AIEd kunskapsbasAIEd KB
På den här sidan

Läs den här sidan på engelska

Begrepp

AI i utbildningens historia

Skapad 2026-08-23 · Uppdaterad 2026-11-08

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

Historien om AI i utbildningen — studiet av hur artificiell intelligens och utbildning har samutvecklats sedan mitten av 1900-talet, och hur tidigare begreppsliga, terminologiska och designmässiga val fortsätter att forma dagens debatter om AI i lärande. I stället för att behandla generativ AI som en plötslig, oöverträffad kraft avslöjar en historisk lins återkommande spänningar — kontroll kontra handlingsutrymme, standardisering kontra Creativity, automatisering kontra förstärkning — som har strukturerat AI i utbildningen sedan dess ursprung.

Frågor att fundera över

  • Dagens generativa AI beskrivs ofta som en oöverträffad revolution. Hur kan den inramningen ("kronocentrism") hindra oss från att se de återkommande mönstren under den?
  • Fältet höll nästan på att heta "cybernetik" i stället för "artificiell intelligens". Hur kan det enda namnavalet ha format huruvida vi ser maskiner som självständiga intelligenser eller som delar av sammankopplade återkopplingssystem?
  • Sidan ramar in AIED-historien som en spänning mellan kontroll (Andersons kognitiva handledare som optimerar undervisning) och handlingsutrymme (Paperts konstruktionism som bemyndigar elever). Var hamnar dina egna val kring AI i utbildningen på det spektrat — och varför?
  • Individualisering, hävdar sidan, har två betydelser: att variera vägen till samma utfall, eller att möjliggöra olika, elevstyrda utfall. Vilken sorts individualisering strävar din institution faktiskt efter, och vilken anser du att den borde sträva efter?
  • Om dagens GenAI-debatter "speglar" dessa historiska spänningar, vilka tidigare misstag kan vi då upprepa — och vad kan vi undvika genom att minnas dem?
  • Sidan hävdar att tekniska designval bäddar in värdeomdömen om lärandets syfte. Kan du identifiera ett designbeslut i ett AI-utbildningsverktyg du använt som tyst gynnade standardisering framför elevens handlingsutrymme — eller tvärtom?

Introduktion

Fältets historia är inte en linjär utveckling utan en serie kontingenta beslut vars effekter fortfarande ekar. Förståelse av historien skyddar mot "kronocentrism" (benägenheten att behandla aktuella utvecklingar som unikt revolutionerande), hjälper till att undvika att upprepa tidigare misstag och synliggör hur val av inramning och terminologi — inte bara teknik — styr AI:s bana i utbildningen.

Centrala historiska trådar

Från cybernetik till "artificiell intelligens". När John McCarthy planerade Dartmouth Summer Research Project 1956 valde han medvetet termen artificiell intelligens framför cybernetik — delvis för att distansera fältet från Norbert Wiener och hans fokus på analog återkoppling. Detta namnaval ramade in maskinella förmågor i direkt jämförelse med mänsklig kognition (antropomorf inramning) och styrde forskningsprioriteringar, allmänhetens uppfattning och etisk debatt i decennier. Om fältet hade behållit den cybernetiska inramningen, föreställer sig artikeln att vi nu skulle tala om "cybernetiska lärandesystem" med betoning på återkoppling och sammankoppling i stället för om "AI-handledare" som positionerar maskinen som en oberoende intelligenskälla.

Den kognitiva revolutionen och ITS:s rötter. Tidiga pionjärer — Herbert Simon, Allen Newell, Marvin Minsky, John Anderson — modellerade inte bara kognition; de undersökte grundläggande frågor om lärande och undervisning. Deras arbete producerade informationsbearbetande modeller av mänsklig kognition som blev grundläggande för utbildningspsykologin och ledde till intelligenta handledningssystem (ITS), rotade i 1960- och 70-talens AI-paradigm för heuristisk sökning och expertsystem. Dessa system anpassades naturligt till befintliga strukturer för bedömning och standardisering och samlades så småningom i AIED-gemenskapen.

