Hvilke ti hovedfunn fra forskningen på AI i utdanning bør undervisere kjenne til?

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

Det er uken før semesterstart, eller uken etter den første store innleveringen, og noen har spurt deg om noe du ikke kan svare på ut fra erfaring: hva studentene kan gjøre med AI på denne oppgaven, og hva karakteren da beviser. Kanskje en hjemmeeksamen kom tilbake polert på en måte som ikke stemmer med studentens tidligere arbeid. Kanskje instituttet ditt skriver en AI-policy og vil at emnet ditt skal følge den innen fredag. Kanskje en student klager på en karakter, og du kan ikke vise hva arbeidet demonstrerer.

Bunnlinjen fra forskningen denne kunnskapsbasen har samlet, er denne: hvordan du bygger generativ AI inn i aktiviteten, avgjør om den styrker tenkningen eller erstatter den. Spaken du kontrollerer, er utformingen av oppgaven. Testen på enhver utforming er hva studentene fortsatt kan gjøre når verktøyet er borte. De ti funnene denne siden er oppkalt etter, står nedenfor, sortert etter hvilken beslutning hvert av dem gir grunnlag for.

Kortversjonen

1. Navngi tenkningen oppgaven finnes for å frembringe, og gi AI en jobb som ikke utfører den tenkningen.

2. Sett AI-regelen per oppgave i stedet for per emne, og skriv begrunnelsen ved siden av der studentene leser den.

3. Legg inn minst ett vurdert trinn i hver enhet som studenten fullfører uten AI til stede.

4. Vurder aktiviteten etter hva studentene kan gjøre uker senere, uten hjelp, ikke etter kvaliteten på det de leverer inn.

5. Spør hvordan studentene brukte verktøyet, og vurder verifiseringen i stedet for innloggingene.

6. Se på hvilke studenter utformingen hjelper, for et gjennomsnitt skjuler dem den dropper.

Bestem hva oppgaven er til for

Skriv én setning som navngir kompetansen før du tar i verktøyet: hva skal en student kunne gjøre ved slutten av denne enheten som de ikke kunne ved starten? Svaret kan være: bygge et argument ut fra evidens, skrive et bevis, komme fram til en diagnose, ta en designbeslutning under begrensninger. Hvis du ikke kan navngi det, blir AI-regelen vilkårlig, og studentene kommer til å merke det.

To forskningslinjer forklarer hvorfor dette kommer først. Produktiv feiling er funnet at lærende ofte husker mer når de prøver seg på et problem før de får se hvordan det gjøres, så friksjon er noen ganger mekanismen og ikke en hindring som skal fjernes. ICAP-rammeverket forutsier ulik læring fra passiv, aktiv, konstruktiv og interaktiv bruk av det samme materialet. Begge peker på ett utformingsspørsmål: hva gjør studenten mens verktøyet er åpent?

Det klareste eksempelet i korpuset kommer fra en sammenligning av en teorinformert chatbot som støttet studentenes forklaringer, mot vanlig ChatGPT og undervisning som vanlig. Forskjellene med en gang var ikke signifikante. Fire uker senere satt den støttede gruppen igjen med mer begrepskunnskap. Det er én studie og ikke en universell effekt, og det nyttige innholdet er formen på resultatet: utforming kan veie tyngre enn modellkapasitet, for det som skilte betingelsene, var hva aktiviteten ba studentene gjøre.

Systematisk gjennomgang av 72 fagfellevurderte studier i datavitenskapsutdanning kommer til samme lag fra motsatt side. Den kaller kritisk engasjement med AI-output «den felles mekanismen som knytter sammen hver effektiv intervensjon i korpuset», og anbefaler gradvis tilgang, der generativ AI først introduseres etter at grunnleggende kompetanse er vist. Ingen av påstandene handler om hvilket produkt du lisensierer.

