AIEd-kunnskapsbaseAIEd KB
På denne siden

Les denne siden på engelsk

Begreper

SAMR-modellen

Opprettet 2026-09-10 · Oppdatert 2026-11-08

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

SAMR-modellen — et rammeverk for teknologiintegrering utviklet av Ruben Puentedura som klassifiserer i hvilken grad en teknologi transformerer læring, langs fire nivåer: Substitusjon, Forsterkning, Modifikasjon og Redefinisjon. De to nederste nivåene (Substitusjon, Forsterkning) forbedrer en eksisterende oppgave — teknologien gjør det som ble gjort før, bedre eller mer bekvemt; de to øverste (Modifikasjon, Redefinisjon) transformerer den — oppgaven selv endres til noe som ikke var mulig tidligere. I AI i utdanning er SAMR den standardlinsen for å spørre om generativ AI brukes til å forbedre eksisterende praksis trinnvis eller til å rekonseptualisere læring, og den står side om side med TPACK som en måte å beskrive hvordan lærere integrerer teknologi, snarere enn hvorfor de aksepterer den.

Spørsmål å vurdere

  • Når AI innføres i et emne, er det en substitusjon (en chatbot erstatter et søkefelt) eller en redefinisjon (en oppgave blir mulig som ikke var det før)? Hva avgjør hvilket nivå som er hensiktsmessig — og er transformasjon alltid målet?
  • SAMR og modeller for teknologiadopsjon svarer på ulike spørsmål: adopsjonsteori spør hvorfor en lærer eller institusjon aksepterer et verktøy; SAMR spør hvor dypt verktøyet endrer læringen. Hvilket spørsmål besvarer egentlig en gitt AI-integreringsstudie?
  • En systematisk gjennomgang av AI-integrasjon i høyere utdanning fant at de fleste brukstilfeller lå på substitusjons- eller forsterkningsnivået, og at bare én studie nærmet seg redefinisjon. Hvis det er typisk, hva sier det om gapet mellom AI-ens potensial og klasseromsvirkeligheten?
  • SAMR påberopes ofte i læreres profesjonelle utvikling for å hjelpe pedagoger med å planlegge teknologibruk. Endrer det å klassifisere en leksjons SAMR-nivå hva en lærer faktisk gjør, eller er det først og fremst en beskrivende etikett?
  • Kritikere hevder at SAMR, i likhet med TPACK, hviler på en humanistisk ontologi som behandler kognisjon som uendret av teknologi, og at den ikke sier noe om makt, dataeierskap eller likestilling. Er en linse for integrasjonsnivå tilstrekkelig, eller trenger integrering i AI-æraen en mer kritisk ramme?

Introduksjon

SAMR beskriver dybden i den teknologiske transformasjonen av læringsoppgaver. De fire nivåene danner en stigende skala fra forbedring til transformasjon: Substitusjon (verktøyet erstatter et annet uten funksjonell endring — en chatbot i stedet for en søkemotor), Forsterkning (verktøyet erstatter og forbedrer — tekstbehandlingens stavekontroll i stedet for skrivemaskinen), Modifikasjon (oppgaven redesignes betydelig — elever samarbeider i sanntid om et delt AI-generert utkast) og Redefinisjon (nye oppgaver som tidligere var utenkelige, blir mulige — elever samskaber med en generativ modell på måter som ikke har noen ikke-AI-analog). Modellen er mye brukt i utdanningsteknologisk forskning og i profesjonell utvikling for lærere som et vokabular for å planlegge og evaluere teknologiintegrering, og den er en standardfølgesvenn til TPACK og til rammeverk for teknologiadopsjon — selv om den svarer på et annet spørsmål enn begge.

Hva de fire nivåene betyr

  • Forbedring (nedre halvdel): Substitusjon og Forsterkning forbedrer en eksisterende oppgave uten å endre dens natur. Det meste av rutinemessig AI-bruk — spørsmålsgenerering, rask tekstgenerering, oppsummering — ligger her: det er raskere og mer bekvemt, men endrer ikke hva eleven bes om å gjøre.
  • Transformasjon (øvre halvdel): Modifikasjon og Redefinisjon endrer oppgaven selv. Vibe coding, sanntids samkonstruksjon med en modell og adaptiv interaktiv dialog er oppgaver som ikke var mulige før generativ AI, og representerer den transformative enden av skalaen.

