AIEd-kunnskapsbaseAIEd KB
På denne siden

Les denne siden på engelsk

Begreper

Utdanningsutvikling

Opprettet 2026-10-27 · Oppdatert 2026-10-27

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

Utdanningsutvikling (også kalt fakultetsutvikling) - prosessene, programmene og den institusjonelle støtten som hjelper pedagoger med å utvikle ferdighetene, selvtilliten og den profesjonelle identiteten som trengs for å undervise godt med AI. Utdanningsutvikling spenner over individuell opplæring, redesign av læreplaner, endring av institusjonell politikk og det kulturelle arbeidet med å forstå hva GenAI betyr for den akademiske profesjonen.

Spørsmål å vurdere

  • Hvis fakultetsansatte i samme institutt beskriver AI som en menneskelignende «assistent» på den ene siden og som et rent «verktøy» eller en «søkemotor» på den andre, kan et opplæringsprogram da egentlig lykkes før disse underliggende mentale modellene er brakt fram i dagen? Hva kan skje hvis utviklingsarbeidet hopper over det steget?
  • Utdanningsutvikling behandles ofte som å tette et kompetansegap - lær de ansatte verktøyene, så tar de dem i bruk. Men noe forskning rammer inn GenAI-integrasjon som en endring på identitetsnivå («hva er poenget med å undervise i en GenAI-verden?»). Hvilken innramming tror du er mest treffende, og hvilke ulike handlinger innebærer hver av dem?
  • Beredskapsrammeverk som EPIQ-AI deler fakultetets beredskap i epistemiske, pedagogiske, institusjonelle og kvalitets- og samsvarsmessige domener. Hvis beredskap er et sosioteknisk tilpasningsproblem snarere enn et individuelt kompetansegap, hva sier det om hvor en enslig «AI-workshop» sannsynligvis kommer til kort?
  • Når har du opplevd at dine egne antakelser om en ny teknologi ble brakt fram i dagen og forskjøvet - gjennom diskusjon, metaforer eller et felles språk snarere enn gjennom instruksjon? Hvilken rolle tror du felles språk og metaforanalyse spiller for å hjelpe pedagoger med å forstå AI?
  • Tenk deg en lavteknologisk «metaforverksted» der ansatte, administrativt personale og elever setter ord på om AI kjennes som en sveitsisk lommekniv, en hjelper, en svart boks eller en konkurrent. Kan det å bringe frykt fram i dagen (inkludert frykten for at AI skal erstatte undervisningsroller) gjøre mer for adopsjonen enn mer teknisk opplæring?

Introduksjon

Utdanningsutvikling er det profesjonelle og institusjonelle arbeidet der fakultetsansatte bygger evnen til å designe, undervise og vurdere godt - og i AI-tiden er det blitt en forutsetning for at enhver pedagogisk endring skal få effekt. Begrepet spenner over individet (AI-kompetanse, selvtillit, kompetanse, holdninger) og institusjonen (standarder, politikk, kvalitetssikring og samsvar mellom uttalte AI-forventninger og faktisk vurderingsdesign). Et tilbakevendende funn i denne kunnskapsbasen er at belegget for effektiv praksis ligger betydelig foran det de fleste institusjoner har implementert, noe som gjør utviklingsarbeid - ikke mer primærforskning - til den bindende begrensningen. læringsvitenskapene produserer funnene dette arbeidet bærer: der det feltet empirisk fastslår hvordan mennesker lærer og hvilke design som endrer utfall, er utdanningsutvikling den institusjonelle praksisen som flytter slikt belegg inn i hvordan fakultetet faktisk underviser og vurderer. Arbeidet er likevel avgrenset av en institusjonell kant: utvikling bygger kapasitet hos de ansatte inne i en institusjon, mens verktøyene de deretter bes om å ta i bruk, vanligvis bygges utenfor den av Educational Technology Developers, hvis design- og innkjøpsbeslutninger - standardvalg, konfigurerbarhet, hva som overlever finansieringen - kommer inn som begrensninger på programmet snarere enn som produkter av det.

Utdanningsutvikling i AI-tiden

  • Beredskapsrammeverk: Rammeverket EPIQ-AI identifiserer fire beredskapsdomener: epistemisk, pedagogisk, institusjonelt og kvalitets- og samsvarsmessig. Fakultetets beredskap er et sosioteknisk tilpasningsproblem, ikke bare et individuelt kompetansegap.

