Hur ska vi designa och underlätta asynkrona onlinekurser när AI kan göra arbetet?

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

Terminen öppnar och ingenting händer vid en bestämd timme. Du lägger ut vecka ett:s läsning, diskussionsprompten, det första fallet, och sedan väntar du på att se vad som kommer tillbaka. Det som kommer tillbaka är flytande, håller sig till ämnet och säger dig ingenting om studenten som lämnade in det. Det finns inget rum att gå in i, inget ansikte att läsa klockan 10.15 en tisdag, och ingen följdfråga du kan ställa medan studenten fortfarande står framför dig.

Svaret du ska ge en kollega: i en asynkron kurs måste allt som ett klassrum tillhandahåller gratis byggas med avsikt. Sätt betyget på processen i stället för på den färdiga filen, behåll ett mått som studenten producerar utan verktyg och utan hjälp, begränsa vilken AI du delar ut och håll den inom kursen, och behandla kalendern som ett designbeslut. För varje uppgift, fråga vad en student fortfarande skulle behöva göra om en modell producerade artefakten åt dem.

Kortversionen

1. Betygsätt processen. En beslutslogg, ett utkast i flera steg eller ett stycke självförklaring visar resonemang som en slutlig inlämning döljer.

2. Behåll ett oassisterat mått på varje bedömning som intygar kompetens. Retentionsgapet i befolkningsdata nedan stängs när övervakning är på plats.

3. Använd asynkron muntlig bedömning där insatserna motiverar produktionsarbetet: promptar i rätt ögonblick, korta inspelningar som studenten inte kan revidera, rubricar inbyggda, transkript som genereras automatiskt.

4. Konfigurera all AI du tillhandahåller så att den antyder i stället för att svara, och bädda in den i kursen i stället för att länka ut till något generiskt.

5. Sprid ut de stora deadlineerna och öppna ett fönster på 7-8 dagar före varje. Det är så mycket förvarning interaktionsdata ger dig.

6. Betygsätt rörelsen i en diskussion: en position som tagits ställning för, en utmaning, en dokumenterad omprövning.

Bestäm vad din uppgift är bevis på

En asynkron kurs är utsatt av en strukturell anledning. Dess bevis på lärande är inlämningen, och inlämningar är nu billiga att producera.

Demonstrationerna tar studenten ur bilden helt. På en levande grundkurs i psykologi loggade autonoma agenter in i lärplattformen, läste kursmaterialet och genomförde oövervakade bedömda uppgifter utan att någon student var inblandad. Två quiz blev klara på ungefär 12 minuter och på under 5 minuter, båda med 10/10. Ett diskussionsinlägg fick agenten att gräva igenom kamraternas inlägg och sedan hitta på en trovärdig livshistoria i första person för att svara dem. Författarnas bredare underlag omfattar minst 15 dokumenterade agentkörningar i Canvas, Moodle och Brightspace, med sju agentverktyg. Deras inramning spelar roll för din kursplan: det här är ett problem för bedömningsvaliditet innan det är ett problem för integriteten, eftersom agentens slutförande tar bort antagandet att det inlämnade arbetet kom från personen vars lärande bedöms (Hadjisolomou och El-Haddad, 2026).

Den kausala evidensen för vad verktyget gör med lärandet är lika direkt. I en randomiserad studie med ungefär 1 000 gymnasieelever i matematik höjde oskyddad AI-hjälp övningsresultatet med 48 % och sänkte resultaten på oassisterade prov utan hjälpmedel med 17 %. Elever utan tillgång presterade bättre än elever med tillgång. En handledare med skyddsräcken som gav ledtrådar i stället för svar tog bort skadan. Begränsningen avgjorde utfallet.

