AIEd-kunnskapsbaseAIEd KB
På denne siden

Les denne siden på engelsk

Begreper

Teoriutvikling i AI i utdanning

Opprettet 2026-08-22 · Oppdatert 2026-11-08

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

Teoriutvikling i AI i utdanning — det vitenskapelige arbeidet med å skape, videreutvikle og kritisk granske teoriene og de begrepsmessige rammeverkene som forklarer hvordan elever, lærere og AI-systemer samvirker. Etter hvert som generativ AI omformer utdanningen, foreslår feltet både nye teorier om læring-med-AI og omarbeider etablerte læringsteorier — mens en dokumentert svakhet i teoribruken fortsatt er en gjennomgående begrensning i AIEd-forskningen.

Spørsmål å vurdere

  • Vi snakker ofte om å «anvende en teori» på AI i utdanning, men denne siden spør om feltet faktisk oppfinner nye teorier. Før du leser videre: når et kjent rammeverk (som behaviorisme eller konstruktivisme) strekkes til å dekke generativ AI, hva kan det få riktig, og hva kan det stille forvrenge?
  • Tenk på en gang du brukte AI og følte at forståelsen din vokste — eller det motsatte. Hva er forskjellen mellom «å lære med et verktøy» og «å samkonstruere kunnskap med en maskin»? Hvor ville du trekke den grensen, og gir det i det hele tatt mening å si at maskinen er en medagent?
  • Mange AI-utdanningsstudier kritiseres for å bruke teori svakt eller ikke i det hele tatt. Hvis du leste en studie som viste at et AI-verktøy «fungerte», hva måtte den fortelle deg om hvorfor og hvordan det fungerte før du ville kalt funnet teoretisk meningsfullt snarere enn bare en effektstørrelse?
  • En foreslått teori hevder at AI-innfødte elever overvurderer sin egen læring fordi AI blåser opp prestasjonen deres. Har du lagt merke til at du selv eller andre har følt dere mer kompetente etter mye AI-bruk enn dere faktisk kunne demonstrert uten? Hva ville være det sterkeste beviset for at dette er et reelt fenomen og ikke bare en artefakt fra én studie?
  • Siden skiller teori (å forklare læringsmekanismer) fra filosofi (å stille spørsmål ved hva læring og sinn grunnleggende er). Hvor i din egen tenkning om AI beveger du deg mellom de to — for eksempel ved å spørre ikke bare om et rammeverk forklarer læring godt, men om det fanger hva læring virkelig er?
  • Nye teorier dukker opp — generativisme, epistemisk samhandlekraft, kognitive allmenninger. Som leser, hva ville overbevise deg om at én av disse er et genuint framskritt snarere enn en moteriktig ometikettering av eldre ideer? Sett din egen test for hva en god ny teori om læring med AI bør kunne forklare.

Introduksjon

Teoriutvikling i AIEd ligger på grensen mellom de anvendte læringsteoriene feltet trekker på og de nye konstruktene AI-æraen produserer. Der Learning Theories katalogiserer de etablerte teoriene som anvendes på AI (behaviorisme, konstruktivisme, kognitiv belastning, selvbestemmelse osv.), sporer dette begrepet prosessen og produktet av å teoretisere i seg selv: hvilke nye teorier og rammeverk som fødes, hvordan etablerte teorier videreutvikles, og det metodologiske spørsmålet om AIEd-forskningen teoretiserer godt.

  • Et rammeverk som spesifiserer sin egen sammenligningsbetingelse. Nakamura (2026) behandler fordelingen av kognitivt arbeid som forklaringsenheten, plasserer operasjoner på et gradert perifert–konstitutivt kontinuum, navngir sammenligningsbetingelsen som forsterkning og erosjon defineres mot, og utleder sju betingede testbare proposisjoner (Nakamura, 2026). Fordi proposisjonene forutsier forskjeller mellom konfigurasjoner, kan en studie som bare rapporterer en gjennomsnittseffekt, verken bekrefte eller avkrefte dem.

