AI-kompetens

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

AI-kompetens — de kunskaper, färdigheter och kritiska förhållningssätt som krävs för att förstå, utvärdera och effektivt använda AI Technologies i utbildningssammanhang. AI-kompetens omfattar grundläggande förståelse för hur AI fungerar, praktisk kompetens i att använda AI-verktyg, kritisk utvärdering av AI-resultat samt etisk medvetenhet om AI:s samhälleliga konsekvenser.

Frågor att fundera över

• Vad betyder det att vara 'AI-kompetent'? Är det att veta hur man använder verktygen, att förstå hur de fungerar eller att kunna kritiskt utvärdera deras resultat — och vilket betyder mest för dina egna mål?
• Självskattad AI-kompetens avviker kraftigt från uppmätt prestation — lärare överskattar sina färdigheter med cirka 40%. Hur säker är du på dina egna AI-färdigheter, och vilket underlag skulle du lita på för att faktiskt pröva den säkerheten?
• AI-kompetens beskrivs som en metakognitiv social praktik, inte en checklista över färdigheter. Eftersom LLM:er är probabilistiska och ogenomskinliga, vad betyder det att 'kritiskt utvärdera' resultat när man inte kan se in i modellen?
• Det finns en spänning mellan kritisk-bruk-kompetens för akademiska sammanhang och arbetsflödesintegrerad kompetens för anställning — pedagoger och arbetsgivare värderar olika färdigheter. Vilken sorts AI-kompetens undervisar ditt sammanhang egentligen om?
• Rent tekniska AI-kompetensträningar, utan stöd för självtillit och självreglering, kan faktiskt öka beroendet av AI. Hur skulle det kunna vara så att inlärning av AI gör en mer beroende av det snarare än mer kompetent?
• AI-kompetens är också en igenkänningsförmåga: att märka när en AI håller med en för att den smickrar snarare än för att man har rätt. Har du någonsin fångat en AI som bara säger en det man vill höra?

Introduktion

AI-kompetens har snabbt etablerats som en kärnkompetens för elever, pedagoger och institutioner i takt med att Generative AI integreras i utbildningen. Till skillnad från allmän digital kompetens kräver AI-kompetens förståelse för probabilistiska system som kan hallucinera, uppvisa bias och flytta Learner Agency från människa till maskin — vilket gör Critical Thinking och överberoende centrala för begreppet.

Dimensioner av AI-kompetens

Forskning om AI-kompetens i denna kunskapsbas spänner över fyra sammankopplade dimensioner:

Ramverken spårar i allt högre grad hur dessa dimensioner förverkligas i praktiken: Dai & Chan (2026) visar hur doktorander förverkligar alla fyra dimensioner när de använder Generative AI i forskningsarbetsflödet och bygger forskningsspecifika riktlinjer för ansvarsfull användning utifrån dem, medan Şan & Orhan Karsak (2026) använder ordassocieringskartläggning för att visa att turkiska grundstuderandes AI-kognition är instrumentellt "black-box"-dominerad, med etik- och styrningsbegrepp strukturellt isolerade (τ=−0.819) — ett bevis för att utformningen av kreditmärkningar måste medvetet bygga broar mellan erfarandeutifrån-verktygsbruk och etiska ramverk.

Efterfrågan beror på vad eleven och systemet gemensamt gör. Kompetensramverk beskriver vanligtvis en enda generisk uppsättning kompetenser, men vad en GenAI-stödd aktivitet faktiskt kräver varierar med hur epistemiskt arbete fördelas inom den. Sun, Dohn och Rehm (2026) klassificerade 102 empiriska studier inom högre utbildning mot Strobel m.fl.s taxonomi av GenAI-användningar och fann att Assistant- och Enabler-kopplingarna dominerade med 42.16% av materialet vardera, medan Generator, Reimaginator och Synthesizer tillsammans utgjorde under en femtedel — en snedhet de tillskriver institutionell legitimitet snarare än modellkapacitet, eftersom samma modeller stöder alla fem. Att läsa varje typ genom Dohns tre kontextnivåer (domänintern, aktivitetsintern, aktivitetsinramande) visar att krafter sammanfaller för Assistant-arbete och splittras för de marginella typerna, där det aktiviteten begär av eleverna divergerar från det institutionen erkänner som legitim kompetens. Deras slutsats förflyttar kompetensen bort från verktygsflyt helt och hållet: GenAI-kompetens är förmågan att känna igen hur epistemiskt arbete och ansvar fördelas i en given koppling, och att handla ändamålsenligt inom den.

Grundläggande kunskaper: Att förstå vad LLM:er är, hur de skiljer sig från regelbaserade system och vad deras grundläggande begränsningar är. Detta omfattar medvetenhet om modellkapacitet, fördomar i träningsdata och skillnaden mellan uppgiftsspecifik AI och allmänna modeller. Forskning om Prompt Engineering undersöker hur förståelse av promptmekanismer påverkar effektiv AI-användning.

Praktisk kompetens: Förmågan att använda AI-verktyg effektivt — från Prompt Engineering till tolkning av resultat. Studier av elevers GenAI-användningsmönster visar att tillgång till verktyg ensamt inte skapar kompetens; strukturerad praktik och strukturering är nödvändigt. Ramverket för vibe coding visar hur K-12-lärare kan utveckla praktisk AI-kompetens genom väglett verktygsskapande. Miles, Haber-Curran och Arar (2026) hävdar att denna dimension har en del som optimeringsträning missar: promptkompetens, till skillnad från promptkonstruktion, behandlar prompting som en retorisk och etisk handling, så undervisning som enbart finjusterar resultat för bättre prestation lämnar de etiska och epistemiska dimensionerna av LLM-användning orörda.

Kritisk utvärdering: Förmågan att bedöma AI-resultat med avseende på korrekthet, bias och lämplighet. Forskning om kompetensbedömning visar ett gap på 40% mellan självskattad och prestationsbaserad AI-kompetens — människor överskattar konsekvent sina utvärderingsförmågor. Denna divergens är det tydligaste fallet i kunskapsbasen av ett självskattningsmått som misslyckas med att spegla den kompetens det namnger. Detta kopplar till forskning om överberoende som visar att elever som lit på AI okritiskt lär sig mindre. Nyare begreppsligt arbete skjuter utvärderingen mot verifiering: PEARLS-ramverket (Wang) behandlar AI-resultat som preliminär kunskapsanspråk vars berättigande måste sammanställas och prövas längs sex dimensioner (Process, Evidence, Access, Reproducibility, Legitimacy, Source), och driver verifieringsdrivet lärande som den mekanism genom vilken elever bygger expertis medan de prövar AI-anspråk. Som komplement erbjuder det elevcentrerade ramverket för ansvarsfull användning (Alsammani) tio elevriktade riktlinjer inom pelarna Learning and Growth, Ethics and Integrity samt Awareness and Safety som synliggör metakognitiva uppmaningar i beslutsögonblicket. För elever i gymnasiet grunder ramverket för AI-assisterad forskningskompetens (AARC) (Beau, Flaquière & Lazar 2026) detta i dygdetikens epistemologi och AI-intuition, och definierar forskningskompetens som att bedriva undersökning med AI utan att avstå författarskap, omdöme, verifiering eller ansvar — operationaliserat som en analytisk rubric och en verify–cite–reflect-rutin för åtagande. I bedömningens ände föreslår Saleh (2026) ett human capability test som förvandlar utvärdering till en designprincip: fråga vad en elev måste demonstrera självständigt, vad som kan stärkas genom AI-förstärkning, och vad eleven måste verifiera, försvara och ta ansvar för.

Verifiering inom disciplinen höjer ribban ytterligare. Vega-Baudrit och Rivera Alvarez (2026) menar att det centrala kravet på AI-kompetens inom universitetsämnet kemi är representativ översättning över Johnstones makroskopiska, submikroskopiska och symboliska domäner, eftersom ett resultat kan vara lokalt övertygande i en domän samtidigt som det motsäger laddningsbalansen, en mekanism eller en säkerhetsgräns i en annan. Deras bot är verifieringscentrerad integrering: gör verifiering till en bedömd aktivitet, behåll promptloggar och revideringshistorier som resonemangsspår, och behandla prompting som en epistemisk handling som specificerar begränsningar, antaganden och adekvanskriterier, där eleverna identifierar ett felaktigt antagande eller motiverar förkastandet av ett genererat svar.

Etisk och institutionell medvetenhet: Att förstå AI:s bredare konsekvenser — från akademisk integritet till rättvisa till integritet. AI-kompetens på institutionell nivå innefattar policyutveckling, utveckling av undervisningen och styrningsramverk — institutionell AI-kompetens är en fråga om policy i lika hög grad som om pedagogik. EPIQ-AI-ramverket formar institutionell AI-kompetens som en socioteknisk anpassningsutmaning, inte enbart individuell träning.

• AI-kompetens som styrningsförmåga för hållbar utveckling. Islam, Morshed och Islam (2026) omdefinierar AI-kompetens som en styrningsinriktad förmåga snarare än en rent utbildningsmässig eller teknisk färdighet, och kopplar den till alla sjton Förenta nationernas mål för hållbar utveckling. Deras sexnivåtaxonomi AIRE (Recognize → Comprehend → Apply → Analyze → Integrate → Govern) utvidgar Blooms hierarki genom att lägga till etisk syntes och strategisk framsynthet, och positionerar avancerade kompetenser (Analyze–Govern) som vägen från grundläggande kompetens till institutionell och policynivå — en "18:e Mål"-heuristik som behandlar kompetens som en övergripande kognitiv och etisk bro. En enkät med 300 yrkesverksamma i ett nationellt sammanhang fann stark teknisk medvetenhet men begränsad etisk och styrningsmässig beredskap, med etiskt resonerande och reflekterande tänkande som starkaste prediktorer för hållbar, tillförlitlig AI-användning och styrningskompetens som starkaste prediktor för medvetenhet om kopplingen mellan AI och SDG (β = 0.64). Detta ger empiriskt stöd åt kunskapsbasens fokus på kritisk-bruk-kompetens och kopplar AI-kompetens direkt till hållbarhet och integration i policy. Tillgången på ramverk är numera ett problem i sig. Fitsilis (2026) jämförde 16 institutionellt godkända kompetensramverk för AI inom utbildning och arbetskraftsutveckling och fann en gemensam kärna av tio kompetensområden men stor variation i struktur, progression och implementeringsvägledning — det praktiska svårigheten är att välja mellan dem, inte bristen på dem.