Befolkningsdata pekar åt samma håll. Över 3,2 miljoner ALEKS-interaktioner föll studietiden på AI-känsliga problem med 26,9 % efter ChatGPT:s publika lansering, med en 25 % minskning i oddset att svara rätt på övervakade retentionsuppgifter. Effekten försvann när övervakning var på plats. Det försvinnandet är den användbara delen för kursdesign, eftersom det lokaliserar genvägen utanför plattformen och visar att skadan lever i villkor som du sätter.

Det finns ett tystare misslyckande att designa emot. Metakognitivt diskordant slutförande namnger tillståndet att lämna in korrekt, komplett arbete medan man privat vet att förståelsen aldrig kom. I ett klassrum kan du fånga det i en students tvekan. I en asynkron kurs är inlämningen den enda kanalen, och en korrekt inlämning läses som framgång. Bedömningsdesign är din första hävstång.

Sätt beviset i processen

Om den färdiga produkten inte bevisar någonting måste beviset komma från hur arbetet gjordes eller från ett villkor som studenten inte kan delegera.

Processynliggörande artefakter är den billigaste förändringen, och de fungerar i skala: inlämningar i steg med en obligatorisk beslutslogg däremellan, en självförklaring på ett stycke kopplad till varje svar, en annotering av en källa, en plan som reviderats efter återkoppling. De fångar resonemanget i stället för dess rester, och de kostar läraren förhållandevis lite att skanna av.

Asynkron muntlig bedömning väger tyngst där kompetens måste intygas. Pentland, Lowenthal och Krier (2026) utvärderade webbaserade bedömningar som levererar promptar i rätt ögonblick, låter studenter spela in korta, tidsbegränsade webbkamerasvar som de inte kan återvända till, och betygsätter mot inbyggda rubricar medan transkript genereras automatiskt. I två studier, en pilot i redovisning på mellannivå och en kurs i dataanalys, fick studenterna högre resultat än på fysiska flervalsprov. Skillnaden var signifikant i den andra studien och en positiv men icke-signifikant trend i den första, med måttliga korrelationer mellan format som stöder konvergent validitet. Studenterna uppgav att de förberedde sig annorlunda, använde mer aktiva studiestrategier och behandlade formatet som yrkesrelevant. För en kurs utan gemensam timme är detta den närmaste strukturella motsvarigheten: tänkandet sker live, vid en tid och plats som studenten väljer, till en administrativ kostnad som inte växer med kullens storlek.

Ett oassisterat mått hör hemma i varje kurs vars betyg intygar kunskap. ALEKS-resultatet är argumentet: med övervakning på plats försvann retentionsgapet. Berätta för studenterna varför villkoret finns. Det resonemanget hör hemma i din AI-policy för kursen.

Bestäm vilken plats verktyget har i sekvensen

När produkten är ett opålitligt bevis blir ordningen på arbetet en del av bedömningsdesignen.

Brcic och Frljic (2026) sätter placeringen i centrum av argumentet: tillåt-eller-förbjud är ett falskt val, och designfrågan som spelar roll är var verktyget sitter. Den kausala evidens de samlar visar att utfallet vänder enbart på placeringen. Samma oskyddade hjälpare som lämnade gymnasieelever ungefär 17 % sämre på ett oassisterat prov gjorde ingen skada när den byggdes om till att hålla inne svar, och en välkonstruerad handledare ungefär fördubblade lärandet. Deras ram med sex drag för att placera verktyget (prima, pröva, peka, fästa, förstärka, testa) är en användbar meny. Behåll deras diagnostik: om det att släppa in AI gör uppgiften lätt, sitter den på fel plats. Dålig placering lämnar en illusion av lärande som kollapsar på den oassisterade uppgiften, det tillstånd som metakognitivt diskordant slutförande beskriver.

Nedskrivet i en uppgift ger det en sekvens du kan trycka på papperet:

Tänk, ta ställning, använd AI, kritisera, revidera, förklara.

