AIEd kunskapsbasAIEd KB
På den här sidan

Läs den här sidan på engelska

Begrepp

Elevagency

Skapad 2026-08-13 · Uppdaterad 2026-11-08

Automatisk maskinöversättning av denna engelska sida, ännu inte granskad av en modersmålstalare.

Elevagency — elevers förmåga att handla avsiktligt, göra val och utöva kontroll över sitt eget lärande. I AI i utbildningen är agency en central angelägenhet eftersom AI-verktyg både kan stödja och undergräva elevernas kontroll: välutformad AI bevarar och förstärker elevens autonomi, medan överberoende eller passiv acceptans av AI-resultat kan urholka den. Agency kopplar till självreglerat lärande, Motivation, självtillit och etisk design av AI-system, och är nära besläktat med de psykologiska begreppen autonomi och känsla av agency.

Frågor att fundera över

  • Elevagency — din förmåga att handla avsiktligt och kontrollera ditt eget lärande — är central för AI i utbildningen. När du använder ett AI-verktyg, hur mycket kontroll behåller du egentligen över lärandeprocessen, jämfört med verktyget?
  • AI kan både stödja och undergräva agency: välutformad AI förstärker din autonomi, medan överberoende urholkar den. Tänk på en gång då du lät en AI bara "göra det". Lärde du dig mindre, även om resultatet såg bättre ut?
  • Elever som delegerar tolkningen till AI kan förlora agency över sitt eget resonemang. När du lämnar en uppgift till AI, vilken del av ditt eget tänkande ger du då tyst bort?
  • En studie fann att elevers tidigare självinitierade AI-lärande förutsade hur mycket de vann på undervisning — elever med hög agency hade störst nytta. Om agency delvis är en färdighet du har med dig in, hur skulle din egen kontext kunna bygga den i stället för att förutsätta den?
  • Agency är inte bara en egenskap — den uppstår från ögonblick till ögonblick i grupparbete, där AI kan omfördela vem som formar ett samarbete utan att eleverna märker det. När märkte du senast att ett verktyg tyst styrde en grupps riktning?
  • Kontrariella AI-personor kunde driva grupper mot produktivt motstånd men minskade också samarbetstillfredsställelse och psykologisk trygghet. Kan produktiv friktion finnas utan psykologisk trygghet — och vad innebär det för designen av AI-lagkamrater?

Introduktion

Agency spelar roll eftersom lärande är mest effektivt när eleverna är aktiva, avsiktliga deltagare snarare än passiva mottagare. AI-system — vare sig handledningsagenter, robotar eller chattbotar — formar hur mycket kontroll eleverna behåller över sin lärandeprocess. Att bevara agency är därför en central designprincip i ansvarsfull AI i utbildningen, vid sidan av att stödja självtillit, bygga förtroende och undvika överberoende.

Mishra m.fl. ramar in kontroll kontra agency som den väsentliga, återkommande spänningen i AI i utbildningen — från tidiga ITS till dagens generativa AI — vilket gör elevagency till den bestående axeln i fältets debatter.

En nollsummesyn på agency med agentiska verktyg: Prieto & Dimitriadis (2026) hävdar att ju mer agency pedagogiska AI-verktyg ges, desto mindre behåller eleverna — att agency i praktiken är ett nollsummespel, och att nuvarande människocentrerade designangreppssätt (t.ex. värdekänslig design) är otillräckliga eftersom överberoende och isolering drivs av vidare systemiska faktorer och av människans benägenhet att välja den enklaste vägen. Deras emancipatoriska designvision, inriktad på elevens blomstrande inom komplexa system, behandlar bevarandet och odlandet av elevagency som det centrala målet för generativ AI-design snarare än en eftertanke.

Agency som syfte, inte bara som förmåga: Där inramningarna ovan frågar hur mycket agency eleverna behåller frågar Fagerlund m.fl. (2026) vad AI i utbildningen är till för. De intervjuade tretton finländska lärare från förskolan till årskurs 9 om syftena med att undervisa med och om AI, och läste deras redogörelser genom Biestas tre domäner för utbildningssyfte (kvalifikation, socialisering, subjektifiering), och fann kompetens vara det tydligaste och mest konkreta målet. Lärarna ville att eleverna skulle förstå AI som ett sociotekniskt fenomen och använda dess verktyg. Subjektifiering, det vill säga självbestämt och personligt meningsfullt engagemang med AI, bekräftades som viktigt men lämnades utan konkreta undervisningsstrategier, där lärarna grep efter allmän diskussion och eftertanke i stället för designade aktiviteter. Författarna föreslår informerad AI-agency som en heuristik som sätter subjektifieringen i centrum medan den behandlar kompetenser som dess förklarande grund, och hjälper elever att se vilka alternativ som finns och välja vad de vill sträva efter. Den praktiska konsekvensen är direkt: en kompetensförst kursplan kan tränga undan det agentiska syfte den är menad att tjäna, och boten är att göra AI-utbildningens "varför" explicit i stället för att lägga ännu en kompetens till listan.