Hur AI-kompetens utvecklas

Forskningen pekar på samarbetsinriktade och aktiva tillvägagångssätt som mest effektiva. Rismanchian & Doroudi positionerar AI-kompetens som mer än tillämpad färdighet: i deras AI×Ed-ramverk är eleven en särskild slutanvändare av AI (nådd genom AI-kompetens och AI-utbildning), och de argumenterar för förnyat arbete kring AI-kompetens som uppmuntrar reflektion över lärandet i sig — och behandlar kompetens som en väg tillbaka in i forskningen om "AI som en analogi till mänsklig intelligens" om hur människor lär, ett spår fältet till stor del övergav. ICAP-ramverket (Interactive → Constructive → Active → Passive) ger en användbar taxonomi över kognitivt engagemang: elever lär sig AI-kompetens bäst när de samkonstruerar kunskap snarare än passivt tar emot information. Designerare bör välja det läge som passar lärandemålet och föredjup de djupare (konstruktiva och interaktiva) lägena där det är möjligt. Praktiska aktiviteter — att utforma uppmaningar, utvärdera resultat i grupp, diskutera AI etik — överträffar föreläsningar.

Skrivande börjar i levd erfarenhet — men begreppsdjup kräver strukturering. Burriss m.fl. (2026) fann att ungdomar förankrade abstrakta AI-etikprinciper i system de möter dagligen — elektroniska "hall passes", skolreglerade laptops, plagiatdetektorer — där en grupp förklarade att AI i skolan "var personligt för alla gruppmedlemmar", och 15 av 18 slutenkätsvar rapporterade att att göra videon förändrade deras förståelse av AI-etik. Författarna är tydliga med begränsningen: komposition i sig garanterade inte begreppslig förankring — "informed consent" översattes som "We gotta approve", och vissa begrepp (t.ex. "failsafe") förklarades aldrig, vilket fick dem att planera djupare begreppsligt arbete i senare iterationer. Kreativ produktion utvecklar AI-kompetens bäst när explicit begreppslig strukturering åtföljer skapandet snarare än antas växa fram av det.

AI-intuition som det erfarandebaserade komplementet till kompetens. Ett återkommande gap är att K-12-ramverken antar att elever närmar sig AI genom deklarativt, regelbaserat kunskap, när de i praktiken först utvecklar en praktisk "känsla" för hur AI svarar — experimenterar med uppmaningar, observerar beteende, anpassar strategier — innan de kan artikulera formella principer. Beau & Lazar (2026) formaliserar detta som AI-intuition: en erfarandebaserad, induktiv, ofta tyst förståelse som utvecklas genom iterativ interaktion med AI-system och stöder kontextkänsligt omdöme under osäkerhet. Deras duala ramverk placerar AI-kompetens (strukturerade, i huvud statiska kompetenser) sida vid sida med AI-intuition (en dynamisk läroprocess), och avbildar båda längs standarddimensionerna — förstå begrepp, använda verktyg, utvärdera kritiskt, tillämpa etiskt, reflektera — så att elever kombinerar begreppslig tydlighet och skyddsräcken (kompetens) med den praktiska klokskapen att lita-men-pröva och avgöra när man ska avstå (intuition). Eftersom intuitionen odlar "expertobservation" av AI (t.ex. stresstestar uppmaningar för att hitta var en modell fallerar), hävdar författarna att den är ett skydd mot överberoende och erosion av kritiskt tänkande; den skiljer sig från Prompt Engineering (som optimerar resultat) genom att sätta epistemiskt omdöme i förgrunden. Detta kopplar kompetens till erfarandebaserat lärande, konstruktivism och utvecklingsmässigt förankrat klassrumspraktik, och pekar lärarförberedelse mot att underlätta induktiv utforskning snarare än enbart att leverera begrepp.

Motivation är en förutsättning, inte bara ett utfall. Liang m.fl. (2026) fann, över 2,086 elever i gymnasiet i ett ettårigt AI-kurrikulum, att elever som övergick till eller förblev i ett Self-Determined motivationsprofil (högt autonomi-, kompetens- och samhörighetsbehov) visade de största vinsterna i AI-kompetens. AI-kompetens utvecklas genom ihållande engagemang, och det engagemanget formas i sin tur av motivation och stöd för psykologiska behov — så effektiv undervisning i AI-kompetens bör beakta elevernas motivation, inte enbart deras färdigheter.

Undervisningsfokus och uppgiftsöppenhet når prestation genom olika behov. Yu, Lin och Chen (2026) randomiserade 320 grundstuderande till fyra grupper i ett 2 x 2-experiment på en AIGC-bildgenereringsuppgift som poängsattes med en objektiv rubric (ICC = 0.89) och fann att tänkandebaserad undervisning, som omfattade modellbegränsningar, kritisk utvärdering och etik, överträffade färdighetsbaserad promptundervisning (M = 9.21 vs 7.69, F(1, 316) = 50.79, p < 0.001, partial eta squared = 0.138), med den bredare marginalen på öppna uppgifter (10.10 vs 8.00). Den strukturella modellen visar att de två designvalen färdas längs olika vägar: undervisning verkade indirekt genom autonomi (beta = 0.035) och kompetens (beta = 0.079), medan uppgiftsöppenhet främst verkade genom autonomi (beta = 0.029), kompetens var den starkaste prediktorn för prestation (beta = 0.358) och samhörighet saknade oberoende effekt. Det undervisningen innehåller spelar därför större roll än om eleverna får promptövning, och det spelar som störst roll när uppgiften är öppen.

Variablerna kring AI-kompetens har sedan dess kartlagts bredare. En systematisk genomgång från 2025 av AI-kompetensens korrelat syntetiserade 31 studier över 14 länder (N = 12,071) och fann de mest konsekventa sambanden i det affektiva och beteendemässiga bandet: AI-självtillit, positiva AI-attityder, motivation och digital kompetens rörde sig tillsammans med AI-kompetens, medan AI-oro och negativa attityder rörde sig mot den. Demografiska variabler registrerades knappt, med ålder och socioekonomisk status som korrelerade svagt eller inte alls. Genomgångens varning gäller instrumenten: samma studier som gav starka korrelationer ur självskattning gav också betydligt svagare när AI-kompetens testades snarare än självskattades.

En strukturekvarationsstudie av 502 fakultetsrespondenter vid ett kinesiskt forskningsuniversitet fann AI-kompetens som starkaste prediktor för välbefinnande i AI-arbete (β = 0.713), mot en liten teknisk självtillit-bana (β = 0.082), med socialt och organisatoriskt stöd som når välbefinnandet enbart indirekt (Liu m.fl. (2026)).

En till synes negativ association vänder under kontroll: bland 303 grundstuderande i Hongkong korrelerade teknologior negativt med AI-kompetens (r = −0.14) men predicerade ändå β = 0.15 i en gemensam modell, en effekt begränsad till kritisk utvärdering och etisk kompetens (Chow m.fl. (2026)).

Hu (2026) tillför en ordnad redogörelse för vad AI-kompetens predicerar snarare än vad som predicerar den. I en enkät med 450 universitetsstudenter på Kinesiska fastlandet som redan använde ChatGPT fann studien att AI-kompetens relaterade direkt till fortsatt användning (beta = 0.16, p = 0.002) och indirekt längs en seriell bana genom förtroende och akademisk självtillit (indirekt effekt = 0.07, 95% CI [0.04, 0.10]), med kopplingen kompetens-till-förtroende som den starkaste associationen i modellen (beta = 0.50). AI-oro modererade den första kopplingen (interaktion beta = -0.25, med enkla lutningar som faller från 0.76 till 0.25 över oronsomfånget), så kedjan tunnade ut för mer oroliga elever och kompetensundervisning ensam bör inte antas nå dem. Designen är tvärsnittsstudie och urvalet är begränsat till befintliga användare, så ordningen är en modelleringsantagande snarare en en observerad sekvens.

Ett centralt tillämpat syfte med AI-kompetens är att minska AI-missbruk: att undervisa elever i att använda AI etiskt och produktivt snarare än att ersätta det med sitt eget kognitiva arbete. Där AI-kompetens bygger förmågan att kritiskt utvärdera och använda AI, är att minska missbruk den beteendemässiga och strukturella utdelningen — en kombination av verktygsdesign med skyddsräcken, omarbetning av bedömningen och utbildande spakar som strukturerade tänk-först/AI-sedan-sekvenser och promptövning med medveten feedback. De två begreppen förstärker varandra ömsesidigt: AI-kompetens tillhandahåller de kritiska förhållningssätt som gör missbruksreducerande insatser hållbara, medan bevis om missbruksreducering (t.ex. gapet mellan prestation och lärande) motiverar varför kompetens måste gå längre än operativ färdighet till kritiskt omdöme.

AI-kompetens behöver också utvecklingsmässigt anpassade former för de yngsta eleverna. AI-Play översätter AI-kompetens till lekbaserade, unplugged-aktiviteter för elever i Pre-K–K2 — organiserade kring AI Body (AI som ett system byggt av delar), AI Food (AI lär sig av exempel), AI Brain (AI förbättras genom mönster och feedback) och ett Pre/Post-AI-etiskt perspektiv — och bemöter ett ihärdigt brist på utvecklingsmässigt förankrad vägledning om AI-kompetens för småbarnsåldern och gör AI-kompetens tillgänglig för icke-tekniska pedagoger och familjer. Som komplement till detta fann Vahedian Movahed & Martin (2025) att barn i åldrarna 6–14 i stora drag litade på en åldersanpassad chattrobot som informationskälla och de flesta modellerade den som "ett smart datorprogram som lär sig" (värsta maskininlärning-förståelse), men visade dock luckor i kritiskt engagemang och medvetenhet om digital säkerhet — ett bevis för att unga elevers förtroende kan överträffa deras kritiska utvärderingsförmågor, vilket gör explicit förtroendekalibrering och säkerhetsundervisning till en nödvändig del av AI-kompetens för barn.

