Hvilke ti hovedfund fra forskningen i AI i uddannelse bør undervisere kende til?

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

Det er ugen før semesterstart, eller ugen efter den første store aflevering, og nogen har stillet dig et spørgsmål, du ikke kan svare på ud fra erfaring: hvad de studerende må gøre med AI i denne opgave, og hvad karakteren så beviser. Måske er en hjemmeopgave kommet tilbage poleret på en måde, der ikke passer med den studerendes tidligere arbejde. Måske skriver din afdeling en AI-politik og vil have dit kursus til at passe ind inden fredag. Måske klager en studerende over en karakter, og du kan ikke vise, hvad arbejdet dokumenterer.

Bundlinjen i den forskning, denne vidensbase har samlet: hvordan du bygger generativ AI ind i aktiviteten, afgør, om den styrker tænkningen eller erstatter den. Det håndtag, du styrer, er udformningen af opgaven. Prøven på ethvert design er, hvad de studerende stadig kan, når værktøjet er væk. De ti fund, siden har navn efter, står nedenfor, sorteret efter den beslutning, hver af dem oplyser.

Den korte version

1. Navngiv den tænkning, opgaven findes for at frembringe, og giv derefter AI en rolle, der ikke udfører den tænkning.

2. Sæt AI-reglen for den enkelte opgave i stedet for for kurset, og skriv begrundelsen ved siden af, hvor de studerende læser den.

3. Læg mindst ét bedømt trin ind i hvert forløb, som den studerende gennemfører uden AI til stede.

4. Vurder aktiviteten efter, hvad de studerende kan uger senere, uden hjælp, i stedet for efter kvaliteten af det, de afleverer.

5. Spørg, hvordan de studerende brugte værktøjet, og bedøm verifikationen i stedet for login.

6. Se på, hvilke studerende designet hjælper, for et gennemsnit skjuler dem, det taber.

Beslut hvad opgaven skal bruges til

Skriv én sætning, der navngiver kompetencen, før du rører ved værktøjet: hvad skal en studerende kunne ved slutningen af dette forløb, som de ikke kunne i begyndelsen? Svaret kan være: opbygge et argument ud fra evidens, skrive et bevis, nå frem til en diagnose, træffe en designbeslutning under begrænsninger. Hvis du ikke kan navngive det, bliver AI-reglen vilkårlig, og de studerende vil bemærke det.

To forskningslinjer forklarer, hvorfor dette kommer først. Produktiv fiasko er fundet, at lærende ofte beholder mere, når de forsøger sig på et problem, før de får vist hvordan, så friktion er nogle gange mekanismen snarere end en forhindring, der skal fjernes. ICAP-rammeværket forudsiger forskellig læring ved passiv, aktiv, konstruktiv og interaktiv brug af det samme materiale. Begge peger på ét designspørgsmål: hvad laver den studerende, mens værktøjet er åbent?

Den klareste illustration i korpusset kommer fra en sammenligning af en teoribaseret chatbot, der stilladserede de studerendes forklaringer, med almindelig ChatGPT og undervisning som sædvanligt. De umiddelbare forskelle var ikke signifikante. Fire uger senere huskede den stilladserede gruppe mere begrebslig viden. Det er ét studie og ikke en universel effekt, og dets nyttige indhold er formen på resultatet: design kan veje tungere end modellens formåen, for det, der adskilte betingelserne, var, hvad aktiviteten bad de studerende om at gøre.

Den systematiske gennemgang af 72 fagfællebedømte studier i datamatisk uddannelse når det samme lag fra den anden side. Den kalder kritisk engagement med AI-output »den fælles mekanisme, der forbinder hver effektiv intervention i korpusset« og anbefaler gradvis adgang, hvor generativ AI først introduceres, efter at grundlæggende kompetence er påvist. Ingen af påstandene handler om, hvilket produkt du licenserer.