Färdriktningen är inte fast. Gillette m.fl. (2026) kontrasterar sin svenska fakultet mot de australiska studenterna hos Bearman m.fl. (2025), som "i allmänhet ville ha agency" och "motstod beroende": här beskrev flera studenter att de blev beroende av genAI och namngav det som en förlust, en av dem sade att det "ger en dopaminspark eftersom allt tar kortare tid" och "belönar dåliga beteenden".

Hur agency framträder i kunskapsbasens forskning

  • Robotik och människa–robot-interaktion: RoboBlockly Studio designades uttryckligen för att bevara elevagency i komputationellt tänkande; en systematisk genomgång undersöker hur människa–robot-interaktion påverkar mänsklig autonomi och känsla av agency, vilket är centralt i debatterna om välbefinnande och styrning.
  • Samarbetslärande: människa–AI-samarbete och AIED-forskning undersöker hur kognitiva uppgifter delas mellan elever och AI, där agency avgör huruvida människan eller AI:n leder interaktionen.
  • Delad epistemisk agency sträcker sig till elev–GAI-interaktion. Ett 14-kategorischema som kodade 6 788 ChatGPT-assisterade turer placerade 59% av sjundeklassarnas turer i delad epistemisk agency, och författarna hävdar att konstruktionen — tidigare främst studerad i kamratsamarbete — måste vidgas till att omfatta kognitiva och metakognitiva dimensioner (Chang m.fl., 2026).
  • Agency kan graderas utifrån prompten själv. Human Agency Depth Taxonomy poängsätter elevens ingenjörsbidrag på sex nivåer oberoende av AI:ns resultat; över 962 prompter från 105 förståårsstudenter i mjukvaruutveckling överskred 84,2% den lägsta nivån men bara 5,3% angav systembegränsningar (Shakiba & Chaffey, 2026).
  • Kritiskt engagemang: Kognitiv avlastning-forskning visar hur elever som delegerar tolkningen till AI kan förlora agency över sitt eget resonemang; kritiska och metakognitiva angreppssätt syftar till att skydda den.

Benchmarkade över tio modeller är stödet för agency det de gör sämst efter lärande. ImpactBench mätte Agency & Purpose till 56,0% på positiva kriterier (95% CI [49,2, 62,5]) och 43,9% på negativa ([36,9, 50,8]), näst lägst av 14 delområden, och dess kriterier för autonomibevarande assistans frågar huruvida en modell erbjuder kontext och avvägningar i stället för att föreskriva en handlingsväg (ImpactBench (2026)). Modellerna var också mycket mindre konsekventa på att undvika skada än på att vara hjälpsamma: en spridning på 38,6 punkter mot 15,9 punkter.

Kostnaden beror på vilket lager som delegeras: i en åtta veckor lång skrivstudie bar delegeringen av resonemanget — belägg, motargument, tolkning av evidens — den starkaste negativa associationen med oberoende prestation (ab = −0,34), och självreglerat skrivande försvagade den men vände den aldrig (Chen (2026)).

En panelstudie i tre vågor med 342 grundstudenter i 85 fasta skrivgrupper ger denna oro en tidsriktning: när stabila skillnader mellan personer hade separerats i en cross-lagged panelmodell med slumpmässigt intercept förutsade högre än vanligt GenAI-beroende lägre upplevd agency i efterföljande mätning, medan vägarna från agency till beroende var svagare och inte statistiskt stödda. Konfidensintervallen och Monte Carlo-känslighetsanalyserna lämnade små omvända effekter möjliga. Dess loggdata varnar också för att läsa användningsvolym som förlorad agency — självrapporterat beroende motsvarade visserligen AI-användningens intensitet, men loggarna kunde inte skilja strategisk konsultation från avlastning eller underkastelse, så instrumentpaneler bör läsa intensitet tillsammans med tecken på diskurs, reflektion och revidering.(Wu & Lu, 2026) En kompletterande redogörelse vidgar SRL i stället för att ersätta det: de Barba (2026) skiljer mellan reglering (att hantera sin egen process), integrering (att organisera sig själv över tid och kontexter) och positionering (att kritiskt tolka vad miljön mäter), och hävdar att agendorienterad design måste flytta eleverna från "agency inom villkor" till "agency över villkor" i stället för att optimera beteendeproxys.

