På den här sidan

Veckovis forskningsuppdatering om AI i utbildning #231 oktober 2026

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

Ett veckobrev från kunskapsbasen om AI i utbildning om vad forskningen som publicerades den senaste veckan betyder för lärare, utvecklare, forskare och administratörer.

Sedan förra numret har 121 nya studier, fyra nya resurser, fem nya FAQ och två nya begreppssidor, om öppen utbildning och statistik- och datavetenskapsutbildning, anslutit till kunskapsbasen, som nu rymmer 1 926 artikelsammanfattningar, 222 begreppssidor, 42 FAQ och 37 resurser. Journalsidan listar varje studie som lagts till den senaste veckan. Ni kan också söka i kunskapsbasen eller använda AI för att chatta med den.

Veckans viktigaste resultat och frågor

De flesta av veckans resultat handlar om arbetet som sker runt ett svar, och om vad ni ska ändra när svaret kommer för snabbt eller för självsäkert. Två experiment isolerade samma mekanism i olika rum.

En förregistrerad studie med 317 vuxna gav samma djupbearbetningsuppgift som ett arbetsblad eller som ett öppet chattfönster, och chattfönstret höjde oordningen i uppgiften med 0,84 standardavvikelser utan att något i modellen förklarade det, så åtgärden är struktur kring sekvensering och stopp snarare än mer innehållsstöd. En forumstudie fann att en AI-lärarassistent svarade först i 97 % av studentstartade trådar, på median 0,92 minuter mot 490 för klasskamraterna, medan det självreglerande språket i tråden föll från 49 % till 36 %, vilket pekar på att fördröja det första svaret snarare än att ta bort assistenten.

Förbättrar en lektionsassistent som sparar timmar också lektionen? Tvåhundrafyra lärare i en randomiserad studie: den sparade tiden är verklig, de bättre materialen är det inte.
Om en publicerad effekt är 0,86, bör ni planera för den i er egen kurs? En metaanalys av 58 studier som tappar två tredjedelar av sin storlek när biaskorrigering tillämpas.
Är det värt besväret att lägga till AI i en uppgift ni redan kör? Två sektioner av samma kurs, 113 studenter, ingen skillnad i vad de rapporterade att de lärde sig.
Hur väljer ni vilken assistent era studenter använder? Fråga vad den gör när en student insisterar på att den har fel: tretton modeller bekräftade korrekt arbete i allt från 46,5 % till 98,5 % av fallen.
Är det säkert att säga till studenter att chatboten bryr sig om hur de mår? Tre experiment och en enkät: att rama in AI som empatisk flyttade ansvaret bort från människor.
Vad skickar chatboten i er kurs till en tredje part? Nätverksinspelning på 42 plattformar, 17 av dem utbildningsagenter: hälften skickade samtalstitlar till en spårare.
När assistenten svarar först, vem tänker fortfarande? 28 123 kodade foruminlägg: kamratsvaren bar det mesta av självregleringen, och de slutade komma.

Nya FAQ

Fem nya svar lades upp den här veckan, var och en skrivet för en fråga en kollega faktiskt ställer snarare än för ett ämne. FAQ-indexet grupperades också om i nio avsnitt efter uppgiften ni försöker slutföra, så frågan ni kommer med går att hitta utan att veta vad fältet kallar den.

Kan jag använda AI för att betygsätta studentarbeten rättvist och tillförlitligt?

Bedömningssvaret ger AI en plats som en övervakad andra läsare av arbete ni redan har betygsatt, och inte som den formella betygsättaren. Samstämmighet bär inte över mellan bedömningstyper, och den kontroll som såg starkast ut kördes med facit i hand, vilket inte är det test ni kör när ni betygsätter blint.

Hur kontrollerar jag om AI-genererade quiz- och tentamensfrågor är bra?

Svaret om frågekvalitet börjar med att lösa varje uppgift själv och sedan fråga vad den kräver av en student, eftersom facit och uppgiftens kravnivå misslyckas oftare än formuleringen. En genererad fråga som ingen har besvarat är en kandidat, inte en bedömning.

Hur kan AI stödja flerspråkiga studenter utan att sudda ut deras röst?

Det flerspråkiga svaret ber er avgöra vad språket gör i uppgiften innan ni avgör vad verktyget får göra. Där språket är en bisak kan AI ta bort en barriär som inte har något med ert konstrukt att göra; där språket är konstruktet gör samma verktyg uppgiften åt studenten.