  • Sjekk hva nivåene i et rammeverk beskriver, før du tar det i bruk. På tvers av 16 institusjonelt anerkjente AI-kompetanserammeverk var AI-bruk, vurdering av output og domenanvendelse substansielle i alle 16, mens problemformulering (7), datakompetanse (9) og AI-skaping (8) ikke var det; ferdighetsnivåene beskriver dessuten elevutvikling, yrkesrolle eller klassetrinn, så de er ikke direkte sammenlignbare (Fitsilis (2026)).

  • Standarder for teknologintegrasjon: Crompton et al. bruker designbasert forskning til å utvikle standarder for fakultetets integrasjon av teknologi (inkludert AI) i høyere utdanning.

  • Adopsjon og selvtillit: Forskning på læreres AI-adopsjon identifiserer bekymringer, støtte, selvtillit og holdninger som sentrale prediktorer. Programmer for fakultetsutvikling må adressere alle fire.

  • Integrasjon i læreplanen: Rammeverk for institusjonell endring og vurderingsreform krever at fakultetet redesigner kurs, ikke bare legger til AI-verktøy.

  • Opplæringsprogrammer: Rammeverk for AI-kompetanseheving og TPACK-basert grunnutdanning gir modeller for strukturert AI-opplæring av fakultetet.

  • AI-formidlet profesjonell refleksjon. Reflective Triangle-modellen posisjonerer AI som en kognitiv formidler på tvers av selvrefleksjon, samarbeidsrefleksjon og fellesskapsrefleksjon i et profesjonelt læringsfellesskap, testet i en fire ukers gjennomførbarhetssak med seks lærere; grensen den trekker, er at individuell innsikt ikke automatisk blir delt profesjonell kunnskap (Nguyen (2026)).

  • Styring og politikk: Analyse av institusjonell AI-politikk dokumenterer gapet mellom institusjonelle ambisjoner og fakultetets støttekapasitet.

  • AI-kompetanse er institusjonelt usynlig. En systematisk oversikt over 32 studier av språklæreres AI-kompetanse fant den fraværende i arbeidsbelastningsmodeller, opprykkspolitikk og ressursfordeling, med fragmentert utvikling og ansvar forskjøvet mellom institusjoner og etater - så kompetanseutvikling faller tilbake på individuell innsats snarere enn strukturell støtte (Deng, Çelik & Duran, 2026).

Metaforer og felles språk i utdanningsutvikling

Fakultetsansatte har heterogene og ofte dypt ambivalente mentale modeller av AI, og effektiv utvikling må bringe dem fram i dagen og arbeide med dem. Gerhardt et al. viser at undervisere i ingeniørutdanning rammer inn AI gjennom metaforer som både konstruerer og begrenser forståelsen (AI som en menneskelignende «assistent» kontra et «verktøy» eller en «søkemotor»); fordi undervisere i samme institutt ofte har grunnleggende ulike konseptualiseringer, er et felles, presist språk om generativ AI en forutsetning for effektiv fakultetsutvikling og produktive samtaler om adopsjon på instituttnivå.

En praktisk metode for å bringe disse mentale modellene fram i dagen er metaforanalyseverkstedet. Vallis, Wilson & Casey (2025) designet og validerte et lavteknologisk, samarbeidsbasert verksted der ansatte, administrativt personale og elever skulle sette ord på metaforene sine for generativ AI. Deltakernes metaforer klynget seg i fire kategorier - funksjoner (verktøylignende: «sveitsisk lommekniv»), roller (menneskelignende: «hjelper», «venn-fiende»), egenskaper (uutgrunnelige: «svart boks», «skråplan») og handlekraft (truende: «konkurrent», «ondskapsfull robot») - og avdekket vedvarende spenninger mellom menneske og maskin handlekraft og mellom det kjente og det uutgrunnelige. Verkstedet hjalp deltakerne med å avdekke antakelser, knytte forbindelser på tvers av roller, føle seg «ikke alene» og tenke over etikken ved GenAI, uten å kreve teknisk ekspertise. Som utviklingsverktøy gir det programdesignere en lavterskel måte å avdekke et teams antakelser på før de redesigner vurderingen eller ruller ut politikk, og å ta frykt direkte - inkludert frykten for at AI skal erstatte undervisningsroller.(Fear and Awe: Making Sense of Generative AI Through Metaphor)