Studenterna försöker göra det intellektuella arbetet och tar ställning för en första tolkning, prediktion, disposition eller ett beslut. Sedan kommer modellen in, för återkoppling, alternativ, motargument eller kritik. Sedan bedömer studenterna vad den producerade, reviderar och förklarar vad som ändrades och varför. Steget där de tar ställning är det som gör resten bedömningsbart. En student som inte tagit ställning har inget att revidera, och en artefakt som en modell skrev från scratch har ingen revisionshistorik alls.

Överkorrigeringen att undvika: att samla in varje prompt och dokumentera varje tangenttryckning ger arbetsbelastning utan bevis. Be om de beslutspunkter du faktiskt skulle läsa, vilket underlag som valdes, vilket alternativ som förkastades, vad som ändrades efter kritiken.

Para ihop uppgiften du inte kan försvara med en tvilling

Det strukturella alternativet här är att sluta välja mellan en pedagogiskt sund uppgift och en försvarbar sådan. Roe, Perkins och Giray (2026) föreslår bedömningstvillingar: para ihop den AI-sårbara uppgiften, en hemtentamen eller analys, med en andra, mindre sårbar uppgift som bedömer samma mål, schemalagd tillräckligt nära för korsverifiering, och bedömd i beroende av varandra. Deras kartläggning löper över Messicks sex strängar av validitetsbevis, och deras designprocess har tre steg: identifiera sårbarheterna, anpassa målen och välj tvillingen, utveckla sedan bedömning som kopplar samman de två. Hemanalysen behåller sitt värde för fördjupat undersökande. Tvillingen kan vara en kort variant av ett fall, en förklaring av ett centralt beslut, eller ett kort muntligt eller multimodalt försvar.

Följdfrågan är ägandeskap. Ebrahimzadeh, Shibani och Buckingham Shum argumenterar för att medförfattarskap med generativ AI undergräver flera former av validitetsbevis, och föreslår medförfattarskapsintegritet som en egen källa till validitetsbevis, kränkt när en student lämnar in AI-genererat innehåll som de inte förstår. För att kontrollera ägandeskap i skala rapporterar de arbete med en AI-viva: en konversationsagent som håller en hybrid viva voce, ställer förståelsefrågor av kontrollerbar typ och komplexitet, validerad på djupet av experter inom utbildning och bedömning. Väg det mot att övervaka allt. Ett muntligt försvar av sitt eget resonemang skalar där rumsövervakning inte gör det, och det producerar bevis om förståelse.

Bestäm vad den AI du tillhandahåller får göra

Det som spelar roll är skillnaden mellan inbäddad, begränsad AI och en fristående chattbot. De två ger olika resultat.

Open Universitys AIDA-assistent är det bäst dokumenterade inbäddade fallet: sex iterativa designbaserade studier under 18 månader med 498 studenter och 20 anställda, vid en institution som betjänar över 200 000 studerande i fler än 50 länder. I en explorativ randomiserad studie tillbringade studenter som använde AIDA dubbelt så lång tid och besökte fler sidor i sin kurs än kontrollgruppen, och 96 % ville ha assistenten tillgänglig i sina formella studier. Samma institutions erfarenhet av en extern, fristående chattbot gick åt andra hållet.

Lock, Arteaga och Johnsons (2025) översikt, 63 citeringar i 32 länder, tillför ett socialt villkor: studenter som använde ChatGPT vid sidan av lärarhandledning upplevde större lärandevinster än de som använde den ensamma. En assistent kompletterar läraren eller ersätter relationen, och bara en av dem är en kursdesign.

Två varningar förtjänar vikt. KhanMigos misslyckande var inte tekniskt. De studerande engagerade sig inte i chattboten och bevisen för vinster var begränsade, vilket pekar mot organisatorisk beredskap och pedagogisk passform. Lärarsidan är inte heller redo: i en jämförelse av sydafrikansk lärarutbildning var självrapporterad TPACK för AI-integrerad naturvetenskapsundervisning 64,0 % vid ett campusbaserat universitet mot 47,4 % vid ett distansuniversitet, med pedagogisk kunskap som svagaste domän i båda (Online Teaching and Learning). Att distribuera en assistent i en asynkron kurs utbildar inte de människor som måste bedöma dess utdata.