Vad bör studenter lära sig för karriärer där AI är vanligt förekommande?

Karriärsvaret är att undervisa hela den professionella uppgiften och bedöma både den stödda produkten och vad studenten klarar utan stöd. Evidensen stöder ämneskunskaper plus omdöme, verifiering och transfer, och den stöder ingen lista över verktygsfärdigheter.

Vad betyder personligt lärande egentligen, och när hjälper det?

Personaliseringssvaret skiljer på fem saker som får samma etikett, från att ordna om övningen till att låta studenten välja vad som ska studeras härnäst. Det som spelar roll är vad som anpassas, vilken evidens som styr det och om det förbättrar det lärande ni avsåg, vilket ett bekant exempel eller ett lyhört samtal kan kännas som utan att göra.

Begrepp i fokus

Fem begreppssidor absorberade veckans resultat, två av dem nya. Var och en är en stående sida snarare än en engångssida, så den nya evidensen ligger bredvid det sidan redan argumenterade.

Öppen utbildning

Sidan är ny och skrevs eftersom tretton studier kom på en gång om vad generativ AI gör med öppet licensierat undervisningsmaterial. Dess argument är att det är licensen snarare än modellen som ska granskas, och de två nya resurserna nedan beskriver båda institutioner som anpassar öppet innehåll med AI snabbare än de kan registrera vem som författat vad. Läs sidan om öppen utbildning innan ni skriver en AI-klausul i en OER-policy.

Kognitiv avlastning

Den skiljer nu på vad ett verktyg avlastar och hur mycket en student använde det, vilket är distinktionen som avlastningsstegen drar och empatiexperimenten demonstrerar på en plats där de flesta inte skulle leta. Sidan om kognitiv avlastning bär också resultatet på 0,84 standardavvikelser, eftersom det är den renaste kausala evidensen sidan har.

Utvärderande omdöme

Dess nya evidens handlar om vad en domare ombeds göra: bedömningsmetoder flyttade stabiliteten vid omkörning från 2,9 % till 15,9 %, och tretton modeller vek sig under studentmotstånd i allt från 46,5 % till 98,5 %. Sidan om utvärderande omdöme behandlar nu motstånd mot en felaktig korrigering som en egen förmåga skild från att få svaret rätt.

AI-kompetens

Två resultat snävade in konstruktet: kritiskt tänkande gick genom hur studenterna delade upp och bearbetade det kognitiva arbetet, inte genom förtrogenhet med verktyg, och en rubrik byggd på 16 kärnartiklar visade hur få resurser som namnger den kompetens de påstår sig bygga. Sidan om AI-kompetens behåller båda, eftersom ett kompetenstest och en kompetensresurs mäter olika saker.

Den andra nya sidan är statistik- och datavetenskapsutbildning, vars första argument är att disciplinens AI-fråga kretsar kring artefakten, eftersom dataset, diagram och kod nu kan genereras snabbare än någon kan validera dem.

För lärare

Ett öppet chattfönster behöver en stoppregel, inte mer innehållsstöd

Att para en djupbearbetningsuppgift med ett öppet chattfönster kostar studenterna greppet om själva uppgiften, och åtgärden är stöttning kring sekvensering och stopp snarare än mer förklaring. I ett förregistrerat experiment med 317 vuxna höjde chattbetingelsen oordningen med 0,84 standardavvikelser (kredibelt intervall 0,47 till 1,21) med en direkt effekt på 0,77 som ingen mediator i modellen förklarade, medan djupbearbetningen inte rörde sig i någon riktning (median minus 0,22, intervall som spänner över noll).

Ett första svar under en minut tar bort kamraterna som gjorde resonemanget

Fördröj eller begränsa assistentens första svar i ett diskussionsforum, eftersom klasskamraterna som resonerar högt är de som slutar posta. Över fyra forskarutbildningskurser och 28 123 kodade meningar svarade en AI-lärarassistent först i 97 % av studentstartade trådar, på median 0,92 minuter mot 490 för kamrater, och det självreglerande språket föll från 49 % till 36 % när kamratsvaren sjönk från 91 % till 45 % av uppföljningarna, där kamratsvaren bar omkring 70 % av regleringen mot 27 % för studenterna som öppnade tråden. Självreglerat lärande i ett forum produceras av replikerna, inte av svaret.