Giv AI en rolle, der ikke er den tænkning, du bedømmer

Årtiers forskning i intelligent tutoring beskriver det mønster, der virker: diagnosticer, hvad den studerende forstår, stil spørgsmål, giv gradvise hints, bed om en forklaring, giv feedback. Alt undtagen at overlade løsningen. Nutidigt arbejde med pædagogiske agenter drager samme grænse mellem undervisningsadfærd og svarsproduktion, og Thermomix-analogien gør det konkret. En maskine kan lave maden for dig, og så mister du færdigheden, eller den kan fungere som testpartner for idéer, du stadig selv skal skabe mening i. De tilstande svarer til ICAP: passiv, aktiv, konstruktiv, interaktiv.

Smalere værktøjer viser samme princip. En tutor, der læser tekniske diagrammer strukturelt, nåede 93,0 % F1 på kantniveau mod 89,3 % nøjagtighed på hele diagrammet, hvilket betyder, at den kan navngive de specifikke forbindelser, der mangler eller er læst forkert, selv når hele diagrammet er galt. Det er feedback, en studerende kan handle på, i stedet for bestået eller ikke bestået.

Det sværere spørgsmål er, hvad tutoren må anbefale. Da en debat mellem flere agenter erstattede »her er AI'ens svar« med en drøftelse, hvor dens egen foretrukne holdning blev tilbageholdt, faldt skadelig skift til en forkert AI-holdning fra 42-60,5 % til 5,7-8,2 %. Tilslutning til en korrekt AI-holdning faldt også, fra 61,1-72,3 % til 22,1-33,3 %. At tilbageholde en anbefaling beskytter den studerendes oprindelige vurdering og overlader korrektionen til overvejelse, så designet bytter fejlretning for færre selvsikre forkerte sving. Beslut, hvilken af de to du vil have ud af udvekslingen, før du skriver prompten.

I undervisningen er det billigt at implementere. En sokratisk sekvens er mønsteret at sigte efter, hvor værktøjet spørger i stedet for at svare. Fortæl de studerende, at de skal bede om »ét hint«, »stil mig spørgsmål« eller »kritiser min ræsonnering«, og gør »løs det her« til undtagelsen. Du ændrer interaktionens standardverbum, og det er den del, de studerende faktisk styrer.

Én grænse er værd at nævne klart. Det meste af denne evidens kommer fra korte opgaver i en håndfuld kurser, og intet af det lover, at en tutor, der giver hints, hæver eksamensresultaterne på dit hold. Til det spørgsmål har du brug for det randomiserede forsøg, der diskuteres nedenfor, og resultatet er nøgternt.

Sæt reglen for den enkelte opgave, og begrund den

Et brugbart rammeværk skelner mellem tre tilfælde. Begræns AI, når det er uafhængig kompetence, du måler. Stilladsér det, når afgrænset hjælp ikke kompromitterer den kompetence. Kræv det, når dygtigt menneske-AI-samarbejde selv er det, de studerende skal lære. De fleste kurser indeholder alle tre, i forskellige uger, og det er derfor, en enkelt regel på kursusniveau bliver ved med at svigte i kanterne.

Den mixed-methods-undersøgelse af 85 lærerstuderende viser, hvad en regel uden begrundelse frembringer. 62,4 % af stikprøven undlod at bruge generativ AI, selv hvor det var tilladt, og 41,5 % af dem, der undlod, angav frygt for at blive anklaget for plagiering. 9 af 11 interviewpersoner læste den tilladende politik som en fælde. I samme undersøgelse brugte kun 37,6 % tilladt generativ AI overhovedet, deres valg fulgte uddannelseskulturen og bedømmelsesdesignet mere end noget enkeltkursus' tilladelse, og deres egne erklæringer underrapporterede den faktiske brug i hvert eneste kursus.

Læs de tal som en designbrief. En tilladelse uden angivet formål ligner en fælde, og et forbud uden angivet formål ligner en forhindring, man skal uden om. Det, de studerende reagerer på, er begrundelsen, der er knyttet til netop denne opgave. Sæt reglen i opgavebeskrivelsen, én linje, og gør linjen så konkret, at en studerende kan se, om den hjælp, de er ved at tage imod, underminerer det, du bedømmer.

