AIEd-kunnskapsbaseAIEd KB
På denne siden

Les denne siden på engelsk

Begreper

Elevhandlekraft

Opprettet 2026-08-13 · Oppdatert 2026-11-08

Automatisk maskinoversettelse av denne engelske siden, ennå ikke korrekturlest av en morsmålstalare.

Elevhandlekraft — elevenes evne til å handle målrettet, ta valg og utøve kontroll over sin egen læring. I AI i undervisning er handlekraft en sentral bekymring fordi AI-verktøy både kan støtte og undergrave elevenes kontroll: godt designet AI bevarer og forsterker elevens autonomi, mens overavhengighet eller passiv aksept av AI-resultater kan tære på den. Handlekraft knytter an til selvregulert læring, motivasjon, self-efficacy og den etiske utformingen av AI-systemer, og står nært de psykologiske begrepene autonomi og opplevelse av handlekraft.

Spørsmål å vurdere

  • Elevhandlekraft — din evne til å handle målrettet og kontrollere din egen læring — er sentral i AI i undervisning. Når du bruker et AI-verktøy, hvor mye kontroll beholder du egentlig over læringsprosessen, sammenlignet med verktøyet?
  • AI kan både støtte og undergrave handlekraft: godt designet AI forsterker autonomien din, mens overavhengighet tærer på den. Tenk på en gang du lot en AI bare «gjøre det». Lærte du mindre, selv om resultatet så bedre ut?
  • Elever som delegerer tolkningen til AI, kan miste handlekraft over sin egen resonnering. Når du overlater en oppgave til AI, hvilken del av din egen tenkning gir du stille bort?
  • Én studie fant at elevenes tidligere selvinitierte AI-læring predikerte hvor mye de fikk ut av undervisningen — elever med høy handlekraft hadde størst utbytte. Hvis handlekraft delvis er en ferdighet du kommer med, hvordan kan din egen kontekst bygge den i stedet for å forutsette den?
  • Handlekraft er ikke bare et trekk — den oppstår øyeblikk for øyeblikk i gruppearbeid, der AI kan omfordele hvem som former et samarbeid uten at elevene merker det. Når oppdaget du sist at et verktøy stille styrte retningen i en gruppe?
  • Kontrære AI-personaer kan dytte grupper inn i produktiv utfordring, men reduserte også teamtilfredshet og psykologisk trygghet. Kan produktiv friksjon finnes uten psykologisk trygghet — og hva innebærer det for å designe AI-lagkamerater?

Introduksjon

Handlekraft betyr noe fordi læring er mest effektiv når elevene er aktive, målrettede deltakere snarere enn passive mottakere. AI-systemer — enten det er veiledningsagenter, roboter eller chatboter — former hvor mye kontroll elevene beholder over læringsprosessen. Å bevare handlekraft er derfor et sentralt designprinsipp i ansvarlig AI i undervisning, sammen med å støtte self-efficacy, bygge tillit og unngå overavhengighet.

Mishra et al. rammer inn kontroll kontra handlekraft som den grunnleggende, tilbakevendende spenningen i AI i undervisning — fra tidlige ITS til dagens generative AI — og gjør elevhandlekraft til den varige aksen i feltets debatter.

En nullsumsforståelse av handlekraft med agentiske verktøy: Prieto & Dimitriadis (2026) hevder at jo mer handlekraft pedagogiske AI-verktøy får, jo mindre beholder elevene — at handlekraft i praksis er et nullsumsspill, og at dagens menneskesentrerte designtilnærminger (for eksempel verdisensitivt design) ikke er tilstrekkelige, fordi overavhengighet og isolasjon drives av bredere systemiske faktorer og av menneskets tendens til å velge den enkleste veien. Deres emansipatoriske designvisjon, orientert mot elevens blomstring i komplekse systemer, behandler det å bevare og dyrke elevhandlekraft som hovedmålet for generativ AI-design snarere enn en ettertanke.

Handlekraft som formål, ikke bare som kapasitet: Der innrammingene over spør hvor mye handlekraft elevene beholder, spør Fagerlund et al. (2026) hva AI i undervisning er for. De intervjuet tretten finske lærere fra barnehage til 9. klasse om formålene med å undervise med og om AI, og leste redegjørelsene deres gjennom Biestas tre domener for utdanningens formål (kvalifisering, sosialisering, subjektivering), og fant at kompetanse var det klareste og mest konkrete målet. Lærerne ønsket at elevene skulle forstå AI som et sosioteknisk fenomen og bruke verktøyene. Subjektivering, det vil si selvbestemt og personlig meningsfullt engasjement med AI, ble bekreftet som viktig, men stående uten konkrete undervisningsstrategier, der lærerne grep til generisk diskusjon og ettertanke snarere enn designede aktiviteter. Forfatterne foreslår informert AI-handlekraft som en heuristikk som setter subjektivering i sentrum mens kompetansene behandles som dens forklarende grunnlag, og hjelper elevene med å se hvilke valgmuligheter som finnes og velge hva de vil forfølge. Den praktiske konsekvensen er direkte: en ferdighetsførst læreplan kan fortrenge det handlekraftige formålet den er ment å tjene, og botemiddelet er å gjøre «hvorfor»-et i AI-utdanningen eksplisitt snarere enn å føye enda en kompetanse til listen.

