AIEd kunskapsbasAIEd KB
På den här sidan

Läs den här sidan på engelska

Begrepp

Missuppfattningar om AI

Skapad 2026-11-12 · Uppdaterad 2026-11-12

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

Missuppfattningar om AI — de felaktiga föreställningar människor bär på om vad AI-system är, vad de gör och vad det innebär för lärande och arbete att använda dem. Missuppfattningar är inte en enda osanning utan en familj av kalibreringsfel som klustrar kring två grundläggande misstag: att felbedöma vad modellen är (auktoritet kontra verktyg, neutral kontra partisk, förståelse kontra generering) och att felbedöma vad lärande kräver (output kontra process). De finns inte bara hos elever utan också hos lärare, skolledare, beslutsfattare och den bredare allmänheten — och att rätta dem är ett kärnmål för undervisning i AI-kompetens och förtroendekalibrering.

Frågor att fundera över

  • Många människor tror att en AI-chattbots svar är ett verifierat faktum eftersom det låter självsäkert och flytande. Sidan kallar detta för "auktoritetsfelslutet". När du läser en AI-genererad förklaring, hur avgör du om du ska acceptera den — och hur ofta verifierar du den faktiskt?
  • Missuppfattningen "lärande är lika med output" är tron att det att producera arbete med AI är samma sak som att ha lärt sig det. Har du någonsin känt att du "lärde dig" något genom att låta ett verktyg göra utkastet? Vad saknades egentligen efteråt?
  • Människor antar ofta att AI är objektiv och opartisk. Sidan kallar detta för "neutralitetsillusionen" — modeller kodar in bias från träningsdata, vilket i skrivsammanhang kan homogenisera idéer i en hel klass. Var kan bias gömma sig i ett verktyg som känns neutralt?
  • Missuppfattningar om akademisk integritet klustrar vid två ytterligheter: vissa elever behandlar AI-output som "inte att kopiera en person" och därmed tillåtet, medan andra tycker att all användning är fusk. Var tycker du att gränsen borde gå, och vem borde avgöra den?
  • En vanlig föreställning är att en enda fråga räcker och att AI-output är deterministisk — samma fråga ger alltid samma svar. Sidan beskriver detta som determinismfelet. Hur kan den missuppfattningen få någon att överlita sig på ett enda resultat?
  • Missuppfattningar beskrivs som stabila, rimliga och motståndskraftiga mot korrigering — ungefär som missuppfattningar inom vilket ämnesområde som helst. Om det sällan räcker att bara berätta sanningen för människor, hur borde AI-kompetens egentligen läras ut?

Introduktion

Missuppfattningar om AI spelar roll eftersom de är den kognitiva föregångaren till de skadliga beteenden som kunskapsbasen dokumenterar under överberoende och akademisk integritet. Människor ger sig sällan ut för att missbruka AI; de gör det därför att felaktiga mentala modeller får dem att placera förtroendet fel, hoppa över verifieringen och behandla output som förståelse. Inom utbildningen formar dessa fel allt från hur elever studerar till hur lärare och institutioner utformar läroplaner, bedömning och policy.

Vad AI-missuppfattningar är

En missuppfattning här är inte bara okunnighet om hur en modell fungerar — det är en aktivt hållen, ofta självförstärkande föreställning som ger systematiska fel i hur elever samspelar med AI. De är direkt analoga med de ämnesspecifika missuppfattningar som studeras inom lärandevetenskaperna: stabila, rimliga och motståndskraftiga mot korrigering ända tills de konfronteras. Att rätta dem är ett kärnmål för undervisning i AI-kompetens och förtroendekalibrering.

