i undervisningsmetode end i bedømmelse.

Rubrikker er også der, hvor uroen i lokalet kan sættes i arbejde. En deltager, der er urolig over, at studerende læner sig op ad en model, kan skrive en rubriklinje, der gør ræsonnementet synligt, hvilket omdanner en bekymring til en designbeslutning med en dato på.

Budgetter ud over den enkelte dag. I samme program opnåede underviserstuderende signifikant større gevinst end erfarne undervisere (p = 0,033), mest i scenariebaseret opgavedesign og rubrikdesign. De erfarne undervisere sagde, at otte timer var for kort til at flytte dybtliggende vaner, og bad om langsigtet, mentorbaseret støtte.

Byg kohorter, og differentiér så indeni dem

Kør én universel workshop, og du kommer til at bruge det meste af den på at betjene middeldeltageren, som ikke findes. Sutedjo, Chowdhury og Liu (2026) fandt blandt 127 respondenter, at den selvoplevede pædagogiske indholdsviden var høj (M = 4,70) og indholdsviden nær loftet (M = 5,15), mens teknologisk pædagogisk viden (M = 2,62), teknologisk indholdsviden (M = 2,75) og holistisk TPACK (M = 2,55) var markant lavere. Indholdsviden viste ingen signifikant korrelation med noget teknologisk integreret domæne (r = 0,11-0,15), så faglig ekspertise overføres ikke.

De tre lave domæner korrelerede r = 0,81-0,91 med hinanden, hvilket plausibelt betyder én kapacitet til at undervise med disse værktøjer snarere end tre adskilte færdigheder. Underviser du det som et fælles fundament, sparer du to sessioner.

Del derefter efter erfaring. Bai og Hsieh fandt, at professionel identitet forudsagde innovativ adfærd næsten dobbelt så stærkt blandt sjældne AI-brugere som blandt daglige brugere, et grænseresultat, men en nyttig pejling: identitetsarbejde betaler sig mest over for folk, der næsten ikke rører værktøjerne, mens hyppige brugere får mere ud af tværfaglige projekter end af grundlæggende vejledning. Laidlaw (2026) argumenterer for fagspecifikke kohorter som rammen om netop den samtale, med den begrundelse at en fysiker og en historiker ikke løser det samme problem.

Åbn med det spørgsmål, skeptikerne stiller

Laidlaws (2026) autoetnografiske beretning gør gældende, at modstand ikke er et færdighedsunderskud. Undervisere, der spørger, hvad meningen med undervisning er i en GenAI-verden, spørger ikke, hvordan man bruger et værktøj sikkert; spørgsmålet er ontologisk. Hun læser GenAI som et tærskelbegreb (transformativt, besværligt, irreversibelt, integrerende, afgrænset) og konkluderer, at angst, modstand og forvirring er nødvendige dele af at krydse tærsklen snarere end fejl, der skal rettes. Hendes anbefalinger vender standardworkshoppen på hovedet: åbn med identitetsspørgsmål i stedet for demonstrationer, kør fagspecifikke kohorter, tillad forskellige tidslinjer, og behandl principiel ikke-adoption forankret i faglige værdier som legitim. Hun advarer også om, at kommunikation af regler kan glide over i en »håndhævelsesillusion«, der erstatter støtte med compliance-budskaber.

Skylden er målbar, og den er ikke jævnt fordelt. Vassallo (2026) spurgte 109 akademikere og identificerede et »AI-skyldkompleks«: 35 % var bekymrede for, at AI-brug underminerer deres troværdighed, og 26 % rapporterede at føle, at de »snyder«, med forventet skyld om troværdighed, der overstiger anger efter brug, så lidelsen er socioprofessionel snarere end privat. Fire profiler trådte frem: komfortable adoptanter (27 %), skyldbetyngede ikke-brugere (29 %), forsigtige brugere (28 %) og moralsk lidende undvigere (16 %). Et program er ved at løse fire forskellige problemer, og de 29 %, der føler skyld, mens de ikke bruger værktøjerne, har brug for noget andet end en demonstration.

Opgavens størrelse er synlig i AAC&U/Elon-undersøgelsen af 1.057 undervisere (Watson og Rainie, 2026): 68 % sagde, at deres institutioner ikke har forberedt underviserne på at bruge generativ AI til undervisning og mentorordning, med en tilsvarende andel for forskning. 26 % af respondenterne bruger slet ikke værktøjerne, herunder 40 % af underviserne i kunst og humaniora, og 82 % peger på kollegers modstand som en barriere for institutternes adoption.

