Hvordan bør jeg integrere AI-kompetence i mit kursus?

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

Dit uddannelseseftersyn siger, at kandidaterne har brug for AI-kompetence, og ingen har fortalt dig, hvad det betyder for det semester, du faktisk underviser i. Eller det kursus, du har overtaget, har en session med overskriften »AI-værktøjer«, som ingen kan forsvare, og du skal beslutte, om du beholder den. Eller du har set en studerende indsætte en prompt, acceptere det første svar og aflevere, og du vil have den næste opgave til at afbryde det.

Bundlinjen: føj et trin til arbejde, du allerede bedømmer, hvor de studerende først forpligter sig på deres eget svar, sammenligner det med værktøjets og forsvarer det, de beholdt. Kompetence, der holder, er faglig, gentaget og bedømt som dømmekraft snarere end gengivet som en definition.

Den korte version

1. Knyt arbejdet til en opgave, du allerede bedømmer. Et fritstående modul i uge to er den svageste version af dette.

2. Lad de studerende producere et svar, før værktøjet producerer et, og gør sammenligningen til opgaven.

3. Bedøm evalueringen og reparationen af AI-output, ikke genereringen af det. Den kompetence overføres ikke af sig selv.

4. Navngiv de fejl, AI laver i dit fag, på dit fags sprog, og gentag øvelsen mere end én gang.

5. Bedøm dømmekraft med en case, ikke selvtillid med en spørgeskemaundersøgelse.

Tilføj ikke en lektion, tilføj et trin til arbejde, du allerede bedømmer

Det institutionelle standardtræk er et fritstående modul, normalt tidligt i semesteret, om hvordan store sprogmodeller virker, og hvordan man skriver prompter. Syntesen om AI-kompetence argumenterer for en anden ordning: studerende udvikler mere brugbar kompetence, når de bruger, stiller spørgsmål til, verificerer, kritiserer og beslutter om AI inde i autentiske kursusopgaver, gentagne gange. Bevægelsen mod kritisk evaluering er tydeligst, hvor disse erfaringer er vedvarende og indlejrede snarere end leveret én gang (Et praktisk femtrins-kontinuum for AI-kompetence i videregående uddannelse).

Den kvantitative evidens peger samme vej. En metaanalyse af 59 AI-kompetenceinterventioner fandt de største effekter for integrerede og reflekterende pædagogikker. Den advarer også om, at vidensfokuserede interventioner viser større målte effekter end dem, der retter sig mod færdigheder, holdninger eller etik. Hav det i mente, når du vælger, hvad du vil måle.

Den anden grund til at bygge på eksisterende arbejde er arbejdsbyrden. En syntese fra 2026 af 72 empiriske studier af generativ AI i datalogiuddannelse finder, at det stærkeste og mest replikerede resultat i korpus er, at AI pålideligt hæver den kortsigtede fuldførelse og reducerer tiden på opgaven, på tværs af 36 studier. De gevinster »overføres ikke til selvstændig præstation«, ifølge 21 studier. Studerende fuldfører mere med mindre forståelse, medmindre kritisk engagement i output er strukturelt krævet (Generativ AI i datalogiuddannelse: en systematisk gennemgang og en ramme for ansvarlig integration).

Udbyttet afhænger også af forhåndsviden. Velforberedte studerende omsætter AI-hjælp til holdbar færdighed. Underforberedte studerende risikerer at bruge den som en krykke, der fjerner produktiv fejl. Gennemgangens standardanbefaling er gradvis adgang: AI-frie fundamenter først, derefter guidet brug med obligatoriske forklaringsopgaver, derefter reflekterende kritik. Den sekvens passer langt lettere ind i et eksisterende kursus, end en ny enhed gør. Læringsdesign er der, hvor du arbejder iscenesættelsen ud, og læseplansdesign er programniveauversionen af samme problem.