Mätning håller jämna steg med detta utvecklingsmässiga vändning på den yngre sidan. Thianwan och Srikoons validering 2025 av ett självskattningsformulär för AI-kompetens för äldre årskurser i grundskolan utvecklade ett instrument med 15 poster för årskurs 4 till 6, organiserat kring Learning About AI, Learning About How AI Works och Learning for Life with AI, och bekräftade en trefaktorstruktur i två urval (n = 335 och n = 579) med ett sammantaget Cronbachs alpha på .934. Författarna ramar in det som en formativ diagnos av upplevd snarare än påvisad kompetens, och noterar att barns självskattningsnoggrannhet begränsas av metakognitiv förmåga som fortfarande är under utveckling.

Projektbaserat lärande som leveransmekanism. Zhu & Kong (2026) utvecklade och validerade en skala för projektbaserat lärande i AI (AI-PBLS) och använde, i ett Hongkong-urval av 1,027 elever i gymnasiet och universitet (446 med kompletta data), strukturekvarationsmodellering för att visa att stärkning i att använda AI för problemlösning och AI-etisk medvetenhet gemensamt medierar förhållandet mellan upplevd projektbaserad lärande och tillfredsställelse med en AI-kompetenskurs. Detta positionerar PBL inte enbart som ett leveransformat utan som en mekanism som bygger elevens självförtroende och etiska resonerande vid sidan av kompetens, och förstärker kopplingen mellan PBL och meningsfull utveckling av AI-kompetens. Det tillhandahåller också ett validerat mätinstrument för framtida mätning av erfarenheter i AI-kompetenskurser.

Att höja kompetensens etiska dimension har ett teckenproblem. Bland 584 grundstuderande som lärde sig AI själva höjde kompetens etisk medvetenhet (β = 0.644, p < .001), och etisk medvetenhet höjde i sin tur AI-oro (β = 0.439, p < .001) snarare än att sänka den, det omvända av den förutspådda riktningen (Mu m.fl. (2026)). Läxan författarna drar är att undervisning om hur etiska frågor styrs måste åtfölja den etiska dimensionen i sig, annars kan kompetensarbete lämna eleverna mer oroliga än det fann dem.

AI-kompetens som ett centralt gap i ramverk för konversations-AI. Paraplygenomgången av konversationsagenter för AI (Ganguly m.fl. 2025, 34 genomgångar) identifierar begränsat stöd för AI-kompetens som ett stort gap i CAI-ramverk, och dess färdplan för etisk användning gör grundläggande bedömning (inklusive att stärka AI-kompetens) till den första pelaren vid sidan av deltagande design, riktlinjer för etisk användning och löpande utvärdering av kognitiv påverkan. Den finner vidare att AI-kompetens, träning och medvetenhet hör till de mest betonade etiska riktningarna i CAI-litteraturen.(Conversational AI agents in education: an umbrella review of current utilization, challenges, and future directions)

Effektiviteten hos insatser för AI-kompetens. En trenivåmetaanalys av 59 studier (172 effektstorlekar, 7,211 deltagare) uppskattar en stor sammantagen effekt av insatser för AI-kompetens (g = 0.837, p < .001) — men med ett brett prediktionsintervall [−0.292, 1.966], så effektiviteten varierar avsevärt mellan sammanhang. Insatser i Östasien och Europa överträffade dem i Nordamerika, och kunskapsinriktade insatser överträffade dem som riktade sig mot färdigheter, attityder eller etik. Författarna menar att undervisning i AI-kompetens därför bör gå längre än kunskap mot färdigheter, praktik, etik och attityder, stött av integrerade och reflekterande pedagogiker (projekt- och problembaserade, undersökandebaserade, erfarandebaserade) och GenAI-stödda verktyg — en förskjutning som ligger i linje med de deltagande, producentinriktade formerna av komputationellt tänkande som beskrivs annars i denna kunskapsbas.

En andra syntes når liknande storlek på en smalare bas och skärper mätproblemet. Yu, Kim, Chang och Huang (2026) slog samman 57 effektstorlekar från 16 studier omfattande 3,837 K-12-elever som undervisades i AI snarare än med AI, och uppskattade Hedges' g = 0.892 (95% CI [0.548, 1.236], p < .001), robust mot antagna korrelationer före-efter från 0 till 1 och stabilt efter trim-and-fill vid g = 0.952. Alla 57 effekter pekade positivt (omfång 0.16 till 4.93), och ingen moderator (publiceringskälla, år, skolnivå) förklarade den betydande heterogeniteten (I² = 94.68%). Författarnas föredragna förklaring är mätning: de inkluderade studierna kallade allt från AI-kunskap och etik till attityder, motivation, självtillit och karriärintresse för "AI-kompetens", så det sammanvagna talet beskriver en fördelning av positiva fynd under en enda lös etikett snarare än en enda enhetlig insats. Läst vid sidan av Liu m.fl. instämmer de två uppskattningarna om att undervisning i AI-kompetens fungerar och om litet annat, vilket i sig är fältets mätsignal.

Klassrumsbevis för avsiktligt korta design är tunnare, men de pekar i samma riktning och lägger till ett beteendemässigt utfall som enkäter inte kan ge. Clerc m.fl. (2026) gav 116 franska elever i årskurs 8–9 en tvåtimmarsworkshop om hur LLM:er fungerar och misslyckas, ihop med övning i att förutsäga om en uppmaning skulle ge ett användbart svar, utvärdera svaret och revidera eller fråga igen. Två dagar senare, under sex LLM-stödda naturvetenskapsproblem med en kontrollgrupp, accepterade tränade elever underspecificerade uppmaningar mindre ofta (51.5% vs. 66.7%, OR = 0.47), ställde uppföljningsfrågor efter ett svagt svar betydligt oftare (59.2% vs. 27.9%, d = 0.80), och bedömde svars korrekthet mer känsligt för promptkvalitet (interaktion OR = 2.52), med en blygsam skillnad i poäng (11.38 vs. 10.29 av 20, p = .040). Workshoppen repeterade aldrig testuppgifterna, så det som fördes över var en regulatorisk hållning snarare än uppgiftsbekantskap — och författarna är tydliga med att två dagar inte är varaktighet.

AI-stödd kritisk mediekompetens i grundskolan. Demir och Akar (2026) ger en konkret grundskoledemonstration av GenAI-stödd kompetensundervisning: ett 18-timmars, 5E-modellerat program för turkiska elever i årskurs 4 där ChatGPT och Grammarly införlivades fas för fas som pedagogiska agenter (ChatGPT för reflekterande frågor och frågor-svar, Grammarly och Canva AI för innehållsförfining, Padlet för kamratbedömning), anpassat till de turkiska kursplanerna för turkiska språket och samhällskunskap. Den AI-stödda gruppen visade stora vinster i medieläsning (+3.50), skrivande (+1.67) och total mediekompetens (+5.17, alla p < .01) med mellangruppseffektstorlekar på Cohens d = 1.12–1.31, medan kontrollgruppen bara avancerade blygsamt. Kvalitativ analys avslöjade sex domäner av tillväxt i kritisk mediekompetens — digital självskydd och dataintegritet, målinriktat och ansvarsfullt mediebruk, säker kommunikation och gränsmedvetande, kritisk utvärdering och medvetenhet om desinformation, medvetenhet om nätrisker, och medieetik/digitalt medborgarskap — bevis för att utvecklingsmässigt anpassad, i disciplinen inbäddad GenAI-användning kan bygga de kritiskt utvärderande och etiska dimensionerna av AI-kompetens, inte bara operativ färdighet.

Ramverk för att strukturera AI-kompetens. Flera nya bidrag erbjuder strukturerade progressioner för att bygga AI-kompetens. Marienko, Markova och Semerikov (2026) föreslår ett femnivåramverk (Awareness, Application, Evaluation, Creation, Ethics) integrerat med tre paradigmer för AI i utbildningen (AI-directed, AI-supported, AI-empowered), utvecklat genom en blandad metoder-studie av ukrainska gymnasiepedagoger (nationell enkät n = 2018; PD-utvärdering n = 1130). De fann att 84% av pedagogerna använder AI men bara 11% kan identifiera specialiserade tjänster utöver ChatGPT, och en yrkesutbildningsinsats gav en förbättring på 24% i AI-kompetens — ett bevis för att riktad PD driver kompetens bortom ytlig verktygsbekantskap. Ramverkets förankring i konstruktivism, connectivism och TPACK kopplar till TPACK och lärares AI-kompetens. Som komplement till detta använde Moore m.fl. (2026) en tvåårig DBR-process med ett ungdoms- och AI-expertrådgivande råd för att utforma ett naturvetenskapligt integrerat ML-kurrikulum för gymnasieungdom, och fann ML-kunskapsvinster i båda kohorterna (Kohort 2 M2−M1 = 0.175 vs Kohort 1 0.076) och större vinster bland kvinnliga och icke-vita deltagare — ett bevis för att deltagande, i disciplinen integrerad design kan driva både AI-kompetens och rättvisa.

En PRISMA-genomgång av 39 STEAM-studier (2016–2025) fann att dessa implementationer främst utvecklar tekniska kompetenser — grundläggande AI-begrepp, komputationellt tänkande, datakompetens — samtidigt som de underutvecklar etisk medvetenhet, kreativ fantasi och att skapa, hantera och utforma med AI, så i disciplinen inbäddade enheter kan ändå missa de högre ordningens delarna (Niri m.fl., 2026).

Begreppet är omstritt just där pedagogerna är berörda. En genomgång av 34 studier om AI-kompetens inom lärarutbildning fann att fältet saknar samstämmighet om vad AI-kompetens betyder för yrkesverksamma pedagoger till skillnad från allmän digital kompetens, och UNESCO:s AI Competency Framework for Teachers specificerar 15 kompetenser över fem dimensioner samtidigt som den fungerar som en global policyreferens snarare än implementeringsvägledning. Fakulteten i det tvärinstitutionella samarbetet för lärarförberedelse behandlade AI-kompetens som en integrerad dimension av yrkesmässig förberedelse snarare än en separat teknisk färdighet, så kandidaterna förväntades granska, jämföra och motivera AI-resultat inom disciplinernas kursarbete snarare än att demonstrera verktygsbekantskap.

