AIEd kunskapsbasAIEd KB
På den här sidan

Alla nummer

Veckovis forskningsuppdatering om AI i utbildning #4

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

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

Sedan förra numret har 199 nya studier, åtta nya begreppssidor, två nya FAQ och tretton nya resurser anslutit till kunskapsbasen. Den rymmer nu 2 277 artikelsammanfattningar, 238 begreppssidor, 46 FAQ och 53 resurser. Sök eller använd AI för att chatta med kunskapsbasen.

Innehåll

Veckans viktigaste resultat och frågor

  • Går det att lita på ett medelbetyg? Två ChatGPT-versioner bedömde samma essäer och pressade varje uppsats mot mitten: en som läraren underkände med 50 kom tillbaka med 66, en med 80 kom tillbaka med 67, så den svagaste och starkaste studenten slutade med samma betyg. Använd AI-kommentarer för att hjälpa en student att revidera, och låt en människa stå för det registrerade betyget.
  • Vad händer när uppgiften ändras men betyget inte? Universiteten bytte essäer mot presentationer och muntliga försvar och behöll sedan samma enda betyg i betygsutdraget. En student kan försvara sitt arbete högt och ändå gå därifrån med ett enda tal som inte säger något om hur hen tänkte. Ändra vad betygsutdraget rapporterar, annars ändrar reformen bara pappersarbetet.
  • Hjälper en chatbot studenter att förstå en text bättre än att skriva anteckningar? Studenter som skrev anteckningar lärde sig mer än studenter som frågade en chatbot om samma stycke, och studenterna med chatboten kopierade ofta in dess svar i sina anteckningar. De skattade ändå chatboten som enklare, mer hjälpsam och roligare. Behåll skrivuppgiften, för ett verktyg som sammanfattar läsningen gör det arbete som skapar lärandet.
  • Betygsätter vi essän eller tänkandet? Essän var utformad för att visa ett intellekt som förändras medan det skriver, och att bara betygsätta den färdiga texten kastade bort det. Be om ett första utkast, en kritik av det och en revidering som säger vad som ändrades och varför. En chatbot kan producera det sista utkastet. Den kan inte visa arbetet med att komma dit.
  • Kan AI rätta handskrivna tentor? Claude rättade handskrivna tentor nästan exakt som läraren på flervalsfrågor och korta svar, och fick handritade diagram rätt ungefär hälften av gångerna. Låt den förhandsrätta återgivningsfrågor, och rätta själv ritningarna och bedömningsfrågorna.
  • Kan en chatbot hålla en muntlig tentamen? En chatbot kan intervjua en student utan att någonsin se bedömningsmallen medan en andra, dold del av systemet betygsätter samtalet, så studenterna kan inte prompta sig till poäng. Deras system betygsatte för generöst när det poängsatte varje svar efter hand. Betygsätt hela samtalet i slutet.

Stanfords evidensgenomgång av AI i K–12 uppdaterades till novemberutgåvan 2026 den här veckan, och den kausala basen fördubblades till 52 studier. Att använda AI för att förklara och vägleda förutsäger bättre lärande, att använda det för att producera arbetet förutsäger sämre, och en prövning fann att en allmän assistent sänkte studenternas motivation.

Nya FAQ

Två svar anslöt till FAQ den här veckan. Båda handlar om beslut som kommer innan någon väljer ett verktyg.

Vilka alternativ och frågor bör man överväga när man inför AI-verktyg?

Adoptionssvaret skiljer på tre beslut som en leverantörslista blandar samman: vilka data som går in i verktyget, om institutionen tillåter det och vem som driver modellen. En gratis chatbot behåller samtalet på leverantörens servrar. En campusgateway behåller det hos er och kan stänga av åtkomsten. Börja med datafrågan, för det är den ni inte kan ångra senare.

Vad bör utbildare undvika att göra med AI?