  • Design för agency: Kunskapsbaserad design för generativa sociala robotar (Teachy Mini) hanterar risker som överberoende som undergräver elevagency.
  • Design för överlämning, inte förlängd interaktion. Dubbellägesprototypen Amico behandlar AI som en avgränsad, tillfällig mediering vars framgång mäts i observerbara övergångar till lärare, kamrater eller gemenskap, inte i tid som tillbringas med AI:n; dess pilot i Italien och Kina fann att eleverna uppfattade den som ett avgränsat verktyg snarare än en relationell ersättare (Benedetti (2026)).
  • Adaptiv strukturering handlas mot professionell autonomi. de Jong (2026) hävdar att eftersom anpassning kräver att systemet bedömer användarens kompetens minskar det yrkesverksammas auktoritet över sin egen utveckling och riskerar att överstrukturera experter, och att en mekanism som uppfattas som onödig helt enkelt ignoreras — vilket lämnar öppet vem som avgör vilka användare som får strukturering: systemet, organisationen eller den yrkesverksamma.
  • Mer kapabel strukturering är inte mer agency. En anpassad expertdesignbot höjde lärarstudenternas interaktionslängd och självgenererade prompter, men den samarbetsinriktade problemlösningsagencyn föll både i det och i ChatGPT-betingelsen när deltagarna höll med boten i stället för att kritisera den (Krushinskaia m.fl. (2026)).
  • Tidigare agency förutsäger vem som gynnas: Liang m.fl. (2026), med utgångspunkt i Banduras sociala kognitiva teori, visade att elevers tidigare självinitierade AI-lärande (en beteendemässig manifestation av agency) förutsade hur mycket de vann på ett års AI-undervisning i skolan — elever med hög agency kom in med starkast beredskap, medan skolans kursplaner minskade psykologiska gap men lämnade kognitiva gap intakta. Strukturerad undervisning och tidigare agencyrelaterat lärande verkade synergistiskt, inte som substitut.
  • Principiell selektivitet som läraragency under teknisk förändring: Adiozaman och Segar (2026) intervjuade två erfarna akademiker tre gånger under en termin och fann att de navigerade AI-förmedlad undervisning varken genom att anamma eller genom att motstå i sin helhet, utan genom medvetna, kontextkänsliga beslut styrda av pedagogiska värderingar, etiskt engagemang och professionellt omdöme — ett mönster som författarna kallar principiell selektivitet, där ett avstående från en viss användning räknas som omdöme snarare än som misslyckat anammande. Det är lärarsidans motsvarighet till elevfynden ovan: ojämn AI-användning kan vara ett utövande av agency, inte bevis på dess frånvaro.
  • Läraragency som den medierande betingelsen för elevagency: De nyaste lärarsidiga fynden gör explicit en uppdelning som elevfynden ovan lämnar implicit: läraragency är designvillkorlig och medierande, elevagency utövas i ögonblicket, och den första sätter villkoren för den andra. Canonigo (2026) följde tio matematiklärare på gymnasiet genom åtta veckor av en ChatGPT-4-insats. Där lärarna kurerade och granskade AI-resultat (ställde öppna problem, förberedde verktyget med promptteknik i förväg för att släppa ledtrådar medan lösningar hölls tillbaka, krävde att eleverna placerade AI-resultatet bredvid sitt eget arbete och argumenterade för vilken metod som var bättre) blev det en provisorisk artefakt för kritik och eleverna rörde sig mot förmodan och metakognitivt ifrågasättande. Där mediering saknades flyttade auktoriteten mot algoritmen och lärarna blev validerare i stället för första kunskapskällor, ett skifte som en lärare beskrev som att gå från "orakel" till "redaktör". Ojämn verktygskvalitet höjer vad medieringen måste bära: över 50 prompter som skickades tre gånger till varje modell var gratisnivån felaktig i 49 av 150 svar (32,7%) mot 18 av 150 (12%) för premiumnivån (χ2(1) = 17,5, p < 0,001). Charles (2026) drar beredskapsimplikationen: läraragency är en professionell resurs som mobiliseras genom designbeslut och artefakter, så beredskap bör bedömas utifrån de designer lärarna producerar snarare än utifrån hur ofta de använder AI, och ett välmotiverat beslut att avstå från AI kan i sig visa beredskap. Lästa tillsammans varnar dessa fynd för att läsa hög AI-användning som bevis på ett agentiskt klassrum, eftersom den disposition som bevarar elevagency utövas i vad en lärare designar och kritiserar, inte i huruvida verktyget är på.
