AIEd-kunnskapsbaseAIEd KB
På denne siden

Les denne siden på engelsk

Begreper

Teknologisk pedagogisk fagkunnskap (TPACK)

Opprettet 2026-08-14 · Oppdatert 2026-11-08

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

Teknologisk pedagogisk fagkunnskap (TPACK) — rammeverket (Mishra & Koehler, 2006) som beskriver den integrerte kunnskapen lærere trenger for å bruke teknologi effektivt i undervisningen: samspillet mellom teknologisk kunnskap (TK), pedagogisk kunnskap (PK) og faglig kunnskap (CK), og skjæringspunktene mellom dem. I AI-æraen er TPACK utvidet til AI-TPACK / GenAI-TPACK, som modellerer hvordan lærere integrerer generativ AI i fagundervisning. Det er den dominerende teoretiske linsen for å forstå hvordan læreres AI-kompetanse er strukturert og bygget gjennom profesjonell utvikling.

Denne dominansen er også delvis en artefakt fra søket: i en PRISMA-scopinggjennomgang av 195 teknologistøttede lærerutdanningsstudier var digital kompetanse, TPACK og DigCompEdu eksplisitte søkebegreper, så kompetanserammeverkenes andel på 46.5 % beskriver det gjenfunnede korpuset snarere enn feltet (Patiño Hernández et al. (2026)).

Spørsmål å vurdere

  • TPACK hevder at effektiv undervisning med teknologi ikke er summen av separate ferdigheter (å kunne faget sitt + å kunne undervise + å kunne verktøyet), men produktet av samspillet mellom dem. Tenk på en leksjon som virkelig fungerte med en teknologi. Hvilke kombinasjoner av fag-, pedagogisk og teknologisk kunnskap — ikke noen enkelt av dem — så ut til å gjøre jobben?
  • En vanlig antakelse er at en lærer som er «teknologikyndig» dermed er klar til å undervise med AI. Hvor kan den antakelsen svikte — for eksempel når en teknisk flytende lærer likevel bruker AI på en pedagogisk overfladisk eller faglig unøyaktig måte? Hvordan ville «kompetanse» se ut som en enkel test i teknologiferdigheter overser?
  • AI-æraen omdefinerer teknologien i TPACK fra et passivt verktøy til en aktiv agent som kan planlegge, generere og veilede. Hvis lærerens jobb skifter fra å betjene et verktøy til å orkestrere en AI som handler på egen hånd, hvilken ny kunnskap krever det — og kan noen statisk sjekkliste fange den?
  • Siden antyder at profesjonell utvikling bør trene skjæringspunktene, ikke bare verktøyene. Tenk på den siste teknologiopplæringen du deltok på eller designet. Handlet den mest om «hvordan bruke programvaren», eller bygde den fag og pedagogikk sammen med teknologien? Hvilken tilnærming ville du forventet endret klasseromspraksis mest, og hvorfor?
  • Forskning fant ulike «lærerarketyper» — optimerere, skapere, passive observatører — som har nytte av ulike former for støtte. Hvilken arketype ligner du mest på når du bruker AI i undervisningen, og hva slags stillas tror du ville hjulpet deg mest? Ville elevene dine beskrevet deg på samme måte som du gjør?
  • Noen forskere hevder at effektiv AI-integrering springer ut av lærerens overbevisninger og opplevelse av mestring, ikke bare kunnskapen deres. Hva tror du om AI-ens rolle i læring, og hvordan kan den overbevisningen — mer enn din tekniske ferdighet — forme om du integrerer den, og hvordan?

Introduksjon

  • Crompton et al. operasjonaliserer gjennom DBR standarder for fakultetets teknologiintegrering som utvider TPACK-rammeverket inn i institusjonell praksis.

Rammeverket

TPACK hevder at effektiv teknologiintegrering ikke er summen av separate kunnskapsdomener, men produktet av deres dynamiske samspill. Rammeverket består av tre grunnleggende domener og fire skjæringspunkter:

  • Faglig kunnskap (CK) — kunnskap om fagstoffet som skal undervises.

  • Pedagogisk kunnskap (PK) — kunnskap om undervisningsmetoder, strategier og hvordan elever lærer.

  • Teknologisk kunnskap (TK) — kunnskap om hvordan man bruker verktøy og teknologier, inkludert generativ AI.

