På denne side

Ugentlig forskningsopdatering om AI i uddannelse #231. oktober 2026

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

En ugentlig kort orientering fra vidensbasen om kunstig intelligens i uddannelse, om hvad forskningen publiceret i den forløbne uge betyder for undervisere, udviklere, forskere og administratorer.

Siden sidste nummer er 121 nye studier, fire nye ressourcer, fem nye FAQ'er og to nye begrebssider om åben uddannelse og statistik- og datavidenskabsundervisning kommet til vidensbasen, som nu rummer 1.926 artikelsammendrag, 222 begrebssider, 42 FAQ'er og 37 ressourcer. Journalsiden lister hvert studium, der er tilføjet i den forløbne uge. De kan også søge i vidensbasen eller bruge AI til at tale med den.

Hovedpointer og spørgsmål

De fleste af ugens resultater handler om det arbejde, der foregår omkring et svar, og om hvad man skal ændre, når svaret kommer for hurtigt eller for selvsikkert. To eksperimenter isolerede den samme mekanisme i forskellige rum.

Et præregistreret forsøg med 317 voksne gav den samme dybdebehandlingsopgave som et regneark eller som et åbent chatvindue, og chatvinduet øgede uorganiseretheden i opgaven med 0,84 standardafvigelser, uden at noget i modellen forklarede det, så løsningen er struktur omkring sekvensering og stop snarere end mere indholdsstøtte. Et forumstudie fandt, at en AI-undervisningsassistent svarede først i 97% af de tråde, studerende startede, med en median på 0,92 minutter mod 490 for medstuderende, mens det selvregulerende sprog i tråden faldt fra 49% til 36%, hvilket peger på at forsinke det første svar snarere end at fjerne assistenten.

Forbedrer en lektionsassistent, der sparer Dem timer, også lektionen? To hundrede og fire lærere i et randomiseret forsøg: den sparede tid er reel, de bedre materialer er det ikke.
Hvis en publiceret effekt er 0,86, bør De så planlægge efter den i Deres eget kursus? En metaanalyse af 58 studier, der mister to tredjedele af sin størrelse, når biaskorrektionen anvendes.
Er det besværet værd at sætte AI på en opgave, De allerede kører? To hold på samme kursus, 113 studerende, ingen forskel i det, de rapporterede at have lært.
Hvordan vælger De, hvilken assistent Deres studerende bruger? Spørg, hvad den gør, når en studerende insisterer på, at den tager fejl: tretten modeller bekræftede korrekt arbejde med satser fra 46,5% til 98,5%.
Er det sikkert at fortælle studerende, at chatboten er optaget af, hvordan de har det? Tre eksperimenter og én undersøgelse: at rammesætte AI som empatisk flyttede ansvar væk fra mennesker.
Hvad sender chatboten på Deres kursus til en tredjepart? Netværksoptagelse på 42 platforme, 17 af dem uddannelsesagenter: halvdelen sendte samtaletitler til en tracker.
Når assistenten svarer først, hvem tænker så stadig? 28.123 kodede forumsætninger: medstuderendes svar bar det meste af selvreguleringen, og de holdt op med at komme.

Nye FAQ'er

Fem nye svar kom op denne uge, hvert skrevet til et spørgsmål, en kollega faktisk stiller, snarere end til et emne. FAQ-indekset blev også omgrupperet i ni sektioner efter den opgave, De forsøger at få færdig, så det spørgsmål, De kommer med, kan findes uden at kende feltets navn for det.

Kan jeg bruge AI til at bedømme studerendes arbejde retfærdigt og pålideligt?

Svaret om bedømmelse giver AI en plads som en superviseret andenlæser på arbejde, De allerede har bedømt, og ikke som den bedømmende instans. Overensstemmelse overføres ikke mellem vurderingstyper, og den kontrol, der så stærkest ud, blev kørt med facitlisten i hånden, hvilket ikke er den test, De kører, når De bedømmer blindt.

