AIEd-kunnskapsbaseAIEd KB
På denne siden

Alle numre

Ukentlig forskningsoppdatering om AI i utdanning #2

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

Et ukentlig sammendrag fra kunnskapsbasen om AI i utdanning, om hva forskningen som ble publisert den siste uken, betyr for undervisere, utviklere, forskere og administratorer.

Siden forrige nummer har 121 nye studier, fire nye ressurser, fem nye FAQ-er og to nye begrepssider, om åpen utdanning og statistikk- og datavitenskapsutdanning, kommet til kunnskapsbasen, som nå rommer 1 926 artikelsammendrag, 222 begrepssider, 42 FAQ-er og 37 ressurser. Journalsiden lister hver studie som er lagt til den siste uken. De kan også søke i kunnskapsbasen eller bruke AI for å chatte med den.

Innhold

Hovedfunn og spørsmål

Mesteparten av ukens resultater handler om arbeidet som skjer rundt et svar, og hva man bør endre når svaret kommer for raskt eller for selvsikkert. To eksperimenter isolerte den samme mekanismen i forskjellige rom.

En forhåndsregistrert studie med 317 voksne ga den samme dybdeprosesseringsoppgaven som et arbeidsark eller som et åpent chatvindu, og chatvinduet økte oppgavedesorganisering med 0,84 standardavvik uten at noe i modellen forklarte det, så løsningen er struktur rundt sekvensering og stopp fremfor mer innholdsstøtte. En forumstudie fant at en AI-undervisningsassistent svarte først i 97 % av trådene studentene startet, i median 0,92 minutter mot 490 for medstudenter, mens det selvregulerende språket i tråden falt fra 49 % til 36 %, noe som peker mot å forsinke det første svaret snarere enn å fjerne assistenten.

Nye FAQ-er

Fem nye svar kom opp denne uken, hvert skrevet for et spørsmål en kollega faktisk stiller, snarere enn for et tema. FAQ-indeksen ble også gruppert på nytt i ni seksjoner etter oppgaven De prøver å fullføre, så spørsmålet De kommer med, er å finne uten å vite hva feltet kaller det.

Kan jeg bruke AI til å vurdere studentarbeid rettferdig og pålitelig?

Vurderingssvaret gir AI en plass som en overvåket andrereader på arbeid De allerede har vurdert, og ikke som den formelle vurdereren. Samstemthet overføres ikke mellom vurderingstyper, og kontrollen som så sterkest ut, ble kjørt med fasiten i hånden, noe som ikke er testen De kjører når De vurderer blindt.

Hvordan sjekker jeg om AI-genererte quiz- og eksamensspørsmål er gode?

Svaret om spørsmålskvalitet begynner med å løse hvert ledd selv og spør deretter hva det krever at en student gjør, fordi fasiter og oppgavekrav svikter oftere enn ordlyden. Et generert spørsmål ingen har svart på, er en kandidat, ikke en vurdering.

Hvordan kan AI støtte flerspråklige lærende uten å viske ut stemmen deres?

Det flerspråklige svaret ber Dem avgjøre hva språket gjør i oppgaven før De avgjør hva verktøyet får gjøre. Der språket er tilfeldig, kan AI fjerne en barriere som ikke har noe med konstruktet Deres å gjøre; der språket er konstruktet, gjør det samme verktøyet oppgaven for studenten.

Hva bør studenter lære for karrierer der AI er vanlig?

Karrieresvaret er å undervise hele den profesjonelle oppgaven og vurdere både det støttede produktet og det studenten kan gjøre uten hjelp. Evidensen støtter fagkunnskap pluss skjønn, verifisering og overføring, og den støtter ingen liste over verktøyferdigheter.

Hva betyr personlig tilpasset læring egentlig, og når hjelper det?

Personaliseringssvaret skiller fem ting som får samme merkelapp, fra å omorganisere øving til å la studenten velge hva den skal studere neste. Det som betyr noe, er hva som tilpasses, hvilken evidens som styrer det, og om det forbedrer læringen De hadde til hensikt, noe et kjent eksempel eller en responsiv samtale kan føles som uten å gjøre.

Begrep i fokus

Fem begrepssider tok opp ukens funn, to av dem nye. Hver er en stående side snarere enn en engangs, så den nye evidensen ligger ved siden av det siden allerede argumenterte for.

