Vilka är bästa praxis för skrivundervisning i en AI-kontext?

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

Du håller på att skriva om ett uppgiftsblad och meningen framför dig säger att AI är tillåtet med redovisning, vilket inte säger en student något om huruvida verktyget får leverera själva argumentet. En kollega har föreslagit ett förbud för hela kursen och du misstänker att det slår hårdast mot de flerspråkiga skribenterna i rummet. Eller så kom en hög uppsatser tillbaka smidigare än seminariediskussionen bakom dem, och du behöver en regel du kan försvara på nästa kursplansmöte.

Summan av kardemumman: namnge det intellektuella arbete som uppgiften finns till för att producera, behåll det steget hos studenten, och ge verktyget uppgifter som returnerar något som studenten måste bedöma. En regel som är skriven så talar om för studenten vilket steg den skyddar.

Kortversionen

1. Skriv en mening som namnger det tänkande uppgiften betygsätter, och sätt den där studenterna läser den.

2. Låt studenten låsa fast ett påstående, en tolkning eller ett grovutkast innan verktyget ser uppgiften.

3. Sätt gränsen steg för steg. Tillåt AI där steget inte är det du betygsätter, begränsa det där det är det.

4. Ge AI kritikerns stol, och betygsätt sedan vad studenten gör med svaret.

5. Behåll en text som verktyget aldrig rör och läs det assisterade arbetet mot den.

6. Säg i förväg vad redovisningen gör med betyget.

Namnge det tänkande uppgiften finns till för

AI-gränsen är den andra frågan, och de flesta uppgiftsblad besvarar den först. Innan du avgör vad som är tillåtet, avsluta den här meningen: den här uppgiften finns till för att visa att studenten kan göra X. Om X är argumentation måste studenten formulera och försvara påståendet. Om X är disciplinär tolkning måste studenten göra den tolkande bedömningen. Om X är vetenskapligt resonemang måste studenten koppla evidens till en slutsats. AI som utför det arbetet bryter det inferensled du vill dra från uppsatsen, och utmärkt prosa reparerar det inte. Bedömningsvaliditet behandlar detta som ett validitetsproblem snarare än ett uppförandeproblem, vilket är varför både skrivundervisning och akademisk integritet landar i att argumentera för regler på uppgiftsnivå i stället för förbud på kursnivå.

Nash och Burriss visar hur lätt meningen går fel. De läste klassrumspolicyer från 27 blivande engelsklärare i lärarutbildning: 22 av dessa klassrums-AI-policyer tillät AI för idéarbete och brainstorming, 22 förbjöd eller lämnade oklart användningen av AI för att formulera meningar, stycken eller uppsatser, och 22 sade ingenting alls om läsning. Samma lärare beskrev idéarbete och revidering som ”tänkande” medan de placerade det egentliga tänkandet i den färdiga skrivna texten. Om tänkande löper genom planering, utkastskrivning, revidering och värdering, skyddar en policy som bara värnar den sista produkten fel steg, och läsning behöver en lika explicit regel som skrivning.

Skriv regeln som en mening om ett steg, alltså: ”Du får använda AI för att pröva invändningar mot ett påstående du redan har gjort. Du får inte använda det för att generera påståendet eller evidensen för det.” Det kan en student agera på. ”AI tillåtet med redovisning” ger dem ingenting att agera på.

Låt studenten låsa fast något innan verktyget svarar

Ordningen mellan operationerna är det mest användbara designvalet i den här litteraturen. Chens lagerkänsliga studie av 168 studenter i sex intakta klasser skilde fyra slag av delegering: avlastning av yta, struktur, idé och resonemang. Öppen AI-samverkan gav den starkaste AI-stödda skrivningen och den svagaste senare självständiga prestationen. Att delegera resonemanget var det lager som hade starkast negativ koppling till självständigt högre ordningens tänkande. En avgränsad betingelse, som begränsade vad studenterna fick delegera och krävde att de förklarade hur de hade accepterat, ändrat eller förkastat varje AI-förslag, klarade sig bättre på självständig skrivning, argumentdjup och revidering.

Behandla kausalpåståendet försiktigt. Det är kvasi-experimentellt, med sex intakta klasser och ingen slumpmässig fördelning av studenter, så klassrumskillnader förblir sammanblandade med behandlingen. Riktningen stämmer med den bredare litteraturen om kognitiv avlastning, vilket är varför den är värd att agera på, och effektens storlek är inget att citera i en nämnd.

