Hur ska jag hantera AI i gruppuppgifter och samarbetsuppgifter?

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

Gruppens presentation kommer tillbaka polerad och sammanhängande, och inte en enda gruppmedlem kan förklara argumentet i den. Eller också blir betygen jämna, och du får veta efteråt att en student körde hela arbetet genom generativ AI medan tre andra glidade med på det gemensamma betyget. Ingenting i filen säger vilket av det som hände, och din bedömningsmatris har en rad om samarbete som alla uppfyllde.

Svaret du ger en kollega: bestäm AI:s plats per uppgift i stället för per kurs, gör gruppens förhandling om AI till något de lämnar in och du betygssätter, sekvensera arbetet så att det inte kan delas upp i parallella chattbotssessioner, och behåll minst en komponent som varje medlem besvarar ensam. Allt är uppgiftsdesign, och inget av det har prövats mot en kontrollgrupp utan AI, så du för ett designargument snarare än tillämpar en beprövad lösning.

Kortversionen

1. Skriv tillståndet på nivån för uppgiftens fas. Säg vilka steg som är AI-öppna, vilka som inte är det och varför.

2. Kräv en kort, gemensamt författad AI-användningsdeklaration som dokumenterar vad gruppen beslutade att inte göra, och betygssätt resonemanget.

3. Skydda de steg där gruppen bygger en gemensam förståelse: inramningen, oenigheten, försoningen.

4. Välj åtkomstkonfigurationen med avsikt. Ett delat gränssnitt ger förhandlad, synlig användning; privat promptning ger flöden du inte kan se.

5. Behåll en komponent som varje medlem besvarar ensam, och låt den handla om förståelse snarare än författarskap.

6. Läs en grupps återhållsamhet innan du rättar den. Att avstå från AI kan vara avsiktlig självreglering eller ren obekantskap.

Skriv tillståndet per fas, inte per kurs

Chen och Zou (2026) studerade grupper om tre till fem som höll en presentation värd 30 % av betyget, under en institutionell policy om att använda AI ”endast med uttryckligt erkännande”. GenAI var tillåtet för idégenerering, språkpolering, visuell layout och manus. Inom den enda tillåtande policyn nådde grupperna motsatta slutsatser med försvarbara resonemang på båda sidor, och uppgiftens design formade vilken slutsats en grupp nådde. Studien omfattar 52 lärarstudenter i en kurs, och författarna ber att deras mönster ska läsas som möjliga svar på design snarare än som en fördelning du bör förvänta dig. En regel på kursnivå avgör inte vad en grupp gör.

Så skriv tillståndet på nivån för artefakten. Namnge de faser som är AI-öppna och de faser som är menade att arbetas fram utan AI, och berätta för studenterna varför gränsen ligger där. Den scopingöversiktens designlogik pekar åt samma håll: om AI-förmedlad kommunikation komprimerar förhandling och kollektiv meningsskapande, är det segmenten där en grupp bygger gemensam förståelse som är värda att skydda (Wei och Perkins, 2026).

Var ärlig om grunden på personalmötet. Ingen av översikterna hävdar att det förbättrar läranderesultaten att hålla tillbaka AI. Det argumentet vilar på strukturen i avvägningen nedan, inte på en uppmätt jämförelse.

Låt gruppen lämna in sin AI-förhandling

Chen och Zous centrala designargument är att förhandlingen om acceptabel GenAI-användning själv bör bli ett explicit, bedömbart utfall. Team bör kollektivt motivera och dokumentera hur GenAI kommer att användas och inte användas, i stället för att lämna normen till grupptryck eller upplevd risk. Den artefakten finns bara om gruppen faktiskt pratade, vilket är det som gör den värd poäng: den förvandlar en regel som inte går att upprätthålla till studentomdöme som går att granska.

Två skäl förklarar varför grupper intensifierar användningen, och båda svarar rimligt på ett gemensamt betyg. Prestation: studenterna läste kriterierna och kamraters referenspunkter och använde AI för att skydda sin del av betyget. Upplevd trygghet genom normer: ett tillåtande kollektivt klimat sänkte den upplevda risken för missbruk, så grupperna använde verktyget mer öppet och, i det samarbetsorienterade fallet, mer beroende. Om du vill ha transparens är en uttalad klassrumsnorm mer effektiv än en varning.

Be om det negativa likväl som det positiva. En deklaration som dokumenterar vad gruppen beslutade att inte göra, och varför, säger dig mer än en lista med verktyg. Den ger också en grupp som är oenig någonstans att lägga oenigheten, vilket vanligen är den svåra delen redan gjord.

