Kategorier
Examen Examination Generativ AI Lärande Undervisning

Vad händer när lärandet blir svårare att se?

AI:s största utmaning för universitetet är kanske inte att den gör examinationen svårare. Den gör den formativa bedömningen svårare, eftersom den minskar lärarens möjlighet att se hur studentens förståelse utvecklas.

I debatten om AI har fokus flyttats allteftersom tekniken och dess användning har utvecklats. Från att handla om fusk handlar det nu mer om hur vi kan använda tekniken på bästa sätt. En fråga rör examinationen och hur vi ska veta vad studenterna egentligen har lärt sig. Här dyker begreppet formativ bedömning upp som ett alternativ.

Man kan tycka att det är ett märkligt begrepp. Men idén är enkel, formativ bedömning handlar inte om att avgöra vad en student kan när kursen är slut, utan handlar om att förstå hur studentens kunskap utvecklas medan kursen fortfarande pågår.

Men frågan är om detta verkligen är ett alternativ, det kan även här finns en utmaning med AI. Hur hjälper man någon att lära sig om man inte längre kan vara säker på att man kan se hur lärandet ser ut?

Vad händer när de ofärdiga tankarna försvinner

Som undervisare handlar det egentligen inte så mycket om att hitta det som är rätt eller färdigt. Det handlar om att hitta det som studenten inte har förstått. När en student lämnar in ett utkast är det sällan jag ser efter perfektion. Det viktiga är att förstå hur studenten tänker. Vad hittar hen för samband, Är det begrepp som inte används rätt och finns det missförstånd som håller på att ta form?

Ofta är inte de textmässigt bästa underlagen de mest användbara för formativ bedömning. Det är de som avslöjar mest.

När en student felaktigt förklarar tyngdlöshet med att det inte finns gravitation i rymden, är det pedagogiskt värdefullt, för då vet jag direkt vad vi behöver prata om. En student som blandar ihop korrelation med kausalitet avslöjar ett missförstånd som går att arbeta vidare med. Det är i dessa små sprickor som förståelsen blir synlig. Det är här man kan ge en återkoppling som gör skillnad för förståelsen.

AI och texter

Med AI får vi en paradox. Hotet ligger inte i att AI ger hjälp med att skriva, utan det ligger i att studenterna får hjälp att skriva bättre.

Detta kan visas som att de missförstånd studenten har maskeras av bättre formuleringar. Resonemanget som förs fram kommer att bli mer sammanhängande. Språk och logik blir bättre. Missförstånd formuleras elegantare. Detta är en fantastisk utveckling om målet är att producera en text av hög kvalitet.

Men nu är målet att förstå hur studenten tänker, vilket gör bilden mer komplicerad. När de spår av osäkerhet, trevande förståelse och en begynnande insikt som tidigare var synliga och lätta att hitta riskerar att döljas bakom en välformulerad yta, vad händer då?

Det vi vinner språkligt förlorar vi i information. Vi får en bättre produkt, men en som inte är lika användbar. Då själva grunden för formativ bedömning är rätt information.

Ett allvarligt mätproblem

I ett tidigare inlägg i AI och Universitetets idé och Universitetens framtid och AI argumenterade jag för att AI främst utgör ett mätproblem snarare än ett fuskproblem.

Ser vi på det, så har den färdiga texten länge fungerat som ett slags mätinstrument. Mätningen består i att vi har läst rapporter, inlämningar och projektarbeten och använt dem för att dra våra slutsatser om studenternas förståelse. Inte därför att texterna varit perfekta representationer av kunskap, utan för att de varit tillräckligt informativa.

Men med AI verkar instrumentet fungera annorlunda. När studenterna får hjälp med formuleringar, disposition och argumentation kommer det att bli svårare att kunna avgöra vad det är som faktiskt reflekterar studentens förståelse och vad som reflekterar verktygets kapacitet.

Problemet är då inte att studenterna fuskar, utan att läraren får svårare att tolka signalen.

Vad händer med återkopplingen

Ser vi på examinationen, så är den viktig därför att ett betyg är synligt. Det är något konkret.

Men formativ bedömning är mer abstrakt. Men samtidigt är den vi är på många sätt viktigare. Här ser man inte på ”produkten” utan på processen, där lärandet påverkas och utvecklas. Här kan studenten få hjälp att utveckla sitt resonemang. Här kan missförstånd upptäckas och förhindras från att befästas.

Om bruk av AI gör det svårare att finna ut hur studenten tänker, riskerar vi att förlora något betydligt mer värdefullt än möjligheten att sätta rätt betyg. Vi kan förlora möjligheten att ge rätt återkoppling, vilket i förlängningen gör lärandet till en ensam aktivitet utan ett kognitivt stöd.

Muntlig examination

Här möter vi en lösning som dyker upp i många diskussioner om AI. Muntlig examination, men inte för att de är perfekta, utan för att de ger tillgång till något som är svårare att observera, själva tankeprocessen.

I en situation där en student måste förklara sitt resonemang, hantera följdfrågor och försvara sina slutsatser blir förståelsen synlig igen. Men det som är viktigt här är att det inte handlar enbart om att kontrollera, utan om att det ligger mer bakom. Det handlar om att få insyn i hur studenten tänker, att se hur tankarna rör sig, själva processen.

Samtidigt är det knappast realistiskt att framtidens universitet ska bestå av oändliga muntliga examinationer. Man måste ställa frågan: hur lång tid behövs för att se om studenten har god nog förståelse? För stora kurser är det svårt att genomföra, med en komplicerad logistik. I tillägg måste man ta hänsyn till att en muntlig examen kan vara mer stressande än en skriftlig och att många studenter uttrycker sig bättre i skrift än i tal.

Processen, processen, processen

I inlägget AI gör läxorna. Men vem lär sig något? Frågade jag vem som egentligen lär sig något när AI hjälper till med läxorna. Men frågan kan omformuleras: Hur kan läraren se vem som lär sig något?

Detta är ytterligare en fråga som AI tvingar fram. Det kan vara så att vi behöver intressera oss mindre för den färdiga produkten och mer för vägen fram till den. Vi kan behöva; fler utkast, reflektioner och samtal. Ett ökat fokus på beslut, omprövningar och resonemang, kan vara vägen framåt.

Mindre fokus på perfekt formulerade slutversioner.