På uppgiftsbladet kostar det en rad: studenten kommer med en tolkning, en hypotes, ett argument eller en analys, och AI får i uppgift att angripa den. ”Här är tre invändningar mot mitt argument” behåller tänkandet hos skribenten. ”Skriv mitt argument” gör det inte, oavsett vad studenten gör med outputen efteråt.

Behandla första utkastet som det dyra steget

Assistans i olika skeden gör olika skada. I en studie av 253 skribenter minskade all AI-assistans den upplevda äganderätten till arbetet, assistans vid utkastskrivning minskade den mest, och assistans vid planering minskade den minst. Mer text och fler idéer som AI bidragit med gick hand i hand med bättre uppsatskvalitet och lägre äganderätt i samma inlämning (studien om äganderätt från planering till revidering). Den kombinationen är den man ska planera kring: en starkare uppsats och en svagare känsla av författarskap anländer tillsammans, och det andra är det som handlingsutrymmet i skrivandet vilar på.

Om författarskap spelar roll i din kurs, dela upp tillstånden. AI som puffar på planeringen, frågar vilken evidens studenten redan har, eller namnger en motinvändning som studenten har missat, är försvarbart nästan var som helst. AI som genererar stycken är svårt att försvara där själva formulerandet är målkompetensen. Där formulering inte är målet ändras kalkylen.

Sätt regeln vid varje steg

En sekvens värd att låna behåller AI i en rådgivande roll och placerar resonemanget hos studenten:

Steg	Studenten gör	AI får	Artefakt du kan samla in
1. Möta evidens	Läsa, observera, annotera, räkna, köra experimentet	Ingenting, eller bara förtydliganden	Anteckningar, annoteringar, observationer
2. Bilda en ståndpunkt	Generera tolkning, fråga, hypotes, påstående	Ställa frågor, utmana antaganden	PM med påstående eller hypotes
3. Planera	Bestämma evidens, ordning, målgrupp, genre	Kritisera en disposition, föreslå alternativ	Disposition med motivering
4. Skriva utkast	Producera substantiell prosa och resonemang	Begränsat enligt lärandemålet	Utkast och versionshistorik
5. Mänskligt svar	Ge och ta emot återkoppling från kamrater eller lärare	Inget nödvändigt	Kamratkommentarer
6. AI-återkoppling	Be om kriterierelaterad kritik	Kritiker, läsare, motargumentgenerator, klarhetskontroll	Transkript av AI-återkoppling
7. Värdera återkopplingen	Jämföra förslag från kamrater, lärare och AI, acceptera eller förkasta med skäl	Dess output är nu föremålet för värdering	PM med återkopplingsbeslut
8. Revidera	Göra och motivera substantiella ändringar	Pröva klarhet, erbjuda alternativ	Revidering
9. Verifiera	Kontrollera varje faktapåstående eller källberoende påstående	Kan inte verifiera sin egen output	Källor och evidens
10. Reflektera och redovisa	Förklara AI:s roll och vad som ändrades i deras tänkande	Ingenting	Kort processreflektion
11. Självständig kontroll	Förklara eller tillämpa resonemanget utan AI	Ingenting	Muntligt försvar, snabbskrivning, nytt fall

Detta är PAIRR utvidgat: utkast, mänsklig återkoppling, AI-återkoppling, jämförelse, revidering, reflektion, med en självständig baslinje och en snävare gräns kring resonemanget. Använd mittkolumnen som uppgiften och högerkolumnen som det ett betyg kan vila på.

Elva rader är mer än de flesta uppgifter behöver. Dra ihop tabellen till de steg du faktiskt kan skilja åt i klassrummet: att möta evidensen, att bilda en ståndpunkt, att skriva utkast och att revidera. I den kortare versionen är mötet och ståndpunkten där konstruktet bor, utkastskrivningen är det omstridda steget, och formatering eller referenskontroll kan tillåtas rakt av. Att skriva tabellen är hur du hittar de två eller tre ställen där din regel måste säga något, så en regel med tre satser som en student kan följa slår en matris som ingen läser.

Håll mänsklig återkoppling i loopen

Den största klassrumsstudien här är PAIRR: 654 studenter i tio skrivkurser och tre skrivintensiva STEM-kurser. De skrev utkast, genomförde kamratbedömning, hämtade rubricbaserad AI-återkoppling, jämförde och värderade båda källorna, skrev revideringsplaner, reviderade och reflekterade. Femtioåtta procent föredrog kombinerad kamrat- och AI-återkoppling. Sex procent föredrog enbart AI-återkoppling. Studenter fann AI användbart för breda, rubricorienterade revideringsråd, och kamrater bidrog med kontextuell kunskap och ett autentiskt målgruppssvar.

