AI i undervisning

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

AI i undervisning (AIED) — det brede, tverrfaglige feltet som anvender kunstig intelligens på undervisning og læring, og som studerer dets utforming, bruk, evaluering og konsekvenser. Som kunnskapsbasens paraplybegrep omfatter AI i undervisning både AI for utdanning (å bruke AI for å forbedre undervisning og vurdering) og utdanning om AI (å utvikle AI-kompetanse og kritisk forståelse). Det ligger i skjæringspunktet mellom utdanningsteknologi, læringsvitenskapene — det empiriske forskningsfeltet som spør om en elev endret seg, ikke bare om et verktøy presterte — informatikk, utdanningspolitikk, Ethics og likestilling. Denne siden er en innføring i feltet og et kart over alle begrepene kunnskapsbasen dekker.

Spørsmål å vurdere

• «AI i undervisning» spenner over to retninger: AI for utdanning (å bruke AI for å forbedre undervisning) og utdanning om AI (å bygge kompetanse og kritisk forståelse). Hvilken er mest kjent for deg, og hvilken har du en tendens til å overse?
• Feltets historie er formet som en tilbakevendende spenning mellom kontroll og elevmedvirkning. Når du ser hvordan AI-verktøy tas i bruk, hvor legger du merke til at samme spenning utspiller seg i dag?
• AI i undervisning ligger i skjæringspunktet mellom teknologi, læringsvitenskap, politikk, etikk og likestilling. Hvilket av disse perspektivene legger du naturlig til grunn når du vurderer et AI-verktøy — og hvilket er det sannsynlig at du glemmer?
• Denne kunnskapsbasen organiserer feltet i tråder: pedagogikk, læringsteorier, teknologier, fag, vurdering, tilbakemelding, interessenter og styring. Hvis du skulle kartlegge din egen bruk av AI, hvilken tråd ville du havne i?
• AIED omfatter å lære elever å bruke AI kritisk som et mål i seg selv. Er AI i din kontekst behandlet mer som et fag å undervise i eller et verktøy å bruke — og speiler den balansen det elevene faktisk har behov for?
• Elever kan lære AI-kompetanse ved å bruke AI kritisk, ikke bare ved å lære om AI. Hvordan kan praktisk, kritisk bruk bygge forståelse som passiv undervisning ikke kan?

Introduksjon

AI i undervisning er paraplyen som alle andre begrepssider kollektivt definerer. Kunnskapsbasen organiserer feltet i hovedtrådene nedenfor, hver med lenker til de relevante begrepssidene.

Et milepælsverkende historisk perspektiv, Mishra et al., sporer AIED fra kybernetikk og Dartmouth-konferansen i 1956 gjennom kognitive veiledere og Paperts konstruksjonisme, og argumenterer for at dagens GenAI-debatter gjentar feltets grunnleggende spenning mellom kontroll og Learner Agency.

Hvordan kunnskapsbasen er organisert: paraplysidene

Kunnskapsbasens begrepsdekning er forankret i flere paraplysider som grupperer beslektede begrep i navigerbare tråder. Disse er gode innganger til å utforske feltet:

• AI i undervisning — denne siden, feltets oversikt og kart over all dekning.
• AI-kompetanse — paraplyen for å forstå, bruke og kritisk vurdere AI, og den spenner over prompt engineering, kritisk tenkning, AI-etikk og ansvarlig bruk. Ved siden av dette rammer menneske–AI-samarbeid og agentisk AI hvordan mennesker og AI arbeider sammen.
• Pedagogiske tilnærminger og undervisningsstrategier — paraplyen for hvordan undervisning skjer: undervisningsmetodene og strategiene AI opererer innenfor (aktiv, samarbeidsbasert, prosjektbasert, problembasert, erfaringsbasert, spillbasert, sokratisk, Scaffolding og flere), inkludert den særegne konteksten nettundervisning og nettbasert læring.
• Læringsteorier — paraplyen for hvordan læring skjer: de teoretiske rammene (Behaviorism, kognitivisme, konstruktivisme, sosiokulturell, kognitiv, motivasjonsrettet) som former AI-design og -evaluering.
• Teknologier — paraplyen for det tekniske laget: AI-systemene (LLM-er, generativ AI, Multimodal AI, robotikk) og teknikkene (RAG (Retrieval-Augmented Generation), prompt engineering, forsterkende læring, modelltrening, agentisk orkestrering) som driver AIED. Elevmodelleringsfamilien — kunnskapssporing, kognitiv diagnostisering, simulering av elever, og systemene som forbruker dem (intelligent veiledning, adaptiv læring, tilpasset læring) — er gruppert under paraplyen Elevmodellering og adaptiv undervisning innenfor denne tekniske tråden.
• AI i fagene — paraplyen for hvordan AI anvendes på tvers av fagområder (matematikk, fysikk, språklæring, informatikk, skriving, STEM, ingeniørfag, næringsliv, lærerutdanning, helsefag og flere) — og, forbi de akademiske fagene, den profesjonelle og anvendte tråden som vurderer demonstrert praksis snarere enn riktighet (sykepleie, informasjonsteknologi, yrkesfaglig utdanning og opplæring, designutdanning) — og utdanningsnivåer (K-12, høyere utdanning, voksenlæring).
• Assessment (med trådene formativ, summativ, autentisk, muntlig og automatisert) — paraplyen for hvordan AI både vurderer elever og omformer vurderingens validitet og integritet.
• Feedback — paraplyen for hvordan tilbakemelding genereres, leveres og brukes: tilbakemeldingssløyfen, tilbakemeldingskvalitet, tilbakemeldingskompetanse, og dens vurderingskontekster (formativ, medelev, automatisert).
• Interessenter i AI-utdanning — paraplyen for hvem aktørene er: elever, lærere, læringsdesignere, administratorer og beslutningstakere.
• Evaluering av AI i utdanning og forskningsmetoder — paraplyene for hvordan vi vet om AI virker: effektstudier, benchmarker, randomiserte kontrollerte studier, metaanalyse og læringsutbytte som kjernemålet på utfall. Lesere bør også veie de tverrgående begrensningene ved dette bevisgrunnlaget.
• AI-styring, utdanningspolitikk for AI og likestilling — paraplyene for det institusjonelle, regulatoriske og rettferdighetsrettede laget (se også AI Regulation in Education og Privacy).

Disse paraplysidene er lenket gjennom avsnittene nedenfor; hver tråd nedenfor navngir både sin paraply og sine bestanddelsbegrep.

To dimensjoner av AI i undervisning

Forskning på AI i undervisning spenner over to sammenhengende retninger:

• AI for utdanning — å bruke AI-systemer til å styrke undervisning, læring, vurdering og administrasjon. Dette omfatter AI-veiledning, adaptiv læring, tilpasset læring, automatisk karaktersetting av tekster, automatisk generering av spørsmål, automatisert vurdering, formativ vurdering, læringsanalyse og tilbakemeldingssløyfer.
• Utdanning om AI — å lære elever og pedagoger å forstå, bruke og kritisk vurdere AI. Kjernen er AI-kompetanse, støttet av prompt engineering, kritisk tenkning, AI-etikk, styringsutdanning, digital kompetanse og ansvarlig bruk.

Disse to dimensjonene er ikke atskilte: å bruke AI godt krever at man forstår det, og undervisning om AI berikes ved å bruke det. Dette menneske–AI-samarbeidet er et sentralt tema.

Grunnlaget for AI i undervisning

Feltets tverrgående og grunnleggende begrep forankrer kunnskapsbasens dekning og vises først i sidepanelet. De åpner med en Essensielt-gruppe — begrepene enhver leser bør starte med: paraplyen selv, feilaktige oppfatninger om AI, AI-kompetanse, agentisk AI, kognitiv avlasting, hvordan AI-bruk rammes inn for elever, å redusere AI-misbruk, akademisk integritet, undervisning, læringsdesign og utdanningsutvikling. Tråden felt dekker deretter feltets historie, de tverrgående begrensningene ved bevisgrunnlaget, dets filosofi, kartet over teorier og rammeverk og teoriutvikling. De tverrgående temaene — menneske–AI-samarbeid, elevmedvirkning, elevidentitet, designtenkning, kurseutforming, kritisk tenkning og computational thinking — går på tvers av alle tråder, fordi de unøyaktige mentale modellene folk har om AI ligger oppstrøms for misbruk og underkalibrert tillit.