Lärande är en process, vilket gör att bedömningen måste handla om processen och inte bara om slutresultatet.

Den stora frågan om…

När jag ser tillbaka på inlägg som AI och Universitetets idé , Universitetens framtid och AI och AI gör läxorna. Men vem lär sig något? slås jag av att de egentligen kretsar kring samma tema från olika håll.

Vad är det studenterna ska göra själva? Vad är det som universitetet ska bedöma? Och hur kan vi veta att lärande faktiskt har ägt rum?

AI utmanar examinationen, men den största utmaningen ligger kanske i att den gör lärandet svårare att observera medan det pågår. Detta leder till en mer grundläggande fråga: Hur hjälper vi människor att lära sig när de spår av tänkande som vi tidigare använde för att förstå deras lärande blir allt svårare och otydligare att se?

Detta är en fråga som jag inte tror att vi kommer att kunna besvara på ett enkelt sätt och som kommer att vara aktuell långt efter att dagens AI-verktyg har ersatts av nästa generation.

Kategorier
Föreläsningar Undervisning

Varför föreläsningar?

Jag har undervisat i över 40 år på universitet och har sett och hört det mesta i fråga om ”nya” idéer under den tiden. En av de frågor som dyker upp, ofta i cykler på några år. Det kan vara när en ny studie publiceras eller när någon i ledningen har varit på en pedagogisk konferens eller fått besök av en ”pedagogisk” konsult. Här får då undervisaren uppmaningen att ”aktivera studenterna mer”.

Här ställs detta ofta mot föreläsningar och varför universitetslärare fortfarande föreläser och varför så mycket.

Detta är något som jag funderat över och ställt mig frågor om. Ser man till den fysikdidaktiska forskningen så råder inga tvivel. Kan man få till ett aktivt lärande, med studenter som diskuterar, argumenterar och får återkoppling, så lär sig studenter mycket bättre än när studenter antecknar passivt. Detta är i och för sig ytterpunkterna. En föreläsning kan mycket väl vara aktiv på samma sätt som ”aktivt lärande” kan göra några studenter passiva.

Men generellt så är föreläsningar rådande. I auditoriet, öppnas en PowerPoint, och så startar föreläsningen. Det är kanske inte fyrtiofem minuter utan avbrott, som föreläsare läser man av publiken, märker oro eller osäkerhet hos studenterna och man vet då att här får man omformulera och förtydliga, man kan ställa frågor, direkt eller via mentimetersystem. Men det är samma upplägg som när mina egna föreläsare undervisade mig.

Men man kan inte säga att alla föreläsningar är värdelösa, det tycker jag inte, utan det beror hur föreläsningen genomförs.

Det vi har är en märklig dubbelhet, samtidigt som vi säger att lärande sker bäst genom aktivitet så är undervisningen organiserad runt föreläsningar om risk för passivitet hos studenterna.

Så när artikeln ”How to Engage Active Pedagogy with Physics Faculty: Watch Out for Powerlessness”[Educ. Sci. 2026, 16(1), 8, https://doi.org/10.3390/educsci16010008 ] dök upp trodde jag att denna skulle vara någon variant av de vanliga förklaringarna; brist på tid hos undervisare, traditioner, bristande förändringsvilja eller pedagogisk utbildning. Men det var något annat som slog mig.

Ett oförklarat mysterium

Som fysiker är hela situationen mycket märklig. När man har ett experimentellt resultat är inte detta något som ignoreras. Utvecklar man en bättre metod för att mäta en fysisk storhet med högre precision, så använder vi den. Har man möjlighet att installera en ny bättre detektor, gör man det.

Men när det gäller undervisning så verkar inte de vetenskapliga metoderna och reglerna gälla! Här kan man presentera bevis efter bevis utan att få gehör.

Det finns flera möjliga förklaringar. En kan vara att undervisning är något djupt personligt som kopplas till den egna identiteten. När man ”överlevt” i en utbildningskultur finns en tendens att man betraktar sina egna erfarenheter som en datapunkt utan osäkerheter. Med andra ord, om jag lärde mig ämnet genom föreläsningar så antas att dagens studenter också gör det.

Här ligger problemet, denna typ av resonemang skulle ha fått underkänt i vilken metodkurs som helst. Man måste vara medveten om att egna erfarenheter inte är evidens. Det är tveksamt om det ens kan ses som en representativ datapunkt

Så det är ett mysterium varför, om forskningen pekar åt ett håll, varför fortsätter det att förändras så sakta?

Vad forskarna fann

Det ursprungliga målet med forskningen var att förstå vad det var som hindrade införandet av aktiva undervisningsformer. Under intervjuerna med undervisare i fysik och astronomi började ett mönster urskiljas. Det handlade inte bara om hinder utan om de berättade historierna.

Historier om stora studentgrupper, lokaler och budgetar. Det handlade om förutsättningarna att beslut fattats någon annanstans och att undervisningen redan formats av dessa beslut långt innan undervisningen börjat.

Beskrivningarna som undervisarna gav om sin egen roll var att de var passiva deltagare; de kunde inte fatta egna aktiva pedagogiska val, utan måste hantera beslut tagna av andra för sin undervisning.

Detta är något jag känner igen mycket väl, speciellt från stora universitet. Man kan uppleva det som om man är fångad i systemet utan att kunna ändra de rådande strukturerna.

En känsla av maktlöshet

Det som framgår av artikeln är det kanske handlar mindre om undervisningen och hur den utförs, utan det är en fråga om handlingsutrymme.

Det många av undervisarna pekar på är en kedja av orsaker och effekter

Universitet får pengar baserat på antalet studenter, vilket gör att antalet ökar. Man får fler studenter i en kurs, då behövs större lokaler, vilket begränsar vilka undervisningsformer som kan ges. Resultatet blir att den ”billiga” undervisningsformen, föreläsningar, består.

Detta blir en ond cirkel där den pedagogiska debatten tappar mening. När ramarna gör att alternativen inte är möjliga, spelar det ingen roll vilka forskningsartiklar man läser eller vilka idéer man har.

Men här måste man ta ett steg tillbaka och ta fram sitt kritiska öga och vara skeptisk. Men inte till undervisarnas upplevelser, de är genuina. Men till berättelserna.

Ur undervisarnas synvinkel är berättelserna lite för bekväma, då de lägger ansvaret någon annanstans! Problemet ligger inte på mig, den ligger fakulteten, universitetet, staten, ekonomin eller systemet.

