AIEd kunskapsbasAIEd KB
På den här sidan

Läs den här sidan på engelska

Begrepp

Begränsningar i AIEd-forskning

Skapad 2026-08-15 · Uppdaterad 2026-11-08

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

Begränsningar i AIEd-forskning — de återkommande svagheter och restriktioner som påverkar hur mycket tilltro vi kan fästa vid resultat om AI i utbildningen, och hur läsare bör tolka dem. De går tvärs igenom enskilda studier: metodologiska begränsningar (generaliserbarhet, urvalsstorlek, validitet, självskattning), snabbhetsproblemet (AI och forskningsresultat blir snabbt föråldrade medan publiceringen släpar efter), begränsningar i forskning–praktik (reproducerbarhet, FAIR-praxis, proprietära verktyg) och svag teorianvändning. Metodologiska gränser är mätbara snarare än impressionistiska: i en kritisk genomgång av 80 HCI-studier om kritiskt tänkande med AI saknade 42 (52%) kontrollgrupp och de flesta övriga byggde på självskattning, så fältets positiva resultat vilar på designer som inte kan skilja AI:s effekt från vanlig reflektion (A Critical Review of Critical Thinking in HCI Research About AI). Kodningen av utfall är ojämn på samma sätt: en systematisk genomgång av 103 högskolestudier sorterade sitt material i en fyrnivåtypologi för utfall och placerade 56% av det i ett enda villkorligt mönster, där självtillit och motivation steg utan en motsvarande vinst i varaktig kompetens (Generative AI in higher education: A systematic review of empirical uses, outcomes, and risks). Att känna igen dessa gränser är avgörande för att läsa litteraturen kritiskt och för att designa starkare studier.

Frågor att fundera över

  • Hur mycket skulle du lita på en rubrik som 'AI-handledning höjer lärandet med 30%' om du fick veta att den kom från 30 studenter i en kurs vid en institution? Sidan flaggar generaliserbarhet och små urval som återkommande gränser — vad skulle du vilja veta innan du agerar på ett enskilt resultat?
  • En slående begränsning är 'snabbhetsproblemet': AI utvecklas snabbare än resultaten publiceras, så en studie av en modellgeneration kan redan beskriva ett föråldrat system. Hur bör det förändra den tilltro du fäster vid forskning om AI i utbildningen?
  • Många studier bygger på självrapporterade attityder och användning, vilket är snedvridet — människor överskattar sin kompetens och underrapporterar missbruk. Har du någon gång svarat på en enkät om dina egna färdigheter eller beteenden på ett sätt som inte stämde med verkligheten? Varför avviker perceptionsbaserade mått så ofta från objektiv prestation?
  • Sidan noterar att bekanta ramverk som Blooms taxonomi ofta läses som strikta stegar, och att till och med vitt använda teorier som kognitiv belastning har ifrågasatts. När har du sett en teori åberopas som fastställd sanning i ett sammanhang där dess egen evidens faktiskt var omtvistad?
  • Merparten av AI-forskningen är beroende av proprietära, ogenomskinliga modeller vars data och uppdateringar du inte kan granska. Om du inte kan verifiera exakt vilken modell som producerade ett resultat, hur mycket kan du då lita på påståenden som bygger på det — och vad skulle göra resultaten mer reproducerbara?
  • Om du är lärare eller designer utan tid att läsa primärforskning, hur avgör du vilka AI-påståenden som är tillräckligt trovärdiga för att ändra din praktik — givet att litteraturen är fragmenterad, provisorisk och skriven för forskare?

Introduktion

AI i utbildningen är ett snabbrörligt, heterogent fält, och dess evidensbas bär på en särpräglad uppsättning begränsningar som forskare, praktiker och beslutsfattare bör väga in när de använder ett resultat. Några av dem delas med den bredare lärandevetenskapliga och psykologiska litteraturen; andra förstärks eller blir unika genom AI:s egen natur. Den här sidan organiserar dem i fyra tvärgående områden.