Betygsätt rörelsen i en diskussion

Diskussionsforum är där en asynkron kurs bygger gemenskap eller tyst blir en inlämningslåda. Två resultat bör forma vad du automatiserar där.

Tidpunkten är det svåra. Tsirmpas och kollegor byggde PEFK-korpuset för att jämföra faciliteringsdataset, och genomförde sedan den första kartläggningen av faciliteringens tidpunkt med erfarna mänskliga facilitatorer och LLM-domare. Människor var mer försiktiga med att ingripa. LLM:erna var överdrivet ivriga. Båda var säkrare när de bedömde att facilitering inte behövdes än när de bedömde att den behövdes. Tränade klassificerarmodeller överträffade LLM-uppläggen, och även då begränsade de befintliga dataseten prestandan. Praktisk läsning: håll autonom moderering borta från den kritiska vägen, och om du alls använder AI i en diskussion, konfigurera den att vara tyst som standard.

Sammanfattningar hjälper studenter att navigera i ett forum utan att få dem att delta. Med 128 universitetsstudenter över tre iterationer fann Hao och Cukurova (2026) att AI-genererade diskussionssammanfattningar breddade exponeringen för kamraters bidrag och stärkte nätverkets sammanhang, de svaga band som socialkapitalteorin kallar bryggande, genom att sänka ansträngningen att hitta meningsfulla inlägg. De hindrade inte visningsaktiviteten från att minska under kursens gång. Sammanfattning är en navigerande stöttning.

Den struktur som håller är en sekvens snarare än en tråd: position, utmaning, omprövning. Studenterna tar ställning för en tolkning grundad i kursmaterialet, möter sedan ett annat perspektiv, ett motexempel eller en kritik, och förklarar sedan om och hur deras resonemang rörde sig. Det du betygsätter är rörelsen mellan idéer. Ett inlägg plus två svar slutade visa den i samma ögonblick som en agent kunde gräva igenom en kamrats inlägg och imitera en klasskamrats livshistoria på beställning.

Eftersom det en agent imiterar är ytbeteende blir dina egna bidrag den knappa resursen. Att svara mekaniskt på dussintals enskilda inlägg är den svagaste formen av lärarpresens; att syntetisera över diskussionen är den starkaste: tre antaganden dyker ständigt upp i era analyser; flera av er läser det här underlaget olika; det här argumentet är övertygande tills vi inför det här motexemplet. Det är orkestrering snarare än meddelandeproduktion.

Ramen under båda är ansvarsskyldighet. Ba, Gašević, Lim och Anderson (2026) argumenterar för att generativ AI rubbar Community of Inquiry-antagandet att presensindikatorer alls kan tillskrivas människor. De behandlar generativ AI som ett epistemiskt villkor och presens som sociotekniska bedrifter vars förhållande till undersökandets kvalitet beror på var det mänskliga ansvaret sitter. Konkret: bestäm och ange vem som ansvarar för vad i varje utbyte i stället för att anta att presens uppstår för att ett forum finns.

Håll terminen i rörelse utan ett rum att gå in i

Format med egen takt förutsätter självreglering och lär sällan ut den. Evidensen om vilka beteenden som faktiskt korrelerar med att hålla sig till uppgiften är ovanligt praktisk.

I en enkät med 530 högskolestudenter, analyserad med associationsregler och klustring, fann Shi m.fl. (2026) att självreglerande lärandebeteenden, målsättning, strukturering av miljön och tidsstyrning, förekom mest konsekvent tillsammans med låg digital distraktion, tillsammans med engagemang mellan student och lärare samt mellan student och innehåll, och teknisk kompetens. Beroende av att söka hjälp hos kamrater och engagemang mellan studenter förekom mer sällan i profilen med låg distraktion. Strukturera miljön och schemat innan du designar ännu en gruppaktivitet.

