AIEd-kunnskapsbaseAIEd KB
På denne siden

Les denne siden på engelsk

Begreper

Historien til AI i utdanning

Opprettet 2026-08-23 · Oppdatert 2026-11-08

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

Historien til AI i utdanning — studiet av hvordan kunstig intelligens og utdanning har utviklet seg sammen siden midten av 1900-tallet, og hvordan tidligere begrepsmessige, terminologiske og designmessige valg fortsatt former dagens debatter om AI i læring. I stedet for å behandle generativ AI som en plutselig, enestående kraft, avdekker et historisk blikk tilbakevendende spenninger — kontroll vs. handlekraft, standardisering vs. kreativitet, automatisering vs. forsterkning — som har strukturert AI i utdanning siden opphavet.

Spørsmål å vurdere

  • Dagens generative AI beskrives ofte som en enestående revolusjon. Hvordan kan den innrammingen («kronosentrisme») hindre oss i å se de tilbakevendende mønstrene under den?
  • Feltet ble nesten kalt «kybernetikk» i stedet for «kunstig intelligens». Hvordan kan det ene navnevalget ha formet hvorvidt vi ser maskiner som selvstendige intelligenser eller som deler av sammenkoblede tilbakemeldingssystemer?
  • Denne siden rammer inn AIED-historien som en spenning mellom kontroll (Andersons kognitive veiledere som optimaliserer undervisning) og handlekraft (Paperts konstruksjonisme som gir elevene makt). Hvor på dette spekteret havner dine egne valg for AI i utdanning — og hvorfor?
  • Personalisering, hevder siden, har to betydninger: å variere veien til samme utfall, eller å muliggjøre mangfoldige, elevstyrte utfall. Hvilken form for personalisering forfølger institusjonen din egentlig, og hvilken mener du den burde forfølge?
  • Hvis dagens GenAI-debatter «speiler» disse historiske spenningene, hvilke tidligere feil kan vi være i ferd med å gjenta — og hva kan vi unngå ved å huske dem?
  • Denne siden hevder at tekniske designvalg innebærer verdimessige vurderinger av hva læring skal tjene. Kan du identifisere et designvalg i et AI-utdanningsverktøy du har brukt, som i det stille favoriserte standardisering framfor elevens handlekraft — eller omvendt?

Introduksjon

Feltets historie er ikke en lineær framgang, men en serie kontingente beslutninger hvis virkninger fortsatt gir gjenlyd. Å forstå denne historien verner mot «kronosentrisme» (tilbøyeligheten til å behandle dagens utvikling som enestående revolusjonær), hjelper oss å unngå å gjenta tidligere feil, og viser hvordan valg av innramming og terminologi — ikke bare teknologi — styrer banen til AI i utdanning.

Sentrale historiske tråder

Fra kybernetikk til «kunstig intelligens». Da John McCarthy planla Dartmouth Summer Research Project i 1956, valgte han bevisst begrepet kunstig intelligens framfor kybernetikk — delvis for å distansere feltet fra Norbert Wiener og hans fokus på analog tilbakemelding. Dette navnevalget satte maskinens evner i direkte sammenligning med menneskelig kognisjon (antropomorf innramming), og styrte forskningsprioriteringer, offentlig oppfatning og etisk debatt i tiår. Hadde feltet beholdt den kybernetiske innrammingen, forestiller artikkelen seg at vi nå kanskje ville snakke om «kybernetiske læringssystemer» med vekt på tilbakemelding og sammenkobling, i stedet for «AI-veiledere» som plasserer maskinen som en uavhengig kilde til intelligens.

Den kognitive revolusjonen og røttene til ITS. Tidlige pionerer — Herbert Simon, Allen Newell, Marvin Minsky, John Anderson — modellerte ikke bare kognisjon; de undersøkte grunnleggende spørsmål om læring og undervisning. Arbeidet deres produserte informasjonsbehandlingsmodeller for menneskelig kognisjon som ble grunnleggende for utdanningspsykologien, og førte til Intelligente veiledningssystemer (ITS), forankret i heuristisk søk og ekspertsystemparadigmene fra AI på 1960- og 70-tallet. Disse systemene passet naturlig sammen med eksisterende strukturer for vurdering og standardisering, og smeltet etter hvert sammen til AIED-fellesskapet.