Bedøm noget, den studerende har lavet uden værktøjet

Det er det trin, der gør arbejdet, og evidensen her er den mindst tvetydige på siden.

Gennemgangen af 72 studier fandt, at generativ AI pålideligt hævede kortvarig færdiggørelse og skar tid på opgaven i 36 studier, hvilket forfatterne behandler som det bedst replikerede resultat i korpusset, og at disse effektivitetsgevinster »ikke overføres til uafhængig præstation« i 21 studier. En tænke-højt-undersøgelse af 38 bachelorstuderende viser, hvordan det sker i det almindelige tilfælde. Kognitiv udlicitering er hårdest for læringen, når AI'en udfører den ræsonnering, den studerende skulle have øvet. Der blev 76,32 % i et mønster med ét trin, spørg, få svar, stop, og kun 21,06 % skiftede mellem AI-brug og selvstændig læsning og skrivning. Den største gruppe, 31 af 38, beskrev mestringsmål, arbejdede i fragmenterede enkelttrin og rapporterede derefter overafhængighed, mental tilbagelænethed og hurtig glemsel; en af dem formulerede det som »den hastighed, hvormed du glemmer det, er også meget hurtig«. En rammeartikel fra 2026 giver mønsteret dets navn. Karakterer og produkter stiger, mens det mentale arbejde, der frembringer varig læring, falder.

Det randomiserede forsøg afgør diskussionen for mindst én kontekst. Et trearmet RCT med 275 CS1-studerende sammenlignede en hintgivende tutor, der tilbageholdt fulde løsninger, ubegrænset ChatGPT og traditionelle webressourcer. Øvelsesresultaterne skilte sig skarpt: 71,84 % for ChatGPT mod 29,85 % for kontrolgruppen uden AI, med den hintgivende tutor på 57,50 %. Gevinsterne i begrebslig viden adskilte sig slet ikke mellem de tre arme, med 0,83, 0,71 og 0,85 point (tid × gruppe p = 0,773). Begge AI-betingelser sænkede frustration og uvedkommende belastning, og kun den hintgivende tutor hævede den indre motivation. Det værktøj, de studerende vurderede som mere hjælpsomt og lettere, var også det, der mest reducerede den bearbejdning, der frembringer læring.

Læg mærke til, hvad det design ikke kan understøtte. Det er ét kursus, ét semester, ét sprog, og øvelsesresultaterne er assisteret præstation af natur, hvilket netop er det mål, undersøgelsen advarer imod at stole på. Det viser ikke, at tutorer er ubrugelige. Det viser, at det udfald, du vælger at måle, afgør det svar, du får, og at de studerendes præference ikke er et læringsmål.

Så bedøm versionen uden hjælp. Én opgave pr. forløb, hvor de studerende henter, forklarer, løser eller forsvarer idéer uden AI til stede, og sæt rigtige point på den. Gyldighedsargumentet bag står i bedømmelsesgyldighed: et poleret hjemmeprodukt viser ikke længere, at den person, der afleverede det, har den kompetence, produktet udviser. Hvordan redesigner jeg bedømmelsen, så en karakter stadig siger noget forsvarligt om, hvad den studerende ved eller kan? gennemgår hele arkitekturen, herunder det billige autentificerede trin til store hold.

Ændr den opgave, du allerede har, ikke hele kurset

De fleste undervisere, der stiller dette spørgsmål, bygger ikke et nyt kursus. De har en semesteropgave, en laboratorierapport eller et opgavesæt, der har virket i årevis, og de vil vide, hvor de skal lægge snittet. Tag opgaven fra hinanden trin for trin, spørg ved hvert trin, hvad du bedømmer der, og lad svaret sætte grænsen. Det er den opgaveniveau-metode, der er dokumenteret i McCorkles arbejde med afstemt kursuspolitik, og én gennemgang af din mest omstridte opgave er som regel nok til at se formen.