Man kan föreställa sig att man skulle kunna bedriva en fantastisk undervisning, om man kunde göra de förändringar man vill, om man bara fick chansen, om förutsättningarna var annorlunda.

Men detta kan fort bli negativa tankar som riskerar att bli ett sätt att slippa göra de förändringar som faktiskt är möjliga att få gjorda idag.

Ett ekonomiskt problem?

Men samtidigt så spelar strukturerna en roll. Det är naivt att tro något annat. Har man varit i universitetsvärlden länge, ser man att universiteten har förändrats. Administrationen har vuxit och samtidigt har rapporteringen ökat i omfattning. Vi ser också att konkurrensen om resurserna har blivit tuffare. Antalet studenter har ökat.

Det ställs mer krav på produktivitet. När jag ser tillbaka kan jag hävda att jag hade mer tid för undervisningsutveckling för tjugo år sedan, än jag har idag. Troligen skulle många andra universitetslärare hålla med om det.

Jag kan ibland få intrycket av att undervisning betraktas som något som ska effektiviseras snarare än utvecklas. Högtidstalen handlar om undervisningens betydelse. Pedagogiska priser delas ut. Strategidokument skrivs. Men när man ser till resursfördelningen kan man få intrycket att undervisningen är universitetets favoritbarn endast då. Resten av året är det forskningen som får större delen av uppmärksamheten.

Orättvist? Kanske?

Maktlösa undervisare?

Men i artikeln visas inte att undervisarna saknar handlingsutrymme. Det som visas är att många upplever det så. Detta är en viktig skillnad.

När man ser till historien så finns det många förändringar inom undervisningen som misslyckats, men inte alltid på grund av dåliga idéer, utan därför att vi har underskattat psykologin. När vi diskuterar metoder sker det ofta som om de vore tekniska lösningar.

Man presenterar metoderna med data, diagram och förbättrade resultat. Vi visar förbättrade resultat. Och sedan blir vi förvånade när väldigt lite eller inget händer. Vi måste notera att människor inte förändrar sitt beteende bara för att data och tydliga resultat existerar. Det är inte brist på information som är problemet. Det är ofta så att människor inte tror att förändringen är möjlig, rimlig eller värd insatsen som krävs. Något som även gäller undervisning.

Vad gör vi?

Om man skall dra slutsatser från detta är en att vi kanske behöver tänka annorlunda om pedagogisk utveckling.

Det vi behöver är inte ”missionärer”, som predikar om den enda rätta metoden som löser allt. Jag har sett många rätta metoder under min karriär, några som kommit tillbaka från limbo.

Det vi behöver är ett fokus på vad som faktiskt fungerar under verkliga förhållanden, i olika ämnen, i olika kurser och inom olika undervisningskontexter. Att man inte antar att alla studenter är lika utan att heterogeniteten behöver vara ett problem.

Kanske är det så att en skillnad mellan erfarna och oerfarna pedagogiska utvecklare och undervisare är att de erfarna har slutat leta efter revolutionen, den ultimata lösningen. När man söker efter det nästa lilla steget som gör undervisningen bättre. Det kan vara en konceptuell fråga som går på djupet. Men också två minuter av diskussion eller en aktivitet, till exempel en demonstration av ett experiment, som får studenterna att tänka innan läraren börjar förklara. Något som inte ger en perfekt lösning på hur undervisningen kan bli bättre, utan som en lösning som blir kvar som ett steg i rätt riktning.

Den brännande frågan

Det som är kvar efter att jag har läst artikeln är inte pedagogiken utan det är ansvaret. Vi universitetslärare kan ofta vara väldigt bra på att analysera världen, samtidigt som vi inte alltid är lika bra på att analysera våra egna upplevelser och berättelser om världen.

Det kan fortfarande vara sant att systemet begränsar oss, att resurserna inte räcker och att universitet ibland gör det svårare än vad som är nödvändigt för att vi ska kunna utveckla undervisningen.

Men vi måste också erkänna att det också kan vara sant att vi använder oss av dessa förklaringar för att gömma oss bakom. Att vara maktlös kan upplevas som något bekvämt, eftersom man då inte behöver förändra sig.

Så frågan om föreläsningar handlar kanske inte om dessa utan om vår egen förmåga att samtidigt klaga på systemet och återskapa det, dag efter dag, termin efter termin, år efter år.

Kategorier
Generativ AI Lärande Undervisning

När AI-läraren blir för bra

Det finns en diskussion om bruk av AI i dagens och framtidens utbildning. Här presenteras en lockande vision av entusiasterna: den personliga AI-läraren.

Den här är inte bara en generisk språkmodell, utan en specialiserad agent som känner studenten i detalj. Ett system som vet vilka missuppfattningar som är vanliga bland studenter, kan identifiera kunskapsluckor, anpassar undervisningen till behovet och kan ge individuell återkoppling dygnet runt.

Det är en mycket tilltalande vision.

I jämförelse med dagens situation ser man varför. En lärare eller universitetslärare har begränsad tid för studenter. En AI-agent kan vara tillgänglig när som helst, förklara samma koncept på tio olika sätt och anpassa sig till varje individuell student. Ställs man inför detta, är det inte konstigt att många vill utforska och utveckla dessa möjligheter.

Men, samtidigt väcker denna vision en fråga, som jag tycker är lika eller mer intressant än tekniken själv:

Vad händer med lärandet när hjälpen eller undervisningen blir nästan perfekt?

Nu är inte detta en ny fråga, utan egentligen något som går långt tillbaka i tiden.

I ett av mina tidigare inlägg om djup och ytlig inlärning argumenterade jag för att lärande inte uppstår när information ”bara” överförs från en person till en annan. Lärande uppstår i stället när information bearbetas, kopplas till tidigare kunskap och integreras i våra existerande mentala modeller och ger förståelse.

En process som inte alltid är enkel eller behaglig, utan oftast tvärtom. Här kan studenten gå igenom olika stadier av osäkerhet, missförstånd, frustration och även ett visst mått av intellektuell kamp. Som undervisare balanserar man mellan två konkurrerande mål. Å ena sidan vill man hjälpa studenter att lyckas. Men, å andra sidan vet man samtidigt att alltför mycket hjälp kan minska eller hindra den aktivitet som bygger upp förståelse. Presenterar man komplicerat material på ett sätt som får det att framstå som enkelt, finns en risk att man skapar en ”illusion of understanding” hos studenterna som gör att de inte bearbetar materialet grundligt nog för att skapa egen förståelse.