Bevegelsesretningen er ikke fast. Gillette et al. (2026) kontrasterer sitt svenske fagpersonale med de australske studentene hos Bearman et al. (2025), som «generelt ønsket handlekraft» og «gjorde motstand mot avhengighet»: her beskrev flere studenter at de ble avhengige av genAI og navnga det som et tap, og én sa at det «gir et dopaminkick fordi alt tar mindre tid» og «belønner dårlige vaner».

Hvordan handlekraft fremtrer i kunnskapsbasens forskning

  • Robotikk og menneske–robot-interaksjon: RoboBlockly Studio ble eksplisitt designet for å bevare elevhandlekraft i beregningstenkning; en systematisk gjennomgang undersøker hvordan menneske–robot-interaksjon påvirker menneskelig autonomi og opplevelse av handlekraft, noe som er sentralt i debattene om velvære og styring.
  • Samarbeidslæring: Menneske-AI-samarbeid-forskning undersøker hvordan kognitive oppgaver deles mellom elever og AI, der handlekraft avgjør om mennesket eller AI-en styrer interaksjonen.
  • Delt epistemisk handlekraft strekker seg til elev–GAI-interaksjon. Et kodeskjema med 14 kategorier som kodet 6 788 ChatGPT-assisterte turer, plasserte 59 % av sjuendeklassingens turer i delt epistemisk handlekraft, og forfatterne hevder at konstruktet — som tidligere hovedsakelig er studert i jevnaldrende samarbeid — må utvides til å omfatte kognitive og metakognitive dimensjoner (Chang et al., 2026).
  • Handlekraft kan graders fra prompten selv. Human Agency Depth Taxonomy skårer elevens ingeniørbidrag på seks nivåer uavhengig av AI-ens resultat; på tvers av 962 prompter fra 105 førsteklassestudenter i programvareutvikling lå 84.2 % over det laveste nivået, men bare 5.3 % spesifiserte systembegrensninger (Shakiba & Chaffey, 2026).
  • Kritisk engasjement: forskning på kognitiv avlasting viser hvordan elever som delegerer tolkningen til AI, kan miste handlekraft over sin egen resonnering; kritiske og metakognitive tilnærminger sikter mot å beskytte den.

Benchmarket på tvers av ti modeller er støtte til handlekraft der de presterer svakest, nest etter læring. ImpactBench målte Agency & Purpose til 56.0 % på positive kriterier (95 % CI [49.2, 62.5]) og 43.9 % på negative ([36.9, 50.8]), nest lavest av 14 delområder, og kriteriene for autonomibevarende assistanse spør om en modell tilbyr kontekst og avveininger snarere enn å foreskrive en handlingsvei (ImpactBench (2026)). Modellene var også langt mindre konsistente i å unngå skade enn i å være hjelpsomme: et spenn på 38.6 poeng mot 15.9 poeng.

Kostnaden avhenger av hvilket lag som delegeres: i en åtte ukers skrivestudie hadde delegering av resonnering — begrunnelser, motargumenter, evidensfortolkning — den sterkeste negative sammenhengen med selvstendig prestasjon (ab = −0.34), og selvregulert skriving svekket den, men reverserte den aldri (Chen (2026)).

En panelstudie i tre bølger med 342 bachelorstudenter i 85 faste skrivegrupper gir bekymringen en tidsmessig retning: når stabile forskjeller mellom personer var skilt ut i en random intercept cross-lagged panel-modell, predikerte høyere enn vanlig GenAI-avhengighet lavere opplevd handlekraft i neste måling, mens banene fra handlekraft til avhengighet var svakere og ikke statistisk støttet. Konfidensintervallene og Monte Carlo-følsomhetsanalysene lot små omvendte effekter være mulige. Loggdataene advarer også mot å lese bruksvolum som tapt handlekraft — selvrapportert avhengighet samsvarte riktignok med AI-bruksintensitet, men loggene kunne ikke skille strategisk konsultasjon fra avlasting eller underordning, så dashbord bør lese intensitet sammen med belegg for diskurs, refleksjon og revidering.(Wu & Lu, 2026) En utfyllende redegjørelse utvider SRL snarere enn å erstatte det: de Barba (2026) skiller mellom regulering (å styre sin egen prosess), integrasjon (å organisere seg selv over tid og kontekster) og posisjonering (å kritisk tolke hva omgivelsene måler), og hevder at handlekraftorientert design må flytte elevene fra «handlekraft innenfor betingelser» til «handlekraft over betingelser» i stedet for å optimere atferdsproxier.