  • Lärar- och elevkontroll är inte nollsummespel — men rätt fördelning beror på fasen. En deltagande speed-dating-studie med 17 lärare och 13 elever som rangordnade 34 hybridkontrolldesigner fann att båda grupperna föredrog stark lärarkontroll under förberedelse och initiering, och sedan gradvis mer elevinflytande i takt med att samarbetet vecklade ut sig — och ingen av grupperna föredrog någonsin full elevkontroll. Preferenserna speglade varandra: lärarna ville ha mer kontroll över parbildningens timing medan eleverna ville signalera beredskap själva; eleverna litade på lärarens val av partner medan lärarna ville ha elevens röst om partners. Designimplikationen: fördela agency per beslutspunkt och fas, med avgränsade, strukturerade elevförslag validerade av lärarvänd lärandeanalys i stället för fri överstyrning. (Balancing Teacher and Student Agency: Co-Orchestration Tool Design Supporting Real-Time Dynamic Pairing)
  • Tillgång till val är inte samma sak som agency i handling: Su, Nair och Nagashima (2026) randomiserade 69 universitetsstudenter till en 2 × 2-design som korsade parameterkontroll av en simulering av flockbeteende med tillgång till en valfri konversationsagent. De fann ingen tillförlitlig effekt av någon av affordanserna på lärandevinster när förkunskaper kontrollerades (parameterkontroll F(1, 50) = 0,04, p = 0,849; agent F(1, 50) = 2,68, p = 0,108). Vinsterna följde hur kontrollen användes: reglagetid i den begreppsmässigt mest komplexa lektionen förutsade högre vinster (β = 0,11, p = 0,007) medan samma beteende i den lättare lektionen förutsade lägre (β = −0,04, p = 0,047). Engagemanget med den valfria agenten varierade från 0 till 32 frågor per elev utan att relatera till utfallen. Författarna läser detta som att agency utövas snarare än beviljas: designfrågan är vad som hjälper en elev att avgöra vad som är värt att förändra och lägga märke till konsekvenserna.
  • Epistemisk delegering i tidig forskarkarriär: Han och Liu (2026) ramar in AI-beroende bland doktorander och postdoktorer som epistemisk delegering — överföringen av problemformulering, metodval och tolkningsauktoritet till det intelligenta systemet — och fann det negativt associerat med både forskningssjälvtillit och forskningsautonomi, där handledarstöd buffrade förlusten. Det utvidgar agencydebatten från elevautonomi till formandet av forskaren själv.
  • Tolkningsauktoritet som designvariabel (ett begreppsligt ramverk). Porath (2026) omramar frågan om vem som beslutar som fördelningen av tolkningsauktoritet — vem som definierar problem, utvärderar svar och avgör när förståelse är uppnådd — och kartlägger fyra icke-hierarkiska konfigurationer (människodominerad, AI-assisterande, AI-direktiv, dialogisk partnerskap) som klassrum rör sig mellan inom en och samma uppgift, och förankrar skiften i fem ekologiska lager från individuell metakognition till sociokulturella narrativ. Artikelns normativa påstående stämmer med denna sidas evidens: AI-direktiva konfigurationer kan, hur sofistikerade som helst, dämpa produktiv kamp och metakognitiv reglering — samma förmågor som denna sida identifierar som agencyns substrat. Som begreppsligt bidrag tillför den diagnostisk vokabulär, inte empirisk evidens.