Kontroll kontra handlingsutrymme: Anderson och Papert. Två konkurrerande visioner uppstod, förkroppsligade i John Anderson och Seymour Papert. Andersons kognitiva handledare (ACT/ACT-R-teorin) delade upp kunskap i produktionsregler, gav exakt individualiserad återkoppling och förstärkte traditionella utbildningsstrukturer — en vision om AI som ett verktyg för att optimera undervisning. Paperts konstruktionism (Logo, "mikrovärldar", felsökning-som-lärande) såg datorer som miljöer där barn konstruerar kunskap genom kreativt experimenterande — en vision om AI som ett instrument för intellektuellt bemyndigande som utmanade institutionella hierarkier. Denna "väsentliga spänning" mellan kontroll och handlingsutrymme är den genomgående tråden i fältets historia.

Två former av individualisering. Individualisering har två distinkta tolkningar som motsvarar dessa visioner. Den första behåller enhetliga utfall men varierar vägen (rotad i Skinners undervisningsmaskiner; Khan Academys vision om handledning till mästerskap). Den andra omfamnar olika utfall — elever som förföljer individuella intressen och talanger, obundna av standardiserade läroplansgränser (Zhao, 2024). ITS-modellen stöder den förra; konstruktionismen den senare.

Lärdomar för GenAI-eran. Dagens debatter om generativ AI speglar dessa historiska spänningar nära. GenAI positioneras ofta som en intelligent handledare av nästa generation (i Andersons förlängning), vilket väcker oro för övervakning, datainsamling och standardisering. Alternativt kan det vara ett verktyg för kreativt handlingsutrymme (i Paperts förlängning), vilket kräver att vi tänker om bedömning och accepterar mer tvetydiga utfall. Som Mishra m.fl. drar slutsatsen gynnar institutionella krafter gång på gång förhållningssätt som förstärker befintliga strukturer — och det språk och de metaforer vi väljer kommer att forma framtida möjligheter. Rismanchian och Doroudis AI×Ed-ramverk ger denna intuition empirisk grund: genom att placera artiklar från AIED-proceedings (1985, 1993, 2021, 2024) och IJAIED (2004, 2014, 2021) längs två axlar — AI:s roll (tillämpat verktyg kontra analogi till mänsklig intelligens) och slutanvändaren — spårar de ett fält som rörde sig från en mångfaldig blandning, inklusive betydande tidig forskning som använde AI som analogi till mänsklig intelligens (beräkningsmodeller av lärande, Paperts mikrovärldar, agentbaserade modeller av kunskapsförvärv), mot ett nästan uteslutande fokus på tillämpade, instrumentella användningar under 2000-talet. Noterbart är att generativ-AI-eran tycks delvis vända den banan: vid AIED 2024 var tre av de fyra platserna i "AI-som-analogi"-kvadranten LLM-byggda, och en av dem fick ett best-paper-pris för LLM-drivna lärobara agenter.

Tidskriftsrekordet vänder två gånger. En strukturell ämnesmodell över 5 387 artiklar i Computers & Education (1976–2026) fann AI i 390 poster (7,2%), över 17 av dess 18 ämnen. Det årliga oddset att en artikel var AI-relaterad steg 21,8% per år fram till 1989, föll 3,7% årligen till 2018 och klättrade sedan 40,1% årligen till 2025 (Wu m.fl., 2026). Vändningen 2018 föregår ChatGPT med fyra år, så generativ-eran accelererade en trend som redan pågick snarare än startade en.

Den senaste tidens genomslag för generativ AI

Ankomsten av generativ AI — en bred familj som omfattar stora språkmodeller (text) samt bild-, ljud- och videogeneratorer — markerar den mest betydelsefulla vändpunkten i AIED-historien sedan fältets grundande. LLM:er är den mest framträdande medlemmen av familjen och drivkraften bakom det mesta av klassrumseffekten, men generativ AI som helhet (förmögen att producera ny text, bilder, ljud och kod) är den bredare kraft som omformar utbildningen. Den förstås bäst i förhållande till AIED-historien snarare än som ett rent brott. Flera drag gör generativ-AI-eran särpräglad:

Skala och räckvidd. Till skillnad från tidigare decenniers kognitiva handledare och ITS, som verkade i kontrollerade laboratorie- och klassrumsmiljöer, nådde LLM:er hundratals miljoner elever och utbildare inom månader från lansering och trängde nästan omedelbart in i vardagligt skrivande, läxor och undervisning. GenAI-debatten flyttade från specialisttidskrifter till klassrum, styrelserum och lagstiftande församlingar med oöverträffad hastighet.