Vanliga missuppfattningar i akademiska sammanhang

  • Auktoritetsfelslutet — att behandla LLM-output som ett verifierat faktum i stället för som en probabilistisk komplettering. Det driver okritiskt accepterande och det mönster av svarsökande framför förståelse som dokumenteras i AI-handledningsforskning, där elever accepterar modellens svar utan att kontrollera det mot hallucinationsrisken.
  • Illusionen om oberoende kontroll — att behandla AI-återkoppling som en utomstående korrigering när modellen i själva verket speglar ditt eget resonemang. Användarnas baslinjenoggrannhet var den dominerande prediktorn för den slutliga prestationen, och inställsamhetsspecifik promptning minskade den positionella mimicryn (OR = 0,26) men lämnade felpropageringen orörd, så träning av eleven är inte skyddsnätet (Koyuturk et al. (2026)).
  • Lärande är lika med output — att tro att det att producera arbete med AI är samma sak som att ha lärt sig det. Detta är precis det fel som ligger bakom överberoende: processerna för att skriva utkast, minnas och revidera, vilka bygger varaktig kunskap, läggs ut på entreprenad.
  • Neutralitetsillusionen — att anta att AI är objektiv och opartisk. Elever missar ofta att modeller kodar in bias från träningsdata och att detta i skrivundervisningen ger en homogenisering av idéer i en hel kull.
  • Integritetens gråzon — att felbedöma om AI-användning är acceptabel. Vissa elever ser AI-output som "inte att kopiera en person" och därför tillåtet; andra överkorrigerar och tror att all användning är fusk. Inkonsekvens på institutionsnivå göder båda felen.
  • Antropomorfism — att tro att modellen har avsikt, minne och förståelse för deras kontext. Detta övertroende är särskilt riskabelt akademiskt, eftersom elever kan förlita sig på rimligt klingande förklaringar som modellen inte faktiskt kan förankra.
  • Determinismfelet — att förvänta sig att en enda fråga ska räcka och inte inse att output är icke-deterministisk och känslig för prompten. Att underskatta detta ger "promptglappet", där elever misstar ytliga resultat för verktygets tak.
  • Felkalibreringen av AI-detektering — att underskatta både den institutionella detekteringen och, viktigare, den skada man tillfogar sig själv genom att lämna in arbete som man senare inte kan förklara eller försvara.
  • Effektivitetsillusionen — att behandla sparad tid som en ren vinst och missa att oanvända grundfärdigheter förfaller och att nybörjare ännu inte kan skilja bra output från dålig.
  • Vänlighets- och säkerhetsillusionen (barn) — att tro att en AI som verkar vänlig är inneboende säker och mindre benägen att spionera. Leisten et al. (2026) undersökte 71 barn i åldern 10–16 år (Målder = 12,90) och höll sex fokusgrupper (n = 36) kring den öppen källkod-baserade sociala roboten Blossom, och fann att grundläggande AI-kunskap ökade tillförlitligt med åldern (M = 4,41 av 6; β = 0,17) medan säkerhetsattityderna förblev ambivalenta (vikten M = 2,51, nuvarande säkerhet M = 2,77 på en skala från 1 till 4), fångat i en 12–13-årings föreställning att "kanske om de är goda vänner så spionerar han inte så mycket" — vid sidan av föreställningen att AI:s kunskap kan raderas med ett knapptryck, att hacking leder till kidnappning och att "wifi strålar in i hjärnan".

Integritetens gråzon har en struktur, inte bara två ytterligheter. Intervjuer med 20 elever, tillsammans med deras chattloggar och kursdokument, fann fem separata platser där AI-policy lever, från fakultetens avsikt via formell policy och elevens egen policy till den faktiska praktiken, plus 23 distinkta rationaliseringar i sex klasser (Kim et al., 2026). Rationaliseringarna var ad hoc och post hoc, ihopsatta för att förklara en användning som redan hade ägt rum snarare än för att vägleda den. Ett strikt förbud förhindrade inte användning så mycket som det förstärkte den moraliska konflikten hos elever som ville följa reglerna, vilket placerar korrigeringens mål i policypunkten snarare än i regelns formulering.

Institutionella och offentliga AI-myter

Missuppfattningar är inte begränsade till elever — de genomsyrar den institutionella och offentliga diskursen om AI som eleverna ärver. Rudolph et al. (2025) plockar isär åtta inrotade "myter" som formar politik och undervisning i högre utbildning: att AI verkligen är "artificiellt" (snarare än byggt på utnyttjat mänskligt arbete), att det är sant "intelligent" och agentiskt, att det oproblematiskt kommer att "göra världen bättre", att det är "objektivt och opartiskt", att USA har ett monopol som enda supermakt, att det inte kommer att störa arbetsmarknaden, att det "revolutionerar högre utbildning" och att lärare tillförlitligt kan upptäcka AI-genererat arbete. Dessa institutionella myter är den uppströms källa till många av de elevmissuppfattningar som dokumenteras ovan — mest direkt neutralitetsillusionen ("AI är objektiv") och auktoritetsfelslutet ("AI är intelligent"), samt den felkalibrerade detekteringen som får elever att anta att oupptäckbar användning som inte går att verifiera är säker. När elever absorberar och agerar på institutionellt upprepade myter kräver korrigeringen att man konfronterar inte bara elevens föreställning utan också den diskurs som föder den.