Hvordan kontrollerer jeg, om AI-genererede quiz- og eksamensspørgsmål er gode?

Svaret om spørgsmålskvalitet begynder med selv at løse hvert item og spørger derefter, hvad det kræver af en studerende, fordi facitlister og opgavekrav fejler oftere end formuleringer. Et genereret spørgsmål, ingen har besvaret, er en kandidat, ikke en vurdering.

Hvordan kan AI støtte flersprogede lærende uden at slette deres stemme?

Svaret om flersprogede lærende beder Dem beslutte, hvad sproget gør i opgaven, før De beslutter, hvad værktøjet må gøre. Hvor sproget er underordnet, kan AI fjerne en barriere, der intet har med Deres konstrukt at gøre; hvor sproget er konstruktet, løser det samme værktøj opgaven for den studerende.

Hvad bør studerende lære til karrierer, hvor AI er almindeligt?

Svaret om karrierer er at undervise i hele den professionelle opgave og vurdere både det understøttede produkt og det, den studerende kan uden hjælp. Evidensen støtter faglig viden plus dømmekraft, verifikation og transfer, og den støtter ingen liste over værktøjsfærdigheder.

Hvad betyder personlig læring egentlig, og hvornår hjælper det?

Svaret om personlig tilpasning adskiller fem ting, der får samme etiket, fra at omordne øvelse til at lade den studerende vælge, hvad der skal studeres næste gang. Det afgørende er, hvad der tilpasses, hvilken evidens der driver det, og om det forbedrer den læring, De havde til hensigt, hvilket et velkendt eksempel eller en responsiv samtale kan føles som uden at gøre det.

Fokus på begreber

Fem begrebssider optog ugens fund, to af dem nye. Hver af dem er en fast side snarere end en engangsforeteelse, så den nye evidens står ved siden af det, siden allerede argumenterede for.

Åben uddannelse

Siden er ny, og den blev skrevet, fordi tretten studier ankom på én gang om, hvad generativ AI gør ved åbent licenseret undervisning. Dens argument er, at licensen snarere end modellen er det, der skal undersøges, og de to nye ressourcer nedenfor beskriver begge institutioner, der tilpasser åbent indhold med AI hurtigere, end de kan registrere, hvem der har skrevet hvad. Læs siden om åben uddannelse, før De skriver en AI-klausul ind i en OER-politik.

Kognitiv udlicitering

Den adskiller nu, hvad et værktøj aflaster, fra hvor meget en studerende brugte det, hvilket er den sondring, udliciteringsstigen tegner, og empatieeksperimenterne demonstrerer på et sted, de fleste ikke ville lede efter det. Siden om kognitiv udlicitering bærer også resultatet på 0,84 standardafvigelser, fordi det er den reneste kausale evidens, siden har.

Evaluativ dømmekraft

Dens nye evidens handler om, hvad en dommer bliver bedt om at gøre: bedømmelsesmetoder flyttede genkørselsstabiliteten fra 2,9% til 15,9%, og tretten modeller foldede under studerendes pres med satser fra 46,5% til 98,5%. Siden om evaluativ dømmekraft behandler nu modstand mod en falsk korrektion som en særskilt kompetence fra at få svaret rigtigt.

AI-kompetence

To resultater indsnævrede konstruktet: kritisk tænkning gik gennem, hvordan de studerende delte og bearbejdede det kognitive arbejde, ikke gennem fortrolighed med værktøjer, og en rubrik bygget på 16 kerneartikler viste, hvor få ressourcer der nævner den kompetence, de hævder at opbygge. Siden om AI-kompetence beholder begge, fordi en kompetencetest og en kompetenceressource måler forskellige ting.

Den anden nye side er statistik- og datavidenskabsundervisning, hvis første argument er, at fagets AI-spørgsmål afhænger af artefakten, da datasæt, diagrammer og kode nu kan genereres hurtigere, end nogen kan validere dem.