En ny sorts förmåga. Tidigare AIED-system modellerade kognition och levererade strukturerad undervisning (Andersons tradition). LLM:er utför öppen generering — producerar uppsatser, förklaringar, kod och dialog — vilket för fram elevens handlingsutrymme och kreativitet (Paperts tradition) på sätt som tidigare ITS inte kunde. Det är därför det nuvarande ögonblicket åter tänder spänningen kontroll kontra handlingsutrymme så skarpt: samma verktyg kan användas som en intelligent handledare av nästa generation (som kontrollerar utfall) eller som en kreativ medförfattare och tankepartner (som förstärker handlingsutrymmet).

En omkastning av tillgångsekvationen. Historiskt var individualiserad handledning sällsynt och dyr; GenAI gjorde adaptivt en-till-en-stöd nästan gratis och allmänt — vilket dramatiskt sänkte de tillgänglighets- och kostnadsbarriärer som formade tidigare AIED. Men det införde också nya risker: algoritmisk bias, hallucination, övervakning, datainsamling och färdighetsförlust bland utbildare.

Förnyad oro för AI-kompetens och missbruk. Generativ-AI-eran gjorde AI-kompetens akut och omramade Akademisk integritet-debatterna (detektering kontra dialog), samtidigt som den återupplivade långvarig oro för automatisering, standardisering och epistemiskt beroende. Dessa är de moderna uttrycken för fältets ursprungliga spänningar.

Kronocentrismens risk. Som Mishra m.fl. varnar saknar hypeen kring generativ AI ofta historisk medvetenhet, vilket låter teknikentusiaster dominera samtalet. Att förstå att dagens GenAI-debatter ekar av Anderson–Papert-klyftan och 1955 års namnaval kring cybernetik hjälper oss att fatta medvetna val i stället för att behandla nuet som oundvikligt. Den verkliga frågan är inte vad generativa AI-verktyg kan göra, utan vad vi vill att de ska göra — ett beslut format av var vi har varit.

Implikationer

  • Läs hype historiskt. Erkänn att varje ny AI-våg ramas in som revolutionerande; historisk medvetenhet synliggör kontinuitet och hjälper till att motstå företagens dominans över samtalet.
  • Se designval som värdeval. Tekniska beslut om AI i utbildningen bäddar in ideologiska positioner om lärandets syfte — synliggör dem och granska dem.
  • Väg kontroll mot handlingsutrymme medvetet. Huruvida AI ska optimera mot standardutfall eller möjliggöra olika, elevstyrda utfall är ett genuint val med institutionella och politiska konsekvenser, inte en teknisk givenhet.
  • Bevara elevens handlingsutrymme. Det återkommande motståndet mot standardisering och kontroll till förmån för öppna, elevcentrerade förhållningssätt är en hållbar tråd värd att försvara.

Vanliga missuppfattningar

"AI i utbildningen började med ChatGPT." Det gjorde den inte, och föreställningen är kostsam eftersom den gör varje tidigare lärdom osynlig. Intelligent handledning härstammar från arbetet med heuristisk sökning och expertsystem på 1960- och 70-talen, och AIED-gemenskapen bildades kring det decennier före stora språkmodeller. Mishra m.fl. visar att dagens debatter återupprepar en klyfta som redan var explicit i Andersons kognitiva handledare och Paperts konstruktionism, så en läsare som daterar fältet till 2022 härleder på nytt argument som fältet avgjorde, övergav eller förlorade en gång tidigare.