Metodologiska begränsningar

Kunskapsbasens sida om forskningsmetoder beskriver styrkor och begränsningar hos varje design. Flera gränser återkommer över designer och förtjänar särskild uppmärksamhet:

  • Generaliserbarhet. Resultat från en enda kurs, institution, disciplin eller nationell kontext överförs kanske inte. Små urval, bekvämlighetsurval eller urval från en enda institution begränsar den externa validiteten; resultat från ett AI-verktyg sträcker sig sällan till ett annat verktyg eller en annan kontext.
  • Tvärnationella jämförelser av övertygelser bär en mätrisk. En enkät i fem länder med 1,405 K-12-lärare använde automatisk maskinöversättning utan bakåtöversättning eller test av mätinvarians och mätte oro för plagiering och kreativitet med enstaka item, så landskontrasterna kan inte läsas som ekvivalenta begrepp (Xiu m.fl. (2026)).
  • Strikthet på syntesnivå är en egen axel skild från primärstudiens strikthet. En metaanalys kan uppfylla sina egna inklusionskriterier och ändå slå samman studier som skiljer sig i design, implementeringstrohet och utfallsmått utan att väga något av det: Doğan m.fl. (2026) anger uttryckligen att de inte använde något formellt verktyg för kvalitetsbedömning och behandlade inklusionskriterierna som strikthetströskeln, så en kvasi-experimentell studie och en randomiserad bidrog lika mycket till den sammanvagna STEM-uppskattningen. Samma genomgång visar en besläktad rapporteringsfara: dess heterogenitet anges som I² = 82.98% under en modell med fasta effekter och I² = 15.75% under modellen med slumpmässiga effekter, vilket innebär att läsare som lyfter en enskild heterogenitetssiffra utan dess modell inte kan avgöra hur inkonsekvent materialet faktiskt är. Bedöm en syntes efter hur den hanterade beroende effektstorlekar, kvalitet och heterogenitet, inte bara efter huruvida den följde ett sökprotokoll.
  • Sökdesignen sätter en syntes rubriksiffror. I en scoping-genomgång av 195 Teacher Education-studier var digital kompetens och TPACK uttryckliga sökbegrepp medan lärandedesign och bedömning saknade motsvarighet, så de rapporterade 46.5% och 1.9% karaktäriserar materialet som sökningen returnerade snarare än fältet (Patiño Hernández m.fl. (2026)).
  • Små urvalsstorlekar. Många AIEd-studier har för låg styrka — för få deltagare för att tillförlitligt upptäcka meningsfulla effekter eller bära de starka påståenden som ibland dras från dem.
  • Dataförstärkning kan tillverka rubrikmetriken. I en automatiserad uppsatsbedömare vars träningspartition innehöll 83 studenters arbeten lyfte genererade nivå-1-svar — mallar, trunkering, borttagning av nyckelord — Focus-överensstämmelsen med +0.346 kvadratiskt viktad kappa från en baslinje på 0.028, så den starkaste ordinala signalen vilade på text som ingen student hade skrivit (Firdausi m.fl. (2026)).
  • Slutpoäng kan dölja det som studeras. I en PRISMA-genomgång av 103 högskolestudier rapporterade 56% vinster som var villkorade av strukturering eller verifiering, och uteblivna betygsskillnader åtföljdes ofta av verkliga förändringar i processen — mer felsökning, fler kontrollcykler — så betyg ensamma kan inte avgöra huruvida GenAI stärkte eller urholkade praktiken (Hawi och Samaha (2026)).
  • Valideringsdesign kan tillverka rubriksiffran. Nanayakkara och Halloluwa (2026) benchmarkar femton modeller på EEG-baserad familiaritet och visar att standardiserad stratifierad korsvalidering tillåter tidsmässig läckage och rapporterar upp till 0.9853 F1, medan trial-oberoende Group K-Fold-validering sänker toppen till 0.6038 F1 — fortfarande över slumpnivå, men långt från det citerade resultatet.
  • Benchmarks kan leverera de fel de rapporterar. Expertombedömning av 250 avvisade fysikitem tillskrev 238 (95.20%) fel i benchmarken eller bedömaren och bara 12 (4.80%) genuina modellfel, så en modells uppmätta felkvot kan inte falla under instrumentets defektkvot (Ansari m.fl. (2026)).
  • Validitet och mätning. Begreppsvaliditet är ofta tunn: proxys för "lärande", "engagemang" eller "kompetens" varierar kraftigt, och instrument är inte alltid validerade för den population eller det begrepp som studeras. Benchmark-noggrannhet är inte detsamma som utbildningseffektivitet.
  • Självskattning och enkätdata. En stor del av materialet bygger på självrapporterade attityder, motivation och användning. Självskattning är utsatt för bias — svarande överskattar kompetens, underrapporterar missbruk och bedömer sitt eget beteende fel — så perceptionsbaserade mått avviker ofta från objektiv prestation (se How to Assess AI Literacy: Misalignment Between Self-Reported and Objective-Based Measures och Educational Measurement).
  • Kontext och valideringsrapportering kan kvantifieras över en litteratur. En PRISMA-ScR-genomgång av 421 studier om NLP på kommentarer i lärarutvärdering fann land oupplöst i 221 studier, omfattning av en enda institution i 232 av 284 upplösta fall (81.7%), extern validering i 33 (7.8%) och interannotatörsöverensstämmelse i 54 (12.8%) (Eicher & da Silva (2026)).
  • Rapporteringens rikedom är mätbar, och metodtyp förutsäger den. I 888 artiklar om recensionsautomatisering rapporterade 38.0% av programvaru-/produktartiklarna sedan 2023 ingen utvärdering, mot 9.3% av LLM-artiklarna, och 52% av 118 LLM-artiklar med enbart positiva resultat flaggade ändå en ouppfylld tillförlitlighetsribba — mönstret bakom PRISMA-LLM:s fem nivåer för redovisning (Zabaleta & Lin (2026)).
  • Standardisering inom varje dataset kan dölja en felaktig beskrivning av spridningen. När syntetiska utbildningskohorter standardiserades efter sin egen spridning blev det faktum att deras veckostruktur varierade 2.6 till 4.9 gånger mindre än de verkliga kohorternas osynligt för de rapporterade statistikerna — rutinmässig förbearbetning, inte en hypotetisk oro enligt författarna (Inoue & Yasutake, 2026).
  • Modellgenererade etiketter är inte facit. När de etiketter som tränar eller utvärderar ett system själva produceras av språkmodeller kan överensstämmelse mellan annotatörer inte fastställa validitet: Bernado m.fl. (2026) validerade aldrig sina assertionsannoteringar mot mänskliga guldetiketter, och de 49 encoderklassificerare de släpper ärver det ursprunget och är kanske inte giltiga där tillämpningar skiljer sig i viktiga dimensioner. Deras schema presterade dessutom klart sämre än den finjusterade klassificeraren tränad på expertannoterade data (macro-F1 0.673 mot 0.76), vilket gör expertmärkta korpusar värdefulla när hög tillförlitlighet krävs.
  • Evidensbasen själv är ojämnt fördelad. En scoping-genomgång av 407 studier av teknikstödd formativ bedömning byggde bara på Web of Science och Scopus. Den uteslöt också 61 poster på språkkriterier, så den geografiska obalans fältet rapporterar kan delvis spegla vilka forum som indexeras (Bulut, 2026).