Agency kopplar till självreglerat lärande, Motivation, självtillit, elevupplevelse, människa–AI-samarbete, etik, överberoende och metakognition. Det är en central hänsyn i robotik, handledning och designen av AI-lärandeagenter.

  • Avgränsad användning som epistemisk kontroll, inte motvilja. Zagami (2026) rapporterar att högpresterande studenter i en universitetsenkät med 484 svar visade lägre aktivt AI-engagemang och lägre upplevd lärandepåverkan medan de också rapporterade mindre AI-relaterat disengagemang, och beskrev sin egen användning som verifieringsintensiv: resultat kontrollerades och underordnades sedan deras eget resonemang. Läst som agency snarare än undvikande är mönstret ett medvetet bevarande av omdömet — eleverna behåller författarskapet till slutsatsen medan de använder verktyget för klargörande och sammanfattning.

Uthålligt gränsarbete, inte verktygsfärdighet, är det som skiljer agency från delegering: elever som använde samma retrievalgrundade verktyg producerade jämförbart polerade artefakter vare sig de begränsade och skrev om dess resultat eller överlät tolkningen tidigt, så skillnaden visade sig bara i prompter, latens, korrigeringar och avståndstaganden (O'Byrne, 2026).

  • Att handla, veta och svara är inte samma sak. En korpusassisterad diskursanalys av 366 abstracts om GenAI i högre utbildning namnger AI som aktör 2 050 gånger utan att någonsin göra den ansvarig, medan ansvaret för att bedöma resultat och verifiera påståenden läggs på eleverna: grammatisk aktivering, funktionell agency, epistemisk auktoritet och normativt ansvar faller isär (Poudyal, 2026).
  • Agency har tre former, och den tredje är vad policy tillhandahåller. Med bara 18% av lärarna och 24% av rektorerna som rapporterar en AI-policy för skolan utövar de flesta pedagoger individuell agency utan någon ställföreträdande agency som agerar för dem — Banduras tredje form, tillhandahållen av institutionella regler (Tench, Weinstein & James, 2026).

Agency som ett framväxande, interaktionellt fenomen

Agency är inte en enda förmåga, och åtskillnaden överlever in i AI-förmedlad praktik. Bergdahl (2026) enkätade 47 svenska sjundeklassare efter en termin med AI-undervisning och fann att agency riktad mot AI:s resultat inte sträcker sig till de system som producerar dem. Uppdelningen höll inom enskilda elever: 79% hade ett poängspann på tre eller mer över nio poster, och ett dissociationindex per elev gynnade resultatriktat framför systemriktat engagemang hos 35 elever mot 4 i omvänd riktning (teckentest, p < 0,001). 62% av de mest källkritiska eleverna stödde ändå det minst skyddande alternativet om chattbotar som läser deras egen text, och bara en elev i urvalet valde den starkaste integritetshållningen. Avgörande är att detta mättes en månad efter en lektion där eleverna såg sitt eget loggade beteende projiceras live — de kallade det "läskigt" och stannade kvar över rasten för att fortsätta använda plattformen. Agency som en framväxande, interaktionell egenskap stämmer med detta: den uppstår per praktik i stället för att överföras mellan praktiker, och det en lektion lyfter fram generaliserar inte till det register den inte behandlade.

Elevagency är inte bara en statisk individuell egenskap — det är också en framväxande, interaktionellt konstituerad process som utövas genom diskurs och den ögonblick-för-ögonblick samordningen i grupparbete. I samarbetslärande är agency distribuerad och omförhandlas genom samspelet mellan divergenta processer (att generera idéer, utforska alternativ) och konvergenta processer (att utvärdera, integrera, syntetisera). Denna syn spelar roll för AI eftersom agentisk AI diskret kan omfördela epistemiskt och regulatoriskt arbete inom en grupp, och omforma vem som bidrar, vem som formar riktningen och vem som reglerar framdriften — ofta utan att eleverna är medvetna om det.

  • Agency som den framväxande kvaliteten i en kompetenskonfiguration. Ramverket för människa–AI-samarbetskompetens utesluter medvetet elevagency som en fristående komponent och behandlar det som det eleverna uttrycker när de samordnar domän-, AI- och metakognitiv kompetens — det integrativa arbete som Teknologiskt pedagogiskt ämneskunnande (TPACK) tilldelar pedagogiken går över till elevens egen metakognitiva reglering. Över 24 pedagoger i högre utbildning förekom varje dimension i deras tal, med domän (12–19% av kodade enheter) och AI (16–22%) i förgrunden (Dang m.fl., 2026).

  • Jin m.fl. (2026) ger det mest direkta beviset: i ett stort experiment (224 elever, 97 triader) där AI verkade som en oannonserad lagkamrat omkonfigurerade stödjande och kontrariella AI-personor ändå den framväxande agencyn. Kontrariell AI drog diskursen mot utmanings- och reflektionsinriktade banor (produktiv friktion), medan stödjande AI stabiliserade enighet och förnyade idébildningen.

