Misoppfatninger om AI

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

Misoppfatninger om AI — de uriktige forestillingene folk har om hva AI-systemer er, hva de gjør, og hva det å bruke dem betyr for læring og arbeid. Misoppfatninger er ikke én enkelt usannhet, men en familie av kalibreringsfeil som klynger seg om to kjernefeil: å feilvurdere hva modellen er (autoritet vs. verktøy, nøytral vs. forutinntatt, forståelse vs. generering) og å feilvurdere hva læring krever (output vs. prosess). De finnes ikke bare hos studenter, men også hos lærere, administratorer, politikere og allmennheten — og å rette dem er et kjerneformål med AI-kompetanse- og Trust Calibration-opplæring.

Spørsmål å vurdere

• Mange mennesker tror at svaret fra en AI-chatbot er en verifisert kjensgjerning fordi det høres selvsikkert og flytende ut. Siden kaller dette «autoritetsfeilslutningen». Når du leser en AI-generert forklaring, hvordan avgjør du om du skal godta den — og hvor ofte verifiserer du den faktisk?
• Misoppfatningen «læring er lik output» er troen på at det å produsere et arbeid med AI er det samme som å ha lært det. Har du noen gang følt at du «lærte» noe ved å la et verktøy skrive utkastet? Hva manglet egentlig etterpå?
• Folk antar ofte at AI er objektiv og upartisk. Siden kaller dette «nøytralitetsillusjonen» — modeller koder inn fordommer fra treningsdata, som i skrivesammenhenger kan homogenisere ideer på tvers av en hel klasse. Hvor kan bias skjule seg i et verktøy som føles nøytralt?
• Misoppfatninger om akademisk integritet klynger seg ved to ytterpunkter: noen studenter ser AI-output som «ikke å kopiere en person» og derfor tillatt, mens andre mener at enhver bruk er juks. Hvor synes du grensen bør gå, og hvem bør avgjøre den?
• En utbredt forestilling er at én forespørsel er nok, og at AI-output er deterministisk — det samme spørsmålet gir alltid det samme svaret. Siden beskriver dette som determinismefellen. Hvordan kan den misoppfatningen føre til at noen overstoler på et enkelt output?
• Misoppfatninger beskrives som stabile, plausible og motstandsdyktige mot korreksjon — omtrent som misoppfatninger i et hvilket som helst fagområde. Hvis det sjelden endrer folks oppfatning bare å fortelle dem sannheten, hvordan bør AI-kompetanse egentlig undervises?

Innledning

Misoppfatninger om AI har betydning fordi de er den kognitive forløperen til atferden som kunnskapsbasen dokumenterer under overavhengighet og Akademisk integritet-problemer. Folk tar sjelden sikte på å misbruke AI; de gjør det fordi unøyaktige mentale modeller får dem til å plassere tilliten feil, hoppe over verifiseringen og behandle output som forståelse. I utdanning former disse feilene alt fra hvordan studenter studerer, til hvordan lærere og institusjoner designer læreplaner, Assessment og politikk.

Hva misoppfatninger om AI er

En misoppfatning her er ikke bare uvitenhet om hvordan en modell fungerer — det er en aktivt fastholdt, ofte selvforsterkende overbevisning som produserer systematiske feil i måten studenter samhandler med AI på. De er direkte analoge til fagmisoppfatningene som studeres i læringsvitenskap: stabile, plausible og motstandsdyktige mot korreksjon inntil de konfronteres. Å rette dem er et kjerneformål med AI-kompetanse- og Trust Calibration-opplæring.