GenAI som identitetsarbeid, ikke bare kompetanseheving

Et terskelinformert perspektiv rammer inn GenAI-integrasjon som en ontologisk transformasjon for fakultetet, ikke som et kompetansegap. Ved å anvende teorien om terskelbegreper (Meyer & Land) argumenterer Laidlaw for at GenAI viser alle fem terskelegenskaper - transformativ (rekonstruerer antakelser om vurdering, pedagogikk og profesjonell rolle), problematisk (krenker forestillinger om originalitet, menneskelig handlekraft og forholdet mellom innsats og måloppnåelse), irreversibel, integrativ (knytter sammen teknologi, pedagogikk, epistemologi og identitet) og avgrenset (GenAI-flyt blir en ny markør for profesjonell gangbarhet).(When faculty ask, 'what's the point of teaching?': GenAI as identity crisis, not skills gap)

Etter dette resonnementet er ikke fakultetsansatte som spør «hva er poenget med å undervise i en GenAI-verden?» mangelfulle i kompetanse; de er i en liminal fase av terskelovergang der angst, motstand og forvirring er nødvendige deler av transformasjonen, ikke hindringer som skal elimineres. Ferdighetsbasert opplæring som besvarer et kompetansespørsmål fakultetet ikke stiller, kan bli perifer i forhold til den egentlige transformasjonen, og velfundert styring kan gli over i en «håndhevingsillusjon» - å kommunisere regler snarere enn å støtte endring.(When faculty ask, 'what's the point of teaching?': GenAI as identity crisis, not skills gap)

Designimplikasjon: suppler (ikke erstatt) ferdighetsbygging med identitetsstøttende praksiser - åpne økter med identitetsspørsmål snarere enn tekniske demoer, løpende fagspesifikke kohorter der fakultetet utforsker hva GenAI betyr for formålet med deres fag, jevnaldrende mentorstrukturer som ærer ulike transformasjonstidslinjer, og å skille fryktbasert nøling (som har nytte av støtte) fra prinsipiell ikke-adopsjon forankret i legitime faglige verdier (som fortjener respekt).(When faculty ask, 'what's the point of teaching?': GenAI as identity crisis, not skills gap) Metaforverkstedmodellen over er én konkret instansiering av dette: i stedet for å starte fra teknisk kompetanseheving, åpner den med det fortolkende, identitetsladede spørsmålet om hva GenAI betyr for deltakerne.

Empirisk støtte for identitetsarbeidsinnrammingen. Farazouli et al. (2026) gir direkte kvalitativt belegg for dette resonnementet: 24 svenske universitetslærere beskrev framveksten av GAI som alarmerende og overveldende, og rapporterte en «tilstand av sårbarhet» (lav selvtillit, usikkerhet, frykt for «ikke å være foran elevene») og følelsen av å «sitte fast» mellom utopiske og dystopiske diskurser. Deres begrensede kunnskap og erfaring, sammen med følelser av sårbarhet, understreker lærernes manglende beredskap til å navigere i, vurdere og ta i bruk GAI - og forfatterne argumenterer for at institusjoner må tilby avsatte rom og tid der lærerne kan eksperimentere med GAI, utveksle ideer og i fellesskap utvikle praksiser og retningslinjer på institusjons-, institutt- og kursnivå. Dette forankrer identitetsarbeidet og den støtteorienterte tilnærmingen i lærernes egne rapporterte erfaringer, ikke bare i teori.