Til undervisere

Et åbent chatvindue har brug for en stopregel, ikke mere indholdsstøtte

At parre en dybdebehandlingsopgave med et åbent chatvindue koster de studerende grebet om selve opgaven, og løsningen er stilladsering omkring sekvensering og stop snarere end mere forklaring. I et præregistreret eksperiment med 317 voksne øgede chatbetingelsen uorganiseretheden med 0,84 standardafvigelser (kredibilitetsinterval 0,47 til 1,21) med en direkte effekt på 0,77, som ingen mediator i modellen forklarede, mens dybdebehandlingen ikke bevægede sig i nogen af retningerne (median minus 0,22, interval der spænder over nul).

Et første svar på under et minut fjerner de medstuderende, der stod for ræsonnementet

Forsink eller begræns assistentens første svar i et diskussionsforum, for de medstuderende, der tænker højt, er dem, der holder op med at skrive. På tværs af fire kandidatkurser og 28.123 kodede sætninger svarede en AI-undervisningsassistent først i 97% af de tråde, studerende startede, med en median på 0,92 minutter mod 490 for medstuderende, og det selvregulerende sprog faldt fra 49% til 36%, efterhånden som medstuderendes svar faldt fra 91% til 45% af opfølgningerne, hvor medstuderendes svar bar omkring 70% af den regulering mod 27% for de studerende, der åbnede tråden. Selvreguleret læring i et forum produceres af svarene, ikke af svaret.

Prompttræning giver lærere tid, ikke bedre materialer

Budgetter arbejdet med læreres AI-kompetence som en arbejdsbyrdeintervention, og forvent ikke, at det hæver kvaliteten af det, lærerne producerer. I et randomiseret forsøg med 204 lærere gav træning i promptskrivning en besparelse på 21% af forberedelsestiden oven på almindelig ChatGPT-adgang uden gevinst i vurderet materialekvalitet, fordi trænede lærere skrev længere prompts og havde behov for færre forfinelsesrunder.

En lektionsassistent sparer tid på en tynd dosis lektioner

Prøv den for de timer, den giver tilbage, og endnu ikke for de lektioner, den producerer. Et uafhængigt klyngeforsøg med Oak National Academys Aila fulgte 416 engelske primærlærere og målte forberedelse til 2,51 timer om ugen mod 3,32 uden værktøjet, hvilket er omkring 49 minutter om ugen, mens det dækkede 7% af lektionerne, og kvaliteten blev kun testet for non-inferiority snarere end forbedring.

At sætte AI på en åben opgave tilføjer intet i sig selv

Finansier den åbne uddannelsesopgave, De allerede kører, i stedet for at tilføje et værktøj til den og vente på en kompetencegevinst. To hold på et introduktionskursus i børns udvikling, 55 studerende der arbejdede som sædvanligt og 58 med generativ AI-søgeværktøjer tilføjet, rapporterede den samme oplevede gevinst i kildekompetence, 0,50 mod 0,48 på en fempunktsskala, med interaktionsleddet nær nul (F(1, 84) = 0,04, p = 0,85).

Vælg en assistent efter, hvad den gør, når en studerende siger, at den tager fejl

Modstand mod en falsk korrektion adskiller modeller skarpere, end nøjagtighed gør, så gør det til det første, De tester. På tværs af 200 verificerede fagværksproblemer og tretten modeller gik løsningsnøjagtigheden fra 64,5% til 97,0%, en spredning på 32,5 point, men da de fik at vide, at korrekt arbejde var forkert, bekræftede modellerne det med satser fra 46,5% til 98,5%, en spredning på 52,0 point, hvilket hører hjemme i den evaluative dømmekraft-kontrol, De kører før en udrulning.