Læring og undervisning

Hvordan AI støtter undervisning og læring er hjertet av feltet. Viktige begrep omfatter:

• Kjernepedagogikk: pedagogiske tilnærminger og undervisningsstrategier — paraplyen for kunnskapsbasens dekning av undervisningsmetoder — sammen med pedagogiske mønstre (de testede sekvensene disse metodene oppløses i), aktiv læring, samarbeidsbasert læring, gruppearbeid, prosjektbasert læring, problembasert læring, produktivt feiling, undersøkelsesbasert læring, erfaringsbasert læring, spillbasert læring, læring gjennom undervisning, Scaffolding, den sokratiske metode, kritisk pedagogikk, pedagogiske partnerskap, fortelling, læringsdesign, nettundervisning og nettbasert læring og video i utdanning.
• Læringsteorier og prosesser: paraplyen læringsteorier (Behaviorism, kognitivisme, konstruktivisme, sosiokulturell, distribuert kognisjon, situert læring, legemliggjort læring, undersøkelsesfellesskap) ligger side om side med elevrettede prosesser som selvregulert læring, selvbestemmelsesteori, Motivation, Self-Efficacy, selvstyrt læring, Metacognition, ønskværdige vanskeligheter, overføring av læring, forutgående kunnskap, ICAP kognitiv engasjement, motargumentasjonstekst, henting, spredning og innfletting og aktivitetsteori.
• Elevengasjement og -opplevelse: elevengasjement, Help-Seeking, sosioemosjonell læring, Well-Being, Creativity, problemløsning, mestringslæring og elev–AI-interaksjon former hvordan elever faktisk møter og påvirkes av AI, mens de sosiale normene som fester seg rundt AI-bruk avgjør hvor åpent noe av det kan diskuteres. Utenfor kurset dekker elevstøtte og -suksess det institusjonelle arbeidet — veiledning, oppsøkende arbeid, henvisning og fordelingen av knapp støtte — hvor AI pålitelig flytter oppgavegjennomføring, men ikke utholdenhet eller fullføring.

Teknologier og teknikker

Siden Teknologier er paraplyen for det tekniske laget:

• Modeller og teknikker: generativ AI, store språkmodeller, retrieval-augmented generation, multimodale modeller, utdannings-NLP, forsterkende læring, kunnskapsgrafer, roboter i utdanning, samtalebasert AI, Simulation og LLM-trening og finjustering. De underliggende metodene teller også: maskinlæring er hvor disse systemene bygges, tale- og stemmeteknologier bærer muntlig veiledning og språktrening, Visualization dekker dashbord og visuell analyse for elever og undervisere, og virtuell og augmentert virkelighet er vert for immersiv praksis hvis visuelle lag modellen nå kan generere. Nyere interaksjonsstiler hører også hjemme her — mest prominent vibe coding, den naturligspråklige arbeidsflyten der brukeren spesifiserer et program ved å prompte en LLM og bedømmer den resulterende oppførselen i stedet for å lese eller redigere kildekode. Det omformer programmering til en handling av uttrykk og verifisering og senker terskelen for sluttbrukere som bygger sine egne verktøy. Integrasjonsdybderammeverk som SAMR og adopsjonsteorier som TAM klassifiserer hvor dypt AI tas i bruk og hvor mye det transformerer oppgaven.
• Elevmodellering og adaptive systemer: de tekniske systemene som representerer og tilpasser seg eleven, er gruppert under paraplyen Elevmodellering og adaptiv undervisning — kunnskapssporing, kognitiv diagnostisering, simulering av elever, intelligent veiledning, adaptiv læring, tilpasset læring, anbefalingssystemer og læringsstier, pedagogiske agenter, affektiv veiledning, affective computing, menneske-i-sløyfen-AI og læringsanalyse. Disse ligger i det tekniske laget fordi de er AI-systemene selv, atskilt fra pedagogikkene de realiserer.

AI i fagene

AI anvendes på tvers av fag og utdanningsnivåer. Kunnskapsbasens oversikt over AIED i fagene kartlegger dekningen etter fagområde — sammen med læringsvitenskapene, som ikke er et undervisningsfag men det tverrgående forskningsfeltet som studerer læring i seg selv og behandler faginnhold som en variabel blant flere:

• Fagområder: matematikk, fysikk, kjemi, biologi, informatikk, ingeniørfag, STEM, skriving, språklæring, engelskundervisning (EAP/EFL/ESL), naturfagundervisning, næringsliv, økonomi og ledelse, humaniora og samfunnsvitenskap, kunst, design og medieutdanning, medisinske og helsefag, juridisk utdanning og de profesjonelle og anvendte trådene — sykepleie, informasjonsteknologi, yrkesfaglig utdanning og opplæring og designutdanning.