Et program som arbeidet direkte med identitetsspørsmålet. Chick, Morello & Staffey (2026) rapporterer om et seks ukers sommerinstitutt som tok ti fakultetsansatte fra utdanning, helsefag, økonomi og andre programmer fra lav AI-flyt (gjennomsnittlig selvvurdering 1,89 på en sekspunkts skala) til at 60 % rapporterte høy selvtillit i å veilede elevenes AI-bruk og 90 % positive oppfatninger, og de tilskriver endringen mindre verktøyopplæring enn strukturert, trygg eksperimentering som åpnet med det eksistensielle spørsmålet om profesjonell verdi snarere enn med demoer. Vokabularskiftet er markøren de lener seg på: tidlige innramminger av AI som en «juksemaskin» eller en «dehumaniserende kraft» vek plassen for «nysgjerrig assistent», og deres fire temaer - fra frykt til nysgjerrighet, et ønske om etisk klarhet som politikkvakuumet ikke ga, inkluderende design som en likestillingsforsterker, og fakultetsansatte som beveger seg fra portvakter til veiledere - beskriver en delvis, bevisst reorientering av undervisningsidentiteten. De ti capstone-redesignene er det hardere belegget, der åtte av ti posisjonerer AI som en støtte som understøtter snarere enn erstatter tenkning, og forfatternes symbiotiske pedagogikk formaliserer det deltakerne bygde: komplementært design, transparent prosess, kritisk integrasjon, innebygd etisk resonnering og iterativ finpuss. Forbeholdet er strukturelt snarere enn individuelt: de samme deltakerne nevnte motstridende politiske signaler, personlige verktøyabonnementer og ingen frigitt tid til redesignene, så forfatterne konkluderer med at motstand aldri var problemet, og at lappeteppesvar som lar politikk og infrastruktur være urørt, vil mislykkes selv med en entusiastisk kohort.

Utvikling som formidling, og det første spørsmålet en utvikler stiller. Sithole (2026) studerer akademisk utvikling - feltets eldre navn, og begrepet som brukes av International Journal for Academic Development, som publiserte artikkelen - ved to sørafrikanske institusjoner som historisk har vært dårlig stilt, og rammer inn utviklere ikke som tekniske implementører, men som digitale formidlere som arbeider i tre registre: pedagogisk (å oversette AI-diskurs til levedyktig undervisnings-, lærings- og vurderingspraksis), etisk (å holde automatisering opp mot akademisk integritet, innovasjon opp mot omsorg) og institusjonelt (å arbeide i det liminale rommet mellom ledelsens krav og akademiske hensyn). To funn er viktige for programdesign. For det første er filtreringsspørsmålet kontekstuelt før det er teknisk - «hva betyr dette for undervisningen her, for elevene våre fra fattige skoler?» - og å bremse adopsjonen regnes som en del av arbeidet snarere enn som motstand mot det. For det andre er den affektive kostnaden strukturell, ikke personlig: utviklerne ble forventet å utstråle ekspertise i verktøy hvis implikasjoner de fortsatt arbeidet med («jeg føler meg som en bedrager. Jeg lærer AI underveis, men institusjonen forventer ekspertise»), og svaret deres var kollegial profesjonell læring rettet mot dømmekraft snarere enn ferdighet, inkludert å bevisst prøve å bryte verktøyene. Artikkelens analytiske bidrag er å skille digital ulikhet, et fordelingsproblem, fra algoritmisk kolonialitet, et epistemisk problem som overlever full tilgang - og å plassere begge inne i den globale sør sin høyere utdanning, der utviklingsarbeid forventes å være transformerende snarere enn en nøytral støttetjeneste.

Skyld og moralsk ubehag som utviklingssignal. Vassallo (2026) leverer den affektive motparten til identitetsresonnementet. I en spørreundersøkelse blant akademisk ansatte ved et maltesisk universitet (109 svar, en svarprosent på 3,5 % som artikkelen selv leser som informativ om tilstanden i den etiske debatten) fulgte skyld skjuling snarere enn åpenhet - å begrense AI-bruk på grunn av ubehag korrelerte med AI Guilt Index med r = ,62 og med å unngå å fortelle kolleger om bruken med r = ,50 - mens formell deklarasjon i akademiske publikasjoner ikke viste noen sammenheng (r = ,08). Bare 31,2 % opplevde tydelige institusjonelle retningslinjer, og korrelasjonen mellom denne klarheten og lavere skyld var svak (r = −,25, p = ,010), noe artikkelen leser som belegg for at toppstyrte pålegg ikke kan løse et delvis emosjonelt og identitetsbasert problem. Anbefalingene er direkte utviklingsrettede: behandle skyld og identitetsbekymring som normale overgangsreaksjoner snarere enn feil som skal rettes, bruk strukturert lavinnsats-eksperimentering for å føre ansatte gjennom forventningsangst, og lene seg på mentorordninger med erfarne akademikere, siden skyld var høyest blant ansatte tidlig i karrieren (M = 2,71) og lavest blant erfarne (M = 2,03).