Promptträning köper lärare tid, inte bättre material

Budgetera arbete med lärarnas AI-kompetens som en arbetsbelastningsinsats, och förvänta er inte att det höjer kvaliteten på det lärarna producerar. I en randomiserad studie med 204 lärare gav träning i promptskrivning ytterligare 21 % tidsbesparing i förberedelse ovanpå vanlig ChatGPT-tillgång, utan någon vinst i bedömd materialkvalitet, eftersom tränade lärare skrev längre prompter och behövde färre förfiningsomgångar.

En lektionsassistent sparar tid på en tunn dos av lektioner

Prova det för timmarna det ger tillbaka och ännu inte för lektionerna det producerar. En oberoende klusterstudie av Oak National Academys Aila följde 416 engelska grundskollärare och mätte förberedelse till 2,51 timmar i veckan mot 3,32 utan verktyget, vilket är omkring 49 minuter i veckan, medan det täckte 7 % av lektionerna och kvaliteten bara testades för icke-underlägsenhet snarare än förbättring.

Att lägga till AI i en öppen uppgift tillför inget i sig

Finansiera den öppna utbildningsuppgift ni redan kör i stället för att lägga till ett verktyg och vänta på en kompetensvinst. Två sektioner av en introduktionskurs i barns utveckling, 55 studenter som arbetade som vanligt och 58 med generativa AI-sökverktyg tillagda, rapporterade samma upplevda vinst i källkompetens, 0,50 mot 0,48 på en femgradig skala, med interaktionstermen nära noll (F(1, 84) = 0,04, p = 0,85).

Välj assistent efter vad den gör när en student säger att den har fel

Motstånd mot en felaktig korrigering skiljer modeller skarpare än noggrannhet gör, så gör det till det första ni testar. Över 200 verifierade fackverksproblem och tretton modeller gick lösningsnoggrannheten från 64,5 % till 97,0 %, en spridning på 32,5 punkter, men när de fick höra att korrekt arbete var fel bekräftade modellerna det i allt från 46,5 % till 98,5 % av fallen, en spridning på 52,0 punkter, vilket hör hemma i den kontroll av utvärderande omdöme ni kör före en utrullning.

Undervisa AI-assisterat skrivande som en genre, och poängen slutar överlappa

Att behandla AI-assisterat skrivande som något att undervisa i snarare än något att övervaka hör hemma i skrivundervisningens läroplan, och gapet det öppnade var inte marginellt. Medelvärdena efter testet var 9,8750 för sektionen som undervisades så mot 3,8125 för kontrollgruppen, utan överlapp mellan de två fördelningarna (Mann-Whitney U = 0,00, r = 0,86).

För utvecklare

Bygg scenariot, inte handledarpersonan

Lägg stöttningen i scenariot och arbetsbänken innan ni finslipar rösten, för personan är inte där effekten bor. I två förregistrerade trearmade studier, 131 studenter i juridiskt resonerande och 54 som slutförde en arm i tävlingsprogrammering, nådde det strukturerade systemet 22,8 procentenheter mot 15,7 för en vanlig assistent, en fördel på 7,0 punkter (p = 0,018, d = 0,56), medan en LLM-as-Teacher-persona över samma modell vann 2,8 punkter och inte skilde sig (p = 0,121).

En handledare som namnger brute-force-lösningen först styr studenterna fel

Granska vilken lösning en handledare namnger innan ni skeppar den på ett problem med flera lösningar, och behåll granskningen i acceptanstesterna för intelligent handledning. På 150 problem körda med simulerade studenter var brute force det namngivna angreppssättet i 22,2 till 32,1 procent av lösningsspecifika öppningar mot 13,0 till 19,4 procent för den optimala lösningen, och i probe-first-samtal flyttade alla fyra basmodellerna studenter mot ett sämre angreppssätt i 6,1 till 7,1 procent av fallen.

Att räkna AI-anrop mäter ingenting om framsteg

Interaktionsräkningar är den enklaste signalen för en lärandeanalyspipeline att samla in och det svagaste att sätta på en instrumentpanel, så instrumentera exekveringstillståndet på båda sidor om varje anrop i stället. Över 140 student-uppgiftspar från 35 studenter korrelerade AI-interaktioner med framgångsrikt exekverade celler vid r = 0,12, och med berörda celler vid samma r = 0,12.