En ti sider lang semesteropgave skiller typisk sådan. Emnevalg og kildehentning er der, hvor dømmekraften bor, så et værktøj, der foreslår en tese eller samler litteraturlisten, har udført den del, du bedømmer. Syntese og argumentation er selve konstruktet. Citationsformatering, referencetjek og sproglig redigering er trin, hvor værktøjsbrug er usynligt for dit konstrukt, og et forbud der køber dig intet andet end irritation. Sig det i opgavebeskrivelsen, trin for trin, i en kort tabel hvis du vil.

Gør så det midterste trin synligt. Bed om en annoteret begrundelse på én side, afleveret sammen med opgaven, der nævner to kilder, den studerende afviste og hvorfor, ét udsagn de reviderede efter at have tjekket, og hvor de valgte ikke at følge et forslag. Bedøm den med samme konkrethed, som du bruger på prosaen. En begrundelse vejer kun noget, hvis en studerende, der springer den over, taber mere end de vinder ved at springe over, så giv den nok point til, at regnestykket er indlysende.

Et opgavesæt er lettere, og snittet ligger et andet sted. Svarene er ikke konstruktet; metodevalg og fejldiagnose er. Kræv første trin af hvert problem, med den studerendes egne ord, før noget værktøj åbnes, og kør ét problem fra sættet i timen uden hjælpemidler. Det er en mindre ændring, end det lyder, og den forvandler sættet fra et produkt, du ikke kan verificere, til en registrering af, hvordan den studerende tænkte.

For en laboratorierapport er snittet som regel datafortolkningen og fejlanalysen. Lad værktøjet formatere tabellen og tjekke enhederne. Hold fortolkningen, valget af hvad der tæller som afvigende, og forklaringen på uoverensstemmelse med det forventede resultat i den studerendes hænder, og bedøm dem med point på.

Mønsteret kan generaliseres: find det trin, hvor kompetencen bor, beskyt det trin, frigør resten, og læg processens bevis der, hvor pointene er. Det, du undgår, er det redesign, der ændrer, hvordan arbejdet produceres, uden at ændre, hvad karakteren kan understøtte.

Vurder feedback- og bedømmelsesværktøjer efter senere præstation

AI-feedback kan være rettidig, konkret, skalerbar og acceptabel for de studerende, også i videregående uddannelse. Om den underviser, afhænger af nøjagtighed, pædagogisk pasform og de studerendes feedbackkompetence, deres evne til at vurdere feedback og handle på den. Hvis du overvejer den til feedback eller bedømmelse, er tallene nedenfor dem, du skal tage med til indkøbssamtalen.

En kritisk analyse af 14 institutionelle vejledningsdokumenter fandt, at generiske prompter producerer læringsmål, aktiviteter og bedømmelser isoleret. Værktøjet kan ikke vide, hvor indbyrdes forbundet et emne er, så dets feedback forbliver generel i stedet for diagnostisk præcis.

Konfiguration flytter kvaliteten, målbart. I en undersøgelse af AI-feedback på læringsmål forklarede modellen alene 26,9 % af variationen i feedbackkvalitet, og tilføjelsen af prompten hævede det til 42,8 %, altså 15,9 % ekstra. Den ene promptegenskab, der betød noget, var fagspecifik terminologi; at bytte den ud med hverdagsparafraser gjorde feedbacken betydeligt dårligere. Modelvalg betød også noget: Claude 3 og Gemini Advanced producerede betydeligt lavere vurderet feedback end ChatGPT-4.

Bedømmelse er endnu mere usikker. En sammenligning af 18 sprogmodeller, der bedømte 6.081 programmeringsafleveringer fandt gennemsnitskarakterer fra 0,290 til 0,608 afhængigt af modellen, med eksakt enighedsrate så lav som 0,20 for nogle og 0,74 i bedste fald. To studerende med identisk arbejde kan få forskellige karakterer afhængigt af, hvilken model afdelingen licenserede.