  • Design for handlekraft: kunnskapsbasert design for generative sosiale roboter (Teachy Mini) tar opp risikoer som overavhengighet som undergraver elevhandlekraft.
  • Design for overlevering, ikke forlenget engasjement. Amico-prototypen med to moduser behandler AI som en avgrenset, midlertidig mediering hvis suksess måles i observerbare overganger til lærere, medelever eller lokalsamfunn, ikke i tid brukt med AI-en; piloten i Italia og Kina fant at elevene gjenkjente den som et avgrenset verktøy snarere enn en relasjonell erstatning (Benedetti (2026)).
  • Adaptivt stillas går på bekostning av profesjonell autonomi. de Jong (2026) hevder at fordi tilpasning krever at systemet vurderer brukerens kompetanse, reduserer det profesjonelles myndighet over sin egen utvikling og risikerer å overstøtte eksperter, og at en mekanisme som oppfattes som unødvendig, rett og slett vil bli ignorert — noe som lar det stå åpent hvem som avgjør hvilke brukere som får stillas: systemet, organisasjonen eller den profesjonelle.
  • Mer kapabelt stillas er ikke mer handlekraft. En tilpasset ekspertdesignbot økte førskolelærerstudentenes interaksjonslengde og selvgenererte prompter, men samarbeidende problemløsning-handlekraft falt både i den og i ChatGPT-betingelsen etter hvert som deltakerne var enige med boten i stedet for å kritisere den (Krushinskaia et al. (2026)).
  • Tidligere handlekraft predikerer hvem som har utbytte: Liang et al. (2026), med utgangspunkt i Banduras sosialkognitive teori, viste at elevenes tidligere selvinitierte AI-læring (en atferdsmessig manifestasjon av handlekraft) predikerte hvor mye de fikk ut av et år med skole-AI-undervisning — elever med høy handlekraft kom inn med den sterkeste beredskapen, mens skolens læreplaner minsket psykologiske gap, men lot kognitive gap stå intakte. Strukturert undervisning og tidligere handlekraftrelatert læring virket synergistisk, ikke som erstatninger for hverandre.
  • Prinsipiell selektivitet som lærerhandlekraft under teknologisk endring: Adiozaman og Segar (2026) intervjuet to erfarne akademikere tre ganger gjennom et semester og fant at de navigerte AI-formidlet undervisning verken ved å adoptere eller ved å motstå i sin helhet, men gjennom bevisste, kontekstsensitive beslutninger styrt av pedagogiske verdier, etisk forpliktelse og profesjonelt skjønn — et mønster forfatterne kaller prinsipiell selektivitet, der avvisning av en bestemt bruk teller som skjønn snarere enn som mislykket adopsjon. Det er lærersidens motstykke til elevfunnene over: ujevn AI-bruk kan være utøvelse av handlekraft, ikke belegg for at den mangler.
  • Lærerhandlekraft som den medierende betingelsen for elevhandlekraft: De nyeste lærersidefunnene gjør eksplisitt en inndeling som elevfunnene over lar være implisitt: lærerhandlekraft er designtid og medierende, elevhandlekraft utspilles i øyeblikket, og den første setter betingelsene for den andre. Canonigo (2026) fulgte ti matematikklærere i videregående gjennom åtte uker med en ChatGPT-4-intervensjon. Der lærerne kuraterte og gransket AI-resultater (stilte åpne problemer, forhånds-promptet verktøyet til å gi hint mens løsninger ble holdt tilbake, krevde at elevene la AI-resultatet ved siden av sitt eget arbeid og argumenterte for hvilken metode som var bedre), ble det en foreløpig artefakt for kritikk, og elevene beveget seg mot formodninger og metakognitive spørsmål. Der medieringen manglet, flyttet autoriteten seg mot algoritmen og lærerne ble validatorer snarere enn første kunnskapskilde, et skifte én lærer beskrev som å gå fra «orakel» til «redaktør». Ujevn verktøykvalitet øker det medieringen må bære: på tvers av 50 prompter sendt tre ganger til hver modell var gratistilbudet unøyaktig i 49 av 150 svar (32.7 %) mot 18 av 150 (12 %) for premiumtilbudet (χ2(1) = 17.5, p < .001). Charles (2026) trekker beredskapsimplikasjonen: lærerhandlekraft er en profesjonell ressurs som mobiliseres gjennom designbeslutninger og artefakter, så beredskap bør bedømmes ut fra designene lærerne produserer snarere enn ut fra hvor ofte de bruker AI, og en begrunnet beslutning om å holde AI ute kan i seg selv vise beredskap. Lest sammen advarer disse funnene mot å lese høy AI-bruk som belegg for et handlekraftig klasserom, siden disposisjonen som bevarer elevhandlekraft, utøves i det en lærer designer og kritiserer, ikke i om verktøyet er på.