Bedöm en session efter hur den driver, inte efter hur många frågor som ställdes

En session som glider mot svarssökande under sin andra hälft förutsäger ett sämre eftertest, och en obligatorisk adekvathetskontroll efter varje svar är den billiga interventionen. Från 880 substantiella turer av 112 studenter i åldern 14 och 15 tillförde brantheten i hjälpsökandebanan en förändring i R-kvadrat på 0,110 till en modell som redan höll förtestpoängen (beta = 0,34), medan statiska interaktionsdrag tillförde 0,023 och missade signifikans (p = 0,684), och 81,5 % av turerna var förfrågningar mot 2,2 % utvärdering.

Bedömningsregeln avgör en benchmarkpoäng mer än modellen gör

Om er harnesk rapporterar en enda siffra vet ni ännu inte vad den mäter. Samma 2 250 dialoger mellan fem handledare och simulerade studenter poängsattes till 42,1 % under exakt matchning och 81,3 % under en mänskligt kalibrerad domare, en spridning på 39,2 punkter som är större än de sammanlagda effekterna av modell, strategi och pipeline, och fyra domare från tre leverantörer var överens inom 6 punkter medan strukturerade pipeline-etiketter inte gav någon fördel (p = 0,263).

Bedömningsmetoden, inte domarmodellen, avgör reproducerbarheten

Publicera en utslagsredogörelse som namnger metoden, harnesket, en upprepad körning och hur många bedömda uppgifter som ligger bakom varje påstående, eftersom metoden är det som flyttar resultatet. Omkörningar ändrade 2,9 % till 6,1 % av utfallen under en semirigid rubrik och 13,5 % till 15,9 % under fri holistisk bedömning, medan att byta domarmodell bara flyttade omkring tre punkter.

En AI-kamrat som håller med om allt förlorar sina användare

Konfigurera agenter att hålla osäkerhet och att avstå från instämmande som standard, eftersom tillitskalibrering är ett beteende ni skriver snarare än en egenskap en modell har. Sju experter tillbringade 20 minuter var i studentrollen med en agent i rollen som kamrat, och det som fick den att läsas som en kamrat var socialt: trevande resonemang och avsiktlig ofullkomlighet byggde tillit, medan blint instämmande i allt den lärande sade förstörde den.

För forskare

Planera för en liten effekt, inte det publicerade genomsnittet

I en ny miljö är huvudresultatet för generativ AI-undervisning inte det ni ska planera efter, så pilotera innan ni skalar. En metaanalys på tre nivåer av 58 studier och 6 941 deltagare vägde samman till g = 0,864, rapporterade sedan heterogenitet nära 87,9 %, ett prediktionsintervall från minus 0,213 till 1,942 och en biaskorrigerad effekt på g = 0,258; tryck det intervallet bredvid den sammanvägda skattningen där en läsare inte kan missa det.

Kritiskt tänkande följer arbetsdelningen, inte verktygsförtrogenhet

Tilldela en explicit arbetsdelning och kräv att studenterna bearbetar utdata, eftersom erfarenhet av generativ AI nådde kritiskt tänkande bara genom de två vägarna. Bland 891 studenter i USA och Turkiet bar specialisering och samordning av kognitivt arbete b = 0,636 och reflekterande transformering av utdata b = 0,367, utan en signifikant direkt väg, vilket förvandlar frågan om kognitiv avlastning till ett designval snarare än en varning.

Ett mindre utbildningsgap i AI-användning är inte jämlikhet

Läs inte ett smalare användningsgap som framsteg, och bygg inte åtkomstmål på en binär fråga om de senaste tre månaderna. Vid matchning av 16 europeiska länder vid deras införandegrader 2025 mot deras eget internet-erans år föll mediangapet mellan de mest och minst utbildade från 56,4 punkter till 28,6, negativt i 15 av 16 länder (p = 0,0005), men kompositionsmedveten matchning krymper förändringen till minus 11,5 och minus 10,0, så ett jämlikhetspåstående behöver ett starkare instrument.