Om man tar i bruk AI så förändras inte detta dilemma, den kan göra det betydligt mer synligt.

När prestation och lärande glider isär

I ett annat inlägg resonerade jag om en studie som visade att elever med hjälp av generativ AI kunde förbättra sina prestationer på läxor samtidigt som deras resultat på senare prov försämrades. Min poäng där var att det finns en skillnad mellan att lösa en uppgift och att lära sig det som uppgiften är avsedd att träna. Skillnaden ligger i att det är lösningsprocessen som tränas inte att få ett svar, du måste själv göra stegen inte få dom presenterade (av en AI eller annan person).

Det finns en risk att en student som arbetar med en specialiserad AI-agent kommer att få fler uppgifter rätt. De synliga resonemangen blir bättre, felen färre och det går fortare.

Men är dessa förbättringar något som säger vad som händer med förståelsen. Produktion av svar på uppgifter och lärande är inte samma sak. På samma sätt som ett välskrivet svar inte automatiskt är ett tydligt tecken på förståelse behöver heller inte en AI-assisterad problemlösning innebära att underliggande mentala modeller har utvecklats.

Det märkliga fenomenet intuition

Under min karriär har jag ofta fascinerats av hur mer erfarna kollegor arbetar och finner lösningar. Samtidigt tror många studenter att expertis främst handlar om avancerad matematik eller stora mängder faktakunskap. Sanningen är att det ofta handlar om intuition. En förmåga att se ett resultat och omedelbart se att det är något som inte stämmer.

Inte därför att man har gjort en fullständig analys, utan därför att resultatet strider mot den interna förståelsen av hur världen brukar fungera. Denna intuition är svår att definiera och ge en riktigt bra förklaring på. Men den verkar ha utvecklats på samma sätt: genom erfarenhet, misstag, felaktiga hypoteser och upprepade försök att förstå. Något som går långsamt, därför att det är en gradvis process genom eget arbete, och det är därför inte självklart att den kan ersättas av tillgång till bättre svar som man kan få med liten egen insats.

Exemplet med GPS

Idag använder jag ofta GPS när jag kör till en ny plats. (Även om jag tittar på en karta innan också.) Att använda GPS är något jag misstänker att jag inte är ensam om. Här finns det uppenbara fördelar: jag kommer fram snabbare och med färre felkörningar.

Men, samtidigt har jag också märkt att jag kan köra samma väg upprepade gånger utan att egentligen lära mig den. Jag kommer fram till min destination, men min mentala karta utvecklas långsammare. Detta betyder inte att bruk av GPS är dåligt, men det illustrerar något intressant.

När ett verktyg som GPS tar över en kognitiv uppgift förändras ofta de färdigheter vi själva behöver utveckla. En specialiserad undervisningsagent riskerar att fungera på ett liknande sätt. Den hjälper visserligen studenten framåt. Men frågan blir vilka delar av den mentala kartan som fortfarande byggs upp hos studenten.

Samtidigt vore det fel att dra slutsatsen att undervisningsagenter automatiskt blir problematiska. Det kan mycket väl bli ett av de mest kraftfulla pedagogiska verktygen vi någonsin har utvecklat. Men detta kommer troligen att avgöras av hur de designas.

En agent som omedelbart levererar ett svar utan att initiera kognitiva processer hos studenten riskerar då att ersätta delar av studentens resonerande. En agent som däremot ställer frågor, kräver motiveringar och utmanar studentens antaganden kan i stället förstärka resonerandet. En skillnad som är avgörande.

I det ena fallet är det agenten som egentligen står för tänkandet, i det andra fallet stödjer agenten studentens egna tänkande.

Detta betyder att den bästa AI-läraren inte är den som alltid vet svaret och ger det direkt, utan den som vet när den inte ska ge svaret.

Universitetets uppgift efter AI

I ett tidigare inlägg (ai och universitetens ide) diskuterade jag generativ AI som en teknik som utmanar den traditionella kopplingen mellan produkt och process som råder på universitet. Där vi under lång tid har antagit att ett bra resultat (svar) motsvarar ett lärande, något som AI gör betydligt svagare.

Om vi skapar specialiserade undervisningsagenter aktualiseras denna fråga på en djupare nivå. Om en agent inte bara hjälper studenten att producera ett svar utan också vägleder själva tankeprocessen, vad är det då som studenten lär sig?

Nu tror jag inte att detta är ett bra argument mot AI i utbildningar. På samma sätt som kalkylatorn inte gjorde räknefärdigheter överflödiga kommer AI-agenter att göra lärare eller för den delen studenter överflödiga. Det kanske ger oss möjligheter som tidigare generationer bara kunnat drömma om. Men precis som kalkulatorn förändrade vilka färdigheter som blev viktiga, kan AI förändra vilka färdigheter som blir viktiga inom utbildning.

Om AI blir bättre på att ge svar, desto viktigare blir människans förmåga att kunna formulera frågor, speciellt rätt frågor, men också omdöme och kritiskt tänkande blir viktigare.

Men det följer också att ju bättre AI-läraren blir, desto viktigare blir det att vi förstår fullt ut vilka delar av lärandet som fortfarande utförs eller måste utföras av studenten själv.

Det är viktigt att se att universitetets uppgift aldrig har varit att enbart producera korrekta svar. Uppgiften har varit att utveckla människor som ska kunna hantera eller ställa frågor där svaren ännu inte finns.

Kan det vara så att framtidens bästa AI-lärare inte är den som ger det bästa svaret. Det kan vara den som vet när den ska låta bli att svara. Den viktiga frågan är om vi är villiga att acceptera en AI som ibland gör lärandet långsammare för att göra förståelsen djupare. Vad är det viktiga egentligen?

Kategorier
Examination Fysik Generativ AI Lärande Undervisning

AI-literacy är viktigare än AI i undervisningen

Det finns idag inte många frågor som engagerar i högre utbildning lika mycket som artificiell intelligens. Diskussionerna handlar ofta om varianter av samma fråga:

Hur ska vi använda AI i utbildningen?

