AI-kompetanse

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

AI-kompetanse — de kunnskaper, ferdigheter og kritiske holdninger som trengs for å forstå, vurdere og effektivt bruke AI Technologies i utdanningskontekster. AI-kompetanse spenner over grunnleggende forståelse av hvordan AI fungerer, praktisk kompetanse i å bruke AI-verktøy, kritisk vurdering av AI-resultat og etisk bevissthet om AI:s samfunnsmessige konsekvenser.

Spørsmål å vurdere

• Hva betyr det å være «AI-kompetent»? Er det å kunne bruke verktøyene, å forstå hvordan de fungerer, eller å kunne kritiskt vurdere resultatene deres — og hva betyr mest for dine egne mål?
• Selvrapportert AI-kompetanse avviker kraftig fra målt ytelse — lærere overslår sine egne ferdigheter med omtrent 40%. Hvor sikker er du på dine egne AI-ferdigheter, og hvilket belegg ville du stolt på for faktisk å teste den sikkerheten?
• AI-kompetanse beskrives som en metakognitiv sosial praksis, ikke en sjekkliste over ferdigheter. Fordi LLM-er er probabilistiske og ugjennomsiktige, hva betyr det å «kritisk vurdere» resultat når du ikke kan se inn i modellen?
• Det finnes en spenning mellom kritisk-bruks-kompetanse for akademiske settinger og arbeidsflytintegrert kompetanse for yrkeslivet — pedagoger og arbeidsgivere verdsetter ulike ferdigheter. Hvilken form for AI-kompetanse underviser din kontekst egentlig i?
• Rent teknisk AI-kompetanseopplæring, uten støtte til selvinnsikt og selvregulering, kan faktisk øke avhengigheten av AI. Hvordan kan det å lære å bruke AI gjøre deg mer avhengig av det i stedet for mer kompetent?
• AI-kompetanse er også en gjenkjenningsferdighet: å oppdage når en AI er enig med deg fordi den er smigrende, i motsetning til fordi du har rett. Har du noen gang tatt en AI på å bare fortelle deg det du ville høre?

Introduksjon

AI-kompetanse har raskt etablert seg som en kjernekompetanse for elever, pedagoger og institusjoner etter hvert som Generative AI blir innebygd i utdanningen. Til forskjell fra generell digital kompetanse krever AI-kompetanse forståelse av probabilistiske systemer som kan hallusinere, utvise skjevhet og flytte Learner Agency fra menneske til maskin — noe som gjør Critical Thinking og overavhengighet sentrale for konstruktet.

Dimensjoner av AI-kompetanse

AI-kompetanseforskning i denne kunnskapsbasen spenner over fire sammenhengende dimensjoner:

Rammeverk sporer i økende grad hvordan disse dimensjonene realiseres i praksis: Dai & Chan (2026) viser hvordan forskerstudenter realiserer alle fire dimensjoner når de bruker Generative AI på tvers av forskningsarbeidsflyten, og bygger forskningsspesifikke retningslinjer for ansvarlig bruk ut fra dem, mens Şan & Orhan Karsak (2026) bruker ord-assosiasjons-kartlegging til å vise at tyrkiske bachelorstudenters AI-kognisjon er instrumentelt dominert av en «black-box»-forståelse, med etisk-styringsmessige begrep strukturelt isolert (τ=−0.819) — et belegg for at utformingen av kvalifikasjoner må bevisst bygge bro mellom erfaringsbasert verktøybruk og etiske rammeverk.

Etterspørselen avhenger av hva eleven og systemet gjør sammen. Kompetanserammeverk beskriver vanligvis ett generisk sett med kompetanser, men hva en GenAI-støttet aktivitet faktisk krever, varierer med hvordan det epistemiske arbeidet er fordelt innenfor den. Sun, Dohn og Rehm (2026) klassifiserte 102 empiriske studier fra høyere utdanning mot Strobel et al.s taksonomi over GenAI-anvendelser, og fant at Assistant- og Enabler-sammenvevninger dominerte med 42.16 % av korpuset hver, mens Generator, Reimaginator og Synthesizer til sammen utgjorde under en femtedel — et skjeve forhold de tilskriver institusjonell legitimitet snarere enn modellkapasitet, siden de samme modellene støtter alle fem. Å lese hver type gjennom Dohns tre kontekstnivåer (domenintern, aktivitetsintern, aktivitetsrammende) viser at kravene holder sammen for Assistant-arbeid og splintres for de marginale typene, der det aktiviteten ber eleven om skiller seg fra det institusjonen anerkjenner som legitim kompetanse. Deres konklusjon flytter kompetansen bort fra verktøyflyt som sådan: GenAI-kompetanse er evnen til å gjenkjenne hvordan epistemisk arbeid og ansvar er fordelt i en gitt sammenvevning, og til å handle hensiktsmessig innenfor den.

Grunnleggende kunnskap: Å forstå hva LLM-er er, hvordan de skiller seg fra regelbaserte systemer, og deres grunnleggende begrensninger. Dette omfatter bevissthet om modellkapasiteter, skjevheter i treningsdata og skillet mellom oppgavespesifikk AI og generelle modeller. Forskning i Prompt Engineering undersøker hvordan forståelse av promptmekanismer påvirker effektiv AI-bruk.

Praktisk kompetanse: Evnen til å bruke AI-verktøy effektivt — fra Prompt Engineering til å tolke resultater. Studier av elevers GenAI-bruksmønstre viser at tilgang til verktøy alene ikke skaper kompetanse; strukturert øving og Scaffolding er avgjørende. Vibe coding-rammeverket viser hvordan K-12-lærere kan utvikle praktisk AI-kompetanse gjennom veiledet verktøybygging. Miles, Haber-Curran og Arar (2026) argumenterer for at denne dimensjonen har en del som optimaliseringsopplæring går glipp av: promptkompetanse, til forskjell fra prompt engineering, behandler prompting som en retorisk og etisk handling, slik at undervisning som kun finjusterer resultater for bedre ytelse etterlater de etiske og epistemologiske dimensjonene ved LLM-bruk urørt.

Kritisk evaluering: Evnen til å vurdere AI-resultater for nøyaktighet, skjevhet og hensiktsmessighet. Forskning på kompetansevurdering viser et gap på 40 % mellom selvrapportert og ytelsesbasert AI-kompetanse — folk overslår konsekvent sine egne evalueringsferdigheter. Den avviket er det klareste tilfellet i kunnskapsbasen av et selvrapporteringsmål som ikke klarer å spore den kompetansen det peker på. Dette henger sammen med overavhengighet-forskning som viser at elever som stoler på AI ukritisk lærer mindre. Nyere begrepsmessig arbeid flytter evalueringen mot verifisering: PEARLS-rammeverket (Wang) behandler AI-resultat som et foreløpig kunnskapskrav hvis berettigelse må samles og undersøkes på tvers av seks dimensjoner (Prosess, Bevis, Tilgang, Reproducerbarhet, Legitimitet, Kilde), og videreutvikler verifiseringsdrevet læring som den mekanismen der elever bygger ekspertise mens de sjekker AI-påstander. Som et supplement tilbyr det elevsentrerte rammeverket for ansvarlig bruk (Alsammani) ti elevrettede retningslinjer fordelt på søylene Læring og vekst, Etikk og integritet, og Bevissthet og trygghet, som eksternaliserer metakognitive spørsmål ved beslutningstidspunktet. For videregående elever forankrer AI-Assisted Research Competency (AARC)-rammeverket (Beau, Flaquière & Lazar 2026) dette i dydsepistemologi og AI-intuisjon, og definerer forskningskompetanse som å drive undersøkelse med AI uten å avstå fra forfatterskap, dømmekraft, verifisering eller ansvar — operasjonalisert som en analytisk vurderingsrute og en verify–cite–reflect-forpliktelsesrutine. I vurderings-enden foreslår Saleh (2026) en human capability test som gjør evaluering til et designprinsipp: spør hva en elev må demonstrere selvstendig, hva som kan styrkes gjennom AI-augmentering, og hva eleven må verifisere, forsvare og ta ansvar for.

Faglig verifisering setter den samme målestokken enda høyere. Vega-Baudrit og Rivera Alvarez (2026) argumenterer for at den kjernekompetansen AI krever i universitetskjemi er representasjonsoversettelse på tvers av Johnstones makroskopiske, submikroskopiske og symbolske domener, fordi et resultat kan være lokalt overbevisende i ett domene mens det motsier ladningsbalansen, en mekanisme eller en sikkerhetsgrense i et annet. Deres råd er verifiseringssenteret integrering: gjør verifisering til en vurdert aktivitet, behold promptlogger og revisjonshistorikk som resonnementstrader, og behandl prompting som en epistemisk handling som spesifiserer begrensninger, antakelser og tilstrekkelighetskriterier, der elevene identifiserer en falsk antakelse eller begrunner avvisningen av et generert svar.

Etisk og institusjonell bevissthet: Å forstå AI:s bredere konsekvenser — fra Academic Integrity til Equity til Privacy. AI-kompetanse på institusjonelt nivå omfatter politikkutvikling, Educational Development, og styringsrammeverk — institusjonell AI-kompetanse er et spørsmål om politikk i like stor grad som pedagogikk. EPIQ-AI-rammeverket rammer institusjonell AI-kompetanse som en sosioteknisk tilpasningsutfordring, ikke bare individuelle opplæring.

• AI-kompetanse som en styringskapasitet for bærekraftig utvikling. Islam, Morshed og Islam (2026) omdefinerer AI-kompetanse som en styringsorientert kapasitet snarere enn en rent pedagogisk eller teknisk ferdighet, og knytter den til alle sytten av FNs bærekraftsmål. Deres Sustainability seks nivåer omfattende AIRE Taxonomy (Recognize → Comprehend → Apply → Analyze → Integrate → Govern) utvider Blooms hierarki ved å legge til etisk syntese og strategisk framsyn, og plasserer avanserte kompetanser (Analyze–Govern) som veien fra grunnleggende kompetanse til styring på institusjons- og politikknivå — en «18. bærekraftsmål»-heuristikk som behandler kompetanse som en tverrgående kognitiv og etisk bro. En undersøkelse blant 300 yrkesutøvere i en nasjonal kontekst fikt sterk teknisk bevissthet, men begrenset etisk og styringsmessig beredskap, med etisk resonnering og reflekterende tenkning som de sterkeste prediktorer for bærekraftig, troverdig AI-bruk og styringskompetanse som den sterkeste prediktoren for bevissthet om AI–SDG-sammenhengen (β = 0.64). Dette gir empirisk grunnlag for kunnskapsbasens vektlegging av kritisk-bruks-kompetanse og knytter AI-kompetanse direkte til politisk integrering. Tilgangen på rammeverk er nå i seg selv et problem. Fitsilis (2026) sammenlignet 16 institusjonelt anerkjente rammeverk for AI-kompetanse innen utdanning og arbeidskraftutvikling, og fant en delt kjerne på ti kompetanseområder, men stor variasjon i struktur, progresjon og implementeringsveiledning — den praktiske vanskeligheten er å velge mellom dem, ikke mangel på dem.

