AIEd kunskapsbasAIEd KB
På den här sidan

Läs den här sidan på engelska

Begrepp

Teknologiskt pedagogiskt ämneskunnande (TPACK)

Skapad 2026-08-14 · Uppdaterad 2026-11-08

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

Teknologiskt pedagogiskt ämneskunnande (TPACK) — ramverket (Mishra & Koehler, 2006) som beskriver den integrerade kunskap lärare behöver för att använda teknik effektivt i undervisningen: samspelet mellan teknologisk kunskap (TK), pedagogisk kunskap (PK) och ämneskunskap (CK) samt deras skärningspunkter. I AI-eran har TPACK utvidgats till AI-TPACK/GenAI-TPACK, som modellerar hur lärare integrerar generativ AI i ämnesspecifik undervisning. Det är den dominerande teoretiska linsen för att förstå hur lärarnas AI-kompetens är strukturerad och byggs genom fortbildning.

Den dominansen är också delvis en artefakt av sökningen: i en PRISMA-scopinggranskning av 195 teknikstödda lärarutbildningsstudier var digital kompetens, TPACK och DigCompEdu uttalade sökbeskrivningar, så andelen kompetensramverk på 46,5 % beskriver den hämtade korpusen snarare än fältet (Patiño Hernández m.fl. (2026)).

Frågor att fundera över

  • TPACK hävdar att effektiv undervisning med teknik inte är summan av separata färdigheter (att kunna sitt ämne + att kunna undervisa + att kunna verktyget) utan produkten av deras samspel. Tänk på en lektion som verkligen fungerade med en teknik. Vilka kombinationer av ämnes-, pedagogisk och teknisk kunskap — inte någon enskild av dem — tycktes göra arbetet?
  • En vanlig föreställning är att en lärare som är 'teknikvan' därför är redo att undervisa med AI. Var kan den föreställningen brista — till exempel när en tekniskt flyhänt lärare ändå använder AI på ett pedagogiskt ytligt eller ämnesmässigt felaktigt sätt? Hur skulle 'kompetens' se ut som ett enkelt test av teknikfärdigheter missar?
  • AI-eran omdefinierar tekniken i TPACK från ett passivt verktyg till en aktiv agent som kan planera, generera och handleda. Om lärarens arbete förskjuts från att hantera ett verktyg till att orkestrera en AI som agerar självständigt, vilken ny kunskap kräver det — och kan någon statisk checklista fånga den?
  • Sidan föreslår att fortbildning bör träna skärningspunkterna, inte bara verktygen. Tänk på den senaste teknikutbildning du deltog i eller designade. Handlade den mest om 'hur man använder programvaran', eller byggde den ämnes- och pedagogisk kunskap tillsammans med tekniken? Vilket angreppssätt skulle du vänta dig förändrar klassrumspraktiken mest, och varför?
  • Forskning fann olika 'lärararketyper' — optimerare, skapare, passiva observatörer — som drar nytta av olika slags stöd. Vilken arketyp liknar du mest när du använder AI i undervisningen, och vilken sorts strukturering tror du skulle hjälpa dig mest? Skulle dina elever beskriva dig på samma sätt som du beskriver dig?
  • En del forskare hävdar att effektiv AI-integration uppstår ur en lärares övertygelser och känsla av självförmåga, inte bara ur kunskap. Vad tror du om AI:s roll i lärandet, och hur kan den övertygelsen — mer än din tekniska färdighet — forma om och hur du faktiskt integrerar den?

Introduktion

Ramverket

TPACK hävdar att effektiv teknikintegration inte är summan av separata kunskapsdomäner utan produkten av deras dynamiska samspel. Ramverket består av tre basdomäner och fyra skärningspunkter:

  • Ämneskunskap (CK) — kunskap om det ämnesinnehåll som ska undervisas.

  • Pedagogisk kunskap (PK) — kunskap om undervisningsmetoder, strategier och hur elever lär sig.

  • Teknologisk kunskap (TK) — kunskap om hur man använder verktyg och tekniker, inklusive generativ AI.

  • Pedagogisk ämneskunskap (PCK) — hur man undervisar ett specifikt innehåll effektivt.