  • Pedagogisk fagkunnskap (PCK) — hvordan man underviser spesifikt fagstoff effektivt.

  • Teknologisk fagkunnskap (TCK) — hvordan teknologi former og representerer fagstoff.

  • Teknologisk pedagogisk kunnskap (TPK) — hvordan teknologi støtter eller begrenser undervisningsstrategier.

  • TPACK — den emergente, integrerte kunnskapen i sentrum, der alle tre domener samvirker for å muliggjøre teknologiforsterket, fagspesifikk undervisning.

  • Rammeverket dominerer feltet som standard, og strekkes for å passe. I en PRISMA-veiledet gjennomgang av 78 studier av AI-støttet instruksjonsdesign anvendte bare 19 noe navngitt kompetanserammeverk — og TPACK og variantene av det sto for 17 av disse 19, brukt produktivt som en analytisk linse, men strukket utover sitt opprinnelige virkeområde, siden TPACK ikke ble designet for AI-spesifikke kapasiteter. Formålsbygde utvidelser er tilsvarende sjeldne: Intelligent-TPACK forekom i bare fem studier, vanligvis kombinert med AI-kompetanse for å håndtere utviklingsmessig progresjon (Spyropoulou & Kameas, 2026).

  • Forskningen går uten teori mens politikkrammeverkene forblir utestet. Den samme gjennomgangen fant at 76 % av studiene utledet kompetanser fra praksis uten noen teoretisk kartlegging i det hele tatt, og verken DigCompEdu eller UNESCOs AI Competency Framework for Teachers ble anvendt som analytisk rammeverk i noen av de 78 — en avkobling som går i begge retninger, siden empirisk arbeid ikke akkumulerer noe felles vokabular, mens rammeverkene som skal veilede praksisen, forblir empirisk utestet i denne konteksten.

AI-TPACK og GenAI-TPACK

AI-æraen har presset rammeverket mot en lesning av teknologi-med-intelligens. I stedet for et passivt verktøy er generativ AI en aktiv agent som kan planlegge, generere innhold, veilede og tilpasse — så integreringskunnskap omfatter i økende grad orkestrering: å avgjøre når og hvordan AI handler, bygger stillas eller viker for menneskelig dømmekraft.

  • Utover atskilt kunnskap. AI-TPACK-forskning hevder at effektiv AI-integrasjon ikke springer ut av å besitte separate domener, men av det dynamiske samspillet mellom systemtenkning, pedagogiske overbevisninger og Self-Efficacy — noe som utfordrer statiske, sjekklistebaserte modeller for læreres AI-kompetanse. Lærerarketyper (systematiske optimerere, produktive skapere, passive observatører) oppstår fra hvordan lærere designer multiagent-instruksjonsarbeidsflyter.

  • Hva integreringsrammeverk utelater. En samhandlekraftskritikk hevder at TPACK og SAMR tar opp lærerkunnskap og adopsjonsnivåer, men lar makt, dataeierskap og ansvarlighet stå ubehandlet, slik at integreringskunnskap trenger en eksplisitt etisk grense snarere enn nok et kunnskapsdomene (Poudyal (2026)).

  • Evidens på tvers av nivåer for den pedagogiske kjernen. En flernivåstudie av 46 lærere og 2 832 elever i videregående skole fant at teknisk AI-kunnskap alene var utilstrekkelig — den dempet til og med elevenes oppfatning av AI for samfunnsnytten noe — mens pedagogisk AI-kunnskap (TPAIK) var det som fremmet elevenes oppfatninger og atferdsmessige intensjon om å lære AI. Resultatet kan sammenfattes i retningslinjen «pedagogikk først, teknologi nest», som gir gjenklang i funnene om mediering ovenfor.

  • Etikk som en integrerende mediator, ikke en grense. I en undersøkelse av 454 universitetslærere hadde isolert AI-teknologisk kunnskap en negativ direkte sammenheng med integrert AI-TPACK (β = −0.303), mens totaleffekten forble positiv (β = 0.639), og gikk gjennom pedagogisk, faglig og etisk kunnskap (Chen et al. (2026)). Etisk kunnskap ledet også effekten videre og forutsa både pedagogisk (β = 0.353) og faglig kunnskap (β = 0.269).

