AIEd kunskapsbasAIEd KB
På den här sidan

Läs den här sidan på engelska

Begrepp

Informations- och mediekunnighet

Skapad 2026-11-05 · Uppdaterad 2026-11-08

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

Informations- och mediekunnighet är närbesläktade förmågor som AI skriver om vid samma söm. Informationskunnighet handlar om att hitta och verifiera korrekta data; mediekunnighet handlar om att förstå vem som skapade ett budskap, hur det byggdes och varför. De överlappar i det gemensamma målet att bygga det Kritiskt tänkande som låter människor navigera i en digital värld och upptäcka desinformation — och de delar nu ett andra problem: generativ AI producerar flytande, trovärdigt innehåll vars ursprung och avsikt är dolda, så den proveniensfråga som mediekunnigheten alltid ställde har flyttat in i informationskunnigheten också.

Frågor att fundera över

  • När en chattbot returnerar en självsäker paragraf med tre citeringar, utövar eleven då informationskunnighet, mediekunnighet eller ingetdera — och gör uppgiften den distinktionen synlig?
  • Deepfakes och fabricerade citeringar är olika slags fel: det ena är en falsk registrering av världen, det andra en falsk registrering av litteraturen. Kan en kurs lära ut båda utan att lära ut vardera dåligt?
  • AI-detektorer och faktagranskare är själva modeller med felfrekvenser. Vad händer med en verifieringsläroplan när verifieringsverktyget är probabilistiskt?
  • Mediekunnighet har undervisats genom produktion — elever gör medier för att förstå dem. Om en modell nu gör artefakten, vilken del av pedagogiken överlever?

Introduktion

De två kunnigheterna har separata institutionella hem. Informationskunnighet kodifierades inom biblioteks- och informationsvetenskap, mest synligt i ACRL:s ramverk, som en uppsättning förhållningssätt kring auktoritet, process och värde. Mediekunnighet växte ur kommunikations- och medievetenskap och ur skolans medieundervisning, och frågar efter författarskap, teknik, publik och effekt. Den ena bedömer om en källa förtjänar tilltro; den andra frågar vem som skapade ett budskap och vad det gör.

Den uppdelningen har alltid varit renare i teorin än i ett klassrum. Båda kunnigheterna lär elever att sakta ner, kontrollera proveniens och stå emot flyt. Båda byggdes på antagandet att artefakten hade en författare som betalade ett pris för att producera den. Generativ AI tar bort det antagandet från båda på en gång: text syntetiseras ur en ospårbar korpus, bilder och röster klonas, och automatiserade konton simulerar publiken själv.

Denna sida täcker paret eftersom korpusen behandlar dem som ett undervisningsproblem med två utfallsuppsättningar. Evidensen är ojämn — en bibliometrisk karta och två systematiska genomgångar på informationssidan, en liten intervention och en expertintervjustudie på mediesidan — och nästan ingen av dem prövar en kombinerad läroplan. Den frånvaron är i sig ett fynd värt att bära med sig i praktiken.

Där de två konstrukten skiljer sig

Informationskunnighetens objekt är källan, och dess kärnfråga är om påståendet är sant och evidensen bakom det trovärdig. Mediekunnighetens objekt är budskapet, och dess kärnfråga är vem som skapade det, hur, för vem och i vilket syfte. En fabricerad citering fallerar det första testet; en deepfake kan klara varje faktakontroll en elev kan utföra medan den fallerar det andra.

Den empiriska litteraturen återspeglar uppdelningen. En enkät med 236 amerikanska universitetsstudenter frågade var akademiska sökningar börjar och fann sökmotorer på 45,5%, bibliotekets startsida på 27,9% och en AI-chattbot på 26,6%, där internationella studenter ersatte biblioteksresurser med AI i ungefär dubbelt så hög grad som inhemska (Lund m.fl., 2026). En systematisk genomgång av 32 studier fann att integration av AI-kompetens i informationskunnighetsundervisning befann sig i ett "spädbarnsstadium", levererad via LibGuides och workshoppar snarare än läroplan (Mirza och Arif, 2026). På mediesidan fann intervjuer med sju experter och en enkät med 141 elever att teknikinslag i läroplanen för kritisk mediekunnighet var "begränsade och ofta ytliga", med lärare underutbildade för verktyg som producerar desinformation och deepfakes (den kritiska mediekunnighetsstudien, 2026).

Hur AI komplicerar informationskunnigheten

Den första komplikationen är fabricering i skala. En modell producerar övertygande text, rimliga referenser och självsäkra siffror som kanske inte finns; läsaren får en syntes vars sökspår har raderats. Kontroll blir en annan färdighet: inte "är detta en bra källa" utan "existerar denna källa, och säger den det som svaret påstår".

Den andra är att söklagret kollapsade in i ett svarslager. När verktyget hämtar, väljer och skriver flyttas den kompetenta handlingen till att bedöma syntesen. Det är den återstod som evidensen ständigt pekar mot: en plattform med inbäddad bibliotekarie slog konventionell biblioteksundervisning med 0,78 mot 0,25 poäng på ett ACRL-baserat instrument, och de konsultationer som gav vinsten dominerades av frågor om källvärdering (Huang, 2026).

