På denne siden

Ukentlig forskningsoppdatering om AI i utdanning #414. november 2026

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 tilført den siste uken, betyr for undervisere, utviklere, forskere og administratorer.

Siden forrige nummer har 199 nye studier, åtte nye begrepssider, to nye FAQ-er og tretten nye ressurser kommet til kunnskapsbasen. Den rommer nå 2 277 artikelsammendrag, 238 begrepssider, 46 FAQ-er og 53 ressurser. Søk eller bruk AI for å chatte med kunnskapsbasen.

Hovedfunn og spørsmål

Kan man stole på en gjennomsnittskarakter? To ChatGPT-versjoner vurderte de samme essayene og presset hver besvarelse mot midten: en som foreleseren vurderte til 50 og strøk, kom tilbake på 66, en på 80 kom tilbake på 67, så de svakeste og sterkeste studentene endte med samme karakter. Bruk AI-kommentarer til å hjelpe en student med å revidere, og la en person stå for den registrerte karakteren.
Hva skjer når oppgaven endres, men ikke karakteren? Universitetene byttet ut essay med presentasjoner og muntlige forsvar, men beholdt den samme enkeltkarakteren på vitnemålet. En student kan forsvare arbeidet sitt muntlig og likevel gå ut med ett tall som ikke sier noe om hvordan hen tenkte. Endre det vitnemålet rapporterer, ellers endrer reformen bare papirarbeidet.
Hjelper en chatbot studentene å forstå en tekst bedre enn å skrive notater? Studenter som skrev notater, lærte mer enn studenter som spurte en chatbot om samme tekst, og studentene med chatboten kopierte ofte chatbotens svar inn i notatene. De vurderte likevel chatboten som enklere, mer nyttig og mer morsom. Behold skriveoppgaven, for et verktøy som oppsummerer lesingen, gjør arbeidet som gir læringen.
Vurderer vi essayet eller tenkningen? Essayet var utformet for å vise et sinn som endrer seg mens det skriver, og å vurdere bare den ferdige teksten kastet det bort. Be om et førsteutkast, en kritikk av det, og en revisjon som sier hva som ble endret og hvorfor. En chatbot kan produsere sisteutkastet. Den kan ikke vise arbeidet med å komme dit.
Kan AI rette håndskrevne eksamener? Claude rettet håndskrevne eksamener nesten nøyaktig som foreleseren på flervalg og kortsvar, og fikk håndtegnede figurer riktig omtrent halvparten av gangene. La den forhåndsrette reproduksjonsspørsmål, og rett tegningene og skjønnsvurderingene selv.
Kan en chatbot gjennomføre en muntlig eksamen? En chatbot kan intervjue en student uten noen gang å se vurderingsmatrisen, mens en annen, skjult del av systemet vurderer samtalen, slik at studentene ikke kan prompte seg til poeng. Systemet deres vurderte for sjenerøst da det scoret hvert svar underveis. Vurder hele samtalen til slutt.

Stanfords evidensgjennomgang av AI i grunnskole og videregående ble oppdatert til november 2026-utgaven denne uken, og det kausale grunnlaget doblet seg til 52 studier. Å bruke AI til å forklare og veilede forutsier bedre læring, å bruke det til å produsere arbeidet forutsier dårligere, og ett forsøk fant at en generell assistent senket studentenes motivasjon.

Nye FAQ-er

To svar kom til FAQ-en denne uken. Begge handler om beslutninger som kommer før noen velger et verktøy.

Hva er alternativene og problemstillingene å vurdere når man tar i bruk AI-verktøy?

Adopsjonssvaret skiller tre beslutninger som en leverandørliste blander sammen: hvilke data som går inn i verktøyet, om institusjonen tillater det, og hvem som driver modellen. En gratis chatbot beholder samtalen på leverandørens servere. En campusgateway beholder den på Deres egne og kan stenge av tilgang. Start med dataspørsmålet, for det er det De ikke kan angre på senere.

Hva bør undervisere unngå å gjøre med AI?