Nye teorier om læring med AI

En voksende klynge artikler skaper eksplisitt ny teori for AI-æraen snarere enn å anvende eksisterende rammer:

  • Generativisme. Generativisme foreslås som en ny læringsteori, med argumentet at behaviorisme, kognitivisme, konstruktivisme og konnektivisme hver hviler på én antakelse som generativ AI bryter: at observerbar ytelse beviser læring (behaviorisme), at kognitive operasjoner skjer inne i eleven (kognitivisme), at mening konstrueres snarere enn leveres (konstruktivisme), og at det vanskelige er å navigere til eksisterende kunnskap snarere enn å generere den (konnektivisme). Den navngir fire konstrukter — epistemisk partnerskap, distribuert handlekraft, generativ kompetanse og adaptiv metakognisjon — og utleder en vurderingsindikator for hvert av dem, et direkte forsøk på å navngi et eget teoretisk paradigme for AI-formidlet læring. Det den ikke gjør, er å fremsette proposisjoner som kunne slå feil: den er et posisjonspapir som syntetiserer eksisterende evidens, så ulikt agentivismen nedenfor tilbyr den et vokabular og en målingsagenda snarere enn en falsifiserbar teori.

  • AI-tilknytning. Fu og Zhao (2026) rekonstruerer tilknytning for AI-æraen gjennom omsorgsetikk og nyøkologisk teori, og definerer «kunstig intelligens-tilknytning» som et psykologisk reelt, men etisk asymmetrisk bånd med tre dimensjoner og seks falsifiserbare proposisjoner som venter på skaleutvikling.

Den syntetiske posisjonen tilfører et konkurrerende bidrag som faktisk fremsetter proposisjoner: den navngir syntetisk forfremmelse og forfattermessig suspensjon — et selv som er tett stemt, men uten forfatter — og forutsier en kryssinteraksjon der vurderingen av forfatterskap og koherens i en livsbeslutningsfortelling beveger seg i motsatte retninger (Du et al. (2026)).

  • Agentivisme. Yan og Gašević (2026) foreslår agentivisme som en mellomdistanselæringsteori for menneske–AI-interaksjon, og definerer læring som varig vekst i menneskelig kapasitet snarere enn vellykket oppgaveløsning med AI, og spesifiserer fire mekanismer: delegert handlekraft, epistemisk overvåking og verifisering, rekonstruktiv internalisering og overføring under redusert støtte. Det som skiller den fra de andre bidragene på denne siden, er falsifiserbarhet: den fremsetter seks proposisjoner, blant annet at læring er sterkere når AI bevarer elevens ansvar for problemformulering, kriteriefastsetting og begrunnelse, enn når den leverer svarene. Den hevder også at krav om verifisering bør forbedre forsinket prestasjon, mens gjentatt lavfriksjonsdelegering uten rekonstruksjon bør svekke elevenes kalibrering av sin egen kompetanse.

Teoriarbeid på lærersiden gjør nå samme forpliktelse på testbarhet: kapasitet–beslutningsmodellen ordner AI-TPACK-kapasitet oppstrøms for holdning og opplevd atferdskontroll, og navngir fire avkreftelsesbetingelser — medieringssvikt, diskriminantkollaps, moderering uten effekt og kontekstredundans — selv om modellen forblir utestet (Mnguni (2026)).

  • Epistemisk samhandlekraft. Learning with Machines bygger «mot en teori om epistemisk samhandlekraft», en teoriinformert modell for hvordan elever og GenAI-systemer i fellesskap produserer kunnskap og forståelse.

  • Sykelen for kognitivt partnerskap. Page (2026) foreslår Cognitive Partnership Cycle, en seksfasetts rekursiv modell — menneskelig spørsmål, AI-utvidelse, menneskelig refleksjon, integrering, revisjon og nytt spørsmål — som lokaliserer læring i en endring i elevens kognitive posisjon snarere enn i promptraffinement, og navngir fire sviktmoduser der den samme rekursjonen erstatter eller forvrenger tenkningen.