Nivåer og kontekster

Det samme AI-verktøyet møter svært ulike settinger, og kunnskapsbasen skiller utdanningsnivået fra pedagogikken slik at funn ikke overføres tvert i det stille på tvers av dem: K-12-skoler, barnehage og barneskole, høyere utdanning, voksenlæring, yrkesfaglig utdanning og opplæring, spesialundervisning og lærerutdanning. Domenabegreper som går på tvers av nivåer omfatter universell utforming for læring, Neurodiversity, flerspråklig læring og sosioemosjonell læring.

Vurdering og måling

AI transformerer både hvordan vi vurderer elever og hvordan vi evaluerer AI-systemene selv:

• Vurdering og tilbakemelding: Assessment, formativ vurdering, summativ vurdering, autentisk vurdering, e-portefølje, Feedback og tilbakemeldingskompetanse, kvalitet på AI-tilbakemelding, medelevvurdering, muntlig vurdering, automatisert vurdering, automatisk karaktersetting av tekster og automatisk generering av spørsmål. Fordi en modell nå kan produsere plausibelt ferdig arbeid på forespørsel, setter kunnskapsbasen den evnen i forgrunnen som fortsatt er elevens egen: evaluerende dømmekraft, evnen til å vurdere kvaliteten på sitt eget arbeid, medelevers arbeid og AI-output mot begrunnede kriterier. Det er konstruktet flere tilbakemeldings- og autentisk-vurderingsstudier konvergerer mot — den hybride tilbakemeldingsbetingelsen som presterer bedre enn direkte AI-tilbakemelding i et flersentereksperiment, bærekraftighetsgapet i formativ AI-tilbakemelding, og det praktiske grepet om å vurdere beslutningene elevene tar snarere enn bare artefakten — og det er en kjernårsak til at omlegging i AI-tiden skifter fra deteksjon mot oppgaver hvis integritet tåler inspeksjon. Gruppearbeid vurderes likeledes etter både prosess og produkt, der team må forhandle om hvem sin og hva slags AI-engasjement som regnes som akseptabelt.
• Måling og validitet: vurderingsvaliditet, psykometrisk bevisst AI, utdanningsmåling, item response theory, selvrapporteringsmål (instrumentet bak en stor andel av dette bevisgrunnlaget, og en tilbakevendende begrensning), AI-deteksjon, fjernovervåket eksamen og akademisk integritet.

Forskningsmetoder og evaluering

Hvordan vi vet om AI virker er sin egen tråd, og kunnskapsbasen behandler den som én:

• Forskningsmetoder: forskningsmetoder i AIED som paraply, med tilnærmingene kvalitativ, kvantitativ, mixed methods, designbasert og brukervennlighet, i tillegg til randomiserte kontrollerte studier, metaanalyse og systematisk gjennomgang og nettverksanalyse.

Feltets eget forskningsarbeid er nå et fag i seg selv. AI-assistert utdanningsforskning dekker AI brukt som instrument for litteratursøk, screening, kvalitativ koding, analyse og skriving, inkludert praktikerrettet forskning som scholarship of teaching and learning. Det holdes atskilt fra designene som brukes til å studere hva AI gjør med elever.

• Evaluering av AI-systemer: Evaluering av AI i utdanning og benchmarker for å bedømme et systems kapasitet, med læringsutbytte som utfallet som teller, og de tverrgående begrensningene ved dette bevisgrunnlaget og hvordan lese en enkeltstudie som det forsiktighetsrettede motvekten.

Mennesker

AI i undervisning endrer rollene til alle interessenter. Kunnskapsbasens side Interessenter i AI-utdanning er paraplyen som dekker alle:

• Elever: elevopplevelse, karriereutvikling og beredskap og AI-angst og -stress former hvordan elever møter AI.
• Familier og lokalsamfunn: foreldre og familier er målgruppen skolen oftest henvender seg til om AI og den med minst forskning bak rådene, så deres bekymringer hører hjemme i interessentbildet snarere enn utenfor det.
• Undervisere og undervisningsrammeverk: lærerkompetanse i AI, teknologisk pedagogisk fagkunnskap (TPACK), SAMR og utdanningsutvikling tar for seg pedagogernes forberedelse og støtte.
• Utviklere: Educational Technology Developers — produktdesignerne, programvareutviklerne, læringsingeniørene og analysedesignerne som gjør en modellkapasitet om til noe en institusjon kan innkjøpe. De er en egen målgruppe adskilt fra praktikerne og administratorene ovenfor, og de befinner seg utenfor institusjonene som tar i bruk verktøyene deres, og det er derfor forvaltede standarder, medesign og vedlikehold etter finansiering fremstår i denne kunnskapsbasen som pedagogiske spørsmål snarere enn kommersielle.

