AIEd-kunnskapsbaseAIEd KB
På denne siden

Les denne siden på engelsk

Begreper

Informasjons- og mediekompetanse

Opprettet 2026-11-05 · Oppdatert 2026-11-08

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

Informasjons- og mediekompetanse er tilstøtende ferdigheter som AI skriver om ved samme søm. Informasjonskompetanse handler om å finne og verifisere nøyaktige data; mediekompetanse handler om å forstå hvem som skapte en melding, hvordan den ble konstruert, og hvorfor. De overlapper i det felles målet om å bygge kritisk tenkning som gjør at folk kan navigere i en digital verden og oppdage feilinformasjon — og de deler nå et andre problem: generativ AI produserer flytende, plausibelt innhold hvis opphav og hensikt er skjult, så spørsmålet om proveniens som mediekompetansen alltid stilte, har flyttet seg inn i informasjonskompetansen også.

Spørsmål å vurdere

  • Når en chatbot returnerer et selvsikkert avsnitt med tre referanser, utøver studenten informasjonskompetanse, mediekompetanse eller ingen av delene — og gjør oppgaven denne forskjellen synlig?
  • Deepfakes og fabrikerte referanser er forskjellige feil: den ene er en falsk registrering av verden, den andre en falsk registrering av litteraturen. Kan ett kurs undervise i begge uten å undervise dårlig i hver av dem?
  • AI-detektorer og faktasjekkere er selv modeller med feilrater. Hva skjer med en verifiseringslæreplan når verifiseringsverktøyet er probabilistisk?
  • Mediekompetanse har blitt undervist gjennom produksjon — elevene lager medier for å forstå dem. Hvis en modell nå lager artefakten, hvilken del av pedagogikken overlever?

Introduksjon

De to kompetansene har separate institusjonelle hjem. Informasjonskompetanse ble kodifisert i bibliotek- og informasjonsvitenskap, mest synlig i ACRL Framework, som et sett disposisjoner rundt autoritet, prosess og verdi. Mediekompetanse vokste ut av kommunikasjons- og medievitenskap og ut av skolens medieundervisning, og spør om forfatterskap, teknikk, publikum og effekt. Den ene vurderer om en kilde fortjener tillit; den andre spør hvem som lagde en melding og hva den gjør.

Denne todelingen har alltid vært renere i teorien enn i et klasserom. Begge kompetansene lærer elevene å bremse ned, sjekke opphav og motstå flytende formuleringer. Begge ble bygget på en antakelse om at artefakten hadde en forfatter som betalte en kostnad for å produsere den. Generativ AI fjerner den antakelsen fra begge på én gang: tekst syntetiseres fra et usporbart korpus, bilder og stemmer klones, og automatiserte kontoer simulerer publikumet selv.

Denne siden dekker paret fordi korpuset behandler dem som ett undervisningsproblem med to utfallssett. Evidensen er ujevn — et bibliometrisk kart og to systematiske oversikter på informasjonssiden, en liten intervensjon og en ekspertintervjustudie på mediesiden — og nesten ingen av dem tester en kombinert læreplan. Denne mangelen er i seg selv et funn som er verdt å ta med seg inn i praksis.

Hvor de to konstruksjonene skiller lag

Informasjonskompetansens objekt er kilden, og kjernespørsmålet er om påstanden er sann og evidensen bak den troverdig. Mediekompetansens objekt er meldingen, og kjernespørsmålet er hvem som lagde den, hvordan, for hvem og med hvilket formål. En fabrikkert referanse stryker på den første testen; en deepfake kan bestå enhver faktasjekk en student vet hvordan hen skal gjennomføre, men stryke på den andre.

De empiriske litteraturene gjenspeiler splittelsen. En undersøkelse blant 236 amerikanske universitetsstudenter spurte hvor akademiske søk begynner, og fant søkemotorer på 45.5%, bibliotekets hjemmeside på 27.9% og en AI-chatbot på 26.6%, med internasjonale studenter som erstattet bibliotekressurser med AI omtrent dobbelt så ofte som innenlandske (Lund et al., 2026). En systematisk oversikt over 32 studier fant at integrering av AI-kompetanse i informasjonskompetanseundervisning var på et «spedbarnsstadium», levert gjennom LibGuides og workshops snarere enn gjennom læreplanen (Mirza og Arif, 2026). På mediesiden fant intervjuer med sju eksperter og en undersøkelse blant 141 studenter at teknologisk inkludering i læreplanen for kritisk mediekompetanse var «begrenset og ofte overfladisk», med lærere som var for dårlig opplært for verktøy som produserer desinformasjon og deepfakes (studien om kritisk mediekompetanse, 2026).

Hvordan AI kompliserer informasjonskompetanse

Den første komplikasjonen er fabrikasjon i skala. En modell produserer overbevisende tekst, plausible referanser og selvsikre statistikker som kanskje ikke finnes; leseren mottar en syntese der søkesporet er visket ut. Å sjekke blir en annen ferdighet: ikke «er dette en god kilde», men «finnes denne kilden, og sier den det svaret hevder».

Den andre er at søkelaget har kollapset inn i et svarlag. Når verktøyet henter, velger og skriver, flytter den kompetente handlingen seg til å vurdere syntesen. Det er dette restpunktet evidensen stadig peker på: en plattform med innebygd bibliotekar slo konvensjonell bibliotekundervisning med 0.78 mot 0.25 poeng på et ACRL-basert instrument, og konsultasjonene som ga gevinsten, var dominert av spørsmål om kildevurdering (Huang, 2026).