Hvordan AI-kompetanse utvikles

Forskning peker på samarbeidsbaserte og aktive tilnærminger som de mest effektive. Rismanchian & Doroudi posisjonerer AI-kompetanse som mer enn anvendt ferdighet: i deres AI×Ed-rammeverk er eleven en særegen sluttbruker av AI (nådd gjennom AI-kompetanse og AI-utdanning), og de argumenterer for en fornyet satsning på AI-kompetanse som oppmuntrer til refleksjon over selve læringen — å behandle kompetanse som en vei tilbake til forskning på «AI som en analogi til menneskelig intelligens» om hvordan folk lærer, en retning feltet stort sett har forlatt. ICAP-rammeverket (Interactive → Constructive → Active → Passive) gir en nyttig taksonomi over kognitivt engasjement: elever lærer AI-kompetanse best når de medkonstruerer kunnskap i stedet for passivt å motta informasjon. Designere bør velge den modusen som passer læringsmålet, og favorisere de dypere (konstruktive og interaktive) modusene der det er mulig. Praktiske aktiviteter — å utforme prompter, vurdere resultater i grupper, debattere AI Ethics — presterer bedre enn forelesninger.

Tekstlig sammensetning starter fra levd erfaring — men begrepsdybde krever støttekonstruksjoner. Burriss et al. (2026) fant at unge forankret abstrakte AI-etiske prinsipper i systemer de møter daglig — elektroniske «hall passes», skolestyrede bærbare datamaskiner, plagiatdetektorer — der én gruppe forklarte at AI på skolen «var personlig for alle gruppemedlemmene», og 15 av 18 sluttundersøkelsessvar ved avslutningen av enheten rapporterte at det å lage videoen endret deres forståelse av AI-etikk. Forfatterne er tydelige på begrensningen: sammensetning sikret i seg selv ikke begrepsmessig forankring — «informed consent» ble oversatt som «We gotta approve», og noen begrep (f.eks. «failsafe») ble aldri forklart, noe som fikk dem til å planlegge dypere begrepsarbeid i senere runder. Kreativ produksjon utvikler AI-kompetanse best når eksplisitte begrepsmessige støttekonstruksjoner følger det å skape, i stedet for at det antas å oppstå av seg selv.

AI-intuisjon som den erfaringsbaserte komplementen til kompetanse. Et tilbakevendende gap er at K-12-rammeverk antar at elever går til AI gjennom deklarativ, regelbasert kunnskap, når de i praksis først utvikler et praktisk «følesans» for hvordan AI svarer — å eksperimentere med prompter, observere atferd, tilpasse strategier — før de kan artikulere formelle prinsipper. Beau & Lazar (2026) formaliserer dette som AI-intuisjon: en erfaringsbasert, induktiv, ofte taus forståelse som utvikles gjennom iterativ interaksjon med AI-systemer og støtter kontekstsensitiv dømmekraft under usikkerhet. Deres dobbelrammeverk plasserer AI-kompetanse (strukturerte, stort sett statiske kompetanser) side om side med AI-intuisjon (en dynamisk læringsprosess), og kartlegger begge på tvers av standarddimensjonene — forstå begrep, bruk verktøy, evaluer kritisk, anvend etisk, reflekter — slik at elever kombinerer begrepsmessig klarhet og Guardrails (kompetanse) med den praktiske visdommen om å stole men verifisere, og å bestemme når man skal trekke seg (intuisjon). Fordi intuisjon dyrker «ekspertobservasjon» av AI (f.eks. å stressteste prompter for å finne der en modell svikter), argumenterer forfatterne for at det er et vern mot overavhengighet og erosjon av kritisk tenkning; det skiller seg fra Prompt Engineering (som optimaliserer resultater) ved å sette epistemisk dømmekraft i forgrunnen. Dette knytter kompetanse til Experiential Learning, Constructivism, og utviklingsmessig forankret klasseromspraksis, og peker lærerforberedelsen mot å legge til rette for induktiv utforskning snarere enn bare å formidle begrep.

Motivasjon er en forutsetning, ikke bare et utfall. Liang et al. (2026) fant, på tvers av 2.086 secondary students i et AI-kurriculum over ett år, at elever som gikk over i eller forble i et selvbestemt motivasjonsprofil (høy autonomi, kompetanse og tilhørighetsbehovstilfredsstillelse) viste de største økningene i AI-kompetanse. AI-kompetanse utvikles gjennom vedvarende engasjement, og det engasjementet er i seg selv formet av motivasjon og støtte til psykologiske behov — derfor bør effektiv AI-kompetanseundervisning ta hensyn til elevenes motivasjon, ikke bare deres ferdigheter.

Undervisningsvekt og oppgavens åpenhet når ytelse gjennom ulike behov. Yu, Lin og Chen (2026) randomiserte 320 bachelorstudenter til fire grupper i et 2 x 2-eksperiment om en AIGC-bildegenereringsoppgave vurdert med en objektiv vurderingsrute (ICC = 0.89), og fant at tenkningsbasert undervisning, som dekket modellbegrensninger, kritisk evaluering og etikk, presterte bedre enn ferdighetsbasert promptingundervisning (M = 9.21 vs. 7.69, F(1, 316) = 50.79, p < 0.001, partielt eta-kvadratert = 0.138), med den større marginen på åpne oppgaver (10.10 vs. 8.00). Den strukturelle modellen viser at de to designvalgene følger ulike ruter: undervisning virket indirekte gjennom autonomi (beta = 0.035) og kompetanse (beta = 0.079), mens oppgavens åpenhet hovedsakelig virket gjennom autonomi (beta = 0.029), kompetanse var den sterkeste prediktoren for ytelse (beta = 0.358), og tilhørighet hadde ingen uavhengig effekt. Det undervisningen inneholder, teller derfor mer enn om elevene får promptingøvelse, og det teller mest når oppgaven er åpen.

Variablene rundt AI-kompetanse har siden blitt kartlagt bredere. En systematisk gjennomgang fra 2025 over det AI-kompetanse korrelerer med syntetiserte 31 studier på tvers av 14 land (N = 12.071), og fant de mest konsistente sammenhengene i det affektive og atferdsmessige båndet: AI-selvinnsikt, positive AI-holdninger, motivasjon og digital kompetanse beveget seg alle med AI-kompetanse, mens AI-angst og negative holdninger beveget seg mot den. Demografiske variabler knapt nok la merke til seg, med alder og sosioøkonomisk status som korrelerte svakt eller ikke i det hele tatt. Gjennomgangens advarsel handler om instrumenter: de samme studiene som produserte sterke korrelasjoner fra selvvurdering, viste også langt svakere da AI-kompetanse ble testet snarere enn selvrapportert.

En strukturlikningsstudie av 502 ansatte ved ett kinesisk forskningsuniversitet fant AI-kompetanse som den sterkeste prediktoren for velvære i møte med AI (β = 0.713), mot en liten teknologisk selvinnsikt-bane (β = 0.082), med sosial og organisatorisk støtte som nådde velvære kun indirekte (Liu et al. (2026)).

En tilsynelatende negativ sammenheng reverseres under kontroll: blant 303 bachelorstudenter i Hongkong korrelerte teknologiangst negativt med AI-kompetanse (r = −0.14), men predikerte likevel β = 0.15 i en felles modell, en effekt begrenset til kritisk evaluering og etisk kompetanse (Chow et al. (2026)).

Hu (2026) legger til en ordnet redegjørelse for hva AI-kompetanse predikerer, snarere enn hva som predikerer det. Ved å undersøke 450 universitetsstudenter i fastlands-Kina som allerede bruker ChatGPT, fant studien at AI-kompetanse hang direkte sammen med fortsatt bruk (beta = 0.16, p = 0.002) og indirekte langs en seriell bane gjennom Trust og akademisk Self-Efficacy (indirekte effekt = 0.07, 95 % CI [0.04, 0.10]), med koblingen fra kompetanse til tillit som den største sammenhengen i modellen (beta = 0.50). AI-angst modererte den første koblingen (interaksjonsbeta = -0.25, enkle stigninger som faller fra 0.76 til 0.25 over angstr rekkevidde), slik at kjeden tynnet ut for mer engstelige elever, og kompetanseundervisning alene bør ikke antas å nå dem. Designet er tverrsnitts, og utvalget er begrenset til eksisterende brukere, så rekkefølgen er en modelleringsantakelse snarere enn en observert sekvens.

Et kjerneanvendt mål for AI-kompetanse er Reducing AI Misuse: å lære elever å bruke AI etisk og produktivt i stedet for å erstatte deres eget kognitive arbeid med det. Der AI-kompetanse bygger kapasiteten til å evaluere og bruke AI kritisk, er å redusere misbruk den atferdsmessige og strukturelle gevinsten — ved å kombinere verktøyedesign med sikkerhetsgjerder, omlegging av vurdering, og pedagogiske virkemidler som støttede tenk-først/AI-sist-sekvenser og promptingøvelse med bevisst Feedback. De to begrepene forsterker hverandre gjensidig: AI-kompetanse gir de kritiske holdningene som gjør misbruksreduksjonsintervensjoner varige, mens bevisgrunnlaget om misbruksreduksjon (f.eks. ytelse–læring-gapet) begrunner hvorfor kompetanse må gå ut over operasjonell ferdighet til kritisk dømmekraft.

AI-kompetanse trenger også utviklingsmessig hensiktsmessige former for de yngste elevene. AI-Play oversetter AI-kompetansekompetanser til lekbaserte, unplugged aktiviteter for Pre-K–K2-elever — organisert rundt AI Body (AI som et system bygd av deler), AI Food (AI lærer av eksempler), AI Brain (AI forbedres gjennom mønstre og tilbakemelding), og et Pre/Post-AI-etisk linsesett — noe som tar tak i et vedvarende manglende utviklingsmessig forankret veiledning om AI-kompetanse for barnehage og tidligste skoleår, og gjør AI-kompetanse tilgjengelig for ikke-tekniske pedagoger og familier. Som et supplement fant Vahedian Movahed & Martin (2025) at barn i alderen 6–14 stort sett stolte på en alderstilpasset chatbot som informasjonskilde, og de fleste modellerte den som «et smart dataprogram som lærer» (en spede maskinlæringsforståelse), men likevel viste gap i kritisk engasjement og bevissthet om digital sikkerhet — et belegg for at unge elevers tillit kan gå fortere enn deres ferdigheter i kritisk evaluering, noe som gjør eksplisitt tillitskalibrering og sikkerhetsundervisning til en nødvendig del av AI-kompetanse for barn.