Låg användning är inte låg vilja

Finansiera åtkomst och grundläggande färdigheter för de äldsta och minst utbildade i stället för en kampanj om tillit, eftersom användning och tillit färdas separat. 2025 hade 48,4 % av danskarna och 17,8 % av rumänerna använt generativ AI under de senaste tre månaderna mot 32,7 % i EU, ändå skattade rumänerna sin tillit till 4,1 mot 3,8 på en sjugradig skala, och 47 % av dem ansåg att nuvarande lagar och skyddsåtgärder var tillräckliga mot 36 % av danskarna.

Avlastning är bara eroderande när den kringgår målet

Fråga vilka kognitiva operationer ett verktyg avlastar snarare än hur mycket en student använde det. Avlastning hjälper när den tar över arbete som är perifert i förhållande till lärandemålet och riskerar erosion när den kringgår bearbetning som är konstitutiv för målet, och att bearbeta utdata efteråt kan rädda en annars konstitutiv avlastning; sju villkorade påståenden ersätter ett riktat påstående, och reglering av avlastning blir en inlärbar dimension av AI-kompetens.

Sentimentverktyg missar ungefär hälften av de negativa svaren

Behandla automatisk kodning av öppen text som ett validitetsargument snarare än ett verktygsval, eftersom noggrannhet döljer just de fall ni skulle agera på. Mot 1 220 handkodade svar nådde den bästa transformatorn 0,79 i noggrannhet men bara 0,42 i kappa och fångade omkring hälften av de negativa fallen, medan lexikonverktyg felklassificerade ungefär ett av fem, i en korpus som var 76,5 % positiv.

För administratörer

Fråga vad chatboten skickar innan ni licensierar den

Kräv en inventering av tredjepartsskript innan ni licensierar eller hostar en kurschatbot, och fråga specifikt vilka taggar som kan läsa sidtiteln, URL:en och inmatningsfältet. Instrumentering av 42 plattformar fann 21 som skickade samtalstitlar till minst en spårare och nio som överförde prompten ordagrant, 11 av de 13 läckande allmänna plattformarna skickade också registreringsmejlen, och utbildningsplattformar hade i genomsnitt omkring 367 spårförfrågningar var med 24 % som bar användarinnehåll.

Kodifierad återgivning är den del av en examen som förlorar värde

Skydda övervakad praktik och omdöme under osäkerhet, och läs implikationen för läroplansdesign före den för programmarknadsföring. En differens-i-differenser över 655 919 enkätobservationer från 2018 till juni 2026 fann att avkastningen på ett års skolgång i de mest AI-exponerade yrkena föll 0,55 loggpunkter efter november 2022, omkring 7 % av dess nivå före chocken, medan avkastningen på erfarenhet steg 0,26 loggpunkter vid tre år och föll 0,12 vid tjugofem.

Att kalla chatboten empatisk flyttar empatin från människor

Positionera systemet som triage som slussar studenter tillbaka till människor, och bevaka hjälpsökande som det beteende som tyst försvinner. Över fyra studier med 249, 494, 743 och 737 deltagare höjde inramningen av AI som förmögen till empati viljan att avlasta empatiskt ansvar (total effekt 0,83) helt genom upplevd förmåga (indirekt 0,73), och att höra att en kamrat hade tagit ett problem till ChatGPT sänkte träffsäkerheten i känsloläsning till 7,13 rätt av 12 mot 7,73 (p = 0,012).

Riktmärken klarade, barn fortfarande skadade

Utvärdera på sessions- och institutionsnivå snarare än vid API:et, eftersom ett filter per utdata inte kan nå en följeslagarinteraktion där ingen enskild tur passerar en tröskel. Kodat från 1 331 rapporterade barnrelaterade incidenter är sexualisering den största skadetypen med 316, före sexuellt utnyttjande med 131, och skadorna klustrar med driftsättning, styrning och missbruksfel snarare än med modelldefekter.

Skriv integritetspolicy för den tillfälliga, ambivalenta användaren

Namnge vägran, stöd och substitution som tre populationer som samma uppgift möter, eftersom nästan ingen är daglig användare. Två anonyma enkäter vid ett brittiskt universitet fann att 81,05 % av 94 förstaårsstudenter hade använt ett generativt AI-verktyg för att hjälpa till att slutföra en uppgift mot 4,21 % som rapporterade daglig användning och 9,47 % som rapporterade ingen, vilket gör akademisk integritet till en policy för mitten av en fördelning snarare än en uppdelning i fuskare och icke-fuskare.