Så er der spørgsmålet, de studerende bekymrer sig om, nemlig om feedbacken ændrer, hvad de kan senere. En semesterlang udrulning i et bachelor-matematikkursus med 343 engelske og 236 hollandske studerende genererede individuelle kommentarer og øvelsesopgaver ud fra fotograferede svarark. Bedømmerne vurderede øvelsesopgaverne som det stærkeste og diagnostisk specificitet og klarhed som det svageste. Det randomiserede crossover på sammenkædede eksamensspørgsmål fandt ingen statistisk signifikant forskel efter justering (pHolm = 0,104), og fremmøde fulgte eksamensresultater langt klarere end feedbackeksponering (ρ = 0,49 og 0,54, begge p < 0,001). Feedback, som de studerende værdsætter og handler på, er ikke det samme som feedback, der frembringer målbar læring.

Der er en yderligere fælde, hvis du lader en model bedømme. I en undersøgelse af 1.426 psykologiske afhandlinger fordelt over ti akademiske år gav alle fire AI-bedømmere studerendes eget arbejde lavest og AI-skrevet arbejde højest. 10 af 16 sammenligninger var så store, at forskelle af den størrelse er sjældne i uddannelsesforskning, op til det største observerede gab, og biasen var stærkest for fuldt AI-genereret tekst. En bedømmer kan belønne tekst for at være maskinagtig, selv når dens instruktioner siger, at den skal vurdere indhold.

Skeln mellem de studerende, designet hjælper, og dem, det taber

En gennemsnitlig forbedring kan skjule et kursus, hvor de stærke bliver stærkere, og de svage får en dårligere aftale. Det digitale skel løber nu langs mindst tre linjer: adgang til værktøjer, færdighed i at bruge dem, og hvem der faktisk får et brugbart resultat. Promptfærdighed alene frembringer et »prompt-privilegium«, hvor mere erfarne brugere får bedre output fra det samme system.

Gennemgangen af 72 studier skelner mellem to mekanismer. Et færdighedsgab opstår, hvor studerende med stærkere forhåndsviden omsætter hjælp til varige gevinster, mens dårligt forberedte studerende erstatter øvelsen med den. Et ressourcegab opstår, hvor pålideligt internet og betalt adgang understøtter bedre værktøjsbrug på tværs af institutioner. Kun seks studier i korpusset undersøgte ligestilling direkte, hvilket forfatterne behandler som problemet snarere end en fodnote; ligestilling i AI-uddannelse er der, hvor det argument udvikles.

Hjælp kan lukke et gab, når det er de studerende, der har brug for den, som bruger den. En undersøgelse med fire eksperimenter af lærende, der opdager skjulte regler med en AI-agents hjælp fandt, at hjælpen skar nødvendige træk med 33-52 %, og at fordelen samlede sig hos de svageste, mens stærkere lærende stort set var upåvirkede. Det er den håbefulde version, og den afhænger af, at de studerende, der har mest brug for hjælpen, er dem, der bruger den godt, hvilket færdighedsgabet tyder på, at de ikke magter uden undervisning.

Lad de afgørende beslutninger blive hos et menneske

Undervisernes AI-kompetence er ikke der, hvor politiksamtalen antager. Blandt naturfagslærere, der allerede havde gennemført AI-uddannelse, var den gennemsnitlige AI-kompetence 16,7 ud af 30, under referencesamplets 18,79, og den var ikke relateret til alder, køn, anciennitet eller hvor meget de havde brugt AI. En undersøgelse af 412 kommende matematiklærere fandt parathed på et tidligt stadium, med undervisningsoverbevisninger højest ved et gennemsnit på 5,24 på en 7-punktsskala og teknisk AI-viden lavest ved 4,23.

Det er et argument for afgrænsede værktøjer, ikke autonome. Vejledningsdokumentanalysen foreslår en institutionelt konfigureret hentningsforstærket agent, der guider tænkning uden at levere svar, markerer manglende overensstemmelse og eskalerer til et menneske i kanterne, med myndighed beskrevet som »afledt og afgrænset«. Der er direkte evidens for at holde mennesker i løkken snarere end foran den: et system til generering af kursusmateriale scorede bedre, når mennesker var involveret, og den tilstand med mest menneskelig indsats forbedrede bedømmernes score med 0,5-0,9 point over den fuldt autonome tilstand. Dets autonome bedømmere klumpede tæt omkring 2,9-3,1, mens menneskelige evaluatorer spredte sig og diskriminerede mere, så forfatterne beholdt menneskelig dømmekraft som det primære kvalitetssignal.