Kontroll vs. handlekraft: Anderson og Papert. To konkurrerende visjoner vokste fram, legemliggjort i John Anderson og Seymour Papert. Andersons kognitive veiledere (ACT/ACT-R-teori) dekomponerte kunnskap til produksjonsregler, ga presis individuell tilbakemelding og forsterket tradisjonelle utdanningsstrukturer — en visjon om AI som et verktøy for å optimalisere undervisning. Paperts konstruksjonisme (Logo, «mikroverdener», feilsøking som læring) så datamaskiner som miljøer der barn bygger kunnskap gjennom kreativ eksperimentering — en visjon om AI som et instrument for intellektuell myndiggjøring som utfordret institusjonelle hierarkier. Denne «essensielle spenningen» mellom kontroll og handlekraft er den røde tråden i feltets historie.

To former for personalisering. Personalisering har to distinkte tolkninger som speiler disse visjonene. Den første opprettholder ensartede utfall mens veien varieres (forankret i Skinners undervisningsmaskiner; Khan Academys visjon om veiledning til mestring). Den andre omfavner mangfoldige utfall — elever som forfølger individuelle interesser og talenter, uten å være bundet av standard læreplan-grenser (Zhao, 2024). ITS-modellen støtter den første; konstruksjonismen den andre.

Lærdommer for GenAI-æraen. Dagens debatter om generativ AI speiler disse historiske spenningene tett. GenAI posisjoneres ofte som en neste generasjons intelligente veileder (en forlengelse av Anderson), noe som reiser bekymringer om overvåking, datainnsamling og standardisering. Alternativt kan den være et verktøy for kreativ handlekraft (en forlengelse av Papert), noe som krever at vi tenker nytt om vurdering og aksepterer mer tvetydige utfall. Som Mishra et al. konkluderer, favoriserer institusjonelle krefter gjentatte ganger tilnærminger som forsterker eksisterende strukturer — og språket og metaforene vi velger, vil forme framtidige muligheter. Rismanchian og Doroudis AI×Ed-rammeverk gir denne intuisjonen empirisk forankring: ved å plassere artikler fra AIED-konferansene (1985, 1993, 2021, 2024) og IJAIED (2004, 2014, 2021) langs to akser — AI-ens rolle (anvendt verktøy vs. analogi til menneskelig intelligens) og sluttbrukeren — sporer de et felt som beveget seg fra en mangfoldig blanding, inkludert betydelig tidlig forskning som brukte AI som analogi til menneskelig intelligens (beregningsmodeller for læring, Paperts mikroverdener, agentbaserte modeller for kunnskapstilegnelse), mot et nesten utelukkende fokus på anvendte, instrumentelle bruksområder innen 2000-tallet. Særlig ser generativ-AI-æraen ut til å delvis reversere denne banen: ved AIED 2024 var tre av de fire plassene i «AI-som-analogi»-kvadranten bygget med LLM-er, og én av dem fikk en best-paper-pris for LLM-drevne lærbare agenter.

Tidsskriftrekorden snur to ganger. En strukturell emnemodell av 5 387 artikler i Computers & Education (1976–2026) fant AI i 390 poster (7.2%), fordelt på 17 av de 18 emnene. Den årlige sannsynligheten for at en artikkel var AI-relatert økte med 21.8% per år fram til 1989, falt med 3.7% årlig fram til 2018, og steg deretter med 40.1% årlig fram til 2025 (Wu et al., 2026). Vendepunktet i 2018 kommer fire år før ChatGPT, så den generative æraen akselererte en trend som allerede var i gang i stedet for å starte en.

Den nyere påvirkningen fra generativ AI

Ankomsten av generativ AI — en bred familie som omfatter store språkmodeller (tekst), samt bilde-, lyd- og videogeneratorer — markerer det mest skjellsettende vendepunktet i AIED-historien siden feltets grunnleggelse. LLM-er er det mest framtredende medlemmet av denne familien og driver mesteparten av påvirkningen i klasserommet, men generativ AI som helhet (i stand til å produsere ny tekst, bilder, lyd og kode) er den bredere kraften som omformer utdanningen. Den forstås best mot AIED-historien snarere enn som et rent brudd. Flere trekk gjør generativ-AI-æraen særegen:

Skala og rekkevidde. I motsetning til kognitive veiledere og ITS fra tidligere tiår, som opererte i kontrollerte laboratorie- og klasseromssettinger, nådde LLM-er hundrevis av millioner elever og undervisere innen måneder etter lansering, og gikk nesten umiddelbart inn i daglig skriving, lekser og undervisning. GenAI-debatten flyttet seg fra spesialisttidsskrifter til klasserom, styrerom og lovgivende forsamlinger med enestående fart.