Varför missuppfattningar spelar roll för lärandet

Missuppfattningar översätts direkt till de beteenden som orsakar lärandeskada. Föreställningen att "AI har alltid rätt" dämpar verifieringen; föreställningen att "använda AI är att lära sig" dämpar den ansträngningsfulla bearbetningen; föreställningen att "det är inte fusk" kringgår den metakognitiva granskning som konsoliderar förståelsen. I den meningen ligger missuppfattningarna uppströms om den AI Misuse and Learning Harm som dokumenteras i kunskapsbasens evidensunderlag.

Föreställningen att det att använda AI är lärande hålls inte bara före användningen; verktyget kan självt tillverka den. Kim et al. beskriver ett LLM-felslut där ogenomskinlig, flytande och omedelbar output misläses som bevis på användarens egen kompetens, så att den upplevda och den faktiska förmågan divergerar med en marginal som de kallar ΔC. Eftersom mekanismen är flyt och attributionsambiguitet snarare än fel, kvarstår felslutet vare sig modellen är korrekt eller hallucinerar, vilket innebär att ett korrekt AI-assisterat svar inte är bevis på att föreställningen har korrigerats.

Missuppfattningar bortom eleverna: lärare, institutioner och allmänheten

AI-missuppfattningar är inte begränsade till eleverna — de är allestädes närvarande bland de vuxna som formar utbildningen:

  • Lärare och fakultet kan överskatta AI:s förmåga att tillförlitligt betygsätta eller upptäcka missbruk, eller underskatta dess bias, vilket leder antingen till okritiskt införande eller till reflexmässiga förbud. Det antagandet om tillförlitlighet är delvis testbart och delvis falskt: Humble (2026) utförde ett red-team-test på ett vardagligt AI-betygsättningsflöde och fann att instruktioner gömda i en inlämnad fil höjde betyget på en underkänd uppsats utan någon synlig varning, i 9 av 9 iterationer för en strategi och 17 av 18 för en annan. När lärare hyser auktoritetsfelslutet om AI-output modellerar de samma okritiska hållning som de borde korrigera hos eleverna. Att förbereda lärare med korrekta mentala modeller av AI är en förutsättning för ansvarsfull AI-integration och säker pedagogik.
  • Administratörer och beslutsfattare ärver och sprider institutionella myter — att AI är "objektivt", att det kommer att "revolutionera" utbildningen eller att detektionsverktyg är pålitliga — vilka sedan formar policy, upphandling och bedömningsregler. Det förtroende som eleverna utvecklar är delvis en produkt av den institutionella inramning de ärver.
  • Den breda allmänheten absorberar mediernas och leverantörernas berättelser om AI:s förmågor och risker. Eftersom eleverna lär sig inom denna diskurs blir de offentliga myterna det substrat ur vilket elevmissuppfattningarna växer. Att rätta AI-missuppfattningar är därför en AI-kompetensuppgift som riktar sig till hela utbildningsekosystemet, inte bara till eleverna.

Denna bredd är anledningen till att kunskapsbasen behandlar missuppfattningar som ett tvärgående grundtema snarare än som ett enbart elevriktat sådant: samma kalibreringsfel återkommer hos elever, lärare, institutioner och allmänheten, och att rätta dem kräver att man konfronterar både individuella föreställningar och den diskurs som föder dem.