Praktisk veiledning for programdesignere

For fakultetsutviklere, akademiske ledere og instruksjonsdesignere som planlegger AI-profesjonell utvikling, tyder belegget i kunnskapsbasen på følgende:

Adresser de fire adopsjonsdriverne, ikke bare kunnskap. Selvtillit, holdninger, støtte og bekymringer forutsier om fakultetet faktisk tar i bruk AI - en kunnskapsbasert workshop som ignorerer disse, vil neppe endre praksis. Design utviklingen slik at den bygger selvtillit gjennom praktisk bruk, gir løpende støtte (ikke engangsopplæring) og aktivt bringer fakultetets bekymringer fram i dagen og responderer på dem.(AI Adoption Among Teachers: Insights on Concerns, Support, Confidence, and Attitudes)

Selvtillit og kompetanse er ikke utskiftbare mål: i en SEM med 502 respondenter blant universitetsansatte var AI-kompetanse den dominerende prediktoren for AI-velvære (β = 0,713), mens teknologisk self-efficacy bidro lite (β = 0,082), og støtte nådde velvære bare indirekte (Liu et al. (2026)).

Behandle etterspørsel etter retningslinjer og retningslinjenes tilstrekkelighet som to separate problemer. Fakultetsansatte ved ett universitet støttet sterkt institusjonelle tiltak mot uetisk AI-bruk (M = 4,59) mens de vurderte de eksisterende retningslinjene lavest (M = 2,99), og oppgav datapersonvern og kulturell inkludering som sin svakeste kunnskap - et konkret mål for profesjonell utvikling (Bilgic & Sever, 2026).

Behandle beredskap som et sosioteknisk tilpasningsproblem. Rammeverket EPIQ-AI viser at fakultetets beredskap spenner over epistemiske, pedagogiske, institusjonelle og kvalitets- og samsvarsmessige domener. Programmer som bare trener individet, går glipp av de institusjonelle spakene (politikk, arbeidsbelastning, insentiver, kvalitetsstandarder) som muliggjør eller blokkerer endring - juster dem sammen med opplæringen.(Faculty Readiness for AI-Supported Teaching and Scalable Online Program Delivery in Higher Education: The EPIQ-AI Framework for Epistemic Integrity)

Likestill ikke investering i infrastruktur med transformasjon. På tvers av 125 studier korrelerte institusjonell investering i GenAI-infrastruktur og utdanningsutvikling bare svakt med faktisk pedagogisk endring (r = 0,12), mens 60-70 % av underviserne følte seg uforberedt på å integrere GenAI - noe som gjør utvikling, ikke innkjøp, til den bindende begrensningen.(Rathnayake (2026))

Bygg mot redesign av læreplanen, ikke mot verktøyadopsjon. Målet er at fakultetet redesigner kurs og vurdering, ikke bare legger til AI-verktøy. Forankre profesjonell utvikling i redesignarbeid på kursnivå og i vurderingsreform, og gi fakultetet strukturerte rammeverk for å gjøre det (for eksempel vurderingsskalaer, rammeverk for institusjonell endring).(A Framework for Institutional Change in the Age of AI)(A bit of chaos and madness: The AI Assessment Scale and the work of assessment reform)

Kall sammen landsbyen, ikke individet. På tvers av intervjuer med 12 akademikere og 17 studenter oversteg vurderingsredesign i GenAI-tiden enhver enkelt akademikers kapasitet - lite fleksible prosesser, lange ledetider og arbeidsbelastning ble nevnt - så forfatterne foreslår et programomfattende team som kombinerer kompetanse i vurderingsdesign, GenAI, fagstoff, program og industri (Nicola-Richmond et al., 2025).

Kjør serien på rommets egne data snarere enn på importert beste praksis. Perl-Nussbaum og Finkelstein (2026) dokumenterer en gjennomarbeidet modell fra et stort offentlig R1-fysikkdepartement: seks økter annenhver uke på 60 til 75 minutter, nitten fakultetsansatte som deltok gjennom serien og omkring ti på hvert møte, der hver økt åpnet med lokale data eller materiale fra instituttet, gikk videre til smågruppetesting av AI mot ekte anonymiserte elevinnleveringer, og ble avsluttet i felles diskusjon. Det fakultetet fant ved å teste, var mer nyttig enn noen pakke tilretteleggerne kunne ha importert - AI løste hver oppgave de prøvde, men tilbakemeldingen på ekte elevbesvarelser var ujevn, promptavhengig og overflateorientert med mindre den fikk eksplisitte mål og rubrikker, og elevene promptet grunt og endret output overfladisk med mindre produktiv bruk ble modellert. Det første konkrete resultatet var et levende arkiv med fem oppføringer - emneplanpolitikk, klasseromsdiskursmateriale, elevundersøkelsen, AI-integrerte hjemmeoppgaver og vurderingsstrukturer - som er grunnen til at forfatterne behandler øktsstrukturen selv som argumentet, snarere enn noe innhold den leverte.