Måling holder tritt med denne utviklingsmessige vendingen i den yngste enden. Thianwan og Srikoons validering fra 2025 av et AI-kompetanse-spørreskjema for elever i øvre barneskole utviklet et 15-punkts-instrument for klassetrinn 4 til 6, organisert rundt Learning About AI, Learning About How AI Works, og Learning for Life with AI, og bekreftet en trefaktorstruktur i to utvalg (n = 335 og n = 579) med en total Cronbachs alfa på .934. Forfatterne rammer det som en formativ diagnostisering av oppfattet snarere enn demonstrert kompetanse, og bemerker at barns nøyaktighet i selvvurdering er begrenset av metakognitiv evne som fortsatt er under utvikling.

Prosjektbasert læring som et leveringsmekanisme. Zhu & Kong (2026) utviklet og validerte en skala for prosjektbasert AI-læring (AI-PBLS), og brukte, i et Hongkong-utvalg av 1.027 secondary- og universitetsstudenter (446 med komplette data), strukturlikningsmodellering til å vise at styrking i å bruke AI til problemløsning og AI-etisk bevissthet sammen medierer forholdet mellom oppfattet Project-Based Learning og tilfredshet med et AI-kompetansekurs. Dette plasserer PBL ikke bare som et leveringsformat, men som en mekanisme som bygger elevens selvtillit og etisk resonnering side om side med kompetanse, noe som forsterker koblingen mellom PBL og meningsfull utvikling av AI-kompetanse. Det gir også et validert måleinstrument for fremtidig måling av opplevelser i AI-kompetansekurs.

Å heve den etiske dimensjonen ved kompetanse har et fortegnsproblem. Blant 584 bachelorstudenter som hadde lært seg AI selv, hevet kompetanse den etiske bevisstheten (β = 0.644, p < .001), og etisk bevissthet hevet deretter AI-angsten (β = 0.439, p < .001) i stedet for å senke den, altså det motsatte av den forutsagte retningen (Mu et al. (2026)). Leksjonen forfatterne trekker er at undervisning i hvordan etiske bekymringer styres må følge den etiske dimensjonen i seg selv, ellers kan kompetansearbeid etterlate elevene mer engstelige enn det fant dem.

AI-kompetanse som et sentralt gap i Conversational AI-rammeverk. Den paraplygjennomgangen av samtalebaserte AI-agenter (Ganguly et al. 2025, 34 gjennomganger) identifiserer begrenset støtte til AI-kompetanse som et stort gap i CAI-rammeverk, og dets veikart for etisk bruk gjør grunnleggende vurdering (inkludert å styrke AI-kompetanse) til den første søylen, sammen med deltakende design, retningslinjer for etisk bruk, og kontinuerlig evaluering av kognitiv effekt. Den finner videre at AI-kompetanse, opplæring og bevissthet rangerer blant de mest vektlagte etiske retningene i CAI-litteraturen.(Conversational AI agents in education: an umbrella review of current utilization, challenges, and future directions)

Effekt av AI-kompetanseintervensjoner. En trenivå-metaanalyse av 59 studier (172 effektstørrelser, 7.211 participants) anslår en stor samlet effekt av AI-kompetanseintervensjoner (g = 0.837, p < .001) — men med et bredt prediksjonsintervall [−0.292, 1.966], slik at effektiviteten varierer betydelig på tvers av settinger. Intervensjoner i Øst-Asia og Europa presterte bedre enn de i Nord-Amerika, og kunnskapsfokuserte intervensjoner presterte bedre enn de som rettet seg mot ferdigheter, holdninger eller etikk. Forfatterne argumenterer for at AI-kompetanseundervisning derfor bør gå ut over kunnskap til ferdigheter, praksiser, etikk og holdninger, støttet av integrerte og reflekterte pedagogiske tilnærminger (prosjekt- og problembaserte, undersøkelsesbaserte, erfaringsbaserte) og GenAI-støttede verktøy — et skifte som stemmer med de deltakende, produsentorienterte formene for Computational Thinking beskrevet andre steder i denne kunnskapsbasen.

En andre syntese når en tilsvarende størrelsesorden på et smalere grunnlag, og skjerper måleproblemet. Yu, Kim, Chang og Huang (2026) slo sammen 57 effektstørrelser fra 16 studier som dekket 3.837 K-12 students som ble undervist i AI i seg selv snarere enn undervist med AI, og estimerte Hedges' g = 0.892 (95 % CI [0.548, 1.236], p < .001), robust mot antatte føre-etter-korrelasjoner fra 0 til 1 og stabilt etter trim-and-fill ved g = 0.952. Alle 57 effektene pekte positivt (rekkevidde 0.16 til 4.93), og ingen moderator (publiseringskilde, år, skoletrinn) forklarte den betydelige heterogeniteten (I² = 94.68 %). Forfatternes foretrukne forklaring er måling: de inkluderte studiene kalte alt fra AI-kunnskap og etikk til holdninger, motivasjon, selvinnsikt og karriereinteresse for «AI-kompetanse», så det samlede tallet beskriver en fordeling av positive funn under én løs etikett snarere enn én ensartet intervensjon. Lest side om side med Liu et al., er de to estimattene enige om at undervisning i AI-kompetanse virker, og enige om lite annet, noe som i seg selv er feltets målesignal.

Belegg fra klasserommet for bevisst korte design er tynnere, men det peker i samme retning og legger til et utfall på atferdsnivå som spørreskjemaer ikke kan gi. Clerc et al. (2026) gav 116 franske elever i klassetrinn 8–9 en totimers workshop om hvordan LLM-er fungerer og svikter, kombinert med øvelse i å forutsi om en prompt ville framkalle et brukbart svar, evaluere svaret, og revidere eller spørre på nytt. To dager senere, under seks LLM-støttede naturfagsproblemer med en kontrollgruppe, aksepterte trente elever underspesifiserte prompter sjeldnere (51.5 % vs. 66.7 %, OR = 0.47), stilte oppfølgingsspørsmål etter et svakt svar langt oftere (59.2 % vs. 27.9 %, d = 0.80), og bedømte svarets korrekthet mer sensitivt overfor promptkvalitet (interaksjons-OR = 2.52), med en beskjeden skåreforskjell (11.38 vs. 10.29 av 20, p = .040). Workshopen øvde aldri på selve testoppgavene, så det som overføres var en regulerende holdning snarere enn oppgavebekjentskap — og forfatterne er tydelige på at to dager ikke er varighet.

AI-støttet kritisk mediekompetanse i barneskolen. Demir og Akar (2026) gir en konkret barneskole-demonstrasjon av GenAI-støttet kompetanseundervisning: et 18-timers 5E-modell-program for tyrkiske elever i fjerdeklasse, der ChatGPT og Grammarly ble innebygd fase for fase som pedagogiske agenter (ChatGPT for reflekterende spørsmål og spørsmål og svar, Grammarly og Canva AI for innholdsforbedring, Padlet for medelevenes tilbakemelding), tilpasset læreplanene i tyrkisk språk og samfunnsfag. Den AI-støttede gruppen viste store gevinster i medielesning (+3.50), skriving (+1.67), og total mediekompetanse (+5.17, alle p < .01) med effektstørrelser mellom gruppene på Cohens d = 1.12–1.31, mens kontrollgruppen bare avanserte beskjedent. Kvalitativ analyse avdekket seks domener for vekst i kritisk mediekompetanse — digital selvbære og personvern, målrettet og ansvarlig mediebruk, trygg kommunikasjon og bevissthet om grenser, kritisk evaluering og bevissthet om desinformasjon, bevissthet om nettrisiko, og medieetikk/digitalt medborgerskap — et belegg for at utviklingsmessig hensiktsmessig, faginnfelt GenAI-bruk kan bygge de kritisk-evaluerende og etiske dimensjonene ved AI-kompetanse, ikke bare operasjonell ferdighet.

Rammeverk for å strukturere AI-kompetanse. Flere nye bidrag tilbyr strukturerte progresjoner for å bygge AI-kompetanse. Marienko, Markova og Semerikov (2026) foreslår et femnivå-rammeverk (Awareness, Application, Evaluation, Creation, Ethics) integrert med tre paradigmer for AI i utdanning (AI-directed, AI-supported, AI-empowered), utviklet gjennom en mixed-methods-studie av ukrainske videregående-pedagoger (nasjonal spørreundersøkelse n = 2018; evaluering av videreutdanning n = 1130). De fant at 84 % av pedagogene bruker AI, men bare 11 % kan identifisere spesialiserte tjenester utover ChatGPT, og en videreutdanningsintervensjon produserte en forbedring på 24 % i AI-kompetanse — et belegg for at målrettet videreutdanning fører kompetanse ut over overfladisk verktøykjennskap. Rammeverkets forankring i Constructivism, konnektivisme og TPACK knytter seg til Technological Pedagogical Content Knowledge (TPACK) og Teacher AI Competency. Som et supplement brukte Moore et al. (2026) en toårig DBR-prosess med et råd av unge og AI-eksperter for å designe et naturfagintegrert ML-kurriculum for videregåande-elever, og fant ML-kunnskapsgevinster i begge kohorter (Kohort 2 M2−M1 = 0.175 vs. Kohort 1 0.076) og større gevinster blant kvinnelige og ikke-hvite deltakere — et belegg for at deltakende, fagintegrert design kan fremme både AI-kompetanse og Equity.

En PRISMA-gjennomgang av 39 STEAM-studier (2016–2025) fant at disse implementeringene hovedsakelig utvikler tekniske kompetanser — grunnleggende AI-begrep, computational thinking, datakompetanse — mens de underutvikler etisk bevissthet, kreativ fantasi, og å skape, styre og designe med AI, slik at faginnfelte enheter fortsatt kan gå glipp av de høyereordnede elementene (Niri et al., 2026).

Konstruktet er omstridt nettopp der det gjelder pedagoger. En gjennomgang av 34 studier om AI-kompetanse i lærerutdanning fant at feltet mangler konsensus om hva AI-kompetanse betyr for profesjonsutøvere i utdanning, til forskjell fra generell digital kompetanse, og UNESCOs AI Competency Framework for Teachers spesifiserer 15 kompetanser på tvers av fem dimensjoner, samtidig som det fungerer som en global politikkreferanse snarere enn implementeringsveiledning. Det fagpersonellet i den tverrinstitusjonelle kollaboratoriet for lærerforberedelse behandlet AI-kompetanse som en integrert dimensjon av profesjonell forberedelse snarere enn en egen teknologiferdighet, slik at kandidatene forventedes å revidere, sammenligne og begrunne AI-resultater innenfor faglig kursarbeid i stedet for å demonstrere verktøykjennskap.