  • Teknologisk ämneskunskap (TCK) — hur teknik formar och representerar innehåll.

  • Teknologisk pedagogisk kunskap (TPK) — hur teknik stödjer eller begränsar undervisningsstrategier.

  • TPACK — den framväxande, integrerade kunskapen i centrum, där alla tre domänerna samverkar för att möjliggöra teknikförstärkt, ämnesspecifik undervisning.

  • Ramverket dominerar fältet som standard och sträcks för att passa. I en PRISMA-ledd genomgång av 78 studier om AI-stödd instruktionsdesign tillämpade bara 19 något namngivet kompetensramverk — och TPACK och dess varianter stod för 17 av dessa 19, använda produktivt som analytisk lins men sträckta bortom sitt ursprungliga tillämpningsområde, eftersom TPACK inte designades för AI-specifika förmågor. Ändamålsbyggda utvidgningar är motsvarande sällsynta: Intelligent-TPACK förekom i bara fem studier, vanligen i kombination med AI-kompetens för att hantera utvecklingsprogression (Spyropoulou & Kameas, 2026).

  • Forskningen fortskrider oteoretiserad medan policyramverken förblir oprövade. Samma genomgång fann att 76 % av studierna härledde kompetenser ur praktik utan någon teoretisk mappning alls, och varken DigCompEdu eller UNESCO:s AI Competency Framework for Teachers tillämpades som analytiskt ramverk i någon av de 78 — en klyfta som löper i båda riktningarna, eftersom empiriskt arbete inte ackumulerar något gemensamt vokabulär medan ramverken som ska vägleda praktiken förblir empiriskt oprövade i detta sammanhang.

AI-TPACK och GenAI-TPACK

AI-eran har drivit ramverket mot en läsning av teknik-med-intelligens. I stället för ett passivt verktyg är generativ AI en aktiv agent som kan planera, generera innehåll, handleda och anpassa — så integrationskunskapen omfattar i allt högre grad orkestrering: att avgöra när och hur AI agerar, strukturerar eller viker för mänskligt omdöme.

  • Bortom diskreta kunskapsdelar. Forskning om AI-TPACK hävdar att effektiv AI-integration inte uppstår ur att inneha separata domäner utan ur det dynamiska samspelet mellan systemtänkande, pedagogiska övertygelser och självförmåga — vilket utmanar statiska, checklistbaserade modeller för lärarnas AI-kompetens. Lärararketyper (systematiska optimerare, produktiva skapare, passiva observatörer) uppstår ur hur lärare designar multiagentiska undervisningsflöden.

  • Vad integrationsramverken lämnar utanför. En sam-agens-kritik hävdar att TPACK och SAMR behandlar lärarkunskap och adoptionsnivåer men lämnar makt, dataägande och ansvarsutkrävande oberörda, så integrationskunskapen behöver en explicit etisk gräns snarare än ännu en kunskapsdomän (Poudyal (2026)).

  • Evidens över nivåer för den pedagogiska kärnan. En flernivåstudie av 46 lärare och 2 832 gymnasieelever fann att teknisk AI-kunskap ensam var otillräcklig — den dämpade till och med elevernas uppfattning om AI för samhällsnytta något — medan pedagogisk AI-kunskap (TPAIK) var det som främjade elevernas uppfattningar och beteendeintention att lära sig AI. Resultatet destilleras till en riktlinje om "pedagogik först, teknik sedan" som ekar de tidigare fynden om medierande roll.

  • Etik som integrativ medierare, inte som gräns. I en enkät med 454 universitetslärare hade isolerad AI-teknologisk kunskap ett negativt direkt samband med integrerat AI-TPACK (β = −0,303) medan dess totala effekt förblev positiv (β = 0,639), via pedagogisk, ämnesmässig och etisk kunskap (Chen m.fl. (2026)). Etisk kunskap kanaliserade också effekten vidare och förutsade både pedagogisk (β = 0,353) och ämneskunskap (β = 0,269).

  • En granskningslins för hela fältet. En systematisk genomgång ur ett TPACK-perspektiv (Liu & Zhong, 2025) analyserade 71 empiriska studier av GenAI i elevers lärande, fann en övergripande positiv effekt (Hedges' g = 0,752) och identifierade GenAI-kompetens för elever och fortbildning i GenAI-TPACK för lärare som fältets två kritiska prioriteringar.