Självreglering är inte heller ett fast drag. Under en hel termin med 75 förstårsstudenter fann Song m.fl. (2026) att den fungerade både som en stabil fallenhet och som ett fluktuerande tillstånd. Individuella baslinjer hölls stabila medan metakognitiv kunskap och välbefinnande sjönk systematiskt under terminen, drivet av kurskrav som stora bedömningsdeadlines. Att klumpa ihop deadlines kan vara ett effektivt administrativt val, och det är också en mätbar skatt på den reglering som ditt format är beroende av.

Fönstret för insatser går att veta. Zhang, Jeffries och Koprinska (2025) visade att tolkbar maskininlärning på loggar över innehållsinteraktion förutsäger framsteg på modulnivå och flaggar avhoppsutfall upp till 7-8 dagar före modulens deadline i storskaliga onlinekurser i programmering. Det är tillräcklig förvarning för att skicka en specifik knuff till en specifik student, vilket slår att upptäcka misslyckandet vid betygsättningen. För vuxna och distansstuderande tillägger AI-ALOE:s designriktlinjer den begränsning som spelar störst roll: mobil åtkomst, offlinekapacitet och genuin asynkron tillgänglighet, eftersom dessa studerande studerar i fragment av tid mellan andra förpliktelser.

Bestäm vad som ska automatiseras i produktionen

Två användningar har rimlig evidens bakom sig, och båda riktar sig mot lärarnas arbetsbelastning.

Produktionskostnad. MAIC ramar om MOOC:ens ”en video för N studenter” till ”N agenter för en student”, med specialiserade lärar-, assistent-, klasskamrat- och analytikeragenter på en gemensam modellgrund. Författarna rapporterar att kursproduktionen kollapsade från ungefär 25 000 dollar och 60 timmar per MOOC till under 2 dollar och 30 minuter, pilottestat vid Tsinghua i två kurser med över 100 000 lärandeposter från över 500 studenter, och släppt som öppen källkod, OpenMAIC. Personliga medier är samma idé på tillgångsnivå: i en stor onlinekurs fann Tomlinson m.fl. (2026) att studenter föredrog AI-genererade personliga videor framför icke-personliga inspelningar med människor, där personaliseringseffekten vägde tyngre än värdet av en mänsklig presentatör.

Forumnavigering. Sammanfattningsstöttningen ovan sänkte kostnaden för att hitta bra bidrag utan att öka lärarens läsbörda.

Tre uppgifter stannar hos dig: att avgöra om en text är studentens eget tänkande, att bedöma om en diskussion behöver ingripande, och att kalibrera svårighetsgraden. Genererat material behöver också pedagogisk granskning innan det bär poäng. Billig produktion är en separat fråga från sund design.

Namnge AI:ns roll och kontrollera att studenten fortfarande har en

”Studenter får använda AI” är en för bred specifikation att designa mot. Att namnge rollen är det som gör en aktivitet designbar, och roller får konsekvenser för presens: en studie av generativ AI i marknadsföringsutbildning skiljer mellan handledare, lagkamrat och verktyg, visar att var och en påverkar lärarpresens, social presens och kognitiv presens olika, och listar de välbekanta etiska exponeringarna kring dataintegritet, plagiering, beroende och rättvis bedömning (GenAI i marknadsföringsutbildning). Samma modell kan vara en sokratisk frågeställare före en uppgift, en kritiker efter ett första utkast, en simulerad intressent under en fallanalys, en motståndare vars argument måste vederläggas, en handledare som ger ledtrådar under övning, eller en redaktör som kopplas in när det substantiella resonemanget redan finns. Det är olika aktiviteter, och att slå ihop dem är hur ”AI är tillåtet” kommer att betyda ”ingenting designades”.

stöttning ger testet. Stöttning ska hjälpa studerande att göra det de ännu inte klarar ensamma, och ska trappas ned när kompetensen utvecklas. En modell som fortsätter leverera kompletta lösningar gör uppgiften. För varje AI-aktiverad aktivitet bör du kunna avsluta den här meningen utan att tveka:

AI:ns uppgift här är _____, medan studentens uppgift är ________.