Lad dem forpligte sig, før værktøjet svarer

Tænk først, AI derefter. Bed de studerende danne en indledende fortolkning, løsning, argumentation, forudsigelse eller kladde, før de konsulterer noget. De sammenligner derefter deres tænkning med output, navngiver enighederne og afvigelserne, verificerer påstandene og beslutter, hvad de vil overtage. Det forhindrer værktøjet i at erstatte det kognitive arbejde, som opgaven findes for at udvikle, hvilket er bekymringen bag kognitiv udlicitering og AI-misbrug og læringsskade: umiddelbar præstation kan forbedres, mens selvstændig læring lider.

Hvad der sker uden den struktur, er veldokumenteret. Yan et al.s presage-process-product-studie af 38 studerende på bachelorniveau fandt, at 76,32 % stolede på et mønster med et enkelt træk: spørg, få et svar, stop, og 78,94 % integrerede generativ AI kun før de begyndte eller efter at have skrevet kladde. Selv mestringsorienterede studerende faldt tilbage på overfladiske processer. Forfatterne kalder resultatet et effektivitetsparadoks, hvor hastighed vindes på bekostning af det kognitive arbejde, der bygger skemaer, og citerer en studerende: »den hastighed, hvormed du glemmer det, er også meget høj.« De placerer årsagen i et institutionelt vakuum, hvor undervisere forbyder kopiering, men sjældent underviser i produktiv brug (Fra kognitiv outsourcing til omfordeling).

At kræve procesartefakter er den billige løsning. Dialoghistorikken, et refleksionsnotat, en revisionslog: enhver af dem gør arbejdsgangen synlig, giver metakognition noget at hægte sig på og gør selvregulering til noget, du kan bedømme. Det giver dig også den evidens, en samtale om forseelse ellers ville mangle.

Sæt point på kritikken

Studerende kan annotere et AI-svar for faktuelle fejl, uunderstøttede påstande, bias, manglende perspektiver, upassende selvtillid eller svag faglig ræsonnering. De kan holde det op mod læsestoffet, den empiriske evidens, professionelle standarder eller kursets rubrik.

Det mønster, der er værd at bygge en opgave omkring, er plausibelt, men ufuldkomment output plus en studerende i kritikerens eller redaktørens stol. At finde fejlene er en af de mere pålidelige veje til kalibrering og højere ordens tænkning.

Behandl det som en kompetence, du underviser i, fordi den ikke kommer med fagviden. I syntesen om datalogiuddannelse klarede studerende sig signifikant dårligere på at rette AI-genereret kode end på traditionelle eksamensopgaver i programmering. Det er direkte evidens for, at evaluering og reparation af output ikke overføres automatisk fra generel faglig færdighed, og at studerende uden undervisning vil aflevere forkert arbejde igen uden at bemærke det. Gennemgangen folder det ind i sin VIE-ramme (Verifikation, Implementering, Ligestilling) og argumenterer for, at kritisk engagement bør være en bedømt, observerbar komponent af studerendes arbejde, og kalder det »den fælles mekanisme, der forbinder hver effektiv intervention i korpus«.

Praktisk version: én rubriklinje for den fejl, du forventede, de ville fange, én for reparationen, én for begrundelsen. Hvis kritikken ikke bærer point, får den tre sætninger på vej ud ad døren.

Gør det specifikt for dit fag, og gentag det

Generiske regler som »tjek AI for hallucinationer« er svagere end at vise studerende, hvordan upålideligt output ser ud i din disciplin. Fabrikerede citater i historie. Ugyldige antagelser i økonomi. Vildledende fortolkninger af eksperimentel evidens i biologi. Dårligt begrundede designbeslutninger i ingeniørfag. Overfladisk flydende, men metodisk svag skrivning i psykologi.

Skriv den liste selv, ud fra din egen bedømmelse, før semesteret starter. Fem eksempler fra dit fag vil gøre mere arbejde end en generisk tjekliste, og de fungerer samtidig som fejlbank til kritikopgaven ovenfor.

Gentagelsen er den anden halvdel. Én øvelse i uge tre producerer en studerende, der har lavet øvelsen. Den samme øvelse i tre opgaver, på forskelligt materiale, producerer en vane, og de cases i dette korpus, der viser fagligt specifik integration, er dem, hvor praksissen gentages gennem et kursus snarere end at ligge i en enkelt session.

Lån de modeller, der allerede findes i dit fag

Du behøver ikke opfinde designet. Flere er dokumenteret, og hvert af dem er lille nok til at kopiere.

