AIEd kunskapsbasAIEd KB
På den här sidan

Läs den här sidan på engelska

Begrepp

Teoriutveckling inom AI i utbildningen

Skapad 2026-08-22 · Uppdaterad 2026-11-08

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

Teoriutveckling inom AI i utbildningen — det vetenskapliga arbetet med att skapa, föra fram och kritiskt granska de teorier och begreppsliga ramverk som förklarar hur elever, lärare och AI-system interagerar. När generativ AI omformar utbildningen föreslår fältet både nya teorier om lärande-med-AI och omarbetar etablerade inlärningsteorier — samtidigt som en dokumenterad svaghet i teorianvändningen kvarstår som en genomgående begränsning i AIEd-forskningen.

Frågor att fundera över

  • Vi talar ofta om att 'tillämpa en teori' på AI i utbildningen, men den här sidan frågar om fältet faktiskt uppfinner nya teorier. Innan du läser vidare: när ett välbekant ramverk (som Behaviorism eller konstruktivism) sträcks för att täcka generativ AI, vad kan det få rätt, och vad kan det tyst förvrida?
  • Tänk på en gång då du använde AI och kände att din förståelse växte — eller motsatsen. Vad är skillnaden mellan 'att lära med ett verktyg' och 'att samkonstruera kunskap med en maskin'? Var skulle du dra den gränsen, och är det ens meningsfullt att säga att maskinen är en medagent?
  • Många studier om AI i utbildningen kritiseras för att använda teori svagt eller inte alls. Om du läste en studie som visade att ett AI-verktyg 'fungerade', vad skulle den behöva berätta om varför och hur det fungerade innan du kallade fyndet teoretiskt meningsfullt och inte bara en effektstorlek?
  • En föreslagen teori hävdar att AI-infödda elever överskattar sitt eget lärande eftersom AI blåser upp deras prestation. Har du märkt hos dig själv eller andra att ni känner er mer kompetenta efter intensiv AI-användning än ni faktiskt kunde visa utan den? Vad skulle vara det starkaste beviset för att detta är ett verkligt fenomen och inte bara en artefakt av en studie?
  • Sidan skiljer teori (som förklarar lärandets mekanismer) från filosofi (som ifrågasätter vad lärande och medvetande i grunden är). Var i ditt eget tänkande om AI rör du dig mellan de två — till exempel genom att inte bara fråga om ett ramverk förklarar lärande väl, utan om det fångar vad lärande verkligen är?
  • Nya teorier dyker upp — generativism, epistemisk sam-agens, kognitiva allmänningar. Som läsare, vad skulle övertyga dig om att en av dem är ett genuint framsteg snarare än en modebetonad omdöpning av äldre idéer? Sätt ditt eget test för vad en bra ny teori om lärande med AI borde kunna förklara.

Introduktion

Teoriutveckling inom AIEd ligger i gränslandet mellan de tillämpade inlärningsteorier fältet hämtar från och de nya begrepp AI-eran producerar. Där Learning Theories katalogiserar de etablerade teorier som tillämpas på AI (behaviorism, konstruktivism, kognitiv belastning, självbestämmande med mera) följer detta begrepp processen och produkten av själva teoretiserandet: vilka nya teorier och ramverk som föds, hur etablerade teorier förs framåt och den metodologiska frågan om AIEd-forskningen teoretiserar väl.

  • Ett ramverk som anger sitt eget jämförelsevillkor. Nakamura (2026) behandlar fördelningen av kognitivt arbete som förklaringsenhet, placerar operationer på ett graderat perifert–konstitutivt kontinuum, namnger det jämförelsevillkor mot vilket augmentation och erosion definieras, och härleder sju betingade prövbara propositioner (Nakamura, 2026). Eftersom propositionerna förutsäger skillnader mellan konfigurationer kan en studie som bara rapporterar en medeleffekt varken bekräfta eller vederlägga dem.

Nya teorier om lärande med AI

En växande klunga artiklar skapar uttryckligen ny teori för AI-eran i stället för att tillämpa befintliga ramar:

  • Generativism. Generativism föreslås som en ny inlärningsteori och hävdar att behaviorism, kognitivism, konstruktivism och konnektivism var och en vilar på ett antagande som generativ AI bryter: att observerbar output intygar lärande (behaviorism), att kognitiva operationer sker inne i eleven (kognitivism), att mening konstrueras snarare än levereras (konstruktivism), och att det svåra är att navigera till befintlig kunskap snarare än att generera den (konnektivism). Den namnger fyra begrepp — epistemiskt partnerskap, distribuerad agens, generativ kompetens och adaptiv metakognition — och härleder en bedömningsindikator för varje, ett direkt försök att namnge ett särskilt teoretiskt paradigm för AI-medierat lärande. Vad den inte gör är att ange propositioner som kunde misslyckas: det är en positionsartikel som syntetiserar befintlig evidens, så till skillnad från Agentivism nedan erbjuder den ett vokabulär och en mätagenda snarare än en falsifierbar teori.