  • Den fraværende kognitive baselinjen (ACB). The Absent Cognitive Baseline teoretiserer et strukturelt gap i AI-innfødte elevers akademiske selvvurdering — et tredimensjonalt rammeverk som forklarer hvorfor elever overvurderer læringen sin når AI blåser opp prestasjonen.

  • De kognitive allmenningene. Kognitive allmenninger og regenerering av ekspertise trekker på allmenningsteori og distribuert kognisjon for å forklare hvordan rasjonelle AI-adopsjonsbeslutninger kan tømme den felles ekspertisepoolen som profesjoner trenger for fornyelse.

  • Prestasjon kontra læring. Prestasjon-kontra-læring teoretiserer den skarpe divergensen mellom AI-oppblåst oppgaveprestasjon og varig læring, et skille som går igjen i kunnskapsbasens Learning Gainsevidens.

  • Epistemisk AI-kompetanse (EAIL). Epistemisk AI-kompetanse omformer AI-kompetanse til en prosessorientert epistemisk kompetanse sentrert om hvordan kunnskap konstrueres og rettferdiggjøres når elever samprogrammerer med generativ AI.

  • Tri-system-teorien. Shaw og Nave (2026) utvider dualprosess-redegjørelsene med System 3 — ekstern, automatisert, datadrevet resonnering fra AI som kan supplere, fortrenge eller undertrykke System 1 og System 2 — og navngir kognitiv overgivelse, den ukritiske adopsjonen av AI-resultat, som dens karakteristiske svikt.

  • Kognitiv forvaltning. Credential and cognitive stewardship teoretiserer det institusjonelle ansvaret for å beskytte kunnskap og læring i AI-gjennomtrengte vurderingskontekster.

  • Sam-regulering og epistemisk proaktivitet. AI som kognitiv partner i samregulering integrerer eksekutive funksjoner, Metacognition, distribuert kognisjon og sosiokulturell utvikling i en utviklingsmodell; epistemisk proaktivitet teoretiserer elevenes agentiske holdning til AI i matematikk.

  • Paradigmer for menneske–GAI-engasjement. Strydom (2026) tar opp feltets «teorimangel» ved å forankre sju praktiserte paradigmer for menneske–GAI-engasjement (beskyttet, mulighetsfokusert, forsterket, banebrytende, symbiotisk, verdibasert, likestilling) i Schommers flerdimensjonale modell for personlige epistemologiske overbevisninger — en epistemologisk, snarere enn verktøyfokusert, teori om hvordan individer posisjonerer seg ulikt i forhold til AI.

  • Rammeverket for økologisk samhandlekraft. Poudyal (2026) hevder at generativ AI omfordeler epistemisk autoritet fra lærere til elever til maskiner, og introduserer et rammeverk som definerer samhandlekraft gjennom tre gjensidig avhengige dimensjoner — relasjonell, regulerende (kartlagt mot SRL-syklusen) og pedagogisk (læreradopsjonskontinuum) — alle avgrenset av en ikke-forhandlingsbar betingelse om menneskelig epistemisk ansvarlighet (bestridelighet, proveniens og ikke-delegering av moralsk/intellektuell anerkjennelse). Det posisjonerer handlekraft som et epistemisk designproblem snarere enn en brukervennlighetsbekymring, og gir institusjoner et mer presist språk enn «balanse» for å styre GenAI-integrering.

  • Relasjonell epistemisk handlekraft og epistemisk avhengighet. Du & Yuan (2026) bidrar med en kritisk-integrerende redegjørelse for når AI-formidlet avhengighet bevarer kontra fortrenger dømmekraft. De operasjonaliserer grensen mellom produktiv avhengighet og skadelig avhengighet gjennom seks diagnostiske kriterier (bestridelighet, gjenopprettbarhet, overføring, sporbarhet, distribuert ansvar, epistemisk pluralitet) og sporer fire sosiotekniske baner (flytende autoritet, friksjonsløs delegering, ugjennomsiktig syntese, institusjonalisert avhengighet). Deres normative forslag, relasjonell epistemisk handlekraft, utvider relasjonsautonomi- og epistemisk-samhandlekraftslinjene ved å beholde en eksplisitt asymmetri — AI kan forme resonnering uten gjensidig ansvar eller legitim autoritet — mens den integrerer ansvar og epistemisk rettferdighet på institusjonsnivå. Som teori om læring med AI flytter den feltets spørsmål fra om AI hjelper eller skader til hvilke epistemiske handlinger som bevares, transformeres eller fortrenges, og den gjør designet av avhengighet, snarere enn bare bruk, til gjenstand for pedagogisk og institusjonell intervensjon.