Økonomistuderende løser først et problem, henter et GenAI-svar, sammenligner det med deres egen ræsonnering, kritiserer AI'en, reflekterer og diskuterer derefter med medstuderende (At fremme generativ AI-kompetence i økonomi).

Psykologistuderende evaluerer en ChatGPT-genereret pressemeddelelse mod en kursusrubrik, identificerer svaghederne og reviderer den, hvilket udvikler både faglig kompetence og feedbackkompetence i samme opgave (At bruge generativ AI til at fremme psykologisk, feedback- og AI-kompetence).

Biologi integrerer aktiviteterne i faglig læring snarere end at undervise i et separat teknisk emne (At integrere AI-kompetenceundervisning i en biologiklasse). Database- og designkurser bruger fejlanalyse som læringsaktivitet, hvor studerende analyserer AI-genererede fejl og itererer på prompter og løsninger (Pædagogikken i AI-fejl). LearnAI-modellen indlejrer just-in-time AI-samskabelse på tværs af discipliner i stedet for at køre ét generisk modul (LearnAI: just-in-time AI-samskabelse på tværs af discipliner).

Én advarsel kommer med et tal. Et redesignet indledende kursus i partikelfysik tillod generativ AI som en eksplicit partner på forskningslignende problemer, og en skriftlig eksamen uden hjælpemidler gav et gennemsnit på 20,6 ud af 80, hvor kun to studerende nåede 40 (AI i partikelfysikundervisning). Assisteret præstation og selvstændigt hentbar viden er forskellige præstationer. Forfatterne argumenterer for at undervise i AI-kompetence, herunder verifikation og at behandle AI som en lærer snarere end som en kopimaskine, tidligt og side om side med dedikeret øvelse uden hjælpemidler. Fysikundervisning har den fyldigere redegørelse.

Der er også en version, hvor studerende laver noget til et rigtigt publikum. Burriss et al. lod 22 studerende i 11. klasse komponere video-PSA'er om de AI-etikproblemer, de levede med: skoleovervågning, elektroniske »gangpas« og algoritmisk anklage om plagiering. Forløbet trak på kritisk posthumanistisk kompetence og multimodal komposition. De studerende fremstillede skade som noget, der opstår af sammenfiltret menneske-maskine-ansvar snarere end af et ondt værktøj, vendte snydfortællingen mod voksnes overafhængighed af fejlbehæftet AI og sluttede på agens (»løsningen er inden for rækkevidde«). Forfatterne placerer fortælling og kollaborativ produktion i centrum af kritisk AI-kompetencepædagogik og argumenterer for, at det at komponere om AI til et rigtigt publikum udvikler en kritisk kompetence, som kompetenceskalaer ikke kan se (»Young Scholar[s] on the Beat«). Det er et argument fra et enkelt forløb med 22 studerende, så læs det som en designidé snarere end som en effektstørrelse.

Gør det socialt, hvor det er billigt

Samarbejde er den billigste måde at hæve den kognitive efterspørgsel i en AI-opgave. ICAP-rammen flytter studerende fra passiv eksponering mod aktiv, konstruktiv og interaktivt engagement. I praksis: par sammenligner prompter, grupper debatterer, om et svar er troværdigt, teams reviderer sammen et output, eller en studerende forklarer en anden, hvorfor et forslag blev afvist.

Evidensen støtter kognitivt aktive og kollaborative designs (Systematisk gennemgang af kollaborative læringsaktiviteter til at fremme AI-kompetence). Prisen er en diskussionsstruktur, ikke en ny bedømmelse.

Bedøm dømmekraft med en opgave

Studerende overvurderer, hvor godt de kan evaluere AI, og et selvrapporteret selvtillidsspørgsmål vil bekræfte fejlen snarere end afsløre den. Vidensbasen dokumenterer en betydelig uoverensstemmelse mellem selvrapporteret og præstationsbaseret AI-kompetence og anbefaler præstationsbedømmelse (AI-kompetencevurdering: selvrapporteret kontra præstationsmæssig uoverensstemmelse; GLAT).