Den initiala lärarförberedelsen är där strukturen är som tunnast. Pinto m.fl. (2026) granskade 11 studier om AI inom initial lärarutbildning för blivande matematiklärare i låg- och mellanstadiet och fann att nio var en enda session eller ett fåtal sessioner inbäddade i befintliga kurser, att promptvar explicit träningsinnehåll i bara några av dem, och att etik förekom i bara tre, av vilka ingen behandlade transparens, algoritmisk bias eller ansvarsutkränning. De risker de rapporterar är misslyckanden på kompetensnivå: blivande lärare upptäckte inte begreppsmässiga fel producerade av ChatGPT, accepterade genererat innehåll okritiskt och delegerade mer problemlösning till verktyget i takt med att uppgifterna blev svårare. Deras rekommendation är att bygga AI-kompetens över hela träningssekvensen, från en förberedande fas in i praktiken, snarare än i en isolerad modul.

Lärarnas redogörelser för varför AI-undervisning bedrivs lägger till ett syftelager som kompetensramverk läm implicit. Fagerlund m.fl. (2026) intervjuade 13 finländska lärare från förskolan till årskurs 9, till stor del nybörjare inom AI-undervisning, och läste deras syftesuttalanden genom Biestas tre domäner. Kvalifikation, förvärvet av kompetenser, var det tydligaste och mest konkreta syftet, och det fungerade som en väg in i de andra två: eleverna skulle förstå AI som ett sociotekniskt fenomen och använda dess verktyg, med AI som både mål och hjälp för lärandet. Socialisering framträdde som att odla entusiasm, presentera AI som "coolt", och rama in elever som framtida AI-kunniga arbetstagare som måste möta kompetenskrav. Subjektifiering, det självbestämda och personligt meningsfulla engagemanget Biesta betraktar som centralt, nämndes som viktigt men saknade konkret undervisningsrepertoar utöver diskussion och eftertanke, och lärarna erbjöd inga genomarbetade exempel på att bestrida AI:s auktoritet. Författarna föreslår informerad AI-agency, en heuristik som placerar subjektifieringen i centrum samtidigt som den behandlar kompetenser som förklarande ramverk för självbestämda val. Designimplikationen är att "varför" i AI-undervisning behöver lika mycket designuppmärksamhet som "hur": när subjektifieringen vilar på generisk diskussion, faller undervisning i AI-kompetens tillbaka till den kvalifikation den var menad att stå vid sidan av.

Beredskapen i sig är ett omstritt mål. Charles (2026) hävdar att lärares beredskap för AI-rikt lärande bör läsas ur kvaliteten på de design lärare producerar, inte ur adoption, förtroende eller digital kompetens, och bygger ett ramverk kring designmedling: observerbara beslut som verktygsval, uppgifts- och promptdesign, strukturering, verifiering, transparens, omarbetning av bedömning, planering av tillgänglighet och mänsklig tillsyn. Två av dess påståenden har direkta konsekvenser för yrkesutveckling. För det första är självtillit en mobiliseringsresurs snarare än en kvalitetsindikator, eftersom tillit utan AI-specifikt pedagogiskt kunskap eller etisk orientering kan accelerera dålig design snarare än förhindra den, vilket kvalificerar den vanliga tolkningen av lärares tillit som en beredskapsignal. För det andra är policytydlighet och institutionellt stöd separata moderatorer, så materiellt stöd kan vara högt medan förväntningarna förblir otydliga och beredskapen ändå översätts dåligt. Ramverket avstår också från att likställa icke-användning med obuden beredskap, eftersom ett välmotiverat beslut att avstå från AI i sig kan vara ett uttryck för designomdöme. Det är begreppsligt och ovaliderat, så det tillhandahåller propositioner och beviskällor snarare än etablerade effekter.

AI-interaktionskompetens: den interaktionella dimensionen. Brunnström och Palmqvist (2026) föreslår en smalare, interaktionell kompetens — förmågan att styra, utvärdera och lära av iterativ interaktion med GenAI — som en särskild förverkligande av de applikativa, utvärderande och integrativa dimensionerna i bredare ramverk som AI Literacy Heptagon. Deras reflekterande demonstration visar vad den består av i praktiken: att känna igen att ett flytande svar är riktat ovanför ens eget schema, att be om förenkling, begränsa omfånget och omrikta systemet mot fokuserad övning. Två designkonsekvenser följer — färdigheten är ojämnt fördelad, så ostyrd användning kan gynna redan tillitsfulla elever och vidga gap (rättvisa), och den måste undervisas explicit snarare än antas, med lärare som täcker hur man formulerar produktiva uppmaningar och när man ska sluta använda verktyget (självreglerat lärande).

Kritisk AI-kompetens: bortom färdigheter till makt och motstånd

En distinkt spår i kunskapsbasen behandlar AI-kompetens inte enbart som färdigheter eller kritisk utvärdering utan som en kritisk och politisk praktik som ifrågasätter makt, auktoritet och vars kunskap som räknas. Detta kopplar AI-kompetens till kritisk pedagogik och rättvisa:

• "Att motstå AI" som en kompetenshållning. Kritisk AI-kompetens (CAIL) kan omfatta att motstå AI — att vägra acceptera oundvikligheten och tekniska lösningsförtrytelsen i dominerande diskurs, och att odla kollektiv agency genom dialogiska, samarbetsinriktade pedagogiker.(Reorienting Critical AI Literacy: A Community-Rooted Praxis of “Resisting AI”) Detta positionerar utbildningen som ett rum där gemenskaper föreställer sig och bygger alternativa framtider, snarare än enbart anpassar sig till en given teknologisk ordning.
• Gemenskapsbaserade epistemologier. Gemenskapsbaserat AI-lärande förankrar AI-engagemang i elevernas levda och gemenskapsbaserade sätt att veta, och omfördelar AI:s epistemiska auktoritet genom epistemisk finjustering, omfördelning av auktoritet och situationsbunden urskiljning.(Community-Based AI Learning: Redistributing Artificial Intelligence's Epistemic Authority in Education)
• Kritiska och feministiska ramverk. Kritisk, feministisk forskning menar att AI-kompetens bör ramas in inom pedagogiker för rättvisa, motstånd och kulturell hållbarhet — och frågar vars kunskap AI producerar, vem som gagnas och vem som ansvarar när system misslyckas.(Can we disrupt the momentum of the AI colonization of science education?)
• Situationsbundna kurrikulumenheter. AI-kompetens kan byggas genom situerade, aktiva undervisningsinstrument (t.ex. Episodes of Situated Learning) som utvecklar AI-kompetenser över nivåer snarare än genom abstrakt undervisning.(Towards AI literacy: A proposal of a framework based on the Episodes of Situated Learning)
• Kreativ komposition som pedagogik för kritisk AI-kompetens. I stället för att behandla AI-kompetens som teknisk kunskap eller individuella kompetenser, gestalta möjligheter för elever att komponera budskap om AI för verkliga målgrupper — en multimodal produkt som en public service announcement demonstrerar och kommunicerar samtidigt kritisk kompetens. I Burriss m.fl.s (2026) klassrumsstudie valde 22 elever i årskurs 11 sina egna AI-etikfrågor och gjorde videoutsändningar om skolövervakning, informerat samtycke och algoritmisk anklagelse; över alla sju filmer uppstod skadan ur människa–maskin-förveckling snarare än ett skurkaktigt verktyg, handlingarna slöt sig ändå mot hoppfullhet och agency, och författarna positionerar berättande och opinionsbildning — motståndskraftiga mot traditionell bedömning — som centralt för pedagogik för kritisk AI-kompetens som sätter elevidentitet, val och röst i centrum.("Young Scholar[s] on the Beat": Multimodal Composition as a Form of Critical AI Literacy Pedagogy)
• Regulatorisk kompetens, inte acceptans. Kim (2026) omformar AI-kompetens inom högskolan som regulatorisk kompetens — en förverkligande praktik av att verifiera, revidera, selektivt anta eller förkasta AI-resultat under akademiskt arbete — och visar att utvärderande förmåga och etisk medvetenhet (inte enbart vilja att använda AI) predicerar aktivt, kritiskt engagemang.(From AI Anxiety to Strategic Regulation: How University Students Transform Generative AI into a Strategic Learning Resource)
• Att känna igen smickrande svar som en kompetens. En central utvärderande kompetens är att känna igen när en AI håller med eleven snarare än har rätt. Situationsbunden smickrande svar visar att AI-kompetens och promptträning minskar — men inte eliminerar — smickrande spegling av användarens fel, och smickrande AI föredras av användare just för att den får dem att känna sig förstådda. AI-kompetens måste därför undervisa elever i att upptäcka överensstämmelse för sin egen skull och att värdesätta korrigerande friktion, i koppling till förtroendekalibrering och att minska AI-missbruk.
• Värdering, inte bara verifiering. O'Byrne (2026) fann att elever som enbart kontrollerade resultat för korrekthet, trovärdighet och relevans ändå accepterade begreppsmässigt tillplattade arbeten, medan de som också bedömde nyans, röst och epistemisk hållning omskrev dem — vilket gör "när man inte ska delegera omdöme" till kompetensfrågan.

Dessa kritiska spår kompletterar de operativa och kognitiva dimensionerna av AI-kompetens: där de senare frågar "kan eleven använda och utvärdera AI?", frågar kritisk AI-kompetens "förstår eleven och utmanar de maktstrukturer AI förkroppsligar?"