  • Lærer–elev-kontroll er ikke nullsum — men den riktige fordelingen avhenger av fase. En deltakende speed-dating-studie med 17 lærere og 13 elever som rangerte 34 hybridkontroll-design, fant at begge grupper foretrakk sterk lærerkontroll under forberedelse og oppstart, og deretter gradvis mer elevinnspill etter hvert som samarbeidet utfoldet seg — og ingen av gruppene foretrakk noen gang full elevkontroll. Preferansene speilet hverandre: lærerne ville ha mer kontroll over timingen i paring, mens elevene ville signalisere egen beredskap; elevene stolte på lærerens valg av partner, mens lærerne ville ha elevstemme om partnere. Designimplikasjonen: fordel handlekraft per beslutningspunkt og fase, med avgrensede, strukturerte elevforslag validert av lærervendte læringsanalytiske data snarere enn fri overstyring. (Balancing Teacher and Student Agency: Co-Orchestration Tool Design Supporting Real-Time Dynamic Pairing)
  • Tilgang til valg er ikke det samme som handlekraft i handling: Su, Nair og Nagashima (2026) randomiserte 69 universitetsstudenter til et 2 × 2-design som krysset parameterkontroll i en simulering av flokkingsatferd med tilgang til en valgfri samtaleagent. De fant ingen pålitelig effekt av noen av tilbudene på læringsutbytte når forkunnskap var kontrollert (parameterkontroll F(1, 50) = 0.04, p = .849; agent F(1, 50) = 2.68, p = .108). Utbyttet fulgte hvordan kontrollen ble brukt: skyverknapp-tid i den begrepsmessig mest komplekse leksjonen predikerte høyere utbytte (β = .11, p = .007), mens samme atferd i den enklere leksjonen predikerte lavere (β = −.04, p = .047). Engasjement med den valgfrie agenten varierte fra 0 til 32 spørsmål per elev uten sammenheng med utfallene. Forfatterne leser dette som at handlekraft blir utøvd snarere enn gitt: designspørsmålet er hva som hjelper en elev å avgjøre hva som er verdt å endre, og å merke konsekvensene.
  • Epistemisk delegering i tidlig forskerkarriere: Han og Liu (2026) rammer inn AI-avhengighet blant doktorgrads- og postdoktorforskere som epistemisk delegering — overføringen av problemformulering, metodevalg og tolkningsautoritet til det intelligente systemet — og fant at det var negativt assosiert med både forskningens self-efficacy og forskningsautonomi, med veilederstøtte som bufret mot tapet. Det utvider handlekraftdebattene fra elevautonomi til formeringen av forskeren selv.
  • Tolkningsautoritet som designvariabel (et begrepsmessig rammeverk). Porath (2026) omformulerer hvem-som-bestemmer-spørsmålet til fordelingen av tolkningsautoritet — hvem som definerer problemer, vurderer svar og avgjør når forståelse er oppnådd — og kartlegger fire ikke-hierarkiske konfigurasjoner (menneskelig dominant, AI-assisterende, AI-direktiv, dialogisk partnerskap) som klasserom beveger seg mellom innenfor én og samme oppgave, og forankrer skiftene i fem økologiske lag fra individuell metakognisjon til sosiokulturelle narrativer. Artikkelens normative påstand stemmer med belegget på denne siden: AI-direktive konfigurasjoner kan, uansett hvor sofistikerte de er, dempe produktivt strev og metakognitiv regulering — de samme kapasitetene denne siden identifiserer som handlekraftens substrat. Som et begrepsmessig bidrag gir det diagnostisk vokabular, ikke empirisk belegg.

