AIEd kunskapsbasAIEd KB
På den här sidan

Läs den här sidan på engelska

Begrepp

Undervisning

Skapad 2026-10-27 · Uppdaterad 2026-10-27

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

Undervisning - hur AI omformar utbildares arbete, identitet och handlingsutrymme. Med över 50 artiklar som undersöker denna dimension dokumenterar kunskapsbasen en grundläggande omvandling: från ensam kunskapsauktoritet till orkestrerare av människa-AI-lärandemiljöer. Den här sidan går bortom att beskriva skiftet - den detaljerar vad lärare faktiskt gör annorlunda, hur de kan anpassa sin praktik och hur de kopplar till Lärandedesign, AI-kompetens och Akademisk integritet.

Malyn-Smith m.fl. (2026) kallar detta den mer-mänskliga paradoxen: i sex scenarier för 2030 som samkonstruerats av 20 forskare från 13 länder intensifierar AI-mättnaden det mänskliga pedagogiska arbetet i stället för att tränga undan det. Scenarierna beskriver AI som "lärandekosystemets ventilationssystem" - du märker det bara när det inte fungerar.

Frågor att fundera över

  • Sidan beskriver lärarens skifte "från ensam kunskapsauktoritet till orkestrerare av människa-AI-lärandemiljöer". Vad vinner och vad förlorar du som utbildare när du slutar vara huvudkällan till innehåll?
  • Den hävdar att AI omfördelar lärarens knappaste resurs - uppmärksamheten - från att producera material till att tolka elever. Klingar den omramningen sann, och vad skulle du faktiskt göra med den återvunna tiden?
  • Forskning som citeras på sidan visar lärare som aktiva AI-designers - de skriver de prompter och strukturer som formar hur AI beter sig för deras elever - snarare än passiva konsumenter. Vad skulle krävas för att du (eller lärare du känner) skulle känna dig som en designer av AI i stället för en användare av det?
  • I den bortre änden av spektrumet för "lärare-AI-teamarbete" orkestrerar läraren ett team av mänskliga elever, AI-handledare och läroplansresurser. Var förblir mänskligt omdöme oersättligt i det teamet, och vad kan tyst urholkas om orkestreringen mestadels lämnas till AI?
  • Om lärarens uppmärksamhet omfördelas från att producera material till att tolka elever, vilka nya kompetenser och risker inför det - och vem stöder läraren i att utveckla dem?

Introduktion

Undervisning betecknar här yrkesrollen såsom AI omformar den: mindre innehållsförmedling, mer orkestrering av mänskliga och maskinella deltagare, tolkning av vad eleverna faktiskt förstår och design av de villkor under vilka AI-användning är legitim. Sidorna som samlats under detta begrepp dokumenterar teamarbete mellan lärare och AI och förändrade arbetsflöden, de kompetenser rollen nu kräver och spänningen mellan effektivitetsvinster och den uppmärksamhet som individuellt stöd kräver. Den står vid sidan av Utveckling av undervisningen, AI-kompetens och Assessment som en av de roller som avgör om AI-integration förändrar praktiken eller bara dekorerar den. Lärandets vetenskaper är det forskningsfält vars evidens omformar denna position: de beskriver och prövar hur lärande sker och vilka designer som förändrar det, medan den här sidan täcker den klassrumsroll som måste handla på den evidensen i stunden.

Hur AI förändrar undervisningen

  • Från lärare till orkestrerare: Fem nivåer av lärare-AI-teamarbete och forskning om orkestrering av handlingsutrymme kartlägger spektrumet från AI som verktyg till AI som undervisningspartner. I den bortre änden orkestrerar läraren ett team som omfattar mänskliga elever, AI-handledare och läroplansresurser i stället för att själv förmedla allt innehåll.

  • Omvandling av arbetsflöden: How AI Is Changing Teaching Workflows dokumenterar hur AI flyttar lärartid från innehållsförmedling till aktiviteter med högre värde som individuellt stöd, Feedback och Curriculum Design. Lärarens knappaste resurs - uppmärksamheten - omfördelas från att producera material till att tolka elever. En systematisk genomgång av språkutbildare (Li m.fl. 2026) bekräftar detta: utbildare värderar GenAI högst för förberedande arbete (lektionsplanering, materialskapande, skrivstöd) men tvekar inför användning i det levande klassrummet, och deras adoption formas av yrkesidentitet, pedagogiska, tekniska, institutionella och akademisk-integritetsmässiga faktorer - där kompetensluckor kan kopplas till episteme (förståelse för AI:s förmågor och gränser), techne (Prompt Engineering, AI-förstärkt uppgifts- och bedömningsdesign, identifiering av AI-genererad text) och phronesis (etiskt omdöme, hantering av bias och integritet, kontextkänsligt omdöme). dokumenterar hur AI flyttar lärartid från innehållsförmedling till aktiviteter med högre värde som individuellt stöd, Feedback och Curriculum Design. Lärarens knappaste resurs - uppmärksamheten - omfördelas från att producera material till att tolka elever.

  • Kompetenskrav: Ramverk för lärares AI-kompetens definierar vad utbildare behöver kunna, från grundläggande verktygsvana till pedagogiskt förankrad orkestrering. Adoptionsstudier identifierar de verkliga hindren: självförtroende, institutionellt stöd och arbetsbelastningsproblem. Bai & Hsieh (2026) ger detta empirisk tyngd i en SEM med 898 kinesiska universitetslärare: GenAI-stödd undervisningsinnovation beror mindre på isolerad AI-teknisk kunskap och mer på pedagogiskt och ämnesmässigt inbäddad AI-kompetens (AI-kompetens och yrkesidentitet), och båda medierade delvis sambandet kompetens → innovation - en signal om att bygga lärarfortbildning kring inbäddad, identitetsknuten AI-kompetens i stället för verktygsutbildning enbart.

  • Beredskap som designförmåga, inte som attityd: Charles (2026) hävdar att lärarberedskap för AI-rika interaktiva lärmiljöer inte kan avläsas ur adoption, självförtroende eller digital kompetens, eftersom ingen av dessa förutsäger kvaliteten i de designer lärare faktiskt producerar. Beredskap-genom-design är handlingsorienterad: lärare mobiliserar AI-relaterad pedagogisk kunskap, pedagogiska övertygelser, Self-Efficacy och etisk orientering genom designmediering (verktygsval, uppgifts- och promptdesign, strukturering, genomskinlighet, verifiering, omdesign av bedömning, tillgänglighetsplanering och mänsklig tillsyn) inom en institutionell och politisk ekologi som möjliggör och modererar översättningen. Två påståenden bär praktisk tyngd. Självtillit är en mobiliseringsresurs snarare än en kvalitetsindikator, så självförtroende utan AI-relaterad pedagogisk kunskap eller etisk orientering kan påskynda dålig design. Och policyklarhet och materiellt stöd är separata moderatorer, så en välresurserad skola kan ändå lämna lärare att gissa vad som är tillåtet. Charles vägrar också att likställa icke-användning med oberedskap: ett övervägt beslut att avstå från AI kan i sig visa beredskap.