Vanlige misoppfatninger i akademiske sammenhenger

• Autoritetsfeilslutningen — å behandle Large Language Models (LLMs)-output som verifisert kjensgjerning snarere enn en probabilistisk fullføring. Det driver ukritisk aksept og mønsteret der svaret søkes fremfor forståelsen, som er dokumentert i forskning på AI-veiledning, der lærende godtar en modells svar uten å kontrollere det mot Hallucination Risk.
• Illusjonen om uavhengig kontroll — å behandle AI-tilbakemelding som en utenfra kommende korreksjon når modellen speiler din egen resonnering. Brukernes basale nøyaktighet var den dominerende prediktoren for endelig prestasjon, og prompting rettet mot sycophancy kuttet posisjonell etterligning (OR = 0,26), men lot feilforplantningen være urørt, så opplæring av den lærende er ikke beskyttelsen (Koyuturk et al. (2026)).
• Læring er lik output — å tro at det å produsere et arbeid med AI er det samme som å ha lært det. Dette er nøyaktig feilen bak overavhengighet: prosessene med utforming, gjenkalling og revisjon som bygger varig kunnskap, blir satt ut.
• Nøytralitetsillusjonen — å anta at AI er objektiv og upartisk. Studenter overser ofte at modeller koder inn fordommer fra treningsdata, og at dette i Writing produserer homogenisering av ideer på tvers av et kull.
• Integritetens gråsone — å feilvurdere om AI-bruk er akseptabelt. Noen studenter ser AI-output som «ikke å kopiere en person» og derfor tillatt; andre overkorrigerer og mener at enhver bruk er juks. Institusjonell inkonsistens nærer begge feilene.
• Antropomorfisme — å tro at modellen har intensjon, hukommelse og forståelse av deres kontekst. Denne overstolenheten er spesielt risikabel akademisk, fordi studenter kan stole på plausibelt klingende forklaringer som modellen ikke egentlig kan forankre.
• Determinismefellen — å forvente at én forespørsel er nok, og ikke innse at output er ikke-deterministisk og følsomt for prompten. Å undervurdere dette skaper «prompting-gapet», der studenter tar grunne resultater for verktøyets tak.
• Feilkalibreringen av deteksjon — å undervurdere både institusjonell deteksjon og, viktigere, egen skade ved å levere arbeid de senere ikke kan forklare eller forsvare.
• Effektivitetsillusjonen — å behandle spart tid som ren gevinst, og overse at grunnleggende ferdigheter som ikke brukes, forvitrer, og at nybegynnere ennå ikke kan skille godt output fra dårlig.
• Vennlighets-sikkerhetsillusjonen (barn) — å tro at en AI som virker vennlig, i seg selv er trygg og mindre tilbøyelig til å spionere. Leisten et al. (2026) undersøkte 71 barn i alderen 10–16 år (Malder = 12,90) og gjennomførte seks fokusgrupper (n = 36) rundt den Open Source-sosiale roboten Blossom, og fant at grunnleggende AI-kunnskap økte pålitelig med alderen (M = 4,41 av 6; β = 0,17), mens sikkerhetsholdningene forblev ambivalente (viktighet M = 2,51, nåværende sikkerhet M = 2,77 på en skala fra 1–4), fanget i en 12–13-årings tro på at «kanskje hvis de er gode venner, spionerer han ikke så mye» — sammen med troen på at AI-systemets kunnskap kan slettes med et trykk på en knapp, at hacking fører til kidnapping, og at «wifi stråler inn i hjernen».

Integritetens gråsone har en struktur, ikke bare to ytterpunkter. Intervjuer med 20 studenter, sammen med chatteprotokollene og kursdokumentene deres, fant fem separate steder der AI-politikk lever: fra fakultetets intensjon via formell politikk og studentenes egen politikk til faktisk praksis — pluss 23 ulike rasjonaliseringer i seks klasser (Kim et al., 2026). Rasjonaliseringene var ad hoc og post hoc, satt sammen for å forklare bruk som allerede hadde skjedd, snarere enn for å styre den. Et strengt forbud hindret ikke bruk så mye som det forsterket den moralske konflikten hos studenter som ønsket å etterleve reglene, noe som plasserer korreksjonsmålet i politikkstedet snarere enn i selve regelformuleringen.