Gi AI en jobb som ikke er tenkningen du vurderer

Tiår med forskning på intelligent veiledning beskriver mønsteret som virker: diagnostiser hva studenten forstår, still spørsmål, gi gradvise hint, be dem forklare, gi tilbakemelding. Alt unntatt å overlevere løsningen. Nåværende arbeid med pedagogiske agenter trekker den samme grensen mellom undervisningsatferd og svareproduksjon, og Thermomix-analogien gjør det konkret. Én maskin kan lage maten for deg, og da mister du ferdigheten, eller den kan være en testpartner for ideer du fortsatt må skape mening i. De modusene svarer til ICAP: passiv, aktiv, konstruktiv, interaktiv.

Smalere verktøy viser samme prinsipp. En veileder som leser ingeniørtegninger strukturelt nådde 93,0 % F1 på kantnivå mot 89,3 % nøyaktighet på hele tegningen, som betyr at den kan navngi de spesifikke manglende eller feilleste sammenhengene selv når hele tegningen er feil. Det er tilbakemelding en student kan handle på, i stedet for bestått eller ikke bestått.

Det vanskeligere spørsmålet er hva veilederen har lov til å anbefale. Da en debatt mellom flere agenter erstattet «her er AI-ens svar» med en diskusjon der dens egen foretrukne posisjon ble holdt tilbake, falt skadelig bytte til en uriktig AI-posisjon fra 42-60,5 % til 5,7-8,2 %. Adopsjon av en korrekt AI-posisjon falt også, fra 61,1-72,3 % til 22,1-33,3 %. Å holde en anbefaling tilbake beskytter studentens opprinnelige vurdering og overlater korreksjonen til overlegget, så utformingen bytter feilkorreksjon mot færre skråsikre feilsteg. Bestem deg for hvilken av de to du vil ha fra utvekslingen før du skriver prompten.

I klasserommet er dette billig å gjennomføre. En sokratisk sekvens er mønsteret å sikte mot, med verktøyet som spør i stedet for å svare. Be studentene be om «ett hint», «still meg spørsmål» eller «kritiser resonnementet mitt», og gjør «løs denne» til unntaket. Du endrer samtalens standardverb, som er den delen studentene faktisk kontrollerer.

Én begrensning er verdt å si rett ut. Det meste av denne evidensen kommer fra korte oppgaver i en håndfull emner, og ingen av den lover at en hintgivende veileder vil løfte eksamenskarakterene i din gruppe. For det spørsmålet trenger du den randomiserte studien som diskuteres nedenfor, og resultatet der er edruelig.

Sett regelen for oppgaven, og si hvorfor

Et nyttig rammeverk skiller tre tilfeller. Begrens AI når uavhengig kompetanse er det du måler. Støtt det når avgrenset hjelp ikke svekker den kompetansen. Krev det når dyktig samarbeid mellom menneske og AI selv er det studentene må lære. De fleste emner inneholder alle tre, i ulike uker, og det er derfor én regel på emnenivå stadig feiler i kantene.

Den mixed-methods-studien av 85 lærerstudenter viser hva en regel uten begrunnelse produserer. 62,4 % av utvalget avsto fra å bruke generativ AI selv der det var tillatt, og 41,5 % av dem som avsto, oppga frykt for å bli beskyldt for plagiering. 9 av 11 intervjuede leste den tillatende policyen selv som en felle. I samme studie brukte bare 37,6 % tillatt generativ AI i det hele tatt, valgene deres fulgte programkulturen og vurderingsdesignet mer enn noe enkeltemnes tillatelse, og deres egne deklarasjoner underrapporterte faktisk bruk i hvert emne.

Les de tallene som en designbestilling. En tillatelse uten oppgitt formål ser ut som en felle, og et forbud uten oppgitt formål ser ut som en hindring å gå rundt. Det studentene responderer på, er resonnementet som er knyttet til denne oppgaven. Sett regelen i oppgavearket, én linje, og gjør linjen så spesifikk at en student kan avgjøre om hjelpen de er i ferd med å ta imot, undergraver det du vurderer.

Vurder noe studenten laget uten verktøyet

Dette er trinnet som gjør jobben, og evidensen her er den minst tvetydige på siden.