Den tredje är kapacitet. I en enkät med 412 akademiska bibliotekarier vid 38 nigerianska institutioner var självskattad kompetens hög för databasundervisning (M = 4,07) och förmedling av informationskunnighet (M = 4,02), men den sammansatta AI-kompetensen var 2,86, svagast i att utforma mål (M = 2,70) och bedöma utfall (M = 2,62) (Dada, 2026). Ett fält kartlagt i 1 669 publikationer ombeds undervisa i en kompetens som dess lärare rapporterar att de ännu inte kan utforma (Jabeen och Lux, 2026).

Hur AI komplicerar mediekunnigheten

Mediekunnighetens grundfrågor antog en skapare med ett syfte. Deepfakes, röstkloning och automatiserade botar bryter det antagandet på tre sätt: artefakten kan sakna en mänsklig författare, publiken kan vara syntetisk, och avsikten kan vara optimering för engagemang snarare än övertalning av någon.

Läroplansbevisen tyder på att skolorna inte har hunnit ikapp. Expertintervjuerna beskriver lärarutbildning som den bindande begränsningen snarare än elevmotstånd, och argumenterar för en Critical Pedagogy-inramning som behandlar utvärdering som etisk och deltagande praktik i stället för verktygsträning. En beställd rapport för public service-medier fann att utbudet för 14–19-åringar lutade mot funktionella AI-färdigheter och bort från kritisk utvärdering, trots en genomgång av mer än 40 ramverk och intervjuer med 35 experter (AI Literacies-rapporten, 2025).

AI som defensivt verktyg — anspråk och förbehåll

Argumentet för att använda AI på den defensiva sidan är rimligt och framförs brett: automatiserade trovärdighetskontroller som skannar en källas historia och språk efter biassignaler, deepfake-detektorer, metadataanalysatorer som letar efter proveniensmarkörer och simuleringar som låter elever öva utvärdering på realistiskt syntetiskt material. Dessa förmågor är verkliga produkter, och klassrumsanvändningen är verklig praktik.

Evidensen är tunnare än påståendena. Detektorer är probabilistiska och försämras i takt med att generatorerna blir bättre; en faktagranskningsmodell är själv en modell, så eleven måste fortfarande bedöma granskaren; och proveniensmetadata hjälper bara när en producent väljer att bifoga den. Ett av korpusens säkraste resultat är att AI-stödd mediekunnighetsundervisning kan fungera i liten skala: ett 18-timmarsprogram byggt på 5E-modellen gav stora vinster bland 36 fjärdeklassare i en turkisk skola (Demir och Akar, 2026). Trettiosex elever är ett konceptbevis, inte ett upphandlingsunderlag.

En debattartikel från bibliotekssektorn driver samma idé längre: AI skulle kunna bära informationskunnighetens förmedling genom informationssökning, adaptiva handledningar, chattbotar och automatiserad faktagranskning, med bibliotekarier snarare än leverantörer som ägare av integrationen (Offem och Arikpo, 2026). Artikeln rapporterar inga data, så den är en designbrief för var undervisning kan ligga snarare än bevis för att den fungerar.

Lästa tillsammans antyder de två sidorna av räkenskapen en regel: AI kan bära praktiklasten — realistiska scenarier, omedelbar återkoppling, skala — men omdömeslasten stannar hos eleven, och varje verktyg som påstår sig ersätta den bör utvärderas som en detektor med en uppmätt felfrekvens, inte antas som ett facit.

Vad detta innebär för praktiken

  • Lär ut en procedur, två objekt. Den kontrollerbara rutinen — spåra påståendet till en källa, spåra källan till en författare, fråga vad artefakten gör — fungerar för en citering och för en video. Namnge vilket objekt uppgiften bedömer.
  • Behandla detektion som evidens, inte dom. En detektors utdata är en sannolikhet; lär elever att bekräfta med en andra metod och att säga vad som skulle få dem att ändra sig.
  • Behåll produktionen i läroplanen. Att göra medier var den pedagogik som gjorde kritiken konkret; generering med AI kan stödja den bara om eleverna granskar de val verktyget gjorde åt dem.
  • Placera en bibliotekarie eller mediespecialist inne i arbetsflödet. Det starkaste undervisningsresultatet i denna litteratur kommer från en design där mänsklig konsultation var inbyggd, inte erbjuden i efterhand.
  • Bedöm personalens kapacitet innan kursplanen skrivs. Det uppmätta underskottet ligger i att utforma mål och bedöma utfall, inte i att använda verktyg.

Evidensens begränsningar

De flesta studier här är små, självrapporterade eller både och: 236 elever i en enkät, 36 barn i en intervention, 412 bibliotekarier som skattar sig själva. Bibliometrisk synlighet är inte praktik, och de scientometriska författarna säger det explicit. Ingen studie i korpusen utvärderar en kombinerad läroplan för informations- och mediekunnighet, och de detektor- och faktagranskningsverktyg som praktiklitteraturen rekommenderar är i stort sett omätta i dessa källor. Påståendet att AI-driven verifiering förbättrar utfallen bör behandlas som en designhypotes tills någon prövar den mot en kontroll.

Anslutna begrepp

Anslutna artiklar

Metadata

NivåHigher Ed, K 12, Adult Learning
Avsedd målgruppLibrarians, Instructors, Learners, Curriculum Designers
Lärande och undervisningCritical Pedagogy
Tekniker och metoderGenerative AI, Large Language Models (LLMs)
Jämlikhet, etik och ansvarsfull användningTrust Calibration
Grunder i AI inom utbildningenInformations- och mediekunnighet, AI-kompetens, Kritiskt tänkande, Akademisk integritet
SidtypSynthesis
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.