  • Enbart färdighet förutsäger inte pedagogisk integration. Choi m.fl. (2026) mätte lärares Intelligent-TPACK för att segmentera deltagarna och observerade att även AI-flyhänta noviser lutade sig passivt mot AI-utdata under lektionsdesign, medan erfarna lärare — med lägre uppmätt AI-TPACK — kritiskt återengagerade sig och anpassade AI-förslagen till pedagogisk kontext. Resultatet förstärker mönstret ovan: AI-TPACK omsätts i sund klassrumspraktik genom erfaret pedagogiskt omdöme, och stöd inom lärarutbildning måste därför riktas mot tillämpningen av AI-kunskap, inte mot att bara inneha den.

  • Kontext inom lärarutbildning. TPACK är instrumentellt för att odla lärares kompetens att integrera teknik i kursplanespecifik undervisning, vilket är varför lärarutbildnings- och fortbildningsforskning (t.ex. intensiva GenAI-fortbildningsprogram, AI-TPACK-beredskap bland lärarstudenter) i allt högre grad mäter det som utfallet av intresse.

  • Pedagogisk kunskap medierar GenAI-integration. Mohebi och ElSayary (2026) enkätade 325 yrkesverksamma lärare i 26 länder och intervjuade sju, med en förklarande sekventiell mixmetoddesign för att modellera TPACK-GenAI. Teknologisk kunskap (TK), pedagogisk kunskap (PK) och pedagogisk ämneskunskap (PCK) associerade var och en med övergripande TPACK-GenAI, men teknologisk pedagogisk kunskap (TPK) medierade dessa länkar — evidens för att rörelsen "från färdighet till pedagogik" spelar roll: att omsätta GenAI-färdighet i sund klassrumspraktik går genom pedagogisk-teknologisk integrationskunskap, inte genom verktygsbekantskap ensam.

  • Inom högre utbildning överförs inte ämnesexpertis till GenAI-integration. Sutedjo, Chowdhury och Liu (2026) anpassade instrumentet TPACK-21 för att enkäta 127 fakultetsmedlemmar vid ett amerikanskt forskningsuniversitet om att använda GenAI för att undervisa i 2000-talets färdigheter. Fakulteten rapporterade stark CK (M = 5,15) och PCK (M = 4,70) men låg teknikintegrerad kunskap — TPK (M = 2,62), TCK (M = 2,75) och övergripande TPACK (M = 2,55, den lägsta domänen) — och CK visade ingen signifikant korrelation med TK eller någon teknikintegrerad domän (r = 0,11–0,15, ns). De tre teknikintegrerade domänerna korrelerade så starkt inbördes (r = 0,81–0,91) att de kan fungera som en enda GenAI-integrationsfaktor. Resultatet förstärker designprincipen att träna skärningspunkterna: fakultetsutveckling måste medvetet bygga GenAI-integrationskunskap genom ämnesspecifika aktiviteter i stället för att anta att ämnesexpertis förs över, och behandla de teknikintegrerade domänerna som en gemensam grund i GenAI-kompetens.

  • Institutionellt läge och träningsnivå samverkar. Mnguni m.fl. (2026) jämförde 186 avslutande naturvetenskapslärarstudenter vid ett campusbaserat sydafrikanskt universitet (n = 85) och ett distansutbildningsuniversitet (n = 97). Självrapporterad TPACK var högre på campus (64,0 % mot 47,4 %), pedagogisk kunskap var den minst rapporterade domänen i båda grupperna (53 % på campus), och nivån av AI-träning var förknippad med självrapporterad TPACK bara vid distanslärosätet, där genomförd fempoängskurs förutsade svagare rapporterad TPACK än ingen träning alls (p = 0,039, mot p = 0,607 på campus). Beredskap följer därför det institutionella utbudets kontext snarare än antalet träningstimmar, och författarna varnar för att självrapporterad beredskap inte kan ersätta prestationsbevis.