I stedet for et selvtillidsspørgsmål kan du give dem noget at gøre: finde en fejl, verificere en kilde, forbedre et output, forklare en begrænsning, begrunde hvorfor en bestemt brug af AI er passende til en bestemt opgave.

Scenarier fungerer godt som instrument, og de er lette at skrive. Reed et al. (2026) gav studerende på bachelorniveau vignetter: at bruge AI til at forbedre grammatikken i sin egen kladde, at generere søgetermer før man selv læser, at aflevere en AI-genereret refleksionsjournal uden personligt input, at redigere en genereret opgave minimalt. De studerende var enige om de klare tilfælde og divergerede mest, hvor værktøjet gjorde en del af det intellektuelle arbejde. Den divergens er præcis den grænse, din politik stiltiende hviler på, så at køre vignetterne fortæller dig, hvor dit kursus har brug for at sige noget eksplicit. Det måler også dømmekraft om en case snarere end færdighed i abstrakt forstand.

Beslut, hvad kurset ikke kan rette op på

Nogle få grænser er værd at nævne, før nogen andre rejser dem.

Prompt engineering er ikke AI-kompetence. Studerende kan blive teknisk dygtige og samtidig forblive dårlige dommere af output, og nogle færdighedsorienterede dimensioner af AI-kompetence er positivt forbundet med rapporteret AI-afhængighed. Operationel træning uden selvregulering, faglig selvtillid og metakognitiv støtte kan øge afhængigheden snarere end mindske den.

Interaktion er en færdighed, værktøjet ikke leverer. Brunnström og Palmqvists demonstration over otte runder af en »naiv studerende«, der bruger en chatbot på en hjemmeeksamen, fandt, at standardoutput var »poleret, men pædagogisk tyndt«, og at det krævede otte runders indgreb fra den lærende at nå en brugbar læringsløkke (»forenkl«, »det her er overvældende, kan du kondensere det?«). De kalder kapaciteten AI-interaktionskompetence, altså evnen til at styre, evaluere og lære af iterativ interaktion. Deres ligestillingskonklusion er den skarpe: fordi uguidet brug pålægger en kompetence, der er ulige fordelt, kan generativ AI »være mest gavnlig for studerende, der allerede er privilegerede« (AI-interaktionskompetence; Hvordan påvirker AI studerende?). At undervise i interaktionen er en ligestillingsforanstaltning lige så meget som en pædagogisk.

Bedre prompter løser ikke modellen. I forskning i kontekstuel sycophancy reducerede AI-kompetence og promptundervisning direkte spejling af brugernes fejl uden helt at forhindre, at fejlene forplantede sig i senere råd (Den skjulte omkostning ved kontekstuel sycophancy; AI-sycophancy). Studerende har brug for at vide, at instruktion ændrer, hvad de får, ikke hvad systemet er.

Ligestilling går gennem det hele. Studerende ankommer med forskellig adgang til betalte værktøjer, forskellig erfaring med prompts, forskellige sproglige baggrunde og forskellig digital selvtillid. At kræve sofistikeret brug uden lige adgang og grundlæggende støtte gør tidligere eksponering til en akademisk fordel, og adgang, færdigheder og udfald er separate dimensioner af det digitale skel. Før du designer en opgave, der kræver et betalt værktøj, så undersøg, hvem i lokalet der faktisk har et.

Hvad undervisere tager fejl af her

AI-kompetence betyder at undervise i prompting. Prompting er den synlige del. Studerende kan blive teknisk dygtige med disse værktøjer og samtidig forblive dårlige dommere af, hvad der kommer ud af dem, og afhængighedsfundet ovenfor peger samme vej.

Én session dækker det. En session kan introducere ordforråd. Evidensen for gentaget øvelse på rigtigt kursusmateriale er stærkere, og metaanalysen af 59 interventioner fandt de største effekter, hvor arbejdet var integreret og reflekterende.

Studerende, der bruger disse værktøjer dagligt, kan allerede evaluere output. Yan et al. fandt 76,32 % af 38 studerende i et mønster med et enkelt træk, og datalogisyntesen fandt studerende signifikant dårligere til at rette AI-genereret kode end til almindelige programmeringseksamensopgaver. Fortrolighed med grænsefladen er ikke kalibrering.