Den tredje er kapasitet. I en undersøkelse blant 412 akademiske bibliotekarer ved 38 nigerianske institusjoner var selvvurdert kompetanse høy for databaseundervisning (M = 4.07) og informasjonskompetanseformidling (M = 4.02), men sammensatt AI-kompetanse var 2.86, med svakest resultat på å utforme mål (M = 2.70) og vurdere utfall (M = 2.62) (Dada, 2026). Et felt kartlagt med 1 669 publikasjoner blir bedt om å undervise i en kompetanse som dets egne instruktører rapporterer at de ennå ikke kan utforme (Jabeen og Lux, 2026).

Hvordan AI kompliserer mediekompetanse

Mediekompetansens grunnleggende spørsmål forutsatte en skaper med et formål. Deepfakes, stemmekloning og automatiserte boter bryter den antakelsen på tre måter: artefakten kan mangle en menneskelig forfatter, publikumet kan være syntetisk, og hensikten kan være optimalisering for engasjement snarere enn overtalelse fra noen.

Læreplansevidenen tyder på at skolene ikke har hengt med. Ekspertintervjuene beskriver lærerutdanning som den bindende begrensningen snarere enn elevmotstand, og argumenterer for en Critical Pedagogy-innramming som behandler vurdering som etisk og deltakende praksis i stedet for verktøyopplæring. En bestilt rapport for allmennkringkasting fant at tilbudet for 14–19-åringer hellet mot funksjonelle AI-ferdigheter og bort fra kritisk vurdering, til tross for gjennomgang av mer enn 40 rammeverk og intervjuer med 35 eksperter (rapporten om AI-kompetanser, 2025).

AI som defensivt verktøy — påstander og forbehold

Argumentet for å bruke AI på den defensive siden er plausibelt og ofte framsatt: automatiserte troverdighetssjekker som skanner en kildes historie og språk for skjevhetssignaler, deepfake-detektorer, metadataanalysatorer som leter etter proveniensmarkører, og simuleringer som lar elevene øve på vurdering med realistisk syntetisk materiale. Disse kapabilitetene er reelle produkter, og klasseromsbruken er reell praksis.

Evidensen er tynnere enn påstandene. Detektorer er probabilistiske og blir dårligere etter hvert som generatorene forbedres; en faktasjekkingsmodell er selv en modell, så studenten må fortsatt vurdere sjekkeren; og proveniensmetadata hjelper bare når en produsent velger å legge dem ved. Et av korpusets mest solide resultater er at AI-støttet mediekompetanseundervisning kan fungere i liten skala: et 18-timers program bygget på 5E-modellen ga store gevinster blant 36 fjerdeklassinger ved én tyrkisk skole (Demir og Akar, 2026). Trettiseks elever er et bevis på konseptet, ikke et innkjøpsgrunnlag.

En meningsartikkel fra biblioteksektoren driver samme idé videre: AI kan bære formidlingen av informasjonskompetanse gjennom gjenfinning, adaptive veiledninger, chatboter og automatisert faktasjekking, med bibliotekarer snarere enn leverandører som eiere av integrasjonen (Offem og Arikpo, 2026). Artikkelen rapporterer ingen data, så den er et designbrief for hvor undervisningen kan ligge, snarere enn evidens for at den fungerer.

Lest sammen antyder de to sidene av regnskapet en regel: AI kan bære øvingslasten — realistiske scenarier, umiddelbar tilbakemelding, skala — men dømmekraftslasten blir hos eleven, og ethvert verktøy som hevder å erstatte den, bør vurderes som en detektor med en målt feilrate, ikke adopteres som en fasit.

Hva dette betyr for praksis

  • Undervis i én prosedyre, to objekter. Den sjekkbare rutinen — spor påstanden til en kilde, spor kilden til en forfatter, spør hva artefakten gjør — fungerer for en referanse og for en video. Navngi hvilket objekt oppgaven vurderer.
  • Behandle deteksjon som evidens, ikke dom. En detektors output er en sannsynlighet; lær elevene å underbygge med en andre metode og å si hva som ville få dem til å endre mening.
  • Behold produksjonen i læreplanen. Å lage medier var pedagogikken som gjorde kritikken konkret; generering med AI kan støtte den bare hvis elevene gransker valgene verktøyet tok for dem.
  • Sett en bibliotekar eller mediespesialist inn i arbeidsflyten. Det sterkeste undervisningsresultatet i denne litteraturen kommer fra et design der menneskelig konsultasjon var innebygd, ikke tilbudt i etterkant.
  • Vurder personalets kapasitet før du skriver pensum. Det målte underskuddet ligger i å utforme mål og vurdere utfall, ikke i å bruke verktøy.

Begrensninger i evidensen

De fleste studiene her er små, selvrapporterte eller begge deler: 236 studenter i én undersøkelse, 36 barn i én intervensjon, 412 bibliotekarer som vurderte seg selv. Bibliometrisk synlighet er ikke praksis, og de scientometriske forfatterne sier det eksplisitt. Ingen studie i korpuset evaluerer en kombinert læreplan for informasjons- og mediekompetanse, og detektor- og faktasjekkingsverktøyene som praksislitteraturen anbefaler, er i stor grad umålte i disse kildene. Påstanden om at AI-drevet verifisering forbedrer utfall, bør behandles som en designhypotese til noen tester den mot en kontroll.

Tilknyttede begrep

Tilknyttede artikler

Metadata

NivåHigher Ed, K 12, Adult Learning
Tiltenkt målgruppeLibrarians, Instructors, Learners, Curriculum Designers
Læring og undervisningCritical Pedagogy
Teknologier og teknikkerGenerative AI, Large Language Models (LLMs)
Likestilling, etikk og ansvarlig brukTrust Calibration
Grunnlaget for AI i utdanningInformasjons- og mediekompetanse, AI-kompetanse, Kritisk tenkning, Akademisk integritet
SidetypeSynthesis
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.