  • Samdesign och handlingsutrymme: Lärarskrivna prompter och vibe coding för lärare visar utbildare som aktiva AI-designers, inte passiva konsumenter - de skriver de prompter och strukturer som formar hur AI beter sig för deras elever. I lektionsplanering för barns STEAM-konst bekräftade Luo och Tahir (2025) experimentellt att hur läraren delegerar till ChatGPT spelar roll: att fylla innehållsluckor i en självskissad lektion (metoden som 60 % föredrog och rekommenderade) bevarade lärarens designautonomi samtidigt som den höjde experternas bedömda plankvalitet (median 20,5 mot 17,6, p = ,002, stor effekt), och överträffade att låta AI generera hela planer eller bara kontrollera en färdig sådan. AI tjänade främst som en inspiratör och luckfinnande samarbetspartner snarare än som källa till helt originell innovation - vilket förstärker att läraren förblir designagenten och domaren över output, inklusive att fånga barnsäkerhets- och kultur-biasfel som verktyget missade. En systematisk genomgång av lärare-AI-samdesign av lärandeuppgifter (Wang, Liu & Islam 2026) finner att denna samdesignerhållning förblir ojämn - det dominerande läget är fortfarande AI som assistent/innehållsgenerator - och Talebzadeh (2026) visar att lärarens handlingsutrymme som "flerspråkig lärandedesigner" är det som förvandlar AI-designade gruppaktiviteter till differentierad undervisning alignerad med den proximala utvecklingszonen.

  • Att skriva en bot är inte samma sak som att styra vad den undervisar. Tjugosju mellanstadielärare som konfigurerade ett verktyg för att skriva syftes- och regelstyrda chattbotar såg bara delvis trohet i det genererade beteendet - överensstämmelsen föll från 88,9 % för responsivitet och 81,5 % för persona till 70,4 % för regler och 59,3 % för syfte, och regelefterlevnaden varierade med vald modell - det gap mellan utförande och utvärdering som gör rollen som lärare-designer till en repetition av avsikten snarare än en garanti för den (Riahi m.fl. (2026)).

  • Lärarutbildning: TPACK-baserad utbildning och program inom Utveckling av undervisningen förbereder blivande lärare för AI-förstärkta klassrum innan de träder in i dem. Rollspel med simulerade elever utvidgar detta till praktisk övning: en anpassad ChatGPT-bot (Student GPT) som spelar en mellanstadieelev med matematiska vanföreställningar låter lärarstudenter öva på att diagnosticera och vägleda elevers resonemang i en miljö med låg risk, vilket förbereder dem för en central undervisningsuppgift - att läsa och åtgärda elevers tänkande.

  • En lärarvänd front som evidensbasen knappt har beträtt: Štefánik m.fl. (2026) sammanställer Edustories, 1 492 lärarskrivna fallstudier från verkliga grundskole- och gymnasieklassrum - utmanande elevbeteende, den intervention läraren försökte och vad som följde - just därför att det mesta av forskningen om AI i utbildningen har riktat sig mot individualiserat elevstöd medan det mesta av undervisningen sker i kollektiva klassrum. Vid benchmarktestning av fyra språkmodellsfamiljer på att förutsäga om en intervention lyckades nådde de starkaste modellerna 58 % riktighet mot 64 % för mänskliga experter; författarna läser gapet i båda riktningarna, som en gräns för nuvarande lärarvänt stöd och som evidens för en framväxande potential. Vad sidan vinner på det är ett uppmätt tak snarare än ett påstående om förmåga: råd till lärare måste vara bättre än expertomdöme innan de kan litas på, och i dag är ordningen den omvända. Ett parallellt gap framträder i Yalçın m.fl.s (2026) PRISMA-genomgång av 46 empiriska studier av GenAI i programmering i högre utbildning: lärarroller och institutionella praktiker hörde till de minst studerade områdena i fältet, och 26 av de 46 studierna gav ingen kodbar beskrivning av sin undervisningsansats, så de designbeslut som producerade rapporterade utfall är ofta osynliga även för andra lärare.

  • Var AI faktiskt kommer in i arbetet, uppgift för uppgift: Holster (2026) skiljer adoption från fördelning med TALIS 2024-data från 56 669 lärare, med ett fördelningsurval på 24 058 AI-användare i 46 utbildningssystem. En uppgift som bedömdes en poäng över lärarens egen genomsnittliga belastning hade högre sannolikhet att få AI-hjälp (OR = 1,163), men riktningen skiljer sig mellan uppgiftstyper: planering stiger med belastningen (OR = 1,084), bedömning och rättning faller (OR = 0,921), och specialpedagogiskt stöd och anpassning stiger brant (OR = 1,442, en förutsagd spridning från 34,0 % till 50,3 % över belastningsintervallet). Den kompetens- och policyläsningen är att lärare redan håller rättning med höga insatser mänsklig medan de sträcker sig efter AI i individualiserat anpassningsarbete, så vägledning som behandlar lärares AI-användning som ett enda beteende kommer att missa var stödet faktiskt behövs.