Forankre i et kompetanserammeverk. Utviklingen bør også bygge pedagogisk promptkompetanse - evnen til å kode pedagogiske intensjoner inn i prompter - siden Talebzadeh (2026) finner at det er pedagogisk ekspertise, ikke AI-flyt, som avgjør kvaliteten på lærernes AI-assisterte designarbeid.(AI-accelerated End-to-End Framework for Rapid Professional Upskilling)(AI literacy-related domains and AI-TPACK readiness among preservice mathematics teachers: A factor-informed structural equation modelling study)(The Architecture of Roles in AI-Designed Group Activities: A comparative inductive analysis of novice and experienced teachers' differentiated instruction within the IAT framework)

Sekvenser forståelse før automatisering. En kritisk diskursanalyse av 14 dokumenter med grå litteratur publisert mellom november 2022 og april 2025, som gir utøvere råd om generativ AI for konstruktiv tilpasning, finner at kompetanse må komme før verktøytilgang: fordi kvaliteten på engasjementet kommer før kvaliteten på forståelsen i et konstruktivistisk rammeverk, skalerer risikoen omvendt med kjennskap, og nybegynnere er mest utsatt for plausibilitetsdrevet aksept av plausibelt utseende, men pedagogisk tynt output. McInnes et al. (2026) argumenterer videre for at utviklingsenheter bør motsette seg et teknisk oppdrag - å hjelpe fakultetet med å «oppnå flyt» i verktøy som gjør «tungløftet» i kursdesign - fordi den innrammingen stenger utviklerne ute fra en lukket pedagog-GenAI-sløyfe og gjør verdibasert, relasjonell utvikling om til en formidlende mekanisme for programvareadopsjon. Det forsvarlige alternativet holder utdanningsutviklerne som kuratorer og regelsettere for enhver institusjonelt avgrenset hentingsforsterket tilpasningsassistent som stiller undersøkende spørsmål, flagger under- og overvurdering og genererer alternativer, men aldri ferdige artefakter, med eskalering til menneskelig dømmekraft i akkrediterings- og tverrprogramspørsmål behandlet som en egenskap snarere enn et unntak.

Bring frykt og mentale modeller fram i dagen og adresser dem. Før undervisningen redesignes, bruk et metaforanalyseverksted (Vallis, Wilson & Casey 2025) til å avdekke et teams antakelser og bekymringer om GenAI - inkludert frykten for at det skal erstatte undervisningsroller - og bygg utvikling som responderer på dem snarere enn å ignorere dem.(Fear and Awe: Making Sense of Generative AI Through Metaphor)

Modeller AI-kompetanse og mål reelle gevinster. Fakultetsutvikling bør selv legemliggjøre praksisene som læres bort - å bruke AI pedagogisk, vurdere output kritisk - og bør vurdere demonstrert kompetanse snarere enn selvrapportert selvtillit, siden selvopfatning pålitelig overvurderer AI-ferdighet.(How to Assess AI Literacy: Misalignment Between Self-Reported and Objective-Based Measures)(Efficacy of an Intensive Generative AI Professional Development Program on Pedagogical Content Knowledge (AI-PCK) and the Comparative Analysis of Learning Gain between Experienced and Pre-service Teachers)

Ikke anta at fagekspertise overføres til GenAI. Sutedjo, Chowdhury & Liu (2026) undersøkte 127 fakultetsansatte ved amerikanske forskningsuniversiteter med instrumentet TPACK-21 og fant at innholdskunnskap (CK) viste ingen signifikant korrelasjon med teknologisk kunnskap eller noe teknologintegret domene (r = ,11-,15, ns) - faglig ekspertise forutsa ikke kunnskap om GenAI-integrasjon. De teknologintegrerte domenene (TPK, TCK, TPACK) korrelerte så sterkt seg imellom (r = ,81-,91) at de kan fungere som én enkelt GenAI-integrasjonsfaktor. Praktisk betyr det: bygg GenAI-integrasjon gjennom fagspesifikke aktiviteter som knytter GenAI-ens muligheter til den enkelte ansattes fagstoff, og behandle de teknologintegrerte domenene som ett felles grunnlag for GenAI-kompetanse snarere enn å trene dem som separate ferdigheter.(Assessing faculty self-perceived knowledge in using generative AI to teach 21st-century skills)