Institusjoner og politikk

Det institusjonelle laget er der AI-beslutninger faktisk fattes og forsvares: administratorer og institusjonelle ledere, utdanningspolitikk for AI, AI-styring, endringsledelse som arbeidet med å få en adopsjon til å sitte, AI-regulering, og innkjøps- og plattformspørsmålene som følger av teknologiadopsjon, åpen kildekode og edtech-plattformer, sammen med profesjonell og livslang læring og profesjonell opplæring.

Likestilling, etikk og ansvarlig bruk

Rettferdighet, tilgang og ansvar er sentrale for AI i undervisning:

• Likestilling og tilgang: Likestilling, differensielle effekter på tvers av elevgrupper (spørsmålet om hvem et funn gjelder for), digitale kløfter, skjevhetsreduksjon, kulturelt relevant pedagogikk, flerspråklig læring, inkluderende læring, Accessibility, hjelpemidler, Neurodiversity, universell utforming for læring og studier fra den globale sør.
• Etikk og ansvar: AI-etikk, AI-misbruk og læringsskade, juridiske spørsmål og risikoer, deklarasjon av AI-bruk, Guardrails, Privacy, hallusinasjonsrisiko, AI-smiger, Trust, tillitskalibrering, å redusere AI-misbruk, hvordan AI-bruk rammes inn for elever, pedagogisk sikkerhet, Sustainability og kognitiv avlasting.

En systematisk gjennomgang av feltets etikklitteratur (Agarwal et al. 2026, 25 artikler) konsoliderer AIED-etikk i seks hovedetiske verdier — ikke-diskriminering, datahåndtering, menneskelig tilsyn, godvilje, forklarbarhet og pedagogisk egnethet — og kartlegger de etiske normene i en interessent-etter-verdi-matrise. Studien finner at sluttbrukere stort sett er passive i etikklitteraturen (elevstemmer praktisk talt fraværende) og krever at etikk integreres i AIED-design og et større fokus på det pedagogiske dimensjonen ved AIED-etikk.

Nye og tverrgående temaer

Flere temaer går på tvers av feltet:

• Tillit og kritisk bruk: Trust, tillitskalibrering, AI-smiger, kritisk tenkning, kognitiv avlasting, kritisk pedagogikk og å redusere AI-misbruk (se også hvordan AI-bruk rammes inn for elever). Hvordan elever og lærere beslutter å ta i bruk og stole på AI, modelleres av forskning på teknologiaksept, mens studier fra den globale sør setter likestilling og kulturell kontekst i forgrunnen i adopsjon. Empirisk er det slik at hvordan AI forklarer seg former denne tilliten: Feldman-Maggor et al. (2025) viste at forklarbar AI bygger lærernes tillit til AI-anbefalinger gjennom forståelighet, med domenstyrte (kurrikulærspråklige) forklaringer som er mer tiltrodd og akseptert enn datadrevet feature-importance-output.
• Feltets utvikling: kunnskapsbasen sporer AI i undervisning fra tidlige intelligente veiledningssystemer og kunnskapssporing til LLM-drevet veiledning, agenter og agentisk AI — et raskt skifte fra verktøysentrerte studier til sosiotekniske rammeverk (designtenkning, kurseutforming, institusjonell endring), og fra håndskrevne systemer til brukerstyrte arbeidsflyter der en elev eller en ikke-programmerer spesifiserer oppførsel på naturlig språk (vibe coding). Rismanchian & Doroudi formaliserer denne banen med sitt AI×Ed-rammeverk, og sporer artikler på tvers av fire tiår med konferanseartikler for å vise at feltet gikk fra en mangfoldig blanding — inkludert betydelig forskning som behandlet AI som en analogi til menneskelig intelligens og læring — mot et nesten utelukkende fokus på anvendte, datadrevne, forskerrettede bruksområder, en vending som fremveksten av LLM-er nå ser ut til delvis å reversere (tre av de fire «AI-som-analogi»-artiklene på AIED 2024 var LLM-baserte).
• Følelser, angst og karrierefremtid: AI utløser og former emosjonelle reaksjoner — AI-angst og -stress som spenner over overvåking ved eksamen, integritetsfrykt og yrkesutfasing — mens karriereutvikling og beredskap tar for seg hvordan utdanning forbereder elever på et AI-forstyrret arbeidsmarked (se også Well-Being).