Institusjonelle og offentlige AI-myter

Misoppfatninger er ikke begrenset til studenter — de gjennomsyrer den institusjonelle og offentlige diskursen om AI som studenter arver. Rudolph et al. (2025) demonterer åtte inngrodde «myter» som former politikk og undervisning i høyere utdanning: at AI virkelig er «kunstig» (snarere enn bygget på utnyttet menneskelig arbeidskraft), at den virkelig er «intelligent» og agentisk, at den uten problemer vil «gjøre verden til et bedre sted», at den er «objektiv og upartisk», at USA har monopol som eneste supermakt, at den ikke vil forstyrre arbeidsmarkedet, at den «revolutionerer høyere utdanning», og at lærere pålitelig kan oppdage AI-generert arbeid. Disse institusjonelle mytene er den bakenforliggende kilden til mange av studentmisoppfatningene som er dokumentert ovenfor — mest direkte nøytralitetsillusjonen («AI er objektiv») og autoritetsfeilslutningen («AI er intelligent»), samt feilkalibreringen av deteksjon som får studenter til å anta at uoppdagelig, uverifiserbar bruk er trygg. Når studenter tar opp og handler på myter som gjentas institusjonelt, krever korreksjon at man konfronterer ikke bare den lærendes overbevisning, men også diskursen som nærer den.

Hvorfor misoppfatninger har betydning for læring

Misoppfatninger omsettes direkte til atferden som forårsaker læringsskade. Troen på at «AI alltid har rett», undertrykker verifisering; troen på at «å bruke AI er læring», undertrykker anstrengende bearbeiding; troen på at «det er ikke juks», omgår den metakognitive gjennomgangen som konsoliderer forståelsen. I den forstand ligger misoppfatninger oppstrøms for den AI Misuse and Learning Harm som er dokumentert i hele kunnskapsbasens evidensgrunnlag.

Troen på at bruk av AI er læring, holdes ikke bare før bruken; verktøyet kan fremstille den. Kim et al. beskriver en LLM-feilslutning der ugjennomsiktig, flytende og umiddelbart output feilleses som bevis på brukerens egen kompetanse, slik at opplevd og faktisk kapasitet divergerer med et gap de kaller ΔC. Fordi mekanismen er flyt og uklarhet om tilskrivning snarere enn feil, består feilslutningen enten modellen er korrekt eller hallusinerer, noe som betyr at et korrekt AI-assistert svar ikke er bevis på at overbevisningen er blitt rettet.

Misoppfatninger ut over studenter: lærere, institusjoner og allmennheten

Misoppfatninger om AI er ikke begrenset til lærende — de er utbredt blant voksne som former utdanning:

• Lærere og faglige ansatte kan overvurdere AI-systemets evne til pålitelig å vurdere eller oppdage misbruk, eller undervurdere dens bias, noe som fører til enten ukritisk adopsjon eller refleksmessig forbud. Denne antakelsen om pålitelighet er delvis testbar og delvis falsk: Humble (2026) gjorde red teaming på en vanlig AI-vurderingsarbeidsflyt og fant at instruksjoner skjult i en innlevert fil hevet karakteren på et strykessay uten synlig advarsel, i 9 av 9 iterasjoner for én strategi og 17 av 18 for en annen. Når lærere holder autoritetsfeilslutningen om AI-output, modellerer de samme ukritiske holdning som de burde rette hos studentene. Å utruste undervisere med riktige mentale modeller av AI er en forutsetning for ansvarlig AI-integrasjon og trygg pedagogikk.
• Administratorer og beslutningstakere arver og viderefører institusjonelle myter — at AI er «objektiv», at den vil «revolutionere» utdanning, eller at deteksjonsverktøy er til å stole på — som deretter former politikk, innkjøp og vurderingsregler. Den tilliten studentene utvikler, er delvis et produkt av den institusjonelle rammen de arver.
• Allmennheten tar opp medienes og leverandørenes fortellinger om AI-systemenes kapasiteter og risiko. Fordi studenter lærer innenfor denne diskursen, blir offentlige myter substratet som studentenes misoppfatninger vokser ut av. Å rette AI-misoppfatninger er derfor en AI-kompetanse-oppgave rettet mot hele utdanningsøkosystemet, ikke bare mot de lærende.

Det er denne bredden som gjør at kunnskapsbasen behandler misoppfatninger som et tverrgående grunnleggende tema snarere enn et rent studentrettet: de samme kalibreringsfeilene går igjen hos lærende, lærere, institusjoner og allmennheten, og å rette dem krever å konfrontere både individuelle overbevisninger og diskursen som nærer dem.