Undvikandesvaret namnger tre misstag. Använd inte AI för att göra det tänkande som en uppgift finns för att lära ut. Behandla inte klick, tid på sidan eller slutförande som bevis på lärande. Och skriv inte en regel som säger ”använd AI ansvarsfullt” medan ni lämnar en uppgift som en chatbot kan göra klart på en minut. Det sista är det vanliga misslyckandet: en policymening ändrar inte vad studenterna kan göra. Det gör uppgiften och den evidens ni samlar in.

Nya begrepp

Åtta begreppssidor anslöt till kunskapsbasen den här veckan.

  • Skugg-AI är AI-användning som sker innan någon har godkänt den. En lärare skriver utkast till återkoppling i ett privat ChatGPT-konto och institutionen får aldrig veta att studentarbete passerade genom det.
  • Institutionell AI-infrastruktur är rören bakom AI-användningen på campus: vem som får åtkomst, vilken modell som körs, vad som loggas och vem som betalar. Ett exempel är en universitetsgateway som ger varje institution en kvot och för en granskningslogg.
  • Exekutiva funktioner omfattar planering, att hålla information i minnet och att stoppa en impuls. Tänk på en student som kan planera en essä men tappar tråden halvvägs. Ett verktyg kan stödja den planeringen, eller göra den åt dem utan att någon märker det.
  • Utvecklingspsykologi är studiet av hur barns tänkande förändras med åldern. En sjuåring kan behöva att verktyget läser frågan högt. En sjuttonåring kan bedöma om svaret är något att ha.
  • Longitudinell forskning följer samma studenter över månader eller år. Frågan är om skrivvinsten från oktober finns kvar i maj, inte om den syntes på enhetsprovet.
  • Empati skiljer på att förstå vad någon känner och att känna det med dem. En chatbot kan skriva om en hård kommentar vänligt. Den kan inte märka att studenten har slutat försöka.
  • Fallbaserat lärande undervisar genom en specifik situation som studenterna måste resonera kring. Föreställ er en patient med bröstsmärta och två provsvar som inte stämmer överens. Lärandet ligger i frågorna studenterna ställer om fallet, inte i falltexten.
  • Metaforer och analogier är bilderna vi använder för att förklara AI, som svart låda, hjälpare eller spegel. Kallar man den handledare förväntar sig studenterna att den kan svaret. Kallar man den studiekompis är de mer benägna att kontrollera den.

Nya resurser

Tretton resurser anslöt till resursbiblioteket den här veckan.

  • Primer låter en lärare beskriva ett rollspel eller en simulering på vanligt språk i stället för att skriva kod, till exempel en förhandlingsövning där AI:n spelar en svår förälder.
  • Agentic Builds är ett galleri med små appar som lärare har byggt, med prompterna bakom som ni kan kopiera till er egen klass.
  • Vibe-Coding Center ger er tre instruktionsfiler att klistra in i en kodassistent, så att webbappen den skriver är tillgänglig, privat och tillräckligt säker för studenter.
  • AI Guidance by Age tar en roll och ett åldersspann och föreslår vad studenter bör kunna göra med AI i den åldern, och säger vilka delar som fortfarande är gissningar.
  • Voice-First Written Assessment låter studenter förklara sitt svar högt och sedan skriva en revidering utifrån transkriptionen, så att tänkandet finns dokumenterat och skrivandet ändå sker.
  • Amplify GenAI är Vanderbilts chattplattform, som ett campus driver i sitt eget molnkonto så att studentsamtalen stannar hos institutionen.
  • conText är en rösthandledare som ställer nästa fråga i stället för att ge svaret, och visar läraren vilken väg studenten tog.
  • MindRouter är en grindvakt framför campus-GPU:er, med kvoter per institution, enkel inloggning och en logg över vem som använde vad.
  • Moodle AI Text Question Type lägger till en AI-rättad fråga i Moodle-quiz, med er bedömningsmall skriven i prompten och poäng som går rakt in i betygsboken.
  • MyEssayFeedback låter studenter lämna in ett utkast, läsa AI-kommentarer om de delar ni väljer och sedan registrera vilka kommentarer de accepterar innan de reviderar.
  • NowComment låter en klass diskutera ett dokument rad för rad, och nu kan en AI lägga till ett utkast till kommentar som studenterna förväntas redigera.
  • Teacher Hive samlar små lärargjorda appar som inte kräver studentinloggning, publicerade som exempel andra lärare kan kopiera.
  • AI Tutor Pro and AI Teaching Assistant Pro är gratis studieverktyg med röstsamtal, quiz och anteckningar på åtta språk, för studenter som övar på egen hand.