Åpen utdanning

Siden er ny, og den ble skrevet fordi tretten studier kom på én gang om hva generativ AI gjør med åpent lisensiert undervisning. Argumentet er at lisensen, snarere enn modellen, er det som skal undersøkes, og de to nye ressursene nedenfor beskriver begge institusjoner som tilpasser åpent innhold med AI raskere enn de kan registrere hvem som forfattet hva. Les siden om åpen utdanning før De skriver en AI-klausul inn i en OER-policy.

Kognitiv avlasting

Den skiller nå hva et verktøy avlaster, fra hvor mye en student brukte det, og det er skillet avlastingsstigen trekker opp og empatieksperimentene demonstrerer på et sted de færreste ville lete. Siden om kognitiv avlasting bærer også resultatet på 0,84 standardavvik, fordi det er den reneste kausale evidensen siden har.

Vurderingsskjønn

Den nye evidensen handler om hva en dommer blir bedt om å gjøre: vurderingsmetoder flyttet kjørestabiliteten fra 2,9 % til 15,9 %, og tretten modeller bøyde seg under studentmotstand med rater fra 46,5 % til 98,5 %. Siden om vurderingsskjønn behandler nå motstand mot en falsk korreksjon som en egen evne, atskilt fra å få svaret riktig.

AI-kompetanse

To resultater innsnevret konstruktet: kritisk tenkning gikk gjennom hvordan studentene fordelte og bearbeidet det kognitive arbeidet, ikke gjennom kjennskap til verktøy, og en rubrikk bygget fra 16 kjernepapirer viste hvor få ressurser som navngir kompetansen de hevder å bygge. Siden om AI-kompetanse beholder begge, fordi en kompetansetest og en kompetanseressurs måler forskjellige ting.

Den andre nye siden er statistikk- og datavitenskapsutdanning, hvis første argument er at fagets AI-spørsmål dreier seg om artefakten, siden datasett, diagrammer og kode nå kan genereres raskere enn noen kan validere dem.

For undervisere

Et åpent chatvindu trenger en stoppregel, ikke mer innholdsstøtte

Å pare en dybdeprosesseringsoppgave med et åpent chatvindu koster studentene grepet om selve oppgaven, og løsningen er stillasbygging rundt sekvensering og stopp snarere enn mer forklaring. I et forhåndsregistrert eksperiment med 317 voksne økte chatbetingelsen desorganisering med 0,84 standardavvik (kredibelt intervall 0,47 til 1,21) med en direkte effekt på 0,77 som ingen mediator i modellen forklarte, mens dybdeprosessering ikke beveget seg i noen retning (median minus 0,22, intervall som spenner over null).

Et første svar på under et minutt fjerner medstudentene som gjorde resonneringen

Utsett eller begrens assistentens første svar i et diskusjonsforum, fordi medstudentene som resonnerer høyt, er de som slutter å poste. På tvers av fire doktorgradskurs og 28 123 kodede setninger svarte en AI-assistent først i 97 % av trådene studentene startet, i median 0,92 minutter mot 490 for medstudenter, og det selvregulerende språket falt fra 49 % til 36 % mens medstudenters svar falt fra 91 % til 45 % av oppfølgingene, med medstudenters svar som bar omtrent 70 % av den reguleringen mot 27 % for studentene som åpnet tråden. Selvregulert læring i et forum produseres av svarene, ikke av svaret.

Prompttrening kjøper lærere tid, ikke bedre materialer

Budsjetter arbeid med læreres AI-kompetanse som en arbeidsbelastningsintervensjon, og ikke forvent at det hever kvaliteten på det lærerne produserer. I en randomisert studie med 204 lærere ga opplæring i promptskriving en tidsbesparelse på 21 % på toppen av vanlig ChatGPT-tilgang, uten gevinst i vurdert materialkvalitet, fordi trente lærere skrev lengre prompter og trengte færre forbedringsrunder.

En leksjonsassistent sparer tid på en tynn dose leksjoner

Prøv den for timene den gir tilbake, og ennå ikke for leksjonene den produserer. En uavhengig klyngerandomisert studie av Oak National Academys Aila fulgte 416 engelske grunnskolelærere og målte forberedelse til 2,51 timer i uken mot 3,32 uten verktøyet, omtrent 49 minutter i uken, mens den dekket 7 % av leksjonene og kvaliteten ble testet bare for ikke-underlegenhet, ikke forbedring.