Aktiviteten skal handle om værktøjet. De stærkere designs handler om faget, med værktøjet inde i det. Økonomistuderende, der kritiserer en AI-løsning, psykologistuderende, der reviderer en genereret pressemeddelelse: studieobjektet forbliver fagindholdet.

Kritisk evaluering overføres fra fagviden. Det gør den ikke, hvilket er grunden til, at datalogiresultatet betyder noget. En studerende, der kan skrive korrekt kode, er ikke automatisk i stand til at diagnosticere forkert kode, som en anden har skrevet, og det samme gab viser sig i prosa.

Selvtillid er en brugbar proxy. Selvrapportering og præstation divergerer i denne litteratur, og divergensen er systematisk nok til, at vidensbasen anbefaler præstationsmål. Bed om en demonstration.

Hvad du vil få igen

»Der er ikke plads i en indholdstung studieordning.« Så tilføj ikke indhold. Knyt ét kritiktrin til en eksisterende opgave, og tæl det én gang. Designene i økonomi og psykologi ovenfor tager den opgave, de studerende allerede havde, og ændrer, hvad de gør med AI-output.

»Mine studerende ved allerede, hvordan man bruger ChatGPT.« De kender grænsefladen. Tallet 76,32 % for et enkelt træk er, hvordan flyden ser ud uden undervisning, og det er det mønster, dit kursus skal afbryde.

»At undervise dem i at bruge AI vil bare tilskynde til mere brug.« Det kan det, og den ærlige version af den risiko findes i litteraturen: færdighedsorienteret træning uden metakognitiv støtte er forbundet med større rapporteret afhængighed. Det er et argument for at parre træningen med refleksion og øvelse uden hjælpemidler, hvilket er det, gradvis adgang er til for.

»Refleksion og kritik er for subjektive at bedømme.« De er subjektive, når rubrikken siger »gennemtænkt«. De bliver bedømmelige, når du navngiver den fejl, der skal fanges, reparationen og begrundelsen, hvilket er samme træk som enhver anden rubriklinje.

»Vores studerende er underforberedte, så AI vil udvide gabet.« Evidensen støtter bekymringen. Forhåndsviden betinger, om AI-hjælp bliver til færdighed, og interaktionsstudiet konkluderer, at værktøjerne kan favorisere studerende, der allerede er privilegerede. Gradvis adgang, AI-frie fundamenter og undervist interaktion er de svar, korpus tilbyder, og hver af dem er noget, du kan sætte op i dette semester.

»Det er bibliotekets opgave, eller skrivecentrets.« De tjenester kan undervise i generisk evaluering. Kun dit kursus kan undervise i, hvordan et svagt argument ser ud i din disciplin, og det er den version, studerende tager med ind i dine opgaver.

Hvad du kan gøre i denne uge

1. Vælg en opgave, du allerede underviser i, og føj et trin til, hvor de forpligter sig først: disposition, forudsigelse eller kladde, før noget værktøj åbnes.

2. Skriv de tre fejl ned, som AI oftest laver i dit fag, med eksempler fra din egen bedømmelse.

3. Omdan en af dem til en kritikopgave med tre rubriklinjer: fang den, reparér den, begrund reparationen.

4. Erstat ét selvtillidsspørgsmål i din næste undersøgelse eller exit ticket med et scenarie på to sætninger, og spørg, hvad den studerende ville gøre.

5. Beslut og formidl adgangsreglen for dit kursus, herunder hvilke værktøjer der er tilladt, og om nogen kræver en betalt konto.

Hvor du kan gå videre

Hvad er evidensen for AI-kompetenceinterventioner i videregående uddannelse? er den ærlige vurdering af, hvor stærkt dette grundlag er, og hvor det bliver tyndt. Hvordan påvirker AI studerende? dækker studentsiden, verificering af AI-output dækker den verifikationsvane, studerende har brug for, og uoverensstemmelsen i AI-kompetencevurdering er stedet at gå til, hvis du bygger målingen snarere end lektionen. Kognitiv udlicitering forklarer mekanismen under reglen om at forpligte sig først.