Om den andra luckan innehåller lite tänkande behöver aktiviteten designas om.

Be dem bedöma ett svar de inte skrev

AI-kompetens omfattar kritisk värdering, metakognitivt omdöme och att veta när verktyget ska hoppas över. Självrapporterat självförtroende är en dålig proxy för demonstrerad kompetens.

En förändring som varje asynkron kurs kan införa omedelbart: ge ibland studenterna AI-utdata själv. Lämna över två konkurrerande svar och fråga vilket som är starkare och varför. Be om det svagaste påståendet, det saknade antagandet, den overifierbara källan, den trovärdiga förklaringen som ändå är fel. Fråga vilket underlag som skulle få dem att ändra sig.

Formulerat så är förmågan som betygsätts huruvida en student kan känna igen ett svar som förtjänar tillit, vilket ligger närmare vad disciplinen kräver och är mycket svårare att delegera. Verifieringspraxis är där tekniken bor. Det som spelar roll här är att lägga värderingen inuti den betygsatta uppgiften i stället för att lämna den som ett råd i ett kursmeddelande.

Vad instruktionsdesigners missförstår om asynkrona kurser

Inlämningen är problemet, så inlämningen är det som behöver åtgärdas. Den är också den enda kanal du har, vilket är varför enbart ett stramare format på artefakten ändrar lite. Lägg till en andra kanal: en processpost, en inspelad förklaring, ett oassisterat mått.

Flexibilitet betyder att studenten äger takten. Formatet förutsätter självreglering, och terminsstudien med 75 studenter visar metakognitiv kunskap och välbefinnande sjunka när deadlines klumpas ihop. Takten är ett designbeslut du fattar åt dem.

Ett forum är deltagande, så jag räknar inlägg. Agentdemonstrationen ovan producerade ett inlägg som grävde igenom kamrater och hittade på en livshistoria; en räkning kan inte skilja det från ett bra inlägg. Hao och Cukurovas sammanfattningar förbättrade navigeringen och lämnade visningsaktiviteten minskande ändå.

Att lägga till en assistent gör kursen AI-integrerad. AIDA var specialbyggd, inbäddad och itererad över sex studier; en extern chattbot vid samma institution gick åt andra hållet, och KhanMigos studerande engagerade sig helt enkelt inte.

Processbevis betyder att dokumentera allt. Att samla in varje prompt och varje tangenttryckning ger pappersarbete och lite annat. Den version som är värd att betygsätta efterfrågar några få beslutspunkter: vilket underlag som valdes, vilket alternativ som förkastades, vad som ändrades efter kritiken.

Vad som kommer att slå tillbaka mot dig

”Det här är vuxna som valt en asynkron kurs. Om de låter AI skriva den är det deras beslut.” Valargumentet skulle hålla om kursen inte intygade någonting. Det gör den. ALEKS-evidensen visar en genväg som producerar en skenbar kompetens som inte överlever en övervakad kontroll, och kostnaden landar senare, i nästa kurs, i legitimationsexamen eller i jobbet. Det finns en rättvisekant: de studerande som är mest benägna att avlasta är ofta de med minst tid, den grupp en asynkron kurs finns för att betjäna.

”Detektion är svaret.” Detektion är omstridd, och övervakningsresultatet visar varför design slår övervakning: skadan försvann när villkoren ändrades. Detektion bär också kostnader för falska positiva och förvandlar undervisning till en kapprustning. Designa om uppgiften och behåll ett oassisterat mått. Se att minska AI-fusk och omdesign av bedömningen.

”Lärarpresens är omöjlig på distans, så asynkront är inneboende sämre.” Presens i en asynkron kurs är designad. Omramningen av Community of Inquiry ovan säger att dess indikatorer är sociotekniska bedrifter i generativ AI-eran, och AIDA-studien fördubblade tiden på uppgiften i en kurs helt utan synkrona möten.