  • AI-personor som diskursstyrningsmekanismer. Kontrariella personor externaliserade bördan av att utmana (omfördelade epistemiskt arbete mot kritik), medan stödjande personor externaliserade bekräftelse och upprätthållande av konsensus. Studien identifierade sex framväxande agencyprofiler — märkbart nog var reflekterande reglering unikt mänsklig (AI externaliserade kritik/bekräftelse men inte metanivåns övervakning).

  • Den affektiva kostnaden för friktion. Kontrariell AI minskade samarbetstillfredsställelse och psykologisk trygghet utan att ge vinster i kreativ prestation, vilket frikopplar epistemisk stimulans från upplevd hållbarhet. Detta varnar för att "produktiva" diskursstrukturer bör tolkas tillsammans med sina emotionella konsekvenser — agency blomstrar bara i ett psykologiskt tryggt klimat.

  • Implicit AI-deltagande är osynlig styrning. Eftersom personorna fungerade även utan AI-avslöjande positionerar studien personadesign som en form av osynlig styrning av samarbetsprocesser — ett fynd med direkta implikationer för skrivassistenter, kamratbedömningssystem och samarbetsplattformar som kan forma bidrag utan att annonsera sin närvaro.

  • Tre mönster av agency i gruppbaserad bedömning. Chen och Zou (2026) intervjuade 15 fokusgrupper med lärarstudenter om en autentisk grupppresentation och fann agency verka i tre riktningar samtidigt: fem grupper intensifierade GenAI-användningen som samordningsinfrastruktur (samarbetsorienterad agency — att avkoda kamraters avsnitt, anpassa delar, skydda ett gemensamt betyg), sju höll tillbaka den (normativ agency — gränser dragna för att skydda autenticitet, rättvisa, originalitet och perspektivmångfald), och tre förändrade aldrig praktiken från enskilt arbete (icke-utövad agency, där individuell förmåga aldrig mobiliserades kollektivt). Deras åtskillnad spelar roll eftersom återhållsamheten här var normativ självreglering snarare än följsamhet eller disengagemang, och eftersom förmåga ensam inte producerade kollektiv agency. Grupptillhörigheten inverterade också det ansvar som grupparbete förväntas skapa: ett tillåtande kollektivt klimat sänkte den upplevda risken för missbruk i stället för att höja engagemanget.

  • Agency som relationellt själv. Xie (2026) utmanar den individualistiska agencymodell som han menar att även AI-kritik förutsätter. Med utgångspunkt i daoistiskt relationellt själv — ett "flytande och heterogent" själ som konstitueras genom relationer med andra och kosmos — drar han slutsatsen att en digital klyfta eller algoritmisk diskriminering är "en kränkning av självets grundläggande konstitution", vilket gör jämlik tillgång till lärande "inte bara en etisk föreskrift utan ett ontologiskt givet", och att asymmetrisk makt och miljökostnader är "integrala dimensioner av självet" snarare än externaliteter. Hans motideal, "Zhenren" (真人) eller den naturliga eleven, behandlar AI som ett "instrumentellt tillägg" snarare än en kognitiv ställföreträdare — agency som odlad helhet, inte friktionsfri optimering.(Alternative AI Philosophy: Daoism as Method for AI in Education)

För samarbetsmiljöer omramar detta designfrågan: inte huruvida AI kan delta som lagkamrat, utan hur dess mönstrade deltagande balanserar epistemisk stringens, emotionell trygghet och elevernas känsla av ägande. Avgränsad friktion (begränsad utmaning, parad med integrativa och reparerande drag) och explicit metakollaborativ kompetens är de rekommenderade skyddsåtgärderna.

En strukturell läsning av agency finns i El Khoury och Ma:s ramverk för lustfylld bedömning, där agency behandlas som en designegenskap snarare än motivation: eleverna väljer ordningen på uppgifterna, sätter tempot och signalerar när en interaktion slutar, så stöd finns tillgängligt medan ansvaret för arbetet stannar hos eleven. Mekanismen de namnger är värdering — att repetera utan publik och välja när man börjar förskjuter vad en uppgift betyder, från dom till något en elev kan forma — och de hävdar att upprepad erfarenhet av den förskjutningen är det som gör tillfälliga känslor av förmåga till en vardaglig hållning till bedömning.