Var exakt om påståendet. PAIRR mätte studenters upplevelse och värdering av återkoppling, inte långsiktiga lärandevinster, så det är stark evidens för en återkopplingsdesign och svagare evidens för att skrivandet förbättras månader senare. Behåll kamratsteget även när AI-steget är snabbare. Mycket av arbetet med återkoppling sker i jämförelsen mellan de två källorna, och att släppa den tar bort den del som studenterna sade sig värdesätta.

Betygsätt vad studenten gjorde med återkopplingen

Återkopplingskompetens är förmågan att söka återkoppling, bedöma dess kvalitet, hantera sin reaktion på den och omsätta den i revidering. Studenter med mer av den drar långt mer nytta av AI-återkoppling. Studenter som behandlar outputen som auktoritativ vinner mindre (Kvalitet i AI-återkoppling).

En kort beslutstabell synliggör den förmågan, en rad per förslag: AI-förslaget, acceptera, förkasta eller ändra, varför, och det rubrikkriterium eller den evidens som ligger bakom beslutet. Fyra kolumner, ingen uppsats krävs. Den gör modellens output till material för värderande omdöme, och den ger dig något betygsättbart som inte är prosan.

Beskriv en stark rad lika noggrant som du beskriver en tesformulering: den namnger rubrikkriteriet, pekar på en passage eller en evidens, och förklarar en ändring som studenten faktiskt gjorde. En rad som säger ”bra poäng, håller med” ger ingenting. Studenter skriver mot exemplet framför sig, så exemplet är instruktionen.

Gör redovisningen billig och specifik

Studenter döljer AI-användning när policyn är tvetydig, straffande eller stigmatiserande, och ärlighet kan väcka misstanke (Redogörelser för AI-användning; forskning om studenters rationalisering). Det som gör redovisningen pedagogiskt användbar är att den registrerar beslut: vad verktyget användes till, vad studenten gav det, vilka förslag som spelade roll, vad studenten accepterade eller förkastade.

Mohamed och Temimi levererar mekanismen. Redovisning blir det attraktiva alternativet först när kostnaden för ärlighet hålls låg. Detektorer ger falska positiva träffar även mot ärliga studenter, så hårdare övervakning kan göra det relativt sett mer attraktivt att dölja. Deras råd är att designa för den student som är mest frestad att dölja, och att läsa en deklarerad användning som kontext snarare än som en bekännelse.

Två detaljer gör det mesta av arbetet på blanketten. Fråga efter specifika användningar i stället för en kategori, och ange hur en deklaration påverkar betyget. En student som inte vet kommer att anta det värsta.

Fyra frågor räcker för de flesta uppgifter: vid vilket steg i arbetet verktyget användes, vad studenten gav det, vilka förslag som ändrade utkastet, och vilka som förkastades och varför. Den sista frågan är den mest informativa, eftersom ett förkastande med skäl är evidens för omdöme och en lista över accepterade förslag inte är det.

Anpassa regeln till det ditt ämne kallar skrivande

Kompositions- och skrivkurser

Lärare i komposition har det starkaste skälet att skydda processen, eftersom utkastskrivning, retoriska beslut, revidering, målgruppsmedvetenhet och röst är lärandemålen snarare än uppvisandet av dem. Samla flera självständiga prover tidigt på terminen, så att både du och studenten vet vad skribenten kan nu. Introducera AI som målgrupp, kritiker och revideringspartner: fråga var en läsare tappar tråden, generera invändningar mot en tes, jämför ett utkast mot rubriken, flagga påståenden utan stöd, förklara varför ett stycke känns osammanhängande. Studenten bedömer varje förslag.

Behåll kamratgranskningen vid sidan av AI-återkopplingen, eftersom kamrater bidrar med kontextuell kunskap och målgruppskunskap som modellen saknar, och att värdera skillnaden mellan de två är skrivarträning i sig. Var försiktig med att låta AI generera långa sjok av ett första utkast när själva lärandet att formulera är målet, av skälen om äganderätt och avlastning ovan. Undvik generella förbud mot grammatik-, formulering- eller språkhjälp, som skapar onödiga hinder för flerspråkiga skribenter. Skilj i stället språkstöd från intellektuellt författarskap: hjälp med uttrycket är okej, och studenten förblir ansvarig för idéer, evidens, retoriska beslut och mening. Granska återkopplingen i sig, eftersom Tan m.fl. fann att identisk text fick mer beröm och mindre substantiell kritik när studentens demografiska eller utbildningsmässiga attribut ingick i prompten, vilket placerar motverkande av bias inne i återkopplingsdesignen.