En kompletterande mätvarning kommer från samma författares Capability–Decision Model: när TPACK självrapporteras och upplevd beteendekontroll mäts som självförmåga kan de två inte särskiljas empiriskt, så en studie kan inte avgöra om förmåga eller allmän tilltro förutsäger intentionen (Mnguni (2026)).

  • Integrerat TPACK rör sig mest när AI struktureras inom autentiska problembaserade uppgifter. Chen och Osman (2026) jämförde en åtta veckor lång AI-stödd CTD-PBL-modul med konventionell undervisning för 130 tredjeårsstudenter i fysik i en kvasi-experimentell design med intakta klasser (65 per betingelse), där grupperna använde DeepSeek genom uppgiftsspecifika promptmallar och varje AI-utdata måste passera mänsklig verifiering innan den fördes in i en undervisningsartefakt. Modulgruppen rapporterade högre TPACK efter testet (M = 4,04 mot 3,40, p < 0,001, d = 1,02) och högre upplevd kollaborativ problemlösning (M = 3,62 mot 3,05, d = 0,88), med signifikanta grupp × tid-interaktioner på båda utfallen. Var vinsterna landade är den TPACK-relevanta detaljen: de största dimensionseffekterna låg i de integrerade domänerna — TPCK (d = 1,21), PCK (d = 1,06) och TPK (d = 0,95) — och samarbetsvinsterna var tydligast i gemensamt kunskapsbyggande och social reglering, det vill säga skärningspunkterna snarare än basdomänerna. Författarna presenterar dessa som differentiell förändring förknippad med ett integrerat undervisningsvillkor, inte som en AI-effekt: AI isolerades aldrig från PBL-uppgiftskedjan, det strukturerade samarbetet, instruktörens strukturering, kamratfeedback eller den reflekterande revisionen, och båda utfallen var enkätbaserade upplevelser av kompetens snarare än påvisad klassrumsprestation.

  • En intervention kan först flytta basdomänen. Ett sex månader långt fortbildningsprogram byggt direkt på Intelligent-TPACK-ramverket höjde teknisk AI-kunskap mest (AITK: 3,92 till 4,43, t(63) = 3,856, p < 0,001, d = 0,48), teknologisk-pedagogisk kunskap näst mest (AITPK: d = 0,33) och integrerat AITPACK minst (d = 0,26), medan etisk medvetenhet lämnades förhållandevis stillastående (Tan, Cheng & Ling, 2025). Ordningen är spegelbilden av Chen och Osmans vinster i integrerade domäner, och båda är självrapporterade.

AI-TPACK som medierare mellan kompetens och klassrumsintegration. En strukturell ekvationsmodell av kinesiska lärarstudenter i naturvetenskap (Zou, Li, Wang & Du, 2026) placerar AI-TPACK inte som en parallell kompetens utan som den överföringsmekanism genom vilken allmän AI-kompetens blir undervisningspraktik. AI-kompetens förutsade AI-TPACK starkt, AI-TPACK förutsade i sin tur naturvetenskapsundervisningens självförmåga, och självförmåga i undervisning var den starkaste enskilda prediktorn för intentionen att undervisa genom AI-integrerad undersökningsbaserat lärande.

Hela den seriella kedjan (AI-kompetens → AI-TPACK → självförmåga → intention) var signifikant, liksom de separata indirekta vägarna genom AI-TPACK och genom självförmåga; tillsammans gick större delen av AI-kompetensens samband med intentionen genom dessa medierare snarare än direkt, och resultatet höll efter kontroll för kön, studieår, huvudämne och AI-användningsfrekvens. Modellens praktiska påstående är en sekvens med en ingångspunkt: AI-kompetens är nödvändig men otillräcklig, och integrationsarbetet sker där teknologisk, pedagogisk och ämneskunskap kombineras — vilket också är där lärarnas tilltro till att undervisa i ämnet byggs.

  • Validering som en fjärde kompetens. Orhon, Cekerol och Ugur (2026) utvidgar modellen med AI-valideringskunskap — att underkasta probabilistiska AI-utdata ämnesspecifik verifiering innan de behandlas som evidens för ett legitimt beslut — och parar den med en processorienterad bedömningsmatris för designutbildning.