Gjennomgangen av 72 studier fant at generativ AI pålitelig økte kortsiktig fullføring og kuttet tidsbruk i 36 studier, som forfatterne behandler som det best replikerte resultatet i korpuset, og at disse effektivitetsgevinstene «ikke overføres til uavhengig prestasjon» i 21 studier. En tenke-høyt-studie av 38 studenter på bachelornivå viser hvordan det skjer i det vanlige tilfellet. Kognitiv avlasting er vanskeligst for læringen når AI-en utfører resonnementet studenten skulle øve på. Der ble 76,32 % i et mønster med ett spørsmål, ett svar, stopp, og bare 21,06 % vekslet mellom AI-bruk og uavhengig lesing og skriving. Den største gruppen, 31 av 38, beskrev meistringsmål, arbeidet i fragmenterte enkeltturer og rapporterte så overavhengighet, mental tilfredshet og rask glemsel; en av dem formulerte det som «hvor fort du glemmer det, er også veldig fort». En rammeverksartikkel fra 2026 gir mønsteret navnet sitt. Karakterer og produkter stiger mens det mentale arbeidet som gir varig læring, faller.

Den randomiserte studien avgjør argumentet for minst én setting. En trearms randomisert kontrollert studie med 275 CS1-studenter sammenlignet en hintgivende veileder som holdt fullstendige løsninger tilbake, ubegrenset ChatGPT og tradisjonelle nettkilder. Øvelsesskårene skilte seg skarpt: 71,84 % for ChatGPT mot 29,85 % for kontrollen uten AI, med den hintgivende veilederen på 57,50 %. Gevinsten i begrepskunnskap var ikke forskjellig mellom de tre armene i det hele tatt, på 0,83, 0,71 og 0,85 poeng (tid × gruppe p = 0,773). Begge AI-betingelsene kuttet frustrasjon og unødig belastning, og bare den hintgivende veilederen økte indre motivasjon. Verktøyet studentene vurderte som mer hjelpsomt og enklere, var også det som mest reduserte prosesseringen som gir læring.

Legg merke til hva den utformingen ikke kan underbygge. Det er ett emne, ett semester, ett språk, og øvelsesskårene er assistert prestasjon per konstruksjon, som er nettopp det målet studien advarer mot å stole på. Den viser ikke at veiledere er ubrukelige. Den viser at resultatmålet du velger å måle, avgjør svaret du får, og at studentenes preferanse ikke er et læringsmål.

Så vurder den uassisterte versjonen. Én oppgave per enhet der studentene henter fram, forklarer, løser eller forsvarer ideer uten AI til stede, og sett reelle poeng på den. Validitetsargumentet bak dette står i vurderingsvaliditet: et polert hjemmearbeid viser ikke lenger at personen som leverte det, har kompetansen arbeidet viser. Hvordan redesigner jeg vurderingen slik at karakteren fortsatt sier noe forsvarlig om hva studenten kan? går gjennom hele arkitekturen, inkludert det billige autentiserte trinnet for store kull.

Endre oppgaven du allerede har, ikke hele emnet

De fleste undervisere som stiller dette spørsmålet, bygger ikke et nytt emne. De har en semesteroppgave, en labrapport eller et oppgavesett som har fungert i årevis, og de vil vite hvor sømmen skal ligge. Ta oppgaven fra hverandre trinn for trinn, spør ved hvert trinn hva du vurderer der, og la svaret sette grensen. Det er metoden på oppgavenivå som er dokumentert i McCorkles arbeid med tilpasset emnepolicy, og én gjennomgang av din mest omstridte oppgave er vanligvis nok til å se formen.

En ti siders semesteroppgave skiller seg typisk slik. Temavalg og kildeinnhenting er der dømmekraften ligger, så et verktøy som foreslår en tese eller setter sammen leselisten, har utført den delen du vurderer. Syntese og argument er konstruktet selv. Sitatformatering, referansesjekk og språkvask er trinn der verktøybruk er usynlig for konstruktet ditt, og å forby det der gir deg ingenting annet enn irritasjon. Si det i oppgavearket, trinn for trinn, gjerne i en kort tabell.