Humanistiska och samhällsvetenskapliga kurser

Tolkning är oftast målkompetensen, så låt mötet med källan komma före mötet med AI. Studenter annoterar primärtexten, den historiska källan, konstverket, arkivmaterialet, intervjun eller den teoretiska passagen och bildar en första läsning innan de rådfrågar något. Därefter arbetar modellen som motbild: erbjud en alternativ läsning, säg vilken evidens som skulle utmana den här tolkningen, namnge de antaganden argumentet gör, generera en läsning från ett kontrasterande teoretiskt perspektiv. Studenten avgör vilken läsning texten faktiskt stöder.

Ge kritiken av modellen som disciplinärt arbete. Ge studenterna en AI-tolkning av en dikt, en händelse, ett argument eller ett socialt fenomen och fråga vad den lägger märke till, vad den missar, vilken evidens som stöder dess påståenden, vems perspektiv som saknas, och var den kollapsar tvetydighet till ett smidigt svar. Det behåller den tolkande bedömningen som en humanistisk kurs finns till för att lära ut. Bedöm de tolkande besluten och deras evidensmässiga motivering, och använd en kort samtalsfråga som ”Varför läste du den här passagen så här i stället för det alternativ du förkastade?”. Att gissa om en mening ser maskinskriven ut är ett svagare mått, vilket AI-detektion förklarar.

STEM-kurser och laborationsrapporter

En kvalificering först: den här kunskapsbasen har mycket starkare evidens om AI-stött akademiskt skrivande i allmänhet än om skrivande av laborationsrapporter i synnerhet. Praktisk och laborativ pedagogik är fortfarande underrepresenterad, även i litteraturen om teknikutbildning, så det som följer tillämpar fynd om skrivande, avlastning, validitet och teknik på en miljö som studierna inte testade.

Dra gränsen kring det vetenskapliga resonemanget snarare än kring prosan som helhet. Studenter förblir ansvariga för observationer, rådata, beräkningar, osäkerhet, figurer, analysval, resultat och påståenden som kopplar evidens till slutsats. När de finns kan AI rimligen hjälpa till med organisering, läsbarhet, övergångar och disciplinära konventioner, vilket är samma uppdelning mellan yta och resonemang som i Chens studie.

Ett rapportpaket för en laborationskurs i AI-eran innehåller rapporten plus utvalda rådata, beräkningar eller notebook-output, en figur med en studentskriven tolkning, och ett kort uttalande om hur den centrala slutsatsen följer av evidensen. För rapporter med stor betydelse för betyget, ställ en eller två individualiserade följdfrågor om en graf, ett avvikande resultat, ett metodval eller en begränsning. Låt inte skrivflyt stå i stället för begreppslig förståelse: automatiserad bedömning i fysik kan underskatta begreppslig förståelse när det språkliga uttrycket är svagare, och det drabbar flerspråkiga studenter hårdast (Automatiserad uppsatsbedömning). Om resonemang och skrivande båda är mål, betygsätt dem var för sig.

Teknikutbildning

Professionellt ansvar ändrar formuleringen. En genomgång av 99 empiriska studier om teknikutbildning identifierade transparens, mänsklig tillsyn, studenters självständighet, integritet, författarskap, rättvisa och välgörande som återkommande etiska frågor, och argumenterade för att AI-etik hör hemma i den professionella formningen snarare än enbart i regelefterlevnad. I en laborations- eller konstruktionsrapport, be studenterna redovisa assistans och intyga att de har verifierat beräkningarna, källorna, antagandena och de säkerhetsrelevanta påståendena.

Behåll ett prov som verktyget aldrig rör

Assisterad prestation är inte självständig förmåga, och du behöver minst en läsning av den andra. Enstaka tillfällen utan AI räcker: kort skrivande utan AI, tolkning i klassrummet, en muntlig förklaring, ett samtal, spontan revidering, eller ett uppföljningsproblem som överför samma resonemang till ett nytt fall. Det spelar störst roll när den avslutande uppsatsen väger tungt i betyget. Det betyder inte övervakning av varje uppgift. Några placerade prover ger dig och studenten en baslinje för att tolka det assisterade arbetet, vilket är det skrivspecifika fallet av argumentet i Att designa om bedömning i AI-eran.