Anta inte att dokumentet speglar en gemensam förståelse. Korchak, Costley och Fanguy (2026) intervjuade 10 forskarstudenter i åldrarna 23 till 39 (medelvärde 27,7) i en kurs i vetenskapligt skrivande, där grupperna använde GenAI genom förplanerade strategier eller genom öppna, individuellt drivna interaktioner som samordnades i delade dokument. En särpräglad användning var GenAI som redaktionell integratör, som slog samman parallella avsnitt till sammanhängande text. Deras mest träffande observation: studenternas redogörelser motsade ibland deras egna skriftliga reflektioner, och en student förnekade att ha en gruppstrategi medan hon beskrev en i skrift. En strategi som inte är lika synlig för varje medlem är inte heller tillförlitligt synlig för dig.

Sekvensera arbetet så att det inte kan delas

Wei och Perkins (2026) genomförde en PRISMA-ledd scopingöversikt av 18 engelskspråkiga studier publicerade mellan januari 2023 och mars 2025, analyserade med reflexiv tematisk analys och kartlagda över åtta teman. Fördelarna de rapporterar är gruppens kunskapsutveckling, idégenerering, stöd för reflekterande tänkande, kommunikationseffektivitet, uppgiftssamordning och återkoppling. Riskerna är minskad kamratinteraktion och minskat engagemang vid överberoende, plus problem med integritet, transparens och träffsäkerhet. Deras bedömning är rak: fördelarna har empiriskt stöd, medan riskerna kring integritet, transparens, bias och träffsäkerhet till stor del diskuteras begreppsligt, och mycket av forskningen är kortvarig eller begreppslig med lite longitudinellt arbete om gruppdynamik eller kognitiv utveckling.

Avvägningen styr designen. Grupparbetet blev effektivare, med minskat krav på kommunikation, förhandling och kollektivt meningsskapande, ett fynd som översikten hämtar från Lin med flera. Effektivitetsvinst och interaktionsförlust kan vara samma mekanism, vilket innebär att du inte kan ta snabbheten utan förlusten om du inte bygger in förhandlingen igen som obligatoriskt arbete. Översikten drar slutsatsen att gruppbaserad bedömning bör flytta sitt fokus från produkt till process.

Chen och Zou visar hur svårt det är att åstadkomma av misstag. Tre mönster av agens löpte i olika riktningar samtidigt. Samarbetsorienterat agens (fem grupper) intensifierade användningen för att hålla arbetet samman, ofta genom att mata in kamraters bidrag i en chattbot för att avkoda dem och anpassa sin egen del; en grupp byggde om sitt arbetsflöde till diskussion, externalisering till GenAI, kollektiv granskning och ny diskussion. Normativt agens (sju grupper) höll avsiktligt tillbaka användningen, antingen genom att bedöma att uppgiften krävde situerad kunskap som AI inte kunde nå (”AI vet bara om det ögonblicket när du skriver”) eller genom att betrakta AI-genererade avsnitt som orättvisa mot de gruppkamrater som skulle bära dem. Icke-förverkligat agens (tre grupper) ändrade ingenting utan delade upp arbetet i separata deluppgifter på individuella plattformar medan enskilda studenter använde GenAI på sätt de aldrig bidrog med till teamet.

Deras bedömningsmatris krävde redan integration och sammanhang under ett mångkulturellt tema, varje medlems reflekterande insikt kopplad till deras egen klassrumsinsats, och visat gruppsamarbete. Tre grupper delade ändå upp och erövrade. Ett sammanhangskriterium producerar inte samarbete i sig, så ändra sekvensen i stället för formuleringen: lägg in minst ett steg där hela teamet måste vara i samma samtal, och gör resultatet av det steget till en leverabel.

Sätt ett gränssnitt i centrum, och välj det med avsikt

Xu med flera (2026) observerade 18 studenter i sex grupper om tre som arbetade i ett enda delat ChatGPT-4-gränssnitt i ungefär 45 minuter, och intervjuade nio ytterligare studenter om asynkront teamarbete. Med ett delat, synligt gränssnitt samkonstruerade teamen kollektiva promptar, körde en återkommande cykel av ytläggning, utvärdering och inbäddning, behandlade chatten som delat externt minne och förhandlade öppet om AI:s roll. I asynkront arbete gav privat promptning och avmärkning av utdata ogenomskinliga, privatiserade informationsflöden som höjde kostnaden för att upprätthålla en gemensam kognitiv modell. GenAI:s roll försköts också, från underordnad assistent till omstridd lagkamrat, och systemet är kognitivt involverat medan det förblir kontextuellt omedvetet om teamets skiftande fokus.