AI-kompetens inom STEM-undervisningen

Det mest utvecklade disciplinspecifika bevismaterialet för AI-kompetens kommer från STEM-undervisningen, och Hallström, Chiu, Ding, Koretsky och Li (2026) syntetiserar dess tio mest citerade studier (2022–2026) för att visa både baslinjen och dess gränser. Över materialet definieras AI-kompetens genom sex överlappande begrepp — kunskap/färdigheter/attityder (Su & Yang 2024), begreppsmässig-procedural-kontextuell kunskap (Stolpe & Hallström 2024), know-understand/use-apply/evaluate-create/ethics (Ng et al. 2022) och Long & Magerkos inramning av use–communication–evaluation (Hornberger et al. 2023) — så fältets ”begreppsliga tvetydighet" är ett mätproblem: två studier kan båda bedöma ”AI-kompetens" utan att bedöma samma begrepp. Endast två av de tio erbjuder fullständiga ramverk. Genomgångens skarpaste fynd är en asymmetri — materialet mäter nästan uteslutande elevernas kompetens medan nästan ingenting utvecklar lärarnas, ett gap som lämnar lärarinriktade insatser för AI-kompetens vilande på antagande snarare än bevis, och som författarna kopplar till det praktiska kravet att lärarna själva vara AI-kompetenta för att driva sådana insatser.(AI Literacy and STEM Education: Emerging Frontiers and Research Priorities)

Chatbotbevisen i materialet talar mot flytbaserad träning. Ding m.fl. (2023) fann att ChatGPT-handledning inom universitetsfysik höjde självförtroende och kunskap men förstärkte en missuppfattning om AI som ”övermänsklig och ofelbar", och drog slutsatsen att undervisning i AI-kompetens är ”i första hand att förbättra elevernas förmåga till kritiskt tänkande vid bedömning av information". Xu m.fl. (2026) fann att ChatGPT-stött programmering inom STEM förbättrade självförtroende och kunskap men lämnade komputationellt tänkande och självständigt tänkande oförändrade — vinster i flyt som samexisterar med ingen vinst i tänkande. Båda fynden speglar oron för förtroendekalibrering och överberoende på andra håll på denna sida: en handledare som aldrig motsäger eleven kan producera tillitsfulla elever som inte kan utvärdera. Attityd, inte beredskap eller självtillit, visade sig vara den starkaste determinanten för faktiskt AI-verktygsbruk bland grundstuderande inom STEM (Falebita & Kok 2025), och genomgången noterar att den disciplinära täckningen inom STEM lutar mot biologi och fysik med teknik som ämne nästan frånvarande. För disciplinspecifik design är genomgångens praktiska varning att omfattande kompetensramverk (UNESCO, EU/OECD) ”ofta saknar koppling till empirisk forskning eller tillräckligt teoretiskt underlag" och att få är klassrumsapplicerbara.

Vems AI-färdigheter räknas? Klyftan mellan pedagogers och arbetsgivares ramar

En central öppen fråga inom AI-kompetens är vilka färdigheter som spelar roll och för vem. En Ithaka S+R-studie som jämförde hur amerikanska pedagoger och arbetsgivare prioriterar de 26 färdigheterna i HiBob AI Skills Framework fann att de instämmer om vikten av endast en (att sätta realistiska förväntningar på AI-stött arbete). Pedagoger viktar en kritisk, ansvarsfull-användningsorientering — att känna igen AI:s gränser, transparens och attribution, mänskligt ansvar, proaktiv granskning av resultat — vilket ligger i linje med akademiska värderingar om attribution, granskning och informationskompetens. Arbetsgivare viktar produktivitetsinriktade färdigheter — utvärdering och omarbetning av arbetsflöden, automatisering och människa–AI-lagsarbete — som speglar effektivitet i teambaserade arbetsmiljöer. Eftersom bara tre av 26 färdigheter undervisas av hälften eller fler pedagoger, och de som undervisas lutar mot de kritiskt-bruk-kategorierna, identifierar rapporten ett konkret AI-färdighetsgap: hela kategorier som arbetsgivare värdesätter varken prioriteras eller undervisas i högskolekurrikulumen.(AI skills for college graduates: Exploring how instructors and employers prioritize AI skills differently) Denna klyfta ramar AI-kompetens som ett omstritt begrepp — kritisk-bruk-kompetens för akademiska sammanhang kontra arbetsflödesintegrerad kompetens för anställning — en spänning relevant för hur AI-användning ramas in för elever, kurrikulumdesign och yrkesutbildning.

Elevernas egna betyg berättar en närbesläktad men annorlunda ordnad historia. ElSayary och Ragab (2026) enkätade 380 universitetsstudenter, mest STEM-inskrivna frekventa AI-användare, och fann att självskattad AI-kompetens bar huvuddelen av förklaringen av upplevd beredskap för anställningsbarhet: fyra kompetensdimensioner adderade ΔR² = 0.554 (p < .001) ovanpå bakgrundskontroller värda endast 0.054, och den fullständiga modellen nådde 60.8% av variansen. Inom kompetensuppsättningen var den utvärderande dimensionen starkast (Analyze & Evaluate, β = 0.286), följt av den affektiva (Attitudes & Mindsets, β = 0.266), med praktiskt bruk (β = 0.217) och grundläggande kunskaper (β = 0.187) efter dem; för upplevd karriärberedskap specifikt var endast Analyze & Evaluate (β = 0.216, p < .001) och Attitudes & Mindsets (β = 0.192, p = .004) signifikant associerade. Läst mot Ithaka-klyftan lutar elevernas egen känsla av arbetsmarknadsberedskap mot den kritiskt utvärderande orienteringen pedagoger föredrar snarare än de arbetsflödesintegrerade färdigheter arbetsgivare viktar. Designen är en enkät vid ett enda tillfälle med enhetligt höga medelvärden (4.17 till 4.57 av 5) och utan arbetsgivar- eller anställningsmått, så vad den visar är att självskattad AI-kompetens och självskattad anställningsbarhet rör sig tillsammans, med de utvärderande och dispositionsmässiga delarna som gör mest av arbetet, inte att dessa elever är påvisbart arbetsmarknadsredo.

Utforma insatser för AI-kompetens

Kunskapsbasens ramverk och empiriska studier konvergerar mot en uppsättning praktiska riktlinjer för pedagoger och instruktionsdesigners som bygger insatser för AI-kompetens:

1. Använd ett strukturerat kompetensramverk som strukturering, inte som checklista. Mogna ramverk ger designers ett delat ordförråd och ett utvecklingsmässigt sekvenserat mål. SAIL-ramverket organiserar AI-kompetens i tre domäner (AI Concepts; Application and Technical Skills; AI Digital Citizenship) över fyra strukturerade nivåer — Understand and Explore → Apply and Integrate → Evaluate and Create → AI++. AI Literacy Heptagon skär tvärs genom sju dimensioner (teknisk kunskap, tillämpning, kritiskt tänkande, etik, samhällspåverkan, integration, rättsligt/regulatoriskt) med fyra Bloom-anpassade färdighetsnivåer, och betonar att tonvikten måste anpassas till disciplinsammanhanget — tekniska program viktar tillämpning, humanioraprogram viktar etiskt och samhällspåverkansrelaterat resonerande.(The Scaffolded AI literacy (SAIL) framework: Results of a Delphi study for equitable AI literacy framework design in education)(The AI Literacy Heptagon: A Structured Approach to AI Literacy in Higher Education)

2. Engagera elever över ICAP-lägen. Genom att tillämpa ICAP-ramverket ger effektiv undervisning eleverna möjligheter att engagera sig på flera kognitiva nivåer — passiv exponering (föreläsningar om AI-begrepp), aktiv manipulering (praktiskt verktygsbruk), konstruktiv generering (att skapa AI-artefakter, självförklaring) och interaktiv dialog (samarbetsbaserad problemlösning med jämlikar och AI) — med val av det läge som passar lärandemålet. En systematisk genomgång fann att framgångsrika samarbetsinriktade insatser för AI-kompetens spände över alla fyra ICAP-lägen.(Systematic Review of Collaborative Learning Activities for Promoting AI Literacy)

3. Bedöm påvisad kompetens, inte självuppfattning. Självskattad AI-kompetens avviker kraftigt från uppmätt prestation — lärare överskattar sina AI-färdigheter med ~40%, och prestationsbaserade mått korrelerar betydligt bättre med integrering av AI i klassrummet än självskattningar (r≈0.72 vs 0.31). Utforma insatser kring prestationsbaserad bedömning och kalibrering snarare än förtroendeenkäter, och använd diagnostiska profiler (överskattare vs. verkliga nybörjare) för att rikta stödet.(How to Assess AI Literacy: Misalignment Between Self-Reported and Objective-Based Measures)

4. Bygg metakognitiva och kritiska förhållningssätt, inte bara operativ färdighet. AI-kompetens förstås bättre som en metakognitiv social praktik än som en färdighetschecklista: eftersom LLM:er är probabilistiska och ogenomskinliga måste eleverna övervaka och anpassa sina strategier, odla vetenskaplig skepsis och ifrågasätta hur algoritmer formar kunskapsproduktion — inte bara lära sig att hantera verktyg. Deltagande samdesign och experimentella, projektbaserade rum (inte engångsverktygsträning) är där denna medvetenhet växer.(Metacognitive AI literacy: going beyond the AI skills gap agenda)

5. Bädda in kompetensen i disciplinen och gör den ihållande. Rörelsen mot högre stadier av AI-kompetens (från okritiskt bruk → informerat bruk → kritisk utvärdering → förbättring) är mest synlig när upplevelserna är ihållande och inbäddade i disciplinen snarare än levererade som fristående workshops. Designa för upprepad, kontextuell praktik inom äkta kursarbete.(Beyond Tool Adoption: A Practical Five-Stage Developmental Continuum for AI Literacy in Higher Education) En konkret modell för kritisk kompetens inbäddad i disciplinen är uppgiftsbaserade taxonomin för Dierickx m.fl. (2026) för journalistik: den avbildar LLM-stödda uppgifter över de fyra stadierna i nyhetsarbetsflödet (nyhetsinsamling, sinnestolkning, redigering, publicering/distribution), var och en knuten till en basuppmaning och en strategi för risk och begränsning. Genom att behandla uppgiftsdefinition och prompting som en situerad form av yrkesmässigt omdöme — inte en neutral teknisk färdighet — förvandlas prompting i sig till ett farkost för kritisk AI-kompetens (bias, hallucination, överberoende, och det bestående värdet av mänsklig redaktionell tillsyn), och dess underliggande logik överförs till andra kunskapsintensiva yrken (juridik, medicin, offentlig policy). Som komplement till sådana disciplinspecifika taxonomier klassificerar taxonomin för Dohn m.fl. (2026) GenAI-läraktiviteter längs sex dimensioner, av vilka Epistemic Engagement (att förstå / använda / kritiskt granska / konstruera GenAI) direkt operationaliserar AI-kompetens som djupet av elevernas kognitiva relation till teknologin — från passiv exponering till aktiv kritik och konstruktion.