Handlekraft knytter an til selvregulert læring, motivasjon, self-efficacy, elevopplevelse, menneske–AI-samarbeid, etikk, overavhengighet og metakognisjon. Det er en kjernevurdering i robotikk, veiledning og design av AI-læringsagenter.

  • Avgrenset bruk som epistemisk kontroll, ikke motvilje. Zagami (2026) rapporterer at høyerepresterende studenter i en universitetsundersøkelse med 484 svar viste lavere aktiv AI-bruk og lavere opplevd læringseffekt, samtidig som de rapporterte lavere AI-relateret desengasjement, og beskrev sin egen bruk som verifiseringsintensiv: resultatene ble sjekket og deretter underordnet deres egen resonnering. Lest som handlekraft snarere enn unnvikelse er mønsteret en bevisst bevaring av dømmekraft — elevene beholder forfatterskapet til konklusjonen mens de bruker verktøyet til avklaring og oppsummering.

Det er vedvarende grensearbeid, ikke verktøyferdighet, som skiller handlekraft fra delegering: elever som brukte det samme gjenfinningsforankrede verktøyet, produserte sammenlignbart polerte artefakter enten de begrenset og gjenforfattet resultatet eller avga tolkningen tidlig, så forskjellen viste seg bare i prompter, latenstid, korrigeringer og avvisninger (O'Byrne, 2026).

  • Å handle, å vite og å svare er ikke det samme. En korpusassistert diskursanalyse av 366 sammendrag om GenAI i høyere utdanning nevner AI som aktør 2 050 ganger uten noen gang å gjøre den ansvarlig, mens ansvaret for å bedømme resultater og verifisere påstander legges på studentene: grammatisk aktivering, funksjonell handlekraft, epistemisk autoritet og normativ ansvarlighet faller fra hverandre (Poudyal, 2026).
  • Handlekraft har tre modi, og den tredje er det policyen leverer. Med bare 18 % av lærerne og 24 % av skolelederne som rapporterer en skole-AI-policy, utøver de fleste undervisere individuell handlekraft uten noen proxy-handlekraft som handler for dem — Banduras tredje modus, levert av institusjonelle regler (Tench, Weinstein & James, 2026).

Handlekraft som et emergent, interaksjonelt fenomen

Handlekraft er ikke én kapasitet, og skillet holder seg inn i AI-formidlet praksis. Bergdahl (2026) undersøkte 47 svenske elever i 7. trinn etter et semester med AI-undervisning og fant at handlekraft rettet mot AI-resultater ikke strekker seg til systemene som produserer dem. Splittelsen holdt innenfor enkeltelver: 79 % hadde et skårspenn på tre eller mer over ni ledd, og en dissosiasjonsindeks per elev favoriserte resultatorientert framfor systemorientert engasjement hos 35 elever mot 4 i motsatt retning (tegn-test, p < .001). 62 % av de mest kildekritiske elevene støttet fortsatt det minst beskyttende alternativet for chatboter som leser egen skriving, og bare én elev i utvalget valgte den strengeste personvernholdningen. Kritisk nok ble dette målt én måned etter en leksjon der elevene så sin egen loggede atferd projisert live — de kalte det «skummelt» og ble værende gjennom friminuttet for å fortsette å bruke plattformen. Handlekraft som en emergent, interaksjonell egenskap stemmer med dette: den dukker opp per praksis snarere enn å overføres på tvers av praksiser, og det én leksjon setter i forgrunnen, generaliserer ikke til det registeret den ikke adresserte.

Elevhandlekraft er ikke bare et statisk individuelt trekk — det er også en emergent, interaksjonelt konstituert prosess som utspilles gjennom diskurs og øyeblikk-for-øyeblikk-koordinering av gruppearbeid. I samarbeidslæring er handlekraft distribuert og forhandles på nytt gjennom samspillet mellom divergerende prosesser (å generere ideer, utforske alternativer) og konvergerende prosesser (å vurdere, integrere, syntetisere). Dette synet betyr noe for AI fordi agentisk AI-systemer subtilt kan omfordele epistemisk og regulatorisk arbeid i en gruppe, og omforme hvem som bidrar, hvem som former retningen og hvem som regulerer framdriften — ofte uten at elevene er klar over det.

  • Handlekraft som den emergente kvaliteten i en kompetansekonfigurasjon. Rammeverket for menneske–AI-samarbeidskompetanse utelater bevisst elevhandlekraft som en frittstående komponent og behandler den som det elevene uttrykker når de koordinerer domene-, AI- og metakognitiv kompetanse — det integrative arbeidet Teknologisk pedagogisk fagkunnskap (TPACK) tildeler pedagogikken, som går over til elevens egen metakognitive regulering. På tvers av 24 undervisere i høyere utdanning opptrådte hver dimensjon i talen deres, med domene (12–19 % av kodede enheter) og AI (16–22 %) i forgrunnen (Dang et al., 2026).

  • Jin et al. (2026) gir det mest direkte belegget: i et stort eksperiment (224 elever, 97 triader) der AI-en fungerte som en uavslørt lagkamerat, omkonfigurerte både støttende og kontrære AI-personaer den emergente handlekraften. Kontrær AI trakk diskursen inn i utfordrings- og refleksjonsorienterte baner (produktiv friksjon), mens støttende AI stabiliserte enighet og fornyet idégenerering.