Lærernes pedagogiske misoppfatninger er speilbildet av dette: ikke misforståelser om AI, men overbevisninger uten evidensstøtte om undervisning som består uavhengig av AI. Miranda og Calvani (2026) operasjonaliserer dette med Effective Teaching Questionnaire, der 50 binære items mapper til meta-analytiske effektstørrelser (d ≥ 0,40), slik at en lærers svar kan sammenlignes med en evidensbasert benchmark — og funnet deres er at misoppfatningene er dype og spesifikke. Et pilotprosjekt med 123 undervisere i Italia fant den skarpeste uenigheten om påstanden om læringsstiler (78 % av lærerne forsvarte visuell/auditiv tilpasning), deretter om inkludering og gruppearbeid (68 %) og EdTech-overbelastning (54 %); gjennomsnittlig samsvar lå nær 50 % på tvers av dimensjonene planlegging, kognisjon, evaluering og ledelse. To detaljer er viktige for utformingen av korreksjon. For det første overlever misoppfatningene universitetsutdanning og undervisningspraksis — forfatterne beskriver en «internalisert sunn fornuft» som «går forut for inntreden i skolen» og består — så de er ikke kunnskapshull som en forelesning lukker. For det andre, da en konversasjonell AI gjeninnførte de samme itemene først etter å ha validert lærerens egen kontekst, viste 41 % av innvendingene til reelle kontekstuelle begrensninger — klassestørrelser, studenter med spesielle behov, læreplandekning — snarere enn til evidensen selv. Ytterligere 5,9 % kalte systemet «en algoritmisk dogmemaskin»: grensetilstanden der normativ rammesetting avler defensivitet i stedet for refleksjon. For utvikling av Læreres AI-kompetanse er implikasjonen at diagnostikk pluss dialog kan avdekke hvilke overbevisninger som er evidensbasert uenighet og hvilke som er misoppfatning — en forskjell en poengsum alene ikke kan gjøre.

Å rette misoppfatninger

Korreksjon er ikke en engangsopplysning, men en vedvarende AI-kompetanse-prosess som utvikler Metacognition og Self-Regulated Learning: å hjelpe studenter (og de voksne rundt dem) med å overvåke avhengigheten sin, kalibrere når de skal stole på og når de skal betvile en modell, og se kostnaden ved å omgå sitt eget kognitive arbeid. Fordi misoppfatninger er motstandsdyktige, håndteres de best gjennom direkte konfrontasjon med evidens — inkludert funnet at studenter ofte ikke oppfatter læringsskaden ved AI-misbruk.

Refutasjonstekst er en kjerneeteknikk for korreksjon. Fordi misoppfatninger fastholdes aktivt og er motstandsdyktige, er den mest direkte evidensbaserte strategien refutasjonsteksten — en undervisningstekst som angir misoppfatningen, eksplisitt tilbakeviser den og presenterer den korrekte oppfatningen. Dette er samme familie av teknikk som brukes til å rette fagmisoppfatningene som studeres i læringsvitenskap, her anvendt på studentenes overbevisninger om AI selv. Kunnskapsbasens begrepside om Refutation Text syntetiserer hvordan dette utspiller seg i AI i utdanning på tre komplementære måter:

• AI som korrektør. Konversasjonell AI-veiledere kan levere personlig tilbakevisning og tilpasse den til den lærendes spesifikke misoppfatning underveis. Corbett & Tangen (2026) fant at personlig AI-dialog ga større og raskere reduksjoner i overbevisning enn statisk tilbakevisning i lærebokstil, med høyere engasjement og selvtillit — selv om fordelen forsvant etter to måneder uten forsterkning.
• AI som generator av tilbakevisningsinnhold. Akdoğan (2025) fant at AI-generert begrepsendrings-/refutasjonstekst matchet ekspertskrevet kvalitet (og begge overgikk en promptet interaktiv dialog i den naturfaglige konteksten), noe som viser at AI kan produsere effektive korreksjonsmaterialer i skala.
• AI-genererte misoppfatninger som læringsressurs. I stedet for å behandle AI-genererte misoppfatninger som bare skadelige, foreslår Cheah et al. (2026) å generere misoppfatninger og håndtere dem gjennom strukturert peer-diskusjon — en kollaborativ form for tilbakevisning som fremmer begrepsendring og kritisk tenkning.