Fagspesifikke smartklasseromsmodeller. Zhu, Liang, Mao og Wang (2026) viser hvordan et matematikk-emne på masternivå kan forsterkes med intelligente pedagogiske teknologier (automatisk skåring, tilpassede anbefalinger, multi-AI-tilbakemelding) integrert på tvers av stadier før, under og etter undervisningen innenfor et tredimensjonalt smartklasseromsrammeverk. Kvasieksperimentet deres fant statistisk signifikante fremganger i kompetansen til å designe undervisningsmål, og tilbyr en overførbar D-T-E-modell (Disciplinary Demand-Technological Empowerment-Evaluation Loop) for lærerutdannere og utdanningsutviklere som vil flytte smartutdanningsrammeverk fra makrokonsepter til fagspesifikk praksis.

Mål oppmøte, ikke følelsen av engasjement. I et seks måneders Intelligent-TPACK-program for 64 universitetslærere forutsa oppmøteprosenten gevinsten i AI-kompetanse (β = ,407, p = ,001), mens selv opplevd deltakelse ikke gjorde det (β = ,049, p = ,692), noe forfatterne leser som konkret atferdsmessig investering mot overfladisk engasjement (Tan, Cheng & Ling, 2025). Programmet kombinerte nettforelesninger med tre fysiske verksteder, og krevde deretter at lærerne reviderte undervisningsdesignene sine og gjennomførte dem semesteret etter, og forfatterne anbefaler å knytte oppmøte til medarbeidersamtalen sammen med meningsfulle insentiver.

Mål mot det fakultetet selv rapporterer. Watson & Rainie (2026) sin undersøkelse blant 1 057 amerikanske fakultetsansatte finner at det institusjonelle laget er tynt på måter programdesignere kan måle direkte: 59 % vurderte skolen sin som uforberedt på å bruke generativ AI effektivt for å forberede elevene på framtiden, og 68 % sa at den ikke hadde forberedt fakultetet på å bruke det til undervisning og veiledning, mens den strukturelle responsen var en arbeidsgruppe ved 55 % av institusjonene, men et læringsmål for AI-kompetanse i allmenndannelsen ved bare 13 %. Fakultetet hadde ikke ventet på politikken - 87 % skrev egne regler på oppgavenivå, mot 48 % som kunne peke på en institusjonell - og de nevnte kollegers motstand (82 %) og ukjenthet (83 %), ikke pålegg, som hindringene for adopsjon på instituttnivå. For utviklingsprogrammer taler dette for å behandle jevnaldrendenormer, et felles politikkspråk på oppgavenivå og eksplisitte mål for institusjonell beredskap som en del av intervensjonen, snarere enn å overlate dem til policydokumentet.

Undervisernes respons gjenspeiler maktsentre, ikke holdning. I en instrumentell casestudie av 33 skriveundervisere formet fire polysentriske maktsentre - den globale GenAI-trenden, universitetet og instituttet, kolleger og elever - praksisen, og timelærere som var begrenset av liten diskursmakt, skiftet fra deteksjon mot å undervise i akseptabel bruk (Zuo et al. (2026)).