Unngåelsessvaret navngir tre feil. Ikke bruk AI til å gjøre tenkningen en oppgave finnes for å lære bort. Ikke behandle klikk, tid på siden eller fullføring som bevis på læring. Og ikke skriv en regel som sier «bruk AI ansvarlig» mens De lar en oppgave stå som en chatbot kan fullføre på et minutt. Den siste er den vanlige feilen: en policysetning endrer ikke hva studentene kan gjøre. Det gjør oppgaven og evidensen De samler inn.

Nye begreper

Åtte begrepssider kom til kunnskapsbasen denne uken.

Skygge-AI er AI-bruk som skjer før noen godkjenner den. En foreleser skriver tilbakemelding i en personlig ChatGPT-konto, og institusjonen får aldri vite at studentarbeid har vært innom den.
Institusjonell AI-infrastruktur er rørleggerarbeidet bak AI-bruk på campus: hvem som får tilgang, hvilken modell som kjører, hva som logges, og hvem som betaler. Et eksempel er en universitetsgateway som gir hver avdeling en kvote og fører revisjonslogg.
Eksekutive funksjoner dekker planlegging, å holde informasjon i minnet og å stoppe en impuls. Tenk på en student som kan planlegge et essay, men mister tråden halvveis. Et verktøy kan støtte den planleggingen, eller gjøre den for studenten uten at noen merker det.
Utviklingspsykologi er studiet av hvordan barns tenkning endrer seg med alderen. En sjuåring kan trenge at verktøyet leser spørsmålet høyt. En syttenåring kan vurdere om svaret er noe bra.
Longitudinell forskning følger de samme studentene over måneder eller år. Spørsmålet er om skrivegevinsten fra oktober fortsatt er der i mai, ikke om den dukket opp på enhetstesten.
Empati skiller det å forstå hva noen føler fra å føle det sammen med dem. En chatbot kan skrive om en krass kommentar på en vennlig måte. Den kan ikke merke at studenten har sluttet å prøve.
Saksbasert læring underviser gjennom én bestemt situasjon som studentene må resonnere om. Se for Dem en pasient med brystsmerter og to prøvesvar som ikke stemmer overens. Læringen ligger i spørsmålene studentene stiller om saken, ikke i saksteksten.
Metaforer og analogier er bildene vi bruker for å forklare AI, som svart boks, hjelper eller speil. Kaller De det en veileder, forventer studentene at det kan svaret. Kaller De det en studiekamerat, er de mer tilbøyelige til å sjekke det.

Nye ressurser

Tretten ressurser kom til ressursbiblioteket denne uken.

Primer lar en lærer beskrive et rollespill eller en simulering på vanlig språk i stedet for å skrive kode, for eksempel en forhandlingsøvelse der AI-en spiller en vanskelig forelder.
Agentic Builds er et galleri med små apper lærere har bygget, med promptene bak dem som De kan kopiere til Deres egen klasse.
Vibe-Coding Center gir Dem tre instruksjonsfiler å lime inn i en kodeassistent, slik at nettappen den skriver, er tilgjengelig, privat og sikker nok for studenter.
AI Guidance by Age tar en rolle og et aldersspenn og foreslår hva studenter bør kunne gjøre med AI i den alderen, og sier hvilke deler som fortsatt er gjetning.
Voice-First Written Assessment lar studentene forklare svaret sitt muntlig, og deretter skrive en revisjon fra transkripsjonen, slik at tenkningen er dokumentert og skrivingen fortsatt skjer.
Amplify GenAI er Vanderbilts chatteplattform, som en campus kjører inne i sin egen skykonto, slik at studentsamtalene blir hos institusjonen.
conText er en taleveileder som stiller neste spørsmål i stedet for å gi svaret, og viser læreren veien studenten tok.
MindRouter er en portvakt foran campus-GPU-er, med kvoter per avdeling, enkel pålogging og en logg over hvem som brukte hva.
Moodle AI Text Question Type legger til et AI-rettet spørsmål i Moodle-quizer, med vurderingsmatrisen Deres skrevet inn i prompten og karakterer som går rett inn i karakterboken.
MyEssayFeedback lar studentene levere et utkast, lese AI-kommentarer på delene De velger, og deretter registrere hvilke kommentarer de godtar før de reviderer.
NowComment lar en klasse diskutere et dokument linje for linje, og nå kan en AI legge til et utkast til kommentar som studentene forventes å redigere.
Teacher Hive samler små lærerlagde apper som ikke trenger studentpålogging, publisert som eksempler andre lærere kan kopiere.
AI Tutor Pro and AI Teaching Assistant Pro er gratis studieverktøy med talesamtale, quizer og notattaking på åtte språk, for studenter som øver på egen hånd.