6. Behandla rättvisa och den digitala klyftan som designbegränsningar. AI-kompetens är en mekanism för att möta den trenivåerade digitala klyftan (tillgång, färdigheter, utfall): att stänga enhetsgapet är otillräckligt om inte färdigheter och kritiskt bruk byggs så att fördelarna fördelas rättvist. Insatser bör planera explicit för elever som kommer in med mindre tidigare AI-tillgång, och införliva kulturella och styrningsmässiga perspektiv snarare än att behandla kompetens som kulturneutral.(The Scaffolded AI literacy (SAIL) framework: Results of a Delphi study for equitable AI literacy framework design in education)(digital klyfta)

7. Para ihop kompetens med spakar för att minska missbruk. Eftersom AI-missbruk aktivt skadar varaktigt lärande bör kompetensundervisning kopplas till de strukturella och utbildande spakar som dokumenteras under att minska AI-missbruk — verktygsdesign med skyddsräcken i "hint-not-answer"-stil, omarbetning av bedömningen, och strukturerade tänk-först/AI-sedan-sekvenser med medveten promptövning.

8. Börja från elevernas faktiska utgångspunkt. Elever kommer in med distinkta orienteringar — undvikande driven av rädsla, misstro eller brist på tillgång, kontra okritiskt förlitan som döljer missförstånd. Ett diagnostiskt, stadiebaserat tillvägagångssätt (snarare än ett enhetligt kurrikulum) låter designers möta eleverna där de är och föra dem mot kritiskt, ansvarsfullt engagemang.(Beyond Tool Adoption: A Practical Five-Stage Developmental Continuum for AI Literacy in Higher Education)

9. Utvidga utbudet bortom de målgrupper formell utbildning redan når. AI Literacies-ramverket för public service-media argumenterar utifrån en landskapsgenomgång av mer än 40 ramverk och 35 expertintervjuer att utbudet har lutat sig mot tekniska och funktionella färdigheter, och att AI-literacies överlappar varandra och bör kopplas till digital, medial och informationskompetens snarare än undervisas som ett fristående ämne. Dess struktur — sex kompetensområden, fem värden och tre progressionsnivåer (Understanding and Applying, Analysing and Evaluating, Synthesising and Specialising) med en bedömningsguide — är en användbar mall för aktörer utanför formell skolgång, och dess rättviseargument är en designinstruktion: att nå unga människor som är digitalt eller på annat sätt marginaliserade kräver avsiktliga partnerskap, inte universell publicering.(Supporting AI Literacies for Young Adults Aged 14-19: A value-based, practical framework for public service media organisations)

Mäta AI-kompetens

Ett distinkt forskningsspår behandlar AI-kompetens inte bara som ett mål för undervisning utan som ett begrepp att mäta. Kunskapsbasens bedömningsspår skiljer självskattad från prestationsbaserad kompetens: självskattningar avviker kraftigt från påvisad kompetens (lärare överskattar med ~40%), och prestationsbaserade mått predicerar integrering av AI i klassrummet betydligt bättre än förtroendeenkäter (r≈0.72 vs 0.31). Insatsarbete återger denna divergens på beteendenivå: i Clerc m.fl. (2026) predicerade varken GenAI-attityder eller en allmän skala för metakognitiv medvetenhet elevernas reglering av LLM-interaktion eller deras slutliga uppgiftspoäng (r = .01 och r = .04, båda icke-signifikanta), medan de beteenden workshoppen förändrade — att förkasta underspecificerade uppmaningar, bedöma svars korrekthet, ställa en uppföljningsfråga — faktiskt spårade svarskvalitet. Validerade instrument håller på att växa fram för att stänga detta gap — GLAT tillhandahåller en psykometriskt validerad bedömning av generativ AI-kompetens, och diagnostiska profiler (överskattare vs. verkliga nybörjare) låter designers rikta stödet där det behövs. Guo m.fl. (2026) kartlägger detta instrumentlandskap direkt och granskar 80 validerade ramverk — 69 för digital kompetens och 11 för AI-kompetens — publicerade mellan januari 2014 och februari 2025. AI har dragit digital kompetens mot etik och omformat kommunikation till att omfatta människa–AI-interaktion, medan metakognitiv reglering och pedagogspecifikt människa–AI-samarbete förblir de minst specificerade. För design och forskning kopplar detta AI-kompetens till utbildningsmätning och till bedömning i bred bemärkelse: ett kompetensramverk är bara så användbart som de instrument som används för att spåra tillväxt, och stadiebaserade kontinuum kräver tillförlitlig mätning för att placera eleverna längs dem.

Ett instrument med 32 poster och sex fasetter utvidgar fyr dimensionsmodellen med ytterligare två fasetter — ansvarsfull användning och självutveckling — och upprätthåller skalär invarians över ungdomar (12–17), unga vuxna (18–40) och vuxna i medelåldern (41–60), även om författarna varnar för att ΔCFI närmade sig det konventionella skärvärdet (Liu m.fl. (2026)).

Zhi, Yang och Huang (2026) bygger en forskarnivåspecifik modell på Marzanos taxonomi: grundad teori-analys av intervjuer med 14 professorer kondenserade 329 råetiketter till 96 begrepp, 15 kategorier och fem dimensioner (kognitiv grund, operativa färdigheter, högre ordningens tänkande, metakognitiv reflektion, etiskt ansvar), och operationaliserade dem sedan som en Likertskala med 15 poster vars fem faktorer framträdde i explorativ faktoranalys (83.14% av kumulativ varians) och höll i bekräftande faktoranalys på ett andra delurval (CFI = 0.934, RMSEA = 0.083), med tillförlitlighet från 0.796 till 0.842 över 308 giltiga enkäter.

Critical 3wAI Literacy Scale (Bozkurt, Ertan & Cömert, 2026) validerar samma tredelade struktur för vuxna elever som ett självskattningsinstrument (n = 546 och n = 647; χ²/df = 4.93, CFI = 0.931, α = 0.913). Dess Know-How- och Know-Why-faktorer kom ut som de närmast kopplade (HTMT = 0.544), medan teoretisk kunskap ensam inte översattes till praktisk effektivitet. Som självskattningsmått delar den det divergensproblem som dokumenterats ovan, så den är en validerad diagnos snarare än ett prestationsmått — och författarna efterlyser omvalidering över åldersgrupper och kultursammanhang.

En närbesläktad fråga är vad instrumenten överhuvudtaget kan mäta. Burriss m.fl. (2026) noterar att befintliga skador för AI-kompetens och kompetensramverk antar individuellt mätbar prestation och därmed strukturellt utesluter samarbetsbaserat, kreativt uttryck — deras enhets bevis var multimodala filmartefakter, reflektioner och civilt diskurs snarare än en summativ poäng, och författarna menar att sådana bevis kan komplettera snarare än ersätta konventionella mått. Att bredda begreppet kan därför kräva att man breddar de tillåtna bevismedlen, inte bara lägger till modalitetsrika poster i befintliga skador.

Ett komplementärt spår mäter hur elever och lärare tar emot AI-kompetens-material snarare än deras kompetens i sig. Wang, Chuang och Wu (2026) lät 794 elever och 37 lärare betygsätta två upplageutgåvor byggda efter UNESCO:s ålderströskel (ålder 9-12 och 13-18) efter ungefär 30 minuters väglett klassrumsexponering. Acceptans höll en fyrfaktorstruktur (Performance Expectancy, Effort Expectancy, Perceived Playfulness, Behavioral Intention) med mätinvarians stödd över de två elevutgåvorna, yngre elever poängsatte högre på alla fyra begrepp, och upplevd lekfullhet bar den största associationen med avsikt i båda kohorterna. Författarna är tydliga med vad detta inte är: upplevd acceptans av en åldersdifferentierad resurs är inte uppnådd AI-kompetens, etiskt resonerande, adoption eller ihållande användning, och acceptans på materialnivå bör inte läsas som bevis för att kompetensen förbättrades.

Mätningen sträcker sig också till de pedagoger som medierar elevernas engagemang med AI. De flesta bedömningar av AI-kompetens riktar sig till elever eller allmänna användare, vilket lämnar ett gap inom lärarutbildning — ett gap som Teachers' AI Literacy Scale (TAILS) bemöter: förankrad i ED-AI-ramverket med sex dimensioner (kunskap, utvärdering, samarbete, kontextualisering, autonomi och etik) validerades den genom explorativ och bekräftande faktoranalys med blivande språklärare. Sådana instrument stöder mätning och utveckling av AI-kompetensen hos de pedagoger som medierar elevernas engagemang med AI. På elevsidan utvecklar och validerar Nie m.fl. (2026) en Generative AI Assessment Literacy Scale (GAA-LS) för studerande inom högre utbildning — ett instrument med 18 poster och fem faktorer vars poäng spårar engagemang i feedback, akademisk integritet och ansvarsfull AI-användning, med en indirekt bana till integritet som går genom feedback — ett bevis för att bedömningsspecifik AI-kompetens är mätbar och kopplad till integritetsbeteende. Vad det pedagoginriktade instrumentkorpuset faktiskt innehåller har sedan dess granskats: Zainal, Mohd Matore och Maats genomgång 2026 av mätinstrument för lärares AI-kompetens bedömde 33 instrument publicerade mellan 2019 och 2025 och fann att 31 (93.9%) var självskattningsskador över upplevd förtroende, endast två testade kunskap objektivt, och inga använde prestationsbaserade uppgifter, medan rättvisebevis var den svagaste kvalitetsdomänen, med endast fem instrument som rapporterade mätinvarians eller differentiell itemfunktion.

Uppdateringen 2026 av denna mätlitteratur omorganiserar den till fyra domäner — kunskap och användning, epistemisk tillsyn, tillitskalibrering och operativ kontroll över verktygsanvändande agenter — och rapporterar att inget validerat instrument på individnivå i korpuset täcker hela kombinationen av omfång, behörigheter, återhämtning, tillståndsisolering, oberoende granskning och bevisbaserad avslutning som agentiskt verktygsbruk kräver. Dess sammanvagna subjektiv–objektiva korrelation över tre same-sample-effekter var r = .055, vilket är förenligt med den divergens som beskrivs ovan snarare än med självbetyg som en användbar proxy (Verí (2026)).