Läs de två texterna sida vid sida och fråga om resonemanget i den assisterade också syns i den oassisterade. Där det gör det gör uppsatsen sitt jobb som evidens. Där det inte gör det mäter det assisterade betyget vad verktyget bidrog med. Den jämförelsen är också vad du måste visa en student som bestrider ett betyg, eftersom den pekar på ett specifikt stycke tänkande snarare än på ett intryck av prosan.

Bestäm vad AI får betygsätta

Två resultat som ser motsägelsefulla ut är förenliga. Omsorgsfullt kalibrerade system med detaljerade rubriker och exempel kan bedöma vissa uppgifter väl, och LLM-bedömning direkt ur lådan avviker kraftigt från mänskligt omdöme. Mathew m.fl. fann svag överensstämmelse mellan människa och LLM som varierar systematiskt med uppsatsens kvalitet: modellerna överbelönar korta, ytligt läsbara uppsatser, underbelönar längre och starkare uppsatser med mindre ytliga fel, och klumpar sig mot mitten av skalan. Det mönstret stöder AI för formativa lågriskändamål, utkast till kommentarer och triage långt mer än för autonom summativ bedömning (Automatiserad uppsatsbedömning).

Studenter drar själva en liknande gräns. I en grundkurs i teknisk kommunikation där ChatGPT betygsatte handskriven text och studenterna fick veta det, fann alla 13 deltagare återkopplingen tydlig och användbar för revidering på ytnivå. De flesta skilde återkopplingens användbarhet från den värderande auktoriteten: de accepterade kritiken och insisterade på att läraren avgör betyget (Who Should Grade My Work? Student Perspectives on Transparent AI-Assisted Writing Assessment in Higher Education). Designa mänsklig tillsyn som den punkt där AI-output blir ett betyg, snarare än som en artighet som erbjuds när det passar.

Bedöm evidensen innan du skriver om kursplanen

Argumentet för dessa designer är lovande och ännu inte starkt nog för att motivera en enda universell policy för AI-skrivande. En del av den bästa evidensen kommer från omfattande klassrumsstudier som PAIRR med sina 654 studenter. Mycket av resten vilar på kvasi-experiment, små experimentella urval, begreppsliga analyser och arbete från 2025-2026 som fortfarande är nytt: Chens avgränsade skrivstudie hade 168 studenter men bara sex intakta klasser, studien om äganderätt använde en kort experimentell skrivuppgift, och en studie som rapporterade omedelbara kvalitetsvinster efter ChatGPT-övning omfattade bara 21 förstaårsstudenter på internationella program och fastställde inte långsiktig överföring (Leveraging ChatGPT in academic writing: ChatGPT enhances students' writing quality, writing experience, and ownership). Det kunskapsbasen om AI i utbildning stöder är en uppsättning designprinciper, och det mest tillförlitliga fyndet tvärs över studierna är att bevara studentens handlingsutrymme, värderande omdöme, självständiga kompetens, disciplinära resonemang och mänskliga återkoppling medan AI används för att vidga tillgången till kritik, övning, revideringsstöd och språklig hjälp.

Den blandningen har en praktisk konsekvens. Ändra en uppgift, behåll artefakten, och jämför nästa kull med den här på samma mått. En regel du kan revidera efter en termin är värd mer än en policy du inte kan pröva, och de små studierna ovan kommer inte att tala om för dig vad som händer i din kurs.

Vad lärare missförstår om detta

En detektor avgör om skrivandet är studentens. Det gör den inte. I en hemlig fältstudie gick 94 % av AI-genererade tentamenssvar oupptäckta och fick högre poäng än riktiga studenter, och en kontrollerad studie fann att detektorer flaggade tillåten lätt AI-redigering i 38 till 80 % av fallen samtidigt som de missade mer än 96 % av humaniserade omskrivningar (Detecting the Undetectable? Reassessing Academic Misconduct Procedures in the Era of Generative AI; Why AI Detection Fails for Academic Integrity). Detektion besvarar en detektionsfråga, och validitet är en annan fråga.

En policy på kursnivå är tydligare än en regel per uppgift. Nash och Burriss policyer var dokument på kursnivå, och 22 av 27 tillät brainstorming, 22 begränsade eller grumlade formulering, och 22 var tysta om läsning. Ett dokument som täcker allt tenderar att vara specifikt om det steg läraren oroar sig för och vagt om resten.