Innledende lærerforberedelse er der strukturen er tynnest. Pinto et al. (2026) gjennomgikk 11 studier om AI i innledende lærerutdanning for fremtidige lærere i matematikk i barneskolen, og fant at ni besto av én enkelt sesjon eller en håndfull sesjoner innebygd i eksisterende kurs, at prompting var eksplisitt opplæringsinnhold i bare noen av dem, og at Ethics fremkom i bare tre, hvorav ingen tok for spørsmål om gjennomsiktighet, algoritmisk skjevhet eller ansvarlighet. Risikoene de rapporterer er feil på kompetansenivå: fremtidige lærere la ikke merke til begrepsmessige feil produsert av ChatGPT, aksepterte generert innhold ukritisk, og delegerte mer problemløsning til verktøyet etter hvert som oppgavene ble vanskeligere. Deres anbefaling er å bygge AI-kompetanse på tvers av hele opplæringsforløpet, fra en forberedende fase inn i praksisperioden, snarere enn i et isolert modul.

Lærernes egne redegjørelser for hvorfor AI-utdanning undervises i, legger til et formålslag som kompetanserammeverk etterlater implisitt. Fagerlund et al. (2026) intervjuet 13 finske lærere fra barnehage til 9. klasse, i all hovedsak nybegynnere i AI-utdanning, og leste deres formålserklæringer gjennom Biestas tre domener. Kvalifisering, tilegnelsen av kompetanser, var det klareste og mest konkrete formålet, og det fungerte som en vei inn i de to andre: elevene skulle forstå AI som et sosioteknisk fenomen og bruke dets verktøy, med AI som både mål og hjelpemiddel for læring. Sosialisering fremsto som å dyrke entusiasme, presentere AI som «kult», og ramme elevene som fremtidige AI-kyndige arbeidstakere som må møte kompetansekrav. Subjektivering, det selvbestemte og personlig meningsfulle engasjementet Biesta behandler som sentralt, ble nevnt som viktig, men hadde ingen konkret undervisningsrepertoar utover å diskutere og begrunne, og lærerne ga ingen utarbeidede eksempler på å motsi AI:s autoritet. Forfatterne foreslår informert AI-medvirkning, en heuristikk som plasserer subjektivering i sentrum mens kompetansene behandles som forklaringsrammer for selvbestemte valg. Designimplikasjonen er at «hvorfor»-et i AI-utdanning trenger like mye designoppmerksomhet som «hvordan»-et: når subjektivering hviler på generisk diskusjon, faller AI-kompetanseundervisning tilbake til den kvalifiseringen den var ment å være et supplement til.

Beredskapen i seg selv er et omstridt mål. Charles (2026) argumenterer for at lærernes beredskap for AI-rik læring bør leses av kvaliteten på designene lærerne produserer, ikke av adopsjon, selvtillit eller digital kompetanse, og bygger et rammeverk rundt designmediering: observerbare beslutninger som valg av verktøy, oppgave- og promptdesign, støttekonstruksjoner, verifisering, gjennomsiktighet, omlegging av vurdering, tilgjengelighetsplanlegging og menneskelig tilsyn. To av dens påstander har direkte konsekvenser for videreutdanning. For det første er Self-Efficacy en mobiliseringsressurs snarere enn en kvalitetsindikator, fordi selvtillit uten AI-spesifikk pedagogisk kunnskap eller etisk orientering kan fremskynde dårlig design i stedet for å forebygge det, noe som kvalifiserer den vanlige tolkningen av lærertillit som et beredskapssignal. For det andre er politisk klarhet og institusjonell støtte separate moderatorer, slik at materiell støtte kan være høy mens forventningene forblir tvetydige, og beredskapen fortsatt oversettes dårlig. Rammeverket nekter også å likestille ikke-bruk med manglende beredskap, siden en velbegrunnet beslutning om å holde AI ute i seg selv kan vise designvurdering. Det er begrepsmessig og uvalidert, så det gir proposisjoner og beviskilder snarere enn etablerte effekter.

AI-interaksjonskompetanse: den interaksjonelle dimensjonen. Brunnström og Palmqvist (2026) foreslår en smalere, interaksjonell kompetanse — evnen til å styre, evaluere og lære av iterativ interaksjon med GenAI — som en spesifikk realisering av de applikasjonelle, evaluerende og integrerende dimensjonene i bredere rammeverk som AI Literacy Heptagon. Deres reflekterende demonstrasjon viser hva det består av i praksis: å gjenkjenne at et flytende svar er lagt over eget skjemanivå, be om forenkling, snevre inn virkeområdet, og omdirigere systemet mot fokusert øvelse. To designkonsekvenser følger — ferdigheten er ujevnt fordelt, slik at uveiledet bruk kan favorisere allerede selvsikre elever og øke gap (Equity), og den må undervises eksplisitt i stedet for å antas, med lærere som dekker hvordan man formulerer produktive prompter og når man skal slutte å bruke verktøyet (Self-Regulated Learning).

Kritisk AI-kompetanse: ut over ferdigheter til makt og motstand

En egen retning i kunnskapsbasen behandler AI-kompetanse ikke bare som ferdigheter eller kritisk evaluering, men som en kritisk og politisk praksis som forhører seg om makt, autoritet, og hvem sin kunnskap som teller. Dette knytter AI-kompetanse til Critical Pedagogy og Equity:

• «Å motstå AI» som en kompetanseholdning. Kritisk AI-kompetanse (CAIL) kan omfatte å motstå AI — å nekte uunngåeligheten og teknologiløsningsorienteringen i dominerende diskurs, og å dyrke kollektiv medvirkning gjennom dialogiske, samarbeidsbaserte pedagogiske tilnærminger.(Reorienting Critical AI Literacy: A Community-Rooted Praxis of “Resisting AI”) Dette plasserer utdanning som et rom der fellesskaper forestiller seg og bygger alternative fremtider, i stedet for bare å tilpasse seg en gitt teknologisk orden.
• Fellesskapsbaserte epistemologier. Fellesskapsbasert AI-læring forankrer AI-engasjement i elevenes levde og fellesskapsbaserte måter å vite på, og omfordeler AI:s epistemiske autoritet gjennom epistemisk finjustering, omfordeling av autoritet, og situert skjønn.(Community-Based AI Learning: Redistributing Artificial Intelligence's Epistemic Authority in Education)
• Kritiske og feministiske rammer. Kritisk, feministisk forskning argumenterer for at AI-kompetanse bør rammes inn innen pedagogiske tilnærminger om rettferdighet, motstand og kulturell Sustainability — og spørre seg hvis kunnskap AI produserer, hvem som har nytte av det, og hvem som er ansvarlig når systemer svikter.(Can we disrupt the momentum of the AI colonization of science education?)
• Situerte kurrikuluminstrumenter. AI-kompetanse kan bygges gjennom situerte, aktive undervisningsinstrumenter (f.eks. Episodes of Situated Learning) som utvikler AI-kompetanser på tvers av nivåer, snarere enn gjennom abstrakt undervisning.(Towards AI literacy: A proposal of a framework based on the Episodes of Situated Learning)
• Kreativ sammensetning som kritisk AI-kompetansepedagogikk. I stedet for å behandle AI-kompetanse som teknisk kunnskap eller individuelle kompetanser, design muligheter for elever til å sette sammen budskap om AI for reelle målgrupper — et Multimodal AI produkt som en informasjonsfilm for allmennheten demonstrerer og formidler kritisk kompetanse samtidig. I Burriss et al.s (2026) klasseromsstudie valgte 22 elever i 11. klasse sine egne AI-etiske temaer og lagde video-PSA-er om overvåking på skolen, informerte samtykke, og algoritmisk anklage; på tvers av alle syv filmene oppsto skaden fra menneske–maskin-sammenvevning snarere enn et skurkeaktig verktøy, handlingene lukket fortsatt på håp og Learner Agency, og forfatterne plasserer fortelling og påvirkning — motstandsdyktige mot tradisjonell vurdering — som kjernen i kritisk AI-kompetansepedagogikk som setter elevidentitet, valg og stemme i sentrum.("Young Scholar[s] on the Beat": Multimodal Composition as a Form of Critical AI Literacy Pedagogy)
• Regulerende kompetanse, ikke aksept. Kim (2026) omformer AI-kompetanse i Higher Education til regulerende kompetanse — en realisert praksis med å verifisere, revidere, selektivt ta i bruk eller avvise AI-resultater under akademisk arbeid — og viser at evaluerende kapasitet og etisk bevissthet (ikke bare villighet til å bruke AI) predikerer aktivt, kritisk engasjement.(From AI Anxiety to Strategic Regulation: How University Students Transform Generative AI into a Strategic Learning Resource)
• Å gjenkjenne smiger som en kompetanseferdighet. En kjerneevaluerende kompetanse er å gjenkjenne når en AI er enig med eleven i motsetning til å ha rett. Kontekstuell smiger viser at AI-kompetanse og promptingopplæring reduserer — men ikke eliminerer — smigrende speiling av brukerfeil, og smigrende AI foretrekkes av brukere nettopp fordi den får dem til å føle seg forstått. AI-kompetanse må derfor lære elever å oppdage enighet for sin egen skyld, og å verdsette korrigerende friksjon, noe som knytter seg til Trust Calibration og Reducing AI Misuse.
• Verdsetting, ikke bare verifisering. O'Byrne (2026) fant at elever som bare sjekket resultater for nøyaktighet, troverdighet og relevans, fortsatt aksepterte begrepsmessig flatt arbeid, mens de som også vurderte nyanse, stemme og epistemisk posisjon, omskrev det — noe som gjør «når man ikke skal delegere dømmekraft» til kompetansespørsmålet.

Disse kritiske retningene utfyller de operasjonelle og kognitive dimensjonene ved AI-kompetanse: der de sistnevnte spør «kan eleven bruke og evaluere AI?», spør kritisk AI-kompetanse «forstår og utfordrer eleven de maktstrukturene AI legemliggjør?»