Én navneendring: ressursen EduPrompts het EduGems til denne uken. Promptsamlingen er den samme, og den ligger nå på eduprompts.ai.

For undervisere

Slutt å spørre om arbeidet er studentens, og spør hva det viser

Bayraktar argumenterer for at deteksjonsverktøy, forbud og omskrivinger i timen bare svarer på ett spørsmål: om et produkt ble laget selvstendig. De sier ingenting om studenten forstår det oppgaven skulle vise bevis for. Rammeverket som foreslås, beholder det ferdige arbeidet som én kilde blant flere og legger til evidens der konstruktet trenger det: en beslutningslogg, et kort notat om hvilke råd som ble avvist, et svar i en konferanse. Det gjør også AI-bruk i seg selv til noe studentene vurderer, for eksempel ved å peke på hvor verktøyets svar var feil.

Bestem hvilken læring oppgaven skal vise bevis for, før De velger mottiltak. Legg til én artefakt som lukker gapet, i stedet for å gjøre hvert kurs om til et porteføljekurs, og spør studentene hvor AI-en ikke var til hjelp. Et avsnitt om det er verdt mer enn en erklæring om bruk.

Se også: Å redesigne vurdering for AI-æraen

Behold oppgaven, legg til et papirspor

Winstone, Gravett og Elkington argumenterer for at de fleste universiteters svar på generativ AI er prat: trafikklys, erklæringer, regler for tillatt bruk. Deres Black Box Assessment beholder oppgaven og ber studentene levere vinduer inn i prosessen, som utkast, revisjonslogger og korte refleksjoner, med vurderingsmatriser skrevet om slik at revisjon gir uttelling. De rapporterer ingen pilot, og sier det.

Ta én oppgave og krev én prosessartefakt: disposisjonen, førsteutkastet eller et avsnitt om hva tilbakemeldingen endret. Vurder den artefakten mot et uttalt kriterium. Da har studentene en grunn til å føre opptegnelsen, og akademisk integritet bor i oppgaven i stedet for i en policysetning.

Se også: Å redesigne vurdering for AI-æraen

Lærertilbakemelding og AI-tilbakemelding kom likt ut

Meyer og kolleger randomiserte 391 studenter på 10. og 11. trinn i Tyskland til tre betingelser: tilbakemelding skrevet av læreren, umiddelbar AI-tilbakemelding, eller AI-tilbakemelding gitt sent, slik at kilde og timing kunne skilles. Hver standard sammenligning kom ut null. Revisjonene ble bedre, neste skriveoppgave skilte seg ikke, og tid på oppgaven, motivasjon og affekt var statistisk sett ikke til å skille mellom lærer- og AI-tilbakemelding.

Studentene vurderte umiddelbar AI-tilbakemelding som mer nyttig og mer motiverende enn lærertilbakemelding, men den forsinkede AI-gruppen fikk ikke de samme vurderingene, så fordelen kom fra hastighet, ikke fra hvem som skrev. Bruk AI-tilbakemelding når en lærer ikke kan svare raskt, og forvent at den holder nivået snarere enn å heve det. Sjekk om studentene forveksler en rask kommentar med en nyttig.

Se også: Å redesigne vurdering for AI-æraen

For utviklere

En veileder som gir etter når studenten sier «notatene mine sier noe annet»

Liu og Korolova kjørte elleve kommersielle modeller gjennom to simulerte matematikkveiledningseksperimenter for grunnskole og videregående: 400 spørsmål over en protokoll for svarsrevisjon på fem turer og 1 884 over en diagnoseprotokoll på to turer. Hvis studenten åpnet med et feil svar, falt nøyaktigheten på første tur med 5,5 poeng. Blant svarene som var riktige på første tur, fikk et bart «jeg er uenig» 5,2 % av svarene til å skifte til studentens feil valg, «notatene mine sier B» fikk 12,7 % til å skifte, og eksplisitt feil resonnement fikk 3,1 % til å skifte. Av de riktige samtalene som endte på feil svar, snudde 86 % ved første motargument. Å tvile på riktig arbeid kuttet også diagnosenøyaktigheten fra 66,5 % til 58,0 % og økte falske positive fra 33,5 % til 42,0 %.