Å henge AI på en åpen oppgave tilfører ingenting i seg selv

Finansier oppgaven med åpen utdanning som De allerede bruker, i stedet for å legge et verktøy til den og vente på en kompetansegevinst. To seksjoner av et innføringskurs i barns utvikling, 55 studenter som arbeidet som vanlig og 58 med generativ AI-søkeverktøy lagt til, rapporterte samme opplevde kildeferdighetsgevinst, 0,50 mot 0,48 på en fempunktsskala, med interaksjonsleddet nær null (F(1, 84) = 0,04, p = 0,85).

Velg en assistent etter hva den gjør når en student sier at den tar feil

Motstand mot en falsk korreksjon skiller modeller skarpere enn nøyaktighet gjør, så gjør det til det første De tester. På tvers av 200 verifiserte fagverksproblemer og tretten modeller gikk løsningsnøyaktigheten fra 64,5 % til 97,0 %, et spenn på 32,5 poeng, men fortalt at korrekt arbeid var feil, bekreftet modellene det med rater fra 46,5 % til 98,5 %, et spenn på 52,0 poeng, noe som hører hjemme i kontrollen av vurderingsskjønn De kjører før en utrulling.

Undervis AI-assistert skriving som en sjanger, og scorene slutter å overlappe

Å behandle AI-assistert skriving som noe som skal undervises snarere enn noe som skal overvåkes, hører hjemme i skriveopplæringen, og gapet det åpnet, var ikke marginalt. Posttest-gjennomsnittene var 9,8750 for seksjonen som ble undervist slik, mot 3,8125 for kontrollen, uten overlapp mellom de to fordelingene (Mann-Whitney U = 0,00, r = 0,86).

For utviklere

Bygg scenariet, ikke veilederpersonaen

Legg stillasbyggingen inn i scenariet og arbeidsbenken før De finpusser stemmen, fordi personaen ikke er der effekten bor. I to forhåndsregistrerte trearmede studier, 131 studenter i juridisk resonnering og 54 som fullførte en konkurranseprogrammeringsarm, nådde det strukturerte systemet 22,8 prosentpoeng mot 15,7 for en vanlig assistent, en fordel på 7,0 poeng (p = 0,018, d = 0,56), mens en LLM-som-lærer-persona over samme modell vant 2,8 poeng og ikke skilte seg ut (p = 0,121).

En veileder som navngir brute-force-løsningen først, styrer studentene feil

Revider hvilken løsning en veileder navngir, før De sender den ut på et problem med flere løsninger, og behold revisjonen i akseptansetestene for intelligent veiledning. På 150 problemer kjørt med simulerte studenter var brute force den navngitte tilnærmingen i 22,2 til 32,1 prosent av løsningsspesifikke åpninger mot 13,0 til 19,4 prosent for den optimale løsningen, og i utforsk-først-samtaler flyttet alle fire basismodellene studentene mot en dårligere tilnærming i 6,1 til 7,1 prosent av tilfellene.

Å telle AI-kall måler ingenting om fremgang

Interaksjonstellinger er det enkleste signalet en læringsanalyse-pipeline kan samle, og det svakeste å sette på et dashbord, så instrumenter utførelsestilstanden på begge sider av hvert kall i stedet. På tvers av 140 student–oppgave-par fra 35 studenter korrelerte AI-interaksjoner med vellykket utførte celler ved r = 0,12, og med berørte celler ved samme r = 0,12.

Vurder en økt etter hvordan den driver, ikke etter hvor mange spørsmål som ble stilt

En økt som glir mot svarjakt i andre halvdel, forutsier en dårligere posttest, og en obligatorisk tilstrekkelighetssjekk etter hvert svar er den billige intervensjonen. Fra 880 substansielle turer av 112 studenter i alderen 14 og 15 år la brattheten i hjelpsøkingsbanen til en endring i R-kvadrert på 0,110 til en modell som allerede holdt pretestscoren (beta = 0,34), mens statiske interaksjonstrekk la til 0,023 og mistet signifikans (p = 0,684), og 81,5 % av turene var forespørsler mot 2,2 % evaluering.