Gjør så det midterste trinnet synlig. Be om en annotert begrunnelse på én side, levert sammen med oppgaven, som navngir to kilder studenten forkastet og hvorfor, én påstand de reviderte etter å ha sjekket, og hvor de valgte å ikke følge et forslag. Vurder den med samme spesifisitet som du bruker på prosaen. En begrunnelse har bare vekt hvis en student som hopper over den, taper mer enn de vinner på å hoppe over den, så gi den nok poeng til at regnestykket er åpenbart.

Et oppgavesett er enklere, og sømmen ligger et annet sted. Svarene er ikke konstruktet; metodevalg og feildiagnose er det. Krev det første trinnet i hver oppgave, med studentens egne ord, før noe verktøy åpnes, og kjør én oppgave fra settet i klassen med ingenting tilgjengelig. Det er en mindre endring enn det høres ut som, og den gjør settet om fra et produkt du ikke kan verifisere til et vitnesbyrd om hvordan studenten tenkte.

For en labrapport er sømmen vanligvis datatolkningen og feilanalysen. La verktøyet formatere tabellen og sjekke enhetene. Hold tolkningen, valget av hva som regnes som avvikende, og forklaringen på avviket fra det forventede resultatet i studentens hender, og vurder dem med poeng knyttet til.

Mønsteret generaliserer: lokaliser trinnet der kompetansen bor, beskytt det trinnet, frigjør resten, og legg prosessevidensen der poengene er. Det du unngår, er redesignet som endrer hvordan arbeid produseres uten å endre hva karakteren kan underbygge.

Vurder tilbakemeldings- og karaktersettingsverktøy etter senere prestasjon

AI-tilbakemelding kan være rettidig, spesifikk, skalerbar og akseptabel for studentene, også i høyere utdanning. Om den underviser, avhenger av nøyaktighet, pedagogisk passform og studentenes tilbakemeldingskompetanse, evnen deres til å vurdere tilbakemelding og handle på den. Hvis du vurderer den for tilbakemelding eller sensur, er tallene nedenfor de du bør ta med til innkjøpssamtalen.

En kritisk analyse av 14 institusjonelle veiledningsdokumenter fant at generiske prompter produserer læringsmål, aktiviteter og vurderinger hver for seg. Verktøyet kan ikke vite hvor sammenkoblet et tema er, så tilbakemeldingen blir generell i stedet for diagnostisk presis.

Konfigurasjon flytter kvaliteten, målbart. I en studie av AI-tilbakemelding på læringsmål forklarte modellen alene 26,9 % av variasjonen i tilbakemeldingskvalitet, og å legge til prompten løftet den til 42,8 %, altså 15,9 % ekstra. Det ene prompttrekket som betydde noe, var fagspesifikk terminologi; å bytte det ut med hverdagsparafraser gjorde tilbakemeldingen betydelig dårligere. Modellvalg betydde også noe: Claude 3 og Gemini Advanced produserte tilbakemelding som ble vurdert betydelig lavere enn ChatGPT-4.

Sensur er enda mer ustøtt. En sammenligning av 18 språkmodeller som sensurerte 6 081 programmeringsbesvarelser fant gjennomsnittskarakterer fra 0,290 til 0,608 avhengig av modellen, med eksakt samsvar helt nede på 0,20 for noen og 0,74 på det beste. To studenter med identisk arbeid kan få ulik karakter avhengig av hvilken modell instituttet lisensierte.