AI-kompetanse i STEM-utdanning

Det mest utviklede faglige bevisgrunnlaget for AI-kompetanse kommer fra STEM-utdanning, og Hallström, Chiu, Ding, Koretsky og Li (2026) syntetiserer de ti mest siterte studiene (2022–2026) for å vise både utgangspunktet og dets grenser. På tvers av korpuset er AI-kompetanse definert gjennom seks overlappende konstrukter — kunnskap/ferdigheter/holdninger (Su & Yang 2024), konseptuell-prosessuell-kontekstuell kunnskap (Stolpe & Hallström 2024), know-understand/use-apply/evaluate-create/ethics (Ng et al. 2022), og Long & Magerkos use–communication–evaluation-ramme (Hornberger et al. 2023) — så feltets «begrepsmessige tvetydighet» er et måleproblem: to studier kan begge måle «AI-kompetanse» uten å måle det samme konstruktet. Bare to av de ti tilbyr komplette rammeverk. Den skarpeste funnet i gjennomgangen er en asymmetri — korpuset måler nesten utelukkende elevers kompetanse mens nesten ingenting utvikler læreres, et gap som etterlater lærerrettede AI-kompetanseintervensjoner hvilende på antakelse snarere enn bevis, og et gap forfatterne knytter til det praktiske kravet om at lærere selv må være AI-kompetente for å gjennomføre slike intervensjoner.(AI Literacy and STEM Education: Emerging Frontiers and Research Priorities)

Chatbot-belegget i det korpuset går mot flytbasert opplæring. Ding et al. (2023) fant at ChatGPT-veiledning i universitetsfysikk hevet selvtillit og kunnskap, men forsterket en «overmenneskelig og ufeilbar» feiloppfatning av AI, og konkluderte med at AI-kompetanseundervisning «først og fremst handler om å forbedre elevenes kritiske tenkeevner i å vurdere informasjon». Xu et al. (2026) fant at ChatGPT-støttet STEM-programmering forbedret selvtillit og kunnskap, men lot computational thinking og uavhengig tenkning stå uendret — gevinster i flyt som eksisterer side om side med ingen gevinst i tenkning. Begge funnene speiler bekymringene om tillitskalibrering og overavhengighet andre steder på denne siden: en veileder som aldri motsier eleven, kan produsere selvsikre elever som ikke kan evaluere. Holdning, ikke beredskap eller selvinnsikt, viste seg å være den sterkeste determinanten for faktisk AI-verktøybruk blant STEM-bachelorstudenter (Falebita & Kok 2025), og gjennomgangen bemerker at den faglige dekningen av STEM er skjev mot biologi og fysikk, med teknologi som fag nesten fraværende. For fagspesifikt design er gjennomgangens praktiske advarsel at omfattende kompetanserammeverk (UNESCO, EU/OECD) «ofte mangler forbindelse til empirisk forskning eller tilstrekkelig teoretisk underbygging», og at få er anvendbare i klasserommet.

Hvem sin AI-kompetanse teller? Splittelsen mellom pedagogisk og arbeidsgiverpreget ramme

Et sentralt åpent spørsmål innen AI-kompetanse er hvilke ferdigheter som teller, og for hvem. En Ithaka S+R-studie som sammenlignet hvordan amerikanske undervisere og arbeidsgivere prioriterer de 26 ferdighetene i HiBob AI Skills Framework, fant at de er enige om viktigheten av bare én (å sette realistiske forventninger til AI-augmentert arbeid). Undervisere vektlegger en kritisk, ansvarlig-bruk-orientering — å gjenkjenne AI:s begrensninger, gjennomsiktighet og kildetilhørighet, menneskelig ansvarlighet, proaktiv gjennomgang av resultater — noe som stemmer med akademiske verdier om kildetilhørighet, gjennomgang og informasjonskompetanse. Arbeidsgivere vektlegger produktivitetsorienterte ferdigheter — evaluering og omlegging av arbeidsflyt, automatisering, og menneske–AI-lagteam — som reflekterer effektivitet i teambaserte arbeidsplasser. Fordi bare tre av 26 ferdigheter undervises av halvparten eller flere undervisere, og de som undervises skjevner mot de kritisk-bruk-kategoriene, identifiserer rapporten et konkret AI-kompetansegap: hele kategorier arbeidsgivere verdsetter er verken prioritert eller undervist i studiellæreplaner.(AI skills for college graduates: Exploring how instructors and employers prioritize AI skills differently) Denne splittelsen rammer AI-kompetanse som et omstridt konstrukt — kritisk-bruks-kompetanse for akademiske settinger versus arbeidsflytintegrert kompetanse for yrkeslivet — en spenning relevant for Framing AI Use for Students, Curriculum Design, og Workplace Learning.

Elevenes egne vurderinger forteller en beslektet, men annerledes ordnet historie. ElSayary og Ragab (2026) undersøkte 380 universitetsstudenter, i all hovedsak STEM-innskrevne hyppige AI-brukere, og fant at selvrapportert AI-kompetanse bar det meste av forklaringen på oppfattet beredskap for ansettbarhet: fire kompetansedimensjoner la til ΔR² = 0.554 (p < .001) oppå bakgrunnskontroller som bare var verdt 0.054, og den fulle modellen nådde 60.8 % av variansen. Innenfor kompetanse settet var den evaluerende dimensjonen sterkest (Analyze & Evaluate, β = 0.286), fulgt av den affektive (Attitudes & Mindsets, β = 0.266), med praktisk bruk (β = 0.217) og grunnleggende kunnskap (β = 0.187) bak dem; for oppfattet karriereberedskap spesifikt, var bare Analyze & Evaluate (β = 0.216, p < .001) og Attitudes & Mindsets (β = 0.192, p = .004) signifikant assosiert. Lest mot Ithaka-splittelsen, lener elevenes egen følelse av arbeidsplassberedskap seg mot den kritisk-evaluerende orienteringen undervisere favoriserer, snarere enn de arbeidsflytintegrerte ferdighetene arbeidsgivere vektlegger. Designet er en enkeltøkters selvrapportering med gjennomgående høye gjennomsnitt (4.17 til 4.57 av 5) og intet mål på arbeidsgiver eller sysselsetting, så det det viser er at selvvurdert AI-kompetanse og selvvurdert ansettbarhet beveger seg sammen, med de evaluerende og holdningsmessige delene som gjør det meste av arbeidet, ikke at disse elevene påviselig er arbeidsklare.

Å designe AI-kompetanseintervensjoner

Kunnskapsbasens rammeverk og empiriske studier konvergerer på et sett praktiske retningslinjer for pedagoger og instruksjonsdesignere som bygger AI-kompetanseintervensjoner:

1. Bruk et strukturert kompetanserammeverk som støttekonstruksjoner, ikke som en sjekkliste. Modne rammeverk gir designerne et felles vokabular og et utviklingsmessig sekvensiert mål. SAIL-rammeverket organiserer AI-kompetanse i tre domener (AI Concepts; Application and Technical Skills; AI Digital Citizenship) på tvers av fire støttede nivåer — Understand and Explore → Apply and Integrate → Evaluate and Create → AI++. AI Literacy Heptagon krysskutter syv dimensjoner (teknisk kunnskap, anvendelse, kritisk tenkning, etikk, samfunnsmessig innvirkning, integrering, juridisk/regulatorisk) med fire Bloom-tilpassede ferdighetsnivåer, og understreker at vekten må være tilpasset fagkontekst — tekniske programmer vektlegger anvendelse, humanistiske programmer vektlegger etisk og samfunnsmessig resonnering.(The Scaffolded AI literacy (SAIL) framework: Results of a Delphi study for equitable AI literacy framework design in education)(The AI Literacy Heptagon: A Structured Approach to AI Literacy in Higher Education)

2. Engasjer elever på tvers av ICAP-moduser. Ved å anvende ICAP Framework gir effektiv undervisning elever muligheter til å engasjere seg på flere kognitive nivåer — passiv eksponering (forelesninger om AI-begrep), aktiv manipulasjon (praktisk verktøybruk), konstruktiv generering (å skape AI-artefakter, selvforklaring), og interaktiv dialog (samarbeidsbasert problemløsning med medelever og AI) — og velger den modusen som passer læringsmålet. En systematisk gjennomgang fant at vellykkede samarbeidsbaserte AI-kompetanseintervensjoner spente over alle fire ICAP-moduser.(Systematic Review of Collaborative Learning Activities for Promoting AI Literacy)

3. Vurder demonstrert kompetanse, ikke selvoppfatning. Selvrapportert AI-kompetanse avviker kraftig fra målt ytelse — lærere overslår sine AI-ferdigheter med ~40 %, og ytelsesbaserte mål korrelerer langt bedre med AI-integrering i klasserommet enn selvrapporteringer (r≈0.72 vs. 0.31). Design intervensjoner rundt ytelsesbasert vurdering og kalibrering snarere enn selvtillitsundersøkelser, og bruk diagnostiske profiler (overslåere vs. sanne nybegynnere) for å rette inn støtten.(How to Assess AI Literacy: Misalignment Between Self-Reported and Objective-Based Measures)

4. Bygg metakognitive og kritiske holdninger, ikke bare operasjonell ferdighet. AI-kompetanse forstås bedre som en metakognitiv sosial praksis enn som en ferdighetssjekkliste: fordi LLM-er er probabilistiske og ugjennomsiktige, må elever overvåke og justere sine strategier, dyrke vitenskapelig skepsis, og forhøre seg om hvordan algoritmer former kunnskapsproduksjon — ikke bare lære å betjene verktøy. Deltakende medesign og eksperimentelle, prosjektbaserte rom (ikke engangstrening på verktøy) er der denne bevisstheten vokser.(Metacognitive AI literacy: going beyond the AI skills gap agenda)

5. Innfell kompetansen i faget og gjør den vedvarende. Bevegelse mot høyere stadier av AI-kompetanse (fra ukritisk bruk → informert bruk → kritisk evaluering → forbedring) er mest synlig når opplevelsene er vedvarende og faginnfelte snarere enn å bli levert som frittstående workshoper. Design for gjentatt, kontekstuell øvelse innenfor autentisk kursarbeid.(Beyond Tool Adoption: A Practical Five-Stage Developmental Continuum for AI Literacy in Higher Education) En konkret modell for faginnfelt kritisk kompetanse er den oppgavebaserte taksonomien til Dierickx et al. (2026) for journalistikk: den kartlegger LLM-støttede oppgaver på tvers av de fire stadiene i nyhetsarbeidsflyten (nyhetsinnhenting, meningsdannelse, redigering, publisering/distribusjon), hver knyttet til en grunnprompt og en risiko-og-motstrategi. Ved å behandle oppgavedefinisjon og prompting som en situert form for profesjonelt skjønn — ikke en nøytral teknisk ferdighet — gjør den prompting selv til et kjøretøy for kritisk AI-kompetanse (skjevhet, hallusinasjon, overavhengighet, og den vedvarende verdien av menneskelig redaksjonelt tilsyn), og dens underliggende logikk overføres til andre kunnskapsintensive profesjoner (jus, medisin, offentlig politikk). Som et supplement til slike fagspesifikke taksonomier, klassifiserer taksonomien til Dohn et al. (2026) GenAI-læringsaktiviteter langs seks dimensjoner, hvorav Epistemic Engagement (å forstå / bruke / kritisere / konstruere GenAI) direkte operasjonaliserer AI-kompetanse som dybden av elevenes kognitive forhold til teknologien — fra passiv eksponering til aktiv kritikk og konstruksjon.