  • AI-samhörighet. Fu och Zhao (2026) rekonstruerar samhörighet för AI-eran genom omsorgsetik och neoekologisk teori, och definierar "artificiell intelligens-samhörighet" som ett psykologiskt verkligt men etiskt asymmetriskt band med tre dimensioner och sex falsifierbara propositioner som väntar på skalutveckling.

Den syntetiska positionen tillför ett konkurrerande bidrag som faktiskt anger propositioner: den namnger syntetisk befordran och författaravstängning — ett jag som är rikt röstat men författarlöst — och förutsäger en övergångsinteraktion där en livsbeslutberättelses bedömda författarskap och koherens rör sig i motsatta riktningar (Du m.fl. (2026)).

  • Agentivism. Yan och Gašević (2026) föreslår Agentivism som en mellannivåinlärningsteori för människa-AI-interaktion, definierar lärande som varaktig tillväxt i mänsklig förmåga snarare än lyckat slutförande av uppgifter med AI, och anger fyra mekanismer: delegerad agens, epistemisk övervakning och verifiering, rekonstruktiv internalisering och överföring under reducerat stöd. Det som skiljer den från de andra bidragen på den här sidan är falsifierbarheten: den anger sex propositioner, bland annat att lärandet är starkare när AI bevarar elevens ansvar för problemformulering, kriteriebestämning och motivering än när den levererar svar. Den hävdar också att krav på verifiering bör förbättra fördröjd prestation medan upprepad friktionsfri delegering utan rekonstruktion bör försvaga elevernas kalibrering av sin egen kompetens.

Teoribildning på lärarsidan gör nu samma åtagande om prövbarhet: Capability–Decision Model ordnar AI-TPACK-förmåga uppströms attityd och upplevd beteendekontroll och namnger fyra villkor för vederläggning — medieringsfel, diskriminantkollaps, moderatornoll och kontextredundans — även om modellen förblir oprövad (Mnguni (2026)).

  • Epistemisk sam-agens. Learning with Machines bygger "mot en teori om epistemisk sam-agens", en teorinformerad modell för hur elever och GenAI-system gemensamt producerar kunskap och förståelse.

  • Cykeln för kognitivt partnerskap. Page (2026) föreslår Cognitive Partnership Cycle, en sexfasig rekursiv modell — mänsklig fråga, AI-expansion, mänsklig reflektion, integration, revision och ny fråga — som lokaliserar lärandet i en förändring av elevens kognitiva position snarare än i promptskicklighet, och namnger fyra felmoder där samma rekursion ersätter eller förvränger tänkandet.

  • Den frånvarande kognitiva baslinjen (ACB). The Absent Cognitive Baseline teoretiserar ett strukturellt gap i AI-infödda elevers akademiska självbedömning — ett tredimensionellt ramverk som förklarar varför elever överskattar sitt lärande när AI blåser upp prestationen.

  • De kognitiva allmänningarna. Cognitive commons and expertise regeneration hämtar från teorin om allmänna poolresurser och distribuerad kognition för att förklara hur rationella AI-adoptionsbeslut kan utarma den delade expertisreserv som professionerna behöver för sin förnyelse.

  • Prestation kontra lärande. Performance-vs-learning teoretiserar den skarpa divergensen mellan AI-uppblåst uppgiftsprestation och varaktigt lärande, en åtskillnad som återkommer i kunskapsbasens evidens om lärandevinster.

  • Epistemisk AI-kompetens (EAIL). Epistemic AI Literacy omramar AI-kompetens som en processorienterad epistemisk förmåga centrerad kring hur kunskap konstrueras och rättfärdigas när elever samprogrammerar med generativ AI.

  • Tri-systemteori. Shaw och Nave (2026) utvidgar dualprocessredogörelser med System 3 — externt, automatiserat, datadrivet resonemang från AI som kan komplettera, ersätta eller undertrycka System 1 och System 2 — och namnger kognitiv kapitulation, det okritiska övertagandet av AI-utdata, som dess karakteristiska misslyckande.