Ret på de betingelser, som pensum ikke kan rette

Det er fundet, du skal tage med til et ledelsesmøde. I undersøgelsen med 568 undervisere bag sammenligningen ovenfor rapporterede kasakhiske undervisere højere baseline-parathed end deres kinesiske modstykker på alle syv dimensioner, med de største gab i faglig overførsel, promptdesign og grundlæggende forståelse. I hierarkisk regression faldt Kazakhstan-koefficienten, der var klart signifikant i sig selv, til ikke-signifikans, da tidligere GenAI-brug, nylig AI-træning, institutionel støtte, oplevet tilladelse, adgang til flersprogede ressourcer, politisk klarhed og risikofølsomhed blev indført. Det er en reduktion på omkring fire femtedele. Institutionel støtte og oplevet tilladelse bar den mest positive vægt, og risikofølsomhed var den eneste prædiktor, der virkede imod parathed. Mere end dobbelt så mange kasakhiske som kinesiske undervisere rapporterede AI-relateret træning i de foregående seks måneder.

Så de håndtag, en programleder har, er lokale og nære: hands-on-praksis, udtrykkelig tilladelse til at eksperimentere, materialer på de sprog, underviserne faktisk arbejder på, synlig opbakning fra enheden. Nationale politiske rammer bærer ikke paratheden alene. Hvor risikofølsomhed bider, er svaret at give den et sted at blive udøvet i stedet for at tale forsigtigheden ned, og rubrikdesign og verifikationsrutiner er det sted.

To praktiske friktioner hører til i samme samtale. Intention om fortsat brug var den højest vurderede tilfredshedsdimension hos Bi m.fl. (2026), mens værktøjernes brugervenlighed var den laveste, så noget af det, der læses som modvilje, er platformsfriktion. Og Aponte m.fl. (2026) placerer den hårde grænse: AI kan ikke kompensere for kronisk overbelastning, straffende ansvarlighedskulturer, svag ledelse eller fraværet af beskyttet tid. De argumenterer for, at den kun bidrager til underviseres socioemotionelle udvikling som relationel infrastruktur (beskyttet tid til mentorordning, kollegial dialog, praksisfællesskaber) og foreslår relationel fortætning som standard, hvor man tæller tillid, kontinuitet i støtten og co-regulering i stedet for kontakttimer. To påstande oversættes til programdesign: frigjort tid bliver reabsorberet som ekstra krav, medmindre institutionen formelt kræver, at den geninvesteres, og samtalende agenter kan stille og roligt erstatte de svære menneskelige forhandlinger, der skaber vækst. Deres ramme er en heuristik, ikke en testet kausal påstand.

Er de betingelser dine, vil en bedre workshop ikke rette dem, og at sige det er mere nyttigt end at love det modsatte.

Rapportér artefakter med en forsinkelse

Den institutionelle ramme, det er værd at tilpasse sig, er Crompton, Burke og Nickel (2026), hvis designbaserede forskning over to makrocyklusser og 114 deltagere (undervisere fra 28 amerikanske institutioner og 11 lande samt ledere af undervisningscentre og akkrediteringskoordinatorer) producerede seks standarder, der spænder over hele den akademiske rolle: underviser, koordinator, leder, forsker, lærende og bidragyder. Eksisterende rammer og underviserstandarder retter sig mod grundskole og ungdomsuddannelse eller dækker kun undervisning, så et center, der mapper sit tilbud over på disse, kan mappes over på medarbejdersamtaler og akkreditering, hvilket også er det argument, der overlever en budgetgennemgang.

Vær derefter omhyggelig med evalueringen, fordi størstedelen af denne litteratur måler selvrapporterede indtryk. Bi m.fl. målte selvrapporteret parathed snarere end udøvet undervisning, og deres grupper dannede sig ved frivillig tilmelding snarere end randomisering, så resultaterne er associationer. Bai og Hsieh er tværsnitsbaseret, selvselekteret, trukket fra otte universiteter i ét land og målte hvert konstrukt fra de samme respondenter på ét tidspunkt. Sutedjo og kolleger kan ikke fastslå kausalitetens retning, hvilket betyder noget, fordi deres stærkeste påstand, at teknologisk viden virker som en gateway, netop er det, et tværsnitsdesign ikke kan afgøre. Talebzadeh rapporterer meget store effekter uden randomisering, opfølgning eller opdeling på fagniveau, så d = 2,36 læses som kortsigtet. Laidlaw er autoetnografisk, og Aponte m.fl. angiver, at deres ramme er konceptuel.

En forsvarlig evaluering måler derfor det kursusmateriale, en deltager reviderede, de rubrikker, der blev skrevet, de opgaver, der blev designet. Den tester med en forsinkelse, fordi gabet hos Bi m.fl. først viste sig ved opfølgningen, hvor den konventionelle gruppe var faldet tilbage og den strukturerede gruppe ikke var. Den behandler tilfredshed og selvtillid som svage signaler, da Pishtari og kolleger (2026) bemærker, at kvalitetsgevinster alene ikke beviser internalisering: stigende designkvalitet kan lige så vel afspejle, at man uddelegerer rutinearbejde eller accepterer AI-genereret struktur. Og den tilføjer mindst én relationel indikator, i tråd med Aponte m.fl., fordi at forbedre artefakter, mens man isolerer deltagerne, ikke er det, programmet lovede.