Mätlandskapet är i sig oordnat, och numera delvis kartläggbart. He, Zhang, Wang och Ji (2026) analyserade AI-kompetensinstrumentkorpuset med en LLM-baserad kodningspipeline och fann fältet mäta många begrepp under en etikett — ett jangle-problem, med ett begrepp som bär flera namn (Behavioral Commitment förekommer i åtta kandidatpar, Intrinsic Motivation i fem), vid sidan av kandidat-jingle-fall där instrument delar en etikett men inte sitt iteminnehåll. Deras semantiska likhetsåterhämtning av item- och begreppsstruktur korrelerade endast måttligt med instrumentens egna rapporterade tillförlitligheter (r = 0.49 på itemnivå mot 0.45 och 0.35 på begreppsnivå), och de erbjuder metoden som screening snarare än avgörande. Konsekvensen för den som väljer ett mätt är att konvergenta påståenden mellan studier inte kan antas säkra: två instrument med samma namn behöver inte operationalisera samma begrepp.

Vad dessa instrument kan stödja har nu granskats, och granskningen är nykter. Jin, Gašević, Martinez-Maldonado och Yan (2026) sållade 8,056 poster ner till 58 studier omfattande 47 unika instrument, bedömda med COSMIN mot ett begrepp vars instrumentutvecklingsfönster komprimerades till tre år (två instrument före 2023, 28 enbart 2025). Korpuset förblir 37 av 47 självskattningsmått, och bevismaterialet klumpar sig tätt kring intern struktur: strukturell validitet var tillräcklig i 32 av 58 studier och intern konsistens i 32 med ingen bedömd otillräcklig, men begreppsvaliditet rapporterades av endast 15 studier (12 tillräckliga), kriterievaliditet av en, mätinvarians av fem (alla tillräckliga), och bara 2 av 58 fick ett tillräckligt sammantaget betyg för innehållsvaliditet — omfattningsrikedom var otillräcklig i 53 trots att 43 studier rapporterade kognitiv intervjuering. Mönstret är att mätningspraxis ser robust ut just där den är billigast att demonstrera och tunn där bevis måste komma utifrån instrumentet, så en ren faktorstruktur och en hög koefficient (som kan spegla itemredundans lika mycket som begreppsrepresentation) bör inte läsas som påvisad förmåga. Författarnas recept är konsolidering snarare än spridning: förfina befintliga skador, testa invarians närhelst man korsar ett språk eller en utbildningsnivå, och lägg till kriteriebevis genom att relatera poäng till prestationsuppgifter.

Ett av undantagen är byggt för att jämföra grupper. Zhang m.fl. (2026) utvecklade Generative AI Literacy Scale (GAILS) — 43 poster reducerade till 34 genom en Delphi-granskning med fem experter och en pilot med sju personer, sedan validerad hos 341 vuxna i Nordamerika — och testade skalär invarians, och fann att den höll över kvinnliga och manliga respondenter och över student- och arbetskraftsgrupper. Det är vad som berättigar de medelvärdesjämförelser instrumentet rapporterar — män som poängsatte blygsamt högre på Adaptive Operational Skills, studenter högre på Adaptive Operational Skills och Responsible GenAI Literacy — som kompetensskillnader snarare än differentiell itemfunktion, och det är vad som gör skadan användbar över högskole- och arbetsmarknadssammanhang snarare enbart studentspecifik. Dess egna bevis är inte fläckfria: passform var blandad (CFI = .967 och SRMR = .058 inom konventionella skärvärden, RMSEA = .087 över dem), totalskalans α = .973 står vid sidan av en misslyckad Fornell–Larcker-diskriminansjämförelse (Faktor 1 √AVE = .828 mot r = .873 med Faktor 3), och som nästan allt i korpuset mäter den upplevd kompetens utan beteendekriterium. En validerad skada inom detta fält är en utgångspunkt för det invarians- och kriteriearbete genomgången efterlyser, inte en färdig benchmark.

Kopplingar över kunskapsbasen

AI-kompetens skär sig in i AI-handledning (att förstå när och hur AI-handledare är effektiva), lärares AI-kompetens (pedagogers beredskap), akademisk integritet (att veta vad som utgör lämplig AI-användning) och AI i utbildningen i bred bemärkelse. Den är både en förutsättning för effektiv AI-användning och ett utfall av välutformad AI-integrering — elever lär sig AI-kompetens GENOM att använda AI kritiskt, inte bara genom att lära sig OM AI.

AI-kompetens är tv eggad för överberoende: Maizel m.fl. (2026) fann att de färdighetsbaserade dimensionerna av AI-kompetens (att använda/förstå, att upptäcka) var positivt associerade med rapporterat AI-beroende, medan AI-självtillit och akademisk tillit var negativt associerade — så rent tekniska AI-kompetensträningar, utan stöd för självtillit och självreglering, kan öka beroendet. AI-kompetens blir här en möjliggörande förmåga vars riktning beror på kompletterande motivationsresurser.

• Verifieringsvanor lönar sig endast genom reglering. I Davor, Larbi och Boatengs (2026) enkät med 533 universitetsstudenter i Ghana hade AI-verifieringskompetens ingen signifikant direkt effekt på kritiskt tänkande (beta = .076, p = .090) eller tekniskt problemlösning (beta = .043, p = .385) och spelade roll endast genom metakognitiv självreglering (beta = .167, p < .001), en full mediering författarna kallar metakognitiv aktivering. AI-uppgiftsstrukturering predicerade båda utfallen (beta = .185 och .170), medan tendens till kognitiv avlastning predicerade dem negativt (beta = -.240 och -.312) och deprimerade regleringen också (beta = -.294). Att undervisa elever i att kontrollera AI-resultat är därför inte tillräckligt i sig: utvärderande vanor behöver planering, övervakning och reflektion inbyggda i uppgiften.
• Kritik av AI-resultat som en kompetenspraktik: Hosseini (2026) behandlar utvärdering av AI-genererade fel som en central AI-kompetensfärdighet, med analys av felmoder och iterativ promptförfining i en databaskonstruktionskurs. Studien fann att eleverna överskattade sina AI-förmågor (självskattad kompetens svagt, negativt korrelerad med objektiv kompetens), och att kritikbaserat lärande stärkte kalibreringen.
• Socialistisk humanistisk AI-kompetens (2026): En litteraturgenomgång kritiserar efterlevnadsorienterad AI-kompetens och föreslår en socialistisk-humanistisk inramning av asynkron AI-kompetens och fair use inom högre utbildning, och kopplar den historiska digitala klyftan till modern AI-kompetens och efterlyser tillvägagångssätt som tjänar mänsklig blomstring och rättvisa snarare än mekanisk policyefterlevnad (From Mechanical Compliance to Human Flourishing: A Socialist Humanist Approach to Asynchronous AI Literacy and Fair Use in Higher Education).
• Billiga, lättillgängliga varningar dämpar AI:s övertalningskraft — utan att kosta allmänt förtroende. Orchinik och Rand (2026) preregistrerade två experiment (totalt N = 3,208 vuxna i USA) där deltagarna samtalade med en LLM som instruerats att förändra deras åsikter om politiska ämnen. En enda kort varning — att modeller kan promptas till att övertala och kan presentera information selektivt — minskade förändringen i övertygelse med ungefär hälften (-48.1%, 95% CI [-59.5%, -36.8]) i förhållande till kontrollen, och att lägga till specifika varningar om övertalningstekniker gav ingen ytterligare fördel. Den egenskap som spelar roll för undervisning ligger på andra sidan av effekten: allmänt förtroende för generativ AI föll inte, så insatsen bygger kalibrerat förtroende snarare än generell skepsis. Det är en styckeparagraphs insats utan facilitering, vilket är en sällsynt kostnadsprofil för en design inom AI-kompetens.
• Elevstyrning av AI spelar större roll än verktygets design. Azimi (2026) randomiserade 33 studenter i en masterkurs i dataanalys mellan en strukturerad AI Study Coach inbäddad i anteckningsböckerna (n = 16) och obegränsad användning av de generativa AI-verktyg de själva valde (n = 17) under sju veckor. Uppgiftsprestation och vinster i begreppsinventariet var likgiltiga; Coach-villkoret rapporterade högre förtroende i stället. Vad som skiljde eleverna åt var AI-kompetens i praktiken: de som hade formulerat sina egna regler för när de skulle använda AI poängsatte högre i båda villkoren, och eleverna med det djupaste modellförståendet — var och en av dem självlärd — promptade mest avsiktligt. Designimplikationen går mot kontrollreflexen: undervisa de självreglerande och modellförståelsedelarna av AI-kompetens snarare än att begränsa verktygen.

Anslutna begrepp

• Pedagogical Patterns — Utvecklat genom de kritiskt bedömande stegen i dessa sekvenser
• Learners — Elever: paraplyt för elevsidans begrepp
• Generative AI — den teknik AI-kompetens riktar sig mot
• Large Language Models (LLMs) — systemen i hjärtat av AI-kompetens
• Critical Thinking — centralt utvärderande förhållningssätt
• Prompt Engineering — central praktisk kompetens
• Metacognition — kompetens som metakognitiv social praktik
• Cognitive Offloading — den överberoenderisk kompetensen motverkar
• Reducing AI Misuse — kompetensens beteendemässiga utdelning
• Academic Integrity — att veta vad som utgör lämplig AI-användning
• Self-Assessment — att bedöma sitt eget arbete och sin egen färdighet, som teknik och som mått
• Trust Calibration — att kalibrera lämpligt förtroende
• AI Sycophancy — kompetensfärdighet att upptäcka överensstämmelse
• Equity — rättvis fördelning av kompetens
• Digital Divide — gapet mellan tillgång/färdigheter/utfall
• Ethics — dimensionen etisk medvetenhet
• Teacher AI Competency — pedagogers beredskap
• Educational Development — att bygga pedagogers kompetens
• AI-Assisted Educational Research — AI-assisterad utbildningsforskning
• K-12 — kompetens på skolnivå
• Higher Education — kompetens på universitetsnivå
• Career Development and Readiness — den anställningsbarhetsvinst AI-kompetens hävdas bygga
• AI i utbildningen — det bredare fältet

Anslutna artiklar

• Modeling the Relationships Between University Students' AI Competence, AI Ethical Awareness, and AI Anxiety: A Dual-Stage PLS-SEM and ANN Analysis - Att höja kompetensens etiska dimension utan ett hanteringsramverk kan lämna elever mer oroliga

• Reconceptualizing digital literacy in the AI era: A systematic review of validated frameworks from an ecological perspective — 80 validerade ramverk visar att AI expanderar digital kompetens mot etik medan pedagogers människa–AI-samarbete förblir underspecificerat (Guo m.fl. 2026)