En ny type kapabilitet. Tidligere AIED-systemer modellerte kognisjon og leverte strukturert undervisning (Anderson-tradisjonen). LLM-er utfører åpen generering — de produserer essays, forklaringer, kode og dialog — noe som setter elevens handlekraft og kreativitet i forgrunnen (Papert-tradisjonen) på måter tidligere ITS ikke kunne. Derfor gjenopptenner dagens situasjon spenningen mellom kontroll og handlekraft så skarpt: det samme verktøyet kan brukes som en neste generasjons intelligent veileder (som kontrollerer utfallene) eller som en kreativ medskribent og tenkepartner (som forsterker handlekraften).

En reversering av tilgangsligningen. Historisk var personlig veiledning knapp og dyr; GenAI gjorde adaptiv en-til-en-støtte nesten gratis og allment tilgjengelig — og senket dramatisk tilgjengelighets- og kostnadsbarrierene som formet tidligere AIED. Men det innførte også nye risikoer: algoritmisk skjevhet, hallusinering, overvåking, datainnsamling og tap av kompetanse hos undervisere.

Fornyet bekymring for AI-kompetanse og misbruk. Generativ-AI-æraen gjorde AI-kompetanse presserende og omformulerte debattene om Akademisk integritet (deteksjon vs. dialog), samtidig som den gjenopplivet langvarige bekymringer om automatisering, standardisering og epistemisk avhengighet. Dette er de moderne uttrykkene for feltets opprinnelige spenninger.

Risikoen for kronosentrisme. Som Mishra et al. advarer om, mangler hypen rundt generativ AI ofte historisk bevissthet, noe som lar teknologievangelister dominere samtalen. Å forstå at dagens GenAI-debatter ekkoer Anderson–Papert-skillet og navnevalget om kybernetikk i 1955, hjelper oss å ta bevisste valg i stedet for å behandle nåtiden som uunngåelig. Det egentlige spørsmålet er ikke hva generative AI-verktøy kan gjøre, men hva vi ønsker at de skal gjøre — en beslutning formet av hvor vi har vært.

Implikasjoner

  • Les hype historisk. Innse at hver ny AI-bølge rammes inn som revolusjonær; historisk bevissthet avdekker kontinuitet og hjelper mot å la bedrifter dominere samtalen.
  • Se designvalg som verdivalg. Tekniske beslutninger om AI i utdanning innebærer ideologiske standpunkter om hva læring skal tjene — synliggjør dem og gransk dem.
  • Vei kontroll mot handlekraft bevisst. Hvorvidt AI skal optimalisere mot standardiserte utfall eller muliggjøre mangfoldige, elevstyrte utfall, er et reelt valg med institusjonelle og politiske konsekvenser, ikke noe teknisk gitt.
  • Bevar elevens handlekraft. Den tilbakevendende motstanden mot standardisering og kontroll til fordel for åpne, elevsentrerte tilnærminger er en varig tråd som er verdt å forsvare.

Vanlige misoppfatninger

«AI i utdanning begynte med ChatGPT.» Det gjorde den ikke, og troen er kostbar fordi den gjør hver tidligere lærdom usynlig. Intelligent veiledning stammer fra heuristisk søk og ekspertsystemarbeid på 1960- og 70-tallet, og AIED-fellesskapet dannet seg rundt det tiår før store språkmodeller. Mishra et al. viser at dagens debatter gjengir et skille som allerede var eksplisitt i Andersons kognitive veiledere og Paperts konstruksjonisme, så en leser som daterer feltet til 2022, vil utlede argumenter på nytt som feltet allerede har avgjort, forlatt eller tapt én gang før.