Scoringsregelen bestemmer en benchmark-score mer enn modellen gjør

Hvis testrammen Deres rapporterer ett tall, vet De ennå ikke hva det måler. De samme 2 250 dialogene mellom fem veiledere og simulerte studenter scoret 42,1 % under eksakt match og 81,3 % under en menneskekalibrert dommer, et spenn på 39,2 poeng som er større enn de samlede effektene av modell, strategi og pipeline, og fire dommere fra tre leverandører var enige innen 6 poeng mens strukturerte pipeline-etiketter ikke ga noen fordel (p = 0,263).

Vurderingsmetoden, ikke dommermodellen, bestemmer reproduserbarheten

Publiser en adjudikasjonserklæring som navngir metoden, testrammen, en gjentatt kjøring og hvor mange vurderte ledd som ligger bak hver påstand, fordi metoden er det som flytter resultatet. Gjentatte kjøringer endret 2,9 % til 6,1 % av utfallene under en semirigid rubrikk og 13,5 % til 15,9 % under fri holistisk vurdering, mens å bytte dommermodell bare flyttet omtrent tre poeng.

En AI-medstudent som er enig i alt, mister brukerne sine

Konfigurer agenter til å holde usikkerhet og avslå enighet som standard, siden tillitskalibrering er en atferd De skriver, ikke en egenskap en modell har. Sju eksperter brukte 20 minutter hver i studentrollen med en agent som hadde rollen som medstudent, og det som gjorde at den ble lest som en medstudent, var sosialt: tentativ resonnering og bevisst ufullkommenhet bygget tillit, mens blind enighet med alt den lærende sa, ødela den.

For forskere

Planlegg for en liten effekt, ikke for det publiserte gjennomsnittet

I en ny setting er hovedeffekten av generativ AI i undervisning ikke den De bør planlegge etter, så pilotér før De skalerer. En metaanalyse på tre nivåer av 58 studier og 6 941 deltakere samlet seg til g = 0,864, og rapporterte deretter heterogenitet nær 87,9 %, et prediksjonsintervall fra minus 0,213 til 1,942 og en skjevhetskorrigert effekt på g = 0,258; trykk det intervallet ved siden av det samlede anslaget der en leser ikke kan overse det.

Kritisk tenkning følger arbeidsdelingen, ikke kjennskap til verktøy

Tildel en eksplisitt arbeidsdeling og krev at studentene bearbeider utdataene, fordi erfaring med generativ AI bare nådde kritisk tenkning gjennom de to veiene. Blant 891 studenter i USA og Tyrkia bar spesialisering og koordinering av kognitivt arbeid b = 0,636 og reflekterende transformasjon av utdata b = 0,367, uten signifikant direkte vei, noe som gjør kognitiv avlasting-spørsmålet til et designvalg snarere enn en advarsel.

Et mindre utdanningsgap i AI-bruk er ikke rettferdighet

Ikke les et smalere bruksgap som fremgang, og ikke bygg tilgangsmål på et binært ledd om siste tre måneder. Ved å matche 16 europeiske land ved deres adopsjonsrater i 2025 mot deres eget internettæra-år falt median gapet mellom de mest og minst utdannede fra 56,4 poeng til 28,6, negativt i 15 av 16 land (p = 0,0005), men sammensetningsbevisst matching krymper endringen til minus 11,5 og minus 10,0, så en rettferdighets-påstand trenger et sterkere instrument.

Lav bruk er ikke lav vilje

Finansier tilgang og grunnleggende ferdigheter for de eldste og minst utdannede snarere enn en kampanje om tillit, fordi bruk og tillit reiser hver for seg. I 2025 hadde 48,4 % av danskene og 17,8 % av rumenerne brukt generativ AI de siste tre månedene mot 32,7 % i EU, likevel vurderte rumenerne tilliten sin til 4,1 mot 3,8 på en sjuerskala, og 47 % av dem kalte gjeldende lover og sikkerhetstiltak tilstrekkelige mot 36 % av danskene.