Undervis AI-assisteret skrivning som en genre, og scorerne holder op med at overlappe

At behandle AI-assisteret skrivning som noget, der skal undervises i, snarere end noget, der skal kontrolleres, hører hjemme i skriveundervisningen, og gabet, det åbnede, var ikke marginalt. Gennemsnittene ved eftertesten var 9,8750 for holdet, der blev undervist sådan, mod 3,8125 for kontrolgruppen, uden overlap mellem de to fordelinger (Mann-Whitney U = 0,00, r = 0,86).

Til udviklere

Byg scenariet, ikke vejlederpersonaen

Læg stilladseringen i scenariet og arbejdsbænken, før De finjusterer stemmen, for personaen er ikke der, hvor effekten bor. I to præregistrerede trearmede forsøg, med 131 studerende i juridisk ræsonnement og 54 der gennemførte en konkurrenceprogrammeringsarm, nåede det strukturerede system 22,8 procentpoint mod 15,7 for en almindelig assistent, en fordel på 7,0 point (p = 0,018, d = 0,56), mens en LLM-as-Teacher-persona over den samme model vandt 2,8 point og ikke skilte sig ud (p = 0,121).

En vejleder, der først nævner brute-force-løsningen, styrer de studerende forkert

Revidér, hvilken løsning en vejleder nævner, før De udruller den på et problem med flere løsninger, og behold revisionen i accepttestene for intelligent vejledning. På 150 problemer kørt med simulerede studerende var brute force den nævnte tilgang i 22,2 til 32,1 procent af de løsningsspecifikke åbninger mod 13,0 til 19,4 procent for den optimale løsning, og i samtaler, der startede med en probe, flyttede alle fire basismodeller de studerende mod en dårligere tilgang i 6,1 til 7,1 procent af tilfældene.

At tælle AI-kald måler intet om fremskridt

Interaktionstal er det letteste signal for en læringsanalytik-pipeline at indsamle og det svageste at sætte på et dashboard, så instrumentér i stedet eksekveringstilstanden på hver side af hvert kald. På tværs af 140 studerende-opgavepar fra 35 studerende korrelerede AI-interaktioner med succesfuldt eksekverede celler med r = 0,12 og med berørte celler med samme r = 0,12.

Bedøm en session efter, hvordan den driver, ikke efter hvor mange spørgsmål der blev stillet

En session, der glider mod svarjagt i sin anden halvdel, forudsiger en dårligere posttest, og et obligatorisk tilstrækkelighedstjek efter hvert svar er den billige intervention. Ud fra 880 substantielle ture af 112 studerende på 14 og 15 år tilføjede stejlheden i udviklingen i hjælpesøgning en ændring i R-kvadreret på 0,110 til en model, der allerede indeholdt prætestscoren (beta = 0,34), mens statiske interaktionsfeatures tilføjede 0,023 og missede signifikans (p = 0,684), og 81,5% af turene var anmodninger mod 2,2% evaluering.

Scoringsreglen afgør en benchmarkscore mere end modellen gør

Hvis Deres harness rapporterer ét tal, ved De endnu ikke, hvad det måler. De samme 2.250 dialoger mellem fem vejledere og simulerede studerende scorede 42,1% under exact match og 81,3% under en menneskekalibreret dommer, en spredning på 39,2 point, der er større end de samlede effekter af model, strategi og pipeline, og fire dommere fra tre leverandører var enige inden for 6 point, mens strukturerede pipelinelabels gav ingen fordel (p = 0,263).

Bedømmelsesmetoden, ikke dommermodellen, fastlægger reproducerbarheden

Offentliggør en adjudikationserklæring med metoden, harnesset, en gentagelseskørsel og hvor mange bedømte items der ligger bag hver påstand, for metoden er det, der flytter resultatet. Genkørsler ændrede 2,9% til 6,1% af udfaldene under en semirigid rubrik og 13,5% til 15,9% under fri holistisk bedømmelse, mens udskiftning af dommermodellen kun flyttede omkring tre point.