Etikmoduler lär inte ut var data kommer ifrån

Lägg till en uppgift om proveniensgranskning i etikmodulen ni redan kör, vilket är en läroplansdesignändring snarare än en ny kurs. En inventering av 36 program vid 21 universitet fann etik undervisad i 29 (80,6 %) men dataproveniens på författarnas nivå i 8 (22,2 %), utan att något master- eller chefsprogram uppfyllde det och med 22 av de 29 etiktäckande programmen som helt saknade proveniens.

Nya resurser

Fyra resurser anslöt till resursbiblioteket den här veckan, och alla fyra beskriver ett institutionellt beslut snarare än ett klassrumstrick.

Learning Design Wiki

Learning Design Wiki är en öppet licensierad referens som delar upp undervisningsdesign i principer, element, mönster och strategier, var och en knuten till citeringarna bakom, och dess egen evidensrapport säger att 98 % av påståendena vilar på en enda studie. Språkmodeller underhåller den under en mänsklig underhållare och ingen sida har granskats av en person, så det är en uppsättning välkällbelagda uppslag snarare än fynd.

teacher.dev

teacher.dev är en ideell studio som släpper en gratis klassrumsapp om dagen, 34 hittills, var och en riktad mot ett enda ögonblick som en utskrivbar figurgenerator eller en First/Then-tavla för specialpedagogik. De flesta körs lokalt först utan konto, så inga studentdata lämnar enheten.

AI + OER Case Studies: A DOERS Project

AI + OER Case Studies är en öppen antologi med elva fall om var generativ AI möter öppet licensierade resurser i högre utbildning, från ett federerat universitet som tar fram vägledning under ett fackavtal till en läroboksrevidering med människa i loopen. Inga två kapitel delar ett instrument, så det är praktik att anpassa snarare än evidens att citera, och samlingen är CC BY 4.0 medan varje kapitel bär sin egen licens.

Integrating AI in TVET: a practical guide for institutions

Integrating AI in TVET är en UNESCO-UNEVOC-guide från 2026 för institutioner som utbildar tekniker och hantverkare, och det användbara materialet sitter i tre bilagor: ett självreflektionsverktyg för beredskap, ett riskregister och ett indikatorramverk. Den rapporterar inga utfallsdata och kallar sin egen mognadsskala ett diskussionsstöd, så använd den för att strukturera ett första institutionellt beslut snarare än för att rättfärdiga ett redan fattat.

Även tillagt denna vecka

De övriga studierna, med metoder och sammanfattningar, listas dag för dag på journalsidan.

Noteringar om webbplatsen

Alla 222 begreppssidor bär nu ett avsnitt om vanliga missuppfattningar som namnger den felaktiga föreställning en läsare kan ha och korrigerar den med evidensen på den sidan.

Varje FAQ skrevs om den här veckan, och fem nya anslöt, vilket tar samlingen till 42 svar skrivna för frågan en kollega faktiskt ställer snarare än för ett ämne. Indexet grupperar dem i nio avsnitt efter uppgiften en läsare försöker slutföra, så att komma med en fråga inte längre kräver att ni vet vad fältet kallar den.

Översättningarna rörde sig längre än engelskan gjorde: de tolv begreppssidorna i avsnittet Essentials och alla FAQ är nu översatta i sin helhet över alla språk.

Varje språk har sin egen startsida, och sexton av dem levererar också en nedladdningsbar EPUB och PDF:

Allt ovan är offentligt på github.com/edtechdev/aied.

Följ uppdateringen

Få varje nummer genom nyhetsbrevets flöde i en flödesläsare, genom att klistra in samma flöde i Blogtrottr för att få nya nummer mejlade på ett schema ni väljer, eller genom att följa det på LinkedIn, där varje nummer publiceras som ett LinkedIn-nyhetsbrev.

Veckovis forskningsuppdatering om AI i utbildning kommer från kunskapsbasen om AI i utbildning, som en AI-agent genererar. Det här numret skrevs av samma AI-agent, med redaktionell vägledning från webbplatsens utvecklare, och varje påstående ovan länkar till den sida det kom från.

Kunskapsbasen är tillägnad allmän egendom under en CC0 1.0-licens. Inga rättigheter förbehålls.

Har ni hittat ett problem med innehållet? Rapportera det på GitHub, eller kontakta webbplatsens utvecklare, Doug Holton.

Källa Historik Redigera Chatt