  • Kognitivt förvaltarskap. Credential and cognitive stewardship teoretiserar det institutionella ansvaret för att skydda kunskap och lärande i AI-genomsyrade bedömningssammanhang.

  • Sam-reglering och epistemisk proaktivitet. AI som kognitiv partner i samreglering integrerar exekutiva funktioner, Metacognition, distribuerad kognition och sociokulturell utveckling i en utvecklingsmodell; epistemisk proaktivitet teoretiserar elevers agentiska hållning till AI i matematik.

  • Paradigm för människa-GAI-engagemang. Strydom (2026) bemöter fältets "teoribrist" genom att förankra sju förverkligade paradigm för människa-GAI-engagemang (vaktat, möjlighetsinriktat, förstärkt, pionjärt, symbiotiskt, värdebaserat, rättvist) i Schommers flerdimensionella modell av personliga epistemologiska övertygelser — en epistemologisk, snarare än verktygsfokuserad, teori om hur individer positionerar sig olika i förhållande till AI.

  • Ramverket för ekologisk sam-agens. Poudyal (2026) hävdar att generativ AI omfördelar epistemisk auktoritet från lärare till elever till maskiner, och introducerar ett ramverk som definierar sam-agens genom tre ömsesidigt beroende dimensioner — relationell, regulatorisk (mappad mot SRL-cykeln) och pedagogisk (kontinuum för läraradoption) — alla begränsade av ett icke förhandlingsbart villkor om mänskligt epistemiskt ansvar (bestridbarhet, proveniens och icke-delegering av moralisk eller intellektuell ära). Det positionerar agens som ett epistemiskt designproblem snarare än en användbarhetsfråga, och ger institutioner ett mer precist språk än "balans" för att styra GenAI-integration.

  • Relationell epistemisk agens och epistemiskt beroende. Du & Yuan (2026) bidrar med en kritiskt-integrativ redogörelse för när AI-medierat förlitande bevarar respektive tränger undan omdömet. De operationaliserar gränsen mellan produktivt förlitande och skadligt beroende genom sex diagnostiska kriterier (bestridbarhet, återställbarhet, överföring, spårbarhet, distribuerat ansvar, epistemisk pluralitet) och spårar fyra sociotekniska vägar (flytande auktoritet, friktionsfri delegering, ogenomskinlig syntes, institutionaliserat beroende). Deras normativa förslag, relationell epistemisk agens, utvidgar linjerna för relationell autonomi och epistemisk sam-agens genom att behålla en explicit asymmetri — AI får forma resonemang utan ömsesidigt ansvar eller legitim auktoritet — samtidigt som det integrerar ansvar och epistemisk rättvisa på institutionsnivå. Som teori om lärande med AI flyttar den fältets fråga från om AI hjälper eller skadar till vilka epistemiska handlingar som bevaras, transformeras eller trängs undan, och den gör designen av beroende snarare än blotta användningen till föremål för pedagogisk och institutionell intervention.

Modellens utdata lyfts till status som kollektiv kunskap utan den gemenskapsgaranti som statusen kräver — det Webb et al. (2026) kallar pseudo-cPCK, och skälet till att fältet behöver en ny teoretisk konstruktion snarare än ett bättre gränssnitt (Webb et al., 2026).

Att föra etablerad teori framåt

Annat arbete utvidgar befintlig teori till AI-kontexten i stället för att grunda nya paradigm: arbetet med kritisk-tänkande-paradoxen integrerar kognitiv belastningsteori med belastningsreducerande undervisning i ett trenivåramverk; rättvis bedömning teoretiserar om bedömning under GenAI-störning. Ba, Gašević, Lim & Anderson (2026) omkonceptualiserar själva Community of Inquiry-ramverket: i stället för att rama in GenAI som ett verktyg, en dialogisk partner eller en spekulativ "fjärde närvaro" positionerar de det som ett epistemiskt villkor som omkonfigurerar hur kognitiv, social och undervisande närvaro utövas, evidensieras och styrs — de omformar CoI-närvaron till sociotekniska åstadkommanden av människa–GenAI-assemblage och föreslår en konfigurationsbaserad heuristik där GenAI-inblandning och undersökningskvalitet är villkorligt relaterade genom mänskligt ansvar. Mycket av detta är begreppsligt ramverksarbete (ramverk för handelshögskolor, validerad simulering) som operationaliserar teori för praktiken.

Lin och Chang (2026) utvidgar Self-Regulated Learning och människa–AI-reglering genom att namnge vad eleven styr — standarder, utvärderande omdömen och kontrollauktorisering — snarare än bara vad AI gör.