Modellens output løftes til status som kollektiv kunnskap uten fellesskapsgarantien den statusen krever — det Webb et al. (2026) kaller pseudo-cPCK, og grunnen til at feltet trenger et nytt teoretisk konstrukt snarere enn et bedre grensesnitt (Webb et al., 2026).

Å videreutvikle etablert teori

Annet arbeid utvider eksisterende teori inn i AI-konteksten snarere enn å grunnlegge nye paradigmer: paradokset for kritisk tenkning integrerer kognitiv belastningsteori med belastningsreduserende undervisning i et tredelt rammeverk; rettferdig vurdering re-teoretiserer vurdering under GenAI-forstyrrelser. Ba, Gašević, Lim & Anderson (2026) rekonseptualiserer Community of Inquiry-rammeverket selv: i stedet for å ramme inn GenAI som et verktøy, en dialogpartner eller en spekulativ «fjerde tilstedeværelse», reposisjonerer de det som en epistemisk betingelse som omformer hvordan kognitiv, sosial og undervisningsmessig tilstedeværelse iverksettes, dokumenteres og styres — de omformer CoI-tilstedeværelsene til sosiotekniske prestasjoner av menneske–GenAI-assemblasjer og foreslår en konfigurasjonsbasert heuristikk der GenAI-involvering og utforskningskvalitet er betinget relatert gjennom menneskelig ansvarlighet. Mye av dette er begrepsrammeverkarbeid (rammeverk for handelshøyskoler, gyldig simulering) som operasjonaliserer teori for praksis.

Lin og Chang (2026) utvider Self-Regulated Learning og menneske–AI-regulering ved å navngi hva eleven styrer — standarder, evaluative vurderinger og kontrollautorisasjon — snarere enn bare hva AI gjør.

Friksjonsparadokset tilbyr en annen utvidelse av etablert teori: Gupta (2026) anvender Bjork og Bjorks ønskelige vanskeligheter og Kapurs produktive fiasko på relasjonelle møter i utdanning i utlandet, og hevder at det som betyr noe, er hvor mye fortolkende handlekraft en elev overfører til en generativ assistent, snarere enn hvor ofte den brukes. Rammeverket er begrepsmessig og fremsetter fem proposisjoner som konkurrerende hypoteser.

Ranieri & Biagini (2026) videreutvikler feltets funksjonelle taksonomi fra Zawacki-Richter et al. (2019): blant de 154 publikasjonene med en klassifiserbar applikasjonsfunksjon unnslapp 90 (58.4 %) de fire kategoriene, og deres rammeverk krysser funksjon med delegert kontroll, epistemisk posisjon og innebygd pedagogikk.

An, McLaren og Stamper (2026) videreutvikler ACT-R og Knowledge-Learning-Instruction-rammeverket ved å teoretisere villedende overgeneralisering — en sviktmodus der kunnskapskompilering gir en overgeneralisert produksjon som produserer korrekte handlinger mens den utelater en kritisk anvendelsesbegrensning — og ved empirisk å validere en deteksjons-/utbedringsprosedyre på tvers av adaptive ITS-er og et K-12-desimallæringsdatasett.