Vad den förändrade rollen faktiskt innebär: konkreta exempel

Abstraktionen "orkestrerare" är lättare att greppa genom konkreta, vardagliga förskjutningar i lärarens arbete:

  • Från att skriva varje stencil till att kuragera AI-genererade utkast. En lärare som en gång lade en kväll på att bygga ett differentierat arbetsblad promptar nu en AI att producera tre versioner på olika svårighetsnivåer och lägger sedan samma kväll på att granska och anpassa dem - en förskjutning från att författa till redaktionellt omdöme. Arbetsflöden med Curriculum-as-Code gör denna pipeline explicit, och Kibar & Ilgazs systematiska genomgång visar AI som en "medarbetare" som skriver utkast som designern sedan förfinar. Expertvalidering av AI-genererade naturvetenskapliga lektionsplaner gör explicit vad det redaktionella omdömet måste väga in: Karaismailoglu, Surmeli och Yildirim (2026) fann att elva specialister i Science Education bedömde ChatGPT-4:s och ett utbildningsinriktat verktygs planer för årskurs 6 som användbara utkast - 7 av 11 bedömde dem "tillämpliga efter korrigering", bara 3 direkt "tillämpliga" - och preferenserna avvek från råpoängen (7 föredrog det utbildningsinriktade verktyget med högre poäng, 4 den allmänna planen) eftersom omdömet vägde affektiva och kontextuella dimensioner bortom strukturell trohet. Lärarna förblir avgörande för om och hur ett AI-utkast blir en undervisbar, kontextuellt förankrad lektion.
  • Från föreläsning till coachning i realtid. I stället för att ge samma förklaring till hela klassen dirigerar lärare i allt högre grad rutinfrågor till en AI-handledare och fokuserar den ansikte-mot-ansikte-tid som finns på de elever som behöver mänskligt omdöme - arbetsflödesstudier dokumenterar exakt denna omfördelning av uppmärksamhet.
  • Från rättning till att designa bedömningar som AI inte kan lura. Lärare slutar förlita sig på minnesbaserade uppgifter som LLM:er löser trivialt och designar i stället autentiska bedömningar, bedömningsskalor och formativa uppgifter som bevarar Learning Gains.
  • Från att undervisa innehåll till att undervisa användning. Lärarens arbete innefattar i allt högre grad att förebilda hur man promptar, värderar och använder AI ansvarsfullt - en AI-kompetens-läroplan invävd i varje kurs, inte ett separat ämne.
  • Från att läsa instrumentpaneler till att handla utifrån dem - kontextuellt. Mejia-Domenzain m.fl. (2026) visar att hur lärare faktiskt använder analysinstrumentpaneler skiljer sig åt mellan kontexter: lärare i flippade klassrum (universitet) följde en sekventiell utforskning och föredrog anpassning på kursnivå och att visa instrumentpaneler i klassen, medan yrkeslärare återvände till sammanfattningssidor och använde verktyget främst för individuella coachesessioner. De åtgärder lärare föreslog formades av innehållet som representerades och deras undervisningsnivå snarare än av diagramtypen - universitetslärare föredrog veckotest och kursanpassning, yrkeslärare direkt, individualiserad coachning. Detta pekar mot kontextmedveten instrumentpanelsdesign och differentierade stödbehov för lärare snarare än ett gränssnitt för analys som passar alla.
  • Från att ta emot larm till att bedöma dem. Swidan (2026) följde en lärare och åtta högpresterande gymnasieelever i en geometrilektion i GeoGebra där Dash4Emotion ramade in elever med röda rektanglar som signalerade negativ emotion, och fann att larmen inte drev utfallen - det lärarens drag efter varje larm gjorde det: att rama om Miras uppgift från att hitta ett minimivärde till det geometriska orten för minimala punkter öppnade hennes utforskning igen, tre samtidiga larm ledde till en omramning för hela klassen, och en lektionsperiods medvetna icke-intervention var i sig ett pedagogiskt beslut. Studiens hållning är att ett AI-genererat emotionellt larm är en ledtråd att tolka tillsammans med det läraren kan se, inte en instruktion att lyda.
  • Från grindvakt till principfast facilitator av återkoppling på samarbete. Klassrumspiloterna med Community Builder (CoBi) visar att lärarrollen avgörande formar implementeringens integritet: lärare som använde AI:ns iakttagelser och visualiseringar för att väcka Metacognition och kritisk reflektion kring samarbete uppnådde användning med hög integritet, medan de som lät systemet glida över i prestationsövervakning - eller sväva ut i allmänna AI-diskussioner - inte gjorde det. Lärare oroade sig också för att bli "satta på pottan" av återkoppling i realtid och föredrog granskning före och efter framför visning live, vilket understryker att orkestrering av klassrumsövergripande samarbets-AI kräver betydande professionellt lärande, inte bara verktygsvana.
  • Från att undervisa med AI till att stå i dess ställe. Där Digital Divide inte lämnar någon enhet per elev kan läraren bli systemets fysiska gränssnitt - en ställföreträdare snarare än en orkestrerare av det. I Rodrigues m.fl.s (2026) modell "AIED unplugged" fortsätter eleverna arbeta med papper och penna medan läraren fotograferar deras lösningar, och AI:n returnerar individualiserade övningslistor och felsspecifik Feedback som ska lämnas tillbaka. Detta är ett klustrat kvasi-experiment över 19 autentiska brasilianska grundskoleklasser snarare än en prototypdemonstration, och dess två resultat berör rollen direkt. För det första kom lärandefördelen jämfört med vanlig praktik från en enda 50-minuters lärarutbildningssession, inte från tekniken: betingelserna utbildning och utbildning plus system skilde sig inte åt i vinster (-4,33, 95 % CI [-17,29, 7,23]), så förberedelsen, inte verktyget, är den aktiva ingrediensen. För det andra gick systemets egen nytta indirekt, genom läraren - minskad ansträngning medierade en positiv effekt på vinsterna (3,649, 95 % CI [1,097, 6,398]) - så effekten når elever som AI:n aldrig berör, och det arbete med att fånga och verifiera som lärarna beskrev (fotografera blad, vänta på bearbetning, rätta igenkänningsfel) är en del av den pedagogiska kostnaden för att utvidga AI till underresurserade klassrum.
  • Från informationsförmedlare till lärandedesigner. Hochberg och Waitzman (2026) följde 93 lärare genom ett åtta veckor långt AI-program och fann att praktiken försköts mot heutagogisk design för elevens handlingsutrymme, även om de självrapporterade förskjutningarna inte var signifikanta efter justering och elevutfallen inte mättes.