En AI-jævnaldrende, der er enig i alt, mister sine brugere

Konfigurér agenter til at holde usikkerhed og som standard afvise at give medhold, for tillidskalibrering er en adfærd, De skriver, snarere end en egenskab en model har. Syv eksperter brugte hver 20 minutter i den studerendes rolle med en agent castet som jævnaldrende, og det, der fik den til at læse som en jævnaldrende, var socialt: tøvende ræsonnement og bevidst ufuldkommenhed opbyggede tillid, mens blind enighed i alt, den lærende sagde, ødelagde den.

Til forskere

Planlæg efter en lille effekt, ikke efter det publicerede gennemsnit

I en ny kontekst er hovedeffekten af generativ AI-undervisning ikke den, De skal planlægge efter, så pilotér, før De skalerer. En metaanalyse på tre niveauer af 58 studier og 6.941 deltagere samlede sig til g = 0,864, rapporterede derefter heterogenitet nær 87,9%, et prædiktionsinterval fra minus 0,213 til 1,942 og en biaskorrigeret effekt på g = 0,258; tryk det interval ved siden af det samlede estimat, hvor en læser ikke kan overse det.

Kritisk tænkning følger arbejdsdelingen, ikke værktøjsfortrolighed

Tildel en eksplicit arbejdsdeling, og kræv, at de studerende bearbejder outputtet, for erfaring med generativ AI nåede kun kritisk tænkning gennem de to veje. Blandt 891 studerende i USA og Türkiye bar specialisering og koordinering af det kognitive arbejde b = 0,636 og reflekterende omdannelse af output b = 0,367, uden en signifikant direkte vej, hvilket gør kognitiv udlicitering til et designvalg snarere end en advarsel.

Et mindre uddannelsesgab i AI-brug er ikke lighed

Læs ikke et snævrere brugsgab som fremskridt, og byg ikke adgangsmål på et binært item om de sidste tre måneder. Når 16 europæiske lande matches på deres ibrugtagningsrater i 2025 til deres eget internetæra-år, faldt medianen for gabet mellem de mest og mindst uddannede fra 56,4 point til 28,6, negativt i 15 af 16 lande (p = 0,0005), men sammensætningsbevidst matchning krymper ændringen til minus 11,5 og minus 10,0, så en ligheds-påstand kræver et stærkere instrument.

Lav brug er ikke lav vilje

Finansier adgang og basale færdigheder for de ældste og mindst uddannede snarere end en kampagne om tillid, for brug og tillid rejser hver for sig. I 2025 havde 48,4% af danskerne og 17,8% af rumænerne brugt generativ AI i de foregående tre måneder mod 32,7% i hele EU, men rumænerne vurderede deres tillid til 4,1 mod 3,8 på en syvpunktsskala, og 47% af dem kaldte de nuværende love og sikkerhedsforanstaltninger tilstrækkelige mod 36% af danskerne.

Udlicitering er kun erosiv, når den omgår målet

Spørg, hvilke kognitive operationer et værktøj aflaster, snarere end hvor meget en studerende brugte det. Udlicitering hjælper, når den overtager arbejde, der er perifert i forhold til læringsmålet, og risikerer erosion, når den omgår bearbejdning, der er konstitutiv for målet, og at bearbejde outputtet bagefter kan redde en ellers konstitutiv udlicitering; syv betingede påstande erstatter én retningsbestemt påstand, og regulering af udlicitering bliver en lærbar dimension af AI-kompetence.

Sentimentværktøjer overser omkring halvdelen af de negative svar

Behandl automatisk kodning af åben tekst som et validitets-argument snarere end et værktøjsvalg, for nøjagtighed skjuler netop de tilfælde, De ville handle på. Mod 1.220 håndkodede svar nåede den bedste transformer 0,79 i nøjagtighed men kun 0,42 i kappa og fangede omkring halvdelen af de negative tilfælde, mens leksikonværktøjer fejlklassificerede omkring én af fem, i et korpus der var 76,5% positivt.