Den praktiske version til et kursus: lad AI udkaste, sortere og markere. Hold nøjagtighed, retfærdighed, privatliv og enhver beslutning om en studerendes progression under meningsfuldt menneskeligt tilsyn. Risiciene, der gør dette nødvendigt, er det velkendte sæt: bias, privatliv, gennemsigtighed, den lærendes autonomi, ansvarlighed og pædagogisk sikkerhed. Den liste er grunden til, at pædagogisk AI-kompetence betyder mere end teknisk kendskab.

Det, undervisere tager fejl af her

»Det polerede arbejde foran mig er bevis på, at den studerende kan gøre det.« Det er bevis på, at arbejdet er poleret. Spredningen på 71,84 % mod 29,85 % i øvelsesresultater, med begrebsgevinster flade i samme forsøg, og de 36 studier i gennemgangen, der fandt effektivitet uden overførsel, beskriver alle afstanden mellem assisteret præstation og kompetence. Hvis produktet er det eneste, du bedømmer, er produktet alt, hvad du har målt.

»Hvis AI'en er en tutor, er den på den rigtige side af stregen.« Etiketten bærer ikke garantien. I CS1-forsøget undgik den hintgivende tutor den skade, som ubegrænset ChatGPT gjorde på øvelser, og gav stadig ingen begrebslig fordel over for ingen AI overhovedet. At tilbageholde det endelige svar er ikke det samme som at tilbageholde ræsonneringen, og en tutor kan gøre det andet, mens den ser ud til kun at gøre det første.

»En detektor eller en strengere regel løser integritetsproblemet.« Detektion håndterer ét svar ud af flere. Undersøgelsen af lærerstuderende fandt, at frygt for anklage undertrykte tilladt brug, at uddannelseskulturen forudsagde adfærd bedre end nogen kursuspolitik, og at selvdeklarationer underrapporterede brug i hvert eneste kursus. En strengere regel ændrer, hvad de studerende skjuler, ikke hvad de lærer.

»Én AI-regel for hele kurset er mere retfærdig og enklere.« Enklere, ja. Evidensen taler for regler sat pr. opgave, fordi de tre tilfælde, begræns, stilladsér og kræv, findes side om side i de fleste kurser, og den samme tilladelse betyder forskellige ting i en laboratorierapport og i en refleksion. Generelle holdninger er også dem, de studerende lettest går uden om.

»Studerende, der siger, at værktøjet hjælper, lærer af det.« Tilfredshed er et selvrapporteringsmål, og i CS1-forsøget var den højest vurderede betingelse den, der mest reducerede bearbejdningen bag læring. Matematikudrulningen fandt samme kløft: feedback, de studerende værdsatte, ingen signifikant eksamensforskel.

»AI-kompetence er promptfærdighed, og de studerende tilegner sig den ved at bruge værktøjet.« Rammeværker behandler AI-kompetence som begrebslig forståelse, operationel færdighed, kritisk evaluering, etisk dømmekraft og bevidsthed om grænser. Gennemgangen er eksplicit om, at prompt engineering, verifikation af output og analyse af AI-fejl er lærbare færdigheder, der ikke udvikles gennem eksponering. De uddannede naturfagslærere, der scorede 16,7 ud af 30, er den empiriske version af den påstand.

»Ligestillingsproblemet er adgang.« Adgang er én af tre linjer. Færdighed og hvem der får et brugbart resultat er de to andre, og kun seks studier i korpusset undersøgte noget af det direkte. At give hver studerende en licens løser den letteste tredjedel.

Det, du vil få igen

»Mine studerende siger, at AI hjælper dem.« Det hjælper som regel med arbejdet foran dem, og fundet handler om, hvad der er tilbage bagefter. Spørg, hvad de stadig kan uden hjælp, og du får et andet svar, og det er grunden til, at det uassisterede bedømte trin findes.