Så er det spørsmålet studentene bryr seg om, som er om tilbakemeldingen endrer hva de kan gjøre senere. En semesterlang utrulling i et matematikkemne på bachelornivå med 343 engelske og 236 nederlandske studenter genererte individualiserte kommentarer og øvingsoppgaver fra fotograferte besvarelser. Vurdererne rangerte øvingsoppgavene som sterkest og diagnostisk spesifisitet og klarhet som svakest. Den randomiserte crossoveren på koblede eksamensspørsmål fant ingen statistisk signifikant forskjell etter justering (pHolm = 0,104), og oppmøte fulgte eksamenskarakterene mye klarere enn eksponering for tilbakemelding gjorde (ρ = 0,49 og 0,54, begge p < 0,001). Tilbakemelding som studentene verdsetter og handler på, er ikke det samme som tilbakemelding som gir målbar læring.

Det er en ytterligere felle hvis du lar en modell sensurere. I en studie av 1 426 psykologidissertasjoner over ti studieår vurderte alle fire AI-sensorer student skrevet arbeid lavest og AI-skrevet arbeid høyest. 10 av 16 sammenligninger var store nok til at forskjeller av den størrelsen er sjeldne i utdanningsforskning, opp til det største gapet som ble observert, og skjevheten var sterkest for fullt AI-generert tekst. En sensor kan belønne tekst for å være maskinlik selv når instruksjonene sier at den skal vurdere innhold.

Skill studentene designet hjelper, fra dem det dropper

En gjennomsnittlig forbedring kan skjule et emne der de sterke blir sterkere og de svake får en dårligere avtale. Det digitale skillet går nå langs minst tre linjer: tilgang til verktøy, ferdighet i å bruke dem, og hvem som faktisk får et nyttig resultat. Promptferdighet alene gir et «promptprivilegium» der mer erfarne brukere får bedre output fra det samme systemet.

Gjennomgangen av 72 studier skiller to mekanismer. Et ferdighetsgap oppstår der studenter med sterkere forkunnskaper gjør hjelp om til varige gevinster, mens dårlig forberedte studenter erstatter praksis med den. Et ressurssgap oppstår der pålitelig internett og betalt tilgang gir bedre verktøybruk på tvers av institusjoner. Bare seks studier i korpuset undersøkte likestilling direkte, som forfatterne behandler som problemet og ikke en fotnote; likestilling i AI-utdanning er der argumentet utvikles.

Hjelp kan lukke et gap når studentene som trenger den, er de som bruker den. En studie med fire eksperimenter der lærende oppdager skjulte regler med hjelp fra en AI-agent fant at hjelpen kuttet antall trekk som trengs, med 33-52 %, og at gevinsten var konsentrert hos de svakeste, mens sterkere lærende i stor grad var upåvirket. Det er den håpefulle versjonen, og den avhenger av at studentene som trenger hjelpen mest, er de som bruker den godt, noe ferdighetsgapet tilsier at de ikke klarer uten undervisning.

Hold de konsekvensrike avgjørelsene hos et menneske

Læreres AI-kompetanse er ikke der policydebatten antar at den er. Blant realfagslærere som allerede hadde fullført AI-opplæring var gjennomsnittlig AI-kompetanse 16,7 av 30, under referanseutvalgets 18,79, og den var ikke knyttet til alder, kjønn, tjenesteår eller hvor mye de hadde brukt AI. En spørreundersøkelse blant 412 fremtidige matematikklærere fant beredskap på et tidlig stadium, med undervisningsoppfatninger høyest på et gjennomsnitt på 5,24 på en 7-punkts skala og teknisk AI-kunnskap lavest på 4,23.

Det er et argument for avgrensede verktøy, ikke autonome. Analysen av veiledningsdokumentene foreslår en institusjonelt konfigurert søkeutvidet agent som leder tenkningen uten å levere svar, flagger manglende samsvar og eskalerer til et menneske i kantene, med myndighet beskrevet som «avledet og avgrenset». Det finnes direkte evidens for å holde mennesker i loopen i stedet for foran den: et system for generering av kursmateriell skåret bedre når mennesker var involvert, og modusen med mest menneskelig innspill forbedret vurdererskårene med 0,5-0,9 poeng over den fullt autonome modusen. De autonome vurdererne klynget seg tett rundt 2,9-3,1 mens menneskelige evaluatorer spredte seg og skilte mer, så forfatterne beholdt menneskelig dømmekraft som det primære kvalitetssignalet.