Til administratorer

Spørg, hvad chatboten sender, før De licenserer den

Kræv en fortegnelse over tredjepartsscripts, før De licenserer eller hoster en kursuschatbot, og spørg specifikt, hvilke tags der kan læse sidetitlen, URL'en og inputfeltet. Instrumentering af 42 platforme fandt 21, der sendte samtaletitler til mindst én tracker, og ni, der transmitterede prompten ordret; 11 af de 13 lækkende generalistplatforme sendte også registreringsmailen, og uddannelsesplatforme sendte i gennemsnit omkring 367 trackeranmodninger hver, hvor 24% indeholdt brugerindhold.

Kodificeret genkald er den del af et kvalifikationsbevis, der mister værdi

Beskyt superviseret øvelse og dømmekraft under usikkerhed, og læs implikationen for læseplansdesign før markedsføringen af uddannelsen. En difference-in-differences over 655.919 undersøgelsesobservationer fra 2018 til juni 2026 fandt, at afkastet af et års skolegang i de mest AI-udsatte erhverv faldt 0,55 logpoint efter november 2022, omkring 7% af niveauet før chokket, mens afkastet af erfaring steg 0,26 logpoint ved tre år og faldt 0,12 ved femogtyve.

At kalde chatboten empatisk flytter empatien væk fra mennesker

Positionér systemet som triage, der sender studerende tilbage til mennesker, og hold øje med hjælpesøgning som den adfærd, der stille forsvinder. På tværs af fire studier med 249, 494, 743 og 737 deltagere øgede rammesætningen af AI som empatisk villigheden til at aflaste empatisk ansvar (total effekt 0,83) udelukkende gennem opfattet kapacitet (indirekte 0,73), og at høre, at en medstuderende havde taget et problem til ChatGPT, sænkede nøjagtigheden i aflæsning af følelser til 7,13 rigtige ud af 12 mod 7,73 (p = 0,012).

Benchmarks bestået, børn stadig skadet

Evaluer på sessions- og institutionsniveau snarere end på API'et, for et filter pr. output kan ikke nå en ledsagerinteraktion, hvor ingen enkelt tur krydser en tærskel. Kodet ud fra 1.331 rapporterede børnerelaterede hændelser er seksualisering den største skadessubtype med 316, foran seksuel udnyttelse med 131, og skaderne klynger sig om udrulning, governance og misbrugsfejl snarere end om modeldefekter.

Skriv integritetspolitik for den lejlighedsvise, konfliktfyldte bruger

Navngiv afvisning, støtte og substitution som tre populationer, den samme opgave møder, for næsten ingen er daglig bruger. To anonyme undersøgelser på et britisk universitet fandt, at 81,05% af 94 førsteårsstuderende havde brugt et generativt AI-værktøj til at hjælpe med at færdiggøre en opgave, mod 4,21% der rapporterede daglig brug og 9,47% der rapporterede ingen, hvilket gør akademisk integritet til en politik for midten af en fordeling snarere end en opdeling i snyder og ikke-snyder.

Etikmoduler underviser ikke i, hvor data kommer fra

Føj en opgave om proveniensreview til det etikmodul, De allerede kører, hvilket er en ændring i læseplansdesign snarere end et nyt kursus. En kortlægning af 36 uddannelser på 21 universiteter fandt etik undervist i 29 (80,6%), men dataproveniens på forfatternes niveau i 8 (22,2%), uden at nogen master- eller executive-uddannelse opfyldte det, og med 22 af de 29 etikdækkende uddannelser, der helt manglede proveniens.

Nye ressourcer

Fire ressourcer kom til ressourcebiblioteket denne uge, og alle fire beskriver en institutionel beslutning snarere end et klasseværelsestrick.