Den praktiska skillnaden är om prompten är en gruppartefakt. Ett delat dokument med promptarna och utdatan i ger dig något att läsa och gruppen något att argumentera mot. Privat promptning ger varje medlem en annan assistent och inget gemensamt protokoll.

Behåll en del som varje medlem svarar på ensam

Para ihop gruppbetyget med en individuell komponent: ett muntligt försvar av deras egen förståelse, eller en skriftlig förklaring av vilket avsnitt som helst de inte skrev. Det är också det ärliga svaret på gratispassagerarproblemet, eftersom det betygssätter förståelse snarare än författarskap, och förståelse är vad ett gruppbetyg alltid var en proxy för.

Martínez-Peláez med flera (2025) screenade 203 studier från 2023 och 2024 i Web of Science Core Collection och inkluderade 22 enligt ett PRISMA 2020-protokoll registrerat i PROSPERO. De beskriver LLM:er som katalysatorer för samarbete: idégenerering, organisering, kamratåterkoppling, simulerade rubrikbaserade utvärderingar och expertgranskningar, och lägre trösklar för deltagande. För problemlösning rapporterar de hjälp med alternativa lösningar, tvärvetenskapliga perspektiv och autentiska scenarier. De noterar också en användbar inversion: LLM:er producerar ofta ofullständiga eller felaktiga svar, vilket driver studenterna att ifrågasätta, verifiera och förbättra materialet. Det utbytet är vad du ska lyssna efter vid den individuella kontrollpunkten.

Deras begränsningar följer med referensen: en enda databas, endast tidskriftsartiklar, ingen uppmärksamhet på etik eller integritet, teknikens två första år och inget risk-för-bias-instrument tillämpat. Läs ”katalysatorer” som en beskrivning av observerad praktik, inte som ett uppmätt utfall.

Detektion är fel instrument för att sortera individuella bidrag: ingen av dessa sex studier testar detektorer i gruppsammanhang, och problemen med detektion på individnivå är dokumenterade på annat håll i den här kunskapsbasen. Återhållsamhet behöver tolkas innan den behöver rättas. Chen och Zou varnar för att en grupp som avstår från AI kan undvika något obekant snarare än utöva avsiktlig självreglering, och de två kallar på olika svar: det ena är ett undervisningsproblem, det andra är en övervägd hållning du kan betygssätta.

Simulerade lagkamrater avgör inte frågan heller. Fang (2026) finjusterade LLM-agenter på riktig deltagardialog (LoRA/QLoRA-adaptrar på LLaMA 3.2-3B) för att modellera 48 deltagare över 3 824 turer och sex tematiska koder, och jämförde sedan verklig och simulerad diskurs med Epistemic Network Analysis. Det simulerade nätverket nådde ett avstånd på 0,17 från det empiriska nätverket, under tröskeln 0,30, med ett permutations-p-värde på 0,65, statistiskt oskiljbart, även om det något överbetonade länkarna Technical Constraints och Design och underrepresenterade Data och Performance Parameters. Det är en ramverksartikel med medelhög tillförlitlighet, och den stöder ett påstående: deltagarspecifika agenter kan återskapa realistisk samarbetsdiskurs. Den visar inte att studenter lär sig mer av simulerade lagkamrater.

Vad lärare och administratörer missförstår om detta

En tydlig kursregel avgör vad grupperna gör. Chen och Zou såg grupper nå motsatta slutsatser inom en enda tillåtande policy. Uppgiften, bedömningsmatrisen och gruppens egen läsning av risken avgjorde saken.

Ett samarbetskriterium producerar samarbete. Deras matris angav integration, sammanhang och visat samarbete, och tre grupper delade ändå upp arbetet och satte ihop det igen. Kriterier beskriver produkten; sekvenseringen producerar interaktionen.

Grupparbetets verkliga problem är gratispassagerare, och AI gör det värre. Ingen studie här visar att AI har förvärrat gratispassagerarna, eller att någon intervention minskar dem. Rättviseklagomålet är äldre än verktyget: Chen och Zous återhållsamma studenter betraktade det som orättvist mot de gruppkamrater som skulle bära deras avsnitt att generera det genom AI, och prestationsrationalen visar studenter som skyddar sin del av ett gemensamt betyg. Individuellt ansvar och synlig process är försvarbara på designmässiga grunder, och de är inte bevisade lösningar.