Den praktiske versjonen for et emne: la AI utkaste, sortere og flagge. Hold nøyaktighet, rettferdighet, personvern og enhver beslutning om en students progresjon under meningsfullt menneskelig tilsyn. Risikoene som gjør dette nødvendig, er det kjente settet: skjevhet, personvern, åpenhet, lærendes autonomi, ansvarlighet og pedagogisk sikkerhet. Den listen er grunnen til at pedagogisk AI-kompetanse betyr mer enn teknisk kjennskap.

Hva undervisere tar feil om her

«Det polerte arbeidet foran meg er bevis for at studenten kan gjøre det.» Det er bevis for at arbeidet er polert. Spredningen på 71,84 % mot 29,85 % i øvelsesskår, med begrepsgevinstene flate i samme studie, og de 36 studiene i gjennomgangen som fant effektivitet uten overføring, beskriver alle avstanden mellom assistert prestasjon og kompetanse. Hvis arbeidet er det eneste du vurderer, er arbeidet alt du har målt.

«Hvis AI-en er en veileder, er den på riktig side av grensen.» Etiketten gir ingen garanti. I CS1-studien unngikk den hintgivende veilederen skaden som ubegrenset ChatGPT gjorde på øvelser, og ga fortsatt ingen begrepsmessig fordel over ingen AI i det hele tatt. Å holde det endelige svaret tilbake er ikke det samme som å holde resonnementet tilbake, og en veileder kan gjøre det andre mens den ser ut som den bare gjør det første.

«En detektor, eller en strengere regel, løser integritetsproblemet.» Deteksjon håndterer én respons av flere. Lærerstudentstudien fant at frykt for beskyldning dempet tillatt bruk, at programkulturen forutsa atferd bedre enn noen emnepolicy, og at egenerklæringer underrapporterte bruk i hvert emne. En strengere regel endrer hva studentene skjuler, ikke hva de lærer.

«Én AI-regel for hele emnet er rettferdig og enklere.» Enklere, ja. Evidensen taler for regler satt per oppgave, fordi de tre tilfellene, begrens, støtt og krev, lever side om side i de fleste emner, og den samme tillatelsen betyr ulike ting i en labrapport og i en refleksjon. Generelle standpunkter er også de studentene lettest går rundt.

«Studenter som sier verktøyet hjelper, lærer av det.» Tilfredshet er et selvrapporteringsmål, og i CS1-studien var betingelsen med høyest vurdering den som mest reduserte prosesseringen bak læring. Utrullingen i matematikk fant samme splittelse: tilbakemelding studentene verdsatte, ingen signifikant eksamensforskjell.

«AI-kompetanse er promptferdighet, og studentene plukker det opp ved å bruke verktøyet.» Rammeverk behandler AI-kompetanse som begrepsforståelse, operativ ferdighet, kritisk evaluering, etisk dømmekraft og bevissthet om begrensninger. Gjennomgangen er tydelig på at promptutforming, verifisering av output og analyse av AI-feil er lærbare ferdigheter som ikke utvikles gjennom eksponering. De opplærte realfagslærerne som skåret 16,7 av 30, er den empiriske versjonen av den påstanden.

«Likestillingsproblemet er tilgang.» Tilgang er én av tre linjer. Ferdighet og hvem som får et nyttig resultat er de to andre, og bare seks studier i korpuset undersøkte noe av det direkte. Å gi hver student en lisens løser den enkleste tredjedelen.

Hva som kommer tilbake på deg

«Studentene mine sier AI hjelper dem.» Det hjelper vanligvis med arbeidet de har foran seg, og funnet handler om hva som står igjen etterpå. Spør hva de fortsatt kan gjøre uten hjelp, og du får et annet svar, som er grunnen til at det uassisterte vurderte trinnet finnes.