  • En gjennomgangslinse for hele feltet. En systematisk gjennomgang fra et TPACK-perspektiv (Liu & Zhong, 2025) analyserte 71 empiriske studier av GenAI i elevers læring, fant en samlet positiv effekt (Hedges' g = 0.752) og identifiserte GenAI-kompetanse for elever og GenAI-TPACK-profesjonell utvikling for lærere som feltets to kritiske prioriteringer.

  • Ferdighet alene forutsier ikke pedagogisk integrering. Choi et al. (2026) målte lærernes Intelligent-TPACK for å segmentere deltakerne og observerte at selv AI-flytende nybegynnere lente seg passivt på AI-resultatet under leksjonsdesign, mens erfarne lærere — med lavere målt AI-TPACK — kritisk gjenopptok og tilpasset AI-forslag til pedagogisk kontekst. Resultatet forsterker mønsteret ovenfor: AI-TPACK oversettes til god klasseromsbruk gjennom erfaren pedagogisk dømmekraft, og Teacher Education-støtte må derfor rette seg mot anvendelsen av AI-kunnskap, ikke mot å bare besitte den.

  • Lærerutdanning som kontekst. TPACK er instrumentell for å dyrke lærernes kompetanse til å integrere teknologi i læreplanspesifikk undervisning, og det er derfor lærerutdannings- og PD-forskning (f.eks. intensive GenAI-PD-programmer, AI-TPACK-beredskap blant lærerstudenter) i økende grad måler det som utfallsvariabelen av interesse.

  • Pedagogisk kunnskap medierer GenAI-integrering. Mohebi og ElSayary (2026) undersøkte 325 yrkesaktive lærere i 26 land og intervjuet sju, med et forklarende sekvensielt mixed-methods-design for å modellere TPACK-GenAI. Teknologisk kunnskap (TK), pedagogisk kunnskap (PK) og pedagogisk fagkunnskap (PCK) var hver assosiert med samlet TPACK-GenAI, men teknologisk pedagogisk kunnskap (TPK) medierte disse koblingene — evidens for at bevegelsen «fra ferdighet til pedagogikk» betyr noe: å oversette GenAI-ferdighet til god klasseromsbruk går gjennom pedagogisk-teknologisk integreringskunnskap, ikke gjennom verktøykjennskap alene.

  • I høyere utdanning overføres ikke fagekspertise til GenAI-integrering. Sutedjo, Chowdhury & Liu (2026) tilpasset TPACK-21-instrumentet for å undersøke 127 fakultetsansatte ved et amerikansk forskningsuniversitet om bruk av GenAI til å undervise i det 21. århundres ferdigheter. De ansatte rapporterte sterk CK (M = 5.15) og PCK (M = 4.70), men lav teknologintegrert kunnskap — TPK (M = 2.62), TCK (M = 2.75) og samlet TPACK (M = 2.55, det laveste domenet) — og CK viste ingen signifikant korrelasjon med TK eller noe teknologintegrert domene (r = .11–.15, ns). De tre teknologintegrerte domenene korrelerte så sterkt seg imellom (r = .81–.91) at de kan fungere som én enkelt GenAI-integreringsfaktor. Resultatet forsterker designprinsippet om å trene skjæringspunktene: fakultetsutvikling må bevisst bygge GenAI-integreringskunnskap gjennom fagspesifikke aktiviteter i stedet for å anta at fagekspertise overføres av seg selv, og behandle de teknologintegrerte domenene som et felles grunnlag for GenAI-kompetanse.

  • Institusjonell modus og opplæringsnivå samvirker. Mnguni et al. (2026) sammenlignet 186 avgangsstudenter i naturfag ved et sørafrikansk campusbasert universitet (n = 85) og et fjernundervisningsuniversitet (n = 97). Selvrapportert TPACK var høyere på campus (64.0 % mot 47.4 %), pedagogisk kunnskap var det minst rapporterte domenet i begge grupper (53 % på campus), og nivået av AI-opplæring var assosiert med selvrapportert TPACK bare ved fjerninstitusjonen, der fullføring av et fempoengs kortkurs forutsa svakere rapportert TPACK enn ingen opplæring i det hele tatt (p = .039, mot p = .607 på campus). Beredskap følger altså institusjonens tilbudskontekst snarere enn antall opplæringstimer alene, og forfatterne advarer om at selvrapportert beredskap ikke kan erstatte prestasjonsbevis.