• Supporting AI Literacies for Young Adults Aged 14-19: A value-based, practical framework for public service media organisations — Sex kompetensområden, fem värden och tre progressionsnivåer för public service-media

• The AI Literacy Heptagon: A Structured Approach to AI Literacy in Higher Education — The AI Literacy Heptagon

• Beyond Tool Adoption: A Practical Five-Stage Developmental Continuum for AI Literacy in Higher Education — Ett praktiskt femstadieskontinuum för AI-kompetens

• Clarifying the Conceptual Landscape in AI Literacy Measurement: A Large Language Model Based Approach — Att kartlägga AI-kompetensinstrumentkorpuset: 55 begrepp, jangle- och jingle-par, LLM-baserad kodning

• ai-literacy-instrument-development-systematic-review-2026 — COSMIN-bedömning av 58 studier och 47 AI-kompetensinstrument: validitetsbevis klumpar sig kring intern struktur medan kriterie-, innehålls- och invariansbevis i stort sett saknas (Jin m.fl. 2026)

• The Generative Artificial Intelligence Literacy Scale (GAILS): Development, Validation, and Measurement Invariance Across Sex and Occupational Status Groups — GAILS: skada med 34 poster för GenAI-kompetens validerad hos 341 vuxna, skalärinvariant över kön och student-/arbetskraftsgrupper (Zhang m.fl. 2026)

• GLAT: The Generative AI Literacy Assessment Test — GLAT: ett validerat test för bedömning av generativ AI-kompetens

• How to Assess AI Literacy: Misalignment Between Self-Reported and Objective-Based Measures — Bedömning av AI-kompetens: missanpassning mellan självskattat och prestationsbaserat

• Development and validation of the generative AI assessment literacy scale for higher education students — GAA-LS: validerad Generative AI Assessment Literacy Scale för studerande inom högre utbildning (Nie m.fl. 2026)

• Beyond AI Literacy: A Structured Review and Exploratory Meta-Analysis of Measures for Competent Generative-AI Use — Beyond AI Literacy: en strukturerad genomgång och explorativ metaanalys av mått för kompetent användning av generativ AI

• How AI literacy correlates with affective, behavioral, cognitive and contextual variables: A systematic review — systematisk genomgång av vad AI-kompetens korrelerar med

• Assessing teachers' AI literacy: a systematic review of measurement tools — systematisk genomgång av de verktyg som mäter lärares AI-kompetens

• Development of an AI literacy self-assessment questionnaire in upper primary school students — självskattningsformulär för äldre årskurser i grundskolan

• Metacognitive AI literacy: going beyond the AI skills gap agenda — AI-kompetens som en metakognitiv social praktik

• AI Literacy Interventions in Education: A Meta-Analysis of Effects and Moderators — Metaanalys av effekterna av insatser för AI-kompetens

• The Scaffolded AI literacy (SAIL) framework: Results of a Delphi study for equitable AI literacy framework design in education — The Scaffolded AI Literacy (SAIL) Framework

• Measuring Acceptance of Age-Tiered AI Literacy Guidebooks: A Developmentally Informed Study of K-12 Students and Teachers — Åldersdifferentierade handböcker för AI-kompetens utvärderade med 794 elever och 37 lärare: fyrfaktoracceptansstruktur invariant över utgåvorna för 9-12 och 13-18, med yngre elever högre på varje begrepp

• Reorienting Critical AI Literacy: A Community-Rooted Praxis of “Resisting AI” — Kritisk AI-kompetens: makt, motstånd, agency

• Prompts to Practice: A Pedagogical Framework for Human-Centered AI Engagement — Promptkompetens som en grundläggande kompetens distinkt från promptkonstruktion: den femfasmodellen för människocentrerat GenAI-engagemang (Miles, Haber-Curran & Arar 2026)

• The Hidden Cost of Contextual Sycophancy: an AI Literacy Intervention in Human-AI Collaboration — Situationsbunden smickrande svar som en insats inom AI-kompetens

• Understanding Student Dependency on AI: The Role of AI Literacy, Academic Self-Efficacy, and Resource Management Strategies — AI-kompetens, självtillit och beroende

• Teaching Students to Question the Machine: An AI Literacy Intervention Improves Students' Regulation of LLM Use in a Science Task — en tvåtimmarsworkshop förändrade mellanstadieelevers reglering av LLM-interaktion, medan självskattningar inte predicerade något (Clerc m.fl. 2026)

• Artificial Intelligence Literacy and Sustainable Development: An Ethical Governance and Development Goals Framework — AI-kompetens som en styrningsförmåga för hållbar utveckling: AIRE-taxonomin och kopplingen mellan AI och SDG (Islam, Morshed & Islam 2026)

• AI Literacy in Secondary Education: Framework, Assessment, and Professional Development in the Ukrainian Context — Femnivåramverk för AI-kompetens för ukrainska gymnasiepedagoger (Marienko m.fl. 2026)

• STEAM Education for AI Literacy: A Systematic Literature Review — STEAM-utbildning för AI-kompetens: systematisk genomgång

• Systematic Review of Collaborative Learning Activities for Promoting AI Literacy — Collaborative AI Literacy Framework

• Co-Constructing AI Boundaries: Agency, Judgment, and Ethical Literacy in AI-Mediated Meaning-Making — omformar AI-kompetens som att bedöma vilket tolkningsarbete som inte bör delegeras

• Artificial intelligence-supported learning and higher-order cognitive outcomes: the mediating role of metacognitive self-regulation — AI-verifieringskompetens spelade roll endast genom metakognitiv självreglering, medan kognitiv avlastning predicerade lägre kritiskt tänkande och problemlösning (Davor m.fl. 2026)

• Designing for AI literacy: psychological mechanisms and self-determination — Tänkandebaserad undervisning slog färdighetsbaserad undervisning på en objektivt poängsatt uppgift, med autonomi och kompetens som bar effekten (Yu, Lin & Chen 2026)

• Psychological predictors of continued ChatGPT use among university students: the roles of AI literacy, trust, and academic self-efficacy — Banan från AI-kompetens till fortsatt ChatGPT-användning går genom förtroende och akademisk självtillit, och AI-oro tunnar ut den första länken (Hu 2026)

• Modeling and measuring graduate students’ generative AI literacy: a study based on Marzano’s taxonomy — Fem dimensions Marzano-förankrad modell och självskattningsskada med 15 poster för forskarnivås GenAI-kompetens (Zhi m.fl. 2026)

• Artificial intelligence in initial teacher training for pre-service primary school teachers in mathematics: a systematic review — Elva studier om AI inom initial lärarutbildning i matematik, mest kortsiktiga, med etik behandlad i endast tre (Pinto m.fl. 2026)

• Generative artificial intelligence in university chemistry education: a critical review using Johnstone’s chemistry triplet and Biggs’ 3P model — Verifieringscentrerad GenAI-integrering inom universitetskemi, med representativ översättning som det centrala kravet på AI-kompetens (Vega-Baudrit & Rivera Alvarez 2026)

• Who Acts, Who Knows, Who Answers? A Corpus-Assisted Discourse Analysis of Agency, Epistemic Responsibility, and Accountability in Generative AI Higher Education Research — Who Acts, Who Knows, Who Answers? A Corpus-Assisted Discourse Analysis of Agency, Epistemic Responsibility, and Accountability in Generative AI Higher Education Research

• Bridging the Gap: Investigating Students' Self-Reported AI-Literacy and Perceived Employability Competencies for an AI-Enabled Workforce — Självskattad AI-kompetens förklarade 60.8% av upplevd anställningsbarhetsberedskap, med de utvärderande och affektiva dimensionerna starkast (ElSayary & Ragab 2026)

• From Competency to Agency: Teachers' Views of the Purposes of AI Education — Lärares syften med AI-undervisning lästa genom Biestas kvalifikation, socialisering och subjektifiering, samt heuristiken informerad AI-agency (Fagerlund m.fl. 2026)

• Teacher Readiness-By-Design for AI-Rich Interactive Learning — Lärares beredskap som designkvalitet snarare än adoption eller förtroende, med självtillit som en resurs och icke-användning som inte obuden beredskap (Charles 2026)

• The Effects of K-12 Artificial Intelligence Education in Enhancing AI Literacy: A Meta-Analysis — K-12 AI-undervisning höjde AI-kompetens med ett sammanvaget g = 0.892 över 57 positiva effekter, och mätoenighet förklarar heterogeniteten (Yu m.fl. 2026)

• Literacy demands placed on students in student–GenAI entanglements in higher education — Kompetenskrav skiljer sig åt beroende på elevens–GenAI-kopplingstyp; Assistant- och Enabler-formerna dominerar medan resten förblir marginella av institutionella skäl (Sun, Dohn & Rehm 2026)

• The AI Competence Framework Landscape: A Comparative Analysis of Frameworks for Education and Workforce Development — Jämförande analys av 16 AI-kompetensramverk för utbildning och arbetskraftsutveckling

• A Multidimensional Analysis of AI Literacy Determinants: External Resources, Digital Skills, and Psychological Profile Among University Students — Externa resurser, digital kompetens och psykologisk profil som gemensamma determinanter, med en teckenomkastning för teknologioro

• The Six-Facet Artificial Intelligence Literacy Questionnaire (SFAILQ): Assessing AI Literacy in Adolescents, Young Adults, and Midlife Adults — Sexfasettsinstrument som lägger till fasetterna ansvarsfull användning och självutveckling, skalärinvariant över ungdomar, unga vuxna och vuxna i medelåldern

• Exploring University Faculty's AI Well-Being: A Structural Equation Model of Social Supports, AI Literacy, and Technological Self-Efficacy — Strukturekvarationsmodell för fakultetens välbefinnande i AI-arbete, socialt stöd och AI-kompetens

• What Does It Mean to Be AI Literate? Psychometric Validation of the Critical 3wAI Literacy Scale — Validerad självskattningsskada med 17 poster med tre distinkta AI-kompetensfaktorer (Know What/How/Why); Know-How och Know-Why närmast kopplade (HTMT = 0.544)

• AI Literacy and STEM Education: Emerging Frontiers and Research Priorities — Syntes av de tio mest citerade studierna om AI-kompetens inom STEM-undervisningen (Hallström m.fl. 2026)