Detta är en naturlig fråga. Men jag är inte säker på att det är det viktigaste. Frågan vi borde ställa oss kanske är:

Vilka kunskaper och förmågor kommer människor att behöva i en värld där AI alltid finns lätt tillgänglig?

Verktygen förändras. Förmågorna består.

Under de senaste åren har många utbildningsinitiativ främst fokuserat på AI-verktyg, promptskrivning och olika former av AI-användning. Samtidigt har dock utvecklingen gått så snabbt att många rekommendationer har blivit föråldrade redan efter kort tid.

Men detta är inte särskilt märkligt. Teknik utvecklas hela tiden och verktyg kommer och går.

Denna utveckling gör att universitetens uppgift inte kan vara att utbilda studenter för en specifik språkmodell (AI).

Generativ AI är en teknik som kom snabbt och som har blivit allmänt tillgänglig långt innan universiteten har haft möjlighet att agera och hunnit utveckla stabila pedagogiska modeller för dess användning. Därför är frågan inte längre om AI ska användas, utan hur användningen kan stödja universitetens utbildnings- och forskningsuppdrag (AI och universitetets ide).

Det är därför jag tror att fokus på AI-användning med specifika AI-modeller ibland riskerar att bli alltför begränsat. Om fem år kommer vi sannolikt att använda andra modeller än idag, men behovet av gott omdöme kommer däremot att finnas kvar.

AI-literacy

Begreppet AI-literacy är något som används allt oftare nu. Det framställs ibland som att det är en ny kompetenskategori. Men när man tittar på detta i detalj handlar det om något äldre. Ser vi på AI-literacy handlar det om:

  • att kunna värdera källorna
  • att förstå osäkerheter
  • att kunna identifiera felaktiga slutsatser
  • att kunna känna igen bias
  • att kunna skilja mellan information och kunskap

Det vill säga samma färdigheter som vetenskapen alltid har byggt på.

För en student är det viktigt att inte acceptera ett AI-genererat svar utan att granska det. Studenten gör då samma misstag som att acceptera den första Google-träffen eller den första artikeln som råkar stödja den egna uppfattningen. Här är inte problemet AI, utan det är frånvaron av kritiskt tänkande.

AI-literacy är inte nog

Det finns behov av ett bredare begrepp. Då AI-literacy handlar om att förstå systemen man använder, behöver man också förstå interaktionen mellan människa och system. Det man kan kalla AI-interaction literacy.

Det handlar om att kunna använda AI utan att upphöra med sitt tänkande. Det handlar om:

Hur ställer man frågor?

Hur granskar man svaren?

Hur känner man igen när AI hjälper en att tänka och när den ersätter tänkandet?

Den sista frågan är särskilt viktig eftersom lärande inte handlar om att konsumera information. Den forskning som finns om djupinlärning och kognitiv bearbetning visar att förståelse uppstår när ny information integreras med existerande kunskap och bearbetas aktivt i arbetsminnet (GenAI, and Deep vs Shallow Learning).

Om användning av AI minskar behovet av denna bearbetning, är konsekvenserna något vi måste beakta i detalj. Det betyder att vi måste förstå de delar som skapar lärande

Mitt perspektiv

Som fysiker är jag färgad av min disciplin och av hur den förhåller sig till vetenskapen. Vilket ger ett sätt att tänka på frågan.

Det jag ser idag är att:

AI kan lösa många, om inte alla, textboksuppgifter i fysik.

Den kan förklara Newtons lagar lika bra som en professor.

Den kan skriva bra laborationsrapporter.

Men kännetecknet för en erfaren fysiker är inte bara förmågan att återge information, utan det är intuitionen. Den förmågan att se ett resultat och misstänka att något är fel redan innan den fullständiga analysen är genomförd. En intuition uppstår inte genom att läsa facit eller se färdiga lösningar. Det är den som man får genom att brottas med problem, när man gör fel och tvingas tänka om. (Vad händer med fysikintuitionen när ChatGPT gör jobbet?)

Ser man på frågan ur detta perspektiv, så kan det vara så att framtidens utbildning inte bör fokusera på att lära studenter att använda AI. Det är viktigare att fokusera på att utveckla de mänskliga förmågor som gör att AI:s svar kan granskas kritiskt och värderas.

Svaret är inte produkten!

Många ser en fysikuppgift som ett hinder som ska passeras för att få ett svar. Men ur ett pedagogiskt perspektiv är arbetet med uppgiften, som är det viktiga, inte svaret i sig.

På samma sätt som ingen skulle anlita någon annan för att gå till gymmet åt sig kan man inte fullt ut outsourca den mentala processen som i förlängningen leder till förståelse.

Detta perspektiv blir särskilt intressant i ljuset av studier som tyder på att AI kan förbättra prestation på läxor samtidigt som den underliggande förståelsen inte nödvändigtvis utvecklas i samma takt (AI gör läxorna. Men vem lär sig något?). Det betyder dock inte att AI saknar värde, snarare tvärtom. Men det betyder att vi måste skilja mellan verktyg som hjälper lärandet och verktyg som ersätter det.

Universitetets uppdrag

Jag har pekat på att AI utmanar flera antaganden som det moderna universitetet bygger på, bland annat relationen mellan arbete, kunskap och examination (AI och universitetets ide, Universitetens framtid och AI).

Här tror jag att den viktigaste frågan inte är hur vi skall göra alla studenter till experter på dagens AI-system. Det är hur vi hjälper studenter att kunna:

  • tänka kritiskt
  • utveckla sin intuition
  • förstå de grundläggande principerna
  • värdera svar både från människor och maskiner

Fysiken och den vetenskapliga metoden överlever dagens AI-system.

Det är anledningen till att jag tror att framtida utbildningar bör fokusera mindre på AI-användning och mer på AI-literacy, AI-interaction literacy och de fundamentala färdigheterna som alltid har varit grunden i lärandet.

Det handlar inte om artificiell intelligens, utan om mänskligt omdöme, och detta är universitetets viktigaste resurs.

Kategorier
Astronomi Historia The light side

Decoding Norse Constellations

Over 20 years ago, I started a project to identify Norse names for constellations and stars. The final(?) product became a manuscript (unpublished) and a sky culture in Stellarium (Stellarium.org), as well as being presented in blog form (Norse sky culture – Viking constellations). This sparked curiosity worldwide, and the work has been implemented in different settings. My favourite being the Sky Trail on Unst in the Shetlands (https://wildskiesshetland.com/unst-sky-trail/).