En utfyllende måleadvarsel kommer fra samme forfatters kapasitet–beslutningsmodell: når TPACK selvrapporteres og opplevd atferdskontroll måles som Self-Efficacy, kan de to ikke skilles empirisk, så en studie kan ikke avgjøre om kapasitet eller generell selvtillit forutsier intensjon (Mnguni (2026)).

  • Integrert TPACK beveger seg mest når AI bygges inn som stillas i autentiske problembaserte oppgaver. Chen og Osman (2026) sammenlignet en åtte ukers AI-støttet CTD-PBL-modul med konvensjonell undervisning for 130 tredjeårs fysikklærerstudenter i et kvasi-eksperimentelt design med intakte klasser (65 per betingelse), der gruppene brukte DeepSeek gjennom oppgavespesifikke promptmaler og hvert AI-resultat måtte passere menneskelig verifisering før det gikk inn i en undervisningsartefakt. Modulgruppen rapporterte høyere TPACK etter testen (M = 4.04 mot 3.40, p < 0.001, d = 1.02) og høyere opplevd kollaborativ problemløsning (M = 3.62 mot 3.05, d = 0.88), med signifikante gruppe × tid-interaksjoner på begge utfall. Hvor gevinstene landet, er den TPACK-relevante detaljen: de største dimensjonale effektene var i de integrerte domenene — TPCK (d = 1.21), PCK (d = 1.06) og TPK (d = 0.95) — og samarbeidsgevinstene var tydeligst i felles kunnskapsbygging og sosial regulering, altså i skjæringspunktene snarere enn i grunndomenene. Forfatterne presenterer disse som differensielle endringer assosiert med en integrert undervisningsbetingelse, ikke som en AI-effekt: AI ble aldri isolert fra PBL-oppgavekjeden, strukturert samarbeid, instruktørstillas, medstudenttilbakemelding eller reflekterende revisjon, og begge utfallene var spørreskjemabaserte oppfatninger av kompetanse snarere enn demonstrert klasseromsprestasjon.

  • En intervensjon kan bevege grunndomenet først. Et seks måneders program for profesjonell utvikling bygget direkte på Intelligent-TPACK-rammeverket hevet teknisk AI-kunnskap mest (AITK: 3.92 til 4.43, t(63) = 3.856, p < .001, d = .48), teknologisk-pedagogisk kunnskap deretter (AITPK: d = .33) og integrert AITPACK minst (d = .26), mens etisk bevissthet ble liggende relativt uendret (Tan, Cheng & Ling, 2025). Rekkefølgen er speilbildet av Chen og Osmans gevinster i de integrerte domenene, og begge er selvrapportering.

AI-TPACK som mediator mellom kompetanse og klasseromsintegrering. En strukturlikningsmodell av kinesiske lærerstudenter i naturfag (Zou, Li, Wang & Du, 2026) plasserer AI-TPACK ikke som en parallell kompetanse, men som overføringsmekanismen som gjør generell AI-kompetanse om til undervisningspraksis. AI-kompetanse forutsa AI-TPACK sterkt, AI-TPACK forutsa på sin side naturfagundervisnings Self-Efficacy, og undervisnings-self-efficacy var den sterkeste enkeltprediktoren for intensjonen om å undervise gjennom AI-integrert utforskning.

Hele den serielle kjeden (AI-kompetanse → AI-TPACK → self-efficacy → intensjon) var signifikant, det samme var de separate indirekte rutene gjennom AI-TPACK og gjennom self-efficacy; samlet gikk det meste av AI-kompetansens sammenheng med intensjon gjennom disse mediatorene snarere enn direkte, og resultatet holdt etter kontroll for kjønn, studieår, studieretning og AI-bruksfrekvens. Modellens praktiske påstand er en sekvens med et inngangspunkt: AI-kompetanse er nødvendig, men utilstrekkelig, og integreringsarbeidet skjer der teknologisk, pedagogisk og faglig kunnskap kombineres — som også er der lærernes selvtillit i å undervise i faget bygges.

  • Validering som en fjerde kompetanse. Orhon, Cekerol og Ugur (2026) utvider modellen med AI-valideringskunnskap — å underlegge probabilistisk AI-resultat fagspesifikk verifisering før det behandles som bevis for en legitim beslutning — og kombinerer den med en prosessorientert rubrikk for designutdanning.