Lärarnas pedagogiska missuppfattningar är spegelbilden av detta: inte missförstånd om AI, utan evidenslösa föreställningar om undervisning som består oavsett AI. Miranda och Calvani (2026) instrumenterar detta med Effective Teaching Questionnaire, där 50 binära items mappar mot metaanalytiska effektstorlekar (d ≥ 0,40) så att en lärares svar kan jämföras mot ett evidensanpassat riktmärke — och deras fynd är att missuppfattningarna är djupa och specifika. En pilot med 123 lärare i Italien fann den skarpaste oenigheten i påståendet om inlärningsstilar (78 % av lärarna försvarade visuell/auditiv matchning), därefter om inkludering och grupparbete (68 %) och om EdTech-överbelastning (54 %); den genomsnittliga överensstämmelsen låg nära 50 % över dimensionerna planering, kognition, utvärdering och management. Två detaljer spelar roll för hur korrigeringen ska utformas. För det första överlever missuppfattningarna universitetsutbildningen och undervisningspraktiken — författarna beskriver ett "internaliserat sunt förnuft" som "föregår inträdet i skolan" och består — så de är inte kunskapsluckor som en föreläsning stänger. För det andra, när en konversationell AI återinförde samma items först efter att ha validerat lärarens egen kontext, angav 41 % av invändningarna genuina kontextuella begränsningar — klasstorlekar, elever med särskilda behov, läroplanstäckning — snarare än själva evidensen. Ytterligare 5,9 % kallade systemet "en algoritmisk dogmmaskin": gränsvillkoret där normativ inramning föder försvar i stället för reflektion. För utvecklingen av Lärarnas AI-kompetens innebär det att diagnostik plus dialog kan synliggöra vilka föreställningar som är evidensbaserad oenighet och vilka som är missuppfattning, en distinktion som en poängsumma ensam inte kan göra.

Att rätta missuppfattningar

Korrigering är inte ett engångsavslöjande utan en pågående AI-kompetensprocess som utvecklar Metacognition och självreglerat lärande: att hjälpa elever (och de vuxna omkring dem) att följa sitt eget beroende, kalibrera när de ska lita på och när de ska ifrågasätta en modell, och se kostnaden för att kringgå sitt eget kognitiva arbete. Eftersom missuppfattningarna är motståndskraftiga hanteras de bäst genom direkt konfrontation med evidens — inklusive fyndet att elever ofta inte uppfattar lärandeskadan av AI-missbruk.

Refutationstext är en central korrigeringsteknik. Eftersom missuppfattningar hålls aktivt och är motståndskraftiga är den mest direkta evidensbaserade strategin refutationstexten — en undervisande text som formulerar missuppfattningen, uttryckligen vederlägger den och presenterar den korrekta föreställningen. Det är samma familj av teknik som används för att rätta de ämnesspecifika missuppfattningar som studeras inom lärandevetenskapen, här tillämpad på elevernas föreställningar om AI i sig. Kunskapsbasens begreppssida om Refutation Text sammanfattar hur detta utspelar sig inom AI i utbildning på tre kompletterande sätt:

  • AI som korrigeraren. Konversationell AI i handledarroll kan leverera personliga vederläggningar och anpassa dem till en elevs specifika missuppfattning i stunden. Corbett & Tangen (2026) fann att personlig AI-dialog gav större och snabbare minskningar av föreställningen än statisk vederläggning i läroboksstil, med högre engagemang och tillförsikt — även om fördelen bleknade efter två månader utan förstärkning.
  • AI som genereraren av vederläggningsinnehåll. Akdoğan (2025) fann att AI-genererad begreppsförändrings- och vederläggningstext höll samma kvalitet som expertförfattad sådan (och båda överträffade en promptstyrd interaktiv dialog i den naturvetenskapliga kontexten), vilket visar att AI kan producera effektiva korrigeringsmaterial i skala.
  • AI-genererade missuppfattningar som lärresurs. I stället för att behandla AI-genererade missuppfattningar som enbart skadliga föreslår Cheah et al. (2026) att man genererar missuppfattningar och hanterar dem genom strukturerad kamratdiskussion — en kollaborativ form av vederläggning som främjar begreppsförändring och kritiskt tänkande.

För missuppfattningar om AI innebär detta att korrigeringen bör kombinera direkt konfrontation (vederläggningsmaterial som namnger och motbevisar specifika myter) med stöttad övning — med hjälp av AI-kompetensundervisning och Metacognition för att få människor att se både den falska föreställningen och den korrekta modellen. Evidensen varnar för att formatet spelar roll: personlig, interaktiv korrigering engagerar mer och är initialt effektivare, men behöver förstärkning för att bestå; och vilket utfall som mäts (kunskap kontra attityder kontra färdigheter) formar hur stor korrigeringseffekten framstår. Eftersom missuppfattningar spänner över elever och de vuxna som formar lärandet, måste en effektiv korrigering nå lärare, administratörer och beslutsfattare lika mycket som elever.