  • "Mer AI-användning minskar elevernas känsla av författarskap." Inte linjärt. I en instrumenterad uppsatsstudie sjönk upplevt ägande bara för gruppen som delegerade hela uppsatser, medan elever som använde modellen för planering eller granskning matchade ägandet hos elever som aldrig öppnade den. Samma grupp fick också högre poäng på uppsatsens läsbarhet, så artefakten såg bättre ut i takt med att författarskapet tunnades ut. Agency följde hur verktyget användes snarare än huruvida det användes. Författarskap är en funktion av delegering, inte av användning.

Agency kontra elevidentitet

Elevidentitet och elevagency är lätta att blanda samman, ändå namnger de olika saker — och båda omformas av AI.

  • Agency utövas; identitet bebos. Agency är den situerade förmågan att handla avsiktligt och styra sitt lärande nu — en variabel, interaktionell egenskap. Identitet är den mer varaktiga, narrativa känslan av vem man är och är på väg att bli som elev. Agency är en process; identitet är ett tillstånd av att vara som ackumuleras ur den.
  • Identitet är internaliserad agency. Upprepade agentiska handlingar — att välja, författa, hålla ut — är hur en elev börjar se sig själv som en agentisk, kompetent person. Identitet är agencyns sediment över tid, förstärkt av erkännande och tillhörighet.
  • Distinkta felmoder. Agency urholkas av överberoende och passiv acceptans (eleven slutar styra resonemanget); identitet urholkas av förlorat författarskap och kompetenshot (eleven slutar känna att resultatet är hens, eller att hen hör hemma i domänen). Implicit AI-omfördelning av epistemiskt arbete är främst en agencyangelägenhet; kompetensparadoxen i kreativa fält är främst en identitetsangelägenhet.
  • Båda måste designas för. Agendorienterad design bevarar kontroll och val (avgränsad friktion, mänsklig tillsyn i loopen, förklarbarhet); identitetsorienterad design skyddar författarskap och erkännande (autentisk bedömning, tydlig attribuering av AI:s respektive människans bidrag, uppgifter som låter eleverna göra anspråk på en domän). Att skydda agency utan att skydda författarskap behåller kontrollen men inte självvärdet — och vice versa.

Denna åtskillnad mellan utövad agency och stabil identitet gäller även avståndstagande. Som Zagami (2026) beskriver det är att avstå från en chattbot för bedömt skrivande, att förbjuda den för oassisterat resonemang, att motstå automatiserad triagering i studentstöd eller att skjuta upp upphandling separata relationer till separata system, som spänner över personliga, pedagogiska, professionella, administrativa och institutionella nivåer snarare än en varaktig disposition. Den rätten är ojämnt fördelad: elever med akademiskt självförtroende kan avstå utan straff, medan de som behöver stöd för språk, tillgänglighet eller snabb återkoppling läser avståndstagande som en förlorad möjlighet, och trygga akademiker avstår i princip medan tillfälligt anställda känner press att anamma. Där AI sitter i infrastrukturen förskjuts avståndstagandet från individuellt opt-out till upphandling, revision och bestridbarhet.

  • Avståndstagande som identitetskonstruktion, inte bara ett beslut (elever med färg i lärlingslärande). Gyekye (2026) intervjuade fem lärlingar på gymnasiet över 9 månader och fann att de författade sig själva genom AI i tre drag: avståndstagande (icke-användning som institutionell anpassning), förhandling (att reparera institutionella missförhållanden, integritet som avlägsen abstraktion) och erkännande (att likställa rättvisa med frånvaro av synlig bias — en "kulturell plattform" där deras identiteter förblir orepresenterade i AI-svar). Studiens två tolkande begrepp — Institutionell AI-kompetens och Erkännande-bandbredd — namnger förmågan att göra AI-användning institutionellt läsbar och det utrymme eleverna har att se sig själva erkända i AI-resultat. En narrativ undersökning med fem elever i ett enda program; dess bidrag är att visa att AI-användning, begränsning och avståndstagande är sammanbundna med hur eleverna förstår sig själva som författare och blivande yrkesverksamma.