»Jeg underviser 200 studerende. Jeg kan ikke læse udkast eller køre mundtlige tjek.« Du behøver ikke læse alt. Én anvendelse i timen eller en kort indspillet forklaring i den mest afgørende opgave, plus et stikprøvetjek af arbejde, der ser uforeneligt ud med tidligere afleveringer, dækker det meste af risikoen. Trinvis aflevering, annoterede begrundelser og proces-porteføljer skalerer; det gør bedømmelse af verifikationen af et bevidst fejlbehæftet AI-output også.

»Detektion er alt, vi har.« Detektorer har dokumenterede pålideligheds- og retfærdighedsproblemer, og gyldighed er det sværere problem: et poleret hjemmeprodukt viser ikke længere, at den person, der afleverede det, har kompetencen. Procesbevis er billigere end et våbenkapløb og producerer noget, du kan forsvare i en klagesag.

»At forbyde det er enklere.« Enklere, og det fejler som regel. Tilslutning i undersøgelsen af lærerstuderende fulgte uddannelseskulturen snarere end nogen enkeltkursus' politik, og erklæringer underrapporterede den faktiske brug i hvert eneste kursus. Et forbud fjerner også din mulighed for at se, hvordan de studerende ville bruge værktøjet, når de forlader uddannelsen.

»Jeg underviser ikke i AI. Det er ikke mit fag.« Fundene handler om dit fag. Når AI udfører den øvelse, dit kursus findes for at give, er det netop der, den forstyrrer, og forstyrrelsen viser sig i dine bedømmelser, uanset om du nævner værktøjet.

»Evidensen er for ny at handle på.« Delvist sandt, og det skærer begge veje. Meget af korpusset er korte interventioner, selvrapporteringsstudier, enkelte fag eller arbejde fra 2025 og 2026, og påstande fra moden Intelligent Tutoring-forskning er stærkere end påstande om ubegrænsede generelle chatbots. Hvor en påstand nu har et randomiseret forsøg bag sig, dissociationen mellem præstation og læring i CS1-forsøget og feedbackresultatet i matematikudrulningen, citeres forsøget her. Hvor den ikke har, skal du behandle fundet som den bedste tilgængelige vejledning snarere end fast lov, og være mest skeptisk over for resultater, der kun viser tilfredshed, opgavehastighed, outputkvalitet eller umiddelbar assisteret præstation.

Det, du kan gøre i denne uge

1. Vælg den ene opgave, du er mindst tryg ved at forsvare. Skriv kompetencesætningen øverst i opgavebeskrivelsen.

2. Tilføj ét trin, der kører uden AI til stede: en anvendelse på fem minutter i timen, en kort indspillet forklaring eller et afsnit skrevet i lokalet. Giv det rigtige point.

3. Angiv AI-betingelsen for den opgave, og tilføj én linje begrundelse. Hvis opgaven blander trin, sig hvilke trin der er hvilke.

4. Omskriv én prompt, du giver de studerende, fra »løs det her« til »giv mig ét hint og stil mig et spørgsmål«, og fortæl dem hvorfor.

5. Før semesterstart tager du ændringen til din uddannelsesleder og til den, der godkender særlige vilkår, så den første klage ikke også bliver den første samtale.

Hvor du kan gå videre

For den interessent-for-interessent version af disse misforståelser, se Hvordan kan vi håndtere almindelige misforståelser om AI i uddannelse?. For de designkrav, der følger af fundene om ligestilling og menneskelig dømmekraft, se Hvordan bør forskning i AI i uddannelse inddrage lighed, tilgængelighed, privatliv, etik og pædagogisk sikkerhed?. Hvordan redesigner jeg bedømmelsen, så en karakter stadig siger noget forsvarligt om, hvad den studerende ved eller kan? fører bedømmelseshalvdelen videre, og Hjælper brug af AI faktisk mine studerende med at lære? er evidensgennemgangen bag påstandene på denne side. Hvis du vælger mellem redesign og håndhævelse, er Hvordan kan jeg reducere AI-snyd i mit kursus? og Hvordan skriver jeg en AI-politik for et kursus og kommunikerer den til studerende? følgesiderne.