6. Behandle likestilling og den digitale kløften som designbegrensninger. AI-kompetanse er en mekanisme for å ta tak i den trenivå-delingen digitale kløften (tilgang, ferdigheter, utfall): å lukke enhetsgapet er utilstrekkelig med mindre ferdigheter og kritisk bruk bygges, slik at fordelene fordeles rettferdig. Intervensjoner bør planlegge eksplisitt for elever som starter med mindre tidligere AI-tilgang, og innlemme kulturelle og styringsmessige perspektiver i stedet for å behandle kompetanse som kulturnøytral.(The Scaffolded AI literacy (SAIL) framework: Results of a Delphi study for equitable AI literacy framework design in education)(Digital Divide)

7. Parr kompetansen med virkemidler mot misbruk. Fordi AI-misbruk aktivt skader varig læring, bør kompetanseundervisning kombineres med de strukturelle og pedagogiske virkemidlene som er dokumentert under Reducing AI Misuse — verktøyedesign med sikkerhetsgjerder der man gir «hint, ikke svar», omlegging av vurdering, og støttede tenk-først/AI-sist-sekvenser med bevisst promptingøvelse.

8. Start fra elevenes faktiske utgangspunkt. Elever kommer inn med ulike orienteringer — unnvikelse drevet av frykt, mistillit eller mangel på tilgang, versus ukritisk avhengighet som skjuler misforståelse. En diagnostisk, stadiebasert tilnærming (i stedet for et ensartet kurrikulum) lar designere møte elevene der de er, og flytte dem mot kritisk, ansvarlig engasjement.(Beyond Tool Adoption: A Practical Five-Stage Developmental Continuum for AI Literacy in Higher Education)

9. Utvid tilbudet ut over publikumene formell utdanning allerede når. AI Literacies-rammeverket for allmennkringkasting argumenterer, fra en landskapsgjennomgang av mer enn 40 rammeverk og 35 ekspertintervjuer, at tilbudet har skjevt mot tekniske og funksjonelle ferdigheter, og at AI-kompetanser overlapper og bør kobles til digital, mediale og informasjonskompetanse snarere enn å undervises som et frittstående fag. Dets struktur — seks kompetanseområder, fem verdier og tre progresjonsnivåer (Understanding and Applying, Analysing and Evaluating, Synthesising and Specialising) med en vurderingsguide — er en brukbar mal for tilbydere utenfor formell skolegang, og dets likestillingsargument er en designinstruksjon: å nå unge mennesker som er digitalt eller på annen måte marginalisert, krever bevisste partnerskap, ikke universell publisering.(Supporting AI Literacies for Young Adults Aged 14-19: A value-based, practical framework for public service media organisations)

Å måle AI-kompetanse

En egen forskningsretning behandler AI-kompetanse ikke bare som et mål for undervisning, men som et konstrukt å måle. Kunnskapsbasens vurderingstråd skiller selvrapportert fra ytelsesbasert kompetanse: selvrapporteringer avviker kraftig fra demonstrert kompetanse (lærere overslår med ~40 %), og ytelsesbaserte mål predikerer AI-integrering i klasserommet langt bedre enn selvtillitsundersøkelser (r≈0.72 vs. 0.31). Intervensjonsarbeid gjenskaper dette avviket på atferdsnivået: i Clerc et al. (2026) predikerte verken GenAI-holdninger eller en generell skala for metakognitiv bevissthet elevenes regulering av LLM-interaksjon eller deres endelige oppgaveskår (r = .01 og r = .04, begge ikke-signifikante), mens de atferdene workshopen endret — å avvise underspesifiserte prompter, bedømme svarets korrekthet, stille et oppfølgingsspørsmål — sporet svarets kvalitet. Validerte instrumenter er på vei for å lukke dette gapet — GLAT gir en psykometrisk validert vurdering av generativ AI-kompetanse, og diagnostiske profiler (overslåere vs. sanne nybegynnere) lar designere rette inn støtten der den trengs. Guo et al. (2026) kartlegger dette instrumentlandskapet direkte, og gjennomgår 80 validerte rammeverk — 69 digitale kompetanse og 11 AI-kompetanse — publisert mellom januar 2014 og februar 2025. AI har trukket digital kompetanse mot etikk og omformet kommunikasjon til å omfatte menneske–AI-interaksjon, mens metakognitiv regulering og pedagogspesifikt menneske–AI-samarbeid forblir de minst spesifiserte. For design og forskning knytter dette AI-kompetanse til Educational Measurement og til Assessment bredt: et kompetanserammeverk er bare så nyttig som instrumentene som brukes til å spore vekst, og stadiebaserte kontinua krever pålitelig måling for å plassere elever langs dem.

Et 32-punkts-instrument med seks fasetter utvider firedimensjonsmodellen med to ytterligere fasetter — ansvarlig bruk og selvutvikling — og holder skalær invarians på tvers av ungdommer (12–17), unge voksne (18–40) og voksne i midtlivet (41–60), selv om forfatterne advarer om at ΔCFI nærmet seg den konvensjonelle grenseverdien (Liu et al. (2026)).

Zhi, Yang og Huang (2026) bygger en forskerstudent-spesifikk modell på Marzanos taksonomi: en grunnet teori-analyse av intervjuer med 14 professorer kondenserte 329 råetiketter til 96 begrep, 15 kategorier og fem dimensjoner (kognitivt grunnlag, operasjonelle ferdigheter, høyereordnet tenkning, metakognitiv refleksjon, etisk ansvarlighet), og operasjonaliserte dem deretter som en 15-punkts Likert-skala der fem faktorer vokste frem i utforskende faktoranalyse (83.14 % av kumulativ varians) og holdt i bekreftende faktoranalyse på et andre delutvalg (CFI = 0.934, RMSEA = 0.083), med reliabilitet fra 0.796 til 0.842 på tvers av 308 gyldige spørreskjema.

Critical 3wAI Literacy Scale (Bozkurt, Ertan & Cömert, 2026) validerer samme tredelte struktur for voksne elever som et selvrapporteringsinstrument (n = 546 og n = 647; χ²/df = 4.93, CFI = 0.931, α = 0.913). Faktorene Know-How og Know-Why kom ut som de nærmest koblede (HTMT = 0.544), mens teoretisk kunnskap alene ikke oversattes til praktisk effektivitet. Som et selvrapporteringsmål deler det avviksproblemet dokumentert ovenfor, så det er en validert diagnose snarere enn et ytelsesmål — og forfatterne ber om revalidering på tvers av aldersgrupper og kulturelle kontekster.

Et beslektet spørsmål er hva instrumentene overhode kan måle. Burriss et al. (2026) bemerker at eksisterende skalaer for AI-kompetanse og kompetanserammeverk antar individuelt målbar ytelse, og derfor strukturellt utelukker samarbeidsbasert, kreativt uttrykk — enhetens belegg var Multimodal AI filmartefakter, refleksjoner og samfunnsdiskurs snarere enn en summativ skår, og forfatterne argumenterer for at slikt belegg kan utfylle snarere enn erstatte konvensjonelle mål. Å utvide konstruktet kan derfor kreve å utvide det tillatte bevisgrunnlaget, ikke bare å legge til modalitetsrike spørsmål i eksisterende skalaer.

Et utfyllende spor måler hvordan elever og lærere mottar AI-kompetansemateriell snarere enn kompetansen i seg selv. Wang, Chuang og Wu (2026) lot 794 elever og 37 lærere vurdere to håndbokutgaver bygget etter UNESCOs aldersterskel (aldre 9-12 og 13-18) etter omtrent 30 minutters veiledet klasseromseksponering. Aksept holdt en firefaktorstruktur (Performance Expectancy, Effort Expectancy, Perceived Playfulness, Behavioral Intention) med måleinvarianse støttet på tvers av de to elevutgavene, yngre elever skåret høyere på alle fire konstruktene, og oppfattet lekenhet bar den største sammenhengen med intensjon i begge kohortene. Forfatterne er tydelige på hva dette ikke er: oppfattet aksept av en alderstilpasset ressurs er ikke AI-kompetanseoppnåelse, etisk resonnering, adopsjon eller vedvarende bruk, og aksept på materialnivå bør ikke leses som belegg for at kompetanse forbedret seg.

Måling strekker seg også til de pedagogene som formidler elevenes engasjement med AI. De fleste AI-kompetansevurderinger retter seg mot elever eller generelle brukere, noe som etterlater et gap i lærerutdanning — et gap Teachers' AI Literacy Scale (TAILS) tar tak i: forankret i ED-AI-rammeverket med seks dimensjoner (kunnskap, evaluering, samarbeid, kontekstualisering, autonomi og etikk), ble den validert gjennom utforskende og bekreftende faktoranalyse med fremtidige språklærere. Slike instrumenter støtter måling og utvikling av AI-kompetansen til de pedagogene som formidler elevenes engasjement med AI. På elevsiden utvikler og validerer Nie et al. (2026) en Generative AI Assessment Literacy Scale (GAA-LS) for studenter i høyere utdanning — et 18-punkts, femfaktor-instrument der skårene sporer Feedbackengasjement, Academic Integrity, og ansvarlig AI-bruk, med en indirekte bane til integritet gjennom tilbakemelding — et belegg for at vurderingsspesifikk AI-kompetanse er målbar og knyttes til integritetsatferd. Hva det pedagogrettede instrumentkorpuset faktisk inneholder, har siden blitt revidert: Zainal, Mohd Matore og Maats gjennomgang fra 2026 av måleinstrumenter for læreres AI-kompetanse vurderte 33 instrumenter publisert mellom 2019 og 2025, og fant at 31 (93.9 %) var selvrapporteringsskalaer for oppfattet selvtillit, bare to testet kunnskap objektivt, og ingen brukte ytelsesbaserte oppgaver, mens bevis om rettferdighet var det svakeste kvalitetsdomenet, med bare fem instrumenter som rapporterte måleinvarianse eller differensiell spørsmålsfunksjon.

Oppdateringen fra 2026 av denne målelitteraturen reorganiserer den i fire domener — kunnskap og bruk, epistemisk tilsyn, avhengighetskalibrering, og operasjonell kontroll over verktøybrukende agenter — og rapporterer at intet validert instrument på individnivå i korpuset dekker hele kombinasjonen av omfang, tillatelser, gjenoppretting, tilstandsisolasjon, uavhengig gjennomgang og bevisbasert avslutning som agentisk verktøybruk krever. Dens samlede subjektiv–objektiv-korrelasjon på tvers av tre effekter fra samme utvalg var r = .055, i tråd med avviket beskrevet ovenfor snarere enn med selvvurderinger som en brukbar erstatning (Verí (2026)).