”Övervakning är övervakning av människor och jag tänker inte införa det.” En försvarbar hållning, och den lämnar alternativ öppna. Processynliggörande artefakter, asynkron muntlig bedömning och AI-vivan fångar resonemang utan att övervaka någons rum. Om du ändå använder ett övervakat villkor, sätt det i kursplanen, förklara resonemanget och begränsa det till de bedömningar som intygar kompetens.

”Gör då allt synkront och övervakat.” Många studenter väljer asynkrona studier på grund av arbete, omsorgsansvar, funktionsnedsättningar eller geografi. Detektion bär också sina egna rättvisekostnader: verktyg som flaggar icke-modersmålstalande skribenter producerar oproportionerligt många falska positiva som straffar ärligt arbete (AI Detection). Det proportionerliga alternativet är ett litet antal verifieringsögonblick inuti en i övrigt flexibel kurs: en kort inspelad förklaring, en personlig tillämpning, ett svar på en fråga som läraren valt, ett annoterat beslutsspår, en individuell kontroll med låg insats. Verifiering bör höja validiteten i ditt underlag och behålla den flexibilitet som gjorde formatet värt att erbjuda.

Vad evidensen inte avgör

Den systematiska översikten över AI i distansutbildning (56 artiklar, 2020-2025) täcker personalisering (24 studier), bedömning och återkoppling (19), människa-AI-interaktion (17) samt styrning och rättvisa, och drar slutsatsen att basen är kortsiktig och tvärsnittsbaserad, med lite longitudinellt arbete. Översikten över AI och studentengagemang i nätbaserat lärande (24 studier) är begränsad till en databas, behandlar bara engagemang och blandar samman synkrona med asynkrona sammanhang, så dess slutsatser är inte asynkronspecifika. Asynkron muntlig bedömning vilar på två studier i två kurser. MAIC är en pilot. Dataset för faciliteringens tidpunkt begränsar prestandan även med tränade klassificerare. Ingen studie här följer en asynkron kull tillräckligt länge för att visa om omdesignad bedömning ger varaktigt lärande eller bara bättre bevis på det. Allt är starkt nog att ändra din nästa kurs och för tunt för att motivera ett policymässigt påstående.

Vad du ska göra den här veckan

1. Välj din mest avgörande bedömning och lägg till ett villkor som studenten genomför oassisterat. Berätta för dem varför det finns.

2. Ta uppgiften som AI nu klarar från början till slut och skriv om den så att processen är artefakten: en beslutslogg, ett utkast i steg, en självförklaring, en jämförelse av två försök.

3. Gör om en stor bedömning till ett asynkront muntligt försvar med inbyggda rubricar, och sätt AI-tillståndet per uppgift i kursplanen där studenterna faktiskt läser det.

4. Sprid ut de stora deadlineerna och blockera ett fönster på 7-8 dagar före deadline för att kontakta studenter vars interaktionsdata har tystnat.

5. Kör tre frågor mot din svagaste uppgift. Skulle ett AI-system kunna genomföra den här aktiviteten utan att studenten förstår materialet? Vilken kognitiv aktivitet ska producera lärandet här? Vilket underlag kommer att visa att studenten faktiskt utförde den aktiviteten? Om det första svaret är ja och de andra två är svåra att svara på, sitter problemet i lärandedesignen, och ingen formulering av policyn kommer att lösa det.

Vart du går härnäst: reglerna på kursnivå hör hemma i AI-policy för kursen; ombyggnaden av bedömningen täcks i omdesign av bedömningen; beroendeproblemet under den i att minska överberoende; lärarnas arbetsbelastning och vad AI realistiskt tar bort i hur AI kan spara tid för läraren; och designperspektivet på att bädda in AI i en lärandeupplevelse i att designa AI in i lärandet.