«Jeg underviser 200 studenter. Jeg kan ikke lese utkast eller kjøre muntlige sjekker.» Du trenger ikke lese alt. Én anvendelse i klassen eller en kort innspilt forklaring i oppgaven med høyest innsats, pluss en stikkprøve på arbeid som ser inkonsistent ut med tidligere innleveringer, dekker det meste av risikoen. Trinnvise innleveringer, annoterte begrunnelser og prosessporteføljer skalerer; det gjør også vurdering av verifiseringen av et bevisst feilbeheftet AI-output.

«Deteksjon er alt vi har.» Detektorer har dokumenterte pålitelighets- og rettferdighetsproblemer, og validitet er det vanskeligere problemet: et polert hjemmeprodukt viser ikke lenger at personen som leverte det, har kompetansen. Prosessevidens er billigere enn et våpenkappløp og gir noe du kan forsvare i en klage.

«Å forby det er enklere.» Enklere, og det feiler vanligvis. Adopsjon i lærerstudentstudien fulgte programkulturen snarere enn noen enkeltemnes policy, og deklarasjon underrapporterte faktisk bruk i hvert emne. Et forbud fjerner også evnen din til å se hvordan studentene ville brukt verktøyet når de går ut.

«Jeg underviser ikke i AI. Dette er ikke faget mitt.» Funnene handler om faget ditt. Når AI utfører praksisen emnet ditt finnes for å gi, er det nettopp da den forstyrrer, og forstyrrelsen vises i vurderingene dine enten du nevner verktøyet eller ikke.

«Evidensen er for ny å handle på.» Delvis sant, og det skjærer begge veier. Mye av korpuset er korte intervensjoner, selvrapporteringsstudier, enkeltdisipliner eller arbeid fra 2025 og 2026, og påstander fra moden forskning på intelligent veiledning er sterkere enn påstander om ubegrensede generelle chatboter. Der en påstand nå har en randomisert studie bak seg, dissosiasjonen mellom prestasjon og læring i CS1-studien og tilbakemeldingsresultatet i matematikkutrullingen, er den studien sitert her. Der den ikke har det, bør du behandle funnet som den beste tilgjengelige veiledningen snarere enn fastslått lov, og være mest skeptisk til resultater som bare viser tilfredshet, oppgavetempo, outputkvalitet eller umiddelbar assistert prestasjon.

Hva du kan gjøre denne uken

1. Velg den ene oppgaven du er minst komfortabel med å forsvare. Skriv kompetansesetningen øverst i oppgavearket.

2. Legg til ett trinn som går uten AI til stede: en fem minutters anvendelse i klassen, en kort innspilt forklaring eller et avsnitt skrevet i rommet. Gi det reelle poeng.

3. Oppgi AI-betingelsen for den oppgaven og legg til én linje begrunnelse. Hvis oppgaven blander trinn, si hvilke trinn som er hvilke.

4. Skriv om én prompt du gir studentene, fra «løs denne» til «gi meg ett hint og still meg et spørsmål», og fortell dem hvorfor.

5. Før semesteret starter, ta endringen til programlederen din og til den som godkjenner tilrettelegging, slik at den første klagen ikke også blir den første samtalen.

Hvor du kan gå videre

For versjonen av disse misforståelsene, interessent for interessent, se Hvordan kan vi håndtere vanlige misoppfatninger om AI i utdanningen?. For designkravene som følger av funnene om likestilling og menneskelig dømmekraft, se Hvordan bør forskning på AI i utdanning ivareta rettferdighet, tilgjengelighet, personvern, etikk og pedagogisk trygghet?. Hvordan redesigner jeg vurderingen slik at karakteren fortsatt sier noe forsvarlig om hva studenten kan? tar vurderingshalvdelen videre, og Hjelper AI faktisk elevene mine å lære? er evidensgjennomgangen bak påstandene på denne siden. Hvis du velger mellom redesign og håndheving, er Hvordan kan jeg redusere AI-juks i emnet mitt? og Hvordan skriver jeg en AI-policy for emnet og kommuniserer den til elevene? følgesidene.