  • AI-personaer som diskursstyringsmekanismer. Kontrære personaer eksternaliserte byrden med å utfordre (omfordelte epistemisk arbeid mot kritikk), mens støttende personaer eksternaliserte bekreftelse og opprettholdelse av konsensus. Studien identifiserte seks emergente handlekraftprofiler — og særlig at reflektert regulering var unikt menneskelig (AI eksternaliserte kritikk/bekreftelse, men ikke overvåking på metanivå).

  • Den affektive kostnaden av friksjon. Kontrær AI reduserte teamtilfredshet og psykologisk trygghet uten å gi gevinster i kreativ prestasjon, og løsrev epistemisk stimulering fra opplevd bærekraft. Dette advarer om at «produktive» diskursstrukturer bør tolkes sammen med sine emosjonelle konsekvenser — handlekraft blomstrer bare i et psykologisk trygt klima.

  • Implisitt AI-deltakelse er usynlig styring. Fordi personaene virket selv uten at AI-en ble avslørt, posisjonerer studien personasdesign som en form for usynlig styring av samarbeidsprosesser — et funn med direkte implikasjoner for skriveassistenter, Peer Assessment-systemer og teamarbeidsplattformer som kan forme bidrag uten å kunngjøre sin tilstedeværelse.

  • Tre mønstre av handlekraft i gruppebasert vurdering. Chen og Zou (2026) intervjuet 15 fokusgrupper av førskolelærerstudenter om en autentisk gruppepresentasjon og fant handlekraft virkende i tre retninger samtidig: fem grupper intensiverte GenAI-bruken som koordineringsinfrastruktur (samarbeidsorientert handlekraft — å dekode medstudentenes deler, justere deler mot hverandre, beskytte en felles karakter), sju begrenset den (normativ handlekraft — grenser trukket for å beskytte autentisitet, rettferdighet, originalitet og perspektivmangfold), og tre endret aldri praksis fra individuelt arbeid (ikke-utøvd handlekraft, der individuell kapasitet aldri ble mobilisert kollektivt). Skillet deres betyr noe fordi begrensning her var normativ selvregulering snarere enn etterlevelse eller desengasjement, og fordi kapasitet alene ikke produserte kollektiv handlekraft. Gruppemedlemskap inverterte også den ansvarligheten gruppearbeid er ment å skape: et ettergivende kollektivt klima senket den opplevde risikoen for misbruk i stedet for å heve forpliktelsen.

  • Handlekraft som relasjonelt selv. Xie (2026) utfordrer den individualistiske modellen for handlekraft som han hevder selv AI-kritikere forutsetter. Med utgangspunkt i daoistisk relasjonelt selv — et «flytende og heterogent» selv konstituert gjennom relasjoner til andre og kosmos — konkluderer han med at en digital kløft eller algoritmisk diskriminering er «en krenkelse av selvets grunnleggende konstitusjon», noe som gjør likhet i tilgang til læring «ikke bare en etisk påbud, men en ontologisk gitt», og at asymmetrisk makt og miljøkostnader er «integrerte dimensjoner av selvet» snarere enn eksternaliteter. Hans motideal, «Zhenren» (真人) eller den naturlige eleven, behandler AI som et «instrumentelt tillegg» snarere enn en kognitiv stedfortreder — handlekraft som dyrket helhet, ikke friksjonsfri optimalisering.(Alternative AI Philosophy: Daoism as Method for AI in Education)

For samarbeidssettinger omformulerer dette designspørsmålet: ikke om AI kan delta som lagkamerat, men hvordan dens mønstrede deltakelse balanserer epistemisk strenghet, emosjonell trygghet og elevenes opplevelse av eierskap. Avgrensning av friksjon (begrenset utfordring, paret med integrative og reparerende grep) og eksplisitt metakollaborativ kompetanse er de anbefalte vernetiltakene.

En strukturell lesning av handlekraft finnes i El Khoury og Mas rammeverk for lystbetont vurdering, der handlekraft behandles som en designegenskap snarere enn motivasjon: elevene velger rekkefølgen på oppgavene, setter tempoet og signaliserer når en interaksjon er over, slik at støtte er tilgjengelig mens ansvaret for arbeidet blir hos eleven. Mekanismen de navngir er vurdering — å øve uten publikum og velge når man skal begynne forskyver hva en oppgave betyr, fra dom til noe eleven kan forme — og de hevder at gjentatt erfaring med det skiftet er det som fester tilfeldige følelser av mestring til en hverdagslig holdning til vurdering.

  • «Å bruke AI mer reduserer elevenes opplevelse av forfatterskap.» Ikke lineært. I en instrumentert essaystudie falt opplevd eierskap bare for gruppen som delegerte hele essay, mens elever som brukte modellen til planlegging eller til gjennomlesing, matchet eierskapet til elever som aldri åpnet den. Samme gruppe skåret også høyere på lesbarhet i essayet, så artefakten så bedre ut etter hvert som forfatterskapet ble tynnere. Handlekraft fulgte hvordan verktøyet ble brukt, ikke om det ble brukt. Forfatterskap er en funksjon av delegering, ikke av bruk.