  • Seks familier av profesjonell utvikling, tre godt dokumentert, og én klar vinner. En gjennomgang av 78 studier av AI-støttet instruksjonsdesign sorterer dokumentert profesjonell utvikling i kompakte innebygde moduler (2-4 uker), semesterslang mikrolæring, oppgavebaserte designsykluser, samarbeidsbaserte spørsmålskjeder bygget på dialog, kritisk medoppdagelse og selvstyrt utøverlæring. Utfallsbelegget er sterkest for kompakte innebygde moduler: en tre ukers modul ga statistisk signifikante gevinster på tvers av alle seks Intelligent-TPACK-domener med effektstørrelser fra middels til store, og et fire ukers program med 436 lærerstudenter og en kontrollbetingelse er den sterkeste kontrollerte evalueringen i korpuset (Spyropoulou & Kameas, 2026).
  • Tre designtrekk skiller intervensjonene med best belegg. Etikk innebygd som fordelt praksis med kontrollpunkter ved hver oppgave snarere enn som en frittstående økt; prestasjonsbasert kompetansevurdering med undervisningsplaner, beslutningslogger og mikro-undervisning, direkte motivert av at selvrapportering er upålitelig; og prompt engineering utviklet som reflektert, pedagogisk forankret praksis. Adopsjon er ikke den samme spaken som prestasjon: på tvers av 200 lærere på Nord-Sumatra hadde AI-bruk ingen direkte effekt på læreres prestasjon (β = 0,112, p = ,087), mens organisatorisk medborgeratferd bar den indirekte, så fakultetsutviklingsarbeid rettet mot samarbeidsbasert bruk utover rollen er den versjonen belegget støtter (Sherly et al. (2027)). En ledsagende to ukers studie fant raske gevinster i kunnskap og selvtillit, men identifiserte fordomsdeteksjon som den svakeste nye kompetansen - et gap som vedvarte inn i den lengre modulen, i tråd med at etisk perseptuell kapasitet utvikler seg langsommere enn teknologisk kjennskap.

Vanlige misoppfatninger

«En ferdighetsworkshop er intervensjonen utdanningsutvikling trenger.» Beredskap er et sosioteknisk tilpasningsproblem, ikke et individuelt underskudd, og derfor kommer en frittstående «AI-workshop» til kort i forhold til behovet den skal dekke. Et program som arbeidet direkte med spørsmålet, var et seks ukers sommerinstitutt som tok ti fakultetsansatte fra utdanning, helsefag, økonomi og andre programmer gjennom arbeid på identitetsnivå. Varighet og kohort er ikke tilfeldige i det designet; de er det som skiller det fra en omvisning i funksjoner.

«Tydeligere institusjonelle retningslinjer vil løse fakultetets uro.» Retningslinjer hjelper, og de når ikke problemet. Bare 31,2 % av akademisk ansatte ved et maltesisk universitet opplevde tydelige institusjonelle retningslinjer, og korrelasjonen mellom retningslinjenes klarhet og lavere skyld var svak (r = −,25, p = ,010). En svak sammenheng i den størrelsesordenen betyr at toppstyrte pålegg ikke kan avgjøre det artikkelen leser som et delvis emosjonelt og identitetsbasert problem - den femtedelen av variansen de forklarer, er ikke den femtedelen som betyr noe.

«Skyld over AI-bruk tyder på regelbrudd.» Den følger skjuling snarere enn åpenhet: å begrense AI-bruk på grunn av ubehag korrelerte med å skjule det, ikke med forbudt atferd. Å lese skyld som belegg for mislighold identifiserer derfor feil kilde, og å behandle den som et samtalssignal vil skyve atferden lenger ut av syne.

«Lav svarprosent betyr at fakultetet ikke har sterke meninger.» Artikkelen leser sine 109 svar (en svarprosent på 3,5 %) som selv informative om tilstanden i den etiske debatten - et lavt svar på et spørsmål om ubehag er et funn om det ubehaget, ikke et fravær av det. Og en GenAI-integrasjon som utelukkende rammes inn som kompetanseheving, går glipp av identitetsspørsmålet noen fakultetsansatte faktisk stiller: hva poenget med undervisning er i en GenAI-verden.

Beslektede begreper

Beslektede artikler

Tilknyttede FAQ

Tilknyttede ressurser

  • Education Agent Skills
    A library of 165 evidence-grounded agent skills covering pedagogy, learning science, curriculum, and assessment, packaged for Claude, Codex, and Hermes.
  • FPDS Apps and Resources
    The public resource page of Faculty Professional Development Services at Hillsborough College, collecting its AI design coaches, Canvas courses and accessibility guides in one place.

Metadata

NivåHigher Ed, K 12
Tiltenkt målgruppeFaculty Developers, Instructors
Institusjoner og politikkEducational AI Policy
Grunnlaget for AI i utdanningAI-kompetanse, Curriculum Design, Læringsdesign, Undervisning, Læreres AI-kompetanse
KildeHistorikkRedigerChat

Bygg inn denne siden

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