En namnändring: resursen EduPrompts hette EduGems fram till den här veckan. Promptsamlingen är densamma, och den finns nu på eduprompts.ai.

För lärare

Sluta fråga om arbetet är studentens och fråga vad det visar

Bayraktar argumenterar för att detektionsverktyg, förbud och omskrivningar i klassrummet bara svarar på en fråga: om en produkt skapades självständigt. De säger ingenting om huruvida studenten förstår det som uppgiften var tänkt att visa. Ramverket som föreslås behåller det färdiga arbetet som en källa bland flera och lägger till evidens där konstruktet behöver det: en beslutslogg, en kort notering om vilket råd som avvisades, ett svar på en konferens. Det gör också AI-användningen själv till något studenterna bedömer, till exempel genom att namnge var verktygets svar var fel.

Besluta vilket lärande uppgiften ska visa innan ni väljer motåtgärd. Lägg till en artefakt som stänger gapet i stället för att göra varje kurs till en portfoliokurs, och fråga studenterna var AI:n inte var till hjälp. Ett stycke om det är värt mer än en deklaration.

Se även: Att designa om bedömning för AI-eran

Behåll uppgiften, lägg till ett pappersspår

Winstone, Gravett och Elkington argumenterar för att de flesta universitets svar på generativ AI är prat: trafikljus, deklarationer, regler för tillåten användning. Deras Black Box Assessment behåller uppgiften och ber studenterna lämna in fönster in i processen, som utkast, revideringsloggar och korta reflektioner, med bedömningsmallar omskrivna så att revidering ger poäng. De rapporterar ingen pilotstudie, och säger det.

Ta en uppgift och kräv en processartefakt: dispositionen, det första utkastet eller ett stycke om vad återkopplingen ändrade. Betygsätt artefakten mot ett angivet kriterium. Då har studenterna en anledning att behålla spåret, och akademisk integritet bor i uppgiften i stället för i en policymening.

Se även: Att designa om bedömning för AI-eran

Läraråterkoppling och AI-återkoppling kom ut jämnt

Meyer och kollegor randomiserade 391 studenter i årskurs 10 och 11 i Tyskland till tre betingelser: återkoppling skriven av deras lärare, omedelbar AI-återkoppling, eller AI-återkoppling levererad sent så att källa och timing kunde separeras. Varje standardjämförelse blev noll. Revideringarna förbättrades, nästa skrivuppgift skilde sig inte, och tid på uppgift, motivation och affekt var statistiskt oskiljbara mellan lärar- och AI-återkoppling.

Studenterna skattade omedelbar AI-återkoppling som mer användbar och mer motiverande än läraråterkoppling, men den fördröjda AI-gruppen fick inte samma skattningar, så fördelen kom från snabbheten snarare än från författarskapet. Använd AI-återkoppling när en lärare inte kan svara snabbt, och förvänta er att den håller golvet snarare än höjer det. Kontrollera om studenterna misstar en snabb kommentar för en användbar.

Se även: Att designa om bedömning för AI-eran

För utvecklare

En handledare som viker sig när studenten säger ”mina anteckningar säger något annat”

Liu och Korolova körde elva kommersiella modeller genom två simulerade matematikhandledningsexperiment för K–12: 400 frågor över ett protokoll för svarsrevidering i fem turer och 1 884 över ett diagnosprotokoll i två turer. Om studenten inledde med ett felaktigt svar föll träffsäkerheten i första turen med 5,5 punkter. Bland svar som var korrekta i första turen vände ett bart ”jag håller inte med” 5,2 % till studentens felaktiga val, ”mina anteckningar säger B” vände 12,7 %, och ett explicit felaktigt resonemang vände 3,1 %. Av de korrekta samtalen som slutade på fel svar vände 86 % vid första motståndet. Att tvivla på korrekt arbete sänkte också diagnosens träffsäkerhet från 66,5 % till 58,0 % och höjde falska positiva från 33,5 % till 42,0 %.