Bättre prosa betyder att skrivundervisningen fungerade. Studien om äganderätt fann bättre uppsatskvalitet och lägre äganderätt i samma inlämning, och Chens öppna samverkansbetingelse gav den starkaste assisterade skrivningen med den svagaste senare självständiga prestationen. Prosakvalitet är ett produktmått. Det kursen finns till för är ett kompetensmått.

Obegränsad tillgång plus en bra prompt räcker. Studenter som behandlar AI-återkoppling som auktoritativ vinner mindre på den än studenter med utvecklad återkopplingskompetens. Tillgång till kritik och förmågan att använda kritik är två skilda tillgångar.

Ett förbud mot AI skyddar skrivprocessen. Ett förbud besvarar en fråga som skiljer sig åt mellan steg, och det skapar hinder för flerspråkiga skribenter som behöver språkstöd som inte har något med författarskap att göra. En genomförbar uppdelning löper mellan uttryck och intellektuellt ansvar.

Vad som kommer att slå tillbaka mot dig

”Jag har inte tid att läsa ännu en artefakt.” Gör då artefakten liten: fyra kolumner beslutstabell, eller fem minuters skrivande i klassrummet som det självständiga provet. Materialet rapporterar inga data om rättningstid för dessa designer, så arbetsbelastningsargumentet måste prövas på en uppgift i stället för antas från den här sidan.

”Mina studenter kommer att använda AI vad regeln än säger.” Det kommer de, och designfrågan är vilket svar din uppgift gör lättast. En deklaration som inte kostar något och en rubrik som betalar för processen gör redovisningen till den billigare vägen. Den mekanismen kommer från modellering snarare än från ett försök med en redovisningspolicy, så behandla förutsägelsen som rimlig och obekräftad.

”Ett förbud är enklare, och det skyddar processen.” Enklare, ja. Policyerna ovan visar hur en enda regel på kursnivå glider in i tystnad om de steg som spelar roll, och generella språkbegränsningar drabbar de studenter som behöver dem mest.

”Kamratgranskning är överflödig nu när AI svarar på sekunder.” Femtioåtta procent av PAIRR-studenterna föredrog kombinationen och 6 % föredrog enbart AI, och skälet de angav var den kontextuella kunskap och målgruppskunskap som kamrater bidrog med. Det mäter upplevelse, så det bär mindre långt än ett resultat om lärandevinster skulle göra.

”Modellen betygsätter den här uppgiften lika bra som jag.” Kalibrerade system med detaljerade rubriker och genomarbetade exempel kan bedöma vissa uppgifter väl. Generisk bedömning gör det inte, och Mathew m.fl. visar att oenigheten följer uppsatsens kvalitet i stället för att spridas slumpmässigt, vilket är den svårare sortens fel att lägga märke till. Pröva verktyget på din egen rättade samling innan det rör ett betyg.

”Det här missgynnar studenter vars akademiska engelska är svagare.” Det kan det, om regeln behandlar uttryck och författarskap som en enda sak. Skilj dem åt, och granska AI-återkopplingen för det mönster Tan m.fl. fann, där identisk text fick mer beröm och mindre substantiell kritik när demografiska eller utbildningsmässiga attribut fanns i prompten. Materialet dokumenterar den biasen. Det rapporterar ingen prövad åtgärd, så din egen jämförelse är kontrollen.

Vad du ska göra den här veckan

1. Skriv kompetensmeningen för din nästa större uppgift och sätt den på uppgiftsbladet.

2. Lägg till en rad som kräver studentens påstående, tolkning eller grovutkast före all AI-användning, och säg vad du kommer att samla in.

3. Markera varje steg i uppgiften som konstruktbärande eller inte, och skriv om AI-regeln så att den tillåter verktyget där steget inte betygsätts.

4. Lägg en beslutstabell för återkoppling med fyra kolumner i rubriken, med poäng kopplade till den.

5. Schemalägg en kort text som inget verktyg rör, och bestäm nu vilken uppgift den hör till.

Vart du går härnäst

Bedömningssidan av det här argumentet, inklusive designen av autentiserade steg, finns i Att designa om bedömning i AI-eran. För det policydokument som studenterna faktiskt läser, se Kursens AI-policy, och för själva återkopplingsverktygen, Kvalitet i AI-återkoppling. Att verifiera AI-output handlar om vad studenter bör kontrollera när modellen levererar ett påstående eller en källa, och konceptsidan Handledare, inte krycka anger den gräns som den här sidan återvänder till.