Behandle en henvisning til autoritet som en forespørsel om å utlede trinnet på nytt, ikke om å svare igjen, og fullfør aldri en misoppfatningsdiagnose på arbeid studenten nettopp har tvilt på. Test veiledere i en skriptet dialog med flere turer og rapporter snurrate separat fra nøyaktighet på første tur, for to modeller med samme poengsum på første tur skilte seg med 7,5 poeng i hvor ofte de ga etter.

Se også: Å trene AI-veiledere til å veilede i stedet for å svare

Vurderingsmatrisen er måleinstrumentet, ikke modellen

Roy og kolleger viser at samme dommer sammen med to vurderingsmatriser gir to ulike målinger, og at en vag matrise som ber om svar som er «nyttige og faktakorrekte», kan belønne et polert svar som er feil. På tvers av fire offentlige preferansedatasett, seks matrisekilder og tre åpne dommere ledet ingen matrisekilde på alle akser: enighet mellom dommere, preferansetilpasning og motstand mot gaming. Å omorganisere kriteriene etter preferansedata hevet nøyaktigheten på holdout fra 65,0 % til 68,6 %, og å skrive om kriteriene for å lukke smutthull kuttet utnyttelsessuksess fra 46,4 % til 36,0 %.

Behandle vurderingsmatrisen som instrumentet og versjoner den sammen med modellen. Registrer matriseteksten, datoen og dommerkonfigurasjonen ved siden av karakterene, og test utnyttbarhet separat fra enighet: skriv noen svar som tilfredsstiller ordlyden mens de bryter intensjonen, og se om de scorer høyt.

Se også: Å sjekke om pedagogisk AI virker

Leseveilederen hjalp når studentene brukte den nok

En friskole ga hver lærer på første og andre trinn en veileder i fonikk og leseflyt og overlot bruken til lærerens skjønn. Studenter som brukte den mye, vant mer enn studenter som brukte den lite, med g = 0,56 på muntlig leseflyt. Sammenligningen mellom høy bruk og ingen bruk nådde ikke den korrigerte signifikansgrensen. Forskjellen mellom klasserommene kom ned til loggede minutter.

Logg minutter per student fra dag én og rapporter dem ved siden av utfallet. Er loggen tom, er det et funn om utrullingen, ikke om veilederen. Et distrikt som teller lisenser i stedet for bruk, vil se et flatt resultat og lære ingenting.

Se også: Å sjekke om pedagogisk AI virker

Copilot gjorde nybegynnere raskere og lot dem stå der de startet

Tjueto nybegynnere og programmerere på mellomnivå gjorde to kodoppgaver på 20 minutter, én gang med en menneskelig partner og én gang med Copilot, og gjentok så oppgavene alene omtrent en uke senere. Med Copilot scoret de 14 poeng høyere av 100 og rapporterte mye lavere mental belastning og innsats. En uke senere var fordelen borte: retestscorene var 4,8 poeng lavere, ikke statistisk forskjellige, og hver persons fall fra første økt var omtrent 19 poeng større etter AI-økten.

Legg til en retest uten hjelpemidler for enhver kodeassistent De bygger eller kjøper. Gevinsten De ser i klassen, kan være leid, og den er størst for studentene som allerede kunne mest. Å pare seg med en person ga lavere scorer og høyere arbeidsbelastning i denne studien, men også bedre engasjement og en tendens mot bedre retensjon.