Behandla en hänvisning till auktoritet som en begäran att härleda steget igen, inte att svara igen, och fatta aldrig ett beslut om en missuppfattning utifrån arbete som studenten just har ifrågasatt. Testa handledare i en skriptad dialog över flera turer och rapportera vändningsfrekvens separat från träffsäkerhet i första turen, för två modeller med samma poäng i första turen skilde sig med 7,5 punkter i hur ofta de vek sig.

Se även: Att träna AI-handledare att vägleda i stället för att svara

Bedömningsmallen är mätinstrumentet, inte modellen

Roy och kollegor visar att samma domare parad med två bedömningsmallar ger två olika mätningar, och att en vag mall som ber om svar som är ”hjälpsamma och faktakorrekta” kan belöna ett polerat svar som är fel. Över fyra offentliga preferensdataset, sex mallkällor och tre domare med öppna vikter ledde ingen mallkälla på varje axel: samstämmighet mellan domare, passning mot preferenser och motståndskraft mot manipulation. Att ordna om kriterier efter preferensdata höjde träffsäkerheten på hållna data från 65,0 % till 68,6 %, och att skriva om kriterier för att täta kryphål sänkte hur ofta utnyttjanden lyckades från 46,4 % till 36,0 %.

Behandla mallen som instrumentet och versionshantera den tillsammans med modellen. Registrera malltexten, datum och domarkonfiguration bredvid betygen, och testa utnyttjbarhet separat från samstämmighet: skriv några svar som uppfyller formuleringen men bryter mot avsikten, och se om de får höga poäng.

Se även: Att kontrollera om pedagogisk AI fungerar

Läshandledaren hjälpte när studenterna använde den tillräckligt mycket

En fristående skola gav varje lärare i årskurs 1 och 2 en handledare i fonik och läsflyt och lämnade användningen till lärarnas omdöme. Studenter som använde den mycket vann mer än studenter som använde den lite, med g = 0,56 på muntlig läsflyt. Jämförelsen mellan hög användning och ingen användning missade den korrigerade signifikansgränsen. Skillnaden mellan klassrummen berodde på loggade minuter.

Logga minuter per student från dag ett och rapportera dem bredvid utfallet. Om loggen är tom är det ett fynd om införandet, inte om handledaren. Ett distrikt som räknar licenser i stället för användning ser ett platt resultat och lär sig ingenting.

Se även: Att kontrollera om pedagogisk AI fungerar

Copilot gjorde nybörjare snabbare och lämnade dem där de började

Tjugotvå novisa och medelgoda programmerare gjorde två koduppgifter på 20 minuter, en gång med en mänsklig partner och en gång med Copilot, och upprepade sedan uppgifterna själva ungefär en vecka senare. Med Copilot fick de 14 poäng högre av 100 och rapporterade mycket lägre mental belastning och ansträngning. En vecka senare var fördelen borta: omtestets poäng var 4,8 poäng lägre, inte statistiskt skilda, och varje persons tapp från första sessionen var ungefär 19 poäng större efter AI-sessionen.

Lägg till ett omtest utan stöd i varje kodassistent ni bygger eller köper. Vinsten ni ser i klassen kan vara hyrd, och den är störst för de studenter som redan kunde mest. Att paras ihop med en människa gav lägre poäng och högre arbetsbelastning i den här studien, men också bättre engagemang och en tendens mot bibehållande.

Se även: Att designa AI in i lärandet

För forskare

En striktare metaanalys halverar handledningseffekten

Leite och kollegor slog samman 18 experiment, 77 effektstorlekar och 11 intelligenta handledningssystem som användes i amerikanska K–12-skolor. Medeleffekten på prestation var g = 0,271, väl under de effekter tidigare metaanalyser rapporterat, eftersom den här höll sig till experimentella designer i ett nationellt system. Miljön spelade roll: landsbygdsskolor visade g = 0,146 mot 0,298 i stadsskolor. Vem som styr stödet spelade också roll, med genomräknade exempel på 0,324 och tips på begäran på 0,316, och varaktigheten toppade vid två veckor till tre månader (0,449) innan den föll till en icke-signifikant 0,110 bortom sex månader.