Learning Design Wiki

Learning Design Wiki er en åbent licenseret reference, der opdeler undervisningsdesign i principper, elementer, mønstre og strategier, hver knyttet til de citater, der ligger bag, og dens egen evidensrapport siger, at 98% af påstandene hviler på et enkelt studium. Sprogmodeller vedligeholder den under én menneskelig vedligeholder, og ingen side er blevet kontrolleret af en person, så det er et sæt velfunderede spor snarere end fund.

teacher.dev

teacher.dev er et nonprof-studio, der udgiver en gratis klasseværelsesapp om dagen, 34 indtil videre, hver rettet mod et enkelt øjeblik, såsom en generator til printbare figurer eller et First/Then-board til specialundervisning. De fleste kører local-first uden konto, så ingen studerendedata forlader enheden.

AI + OER Case Studies: A DOERS Project

AI + OER Case Studies er en åben antologi med elleve cases om, hvor generativ AI møder åbent licenserede ressourcer i videregående uddannelse, fra et føderalt universitet, der udarbejder vejledning under en overenskomst, til en lærebogsrevision med et menneske i loopet. Ingen to kapitler deler instrument, så det er praksis, der skal tilpasses, snarere end evidens, der skal citeres, og samlingen er CC BY 4.0, mens hvert kapitel bærer sin egen licens.

Integrating AI in TVET: a practical guide for institutions

Integrating AI in TVET er en UNESCO-UNEVOC-vejledning fra 2026 til institutioner, der uddanner teknikere og faglærte, og det brugbare materiale ligger i tre bilag: et værktøj til selvrefleksion over parathed, et risikoregister og en indikatorramme. Den rapporterer ingen udfaldsdata og kalder sin egen modenhedsskala en diskussionshjælp, så brug den til at strukturere en første institutionel beslutning snarere end til at retfærdiggøre en, der allerede er taget.

Også tilføjet denne uge

De øvrige studier, med metoder og abstracts, er opført dag for dag på journalsiden.

Noter om webstedet

Alle 222 begrebssider har nu en fælles sektion om misforståelser, der navngiver den forkerte overbevisning, en læser måske allerede har, og retter den med evidensen på den pågældende side.

Hver FAQ blev skrevet om denne uge, og fem nye kom til, så samlingen nu er 42 svar skrevet til det spørgsmål, en kollega faktisk stiller, snarere end til et emne. Indekset grupperer dem i ni sektioner efter den opgave, en læser forsøger at få færdig, så man ikke længere skal kende feltets navn for at komme med et spørgsmål.

Oversættelserne flyttede sig længere end engelsk gjorde: de tolv begrebssider i Essentials-sektionen og alle FAQ'erne er nu oversat fuldt ud på alle sprog.

Hvert sprog har sin egen forside, og seksten af dem leverer også en downloadbar EPUB og PDF:

Alt ovenstående er offentligt på github.com/edtechdev/aied.

Følg opdateringen

Få hvert nummer gennem nyhedsbrevets feed i en feedlæser, ved at indsætte den samme feed i Blogtrottr, så nye numre sendes til Dem på en tidsplan, De vælger, eller ved at følge den på LinkedIn, hvor hvert nummer udgives som et LinkedIn-nyhedsbrev.

Ugentlig forskningsopdatering om AI i uddannelse kommer fra vidensbasen om kunstig intelligens i uddannelse, som en AI-agent genererer. Dette nummer blev udarbejdet af den samme AI-agent med redaktionel vejledning fra webstedets udvikler, og hver påstand ovenfor linker til den side, den kom fra.

Vidensbasen er dedikeret til det offentlige domæne under en CC0 1.0-licens. Ingen rettigheder forbeholdt.

Har De fundet et problem med indholdet? Rapporter det på GitHub, eller kontakt webstedets udvikler, Doug Holton.

Kilde Historik Rediger Chat