Målelandskapet er i seg selv uordnet, og nå delvis kartleggbart. He, Zhang, Wang og Ji (2026) analyserte korpuset av AI-kompetanseinstrumenter med en LLM-basert koderingspipeline, og fant at feltet måler mange konstrukter under én etikett — et jangle-problem, der ett konstrukt bærer flere navn (Behavioral Commitment oppstår i åtte kandidatpar, Intrinsic Motivation i fem), sammen med mulige jingle-tilfeller der instrumenter deler en etikett men ikke sitt spørsmålsinnhold. Deres semantiske-likhetsgjenfinning av spørsmåls- og konstruktstruktur korrelerte bare moderat med instrumentenes egne rapporterte reliabiliteter (r = 0.49 på spørsmålsnivå mot 0.45 og 0.35 på konstruktnivå), og de tilbyr metoden som snarere enn avgjørelse. Konsekvensen for alle som velger et mål er at konvergente påstander på tvers av studier ikke trygt kan antas: to instrumenter med samme navn operasjonaliserer kanskje ikke det samme konstruktet.

Hva disse instrumentene kan underbygge, har nå blitt revidert, og revisjonen er edruelig. Jin, Gašević, Martinez-Maldonado og Yan (2026) screente 8.056 records ned til 58 studier som dekket 47 unike instrumenter, vurdert med COSMIN mot et konstrukt hvis vindu for instrumentutvikling komprimerte seg til tre år (to instrumenter før 2023, 28 i 2025 alene). Korpuset forblir 37-av-47 selvrapportering, og bevisgrunnlaget klumper seg tett rund intern struktur: strukturell validitet var tilstrekkelig i 32 av 58 studier og intern konsistens i 32, med ingen vurdert som utilstrekkelig, men konstruktvaliditet ble rapportert av bare 15 studier (12 tilstrekkelige), kriterievaliditet av én, målingsinvarianse av fem (alle tilstrekkelige), og bare 2 av 58 oppnådde en tilstrekkelig samlet vurdering av innholdsvaliditet — omfattende var utilstrekkelig i 53 til tross for at 43 studier rapporterte kognitive intervjuer. Mønsteret er at målepraksis ser robust ut nøyaktig der den er billigst å demonstrere, og tynn der bevis må komme fra utenfor instrumentet, så en ren faktorstruktur og en høy koeffisient (som kan reflektere redundans mellom spørsmål like mye som konstruktrepresentasjon) bør ikke leses som demonstrert kapasitet. Forfatternes ordre er konsolidering snarere enn spredning: finpuss eksisterende skalaer, test invarians når en krysser et språk eller et utdanningsstadie, og legg til kriteriebevis ved å knytte skår til ytelsesoppgaver.

Et av unntakene er bygget for å sammenligne grupper. Zhang et al. (2026) utviklet Generative AI Literacy Scale (GAILS) — 43 spørsmål redusert til 34 gjennom en Delphi-gjennomgang med fem eksperter og en pilot med syv personer, deretter validert i 341 nordamerikanske voksne — og testet skalær invarianse, og fant at den holdt på tvers av kvinnelige og mannlige svarere, og på tvers av student- og arbeidsstyrkegrupper. Det er dette som gir rett til gjennomsnittssammenligningene instrumentet rapporterer — menn skårer beskjedent høyere på Adaptive Operational Skills, studenter høyere på Adaptive Operational Skills og Responsible GenAI Literacy — som kompetanseforskjeller snarere enn differensiell spørsmålsfunksjon, og det er det som gjør skalaen brukbar på tvers av Higher Education og arbeidsplassinnstillinger snarere enn bare for studenter. Dets eget belegg er ikke uplettet: tilpasning var blandet (CFI = .967 og SRMR = .058 innenfor konvensjonelle grenseverdier, RMSEA = .087 over dem), totalskår α = .973 ligger side om side med én mislykket Fornell–Larcker-diskriminant sammenligning (Faktor 1 √AVE = .828 mot r = .873 med Faktor 3), og, som i nesten alt i korpuset, måler det oppfattet kompetanse uten noen atferdsmessig kriterium. En validert skala i dette feltet er et utgangspunkt for det invarians- og kriteriearbeidet gjennomgangen krever, ikke en ferdig Benchmark.

Forbindelser på tvers av kunnskapsbasen

AI-kompetanse skjærer seg med AI-veiledning (å forstå når og hvordan AI-veiledere er effektive), Teacher AI Competency (pedagogens beredskap), Academic Integrity (å vite hva som utgjør hensiktsmessig AI-bruk), og AI i undervisning bredt. Den er både en forutsetning for effektiv AI-bruk og et utfall av vellykket AI-integrering — elever lærer AI-kompetanse VED å bruke AI kritisk, ikke bare ved å lære OM AI.

AI-kompetanse er tveegget for overavhengighet: Maizel et al. (2026) fant at de ferdighetsbaserte dimensjonene ved AI-kompetanse (å bruke/forstå, oppdage) var positivt assosiert med rapportert AI-avhengighet, mens AI-Self-Efficacy og akademisk selvtillit var negativt assosiert — så rent teknisk AI-kompetanseopplæring, uten støtte til selvinnsikt og Self-Regulated Learning, kan øke avhengigheten. AI-kompetanse blir her en muliggjørende kapasitet hvis retning avhenger av komplementære motivasjonelle ressurser.

• Verifiseringsvaner lønner seg bare gjennom regulering. I Davor, Larbi og Boateng (2026)s undersøkelse av 533 universitetsstudenter i Ghana hadde AI-verifiseringskompetanse ingen signifikant direkte effekt på kritisk tenkning (beta = .076, p = .090) eller teknisk problemløsning (beta = .043, p = .385), og hadde betydning bare gjennom metakognitiv selvregulering (beta = .167, p < .001), en full mediering forfatterne kaller metakognitiv aktivering. AI-oppgavestøtte predikerte begge utfall (beta = .185 and .170), mens tendens til kognitiv avlasting predikerte dem negativt (beta = -.240 and -.312) og dempet reguleringen (beta = -.294). Å lære elever å sjekke AI-resultater er derfor ikke nok i seg selv: evaluerende vaner trenger planlegging, overvåking og refleksjon bygd inn i oppgaven.

• Kritikk av AI-resultater som en kompetansepraksis: Hosseini (2026) behandler evaluering av AI-genererte feil som en kjerneferdighet i AI-kompetanse, og bruker sviktmodesanalyse og iterativ prompt-forbedring i et kurs i databaseutforming. Studien fant at elever overslo sine AI-evner (selvrapportert kompetanse svakt, negativt korrelert med objektiv kompetanse), og at kritikkbasert læring styrket kalibreringen.

• Sosialistisk humanistisk AI-kompetanse (2026): En litteraturgjennomgang kritiserer etterlevelsesorientert AI-kompetanse og foreslår en sosialistisk-humanistisk ramme for asynkron AI-kompetanse og rimelig bruk i høyere utdanning, knytter den historiske digitale kløften til moderne AI-kompetanse, og krever tilnærminger som tjener menneskelig blomstring og likestilling snarere enn mekanisk politiske etterlevelse (From Mechanical Compliance to Human Flourishing: A Socialist Humanist Approach to Asynchronous AI Literacy and Fair Use in Higher Education).

• Billige, lette advarsler demper AI-overtalelse — uten å koste generell tillit. Orchinik og Rand (2026) forhåndsregistrerte to eksperimenter (totalt N = 3.208 US adults amerikanere) der deltakerne snakket med en Large Language Models (LLMs) som var instruert til å endre deres syn på politiske temaer. Én kort advarsel — at modeller kan promptes til å overtale og kan presentere informasjon selektivt — kuttet endring i tro med omtrent halvparten (-48.1 %, 95 % CI [-59.5%, -36.8%] i forhold til kontrollen, og å legge til advarsler om spesifikke overtalelsesteknikker ga ingen ytterligere fordel. Den egenskapen som betyr noe for undervisning ligger på den andre siden av effekten: generell tillit til Generative AI falt ikke, så intervensjonen bygger kalibrert tillit snarere enn generell skepsis. Det er en intervensjon på ett avsnitt, uten fasilitering, noe som er et sjeldent kostnadsprofil for et AI-kompetansedesign.

• Elevstyring av AI betyr mer enn utformingen av verktøyet. Azimi (2026) randomiserte 33 studenter i et masterkurs i dataanalyse mellom en AI Study Coach med støttekonstruksjoner innebygd i notatbøkene (n = 16) og ubegrenset bruk av hvilke som helst Generative AI-verktøy de valgte (n = 17) i sju uker. Oppgaveytelse og gevinster i begrepstest var ikke skillbart; Coach-betingelsen rapporterte høyere selvtillit i stedet. Det som skilte studentene var AI-kompetanse i praksis: de som hadde formulert sine egne regler for når de skulle bruke AI, skåret høyere i begge betingelser, og studentene med dypeste modellforståelse — alle selvlærte — promptet mest bevisst. Designimplikasjonen går mot kontrollrefleksen: lær de selvregulerende og modellforståelseskomponentene ved AI-kompetanse i stedet for å begrense verktøy.

Tilknyttede begrep

• Pedagogical Patterns — Utviklet av trinnene med kritisk vurdering i disse sekvensene
• Learners — Elever: paraplyen for elevsidens begrep
• Generative AI — teknologien AI-kompetanse retter seg mot
• Large Language Models (LLMs) — systemene i hjertet av AI-kompetanse
• Critical Thinking — kjerneevaluerende holdning
• Prompt Engineering — kjerneferdighet i praksis
• Metacognition — kompetanse som metakognitiv sosial praksis
• Cognitive Offloading — overavhengighetsrisikoen kompetansen møter
• Reducing AI Misuse — kompetansens atferdsmessige gevinst
• Academic Integrity — å vite hva som utgjør hensiktsmessig AI-bruk
• Self-Assessment — å vurdere eget arbeid og egen ferdighet, som teknikk og som mål
• Trust Calibration — å kalibrere hensiktsmessig tillit
• AI Sycophancy — kompetanseferdigheten å oppdage enighet
• Equity — rettferdig fordeling av kompetanse
• Digital Divide — gapet i tilgang/ferdigheter/utfall
• Ethics — dimensjonen etisk bevissthet
• Teacher AI Competency — pedagogens beredskap
• Educational Development — å bygge pedagogisk kompetanse
• AI-Assisted Educational Research — AI-assistert utdanningsforskning
• K-12 — kompetanse på skolenivå
• Higher Education — kompetanse på universitetsnivå
• Career Development and Readiness — gevinsten i ansettbarhet AI-kompetanse hevdes å bygge
• AI i undervisning — det bredere feltet

Tilknyttede artikler

• Modeling the Relationships Between University Students' AI Competence, AI Ethical Awareness, and AI Anxiety: A Dual-Stage PLS-SEM and ANN Analysis - Å heve den etiske dimensjonen ved kompetanse uten et mestringsrammeverk kan etterlate elevene mer engstelige