«Feltet har jevnt og trutt forlatt AI-som-analogi til fordel for anvendte verktøy, og generativ AI fortsetter den trenden.» Dette er den mest lærerike korreksjonen på siden, fordi banen er reell men ikke monoton. Rismanchian og Doroudis posisjonsanalyse av AIED 1985, 1993, 2021 og 2024 og IJAIED 2004, 2014 og 2021 viser riktignok en drift fra et blandet felt mot nesten utelukkende anvendt instrumentalitet innen 2000-tallet. Men ved AIED 2024 var tre av de fire artiklene i AI-som-analogi-kvadranten LLM-baserte, inkludert best-paper-arbeid om LLM-baserte lærbare agenter. Generativ AI reverserer delvis trenden i stedet for å forlenge den, og derfor gir det en mistolkning av hvor forskningsfronten faktisk har flyttet seg når man behandler den som «den neste intelligente veilederen».

«Personalisering betyr å tilpasse vanskelighetsgraden til hver elev.» Det er bare én av to uforenlige betydninger, og å blande dem skjuler et politisk valg. I den første betydningen holdes utfallet fast og bare veien varieres, med en linje som går fra Skinners undervisningsmaskiner til mestringsbasert veiledning. I den andre diversifiseres utfallene selv, ettersom elevene forfølger individuelle interesser uten å være bundet av standard læreplan (Zhao, 2024). En ITS realiserer den første; konstruksjonismen den andre. Et verktøy som beskrives som «personalisert», har ikke fortalt deg noe før du vet hvilken det mener.

«‘Kunstig intelligens’ var ganske enkelt det åpenbare navnet på feltet.» Begrepet var et bevisst valg. Da McCarthy planla Dartmouth-prosjektet i 1956, foretrakk han kunstig intelligens framfor kybernetikk, delvis for å distansere arbeidet fra Wieners tradisjon for analog tilbakemelding. Den ene beslutningen satte maskiner i direkte sammenligning med menneskelig kognisjon, og den antropomorfe innrammingen den etablerte, former fortsatt forskningsprioriteringer, produktspråk og de etiske spørsmålene publikum stiller.

Å sette det ut i praksis

For undervisere og instruksjonsdesignere

  • Navngi tradisjonen verktøyet ditt tilhører, før du tar det i bruk. Spør om det optimaliserer mot faste utfall eller åpner for elevens retning, fordi svaret på det, og ikke funksjonslisten, avgjør hva det vil gjøre med vurderingsdesignet ditt.
  • Gransk ordet «personalisert» i enhver leverandørpåstand, og få et svar i form av de to betydningene ovenfor. Et produkt som varierer tempoet mot en felles standard, og et som lar elevene divergere, er ikke substitutter.
  • Når elevene framstiller GenAI som enestående, er historien undervisbart innhold i seg selv. Anderson–Papert-innrammingen gir dem et vokabular for å argumentere om AI i stedet for bare å bruke det.

For utviklere

  • Grensesnittspråk er et designvalg med en slektslinje. Å kalle systemet ditt en «AI-veileder» arver Andersons innramming og forventningen om å optimalisere mot standardiserte utfall; å kalle det en «mikroverden» eller et «læringsmiljø» arver Paperts. Ingen av dem er nøytrale, så velg bevisst.
  • Hvis du bygger i analogitradisjonen (modeller for læring, lærbare agenter, simuleringer av kunnskapstilegnelse), si det. Den kvadranten var nesten tom i to tiår og fylles nå opp; posisjoneringen er en differensiator, og evalueringskriteriene er annerledes.

For forskere

  • Bruk de historiske korpusene som en baseline i stedet for å behandle nåtiden som den eneste tilgjengelige sammenligningen. AIED-konferansebidragene for 1985, 1993, 2021 og 2024 og IJAIED for 2004, 2014 og 2021 er et ferdig laget longitudinelt utvalg av feltets egne påstander.
  • Siter slektslinjen når du hevder nyhet. En påstand om at et system «personaliserer læring» eller «modellerer eleven», er bare ny relativt til en bestemt tidligere tradisjon, og tradisjonen er dokumentert.

Tilknyttede begrep

Tilknyttede artikler

Metadata

Læring og undervisningConstructivism, Learning Theories
Teknologier og teknikkerGenerative AI, Intelligent Tutoring
Grunnlaget for AI i utdanningElevhandlekraft, AI i undervisning, Historien til AI i utdanning
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.