Orkestreringsmetaforen

Den dominerande metaforen i kunskapsbasen är orkestrering: lärare koordinerar mänskliga elever, AI-handledare och läroplansresurser. Detta kontrasterar mot ersättningsnarrativ - AI förstärker snarare än ersätter mänsklig undervisning. Empirisk evidens stöder denna hållning: en PRISMA-ledd systematisk genomgång av 42 studier (2023-2025) fann att LLM:er matchar mänskliga bedömare på korta, välstrukturerade uppgifter men att prestandan faller på längre, flerspråkiga och nyanserade arbeten - och drar slutsatsen att LLM:er inte kan ersätta lärare fullt ut och att hybrida bedömningssystem med människan i loopen uppnår högst rättningseffektivitet (Can ChatGPT Replace the Teacher in Assessment? A Review of Research on the Use of Large Language Models in Grading and Providing Feedback). Orkestreringslinsen ramar om lärarens kärnkompetens som omdöme: att avgöra när en människa, en AI eller en designad lärandeaktivitet är rätt instrument för en given elev och ett givet ögonblick. En PRISMA-genomgång från 2026 av 29 studier om Teacher intervention in K-12 AI-based instruction: a systematic review of processes, strategies, and effects skärper metaforen till en cykel i fyra faser - övervakning, omdöme, intervention, orkestrering - och visar varför ingen fas kan tas för given. Lärarna föredrog delad kontroll och accepterade, modifierade, avvisade eller överridde AI-förslag; somliga sköt medvetet upp interventionen så att eleverna först kunde kämpa produktivt; och instrumentpaneler som utvidgade medvetenheten kunde också överbelasta uppmärksamheten eller överskrida vad en lärare fysiskt kunde agera på. Dess tre strategier - pedagogisk översättning av AI-output, design av lärandestöd och rekonstruktion av interaktionsstrukturer - beskriver arbetet som rekontextualisering snarare än godkännande, vilket placerar läraren närmare medlaren än rollen som granskare med människan i loopen. Klassrumsobservation namnger samma beteenden som typer. Sex lektioner med en erfaren lärare lade tre orkestreringstyper till Drijvers fyra - instrumentpanelsövervakning, AI-korrigering och AI-mediering - med lärarens innehållsliga och etiska roller mest synliga när han korrigerade AI-genererad återkoppling (Noh & Kim, 2026).

Framväxande och kritiska lärarroller

Nyare arbeten utvidgar orkestreringsmetaforen till rikare rollkonceptualiseringar:

  • Samorkestrerare över aktivitetsövergångar. Yang m.fl. (2026) använder deltagande speed dating med 17 lärare och 13 elever för att kartlägga hur kontroll bör fördelas över stadierna i en klassrumsaktivitet - före, under och efter övergångarna mellan individuellt och samarbetsinriktat arbete - i ett samorkestreringsverktyg som stöder dynamisk parning i realtid. Designprincipen som framträder är att kontroll inte är en fast punkt: lärare och elever vill ha olika mycket handlingsutrymme i varje stadium, och verktyget bör låta läraren justera gruppering, aktivitetsövergångar och interventionstid i realtid samtidigt som en läraröverstyrning behålls. Detta positionerar läraren som samorkestrerare av hela den levande lärmiljön - en roll mer specifik än den allmänna orkestreringsmetaforen, inriktad på de granulära besluten i stunden om vem som arbetar med vem, när och med vilket stöd - och den kopplar forskning om individuell handledning till design på klassrumsnivå.
  • "Den kognitiva koreografen". Posthumanistiska ramverk omformar läraren till en kognitiv koreograf som orkestrerar kognition distribuerad över biologiska och artificiella system, och går bortom instrumentalistiska modeller som Technological Pedagogical Content Knowledge (TPACK) och SAM.(Pedagogical Symbiosis: conceptualizing the Post-Human Learner in the age of cognitive AI)
  • Facilitator, medforskare, etisk handledare. I naturvetenskapligt lärande skiftar lärarnas roller från kunskapsförmedlare till facilitatorer och medforskare, och de får nya ansvar som etiska handledare för elevernas ansvarsfulla AI-användning.(Artificial Intelligence in Science Learning within the Framework of Situated Learning Theory: A Qualitative Investigation of Teachers' Perspectives)
  • Medlare av lärandeprinciper. Utbildare operationaliserar urgamla lärandeprinciper (erfarandebaserad, situerad och distribuerad kognition) genom AI och behandlar AI som ett verktyg som förstärker snarare än ersätter utbildarens vägledande roll.(Empowering Educators: Operationalizing Age-Old Learning Principles Using AI)
  • Kritisk medlare som gör AI-output till ett objekt för kritik. Canonigo (2026) följde tio gymnasielärare i matematik genom en åtta veckor lång ChatGPT-4-intervention och identifierade fem medieringspraktiker: AI-genererad problemformulering, ledtrådsstrukturer designade att trappas av, kritisk jämförelse av AI-output med elevernas eget arbete, differentierad promptning (en visuell analogi för en elev som kämpade, en kubisk utvidgning för en kamrat) och AI som reflekterande samtalspartner. Där lärare utövade dessa blev output något att argumentera med snarare än ett facit, och eleverna rörde sig mot förmodan och metakognitivt ifrågasättande; där mediering saknades flyttade auktoriteten mot algoritmen, med elever som rådfrågade AI:n före sin lärare och återvände bara för validering, vilket fick en lärare att beskriva förskjutningen från "orakel" till "redaktör". Studiens rättvisefynd är det skarpa: över 300 modellsvar var gratisnivåmodellen felaktig i 32,7 % av fallen mot 12 % för premiummodellen (χ²(1) = 17,5, p < ,001), så lärare i den underresurserade skolan kallade den "gränsfall oanvändbar för matematik". Verktygskvalitet, inte bara verktygsåtkomst, blir en pedagogisk variabel, och en lärares skolas policy för acceptabel användning var ett decennium gammal och tyst om AI, vilket lämnade styrningsgapet till klassrummet.
  • Ostadig och sårbar yrkesidentitet. Farazouli m.fl. (2026) dokumenterar den emotionella sidan av rollomformningen: 24 svenska universitetslärare upplevde GAI:s framväxt som alarmerande och överväldigande, och rapporterade ett "tillstånd av sårbarhet" (lågt självförtroende, osäkerhet, rädsla för att "inte ligga steget före eleverna") och att de kände sig "fast" mellan utopiska och dystopiska diskurser. GAI fick dem att omvärdera sina prioriteringar - att odla Critical Thinking, Evaluative Judgment och etisk GAI-användning - och att ifrågasätta sin egen och universitetets framtida roll i ett landskap som kändes "utom kontroll". Detta ramar in rollskiftet som identitetsmässigt och emotionellt laddat, inte bara som en förändring av färdigheter eller arbetsflöden.
  • Akademiska utvecklare som digitala medlare, även som broms. Sithole (2026) intervjuar tolv akademiska utvecklare och lärandedesigners vid två sydafrikanska Historically Disadvantaged Institutions och finner att rollen förskjuts från att underlätta reflekterande undervisning mot teknisk mellanhand och problemlösare, med mediering som spänner över pedagogik, etik och institutionell politik. Det distinkta draget är att behandla nedvarvning som en del av jobbet: en deltagare beskriver att översätta mellan "vad ledningen vill, vad tekniken kan göra och vad lärarna faktiskt oroar sig för", och att namnge plagiat, elevberoende och utkontraktering av tänkande innan entusiasmen sätter tempot - "Det är inte bara tekniskt stöd; det är också förhandling." Samma studie dokumenterar den affektiva kostnaden ("Jag känner mig som en bluff. Jag lär mig AI medan jag går, men institutionen förväntar sig expertis") och svaret i form av professionellt lärande: kamratutrymmen som prövar och medvetet bryter verktyg, med sikte på omdöme snarare än färdighet, och en uttrycklig vägran av binären adoption eller motstånd - "Jag är inte anti-AI; jag är pro-kontext."
  • Principfast selektivitet i stället för adoption eller motstånd. Adiozaman och Segar (2026) intervjuade två akademiker med mer än tio års erfarenhet tre gånger under en och samma termin och fann identitetsarbete organiserat kring tre sammanlänkade spänningar - pedagogik mot plattform, utbildare mot facilitator och omsorg mot regelefterlevnad - som inte utmynnade i en fast position utan i principfast selektivitet: kontextkänsliga beslut styrda av pedagogiska värderingar, etiskt åtagande och professionellt omdöme. De beskriver en bana från implicit orientering, via strategier mitt i terminen som att be elever förklara sitt tänkande och att designa om uppgifter och bedömning, till hållningar som förblev medvetet öppna snarare än fixerade, med vägran av en viss användning behandlad som ett legitimt utövande av omdöme snarare än ett misslyckande att anta. Detta ger den konstruktiva motsvarigheten till den sårbarhet som dokumenterats ovan: vad rollskiftet kräver är omdöme, så institutionella svar byggda kring verktygsutbildning adresserar fel problem.
  • Sem-autonomi som den föredragna arbetsnivån. Dai m.fl. (2026) enkätade 287 GenAI-erfarna lärare i 27 länder och regioner och fann att de placerade verktyget på sem-autonoma nivåer av en automationsskala - 130 valde nivå 2 ("lärarassistans"), 94 nivå 3 ("delvis automation") och exakt en valde nivå 6 - och beskrev det som "hjälpmedel", "struktur", "komplement" eller "partner". Upplevd nytta dominerade deras adoptionsavsikt (β = ,832, p < ,001), medan upplevd artificiell autonomi bara påverkade avsikten indirekt genom nyttan, och riskaversion sänkte avsikten utan att minska nyttan eftersom oron knöt an till elevernas användning - fusk och integritet, försvagade grundkunskaper och högre ordningens tänkande, hallucinationer, minskad mänsklig interaktion samt etiska, juridiska och Equityrisker. Författarnas etikett "frenemy" fångar hållningen exakt: GenAI värderas som stödverktyg men misstros som autonom agent. Följden för undervisningsrollen är att lärare vill förbli den avgörande agenten och avgöra användningen fall för fall - ämne, elevbehov, uppgiftstyp, timing - så orkestreringsverktyg bör byggas kring mänsklig tillsyn och omdöme på fallnivå snarare än kring autonomilöften.
  • Auktoriteten stannar hos läraren; förmågan utvidgas bara inom den. Reichert, Briceno, Tabarsi & Barnes (2026) gav sex gymnasielärare i årskurs 6-12 (samhällskunskap, matematik, djursköttsel, naturvetenskap samt datavetenskap och robotik) uppgiften att pappersprototypa en LLM-chattbot för sitt eget klassrum, och fann att varje prototyp kodade samma hållning: systemet var en avgränsad expert, specialiserad men begränsad till en definierad domän och övervakad av läraren. Lärarna drog två gränser. Auktoritetsgränser följde av professionellt och juridiskt ansvar - kontroll över vad eleverna lär sig och hur de hålls säkra kunde inte delegeras, så tillsyn (fullständiga samtalsloggar, larm i realtid för olämpliga frågor och manuell överstyrning) behandlades som en plikt i rollen snarare än som en kontroll av verktyget. Expertisgränser följde av vad modellen inte kan veta: enskilda elevers historik, klassrumsdynamik och institutionella normer. Delegering fördelades sedan selektivt över undervisningen - lärarna välkomnade AI att presentera innehåll, leverera övningsproblem, strukturera och ge formativ Feedback, men behöll själva att informera eleverna om mål och summativ Assessment. Detta förser semi-autonomipreferensen ovan med en konkret arkitektur: lärarens auktoritet är det fasta elementet och AI-förmågan växer bara inom den.
  • Lärare som värdebärande bedömare. Luo & Dawson (2026) visar att bedömning av GenAI-assisterat arbete inte är en neutral, kriteriebaserad handling utan ett värdeomdöme format av lärarnas förmodan om vem eleven är (ärlighet, flit), vad eleven är kapabel till (självständighet, GenAI-färdighet, ämnesmässig behärskning), hur eleven relaterar till andra (tillit) och om beslutet leder till goda utfall (rättvisa, välgörenhet). Lärare saknar ofta medvetenhet om de värdeorienteringar som ligger bakom deras bedömning, och dessa varierar med ämne (humaniora mer kritiska till GenAI-användning; hårda/tillämpade vetenskaper färre bedömningsutmaningar) och epistemologisk hållning (absolutistisk/multiplikistisk/evaluativistisk). Detta positionerar läraren som en värderande professionell vars omdöme - inte bara verktygsanvändning - måste stödjas och göras genomskinligt.
  • Läraren som avgörare av pedagogiskt meningsfulla förklaringar. Eftersom lärares tillit till AI-rekommendationer ökar när förklaringarna formuleras i deras läroplans- och pedagogiska språk i stället för i råa modellinterna, måste verkningsfulla verktyg "tala" lärarens domän. I ett inomindividsexperiment fann Feldman-Maggor m.fl. (2025) att domändrivna förklaringar av ett AI-grupperingsverktyg litades på och accepterades långt mer än datadrivna beskrivningar av variabelbetydelse, vilket positionerar lärarens pedagogiska vokabulär som det gränssnitt genom vilket AI förtjänar tillit och användning - och lärarens omdöme om huruvida en förklaring är pedagogiskt hållbar som en avgörande faktor för adoption.
  • Facilitator vars funktion delvis kan delegeras. Kuhail m.fl. (2026) lät 32 STEM-studenter debattera under en mänsklig moderator, en AI-chattbot (GPT-4, promptad med de beteenden som förväntas av fakultet: neutralitet, lika talartid, korta instruktioner, hålla sig till ämnet, följdfrågor, nedtrappning) eller vartdera i tur och ordning, och fann ingen signifikant skillnad i effektivitet, nöje, tillfredsställelse, användbarhet eller avsikt att återanvända (t = 0,23 till 1,30, p = 0,198 till 0,818). Författarna läser nullresultatet som en normalisering av människa-AI-samarbete i regelstyrda diskussioner, inte som likvärdighet. Vägen till återanvändning skilde sig dock: under mänsklig moderering drev tillfredsställelse avsikten att använda, medan under AI-moderering upplevd användbarhet gjorde det (0,806 mot 0,495), så en AI-faciliterad aktivitet överlever på påvisad användbarhet snarare än på hur njutbar den känns. Den praktiska läsningen är AI-moderering som skalningshjälp för stora eller tunt bemannade kurser under mänsklig tillsyn, med rättvisa overifierad för sarkasm, indirekt språk och minoriteters kommunikationsstilar.
  • Den som sätter syften, inte bara kompetenser. Fagerlund m.fl. (2026) intervjuade 13 finländska lärare från förskola till årskurs 9 om varför elever ska lära sig om och med AI, och läste deras redogörelser genom Biestas kvalificering, socialisering och subjektifiering. Kvalificering var det tydligaste och mest konkreta syftet och omfattade AI både som lärandeobjekt och som verktyg för lärande; socialisering framträdde som att odla gynnsamma hållningar till AI och förbereda eleverna som AI-kunniga framtida arbetstagare; subjektifiering, självbestämt och personligt meningsfullt engagemang, stöddes som viktigt men hade inga konkreta undervisningsstrategier bakom sig och vilade på "att diskutera och begrunda". Författarna föreslår informerat AI-handlingsutrymme, med subjektifiering i centrum och kompetenser som dess grund, vilket ger undervisningsrollen en skyldighet att sätta syften: göra "varför" explicit så att färdigheter får kontext i stället för att stå som självändamål, och komplettera tekniska ramverk som Technological Pedagogical Content Knowledge (TPACK) med uthållig uppmärksamhet på utbildningens syfte.
  • Adoption är inte samma spak som prestation. Bland 200 lärare i norra Sumatra hade AI-användning ingen direkt effekt på lärarnas prestation (β = 0,112, p = ,087) medan organisatoriskt medborgarskapsbeteende medierade den vid β = 0,370, så det är det extra-roll, samarbetsinriktade arbetet kring verktyget snarare än verktyget självt som omvandlar användning till prestation (Sherly m.fl. (2027)).