Postfenomenologi og teknologisk mediering. Farazouli et al. (2026) videreutvikler det etablerte postfenomenologiske rammeverket for teknologisk mediering (Ihde 1990; Verbeek 2006, 2011; Rosenberger & Verbeek 2015) inn i AI-i-utdanning-konteksten. I stedet for å foreslå en ny teori anvender de det for å rekonseptualisere GAI-chatboter som multistabile teknologiske artefakter hvis «skript» (rask respons, naturlig klingende tekst som kan oppnå beståtte karakterer) medierer lærernes oppfatninger og omformer praksisene deres — det forstyrrer lærernes selvtillit, omformer hva kompetanse betyr og skyver lærere forbi instrumentelle spørsmål om akseptabel bruk mot å revurdere rollen sin og meningen med undervisning. Dette er et teori-videreutviklings bidrag: det demonstrerer hvordan en filosofisk redegjørelse for menneske–teknologi-relasjoner forklarer den emosjonelle og profesjonelle forstyrrelsen lærere opplever når GAI kommer inn i etablert utdanningspraksis.

Et ytterligere rammeverksbidrag er Rismanchian & Doroudis AI×Ed-typologi, som utvider Kahns (1977) opprinnelige «tre interaksjoner» langs to akser — AI-ens rolle (anvendt verktøy kontra analogi til menneskelig intelligens) og sluttbrukeren (forsker til elev) — for å plassere ethvert AIED-prosjekt. Utover å kategorisere feltet argumenterer den for å gjenopplive teoristrømmen og forskningen om «AI som en analogi til menneskelig intelligens», ved å bruke beregningsmodeller og agentbaserte modeller for læring (f.eks. deres egen beregningsmodell av ICAP-rammeverket) for å bygge bro mellom samtidens læringsteori og beregningsmodellering — en metodologisk retning feltet i stor grad forlot da det vendte seg mot anvendt, datadrevet arbeid.

Komparativ filosofi som vei til teoretisk pluralisme. Xie (2026) modellerer en annen vei til teoriutvikling: i stedet for å teoretisere AI i utdanning innenfor én tradisjon, iscenesetter artikkelen en komparativ dialog der hver tradisjon «synliggjør det den andre tilslører», og avstår eksplisitt fra å syntetisere dem i et enkelt rammeverk — en tilnærming som behandler teoretisk pluralisme som en metodologisk posisjon snarere enn en uløst uenighet. Han hevder at ikke-vestlige tradisjoner kan gjøre mer enn å diversifisere debatter; de kan omforme de begrepsmessige grunnlagene for AIED-teori, ved å rekonstruere daoistisk «Dao-natur» (道性), selvdyrkelse (修道) og «Zhenren» (真人) som ressurser for å tenke nytt om handlekraft, utdanningens epistemiske mål og etisk handling under AI-formidlede betingelser. Han angir også grensene tydelig: bidraget er enkeltforfatter, ikke-empirisk, og advarer om at slik oversettelse krever kontekstualisering for å unngå romantisering og orientalisme.(Alternative AI Philosophy: Daoism as Method for AI in Education)

Teoribruksproblemet i AIEd

Feltets teoretisering er ujevn. Begrensninger i AIEd-forskning dokumenterer at AIEd-studier ofte bruker teori svakt eller ukritisk — en tilbakevendende metodologisk svakhet side om side med reproduserbarhets- og målingsgap. Gjennomganger finner at mange AIEd-artikler anvender teori overfladisk eller ikke i det hele tatt (f.eks. litteraturgjennomganger som bemerker at få studier forankrer intervensjoner i læringsteori). Dette gjør teoriutvikling — og teoribruk — til et kvalitetsspørsmål i like stor grad som et vitenskapelig produkt, og knytter an til forskningsmetoder og AI Ed Evaluation.

Forholdet til filosofien om AI i utdanning

Teoriutvikling og filosofien om AI i utdanning er komplementære, men distinkte tråder i kunnskapsbasens grunnlagsarbeid. Teoriutvikling produserer og tester empirisk mekanismene for læring-med-AI — navngitte teorier og rammeverk som generativisme, epistemisk samhandlekraft og den fraværende kognitive baselinjen som forklarer og forutsier hvordan elever og AI samvirker. Filosofi gransker forutsetningene disse mekanismene hviler på: hva som teller som kunnskap, hvem som teller som kunnende, og hva eleven grunnleggende er. En teori som epistemisk samhandlekraft foreslår en mekanisme mens den implisitt adopterer filosofiske forpliktelser om distribuert kognisjon og handlekraft; filosofien gjør disse forpliktelsene eksplisitte og bestridelige. Der teoriutvikling spør om et rammeverk forklarer læring godt, spør filosofien om det fanger hva læring og sinn virkelig er — de to trådene møtes i feltets mest grunnleggende artikler, som ofte gjør begge deler samtidig.