"Fältet har stadigt övergett AI-som-analogi till förmån för tillämpade verktyg, och generativ AI fortsätter den trenden." Detta är den mest instruktiva korrigeringen på sidan, eftersom banan är verklig men inte monoton. Rismanchian och Doroudis positionsanalys av AIED 1985, 1993, 2021 och 2024 samt IJAIED 2004, 2014 och 2021 visar visserligen en drift från ett blandat fält mot nästan uteslutande tillämpad instrumentalitet vid 2000-talet. Men vid AIED 2024 var tre av de fyra artiklarna i AI-som-analogi-kvadranten LLM-baserade, inklusive best-paper-arbete om LLM-baserade lärobara agenter. Generativ AI vänder delvis trenden i stället för att förlänga den, vilket är varför behandlingen av den som "nästa intelligenta handledare" missläser var forskningsfronten faktiskt rörde sig.

"Individualisering betyder att anpassa svårighetsgraden till varje elev." Det är bara en av två oförenliga betydelser, och sammanblandningen döljer ett politiskt val. I den första betydelsen hålls utfallet fast och bara vägen varierar, med en härstamning från Skinners undervisningsmaskiner till mästerskapsbaserad handledning. I den andra diversifieras utfallen själva, när elever förföljer individuella intressen obundna av standardläroplanen (Zhao, 2024). En ITS förverkligar den första; konstruktionismen den andra. Ett verktyg som beskrivs som "individualiserat" har inte sagt dig något förrän du vet vilken det menar.

""Artificiell intelligens" var helt enkelt det självklara namnet på fältet." Termen var ett medvetet val. När McCarthy planerade Dartmouth-projektet 1956 föredrog han artificiell intelligens framför cybernetik delvis för att distansera arbetet från Wieners analoga återkopplingstradition. Det enda beslutet ramade in maskiner i direkt jämförelse med mänsklig kognition, och den antropomorfa inramning det installerade formar fortfarande forskningsprioriteringar, produktspråk och de etiska frågor allmänheten ställer.

Att omsätta det i praktiken

För lärare och instruktionsdesigners

  • Namnge den tradition ditt verktyg tillhör innan du antar det. Fråga om det optimerar mot fasta utfall eller öppnar för elevens riktning, eftersom det svaret, inte funktionslistan, avgör vad det gör med din bedömningsdesign.
  • Granska ordet "individualiserat" i varje leverantörspåstående och få ett svar i termer av de två betydelserna ovan. En produkt som varierar tempot mot en gemensam standard och en som låter elever divergera är inte utbytbara.
  • När elever framställer GenAI som oöverträffat är historien undervisningsinnehåll i sig. Anderson–Papert-inramningen ger dem ett vokabulär för att argumentera om AI i stället för att bara använda det.

För utvecklare

  • Gränssnittsspråk är ett designbeslut med en härstamning. Att kalla systemet en "AI-handledare" ärver Andersons inramning och förväntan om optimering mot standardutfall; att kalla det en "mikrovärld" eller "lärandemiljö" ärver Paperts. Ingetdera är neutralt, så välj medvetet.
  • Om du bygger i analogitraditionen (modeller av lärande, lärobara agenter, simuleringar av kunskapsförvärv), säg det. Den kvadranten var nästan tom i två decennier och befolkas nu igen; positioneringen är en särskiljande faktor och utvärderingskriterierna är annorlunda.

För forskare

  • Använd de historiska korpusarna som baslinje i stället för att behandla nuet som den enda tillgängliga jämförelsen. AIED-proceedings för 1985, 1993, 2021 och 2024 samt IJAIED för 2004, 2014 och 2021 är ett färdigt longitudinellt urval av fältets egna påståenden.
  • Citera härstamning när du hävdar nymodighet. Ett påstående att ett system "individualiserar lärande" eller "modellerar eleven" är bara nytt i förhållande till en specifik tidigare tradition, och traditionen är dokumenterad.

Anslutna begrepp

Anslutna artiklar

Metadata

Lärande och undervisningConstructivism, Learning Theories
Tekniker och metoderGenerative AI, Intelligent Tutoring
Grunder i AI inom utbildningenElevagency, AI i utbildningen, AI i utbildningens historia
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.