However, I never discussed the criteria I used in detail.

One must remember that history is a subject coloured by ideology and nationalism, making it hard to sort out what is real or not. But in this case, history alone is not enough. One must also take astronomy into account as well as culture and in some cases also flora and fauna. If you have a name of a constellation referred to as, for example, a scorpion, the origin must come from a region where scorpions are part of the local fauna and thus the local culture. In other words, a constellation named the scorpion is not likely to have been used in a Norse culture.

Historical criteria

The gold standard would be if a name is recorded in a medieval Norse source, preferably from the Viking Age or shortly after. But there are questions that must be answered, for example, whether the name is mentioned in the text and if the manuscript can be dated. But one must also question if the text is genuine or if it is a later retelling.

Therefore, names that can be found in a medieval source are far more valuable than a name recorded for the first time in 19th century. But it does not exist many medieval sources, which is a major problem.

But it is equally important to find other sources that can be considered as being independent of later (18th century or later) sources. That is, if you can find names that are similar in other Scandinavian folk traditions separated geographically, it is likely to have roots in an older tradition. One example that I used is Day Star, where similar names can be found in Swedish and Norwegian folk tradition in addition to Icelandic folk tradition and the Norse name.

This also applies to linguistics; the names should fit Old Norse language patterns. Such as Friggjarrokkr (”Frigg’s Distaff”), which uses authentic Norse grammar and vocabulary.

If names use more modern language, one should be suspicious.

This can be seen in the effort to reconstruct many “Viking” traditions during the 18th and 19th centuries, when scholars and nationalists tried to rebuild a lost Norse past.

So, it is important to ask if the name was documented before Romanticism.

Astronomical criteria

Even if a constellation name is historically recorded, we still need to know whether the sky pattern itself makes sense.

It is important that the stars form an obvious pattern visible to the naked eye. For example, Orion’s belt or the Big Dipper. Here it is possible to look across traditions to see if the same patterns occur.

In addition, a proposed Norse constellation should be readily visible at northern latitudes. That is, can the constellation be observed? But also, is it visible during important parts of the year? This must also be possible to couple with different activities, navigation or when fish is migrating and easy to catch. In this case, highly visible objects like Ursa Major and the Milky Way, which are highly visible from Scandinavia and should have a strong cultural significance.

But names must also fit the culture, but mythological and daily life, not only activity but as objects. Wagons and spindles can be found both in daily life as well as being prominent in mythology. For example: Friggjarrokkr links to the goddess Frigg and spinning.

If we have objects and concepts familiar to medieval Scandinavians, names can be considered as being probable. Compare this with Greco-Roman constellations such as Pegasus or Andromeda, which belong to a different mythological system.

So, my attempt to identify Norse star names and constellations rests on historical sources as well as linguistic and folk tradition, in addition to astronomical factors, such as visibility and when stars and constellations are prominent in the sky.

If I could find any name before Romanticism, I have not considered it likely; the same if the source could not be coupled to Scandinavia.

There might be people who do not agree on the names, but I have only used names that fulfil all the criteria above. I have as well looked at neighbouring cultures to find if there are similarities, some has a similar meaning but also a similar practical use why there is more than just cultural transfer.

Kategorier
Fysik Generativ AI Lärande Uncategorized Undervisning

Vad händer med fysikintuitionen när ChatGPT gör jobbet?

När man vet att svaret är fel

En av erfarenheterna man märker som fysikstudent efter några år är att man börjar veta om ett svar är fel innan man har kontrollerat om man har räknat rätt. Man ser på resultatet och någonting känns fel.

Energin verkar för stor. Hastigheten verkar orimlig. Tiden ser inte rimlig ut.

Detta är inte någonting som beror på att man räknar snabbare eller har räknat mer. Det är därför att man har utvecklat något som är betydligt viktigare:

Fysikintuition.

Detta är baserat på erfarenheter och på att man har lärt sig att se vad som är rimligt eller inte utifrån sin grundläggande förståelse. När det nu är möjligt för en generativ AI att lösa problem åt oss, uppstår därför en ny fråga:

Vad händer med fysikintuitionen när studenten inte längre behöver kämpa med problemlösning?

Fysikintuition är ingen mystisk förmåga

Intuition är något som många ser som om det vore något som är medfött. Men det är oftast inte fallet. I diskussionerna med Nobelpristagare, som sändes på svensk TV och senare internationellt, var intuition ett återkommande tema. Här fanns inget givet svar, men det var något många var medvetna om och som ansågs viktigt. Men det var också sett som resultatet av lång erfarenhet. Intuition bygger på:

  • Att man arbetat med många problem
  • Gjort misslyckade lösningar
  • Genomfört laborationer som gick fel
  • Sökt och hittat fel(-källor)
  • Granskat orimliga resultat

I GenAI, and Deep vs Shallow Learning diskuterade jag hur djupinlärning uppstår när ny information bearbetas och kopplas till existerande kunskap. Det viktiga är inte att ta emot information utan att aktivt arbeta med den. Denna process bygger även upp intuitionen för fysik.

Nybörjaren ser formler – experten ser fysik

Nybörjare i starten av sin utbildning löser ofta men inte alltid problem genom att fråga sig:

Vilken formel ska jag använda?

Detta sker oftast genom att identifiera vad som är givet och vad som söks. Man letar efter en formel som har detta i sig. Med mer erfarenhet, intresse och god undervisning förändras perspektivet. Då börjar man se bortom formlerna och ser till exempel:

  • Energins bevarande
  • symmetrier
  • rörelsemängden bevarande
  • möjliga approximationer

Fermi och konsten att tänka som en fysiker

Ett sätt att träna upp sin intuition och förmåga att tänka som en fysiker är de klassiska Fermi-problemen. Ett problem som man vill ha svar på är till exempel:

Hur många pianostämmare finns det i Chicago?

Här är inte svaret det viktiga utan vägen till att finna ett svar, resonemanget. Man gör uppskattningar. Man gör antaganden. Problemet delas upp i mindre delar.

Detta är metoden som fysiker använder när de ställs inför ett nytt problem. Man försöker förstå problemet och delar upp det i mindre lösbara delar innan matematiken kommer in. Så intuition är inte en ersättning för analys, utan resultatet av upprepade analyser av problem. Man lär sig hitta smarta genvägar.