Snabbhetsproblemet: AI utvecklas snabbare än forskningsresultaten

AI förändras kontinuerligt, och slutsatserna från en given modell eller ett givet system kan bli föråldrade snabbt. En studie av en Large Language Models (LLMs)-generation beskriver kanske inte nästa; benchmarkpoäng, handledningskvalitet och till och med den praktiska användbarheten hos ett resultat förskjuts när modellerna förbättras. Förstärkande detta är publiceringsprocessen långsam — från studiedesign till peer-reviewed publicering kan det ta ett år eller mer — så ett publicerat resultat kan redan beskriva ett föråldrat system. Granskare och läsare bör därför behandla AIEd-resultat som provisoriska, datumbundna påståenden snarare än stabila sanningar, och föredra nyare, replikationsinriktat och versionsexplicit arbete.

Thoeni och Fryer (2026) gör konsekvensen konkret för en litteratur: eftersom RAG-baserade system bara blev allmänt tillgängliga i november 2023 hävdar de att resultat om intelligent handledning före 2023 — som vilar på regelbaserade, nyckelordsmatchande eller heuristiska NLP-system med liten funktionell likhet med nuvarande stora språkmodeller — bör behandlas som historisk kontext snarare än direkt jämförbar evidens, och rapporterar att deras genomgång inte fann någon publicerad RCT som undersökte en RAG-baserad AI-chattbot i grundutbildning under en full akademisk termin. Implikationen är att grundläggande frågor om hur genAI påverkar lärande kan behöva ställas igen mot varje ny modellgeneration i stället för att avgöras genom att slå samman äldre resultat.