Behandla äldre effektstorlekar för handledning som optimistiska tills ni kontrollerar studiedesign och miljö. Rapportera moderatorer i stället för ett sammanslaget medelvärde, och förvänta er att ett landsbygdsinförande med svag infrastruktur ger ungefär halva stadseffekten. Varaktighetskurvan är fyndet att testa härnäst: nästan ingen evidens täcker ett helt år.

Se även: Att kontrollera om pedagogisk AI fungerar

Generativ AI hjälper språkinlärare mest när den ger återkoppling, inte undervisning

Zhang, Aubrey, Wu och Chiu slog samman 67 effektstorlekar från 48 kontrollerade studier med 5 196 inlärare. Den ojusterade effekten var stor, g = 0,76, och föll till g = 0,57 när tre extremvärden togs bort. Vilken roll verktyget spelade förklarade mer än genomsnittet: återkoppling och bedömning nådde g = 1,15, en interaktionspartner 0,81 och en undervisningsintegrator 0,28. Elevstyrd användning slog AI-ledd användning, 0,92 mot 0,34. Randomiserade prövningar rapporterade större effekter än kvasi-experiment, 1,02 mot 0,48.

Fråga vilken roll verktyget spelar innan ni frågar om det fungerar. Om ni slår samman studier, modellera designtypen som en moderator, för den flyttar skattningen lika mycket som interventionen. För en språkkurs är återkoppling och övning med studenten vid rodret den konfiguration evidensen talar för.

Se även: Att kontrollera om pedagogisk AI fungerar

Vad AI-kompetens betyder beror på studentens ålder

Guo, Ali och Wong läste 118 K–12-studier och sorterade fältet i nio kategorier och 35 underkategorier. Deras PACES-ramverk delar in AI-kompetens i fyra skolband, med argumentet att det en andraklassare behöver kunna skiljer sig till sin art från det en gymnasist behöver. Deras granskning av validerade mått fann att nästan allt riktade sig mot gymnasiet, och inget som mäter processen att arbeta med AI.

Bygg ett instrument som fångar vad en student gör med en modell: om de ställer en följdfråga, kontrollerar ett påstående eller reviderar efter återkoppling. Testa sedan om det beter sig olika över de fyra banden. Tills någon gör det förblir det utvecklingspsykologiska påståendet en designprincip utan evidens bakom sig.

Se även: Evidens om AI-kompetens

För administratörer

Nästan alla använder AI på jobbet och hälften har inte sett policyn

EDUCAUSE undersökte 1 960 anställda inom högre utbildning 2026. 94 % hade använt AI i arbetet de senaste sex månaderna, och 73 % av dem använde det dagligen eller veckovis. Bara 54 % kände till policyn som var tänkt att styra användningen, inklusive bara 38 % av cheferna. 56 % använde verktyg som deras institution inte tillhandahåller. 92 % av institutionerna sade sig ha en AI-strategi, och 13 % mäter dess avkastning.

Publicera policyn där folk redan arbetar, och räkna verktygen folk faktiskt använder innan ni skriver nästa strategi. Ett gap mellan vad personalen gör och vad ledningen tror att den tillåter är ett styrningsproblem, inte ett utbildningsproblem, och det är osynligt i ett strategidokument.

Se även: Att införa AI-verktyg

Lärare väger tiden de sparar mot arbetet de förlorar

Dangol och kollegor intervjuade 22 lärare i ett stort amerikanskt distrikt som hade uppmuntrat generativ AI sedan slutet av 2023, de flesta utan en distriktsövergripande klassrumspolicy. Lärarna var glada att bli av med administration och lektionsplanering. De oroade sig för att förlora de delar av jobbet som kräver att man känner en student: att skriva kommentaren som landar, eller att avgöra vad en klass behöver härnäst. Artikeln beskriver en bytesaffär, inte ett motstånd.