Avlasting er bare erosiv når den omgår målet

Spør hvilke kognitive operasjoner et verktøy avlaster, snarere enn hvor mye en student brukte det. Avlasting hjelper når den tar på seg arbeid som er perifert til læringsmålet, og risikerer erosjon når den omgår prosessering som er konstitutiv for målet, og å bearbeide utdataene etterpå kan redde en ellers konstitutiv avlasting; sju betingede påstander erstatter én retningsbestemt påstand, og regulering av avlasting blir en lærbar dimensjon ved AI-kompetanse.

Sentimentverktøy mister omtrent halvparten av de negative svarene

Behandle automatisert koding av åpen tekst som et validitets-argument snarere enn et verktøyvalg, fordi nøyaktighet skjuler nettopp tilfellene De ville handle på. Mot 1 220 håndkodede svar nådde den beste transformeren 0,79 nøyaktighet, men bare 0,42 kappa, og fanget omtrent halvparten av de negative tilfellene, mens leksikonverktøy feilklassifiserte omtrent én av fem, i et korpus som var 76,5 % positivt.

For administratorer

Spør hva chatboten sender før De lisensierer den

Krev en inventarliste over tredjepartsskript før De lisensierer eller hoster en kurschatbot, og spør spesifikt hvilke tagger som kan lese sidetittelen, URL-en og inndatafeltet. Instrumentering av 42 plattformer fant 21 som sendte samtaletitler til minst én tracker og ni som overførte prompten ordrett, 11 av de 13 lekkende allmennplattformene sendte også registrerings-e-posten, og utdanningsplattformer hadde i gjennomsnitt omtrent 367 trackerforespørsler hver, med 24 % som bar brukerinnhold.

Kodifisert gjenkalling er den delen av en kvalifikasjon som taper verdi

Beskytt veiledet praksis og skjønn under usikkerhet, og les implikasjonen for læreplansdesign før implikasjonen for programmarkedsføring. En difference-in-differences over 655 919 undersøkelsesobservasjoner fra 2018 til juni 2026 fant at avkastningen av et skoleår i de mest AI-eksponerte yrkene falt 0,55 loggpoeng etter november 2022, omtrent 7 % av nivået før sjokket, mens avkastningen av erfaring steg 0,26 loggpoeng ved tre år og falt 0,12 ved tjuefem.

Å kalle chatboten empatisk flytter empatien bort fra mennesker

Posisjoner systemet som triage som sender studenter tilbake til mennesker, og følg med på hjelpsøking som atferden som stille forsvinner. På tvers av fire studier med 249, 494, 743 og 737 deltakere økte det å ramme inn AI som empatisk viljen til å avlaste empatisk ansvar (total effekt 0,83), helt gjennom opplevd kapasitet (indirekte 0,73), og å høre at en medstudent hadde tatt et problem til ChatGPT senket nøyaktigheten i følelseslesing til 7,13 riktige av 12 mot 7,73 (p = 0,012).

Benchmarker bestått, barn fortsatt skadet

Evaluer på økt- og institusjonsnivå snarere enn ved API-et, fordi et filter per utdata ikke kan nå en følgesvenninteraksjon der ingen enkelt tur krysser en terskel. Kodet fra 1 331 rapporterte barnrelaterte hendelser er seksualisering den største skadetypen med 316, foran seksuell utnyttelse med 131, og skadene klynger seg med utrulling, styring og misbruksfeil snarere enn med modelldefekter.

Skriv integritetspolicy for den tilfeldige, konflikterte brukeren

Navngi nektelse, støtte og substitusjon som tre populasjoner den samme oppgaven møter, fordi nesten ingen er daglig bruker. To anonyme undersøkelser ved ett britisk universitet fant at 81,05 % av 94 førstårsstudenter hadde brukt et generativt AI-verktøy for å hjelpe til med en innlevering, mot 4,21 % som rapporterte daglig bruk og 9,47 % som rapporterte ingen, noe som gjør akademisk integritet til en policy for midten av en fordeling snarere enn en splittelse mellom jukser og ikke-jukser.

Etikkmoduler underviser ikke i hvor dataene kommer fra

Legg til en oppgave i opphavsrevidering i etikkmodulen De allerede kjører, noe som er en endring i læreplansdesign snarere enn et nytt kurs. En kartlegging av 36 programmer ved 21 universiteter fant etikk undervist i 29 (80,6 %), men dataopphav på forfatternes nivå i 8 (22,2 %), uten at noe master- eller etterutdanningsprogram oppfylte det, og 22 av de 29 programmene som dekket etikk, manglet opphav helt.