Handlekraft kontra elevidentitet

Elevidentitet og elevhandlekraft er lette å blande sammen, men de navngir forskjellige ting — og begge omformes av AI.

  • Handlekraft utøves; identitet beboes. Handlekraft er den situerte evnen til å handle målrettet og styre sin egen læring nå — en variabel, interaksjonell egenskap. Identitet er den mer varige, narrative følelsen av hvem man er og er i ferd med å bli som elev. Handlekraft er en prosess; identitet er en væremåte som akkumuleres fra den.
  • Identitet er internalisert handlekraft. Gjentatte handlekraftige handlinger — å velge, forfatte, holde ut — er hvordan en elev kommer til å se seg selv som en handlekraftig, kompetent person. Identitet er sedimentet av handlekraft over tid, forsterket av anerkjennelse og tilhørighet.
  • Ulike sviktmoduser. Handlekraft tæres av overavhengighet og passiv aksept (eleven slutter å styre resonneringen); identitet tæres av tap av forfatterskap og trussel mot kompetanse (eleven slutter å føle at resultatet er deres, eller at de hører hjemme i faget). Implisitt AI-omfordeling av epistemisk arbeid er først og fremst en handlekraftbekymring; kompetanseparadokset i kreative felt er først og fremst en identitetsbekymring.
  • Begge må designes for. Handlekraftorientert design bevarer kontroll og valg (avgrenset friksjon, menneskelig tilsyn i sløyfen, gjennomsiktighet); identitetsorientert design beskytter forfatterskap og anerkjennelse (autentisk vurdering, tydelig tilskrivning av AI-bidrag kontra menneskebidrag, oppgaver som lar elevene gjøre krav på et fagområde). Å beskytte handlekraft uten å beskytte forfatterskap bevarer kontrollen, men ikke egenverdien — og omvendt.

Dette skillet mellom utøvd handlekraft og stabil identitet gjelder også for avvisning. Som Zagami (2026) beskriver det, er det å avstå fra en chatbot til vurdert skriving, forby den til uassistert resonnering, motsette seg automatisert triagering i elevstøtte eller utsette anskaffelse, separate relasjoner til separate systemer, som spenner over personlige, pedagogiske, profesjonelle, administrative og institusjonelle nivåer snarere enn én varig disposisjon. Den retten er ujevnt fordelt: studenter med akademisk selvtillit kan avstå uten straff, mens de som trenger språk-, tilgjengelighets- eller hurtigtilbakemeldingsstøtte, leser avvisning som tapt mulighet, og trygge akademikere avstår på prinsipp mens løsere ansatte føler press for å adoptere. Der AI sitter i infrastrukturen, forskyves avvisning fra individuell opt-out til anskaffelse, revisjon og bestridelighet.

  • Avvisning som identitetskonstruksjon, ikke bare en beslutning (elever med minoritetsbakgrunn i læring i praksisfellesskap). Gyekye (2026) intervjuet fem elever i videregående lærlingordning over 9 måneder og fant at de forfattet seg selv gjennom AI i tre trekk: avvisning (ikke-bruk som institusjonell tilpasning), forhandling (å reparere institusjonelle misforhold, personvern som fjern abstraksjon) og anerkjennelse (å likestille rettferdighet med fravær av synlig skjevhet — en «kulturell flathet» der identitetene deres ikke representeres i AI-svar). Studiens to fortolkende begrep — institusjonell AI-kompetanse og anerkjennelsesbåndbredde — navngir kapasiteten til å gjøre AI-bruk institusjonelt lesbar og rommet elevene har til å se seg selv anerkjent i AI-resultater. En narrativ undersøkelse med fem elever i ett program; bidraget er å vise at AI-bruk, begrensning og avvisning er bundet sammen med hvordan elevene forstår seg selv som forfattere og kommende profesjonsutøvere.

Rammeverket for økologisk samhandlekraft: handlekraft som et epistemisk designproblem

Poudyal (2026) omformulerer elevhandlekraft til fundamentalt å være en epistemisk sak: generativ AI legger ikke bare til et verktøy, men omfordeler epistemologisk autoritet — evnen til å produsere kunnskap, validere påstander og skape belegg for læring — fra lærere til elever til maskiner. Artikkelens rammeverk for økologisk samhandlekraft behandler samhandlekraft som forholdet mellom tre gjensidig avhengige dimensjoner, alle avgrenset av en ikke-forhandlingsbar betingelse om menneskelig epistemisk ansvarlighet:

  • Relasjonell samhandlekraft — handlekraft som et produkt av interaksjon mellom elev, verktøy og kontekst, som krever en gjennomsiktig fordeling av hvilke oppgaver som delegeres til AI og hvilke som beholdes, pluss etisk samhandlekraft der mennesker beholder primært ansvar og handler i en overvåkende rolle.
  • Regulatorisk samhandlekraft — å kartlegge selvregulert læring-syklusen (foruttenkning, utførelse, refleksjon) mot AI-mediering. Om GenAI kommer inn før eller etter elevens forsøk, avgjør om den forsterker eller tærer på opplevd kontroll; strategisk kognitiv avlasting støtter transformativ læring bare når avlastningsbeslutningen er målrettet snarere enn rutinepreget.
  • Pedagogisk samhandlekraft — å plassere lærere i sentrum, langs et kontinuum fra observatør til adopterer til samarbeidspartner til innovatør, som avhenger av institusjonell støtte, ikke av individuell disposisjon.

Rammeverkets grensebetingelse krever bestridelighet (evnen til å stille spørsmål ved og kryssjekke AI-resultater), opphav (å vite hvor treningsdata og resultater kommer fra) og ikke-delegering av moralsk og intellektuell ære (høyrisikovurderinger om elevens velferd, akademiske status og karakterer må ikke avgjøres utelukkende av AI). Dette gir undervisere og policyskapende et mer presist vokabular enn den vage «balansen» mellom menneskelige og kunstige bidrag, og knytter handlekraft til etikk, vurdering, likestilling og styring.

En nært beslektet innramming er relasjonell epistemisk handlekraft (Du & Yuan 2026), som er enig i at handlekraft er sosialt muliggjort og teknologisk mediert snarere enn et spørsmål om isolasjon fra avhengighet. Der rammeverket for økologisk samhandlekraft vektlegger menneskelig epistemisk ansvarlighet som en ikke-forhandlingsbar grense, beholder Du og Yuan en eksplisitt asymmetri: AI-systemer kan forme og utvide resonnering uten å ha gjensidig ansvar eller legitim autoritet. Deres seks diagnostiske kriterier — bestridelighet, gjenopprettbarhet, overføring, sporbarhet, distribuert ansvar og epistemisk pluralitet — gir en praktisk prøve for når en menneske–AI-relasjon bevarer elevens kapasitet til å delta i hvordan påstander formes, vurderes og godtas, kontra når den bare leverer et produkt. Handlekraft er i denne forståelsen ikke uavhengighet fra verktøy, men kapasiteten til å dømme ansvarlig med, gjennom og mot systemene som medierer kunnskap.

  • Delegert handlekraft som mekanisme, ikke bare som risiko. Yan og Gašević (2026) behandler delegering av kognitivt arbeid til AI som en del av hvordan læring skjer, ikke bare som en trussel mot den: i deres redegjørelse blir assistert prestasjon varig kapasitet bare når eleven beholder ansvaret for å ramme inn problemet, sette kriterier og begrunne svar, en arbeidsdeling de kaller delegert handlekraft. Det gjør fordelingen selv til designvariabelen, siden det samme verktøyet kan bevare eller oppløse elevhandlekraft avhengig av hvilke ansvar det absorberer.

Vanlige misoppfatninger

  • «Elever utøver handlekraft når de bruker AI fritt.» Et kodeskjema med 14 kategorier som kodet 6 788 ChatGPT-assisterte turer plasserte 59 % av sjuendeklassingenes turer i kategorier som ikke representerer handlekraftig bruk. Bruksvolum og handlekraft er forskjellige mål.
  • «Dagens modeller støtter elevhandlekraft godt.» Benchmarket på tvers av ti modeller er støtte til handlekraft der de presterer svakest, nest etter læring: ImpactBench målte Agency and Purpose til 56.0 % på positive kriterier. Handlekraft er den dimensjonen AI-systemer håndterer dårligst, ikke et biprodukt av kapasitet.
  • «Lærermediering er en begrensning på handlekraft.» Canonigo (2026) fulgte ti matematikklærere i videregående gjennom en åtte ukers ChatGPT-4-intervensjon, og medieringen er mekanismen snarere enn hindringen.

Tilknyttede begrep

Tilknyttede artikler

Tilknyttede FAQ

Metadata

Tiltenkt målgruppeLearners
Læring og undervisningMotivation, Self-Regulated Learning
Likestilling, etikk og ansvarlig brukEthics
Grunnlaget for AI i utdanningElevhandlekraft, Kognitiv avlasting, Menneske-AI-samarbeid
KildeHistorikkRedigerChat

Bygg inn denne siden

Kopier koden nedenfor for å bygge inn denne siden i et læringsstøttesystem eller et annet nettsted. Den innbygde versjonen viser bare sideinnholdet — den skjuler nettstedets topptekst, navigasjon og bunntekst.