For misoppfatninger om AI betyr dette at korreksjon bør kombinere direkte konfrontasjon (tilbakevisningsmaterialer som navngir og gjendriver spesifikke myter) med støttet øvelse — ved å bruke AI-kompetanse-opplæring og Metacognition til å hjelpe folk å se både den falske overbevisningen og den korrekte modellen. Evidensen advarer om at formatet betyr noe: personlig, interaktiv korreksjon er mer engasjerende og initialt mer effektiv, men trenger forsterkning for å vare; og utfallet som måles (kunnskap vs. holdninger vs. ferdigheter), former hvor stor korreksjonseffekten ser ut. Fordi misoppfatninger spenner over lærende og de voksne som former læring, må effektiv korreksjon nå lærere, administratorer og beslutningstakere like mye som studenter.

Bernstein og Sibia (2026) viser at GenAI-genererte analogier introduserer strukturelle misoppfatninger som bare kunnskap om kildedomenet kan fange (Flawed but Memorable: Student Critical Reception of Interest-Personalized GenAI Analogies in Computing Education): en sirkelruteanalogi for en lenket liste antyder en løkke tilbake til starten, og en badmintonrallyanalogi for rekursjon inneholder ingen garantert krympende input. Studenter som kjente kildedomenet, identifiserte disse feilene og foreslo reparasjoner, mens deltakerne bemerket at en feilbeheftet analogi fortsatt kan være minneverdig — noe som indikerer at en kjent analogikilde kan hjelpe lærende å oppdage snarere enn absorbere en AI-produsert misoppfatning, og at det å ramme inn feil som bevisste artefakter for kritikk gjør risikoen om til en vurderingsmulighet.

Modellgenererte misoppfatninger er en målbar kapasitet, ikke en tilfeldighet. Miličević et al. (2026) bygde SocraticTrap-CS, som promptet sju åpne modeller til å skrive en «sokratisk felle» for 35 kjernebegreper i informatikk — en forklaring som er flytende og autoritativ, men hviler på en subtil, domenespesifikk feil. Av 241 promptede segmenter ble 221 (91,7 %) bekreftet som strategiske misoppfatninger ved ekspertflertallsavstemning (Fleiss' κ = 0,9487), uten signifikante forskjeller mellom informatikkdomener; 66,5 % av de bekreftede feilene var konseptuelle snarere enn faktuelle, og ingen var rent logiske. Flyt er mekanismen snarere enn en forsvarslinje: overbevisningskraften lå i gjennomsnitt på 3,71 på en fempunktsskala og var sterkt modellavhengig, og frekvens og alvorlighet dissosierte, idet de to modellene som oftest produserte feller, også ble vurdert som de mest overbevisende. Fordi et dårlig formulert spørsmål fra en student selv kan virke som en adversariell prompt, behandler forfatterne raten som en kapasitet under adversariell prompting snarere enn en basisrate for vanlige studiesesjoner — og argumenterer for at AI-kompetanse-oppgaven forskyves fra faktasjekk av enkeltutsagn til konseptuell verifisering og validering av mentale modeller. Dette er den mørkere siden av den generative bruken ovenfor: den samme kapasiteten som kan så frø til produktiv peer-diskusjon, kan også befeste en feil en lærende allerede var i ferd med å danne.