Nye ressurser

Fire ressurser kom til ressursbiblioteket denne uken, og alle fire beskriver en institusjonell beslutning snarere enn et klasseromstriks.

Learning Design Wiki

Learning Design Wiki er en åpent lisensiert referanse som deler undervisningsdesign i prinsipper, elementer, mønstre og strategier, hver knyttet til siteringene bak, og dens egen evidensrapport sier at 98 % av påstandene hviler på én studie. Språkmodeller vedlikeholder den under én menneskelig vedlikeholder, og ingen side er kontrollert av et menneske, så det er et sett godt kildebelagte spor, ikke funn.

teacher.dev

teacher.dev er en ideell organisasjon som lanserer én gratis klasseromsapp om dagen, 34 så langt, hver rettet mot et enkelt øyeblikk, som en utskrivbar figur- og diagramgenerator eller en First/Then-tavle for spesialundervisning. De fleste kjører lokalt først uten konto, så ingen elevdata forlater enheten.

AI + OER Case Studies: A DOERS Project

AI + OER Case Studies er en åpen antologi med elleve case om hvor generativ AI møter åpent lisensierte ressurser i høyere utdanning, fra et føderert universitet som utformer veiledning under en fagforeningsavtale, til en lærebokrevisjon med menneske i loopen. Ingen to kapitler deler et instrument, så det er praksis å tilpasse snarere enn evidens å sitere, og samlingen er CC BY 4.0 mens hvert kapittel har sin egen lisens.

Integrating AI in TVET: a practical guide for institutions

Integrating AI in TVET er en UNESCO-UNEVOC-veiledning fra 2026 for institusjoner som utdanner teknikere og fagarbeidere, og det brukbare materialet ligger i tre vedlegg: et selvrefleksjonsverktøy for beredskap, et risikoregister og et indikatorrammeverk. Den rapporterer ingen utfallsdata og kaller sin egen modenhetsskala et diskusjonsgrunnlag, så bruk den til å strukturere en første institusjonell beslutning snarere enn å rettferdiggjøre en som allerede er tatt.

Også lagt til denne uken

De andre studiene, med metoder og sammendrag, er listet dag for dag på journalsiden.

Notater fra nettstedet

Alle 222 begrepssider har nå en seksjon om vanlige misoppfatninger som navngir den gale oppfatningen en leser kanskje allerede har, og korrigerer den med evidensen på den siden.

Hver FAQ ble skrevet om denne uken, og fem nye kom til, slik at samlingen nå er 42 svar skrevet for spørsmålet en kollega faktisk stiller, snarere enn for et tema. Indeksen grupperer dem i ni seksjoner etter oppgaven en leser prøver å fullføre, så det å komme med et spørsmål ikke lenger krever å vite hva feltet kaller det.

Oversettelsene beveget seg lenger enn engelsk gjorde: de tolv begrepssidene i Essentials-seksjonen og alle FAQ-ene er nå oversatt i sin helhet på alle språk.

Hvert språk har sin egen startside, og seksten av dem leverer også en nedlastbar EPUB og PDF:

Alt ovenfor er offentlig på github.com/edtechdev/aied.

Følg oppdateringen

Få hvert nummer gjennom nyhetsbrevstrømmen i en strømleser, ved å lime den samme strømmen inn i Blogtrottr for å få nye nummer sendt på e-post etter en tidsplan De velger, eller ved å følge den på LinkedIn, der hvert nummer publiseres som et LinkedIn-nyhetsbrev.

Ukentlig forskningsoppdatering om AI i utdanning kommer fra kunnskapsbasen om AI i utdanning, som en AI-agent genererer. Dette nummeret ble skrevet av den samme AI-agenten, med redaksjonell veiledning fra utvikleren av nettstedet, og hver påstand ovenfor lenker til siden den kom fra.

Kunnskapsbasen er viet til offentlig eie under en CC0 1.0-lisens. Ingen rettigheter forbeholdt.

Fant De en feil i innholdet? Rapporter den på GitHub, eller kontakt utvikleren av nettstedet, Doug Holton.

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.