Se også: Å designe AI inn i læring

For forskere

En strengere metaanalyse halverer veiledningseffekten

Leite og kolleger slo sammen 18 eksperimenter, 77 effektstørrelser og 11 intelligente veiledningssystemer brukt i amerikanske grunnskoler og videregående skoler. Gjennomsnittseffekten på prestasjoner var g = 0,271, godt under effektene tidligere metaanalyser rapporterte, fordi denne holdt seg til eksperimentelle design i ett nasjonalt system. Skoleslaget betydde noe: skoler på landsbygda viste g = 0,146 mot 0,298 i byskoler. Hvem som styrer støtten, betydde også noe, med gjennomarbeidede eksempler på 0,324 og hint på forespørsel på 0,316, og varigheten nådde toppen ved to uker til tre måneder (0,449) før den falt til en ikke-signifikant 0,110 utover seks måneder.

Behandle eldre effektstørrelser for veiledning som optimistiske til De har sjekket studiedesignet og settingen. Rapporter moderatorer i stedet for et samlet gjennomsnitt, og forvent at en utrulling på landsbygda med svak infrastruktur gir omtrent halvparten av den urbane effekten. Det neste funnet å teste er varighetskurven: nesten ingen evidens dekker et helt år.

Se også: Å sjekke om pedagogisk AI virker

Generativ AI hjelper språkstudenter mest når den gir tilbakemelding, ikke instruksjon

Zhang, Aubrey, Wu og Chiu slo sammen 67 effektstørrelser fra 48 kontrollerte studier med 5 196 lærende. Den ujusterte effekten var stor, g = 0,76, og falt til g = 0,57 da tre uteliggere ble fjernet. Rollen verktøyet spilte, forklarte mer enn gjennomsnittet: tilbakemelding og vurdering nådde g = 1,15, en samhandlingspartner 0,81, og en instruksjonell integrator 0,28. Studentstyrt bruk slo AI-ledet bruk, 0,92 mot 0,34. Randomiserte forsøk rapporterte større effekter enn kvasi-eksperimenter, 1,02 mot 0,48.

Spør hvilken rolle verktøyet spiller, før De spør om det virker. Hvis De slår sammen studier, modeller designtypen som en moderator, for den flytter estimatet like mye som intervensjonen. For et språkkurs er tilbakemelding og øving med studenten som styrer den konfigurasjonen evidensen favoriserer.

Se også: Å sjekke om pedagogisk AI virker

Hva AI-kompetanse betyr, avhenger av studentens alder

Guo, Ali og Wong leste 118 studier fra grunnskole og videregående og sorterte feltet i ni kategorier og 35 underkategorier. Deres PACES-rammeverk trinnlegger AI-kompetanse over fire skoletrinn, med argumentet at det en andreklassing trenger å vite, er kvalitativt forskjellig fra det en avgangselev trenger. Deres gjennomgang av validerte måleinstrumenter fant nesten bare ting rettet mot videregående, og ingenting som måler prosessen med å arbeide med AI.

Bygg et instrument som fanger det en student gjør med en modell: om de stiller et oppfølgingsspørsmål, sjekker en påstand eller reviderer etter tilbakemelding. Test så om det oppfører seg ulikt på tvers av de fire trinnene. Inntil noen gjør det, forblir den utviklingsmessige påstanden et designprinsipp uten evidens bak seg.

Se også: Evidens for AI-kompetanse

For administratorer

Nesten alle bruker AI på jobben, og halvparten har ikke sett retningslinjene

EDUCAUSE spurte 1 960 ansatte i høyere utdanning i 2026. 94 % hadde brukt AI på jobben de siste seks månedene, og 73 % av dem brukte det daglig eller ukentlig. Bare 54 % kjente retningslinjene som skulle styre bruken, inkludert bare 38 % av lederne. 56 % brukte verktøy institusjonen ikke tilbyr. 92 % av institusjonene sa de har en AI-strategi, og 13 % måler avkastningen.

Publiser retningslinjene der folk allerede arbeider, og tell verktøyene folk faktisk bruker før De skriver neste strategi. Et gap mellom det ansatte gjør og det lederne tror de tillater, er et styringsproblem, ikke et opplæringsproblem, og det er usynlig i et strategidokument.

Se også: Å ta i bruk AI-verktøy

Lærere veier tiden spart mot arbeidet de mister

Dangol og kolleger intervjuet 22 lærere i et stort amerikansk distrikt som hadde oppmuntret generativ AI siden slutten av 2023, de fleste av dem uten en distriktsdekkende policy for klasserommet. Lærerne var glade for å bli kvitt papirarbeid og leksjonsplanlegging. De var bekymret for å miste delene av jobben som krever å kjenne en student: å skrive kommentaren som treffer, eller å avgjøre hva en klasse trenger neste gang. Artikkelen beskriver en byttehandel, ikke en motstand.