Dessa roller kopplar lärararbetet till Distributed Cognition, Situated Learning, Embodied Learning och Critical Pedagogy, och omformar läraren till designer och etisk vägledare för AI-medierat lärande snarare än bara användare.

  • AI-stödda beslut klustrar där beteendedata finns. Köroğlu m.fl. (2026) granskade 27 empiriska studier (2016-2025) och identifierade åtta typer av lärarbeslut, och fann att AI-stödet koncentrerades till beslut om undervisning, Feedback och Assessment medan beslut om läroplan, lärmiljö, emotioner, etik och administration sällan stöddes. Instrumentpaneler för Learning Analytics var det vanligaste systemet och bearbetade text- och loggdata till beteendeindikatorer för prestation och engagemang; Multimodal AI och interaktionsbaserade data, agentiska system samt kognitiva, metakognitiva, motivationella och affektiva utfall var alla relativt sällsynta i det granskade materialet. Den praktiska läsningen för lärare är att det beslutsrum ett AI-verktyg öppnar är begränsat av de data det visar, så verktygsval är också ett val av vilka undervisningsbeslut som får resurser.

Hur lärare bör anpassa sin undervisning till AI

Evidensen i kunskapsbasen pekar mot en uppsättning konkreta anpassningar:

Designa AI:ns pedagogiska inramning, inte bara verktyget. Samma AI ger stora Learning Gains eller nettoförlust beroende på hur aktiviteten designas kring den. Kibar & Ilgaz och evidensen om Learning Gains är samstämmiga: lärarens uppgift är att designa lärupplevelsen och behandla AI som en komponent i en strukturerad aktivitet snarare än som svarsmaskinen. Strukturera ett elevförsök först, låt sedan AI coacha - det är skillnaden mellan bedömning och prestationsinflation.

Kräv en kontrollpunkt med Human-in-the-Loop. I stället för att acceptera AI-output som den är ska lärare lära eleverna att värdera, korrigera och ta ägarskap över AI-assisterat arbete. AI-kompetens för rimlig användning ramar in detta som att balansera AI:s produktivitet mot genuin mänsklig blomstring och författarskap. Designa uppgifter så att AI hjälper till med utkast men eleven förblir agenten för värdering och revision.

Kurera AI:ns återkopplingsutkast; förmedla dem inte vidare. Chen m.fl. (2026) gav 64 kinesiska lärarstudenter ChatGPT-assisterad återkoppling på argumenterande skrivande och fann att behandla output som utkastmaterial snarare än som färdig kommentar flyttade det kritiska tänkandet där återkoppling enbart från lärare inte gjorde det (Cohens d på 3,74 i eftertest mot 0,25 i förtest, p < ,001). Vad lärarna gjorde med utkastet är det överförbara: de kopierade lämpligt innehåll på en nivå liknande deras egen (28 %), utvidgade det med djupare input (16 %), kompletterade det (16 %), reviderade det (14 %) eller förkastade det helt (14 %), och ytterligare 9 % behövde korrigering. Den assisterade återkopplingen lutade mot modellering (demonstration, 33,1 % mot 10,9 %) och utfrågning (fråga nära, 21,5 % mot 6,0 %), och eleverna reviderade den mot analys, värdering och skapande snarare än igenkänning, men sex av åtta intervjuade rapporterade ändå oprecision och oprofessionellt språk. Lärarens verifieringssteg är det som gör hybriden säker.

Anpassa bedömningen till AI-eran. Rör dig bort från uppgifter som LLM:er kan slutföra ordagrant mot autentiska, processbaserade och fysiska bedömningar. Bedömningsskalor ger lärare en rubric för att avgöra hur mycket AI-assistans som är legitim i varje steg, och metaanalytisk evidens visar att AI kan stödja högre ordningens tänkande när bedömningsdesignen kräver det.