SAMR kobles ofte sammen med ICAP-rammeverket fordi de to stemmer overens: de fire kjøkken-til-læring-scenarioene i Rummel, Nachtigall og Panadero (2026) mapper ICAP-engasjementsmoduser til SAMR-nivåer — ICAP Passive med SAMR Substitusjon, Active med Forsterkning, Constructive med Modifikasjon og Interactive med Redefinisjon — og illustrerer en progresjon fra passiv delegering til interaktiv samkonstruksjon.

Evidens fra kunnskapsbasen

  • AI-integrasjon i høyere utdanning er i stor grad inkrementell, ikke transformerende. AlSheikh et al. (2026) graderte AI-integrasjon med SAMR-modellen i en PRISMA-systematisk gjennomgang av 22 intervensjonsstudier screenet fra 959 poster, og fant at de fleste studiene klumpet seg på substitusjons- eller forsterkningsnivået, med færre på modifikasjon og bare én som nærmet seg redefinisjon. AI ble typisk innført for å forbedre eksisterende praksis — dominert av automatisering av vurdering og støtte for personlig tilpasset læring — snarere enn for å rekonseptualisere læreplaner eller læringsutbytte.
  • SAMR er en vanlig analytisk linse for GenAI-drevet læreplansendring. Sabani et al. (2026) mapper fem læreplansskifter (statisk til dynamisk, formidling til kapasitet, lokalt til institusjonelt) til etablerte linser, inkludert SAMR og konstruktiv tilpasning, og bruker modellen til å klargjøre de pedagogiske mekanismene som GenAI omformer læreplanen gjennom.
  • SAMR og TPACK forankrer standarder for læreres teknologiintegrering. Crompton et al. (2026) plasserer sine seks standarder for fakultetets teknologiintegrering opp mot eksisterende rammeverk — Teknologisk pedagogisk fagkunnskap (TPACK), RAT, SAMR, SETI — og mot standarder (ISTE, UNESCO, DigCompEdu), hvorav de fleste retter seg mot K-12-pedagoger eller bare undervisningsdelen av fakultetsrollen, og etterlater et gap i utviklingen av universitetsansatte.
  • SAMR er et mål for den posthumanistiske kritikken. Elsayed (2026) kritiserer TPACK, SAMR og AI-kompetanse-modeller for å dele en humanistisk ontologi som forutsetter en avgrenset elev hvis kognisjon er grunnleggende uendret av teknologisk mediering, og hevder at disse instrumentalistiske rammeverkene ikke kan håndtere AI-ens konstitutive rolle i kognisjon.
  • Et rammeverk for integrering, ikke et rammeverk for makt. Poudyal (2026) vurderer SAMR sammen med TPACK og andre integreringsrammeverk og finner at ingen av dem tar opp rettferdig makt, dataeierskap eller ansvarlighet, noe som motiverer et alternativt økologisk samhandlekraftsrammeverk.
  • Elevers bruk lar seg også mappe til SAMR, og tilbakemelding spenner over alle nivåer. Koding av GenAI-erklæringene til 31–36 elever i en fysikkenhet plasserte læring på substitusjon–forsterkning, formatering på substitusjon og oppgaveløsning på modifikasjon–redefinisjon, mens tilbakemelding — sjekking, avklaring, verifisering — forekom på alle fire nivåer (Quince og Faulconer (2026)).
  • Dybde og inkludering er separate akser. Jita, Jita og Omoniyi (2026) parrer SAMR med UDL på tvers av 38 kilder og hevder at oppgaver på redefinisjonsnivå fortsatt kan utelukke elever hvis språk, enhet eller tilkobling ikke passer designet.