• Reconceptualizing digital literacy in the AI era: A systematic review of validated frameworks from an ecological perspective — 80 validerte rammeverk viser at AI utvider digital kompetanse mot etikk, mens pedagogers menneske–AI-samarbeid forblir under-spesifisert (Guo et al. 2026)

• Supporting AI Literacies for Young Adults Aged 14-19: A value-based, practical framework for public service media organisations — Seks kompetanseområder, fem verdier og tre progresjonsnivåer for allmennkringkasting

• The AI Literacy Heptagon: A Structured Approach to AI Literacy in Higher Education — The AI Literacy Heptagon

• Beyond Tool Adoption: A Practical Five-Stage Developmental Continuum for AI Literacy in Higher Education — Et praktisk femstadie-kontinuum for AI-kompetanse

• Clarifying the Conceptual Landscape in AI Literacy Measurement: A Large Language Model Based Approach — Kartlegging av korpuset av AI-kompetanseinstrumenter: 55 konstrukter, jangle- og jingle-par, LLM-basert koding

• Measuring Artificial Intelligence Literacy: A Systematic Review of Instrument Development, Conceptual Foundations, and Psychometric Quality — COSMIN-vurdering av 58 studier og 47 AI-kompetanseinstrumenter: bevis om validitet klumper seg rund intern struktur, mens kriterie-, innholds- og invariansbevis stort sett mangler (Jin et al. 2026)

• The Generative Artificial Intelligence Literacy Scale (GAILS): Development, Validation, and Measurement Invariance Across Sex and Occupational Status Groups — GAILS: 34-spørsmåls-skala for GenAI-kompetanse validert i 341 voksne, skalærinvariant på tvers av kjønn og student-/arbeidsstyrkegrupper (Zhang et al. 2026)

• GLAT: The Generative AI Literacy Assessment Test — GLAT: en validert test for generativ AI-kompetanse

• How to Assess AI Literacy: Misalignment Between Self-Reported and Objective-Based Measures — AI Literacy Assessment: Self-Reported vs Performance Misalignment

• Development and validation of the generative AI assessment literacy scale for higher education students — GAA-LS: validert Generative AI Assessment Literacy Scale for studenter i høyere utdanning (Nie et al. 2026)

• Beyond AI Literacy: A Structured Review and Exploratory Meta-Analysis of Measures for Competent Generative-AI Use — Beyond AI Literacy: A Structured Review and Exploratory Meta-Analysis of Measures for Competent Generative-AI Use

• How AI literacy correlates with affective, behavioral, cognitive and contextual variables: A systematic review — systematisk gjennomgang av det AI-kompetanse korrelerer med

• Assessing teachers' AI literacy: a systematic review of measurement tools — systematisk gjennomgang av verktøyene som måler læreres AI-kompetanse

• Development of an AI literacy self-assessment questionnaire in upper primary school students — selvvurderingsskjema for elever i øvre barneskole

• Metacognitive AI literacy: going beyond the AI skills gap agenda — AI-kompetanse som metakognitiv sosial praksis

• AI Literacy Interventions in Education: A Meta-Analysis of Effects and Moderators — Metaanalyse av effekten av AI-kompetanseintervensjoner

• The Scaffolded AI literacy (SAIL) framework: Results of a Delphi study for equitable AI literacy framework design in education — The Scaffolded AI Literacy (SAIL) Framework

• Measuring Acceptance of Age-Tiered AI Literacy Guidebooks: A Developmentally Informed Study of K-12 Students and Teachers — Aldersdifferensierte AI-kompetansehåndbøker evaluert med 794 elever og 37 lærere: firefaktor-akseptstruktur invariant på tvers av 9-12- og 13-18-utgavene, med yngre elever høyere på alle konstruktene

• Reorienting Critical AI Literacy: A Community-Rooted Praxis of “Resisting AI” — Kritisk AI-kompetanse: makt, motstand, medvirkning

• Prompts to Practice: A Pedagogical Framework for Human-Centered AI Engagement — Promptkompetanse som en grunnleggende kompetanse til forskjell fra prompt engineering: den femfasede menneskesenterte modellen for GenAI-engasjement (Miles, Haber-Curran & Arar 2026)

• The Hidden Cost of Contextual Sycophancy: an AI Literacy Intervention in Human-AI Collaboration — Kontekstuell smiger som en AI-kompetanseintervensjon

• Understanding Student Dependency on AI: The Role of AI Literacy, Academic Self-Efficacy, and Resource Management Strategies — AI-kompetanse, selvinnsikt og avhengighet

• Teaching Students to Question the Machine: An AI Literacy Intervention Improves Students' Regulation of LLM Use in a Science Task — en totimers workshop endret ungdomsskoleselevers regulering av LLM-interaksjon, mens selvrapporteringer predikerte ingenting (Clerc et al. 2026)

• Artificial Intelligence Literacy and Sustainable Development: An Ethical Governance and Development Goals Framework — AI-kompetanse som en styringskapasitet for bærekraftig utvikling: AIRE Taxonomy og AI–SDG Nexus (Islam, Morshed & Islam 2026)

• AI Literacy in Secondary Education: Framework, Assessment, and Professional Development in the Ukrainian Context — Femnivå-rammeverk for AI-kompetanse for ukrainske videregående-pedagoger (Marienko et al. 2026)

• STEAM Education for AI Literacy: A Systematic Literature Review — STEAM-utdanning for AI-kompetanse: systematisk gjennomgang

• Systematic Review of Collaborative Learning Activities for Promoting AI Literacy — Collaborative AI Literacy Framework

• Co-Constructing AI Boundaries: Agency, Judgment, and Ethical Literacy in AI-Mediated Meaning-Making — omformer AI-kompetanse til å vurdere hvilket tolkende arbeid som ikke skal delegeres

• Artificial intelligence-supported learning and higher-order cognitive outcomes: the mediating role of metacognitive self-regulation — AI-verifiseringskompetanse hadde betydning bare gjennom metakognitiv selvregulering, mens kognitiv avlasting predikerte lavere kritisk tenkning og problemløsning (Davor et al. 2026)

• Designing for AI literacy: psychological mechanisms and self-determination — Tenkningsbasert undervisning slo ferdighetsbasert undervisning på en objektivt vurdert oppgave, med autonomi og kompetanse som bar effekten (Yu, Lin & Chen 2026)

• Psychological predictors of continued ChatGPT use among university students: the roles of AI literacy, trust, and academic self-efficacy — veien fra AI-kompetanse til fortsatt ChatGPT-bruk går gjennom tillit og akademisk selvinnsikt, og AI-angst tynner ut den første koblingen (Hu 2026)

• Modeling and measuring graduate students’ generative AI literacy: a study based on Marzano’s taxonomy — Femdimensjonal Marzano-forankret modell og 15-spørsmåls-selvrapporteringsskala for forskerstudenters GenAI-kompetanse (Zhi et al. 2026)

• Artificial intelligence in initial teacher training for pre-service primary school teachers in mathematics: a systematic review — Elleve studier om AI i innledende matematikklærerutdanning, i all hovedsak kortvarige, med etikk berørt i bare tre (Pinto et al. 2026)

• Generative artificial intelligence in university chemistry education: a critical review using Johnstone’s chemistry triplet and Biggs’ 3P model — Verifiseringssenteret GenAI-integrering i universitetskjemi, med representasjonsoversettelse som den kjernekompetansen AI krever (Vega-Baudrit & Rivera Alvarez 2026)

• Who Acts, Who Knows, Who Answers? A Corpus-Assisted Discourse Analysis of Agency, Epistemic Responsibility, and Accountability in Generative AI Higher Education Research — Who Acts, Who Knows, Who Answers? A Corpus-Assisted Discourse Analysis of Agency, Epistemic Responsibility, and Accountability in Generative AI Higher Education Research

• Bridging the Gap: Investigating Students' Self-Reported AI-Literacy and Perceived Employability Competencies for an AI-Enabled Workforce — Selvrapportert AI-kompetanse forklarte 60.8 % av oppfattet beredskap for ansettbarhet, med de evaluerende og affektive dimensjonene sterkest (ElSayary & Ragab 2026)

• From Competency to Agency: Teachers' Views of the Purposes of AI Education — Lærernes formål med AI-utdanning lest gjennom Biestas kvalifisering, sosialisering og subjektivering, og heuristikken informert AI-medvirkning (Fagerlund et al. 2026)

• Teacher Readiness-By-Design for AI-Rich Interactive Learning — Lærerberedskap som designkvalitet snarere enn adopsjon eller selvtillit, med selvinnsikt som ressurs og ikke-bruk ikke lik manglende beredskap (Charles 2026)

• The Effects of K-12 Artificial Intelligence Education in Enhancing AI Literacy: A Meta-Analysis — K-12 AI-utdanning hevet AI-kompetanse med en samlet g = 0.892 på tvers av 57 positive effekter, og uenighet om måling forklarer heterogeniteten (Yu et al. 2026)

• Literacy demands placed on students in student–GenAI entanglements in higher education — Kompetansekrav skiller seg etter elev–GenAI-sammenvevningstype; Assistant- og Enabler-former dominerer mens resten forblir marginale av institusjonelle årsaker (Sun, Dohn & Rehm 2026)

• The AI Competence Framework Landscape: A Comparative Analysis of Frameworks for Education and Workforce Development — Sammenlignende analyse av 16 AI-kompetanserammeverk for utdanning og arbeidskraftutvikling

• A Multidimensional Analysis of AI Literacy Determinants: External Resources, Digital Skills, and Psychological Profile Among University Students — Eksterne ressurser, digital kompetanse og psykologisk profil som felles determinanter, med en fortegnsreversering for teknologiangst

• The Six-Facet Artificial Intelligence Literacy Questionnaire (SFAILQ): Assessing AI Literacy in Adolescents, Young Adults, and Midlife Adults — Seksfasetter-instrument som legger til fasettene ansvarlig bruk og selvutvikling, skalærinvariant på tvers av ungdommer, unge voksne og voksne i midtlivet

• Exploring University Faculty's AI Well-Being: A Structural Equation Model of Social Supports, AI Literacy, and Technological Self-Efficacy — Strukturlikningsmodell for fagpersonells velvære i møte med AI, sosiale støtter og AI-kompetanse

• What Does It Mean to Be AI Literate? Psychometric Validation of the Critical 3wAI Literacy Scale — Validert 17-spørsmåls-selvrapporteringsskala med tre distinkte AI-kompetansefaktorer (Know What/How/Why); Know-How og Know-Why mest koblet (HTMT = 0.544)

• AI Literacy and STEM Education: Emerging Frontiers and Research Priorities — Syntese av de ti mest siterte studiene av AI-kompetanse i STEM-utdanning (Hallström et al. 2026)