Friktionsparadoxen erbjuder en annan utvidgning av etablerad teori: Gupta (2026) tillämpar Bjork och Bjorks önskvärda svårigheter och Kapurs produktiva misslyckande på relationella möten i utlandsstudier, och hävdar att det som spelar roll är hur mycket tolkande agens en elev överför till en generativ assistent, snarare än hur ofta den används. Ramverket är begreppsligt och anger fem propositioner som konkurrerande hypoteser.

Ranieri och Biagini (2026) för fram fältets funktionella taxonomi från Zawacki-Richter m.fl. (2019): bland de 154 publikationerna med en klassificerbar applikationsfunktion undslapp 90 (58,4 %) dess fyra kategorier, och deras ramverk korsar funktion med delegerad kontroll, epistemisk position och inbäddad pedagogik.

An, McLaren och Stamper (2026) för fram ACT-R och ramverket Knowledge-Learning-Instruction genom att teoretisera bedräglig övergeneralisering — en felmod där kunskapskompilering ger en övergeneraliserad produktion som åstadkommer korrekta handlingar men utelämnar ett kritiskt tillämpningsvillkor — och genom att empiriskt validera en procedur för upptäckt och åtgärd över adaptiva ITS:er och ett K-12-dataset för decimalinlärning.

Postfenomenologi och teknologisk mediering. Farazouli m.fl. (2026) för fram det etablerade postfenomenologiska ramverket för teknologisk mediering (Ihde 1990; Verbeek 2006, 2011; Rosenberger & Verbeek 2015) till kontexten AI i utbildningen. I stället för att föreslå en ny teori tillämpar de det för att omkonceptualisera GAI-chattbotar som multistabila teknologiska artefakter vars "skript" (snabb responsivitet, naturligt klingande text som kan uppnå godkända betyg) medierar lärares uppfattningar och omkonfigurerar deras praktik — vilket rubbar lärarnas tilltro, omformar vad kompetens betyder och driver lärare bortom instrumentella frågor om acceptabel användning mot att omvärdera sin roll och undervisningens mening. Detta är ett bidrag till teori-framflyttning: det visar hur en filosofisk redogörelse för människa–teknik-relationer förklarar den emotionella och professionella störning lärare upplever när GAI träder in i etablerad utbildningspraktik.

Ett ytterligare ramverksbidrag är Rismanchian & Doroudis AI×Ed-typologi, som utvidgar Kahns (1977) ursprungliga "tre interaktioner" längs två axlar — AI:s roll (tillämpat verktyg kontra analogi till mänsklig intelligens) och slutanvändaren (från forskare till elev) — för att lokalisera vilket AIED-projekt som helst. Bortom att kategorisera fältet argumenterar den för att återuppliva teorins och forskningens sträng "AI som en analogi till mänsklig intelligens", med hjälp av beräknings- och agentbaserade lärandemodeller (t.ex. deras egen beräkningsmodell av ICAP-ramverket) för att överbrygga samtida inlärningsteori och beräkningsmodellering — en metodologisk riktning fältet till stor del övergav när det vände sig mot tillämpat, datadrivet arbete.

Jämförande filosofi som väg till teoretisk pluralism. Xie (2026) modellerar en annan väg till teoriutveckling: i stället för att teoretisera AI i utbildningen inifrån en tradition iscensätter artikeln en jämförande dialog där varje tradition "synliggör det den andra skymmer", och avstår uttryckligen från att syntetisera dem till ett enda ramverk — ett angreppssätt som behandlar teoretisk pluralism som en metodologisk position snarare än en olöst oenighet. Han hävdar att icke-västliga traditioner kan göra mer än att diversifiera debatterna; de kan omforma de begreppsliga grunderna för AIED-teori, och rekonstruerar daoistisk "daonatur" (道性), självbildning (修道) och "zhenren" (真人) som resurser för att tänka om agens, utbildningens epistemiska mål och etisk handling under AI-medierade villkor. Han anger också gränserna tydligt: bidraget är enmansförfattat, icke-empiriskt, och varnar för att en sådan översättning kräver kontextualisering för att undvika romantisering och orientalism.(Alternative AI Philosophy: Daoism as Method for AI in Education)

Problemet med teorianvändning i AIEd

Fältets teoretiserande är ojämnt. Begränsningar i AIEd-forskningen dokumenterar att AIEd-studier ofta använder teori svagt eller okritiskt — en återkommande metodologisk svaghet vid sidan av reproducerbarhets- och mätgap. Genomgångar finner att många AIEd-artiklar tillämpar teori ytligt eller inte alls (t.ex. litteraturgenomgångar som noterar att få studier förankrar insatser i inlärningsteori). Det gör teoriutveckling — och teorianvändning — till en kvalitetsfråga i lika hög grad som en vetenskaplig output, med koppling till forskningsmetoder och AI Ed Evaluation.