Begränsningar i forskning–praktik

Flera begränsningar gäller forskningens eget utförande och infrastruktur:

  • Bristande reproducerbarhet. Studier rapporterar ofta inte tillräckligt med detaljer (prompter, modellversioner, hyperparametrar, data, analyskod) för att andra ska kunna reproducera eller verifiera resultaten — ett särskilt problem eftersom LLM-utdata är så känsliga för prompter och inställningar.
  • FAIR forskningspraxis. Öppen och reproducerbar praxis — Findable, Accessible, Interoperable, Reusable data och kod, förregistrering och delade benchmarks — tillämpas ojämnt inom AIEd. Svag efterlevnad av FAIR-principerna gör det svårare att återanvända, jämföra och bygga vidare på studier.
  • Proprietära verktyg och modeller. Mycket forskning är beroende av slutna, proprietära AI-system vars interna beteende, träningsdata och modelluppdateringar är ogenomskinliga och kan ändras utan förvarning. Det begränsar reproducerbarheten, gör exakt replikering omöjlig och kan binda resultat till en leverantörs färdplan. Det reser också frågor om utvärderingens oberoende (se AI Ed Evaluation).

Svag eller begränsad teorianvändning

En återkommande kritik är att många empiriska artiklar har begränsad eller föråldrad teoretisk inramning. Forskare kan:

  • Anamma teorier okritiskt. Ramverk lånas för att de är bekanta, utan att man fullt ut beaktar deras antaganden, omfång eller evidensbas.
  • Misstolka ramverk som fasta sekvenser. Flera vitt använda ramverk behandlas som ordnade stegar som elever måste klättra från ett "lågt" till ett "högt" stadium — men evidensen stöder inte att man alltid börjar nedifrån. Till exempel:
    • Blooms taxonomi läses ofta som en strikt hierarki (återkallande → tillämpning → utvärdering), men mål av högre ordning kräver inte att man först nöter lägre ordningens mål; uppgifter kan designas för att engagera utvärdering eller skapande från början (se Cross-Dataset Bloom Question Classification: Supervised Models and Prompted LLMs).
    • ADDIE och andra instruktionsdesignmodeller behandlas ibland som rigida linjära faser i stället för de iterativa, flexibla planeringsheuristiker de är avsedda att vara (se Lärandedesign).
  • Förbise omtvistade teorier. Vissa teorier som används vitt inom AIEd har själva ifrågasatts. Kognitiv belastningsteori har till exempel kritiserats och dess empiriska anspråk har vederlagts eller bestritts i tidigare studier, men den åberopas fortfarande som en fastställd grund i nytt AIEd-arbete.

Implikationen är inte att teorier och ramverk är värdelösa, utan att de bör användas med uppmärksamhet på sin faktiska evidensbas, sitt avsedda omfång och sina kända invändningar — snarare än som självklara stödstrukturer eller rigida procedursekvenser.

Den metaanalytiska evidenskrisen

En växande mängd metaforskning — genomgångar som granskar genomgångarna — hävdar att fältets rubrikpåståenden om AI-drivna lärandevinster vilar på en evidensbas som är långt svagare än den ser ut. Tre kompletterande kritiker driver argumentet med ovanlig kraft:

  • Positiv syntesbias är allvarlig och kvantifierbar. Bartoš m.fl. (2026) fann i en metaanalys på studienivå av 1,840 effektstorlekar från 67 metaanalyser stark evidens för publikationsbias (alla Egger-tester p < .0001) och extrem heterogenitet mellan studier (τ = 0.869). Publikationsbiasjusterade effekter var ungefär en tredjedel av den vanligen rapporterade storleken (SMD = 0.196 mot en median på 0.67 i den publicerade litteraturen), med ett prediktionsintervall från −1.521 till +1.908 — från stor skada till stor nytta. Ingen undergrupp för utfall, fält, nivå eller AI-roll visade konsekventa vinster, och det fanns ingen skillnad mellan studier före och efter 2023. Deras dom: breda påståenden om generaliserade lärandevinster är förhastade.
  • Metaanalytiska metoder tillämpas systematiskt fel. O'Neills (2026) forensiska granskning av 14 inflytelserika AIEd-metaanalyser fann att ingen av dem gav ett giltigt underlag för sina påståenden: ingen hade ett sammanhängande begrepp (man behandlade verktyget "ChatGPT" som om det vore en enda intervention och slog samman testpoäng, motivation, Self-Efficacy och attityder till ett enda tal för "akademisk prestation"); den rapporterade heterogeniteten var allvarlig, med I² från 77.2% till 94.4% över de 13 metaanalyser som rapporterade den och 12 av dessa 13 över 80%, och den löstes aldrig (ingen nådde minsta undergruppsstorlek på tio studier, fem byggde på undergrupper med en enda studie och tre andra på undergrupper om två); tolv behandlade beroende effektstorlekar från samma studie som oberoende, vilket blåste upp den skenbara evidensen; och ingen bedömde publikationsbias giltigt (diskrediterade fail-safe N-mått och felaktigt tillämpade Egger-tester var vanliga). Eftersom I² är precisionsberoende kan det inte i sig fastställa hur långt de sanna effekterna ligger från varandra, och den rapportering som skulle visa det saknades i stort: bara fyra metaanalyser rapporterade variansen mellan studier (τ²) och bara två rapporterade ett prediktionsintervall, och båda inkluderade noll. En majoritet (61%) av slumpmässigt granskade primärstudier var problematiska, och en studie med fabricerade referenser inkluderades av sex av de 14 metaanalyserna.
  • "Behandlingen" är en svart låda. Weidlich m.fl. (2025) återupplivar debatten om medier/metoder för att hävda att "ChatGPT" är ett verktyg, inte en metod — frågan huruvida det "förbättrar lärande" är en non sequitur. När de granskade en delmängd av studierna bakom Deng m.fl.s (2025) metaanalys fann de att bara 21% av jämförelserna hade en väldefinierad behandling, en kontrollgrupp och ett giltigt lärandemått; de rapporterade effektstorlekarna (g = 0.7) översteg till och med dem för specialbyggda intelligenta handledningssystem (0.66), en varningssignal om att "behandlingen" var en heterogen "hemlig sås".

Att dessa tre oberoende kritiker konvergerar är i sig evidens: över olika metoder, korpusar och inramningar når de samma slutsats — att positiva AIEd-effektstorlekar, särskilt från tidiga metaanalyser, sannolikt speglar publikationsbias, begreppsmässig inkoherens och metodologiska genvägar lika mycket som (eller mer än) genuina lärandevinster. Det betyder inte att AI-verktyg saknar utbildningsvärde; det betyder att fältnivåevidensen för deras värde för närvarande är uppblåst och måste läsas därefter. Det flyttar också ansvar till synteskvalitet: en metaanalys är bara så trovärdig som sammanhållningen i dess begrepp, oberoendet i dess effektstorlekar, tillräckligheten i dess moderator- och heterogenitetsanalys och giltigheten i dess publikationsbiasbedömning — och kritikerna visar att vart och ett av dessa regelmässigt överträds.

Att läsa AIEd-litteraturen kritiskt

Sammantagna talar dessa begränsningar för en kritisk läsning av AIEd-forskning med flera signaler: kontrollera huruvida ett resultat generaliserar och har tillräcklig styrka; verifiera hur begrepp mättes (och huruvida påståenden vilar på självskattning); föredra nyare, versionsexplicit och reproducerbart arbete; och granska den teoretiska inramningen i stället för att ta bekanta ramverk för givna. Detta är komplementet till rigoröst metodval och utvärdering: goda metoder och god utvärdering är nödvändiga, men det är läsningen med uppmärksamhet på begränsningar som förvandlar evidens till försvarbara beslut.