Ramverket för ekologisk sam-agency: agency som ett epistemiskt designproblem

Poudyal (2026) omramar elevagency som i grunden en epistemisk angelägenhet: generativ AI lägger inte bara till ett verktyg utan omfördelar epistemologisk auktoritet — förmågan att producera kunskap, validera påståenden och skapa bevis på lärande — från lärare till elever till maskiner. Artikelns ramverk för ekologisk sam-agency behandlar sam-agency som relationen mellan tre ömsesidigt beroende dimensioner, alla avgränsade av ett icke förhandlingsbart villkor om mänskligt epistemiskt ansvar:

  • Relationell sam-agency — agency som en produkt av interaktion mellan elev, verktyg och kontext, vilket kräver en transparent fördelning av vilka uppgifter som delegeras till AI och vilka som behålls, plus etisk sam-agency där människor behåller det primära ansvaret och agerar övervakande.
  • Regulatorisk sam-agency — att kartlägga självreglerat lärandes cykel (förhandsplanering, prestation, reflektion) mot AI-mediering. Huruvida GenAI kommer in före eller efter elevens försök avgör om det förstärker eller urholkar den upplevda kontrollen; strategisk kognitiv avlastning stöder transformativt lärande bara när avlastningsbeslutet är avsiktligt snarare än rutinmässigt.
  • Pedagogisk sam-agency — att placera lärare i centrum, längs ett kontinuum från observatör till anammare till samarbetspartner till innovatör som beror på institutionellt stöd, inte på individuell disposition.

Ramverkets gränsvillkor kräver bestridbarhet (förmågan att ifrågasätta och korsgranska AI-resultat), proveniens (att veta var träningsdata och resultat kommer från) och icke-delegering av moraliskt och intellektuellt ansvar (avgöranden med höga insatser om elevers välbefinnande, akademisk status och betyg får inte avgöras enbart av AI). Detta ger pedagoger och policyskapare en mer precis vokabulär än den vaga "balansen" mellan mänskliga och artificiella bidrag, och kopplar agency till etik, bedömning, rättvisa i AI-utbildning och styrning.

En nära besläktad inramning är relationell epistemisk agency (Du & Yuan 2026), som instämmer i att agency är socialt möjliggjord och tekniskt medierad snarare än en fråga om isolering från beroende. Där ramverket för ekologisk sam-agency betonar mänskligt epistemiskt ansvar som ett icke förhandlingsbart gränsvillkor behåller Du och Yuan en uttalad asymmetri: AI-system kan forma och utvidga resonemang utan att äga ömsesidigt ansvar eller legitim auktoritet. Deras sex diagnostiska kriterier — bestridbarhet, återställbarhet, överföring, spårbarhet, distribuerat ansvar och epistemisk pluralitet — ger ett praktiskt test för när en människa–AI-relation bevarar elevens förmåga att delta i hur påståenden formas, bedöms och accepteras, kontra när den bara levererar en produkt. Agency i denna bemärkelse är inte oberoende av verktyg utan förmågan att bedöma ansvarsfullt med, genom och mot de system som medierar kunskap.

  • Delegerad agency som mekanism, inte bara risk. Yan och Gašević (2026) behandlar delegeringen av kognitivt arbete till AI som en del av hur lärande sker, inte bara ett hot mot det: i deras redogörelse blir assisterad prestation varaktig förmåga bara när eleven behåller ansvaret för att formulera problemet, sätta kriterier och motivera svar, en arbetsdelning de kallar delegerad agency. Det gör fördelningen själv till designvariabeln, eftersom samma verktyg kan bevara eller lösa upp elevagency beroende på vilka ansvar det absorberar.

Vanliga missuppfattningar

  • "Elever utövar agency när de använder AI fritt." Ett 14-kategorischema som kodade 6 788 ChatGPT-assisterade turer placerade 59% av sjundeklassarnas turer i kategorier som inte representerar agentisk användning. Användningsvolym och agency är olika mått.
  • "Nuvarande modeller stöder elevagency väl." Benchmarkade över tio modeller är stödet för agency det de gör sämst efter lärande: ImpactBench mätte Agency and Purpose till 56,0% på positiva kriterier. Agency är den dimension AI-system hanterar sämst, inte en biprodukt av kapacitet.
  • "Lärarmediering är en begränsning av agency." Canonigo (2026) följde tio matematiklärare på gymnasiet genom en åtta veckor lång ChatGPT-4-insats och medieringen är mekanismen snarare än hindret.

Anslutna begrepp

Anslutna artiklar

Anslutna vanliga frågor

Metadata

Avsedd målgruppLearners
Lärande och undervisningMotivation, Self-Regulated Learning
Jämlikhet, etik och ansvarsfull användningEthics
Grunder i AI inom utbildningenElevagency, Kognitiv avlastning, Människa–AI-samarbete
KällaHistorikRedigeraChatt

Bädda in den här sidan

Kopiera koden nedan för att bädda in den här sidan i ett lärplattformssystem eller på en annan webbplats. Den inbäddade versionen visar bara sidans innehåll — den döljer webbplatsens sidhuvud, navigering och sidfot.