Varför det spelar roll inom AI i utbildningen

TPACK är det organiserande ramverket för lärarsidan av kunskapsbasens evidens. Det förklarar varför lärarnas AI-kompetens är mer än verktygsflyt: lärare måste integrera teknologisk, pedagogisk och ämneskunskap tillsammans för att förvandla AI till lärandevinster. Kunskapsbasens sida Lärarnas AI-kompetens täcker kompetensdimensionerna; TPACK är den kunskapsstruktur som ligger bakom dem. Forskning om lärares tilltro, fortbildning och den föränderliga lärarrollen verkar alla inom (eller mot) detta ramverk. Ramverket utvidgas nu för att utvärdera hela program: Wu & Li (2026) bygger ett AHP-Fuzzy-AHP-utvärderingssystem för AI-certifikatprogram på TPACK-dimensioner och finner att fakultetens professionella kompetens — inte teknisk infrastruktur — är det största gapet mellan expertprioritering och nuvarande utbud, vilket signalerar att certifiering bör investera i lärarnas integrerade pedagogiska kapacitet.

Medieringen går mest genom användarvänlighet. Zhao (2026) testade sex indirekta vägar från AI-kompetens och TPACK till djupinlärning hos 423 lärarstudenter: TPACK genom upplevd användarvänlighet var störst (0,212) och AI-kompetens genom användbarhet minst (0,033), så integrationskunskap verkade genom användbarhet snarare än genom nytta. Komponenterna väger inte lika i AI-fallet. Bland 988 lärarstudenter förutsade TCK (β = 0,67) och TPK (β = 0,41) integrerat AI-TPACK medan TK ensam inte gjorde det (β = −0,10, p = 0,066), och integrerat TPACK förutsade attityd till GenAI (β = 0,75) (Khalil m.fl., 2026).

Designimplikationer

  1. Träna skärningspunkterna, inte bara verktygen. Fortbildning bör bygga teknologisk, pedagogisk och ämneskunskap tillsammans i stället för att erbjuda isolerad verktygsträning — TPACK:s centrala designprincip.
  2. Behandla AI som en agent, inte som en apparat. AI-TPACK utvidgar ramverket mot orkestrering av AI-agenter, vilket kräver systemtänkande och pedagogiskt omdöme om när AI bör agera.
  3. Differentiera fortbildningen efter lärarprofil. Olika lärararketyper (optimerare, skapare, observatörer) drar nytta av olika strukturering — avancerade ramverk, snabb feedback respektive explicit modellering.
  4. Bedöm integrerad kompetens. TPACK-orienterade utfall (t.ex. vinster i AI-PCK) bör mätas som integrerad förmåga, inte som självrapporterad verktygsbekantskap.

Vanliga missuppfattningar

  • "TPACK:s dominans speglar dess förklaringskraft." Dominansen är delvis en artefakt av sökningen: i en PRISMA-scopinggranskning av 195 teknikstödda lärarutbildningsstudier dominerar digital kompetens, TPACK och DigComp den indexerade litteraturen. Förekomst i en sökning är en egenskap hos det vokabulär fältet använder, inte ett bevis för att ramverket förklarar mer.
  • "Ett välkänt ramverk är ett validerat ramverk för AI." TPACK designades inte för AI-specifika förmågor, vilket är varför Intelligent-TPACK utvecklades — och det förekommer i bara fem studier i genomgången av 78 studier. Att använda TPACK för GenAI-kompetens sträcker det bortom dess konstruktion.
  • "Att tillämpa ett ramverk betyder att forskningen är teoretiserad." Samma genomgång fann att 76 % av studierna härledde kompetenser ur praktik utan någon teoretisk mappning, så TPACK:s närvaro i fältet samexisterar med att det mesta av forskningen är oteoretiserad. Ett namngivet ramverk är inte samma sak som ett ramverk som gör arbete.

Anslutna begrepp

Anslutna artiklar

Anslutna vanliga frågor

Metadata

Avsedd målgruppFaculty Developers, Instructors
Tekniker och metoderGenerative AI
Grunder i AI inom utbildningenAI-kompetens, Kurrikulumdesign, Utveckling av undervisningen, Lärandedesign, Undervisning, Teknologiskt pedagogiskt ämneskunnande (TPACK), 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.