Från forskning till praktik

En ytterligare, praktisk begränsning är utmaningen att tillämpa forskning på undervisning och lärandedesign. Praktiker — lärare, instruktionsdesigners och fakultetsutvecklare — saknar ofta tid eller specialiserad expertis för att läsa, bedöma och översätta primärforskning till konkreta klassrumsbeslut. Litteraturen är stor, fragmenterad och skriven för forskare; resultat rapporteras med statistisk och metodologisk detaljrikedom som inte är omedelbart handlingsbar; och eftersom påståendena är provisoriska (se snabbhetsproblemet ovan) kan en praktiker inte bara ta en enskild studie för given. Det skapar en klyfta mellan vad evidensen stöder och vad som faktiskt når undervisningspraktiken.

Syftet med denna kunskapsbas är att hjälpa till att sluta den klyftan — att göra det lättare att hålla sig uppdaterad om, tolka och tillämpa forskning om AI i utbildningen i praktiken — genom att sammanställa öppet tillgängliga resultat till strukturerade, tillgängliga sammanfattningar, koppla samman närbesläktat arbete genom begreppssidor och flagga de begränsningar läsare bör väga in. Den syftar till att stödja evidensinformerad praktik i undervisning och lärandedesign, och att därigenom också synliggöra luckor och frågor som kan informera ny forskning och utveckling. Att förstå forskningens gränser är därför inte ett mål i sig: det är det som låter praktiker tillämpa resultat på lämpligt sätt och forskare designa starkare studier som bättre tjänar praktiken.

Två granskningsfällor värda att känna till

Två specifika rapporteringspraxis blåser upp eller förvränger en syntes, och båda syns i det publicerade materialet snarare än är hypotetiska.

Heterogenitetssiffran beror på modellen, och modellen citeras sällan. En genomgångs heterogenitet anges som I² = 82.98% under en modell med fasta effekter och I² = 15.75% under modellen med slumpmässiga effekter. De beskriver samma data. En läsare som lyfter en enskild heterogenitetssiffra utan dess modell har fått ett tekniskt påstående utan tolkning, och skillnaden mellan "merparten av variansen är oförklarad" och "liten varians är oförklarad" är skillnaden mellan att förkasta och att lita på fältet.

Rubrikprocenten kan vara en artefakt av söktermerna. En scoping-genomgång av 195 lärarutbildningsstudier gjorde digital kompetens och TPACK till uttryckliga sökbegrepp, medan lärandedesign och bedömning saknade motsvarande term, så de rapporterade 46.5% och 1.9% är frekvenser som frågan själv konstruerade. Ett prevalenspåstående är bara så meningsfullt som sökningen bakom det.

Och basfrekvensen är det tal ingen anger. Metodologiska gränser här är mätbara snarare än impressionistiska: i en kritisk genomgång av 80 HCI-studier om kritiskt tänkande med AI saknade 42 (52%) kontrollgrupp och de flesta övriga byggde på självskattning. När mer än hälften av ett fälts positiva resultat kommer från designer som inte kan skilja AI:s effekt från vanlig aktivitet, är den rimliga utgångspunkten för varje enskilt resultat skepsis, inte provisorisk acceptans.

Vanliga missuppfattningar

  • "Avsnitt om begränsningar är standardtext." Metodologiska gränser är mätbara snarare än impressionistiska: i en kritisk genomgång av 80 HCI-studier om kritiskt tänkande med AI saknade 42 (52%) kontrollgrupp. En exakt räkning är det som gör gränsen handlingsbar.
  • "Heterogenitet är ett enda tal du kan citera." Samma genomgång visar en rapporteringsfara: heterogeniteten anges som I² = 82.98% under en modell med fasta effekter och I² = 15.75% under modellen med slumpmässiga effekter. Samma data ger en historia på nio punkter eller en på två punkter beroende på vald modell, så ett citerat I² utan dess modell är otolkningsbart.
  • "En stor rapporterad effekt är talet att lita på." En rubrik som en effekt från 30 studenter i en kurs på en plats är den vanliga formen av ett bräckligt påstående, och räkningen av studier utan kontroller visar hur ofta den bräckligheten inte rapporteras.

Anslutna begrepp

Anslutna artiklar

Anslutna vanliga frågor

Metadata

StudiedesignLiterature Review
Lärande och undervisningLearning Theories
Bedömning och mätningAssessment Validity, Educational Measurement
Forskningsmetoder och utvärderingAI Ed Evaluation, Benchmark, Research Methods in AIED
Grunder i AI inom utbildningenAI i utbildningen
SidtypEvaluation
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.