Feltmodenhet

Kunnskapsbasen reflekterer et felt i rask utvikling — fra tidlige intelligente veiledningssystemer til LLM-drevet veiledning og agentisk AI; fra deteksjonsfokuserte verktøy for akademisk integritet til omlegging av vurdering; fra verktøysentrerte studier til sosiotekniske og likestillingsrettede rammeverk. Bevisgrunnlaget legger stadig større vekt på grundige forskningsmetoder, evaluering, eksperimentelle design og langsiktige utfall.

Forbindelser

AI i undervisning henger sammen med alle begrep i kunnskapsbasen — det er feltet som alle andre begrepssider kollektivt definerer. Bruk denne siden som utgangspunkt for å navigere i hele kunnskapsbasen.

Tilknyttede begrep

• Pedagogical Patterns — De testede sekvensene som operasjonaliserer feltets pedagogiske tilnærminger
• AI-kompetanse — paraply: å forstå, bruke og vurdere AI
• Human AI Collaboration — paraply: hvordan mennesker og AI arbeider sammen
• Pedagogies and Teaching Strategies — paraply: undervisningsmetoder og strategier
• Learning Theories — paraply: hvordan læring skjer
• Technologies — paraply: modeller, teknikker og systemer
• AIEd in the Disciplines — paraply: AI på tvers av fagområder og nivåer
• Assessment — paraply: hvordan AI vurderer elever og omformer validitet
• Feedback — paraply: hvordan tilbakemelding genereres, leveres og brukes
• Stakeholders — paraply: hvem aktørene er
• Learners — paraply: elevsidens begrep (opplevelse, identitet, medvirkning, interaksjon, elevmodeller)
• AI Ed Evaluation — paraply: hvordan vi vet om AI virker
• Research Methods in AIED — paraply: effektforskningsmetoder
• AI-Assisted Educational Research — AI-assistert utdanningsforskning
• AI Governance — paraply: det institusjonelle og regulatoriske laget
• Educational AI Policy — paraply: politikk, veiledning og implementering
• Equity — paraply: rettferdighet, tilgang og inkludering
• Learning Sciences — det empiriske feltet bak AIED
• Ethics — de etiske dimensjonene ved AI i undervisning
• Misconceptions about AI — de mentale modellene folk har om AI
• Interpreting and Applying AIEd Research — å lese en studie, og overføre et funn til praksis
• Limitations in AIEd Research — tverrgående begrensninger i bevisgrunnlaget
• Meta-Analysis and Systematic Review — hva gjennomgangene og metaanalysene etablerer
• History of AI in Education — hvordan feltet utviklet seg
• Philosophy of AI in Education — de filosofiske grunnlagene
• Theories and Frameworks — kartet over teori- og rammeverknoder
• Theory Development in AI in Education — å bygge og revidere teori

Tilknyttede artikler

Feltomfattende gjennomganger av AI i undervisning — studiene som gjennomgår hele feltet eller et helt utdanningsnivå snarere enn ett tema:

• The Evolution of Research on AI and Education Across Four Decades: Insights from the AIxEd Framework — Utviklingen av AI-og-utdanning-forskning på tvers av fire tiår (AIxEd-rammeverket)
• Control vs. Agency: Exploring the History of AI in Education — Kontroll vs. medvirkning: en historie om AI i undervisning
• Generative AI in Higher Education: A Systematic Review of Opportunities, Challenges, and Pedagogical Innovations (2022–2025) — Generativ AI i høyere utdanning: systematisk gjennomgang av 125 studier
• The Evidence Base on AI in K-12: A 2026 Review — Bevisgrunnlaget om AI i K-12: en gjennomgang av 818 artikler
• Generative AI technologies and educational outcomes: a comprehensive meta-analysis comparing traditional and AI-driven approaches — Generativ AI og utdanningsutfall: omfattende metaanalyse