Bernstein och Sibia (2026) visar att generativ AI-genererade analogier inför strukturella missuppfattningar som bara kunskap om källdomänen kan fånga (Flawed but Memorable: Student Critical Reception of Interest-Personalized GenAI Analogies in Computing Education): en analogi med en cirkulär rutt för en länkad lista antyder en återkoppling till starten, och en badmintonrallyanalogi för rekursion bär inget garanterat krympande indata. Elever som kände till källdomänen identifierade dessa brister och föreslog reparationsåtgärder, medan deltagarna noterade att en bristfällig analogi ändå kan vara minnesvärd — vilket tyder på att en bekant analogikälla kan hjälpa elever att upptäcka, snarare än absorbera, en AI-producerad missuppfattning, och att inrama brister som avsiktliga artefakter för kritik förvandlar risken till en bedömningsmöjlighet.

Modellgenererade missuppfattningar är en mätbar förmåga, inte en olyckshändelse. Miličević et al. (2026) byggde SocraticTrap-CS, som instruerade sju modeller med öppna vikter att skriva en "sokratisk fälla" för 35 centrala datavetenskapliga begrepp — en förklaring som är flytande och auktoritativ men vilar på ett subtilt, domänspecifikt fel. Av 241 promptade segment bekräftades 221 (91,7 %) som strategiska missuppfattningar genom expertmajoritet (Fleiss κ = 0,9487), utan signifikanta skillnader mellan datavetenskapliga domäner; 66,5 % av de bekräftade felen var begreppsmässiga snarare än faktabaserade och inga var enbart logiska. Flyt är mekanismen snarare än ett försvar: övertygelsekraften låg i genomsnitt på 3,71 på en femgradig skala och var starkt modellberoende, och frekvens och allvarlighet dissocierade, där de två modeller som producerade fällor oftast också bedömdes som mest övertygande. Eftersom en elevs dåligt formulerade fråga själv kan fungera som en adversariell prompt, behandlar författarna frekvensen som en förmåga under adversariell promptning snarare än som en basfrekvens för vanliga studiepass — och hävdar att AI-kompetensuppgiften förskjuts från faktakontroll av enskilda påståenden till begreppsmässig verifiering och validering av mentala modeller. Detta är den mörkare sidan av den generativa användningen ovan: samma förmåga som kan så frön till produktiv kamratdiskussion kan också befästa ett fel som en elev redan var på väg att bilda.

Korrigeringar i vederläggningsstil av vanliga AI-missuppfattningar

Eftersom missuppfattningar hålls aktivt och är motståndskraftiga är det mest direkta sättet att hantera dem — även på denna sida — refutationstextens struktur: namnge missuppfattningen, vederlägg den uttryckligen och ange den korrekta föreställningen. Posterna nedan tillämpar den strukturen på de mest konsekvensrika missuppfattningarna om AI och om lärande, undervisning och utbildning:

"AI har alltid rätt." Det är en missuppfattning. AI-output är en probabilistisk komplettering, inte ett verifierat faktum. Korrigeringen: LLM:er genererar rimligt klingande text utifrån statistiska mönster; de kan hallucinera, vara partiska och ha självsäkert fel. Behandla output som ett utkast som ska kontrolleras mot källor, inte som en auktoritet att acceptera. Detta är kärnan i Trust Calibration och anledningen till att "verifiera alltid" slår "lita alltid".

"Att använda AI är att lära sig." Det är en missuppfattning. Att producera arbete med AI är inte samma sak som att förvärva den kunskap eller färdighet som arbetet ska demonstrera. Korrigeringen: varaktigt lärande sker genom de ansträngningsfulla processerna att skriva utkast, minnas, revidera och metakognitivt granska — exakt de processer som avlastning till AI kortsluter. Använd AI som ett verktyg vid sidan av den ansträngningen, inte som en ersättning för den.

"AI är neutralt och objektivt." Det är en missuppfattning. Modeller ärver sina träningsdatas bias, luckor och perspektiv. Korrigeringen: AI kan reproducera och förstärka bias; behandla dess output med samma källkritiska granskning som du skulle tillämpa på vilken annan text som helst. Medvetenhet om detta är en del av AI-kompetensen och motverkar de rättviseskador som okritiskt införande kan medföra.