Namnge vad lättnaden är till för och var den slutar. Ett distrikt som automatiserar rättning eller lektionsplanering bör säga vilket arbete det tar bort, och skydda det arbete lärarna säger att de inte byter bort. Lämna utrymme för professionellt omdöme i stället för att lägga till ännu ett påbjudet verktyg.

Se även: Att införa AI-verktyg

De oglamorösa systemen förändrar institutioner mest

Pardos och Borchers argumenterar för att meriteringsöverföring, studiehandledning, läroplansklassificering och produktion av bedömningar spelar större roll än chatbotten i receptionen. Deras gemensamma tråd är representation. Förvandla kurser, kursplaner, betygsutdrag och lärandeposter till inbäddningar, och ni kan fatta beslut som tidigare var för dyra att försöka, som att utvärdera ett betygsutdrag från ett annat land kurs för kurs. Samma steg gör fel svårare att se.

Innan ni köper, namnge vilket beslut systemet förändrar och vem som är ansvarig när det beslutet blir fel. Ett granskningsspår och en överklagandeväg spelar större roll än en bättre modell, för ett backofficefel når studenterna genom institutionell infrastruktur som ingen kan se.

Se även: Att kontrollera om pedagogisk AI fungerar

Länder lägger AI-kompetens i läroplanen och mäter den inte

iRAISE-rapporten bygger på en strukturerad genomgång och policydokument från Frankrike, Kanada, Egypten och Qatar. Regeringar delar sig mellan att skala verktyg och att begränsa dem, och rapporten behandlar AI-kompetens som det nyaste lagret av digital och mediekunskap snarare än ett separat ämne. De flesta länder nämner mediekunskap i ett ramverk. Få sätter det i läroplanen som lärarna planerar från, och nästan ingen mäter om studenterna får den.

Sätt AI-kompetens i de dokument lärarna faktiskt använder, och finansiera en bedömning som kan visa om studenterna blev bättre. Ett nationellt ramverk utan läroplansrad och utan mått lämnar arbetet till enskilda skolor, och det är där gapet redan sitter.

Se även: Att integrera AI-kompetens

Även tillagt denna vecka

Journalsidan listar varje studie som lagts till den här veckan.

Noteringar om webbplatsen

Webbplatsen har vidgat sitt omfång den här veckan. Den bär nu en del AI-forskning som inte handlar om skolor eller universitet men ändå angår båda: Salvi och kollegor om hur en samtalsmodell kan förskjuta vad en person tror, Folk och Dunn om chatbotar och ensamhet, och Sim och kollegor om hur AI-sammanfattningar förvränger minnet. De ingår som citat på de begreppssidor de belyser, inte som påståenden om undervisning.

Hermes AI-agent som underhåller den här webbplatsen bytte till ett nytt minnessystem den här veckan. Den körs nu på Hindsight, som behåller det den lär sig mellan sessioner i stället för att börja varje session från noll.

Nästan varje begreppssida och FAQ skrevs om den här veckan för att ta bort självrefererande text, fraser som ”i den här kunskapsbasen” eller ”den här sidan argumenterar”. Hermes AI-agent körde också den prosan genom sin humanizer-skill, som tar bort tecken som staplade kvalificerare och meningar som upprepar rubriken. Artiklar och begreppssidor följer nu en struktur, med samma avsnitt i samma ordning, och en byggkontroll misslyckas när en sida bryter mot den.

Några nya funktioner är under planering, som uppgiftsbaserad vägledning för undervisning och multimediasammanfattningar av huvudsidorna. Förslag och funktionsönskemål tas emot via GitHub-ärendeformuläret.

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 Hermes AI-agent genererar. Det här numret skrevs av samma Hermes 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.

KällaHistorikRedigeraChatt

Bädda in den här sidan

Kopiera koden nedan för att bädda in den här sidan i ett lärplattformssystem eller på en annan webbplats. Den inbäddade versionen visar bara sidans innehåll — den döljer webbplatsens sidhuvud, navigering och sidfot.