Skydda förutsättningarna för varaktigt lärande. Eftersom AI-svar får lärandet att se lätt ut måste lärare designa mot gapet mellan prestation och lärande. Lodge & Loble varnar för att ansträngningslös framgång med AI kan dölja frånvaron av lärande; lärare bör bygga in produktiv kamp, kräva oassisterad demonstration av behärskning och behandla AI-stödda svar som en utgångspunkt, inte som det färdiga resultatet.

Planera för distributionsmediet. Anpassningen är inte medieneutral: distansundervisning med AI mångfaldigar både möjligheterna (skalbar individualisering, stöd dygnet runt) och riskerna (integritet, avlastning). Designa AI-inramningen lika medvetet online som i fysiska sammanhang.(Can AI deliver appropriate support for diverse student profiles? A large-scale evaluation)

Att integrera AI-kompetens i undervisningen

AI-kompetens är inte en separat modul - den är invävd i hur lärare designar varje kurs. Verkningsfulla ansatser inkluderar:

Att säkerställa akademisk integritet i AI-eran

Akademisk integritet med AI är ett designproblem, inte ett övervakningsproblem. Lärare anpassar sig genom att:

  • Rama om integritet kring process och författarskap. I stället för detektering, betona Akademisk integritet som genomskinlig, dokumenterad användning. Forskning om agentisk AI och spökelever visar att integritetsrisken förskjuts när elever sätter in AI-agenter å sina vägnar, så lärare måste definiera vad författarskap innebär när "spöket" är en AI.
  • Använda deklaration och inramning. Hur AI-användning ramas in för elever - som krycka eller som legitimt verktyg - avgör om de redovisar den. Normer för genomskinlighet (till exempel deklaration av AI-användning) minskar incitamentet att dölja AI-användning.
  • Designa bort incitamentet att fuska. Autentiska, processbaserade och fysiska bedömningar (muntliga tentor, portföljer, observerad Problem Solving) gör utkontraktering mindre attraktiv än AI-detekteringsverktyg gör. Bedömningsskalor och Authentic Assessment är det konstruktiva alternativet till kapprustningar kring detektering.
  • AI Regulation in Education på uppgiftsnivå är hur lärare faktiskt styr AI. Chirikovs (2026) studie av över 31 000 kursplaner visar att lärare i allt högre grad agerar som reglerare på uppgiftsnivå i stället för att tillämpa blanket regler: de begränsar AI för att skriva och revidera utkast (79 % av kurserna) och för resonemang/problemlösning (65 %), tillåter det för redigering/korrekturläsning (83 %) och studiestöd (80 %), och lämnar idégenerering/planering mest omstritt (46 % tillåter / 54 % begränsar). Denna differentiering - byggd på vilka uppgifter AI tränger undan kontra förstärker - är ett konkret, lärardrivet alternativ till politik för adoption eller förbud och ger lärarrollen en central plats i policybildningen.
  • Timlärare bär rättningsbördan utan mandatet. Tjugo timanställda akademiker, somliga undervisande vid tre eller fler institutioner samtidigt, beskrev att de upptäckte fusk genom otränat hantverk medan de saknade läroplans- eller policymandat (Andriamora & Andriamora, 2026).

Att koppla undervisning till lärandedesign

Undervisning och Lärandedesign är två sidor av samma mynt - lärarens dagliga omdömen är det levande utförandet av den designade lärupplevelsen. AI stramar åt denna koppling:

  • Lärare som lärandedesigners. LearnAI och lärarskriven promptdesign visar lärare som fungerar som designers: de specificerar aktiviteten, AI:ns roll och de strukturer som organiserar lärandet. Detta är Lärandedesign i handling vid användningspunkten.
  • Lärandedesignprinciper styr AI-pedagogiken. Samma Lärandedesign - tydliga mål, alignerad bedömning, Scaffolding och Feedback - avgör om AI hjälper eller skadar. ISD-Agent-Bench validerar empiriskt att förankring av AI-design i formella modeller för undervisningsdesign slår teorifri promptning.
  • Designa för lärarens orkestrering. Verkningsfulla AI-lärmiljöer designas med läraren i åtanke - de verktyg som människocentrerad AI tillhandahåller bör minska lärarnas arbetsbelastning och förstärka omdömet, inte lägga till ännu en ogenomskinlig svart låda. När lärare samdesignar AI-lärandeaktiviteter (aktivitetsteoretiska perspektiv) förbättras både adoption och kvalitet.

Förhållande till elevens identitet

Lärarrollen och Learner Identity är ömsesidiga sidor av samma mänskliga process, och AI omformar båda.

  • Läraridentitet är en yrkesidentitet; elevidentitet är en lärandeidentitet. Sidan om lärarrollen dokumenterar hur AI omformar utbildares arbete, identitet och handlingsutrymme - deras föränderliga professionella självförståelse (se Laidlaws inramning av GenAI som en identitetskris). Elevidentitet är det parallella konstruktet för elever: vilka de är och blir som lärande, i ämnesmässiga, professionella, kreativa och akademiska termer.
  • De är kausalt kopplade. Lärare som upplever identitetsstörning (osäkerhet om sitt professionella syfte mitt i GenAI) har svårare att stödja sina elevers identitetsutveckling - en lärare som tvivlar på sin roll kämpar med att validera elevernas framväxande självbild inom samma domän. Omvänt är lärare som upprätthåller en trygg yrkesidentitet bättre positionerade att strukturera elevernas tillhörighet och författarskap.
  • Åtskilda fellägen. Läraridentiteten hotas av rollföråldring och syfte (frågan "vad är poängen med att undervisa?"). Elevidentiteten hotas av förlorat författarskap och kompetens (frågan "är detta verkligen mitt / är jag tillräckligt bra?"). Båda är responser på identitetsnivå (inte bara färdighetsnivå) på AI.
  • Båda är angelägenheter för professionsutveckling och pedagogik. Att stödja läraridentiteten hör till Utveckling av undervisningen och Lärarnas AI-kompetens; att stödja elevidentiteten hör till Student Experience, Authentic Assessment och Learner Agency. Ett väl designat AI-integrerat system beaktar båda - eftersom lärarens identitet är det villkor under vilket elevernas identiteter formas.