Vad gör AI med denna process?

Här blir generativ AI intressant.

I Feedback literacy i GenAI-tider: snabbare svar, men kravet på omdöme ökar, påpekade jag att GenAI drastiskt minskar tiden mellan fråga och svar. För en student låter detta positivt. Och det kan ofta vara positivt. Men samtidigt förändrar detta också studentens arbetssätt.

Innan GenAI såg processen ofta ut så här:

Problem → tänkande → hypotes → lösning → kontroll.

Nu finns det en risk att den blir:

Problem → prompt → svar.

Om fokus ligger på att bara få ett svar. Detta betyder att ju bättre verktyget blir, desto mindre friktion uppstår. Här ligger dock problemet, det är att den kognitiva bearbetningen ofta sker just i denna friktion.

Djupinlärning eller ytinlärning?

I GenAI, and Deep vs Shallow Learning argumenterade jag för att den avgörande frågan inte är om studenter använder AI, utan hur de använder AI. Två studenter kan använda exakt samma verktyg på helt olika sätt. Till exempel:

Student A

Frågar en GenAI:

Vad är svaret?

Student B

Frågar istället:

Vilka principer behövs för att hitta en lösning?

Kan du visa en alternativ metod för att lösa problemet?

Student A får sannolikt ytlig inlärning, medan student B får djupinlärning.

Verktyget är detsamma, men lärandet blir helt olika.

AI som handledare

Det vore dock fel att beskriva AI som enbart ett hot mot intuition. I flera inlägg om GenAI i undervisning och lärande har jag argumenterat för att GenAI bör förstås som ett verktyg vars värde avgörs av hur det används.

Om vi har en student som använder ett GenAI-verktyg ChatGPT för att:

  • Diskutera rimligheter i svar
  • analysera fel
  • jämföra modeller
  • få alternativa förklaringar

Så kan GenAI faktiskt bidra till utvecklingen av intuition. Problemet uppstår istället när GenAI ersätter den process som bygger intuitionen.

Omdömet blir viktigare än beräkningar

I Feedback literacy i GenAI-tider argumenterade jag för att AI inte minskar behovet av omdöme utan snarare ökar det. Detta gäller även inom fysiken.

När AI producerar en lösning måste studenten kunna avgöra om:

  • Modellen är rimlig.
  • Antagandena är rimliga.
  • Resultatet är rimligt.

Denna förmåga är det inte möjligt att outsourca. Så fort det händer upphör det självständiga tänkandet.

En förändring som redan pågår

I AI i högre utbildning: att leda förändring när verktyget kom före evidensen beskrev jag generativ AI som en «arrival technology». Den anlände innan vi hann utveckla gemensamma normer och pedagogiska strategier. Med andra ord har förändringen redan startat. Idag använder studenter och undervisare GenAI. Det är nu en fråga om hur vi ska utforma undervisningen för att se till att det självständiga tänkandet inte försvinner.

Avslutning

Det handlar om att vi måste förstå vad kunskap är och inte är. Det är viktigt att se att kunskap inte bara handlar om att få fram rätt svar. Det handlar lika mycket om att utveckla sätt att tänka. Det handlar om att skapa en intuition inom sitt ämne och att gradvis bygga upp förståelse.

Här kan GenAI hjälpa oss. Men det gör det lika gärna lättare att undvika att bygga upp förståelse.

Så den viktigaste frågan blir kanske: Hur säkerställer vi att studenter fortfarande utvecklar den fysikintuition som gör att de kan lösa nästa problem utan hjälp?

Kategorier
Examination Generativ AI Lärande Undervisning

Undervisning i AI-eran

Under de sista åren har diskussionen om artificiell intelligens i utbildningsväsendet mest handlat om en fråga: ska studenter få använda GenAI?

Det är en naturlig fråga att ställa, men troligen fel fråga.

Studenter använder redan GenAI. Inte alla, inte alltid, men tillräckligt många för att användandet inte längre går att stoppa. Situationen påminner mycket om debatterna som fördes kring miniräknare, internet och Wikipedia. Varje ny teknik som kommit har utlöst en oro för att kunskap eller färdigheter ska försvinna. Ändå finns matematiken, biblioteken och behovet av kunskap kvar och är större än någonsin.

Den verkligt intressanta frågan är därför inte om studenter använder GenAI, utan hur undervisning och examination bör utformas när varje student har tillgång till en ”handledare” som aldrig sover, aldrig blir otålig och alltid är beredd att ge ett svar på alla frågor som kan ställas. Även om svaret är fel.

Vad händer med lärandet?

För över trettiofem år sedan fick jag inpräntat, under en kurs i högskolepedagogik, att målet med undervisning är att främja djupinlärning och undvika ytlig inlärning. Det centrala budskapet var att information inte automatiskt blir kunskap. Information måste bearbetas, jämföras med tidigare erfarenheter och sättas in i ett sammanhang. Först då sker det vi kan kalla lärande.

Detta stämmer väl överens med vad kognitionsforskningen säger. Arbetsminnet är begränsat. Förståelse kräver aktiv bearbetning. Samtal och samarbete kan förstärka denna bearbetningsprocess genom att flera personer arbetar tillsammans med att bygga upp sin förståelse.

Det är här det uppstår ett dilemma.

Om en student fastnar på en uppgift kan GenAI leverera en färdig lösning på några sekunder. Men problemet är att lärande inte sker när ett svar presenteras. Det riktiga lärandet sker under processen att förstå frågeställningen, pröva olika idéer och infallsvinklar, göra misstag och korrigera dem.

Detta kan jämföras med fysisk träning. Man blir själv inte starkare av att se någon annan lyfta vikter.

På samma sätt blir man inte nödvändigtvis klokare av att se en GenAI (eller undervisare) lösa problem.

Samtidigt är det fel att dra slutsatsen att bruk av GenAI är skadligt. Tvärtom kan tekniken även fungera som en kraftfull studiepartner. Studenter kan få alternativa förklaringar, diskutera olika koncept, kontrollera sitt resonemang och få omedelbar återkoppling. Det avgörande är inte om GenAI används, utan hur den används.

Från svar till förståelse

Den viktigaste konsekvensen kommer att vara att undervisningen måste förändras.