Mer AI i grupparbete betyder bättre samarbete. Martínez-Peláez med flera beskriver genuina stöd, och Wei och Perkins fann att nyttosidan har empiriskt stöd medan risksidan till stor del förblir begreppslig. Den skarpaste varningen i översikten är den randomiserade evidensen som visar att AI producerade mer innovativa förslag utan att signifikant höja deltagarnas övergripande innovationsförmåga, samtidigt som den homogeniserade idéer och bjöd in kognitiv avlastning. Vinster uppmätta under AI-stött grupparbete har inte heller visats överföras till samarbete utan verktyget.

Ett delat dokument betyder en delad process. Korchak, Costley och Fanguy fann redogörelser som motsade de skriftliga reflektionerna, och strategier som inte varje medlem kunde se. Leta efter beslutsloggen, inte mappen.

Detektion kan säga dig vem som gjorde vad. Ingen av dessa studier testar det i ett gruppsammanhang, och en gruppartefakt är det sämsta fallet för det: flera skribenter, en fil och en revisionshistorik som ett delat konto plattar till.

Invändningarna du kommer att höra

”Grupparbete är redan orättvist, och AI gör det värre.” AI ändrar problemets form, och rättviseklagomålet fanns redan i gruppen innan någon öppnade en chattbot. Det nya är hur billigt en medlem kan producera ett trovärdigt avsnitt ensam. En individuell kontrollpunkt plus en synlig process har en designrationale bakom sig. Ingen av dem har visats minska gratispassagerarna.

”Jag har 300 studenter. Jag kan inte köra muntliga försvar.” Kör då inte 300 av dem. Lägg den individuella förklaringen skriftligt för alla, och ta stickprov på muntliga kontroller där det inlämnade arbetet inte stämmer med tidigare arbete. Poängen är att varje medlem vet att ett samtal är möjligt.

”Jag kan inte betygssätta process.” Du betygssätter redan en proxy för den och kallar resultatet produktkvalitet. Betygssätt den artefakt som bara finns om processen hände: den förhandlade AI-användningsdeklarationen, beslutsloggen, den korta individuella förklaringen. Alla tre är avgränsade och kontrollerbara, och matrisraderna är inte vagare än de du redan skriver för sammanhang.

”Studenterna kommer att prompta privat vad jag än anger.” Några kommer att göra det, vilket är varför det delade gränssnittet och den inlämnade deklarationen väger tyngre än regeln. Xu med flera fann att ett synligt delat gränssnitt förändrade vad teamen gjorde med verktyget, och Chen och Zou fann att ett tillåtande klimat höjde den öppna användningen. Det du inte kan göra är att sluta dig till det privata fallet från gruppfilen, så designa för det synliga.

”Är inte det här en policyfråga för institutionen?” Institutionen kan sätta defaulten. Den kan inte sekvensera din uppgift. Chen och Zous fynd är att samma institutionella policy gav olika gruppbeteende beroende på uppgiften, vilket lägger beslutet i dina händer vare sig du ville det eller inte.

Vad du ska göra den här veckan

1. Lägg till en halvsida, gemensamt författad AI-användningsdeklaration i nästa gruppbrief, och ge resonemanget poäng. Ta med en rad för vad gruppen beslutade att inte använda AI till.

2. Hitta det steg i uppgiften som kan skäras i oberoende delar och sättas ihop igen. Sekvensera om så att ett steg kräver hela teamet på en gång, och låt det steget producera något du samlar in.

3. Lägg till en individuell kontrollpunkt i matrisen: en kort skriftlig förklaring av ett avsnitt studenten inte skrev, eller ett tvåminuters muntligt försvar.

4. Namnge de AI-fria segmenten i briefen och säg varför de är AI-fria, i en mening var.

5. Bestäm var promptarna ska ligga. Om svaret är ”där varje student har dem” har du valt privat promptning utan att säga det.

Vart du går härnäst

Group Work och Collaborative Learning innehåller den underliggande evidensen om gruppbedömning och om vad som gör samarbete produktivt. Hur skriver jag en AI-policy för kursen och kommunicerar den till studenterna? täcker formuleringarna på kursnivå som studenterna faktiskt läser, Hur gör jag om bedömningen så att ett betyg fortfarande säger något försvarbart om vad studenten kan eller vet? täcker den ombearbetning av bedömningen som detta ligger inom, och Akademisk integritet är där fusk-sidan hanteras.