"AI kommer att ersätta lärare." Det är en missuppfattning. AI förstärker men tränger inte undan det pedagogiska arbetet som lärare utför — omdöme, kontextualisering och undervisningens relationella och etiska dimensioner. Korrigeringen: AI ökar behovet av pedagogisk mediering och kritiskt omdöme; lärare som förstår AI blir mer effektiva, inte överflödiga. Denna omramning spelar roll eftersom den avgör om institutioner investerar i lärarnas AI-kompetens eller reflexmässigt motsätter sig eller överanammar.

"AI förstår som en människa." Det är en missuppfattning. Modeller har ingen avsikt, inget minne av dig och ingen genuin förståelse för din kontext. Korrigeringen: att antropomorfisera AI leder till övertroende och till förlitan på förklaringar som modellen inte faktiskt kan förankra. Håll gränsen tydlig: AI är ett kraftfullt verktyg, inte ett medvetande.

"AI kommer automatiskt att förvandla utbildningen." Det är en missuppfattning. Tekniken i sig förändrar inte lärandet; det är pedagogiken runt den som gör det. Korrigeringen: AI:s fördelar beror på avsiktlig instruktionsdesign, lärarförberedelse och institutionellt stöd — inte på att man bara inför verktyget. Det är därför evidens och rigorös utvärdering spelar roll, och därför kunskapsbasen ramar in ansvarsfull AI-användning som en styrnings- och policyfråga snarare än som en rent teknisk sådan.

"En enda prompt borde ge mig svaret." Det är en missuppfattning. Output är icke-deterministisk och känslig för prompten. Korrigeringen: räkna med att iterera, förfina och korsgranska; "promptglappet" — att missta ytliga första resultat för verktygets tak — är ett färdighetsproblem, inte en verktygsbegränsning. Att utveckla detta är en del av Prompt Engineering.

"Det är inte fusk om en människa inte skrev det." Det är en missuppfattning. Akademisk integritet handlar om att producera arbete ärligt och med angiven upphovsperson, inte bara om att inte kopiera en människa. Korrigeringen: en oredovisad AI-genererad inlämning kan kränka den akademiska integriteten även när ingen människa har kopierats; frågan är om arbetet genuint är elevens eget. Vid tvekan: redovisa och kontrollera din institutions policy.

Dessa vederläggningar är medvetet skrivna i Refutation Textformen så att de själva kan användas (eller anpassas till interaktiv AI-dialog) för att konfrontera och rätta missuppfattningar om AI — och om lärande, undervisning och utbildning i vidare mening.

Vanliga missuppfattningar

  • "Lärares missuppfattningar kan rättas genom att presentera evidens." I en pilot med 123 italienska lärare klustrade oenigheten starkast kring kognitiva inlärningsstilar (78 % av lärarna försvarade visuell/auditiv matchning), inkludering och grupparbete (68 %) och EdTech-överbelastning (54 %). De starkaste oenigheterna var de som var mest motståndskraftiga mot evidens, vilket är varför vederläggning slår påstående.
  • "Lärarnas invändningar mot evidens är alla motstånd." När samma items levererades genom en konversationell AI som validerade lärarens kontext innan den återinförde evidensen, gällde 41 % av invändningarna verkliga kontextuella begränsningar — klasstorlek, särskilda behov, krav från läroplanen. En betydande andel av det som såg ut som missuppfattning var en korrekt invändning.
  • "Missuppfattningar kan upptäckas tillförlitligt utifrån dialog." Av 241 promptade segment bekräftades 221 (91,7 %) som strategiska missuppfattningar genom expertmajoritet (Fleiss κ = 0,9487), med inga signifikanta skillnader mellan grupperna. Hög tillförlitlighet är uppnåelig under expertbedömning, och det är det villkor som påståendet vilar på.

Anslutna begrepp

Anslutna artiklar

Anslutna vanliga frågor

Metadata

Avsedd målgruppLearners, Instructors
Lärande och undervisningMetacognition
Tekniker och metoderGenerative AI
Jämlikhet, etik och ansvarsfull användningTrust Calibration
Grunder i AI inom utbildningenAkademisk integritet, AI-kompetens, Kognitiv avlastning, Undervisning
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.