Hvad programledere tager fejl af

En bedre demo er en bedre workshop. Kontakttiden blev holdt konstant på fire sessioner af 90 minutter i Bi m.fl.s sammenligning, og den arm, der reviderede artefakter, slog den arm, der lærte om værktøjer, på hver parathedsdimension, og kun én af de to gevinster var stadig synlig ved opfølgningen.

Selvtillid er det udfald, der betyder noget. Det er det letteste at flytte og det mindst prædiktive. I studiet med 13 undervisere faldt den oplevede anstrengelse, mens promptlaget ikke tilførte målbar designkvalitet, og vurderinger ved dagens slutning ville have registreret begge som succes.

Etik er et afsluttende afsnit. Dogans review fandt etik behandlet overfladisk eller fraværende i mange tilbud, og forskellen mellem en skabelonkolonne og et sidste slide er, om nogen bruger den i uge tre.

Et program kan betjene hele fakultetet. Undersøgelsen med 127 undervisere beskriver indholdsviden nær loftet side om side med holistisk TPACK på 2,55, og Vassallos fire profiler omfatter 29 %, der føler skyld, mens de ikke bruger værktøjerne. En enkelt session behandler fire målgrupper som én.

Skeptikerne er forhindringen, der skal håndteres. Laidlaws beretning placerer modstanden på identitetsniveau, og Bai og Hsieh fandt identitet forudsige innovation næsten dobbelt så stærkt blandt sjældne brugere. De mennesker, du mest vil have i lokalet, er dem, en demonstration bekræfter i deres mistanke.

Et institutionelt påbud vil bære programmet. Kazakhstan-koefficienten kollapsede med omkring fire femtedele, da institutionel støtte og oplevet tilladelse kom ind i modellen, og de to bar den mest positive vægt. Et påbud er ikke samme signal som tilladelse.

Hvad du vil få tilbage

»Vi har ikke timerne.« Så brug dem anderledes i stedet for at lægge dem til. Seks timer arrangeret som en artefaktcyklus slog seks timers demonstrationer på identisk kontakttid, og et kortere format brugt på bedømmelsesrubrikker rammer det svageste område i Talebzadehs prætestdata.

»Vores undervisere kommer ikke, eller skeptikerne afsporer det.« At rekruttere skeptikerne til en demonstration bekræfter den mistanke, der sendte dem derhen. Åbn med identitetsspørgsmål, kør fagspecifikke kohorter, tillad forskellige tidslinjer, og sig højt, at principiel ikke-adoption er en legitim position. Det er Laidlaws anbefaling, og den tager compliance-argumentet af bordet. Forvent at identitetsarbejde betyder mest ved sjældne brugere, jf. Bai og Hsieh.

»Vi kan ikke få folk til at handle på det.« Det kan du for det meste ikke, og du kan ændre, hvad institutionen signalerer. Oplevet tilladelse og institutionel støtte bar den mest positive vægt, efter at den nationale baggrundseffekt kollapsede, så de nyttige træk er de billige: sig, at eksperimentering er sanktioneret, beskyt tiden formelt, så den ikke reabsorberes, lever materialer på undervisernes arbejdssprog, og fjern platformsfriktion, som var den lavest vurderede dimension i samme undersøgelse.

»Vores evalueringsskema ved afslutning er stærkt.« Tilfredshed er den måling, der lettest stiger, mens intet andet gør. Bed i stedet om artefakterne fra sidste kohorte og kontakt de deltagere igen et semester senere; gabet hos Bi m.fl. fandtes kun ved opfølgningen.

Hvad du kan gøre i denne uge

1. Omskriv invitationen, så deltagelse kræver, at man medbringer ét kursusartefakt: et mål, en rubrik eller en bedømmelsesopgave.

2. Omskriv dagsordenen, så den første session begynder på det artefakt, og tilføj verifikation, åbenhed og risikostyring som kolonner i den skabelon, deltagerne bærer med sig hele ugen.

3. Flyt én session til rubrik- og bedømmelsesdesign, og lad deltagerne gå derfra med rubrikken skrevet.

4. Få én sætning på skrift fra dekanen eller prorektoren om, at eksperimentering er sanktioneret, og beskyt derefter timerne formelt, så de ikke reabsorberes.

5. Indstil evalueringen til at indsamle reviderede artefakter og til at kontakte deltagerne igen et semester senere, med ét spørgsmål om, hvem de nu arbejder sammen med.

Hvor du kan gå videre

Kompetencemål for undervisere dækker selve kompetencemålet, og Underviseres AI-kompetence og Kompetenceudvikling af undervisere bærer rammematerialet bag det. For at strukturere AI ind i et kursus snarere end ind i en workshop, se at designe AI ind i læring; for det bredere institutionelle billede, de ti vigtigste fund om AI i uddannelse og institutionel AI-politik.