Lärares samdesign av tidig AI-kompetens

  • Lärarnas samdesign i tidig AI-kompetens. Lee (2026) visar att två förskollärare och två lärare i förskoleklass som samdesignade läroplanen Play With AI (PL-AI) upplevde betydande tillväxt i självförtroende och pedagogiskt handlingsutrymme, där samdesignen främjade ägarskap över läroplanen, reflekterad praktik och meningsfull anpassning. Detta positionerar lärare som centrala samdesigners - inte bara genomförare - av utvecklingsmässigt lämpliga läroplaner för AI-kompetens, en modell med implikationer för lärarutbildning inom förskoleklass och grundskola och AI i utbildningen.

Lärare som samdesignar AI-lärresurser

  • Lärarens roll sträcker sig till att samdesigna AI-lärresurser: lärar-AI-samdesignade simuleringar för drönar-STEM-undervisning höll GenAI-output pedagogiskt giltig och kontextuellt relevant, och lärare är de avsedda mottagarna av Teachers' AI Literacy Scale. Verkningsfull GenAI-integration beror i allt högre grad på lärares deltagande i designen.

AI-reflektionssystem bör anpassas till lärarens erfarenhet

  • Lärarvända analysverktyg för AI-reflektion bör anpassas efter expertis, inte vara en lösning för alla. En enkät med 100 K-12-lärare i USA (medianuppdelning vid nio år; binomialtest; skillnader på 15 % i val detekterbara vid cirka 83 % styrka) fann systematiska skillnader i preferenser. Mindre erfarna lärare anger brist på reflektionstid som ett topphinder tre gånger oftare än erfarna (37 % mot 12 %, p < ,001) och vill ha analys om elevers avskärmning (48 % mot 33 %, p = ,028) och emotioner (31 % mot 18 %, p = ,036).
  • Designregeln som följer av uppdelningen är erfarenhetsanpassade rekommendationslägen. Erfarna lärare vill ha analys om förbättrat lärande efter att ha hjälpt en elev (40 % mot 26 %, p = ,019) och om sina undervisningsmetoder (42 % mot 26 %, p = ,012); deras främsta hinder är att följa prestation (28 % mot 15 %, p = ,009). Designregel: nybörjarläge = strukturerade prompter och engagemangsanalys; expertläge = flexibel longitudinell analys - ett direkt argument mot enhetliga instrumentpaneler. (How expertise levels shape preferences and reflection needs — towards AI reflection systems for teacher empowerment)

Vanliga missuppfattningar

"AI kommer att minska eller ersätta det pedagogiska arbetet i undervisningen." Expertsscenarioevidensen pekar åt andra hållet. Malyn-Smith m.fl. (2026) kallar det den mer-mänskliga paradoxen: över sex scenarier för 2030 som samkonstruerats av 20 forskare från 13 länder intensifierar AI-mättnaden det mänskliga pedagogiska arbetet i stället för att tränga undan det. Scenarierna beskriver AI som "lärandekosystemets ventilationssystem" - infrastruktur du märker bara när den inte fungerar. Det som förändras är inte mängden mänskligt omdöme som krävs utan dess objekt: uppmärksamheten flyttas från att producera material mot att tolka elever.

"Lärares AI-kompetens handlar om att lära sig verktygen." Verktygsvana är den svagaste tillgängliga prediktorn. I Bai och Hsiehs (2026) SEM med 898 kinesiska universitetslärare berodde GenAI-stödd undervisningsinnovation mindre på isolerad AI-teknisk kunskap och mer på pedagogiskt och ämnesmässigt inbäddad AI-kompetens tillsammans med yrkesidentitet, och båda medierade delvis utfallet. En workshop om funktioner som inte rör pedagogiken eller den ämnesmässiga identiteten siktar på fel variabel - vilket är varför Laidlaw m.fl. ramar in fakultetens GenAI-respons som en identitetsfråga snarare än ett kompetensgap.

"Lärare är redan samdesigners av AI, så övergången är i gång." Ambitionen är verklig; beskrivningen är det inte än. Wang, Liu och Islams (2026) systematiska genomgång av lärare-AI-samdesign av lärandeuppgifter finner att samdesignerhållningen förblir ojämn, med AI som assistent eller innehållsgenerator fortfarande som det dominerande läget. Att läsa den genomgången som bevis på ett fullbordat skifte skulle dölja gapet mellan de lärare som en sida som denna rekommenderar och de lärare som de flesta institutioner faktiskt har.

"Hur en lärare delegerar till en chattbot spelar knappt roll, eftersom modellen gör jobbet." Delegationsmönstret är interventionen. I lektionsplanering för barns STEAM-konst fann Luo och Tahir (2025) experimentellt att fylla innehållsluckor i en självskissad lektion bevarade lärarens designautonomi samtidigt som den höjde experternas bedömda plankvalitet (median 20,5 mot 17,6, p = ,002, stor effekt), och överträffade alternativet att låta modellen leverera skissen. Samma modell, samma uppgift, olika arbetsfördelning, materiellt annat resultat.

En praktisk startsekvens

Evidensen stöder en specifik ordning för en lärare som antar AI, snarare än en lista över funktioner att lära sig.

  1. Skriv aktiviteten innan du väljer verktyget. Specificera målet, det elevförsök som kommer först och vad som räknas som evidens för förståelse. Verktyg som väljs först tenderar att skriva om aktiviteten kring sig själva.
  2. Bestäm delegationsmönstret uttryckligen. Skissa lektionen själv och låt AI fylla innehållsluckor, i stället för att acceptera en genererad skiss - mönstret ovan med den uppmätta kvalitetsskillnaden.
  3. Placera den mänskliga kontrollpunkten där ägarskapet sitter. Designa så att eleven värderar, korrigerar och äger det AI-assisterade arbetet, och så att AI-återkoppling kommer som ett utkast läraren kurerar i stället för en kommentar läraren förmedlar vidare.
  4. Skydda den tolkningstid som skiftet skapar. Om uppmärksamheten flyttas från materialproduktion till att läsa elever måste den omfördelade tiden överleva kontakten med kalendern; om den absorberas av nytt administrativt arbete sker inte den utlovade rollförändringen.
  5. Kontrollera om du utbildas i verktyg eller i pedagogik. Givet SEM-resultatet, föredra professionsutveckling som arbetar med ämnesuppgifter och identitet framför rundturer i funktioner.

Anslutna begrepp

Anslutna artiklar

Anslutna vanliga frågor

Metadata

NivåK 12, Higher Ed
Avsedd målgruppInstructors, Faculty Developers, Learners
Lärande och undervisningScaffolding
Tekniker och metoderIntelligent Tutoring
Grunder i AI inom utbildningenAI-kompetens, Utveckling av undervisningen, Lärandedesign, Lärarnas AI-kompetens
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.