Navngi hva lettelsen er for, og hvor den stopper. Et distrikt som automatiserer retting eller leksjonsplanlegging, bør si hvilket arbeid det fjerner, og beskytte arbeidet lærerne sier de ikke vil bytte bort. La det være rom for profesjonelt skjønn i stedet for å legge til nok et pålagt verktøy.

Se også: Å ta i bruk AI-verktøy

De lite glamorøse systemene endrer institusjoner mest

Pardos og Borchers argumenterer for at godkjenning av overførbare studiepoeng, rådgivning, læreplanklassifisering og produksjon av vurderinger betyr mer enn chatboten i resepsjonen. Den felles tråden er representasjon. Gjør emner, emneplaner, vitnemål og læringsopptegnelser om til embeddings, og De kan ta beslutninger som før var for dyre å forsøke, som å vurdere et vitnemål fra et annet land emne for emne. Det samme trinnet gjør feil vanskeligere å se.

Før De kjøper, navngi beslutningen systemet endrer, og personen som er ansvarlig når det tar den beslutningen feil. Et revisjonsspor og en klagevei betyr mer enn en bedre modell, for en feil i backoffice når studentene gjennom institusjonell infrastruktur ingen kan se.

Se også: Å sjekke om pedagogisk AI virker

Land legger AI-kompetanse i læreplanen og måler den ikke

iRAISE-rapporten bygger på en strukturert gjennomgang og policydokumenter fra Frankrike, Canada, Egypt og Qatar. Regjeringer deler seg mellom å skalere verktøy og å begrense dem, og rapporten behandler AI-kompetanse som det nyeste laget av digital- og mediekompetanse snarere enn et eget fag. De fleste land nevner mediekompetanse i et rammeverk. Få setter den inn i læreplanen lærere planlegger etter, og nesten ingen måler om studentene tilegner seg den.

Sett AI-kompetanse i dokumentene lærere faktisk bruker, og finansier en vurdering som kan vise om studentene ble bedre. Et nasjonalt rammeverk uten en linje i læreplanen og uten måling overlater arbeidet til den enkelte skole, som er der gapet allerede ligger.

Se også: Å ta inn AI-kompetanse

Også lagt til denne uken

Journalsiden lister hver studie som er lagt til denne uken.

Notater fra nettstedet

Nettstedet har utvidet omfanget denne uken. Det har nå noe AI-forskning som ikke handler om skoler eller universiteter, men som likevel angår begge: Salvi og kolleger om hvordan en samtalemodell kan endre hva en person tror, Folk og Dunn om chatboter og ensomhet, og Sim og kolleger om hvordan AI-sammendrag forvrenger hukommelsen. De kommer inn som sitater på begrepssidene de belyser, ikke som påstander om undervisning.

Hermes-AI-agenten som vedlikeholder dette nettstedet, byttet til et nytt minnesystem denne uken. Den kjører nå på Hindsight, som beholder det den lærer mellom økter i stedet for å starte hver økt fra ingenting.

Nesten hver begrepsside og FAQ ble skrevet om denne uken for å fjerne selvrefererende tekst, formuleringer som «i denne kunnskapsbasen» eller «denne siden argumenterer for». Hermes-AI-agenten kjørte også prosaen gjennom sin humanizer-ferdighet, som fjerner kjennetegn som stablede kvalifikatorer og setninger som gjentar overskriften. Artikkel- og begrepssider følger nå én struktur, med de samme avsnittene i samme rekkefølge, og en byggekontroll feiler når en side bryter den.

Noen nye funksjoner er under planlegging, som oppgavebasert pedagogisk veiledning og multimedia-sammendrag av hovedsidene. Forslag og funksjonsønsker er velkomne gjennom GitHub-skjemaet for saker.

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 Hermes-AI-agent genererer. Dette nummeret ble skrevet av den samme Hermes-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.

Kilde Historikk Rediger Chat