Tilbakevisningsbasert korreksjon av vanlige AI-misoppfatninger

Fordi misoppfatninger fastholdes aktivt og er motstandsdyktige, er den mest direkte måten å håndtere dem — også på denne siden — Refutation Text-strukturen: navngi misoppfatningen, tilbakevis den eksplisitt, og angi den korrekte oppfatningen. Punktene nedenfor anvender denne strukturen på de mest konsekvensrike misoppfatningene om AI og om læring, undervisning og utdanning:

«AI har alltid rett.» Det er en misoppfatning. AI-output er en probabilistisk fullføring, ikke en verifisert kjensgjerning. Korreksjonen: LLM-er genererer plausibelt klingende tekst basert på statistiske mønstre; de kan hallusinere, være forutinntatte og ta feil med stor selvsikkerhet. Behandle output som et utkast som skal sjekkes mot kilder, ikke som en autoritet som skal godtas. Dette er kjernen i Trust Calibration, og derfor slår «verifiser alltid» «stol alltid på».

«Å bruke AI er læring.» Det er en misoppfatning. Å produsere et arbeid med AI er ikke det samme som å tilegne seg kunnskapen eller ferdigheten arbeidet skal demonstrere. Korreksjonen: varig læring skjer gjennom de anstrengende prosessene med utforming, gjenkalling, revisjon og metakognitiv gjennomgang — nettopp prosessene som avlasting til AI kortslutter. Bruk AI som et verktøy ved siden av denne innsatsen, ikke som en erstatning for den.

«AI er nøytral og objektiv.» Det er en misoppfatning. Modeller arver fordommene, hullene og perspektivene i treningsdataene sine. Korreksjonen: AI kan reprodusere og forsterke bias; behandl output med samme kildekritiske gransking som du ville brukt på enhver annen tekst. Bevissthet om dette er en del av AI-kompetanse og bidrar til å motvirke likestillingsskadene ved ukritisk adopsjon.

«AI vil erstatte lærere.» Det er en misoppfatning. AI forsterker, men fortrenger ikke lærernes pedagogiske arbeid — dømmekraft, kontekstualisering og de relasjonelle og etiske dimensjonene ved undervisning. Korreksjonen: AI øker behovet for pedagogisk mediering og kritisk dømmekraft; lærere som forstår AI, blir mer effektive, ikke overflødige. Denne omrammingen betyr noe fordi den former hvorvidt institusjoner investerer i læreres AI-kompetanse eller refleksmessig motsetter seg eller overadopterer.

«AI forstår som et menneske.» Det er en misoppfatning. Modeller har ingen intensjon, ingen hukommelse om deg og ingen ekte forståelse av konteksten din. Korreksjonen: antropomorfisering av AI fører til overstolenhet og avhengighet av forklaringer modellen ikke egentlig kan forankre. Hold grensen klar: AI er et kraftig verktøy, ikke et sinn.

«AI vil automatisk forvandle utdanning.» Det er en misoppfatning. Teknologi alene endrer ikke læring; det er pedagogikken rundt den som gjør det. Korreksjonen: AI-systemets fordeler avhenger av bevisst undervisningsdesign, lærerforberedelse og institusjonell støtte — ikke av bare å ta verktøyet i bruk. Derfor betyr evidens og streng evaluering noe, og derfor rammer kunnskapsbasen ansvarlig AI-bruk inn som et AI Governance- og politisk spørsmål snarere enn et rent teknisk.

«Én prompt bør gi meg svaret.» Det er en misoppfatning. Output er ikke-deterministisk og følsomt for prompten. Korreksjonen: forvent å iterere, forbedre og kryssjekke; «prompting-gapet» — å ta grunne førsteresultater for verktøyets tak — er et ferdighetsproblem, ikke en verktøybegrensning. Å utvikle dette er en del av Prompt Engineering.

«Det er ikke juks hvis en person ikke har skrevet det.» Det er en misoppfatning. Akademisk integritet handler om ærlig, tilskrivbar produksjon av arbeid, ikke bare om å ikke kopiere en person. Korreksjonen: en uopplyst AI-generert innlevering kan krenke Akademisk integritet selv når ingen mennesker er kopiert; spørsmålet er om arbeidet egentlig er den lærendes. I tvil: opplys det og sjekk institusjonens policy.

Disse tilbakevisningene er bevisst skrevet i Refutation Text-formen slik at de selv kan brukes (eller tilpasses til interaktiv AI-dialog) til å konfrontere og rette misoppfatninger om AI — og om læring, undervisning og utdanning mer bredt.