Förhållande till filosofin om AI i utbildningen

Teoriutveckling och filosofin om AI i utbildningen är komplementära men distinkta strängar av kunskapsbasens grundarbete. Teoriutveckling producerar och empiriskt prövar mekanismerna för lärande-med-AI — namngivna teorier och ramverk som generativism, epistemisk sam-agens och den frånvarande kognitiva baslinjen som förklarar och förutsäger hur elever och AI interagerar. Filosofin granskar de förutsättningar dessa mekanismer vilar på: vad som räknas som kunskap, vem som räknas som kunskapande och vad eleven i grunden är. En teori som epistemisk sam-agens föreslår en mekanism men antar samtidigt filosofiska åtaganden om distribuerad kognition och agens; filosofin gör dessa åtaganden explicita och bestridbara. Där teoriutvecklingen frågar om ett ramverk förklarar lärandet väl frågar filosofin om det fångar vad lärande och medvetande verkligen är — de två strängarna möts i fältets mest grundläggande artiklar, som ofta gör båda på en gång.

Vanliga missuppfattningar

"Ett fynd att verktyget fungerade är ett teoretiskt bidrag." Det är det inte, och skälet är strukturellt. När ett ramverks propositioner förutsäger skillnader mellan konfigurationer kan en studie som bara rapporterar en medeleffekt inte bekräfta eller vederlägga dem — designen kan inte se den åtskillnad teorin handlar om. En prövning som visar en medelvinst säger att något hände, inte vilken mekanism som orsakade det, så teorin är exakt lika stödd som före.

"Att tillämpa en etablerad teori på AI är teoriutveckling." Sidans eget teoriproblem säger motsatsen: tillämpning är inte framflyttning, och fältets återkommande mönster är lånade begrepp som används som vokabulär snarare än som prövbara förutsägelser. Åtskillnaden spelar roll eftersom en lånad ram som inte kan generera en falsifierbar skillnad är dekoration, inte teori.

"De befintliga taxonomierna över AI:s pedagogiska funktion täcker redan vad dessa system gör." De täcker inte mycket av det. Bland 154 publikationer med en klassificerbar applikationsfunktion undslapp 90 (58,4 %) de fyra kategorierna i det tidigare ramverket, vilket är varför det nyare arbetet korsar funktion med delegerad kontroll, epistemisk position och inbäddad pedagogik. En taxonomi som felklassificerar nästan tre av fem fall kan inte fungera som fältets gemensamma vokabulär, och gapet är ett fynd om fenomenet snarare än en lucka i en artikel.

Implikationer för praktiken

För lärare och instruktionsdesigners

  • När en studie rapporterar en medeleffekt, behandla den inte som vägledning om din konfiguration. Påståendena på teorinivå handlar om skillnader mellan konfigurationer, och ett medelvärde kan inte säga vilken av dem du kör.
  • Fråga om varje ramverk du antar om det förutsäger något som skulle kunna visa sig falskt i din egen miljö. Om det inte kan kommer det inte att hjälpa dig att avgöra något.
  • Räkna med att befintliga kategorier missar ditt fall; över hälften av de klassificerade publikationerna passade inte i den vanliga fyrdelningen.

För utvecklare

  • Rapportera konfigurationer i stället för en enda rubrikeffekt. Om din design förkroppsligar en specifik kombination av delegerad kontroll och epistemisk hållning, säg det — det är den enhet teorin talar om och den enhet ett annat team behöver för att reproducera.
  • Marknadsför inte ett mekanismpåstående på styrkan av ett genomsnittligt utfall; den evidens som krävs för mekanismen är en kontrast, inte ett medelvärde.

För forskare

  • Designa för konfigurationskontraster om du avser att bidra teoretiskt. En medeleffektprövning publicerad som teoriutveckling är fältets vanligaste och minst användbara output.
  • Fäst explicita falsifierbara propositioner vid varje ramverk du introducerar, och rapportera vilka konfigurationsskillnader som skulle ha vederlagt dem.

Anslutna begrepp

Anslutna artiklar

Metadata

StudiedesignLiterature Review
Lärande och undervisningLearning Theories
Forskningsmetoder och utvärderingResearch Methods in AIED
Grunder i AI inom utbildningenAI i utbildningen, Begränsningar i AIEd-forskning
SidtypFramework
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.