Vanlige misoppfatninger

«Et funn om at verktøyet virket, er et teoretisk bidrag.» Det er det ikke, og grunnen er strukturell. Der et rammeverks proposisjoner forutsier forskjeller mellom konfigurasjoner, kan en studie som bare rapporterer en gjennomsnittseffekt, verken bekrefte eller avkrefte dem — designet kan ikke se skillet teorien handler om. En prøve som viser en gjennomsnittlig gevinst, forteller deg at noe skjedde, ikke hvilken mekanisme som forårsaket det, så teorien forblir nøyaktig like støttet som før.

«Å anvende en etablert teori på AI er teoriutvikling.» Sidens eget teoribruksproblem sier det motsatte: anvendelse er ikke videreutvikling, og feltets tilbakevendende mønster er lånte konstrukter brukt som vokabular snarere enn som testbare forutsigelser. Skillet betyr noe fordi en lånt ramme som ikke kan generere en falsifiserbar forskjell, er dekorasjon, ikke teori.

«De eksisterende taksonomiene for AI-ens pedagogiske funksjon dekker allerede det disse systemene gjør.» De dekker ikke mye av det. Blant 154 publikasjoner med en klassifiserbar applikasjonsfunksjon unnslapp 90 (58.4 %) de fire kategoriene i det tidligere rammeverket, og det er derfor det nyere arbeidet krysser funksjon med delegert kontroll, epistemisk posisjon og innebygd pedagogikk. En taksonomi som feilklassifiserer nesten tre av fem tilfeller, kan ikke tjene som feltets felles vokabular, og gapet er et funn om fenomenet snarere enn et gap i en artikkel.

Implikasjoner for praksis

For undervisere og instruksjonsdesignere

  • Når en studie rapporterer en gjennomsnittseffekt, bør du ikke behandle den som veiledning om din konfigurasjon. Påstandene på teorinivå handler om forskjeller mellom konfigurasjoner, og et gjennomsnitt kan ikke fortelle deg hvilken du kjører.
  • Spør om ethvert rammeverk du adopterer, forutsier noe som kan vise seg falskt i din egen setting. Hvis det ikke kan, hjelper det deg ikke å bestemme noe.
  • Forvent at eksisterende kategorier bommer på ditt tilfelle; over halvparten av de klassifiserte publikasjonene passet ikke i den vanlige firedelingen.

For utviklere

  • Rapporter konfigurasjoner snarere enn én enkelt hovedeffekt. Hvis designet ditt legemliggjør en spesifikk kombinasjon av delegert kontroll og epistemisk posisjon, si det — det er enheten teorien taler til, og enheten et annet team trenger for å reprodusere.
  • Ikke markedsfør en mekanismepåstand på styrken av et gjennomsnittsutfall; evidenstypen mekanismen krever, er en kontrast, ikke et gjennomsnitt.

For forskere

  • Design for konfigurasjonskontraster hvis du har til hensikt å gi et teoretisk bidrag. En prøve med gjennomsnittseffekt publisert som teoriutvikling er feltets vanligste og minst nyttige produksjon.
  • Fest eksplisitte falsifiserbare proposisjoner til ethvert rammeverk du introduserer, og rapporter hvilke konfigurasjonsforskjeller som ville ha avkreftet dem.

Tilknyttede begrep

Tilknyttede artikler

Metadata

StudiedesignLiterature Review
Læring og undervisningLearning Theories
Forskningsmetoder og evalueringResearch Methods in AIED
Grunnlaget for AI i utdanningAI i undervisning, Begrensninger i forskning på AI i utdanning
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.