Vanlige misoppfatninger

• «Læreres misoppfatninger kan rettes ved å presentere evidens.» I et pilotprosjekt med 123 italienske undervisere klynget uenigheten seg hardest om kognitive læringsstiler (78 % av lærerne forsvarte visuell/auditiv tilpasning), inkludering og gruppearbeid (68 %) og EdTech-overbelastning (54 %). De sterkeste uenighetene var de som var mest motstandsdyktige mot evidens, og derfor slår tilbakevisning en påstand.
• «Læreres innvendinger mot evidens er alt sammen motstand.» Da de samme itemene ble levert gjennom en konversasjonell AI som validerte lærerens kontekst før den gjeninnførte evidensen, gjaldt 41 % av innvendingene reelle kontekstuelle begrensninger — klassestørrelse, spesielle behov, læreplankrav. En betydelig andel av det som så ut som misoppfatning, var treffende innvending.
• «Misoppfatninger kan pålitelig oppdages fra dialog.» Av 241 promptede segmenter ble 221 (91,7 %) bekreftet som strategiske misoppfatninger ved ekspertflertallsavstemning (Fleiss' κ = 0,9487), med ingen signifikante forskjeller mellom grupper. Høy pålitelighet er oppnåelig under ekspertavgjørelse, og det er betingelsen påstanden avhenger av.

Tilknyttede begreper

• Pedagogical Patterns — Begrepsendringssekvensene som konfronterer en spesifikk fastholdt overbevisning
• Learners — Lærende: paraplyen for begrepene på den lærendes side
• AI-kompetanse
• Trust Calibration
• Kognitiv avlasting
• Metacognition
• Self-Regulated Learning
• Akademisk integritet
• Hallucination Risk
• Generative AI
• Student Experience
• Innramming av AI-bruk for elever
• Refutation Text
• Undervisning
• Educational AI Policy
• Trust

Tilknyttede artikler

• Don't believe the hype. AI myths and the need for a critical approach in higher education — Ikke tro på hypen: åtte AI-myter og behovet for en kritisk tilnærming i høyere utdanning
• "It's OK Because.": The Wild West of Student Rationalization of AI Use in Academic Writing — Studenters rasjonalisering av AI-skriving
• The GenAI Skill Bypass: Mapping Divergent Pathways of University Students and Staff AI Literacy — GenAI-ferdighetsomgåelse og AI-kompetanse
• Trust and Reliance on AI in Education: AI Literacy and Need for Cognition as Moderators — Tillit og avhengighet i AI-utdanning
• The Hidden Cost of Contextual Sycophancy: an AI Literacy Intervention in Human-AI Collaboration — Kontekstuell sycophancy og AI-kompetanse
• Sycophantic AI makes human interaction feel more effortful and less satisfying over time — Sycophantisk AI i sosial interaksjon
• The LLM Fallacy: Misattribution in AI-Assisted Cognitive Workflows — LLM-feilslutning og feiltilskrivning (Kim et al.)
• Flawed but Memorable: Student Critical Reception of Interest-Personalized GenAI Analogies in Computing Education — Feilbeheftet, men minneverdig: Studenters kritiske resepsjon av interessepersonaliserte GenAI-analogier i informatikkutdanning
• The Socratic trap: Benchmarking the capacity of large language models to generate strategic misconceptions in computer science education — SocraticTrap-CS: flytende, autoritative forklaringer som er konseptuelt snarere enn faktisk feil (Miličević et al. 2026)
• Ethical implications of prompt injection in AI-mediated grading: An adversarial red-team evaluation — Skjulte instruksjoner i en innlevert fil kan heve en AI-vurdert karakter uten synlig advarsel (Humble 2026)
• “If we are good friends, AI doesn't spy so much”: Children's knowledge and misconceptions of AI safety — Barns misoppfatninger om AI-sikkerhet: vennskap med en robot feilleses som en personvernsgaranti (Leisten et al. 2026)
• A Conversational AI Framework for Teacher Training — Konversasjonell AI-diagnostikk av undervisningsmisoppfatninger med evidensforankret dialog (Miranda & Calvani 2026)