SAMR, TPACK og teknologiadopsjon: hvordan de skiller seg fra hverandre

Tre rammeverk blandes ofte sammen, men svarer på ulike spørsmål:

  • Modeller for teknologiadopsjon (TAM, UTAUT) forklarer hvorfor en person eller institusjon aksepterer og fortsetter å bruke en teknologi — opplevd nytte, brukervennlighet og sosial påvirkning.
  • TPACK beskriver den kunnskapen en lærer trenger for å integrere teknologi effektivt — samspillet mellom teknologisk, pedagogisk og faglig kunnskap, utvidet i AI-æraen til AI-TPACK/GenAI-TPACK.
  • SAMR klassifiserer hvor dypt en teknologi transformerer en læringsoppgave, fra forbedring til redefinisjon.

SAMR forstås best som en linse for integrasjonsdybde brukt i planlegging og evaluering, som utfyller adopsjonsteori (som forklarer opptak) og TPACK (som forklarer lærerkapasitet). I AI-æraen brukes den mest produktivt til å spørre om generativ AI anvendes for å forbedre eksisterende oppgaver eller for å muliggjøre genuint nye — et skille som går gjennom kunnskapsbasens forskning på vurdering og læreplan.

Implikasjoner for praksis

  • Bruk SAMR til å stille dybdespørsmålet, ikke til å foreskrive transformasjon. Forbedring er ikke iboende dårligere; mange rutinemessige AI-brukstilfeller er legitime substitusjoner. Modellen er diagnostisk og klargjør hva en gitt bruk faktisk endrer.
  • Koble den til ICAP. SAMR beskriver hva oppgaven blir; ICAP beskriver hvordan eleven engasjerer seg. Brukt sammen skiller de overfladisk substitusjon fra dyp interaktiv samkonstruksjon.
  • Kombiner den med adopsjons- og likestillingslinser. SAMR sier ingenting om hvorfor et verktøy tas i bruk eller hvem som tjener på det. Parr den med adopsjonsmodeller og likestillingsanalyse for å unngå at en dybdeetikett erstatter en kritisk vurdering.
  • Behandle evidens for inkrementell integrering som et funn, ikke et nederlag. Hvis det meste av AI-integrasjon klumper seg på substitusjon/forsterkning, er designoppgaven ikke å tvinge fram redefinisjon, men å erkjenne at transformativ bruk krever andre oppgavedesign, ikke bare bedre verktøy.

Vanlige misoppfatninger

«Høyere på SAMR er bedre undervisning.» SAMR er en linse for å spørre om AI rekonseptualiserer læring eller forbedrer eksisterende praksis; det er ikke en kvalitetsrangering, og redefinisjon er ikke det riktige svaret for hver oppgave. En substitusjon som fjerner et uproduktivt trinn, er en suksess vurdert etter læring, ikke etter nivået den befinner seg på.

«AI-adopsjon beveger seg oppover stigen.» Fordelingen er konsentrert i bunnen. En systematisk gjennomgang av AI-integrasjon i høyere utdanning fant at de fleste brukstilfeller lå på substitusjon eller forsterkning, med bare én studie som nærmet seg redefinisjon. Den praktiske bruken av SAMR i denne litteraturen er derfor i stor grad diagnostisk — den navngir hvor feltet faktisk befinner seg.

«SAMR og TPACK er konkurrerende rammeverk.» De beskriver ulike ting: SAMR beskriver graden av transformasjon i en oppgave, mens TPACK beskriver den kunnskapen en lærer trenger for å integrere teknologi godt. En lærer kan være svært TPACK-kompetent og likevel operere på substitusjon, og det er derfor de to brukes sammen i stedet for å velges mellom.

«Et verktøy som er transformativt på ett nivå, er transformativt på alle nivåer.» Det samme generative verktøyet kan støtte en substitusjon i ett emne og en redefinisjon i et annet, fordi nivået er en egenskap ved oppgavedesignet snarere enn ved teknologien. Å tilskrive nivået til verktøyet gir adopsjonsbeslutninger i stedet for designbeslutninger.

Tilknyttede begrep

Tilknyttede artikler

Metadata

NivåK 12, Higher Ed
Tiltenkt målgruppeInstructors, Curriculum Designers, Researchers
Teknologier og teknikkerTechnologies, Technology Adoption Models
Grunnlaget for AI i utdanningUtdanningsutvikling, Læringsdesign, Teknologisk pedagogisk fagkunnskap (TPACK), Læreres AI-kompetanse
SidetypeFramework
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.