Hvorfor det betyr noe i AI-utdanning

TPACK er det organiserende rammeverket for lærersiden av kunnskapsbasens evidensgrunnlag. Det forklarer hvorfor læreres AI-kompetanse er mer enn flytende verktøybruk: lærere må integrere teknologisk, pedagogisk og faglig kunnskap sammen for å gjøre AI om til læringsutbytte. Kunnskapsbasens side om læreres AI-kompetanse dekker kompetansedimensjonene; TPACK er den kunnskapsstrukturen som ligger under dem. Forskning om læreres selvtillit, profesjonell utvikling og den skiftende lærerrollen opererer alle innenfor (eller mot) dette rammeverket. Rammeverket utvides nå til å evaluere hele programmer: Wu & Li (2026) bygger et AHP-Fuzzy-AHP-evalueringssystem for AI-sertifiseringsprogrammer på TPACK-dimensjoner og finner at fagpersonalets profesjonelle kompetanse — ikke teknisk infrastruktur — er det største gapet mellom ekspertenes prioritering og dagens tilbud, noe som signaliserer at sertifisering bør investere i lærernes integrerte pedagogiske kapasitet.

Medieringen går mest gjennom brukervennlighet. Zhao (2026) testet seks indirekte baner fra AI-kompetanse og TPACK til dyp læring hos 423 lærerstudenter: TPACK gjennom opplevd brukervennlighet var størst (0.212) og AI-kompetanse gjennom nytteverdi minst (0.033), så integreringskunnskap virket gjennom brukervennlighet snarere enn gjennom nytteverdi. Komponentene veier ikke likt i AI-tilfellet. Blant 988 lærerstudenter forutsa TCK (β = 0.67) og TPK (β = 0.41) integrert AI-TPACK, mens TK alene ikke gjorde det (β = −0.10, p = 0.066), og integrert TPACK forutsa holdning til GenAI (β = 0.75) (Khalil et al., 2026).

Designimplikasjoner

  1. Tren skjæringspunktene, ikke bare verktøyene. Profesjonell utvikling bør bygge teknologisk, pedagogisk og faglig kunnskap sammen i stedet for å tilby isolert verktøyopplæring — det sentrale TPACK-designprinsippet.
  2. Behandle AI som en agent, ikke et apparat. AI-TPACK utvider rammeverket mot orkestrering av AI-agenter, som krever systemtenkning og pedagogisk dømmekraft om når AI skal handle.
  3. Differensier profesjonell utvikling etter lærerprofil. Ulike lærerarketyper (optimerere, skapere, observatører) har nytte av ulik støtte — avanserte rammeverk, rask tilbakemelding eller eksplisitt modellering, henholdsvis.
  4. Vurder integrert kompetanse. TPACK-orienterte utfall (f.eks. gevinster i AI-PCK) bør måles som integrert kapasitet, ikke som selvrapportert verktøykjennskap.

Vanlige misoppfatninger

  • «TPACKs dominans gjenspeiler dens forklaringskraft.» Den dominansen er delvis en artefakt fra søket: i en PRISMA-scopinggjennomgang av 195 teknologistøttede lærerutdanningsstudier dominerer digital kompetanse, TPACK og DigComp den indekserte litteraturen. Forekomst i et søk er en egenskap ved vokabularet feltet bruker, ikke bevis for at rammeverket forklarer mer.
  • «Et velkjent rammeverk er et validert rammeverk for AI.» TPACK ble ikke designet for AI-spesifikke kapasiteter, og det er derfor Intelligent-TPACK ble utviklet — og det forekommer i bare fem studier i gjennomgangen av 78 studier. Å bruke TPACK for GenAI-kompetanse strekker det utover dets konstruksjon.
  • «Å anvende et rammeverk betyr at forskningen er teoretisert.» Den samme gjennomgangen fant at 76 % av studiene utledet kompetanser fra praksis uten noen teoretisk kartlegging, så TPACKs tilstedeværelse i feltet eksisterer side om side med at det meste av forskningen er uten teori. Et navngitt rammeverk er ikke det samme som et rammeverk som gjør arbeid.

Tilknyttede begrep

Tilknyttede artikler

Tilknyttede FAQ

Metadata

Tiltenkt målgruppeFaculty Developers, Instructors
Teknologier og teknikkerGenerative AI
Grunnlaget for AI i utdanningAI-kompetanse, Læreplansdesign, Utdanningsutvikling, Læringsdesign, Undervisning, Teknologisk pedagogisk fagkunnskap (TPACK), Læreres AI-kompetanse
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.