Om GenAI kan producera färdiga lösningar på «standarduppgifter» blir det inte meningsfullt att utbildningen domineras av just denna typ av uppgifter. Fokus måste i stället flyttas från en produktion av svar till processen med problemlösning, förståelse av grundläggande principer och hur man använder dessa.

I traditionell undervisning ställs ofta frågor som:

«Beräkna accelerationen.»

Det är fortfarande en grundläggande färdighet.

Men framtidens frågor skulle kunna vara:

«En GenAI har löst problemet enligt följande. Identifiera antaganden, diskutera svagheter i resonemanget och bedöm om resultatet är rimligt.»

Då är det inte nog att kunna trycka på rätt knappar eller mata in rätt prompt. Här måste studenten förstå fysiken, väga argument och hitta svagheter i presenterade lösningen.

Detta ligger dessutom närmare hur forskning egentligen fungerar. Forskare producerar sällan kunskap ur tomma intet. En stor del av arbetet handlar om att kritiskt granska modeller, experimentella data och dra slutsatser från dessa.

Detta är fortfarande en av människans styrkor och är mycket viktigt även i framtiden.

Men vad händer med examinationen?

Nu blir diskussionen riktigt intressant och mer komplicerad.

En stor del av debatten om GenAI när det gäller examination handlar ofta om fusk. Men även här riskerar vi att ställa fel fråga.

En grundläggande och viktig fråga när det gäller examination är:

Vad är det egentligen vi vill mäta?

Om målet, efter introduktionen av GenAI, är att kontrollera om studenten kan göra samma sak som en GenAI kan, då har vi ett problem. GenAI-system blir allt bättre på att lösa många av de uppgifter som traditionellt förekommer inom naturvetenskapliga och tekniska utbildningar och examinationer.

I arbetslivet arbetar ingen ingenjör, fysiker eller forskare utan digitala verktyg. Det som skiljer experten från nybörjaren är inte tillgången till information, utan förmågan att värdera och kritiskt granska tillgänglig information.

Många traditionella examinationsformer mäter därför inte nödvändigtvis de färdigheter som är viktiga i arbetslivet eller i framtiden. Frågan är om vi alltför länge har examinerat det som är enkelt att mäta i stället för det som är viktigt att kunna.

Den stora paradoxen

Paradoxen är att GenAI både kan vara det största hotet mot traditionell examination och det bästa verktyget för att förbättra den.

Ett viktigt tema inom pedagogisk forskning är betydelsen av återkoppling. Studenter lär sig inte särskilt mycket av ett betyg som ges efter att arbetet är klart. Däremot lär de sig av en snabb och detaljerad feedback som då gör det möjligt att korrigera missuppfattningar medan lärprocessen fortfarande pågår och förståelsen fortfarande är enkelt formbar.

Här kan Computer-Assisted Assessment Systems (CAAS) som STACK vara intressanta att använda som hjälp med examinationen. Se Föreläsarens drömmar. Sådana system kan i tillägg till att generera individualiserade uppgifter, även ge en snabb återkoppling och låta studenter prova upprepade gånger (med poängavdrag, answer-until-correct) tills ett korrekt svar nås. Detta transformerar examinationen till att också vara en lärandesituation. Även den administrativa belastningen på examinatorn minskas eftersom rättningen sker automatiskt och är helt objektiv.

Det centrala är dock inte tekniken. Det centrala är att examinationen blir en del av lärandet.

Examen som träning

Kanske är det dags att sluta se examen som enbart kontroll och i stället börja se den som träning.

I stället för att allt avgörs under några timmar i slutet av kursen kan studenter möta flera examinationstillfällen under kursens gång. Distribuerade låg-stakes-prov, med till exempel STACK, kan minska stress, öka studenternas aktiva deltagande och motivation och ge fler möjligheter att identifiera missförstånd innan de växer sig så starka att det blir svårare att bryta dem.

Detta stöds också av vad vi vet om lärande. Kunskap byggs genom upprepad aktivering och bearbetning. Inte genom en heroisk insats dagarna eller kvällen före examen.

GenAI förändrar inte denna grundläggande princip. Snarare gör GenAI den ännu viktigare, då tekniken också kan användas just för en korvstoppning innan examen..

Den muntliga examinationens oväntade återkomst

En annan konsekvens kan vara att vissa äldre examinationsformer får en renässans.

Muntliga examinationer har länge betraktats som för dyra och tidskrävande, i tillägg till motstånd från studenter med risk för bias (trynefaktor) och en stressande situation. Men den har en unik egenskap. Det är möjligt att mäta förståelse. När examinatorn kan ställa följdfrågor blir det snabbt tydligt om studenten verkligen har förstått konceptet:

Varför gjorde du detta antagande?

Hur påverkas resultatet om vi ändrar modellen?

Är svaret rimligt?

Hur vet du det?

På några minuter kan man ofta få en bättre bild av studentens förståelse än genom flera sidor av uträkningar av ett «standard»-problem.

Quo Vadis?

Vi vet idag att GenAI kommer att förändra undervisningen och som följd även examinationen.

Frågan är inte om dessa förändringar kommer. Frågan är när och om vi vågar anpassa oss nu eller när vi måste.

Om man försöker se in i framtiden består kanske examinationen av en kombination av automatiserade tester, GenAI-stödda övningar, gruppdiskussioner, muntliga försvar, projektarbeten och kontinuerliga låg-stakes-prov. Det kommer troligen finnas utrymme för den traditionella skriftliga salsexamen, men med en betydligt mindre dominerande roll.

Om målet är djupinlärning finns det kanske bara en väg. Vi måste konstruera undervisning och examination som belönar förståelse, omdöme och kritiskt tänkande.

Det vill säga de egenskaper som gör studenter till forskare, ingenjörer och samhällsmedborgare.

Åtminstone tills GenAI lär sig göra även det bättre än vi själva kan. Men då är det andra frågor som kommer att vara viktigare.

Kategorier
Generativ AI Lärande Uncategorized Undervisning

När hjälp blir ett arbete

I flera av mina tidigare inlägg har jag argumenterat för att GenAI kanske får oss att ställa fel frågor om utbildning. I stället för att fråga vad teknologin kan göra har jag föreslagit att vi bör fråga vad studenten ska göra, vilket tänkande som behöver utföras och vilka delar av lärprocessen som faktiskt leder till förståelse.

Men efter att ha läst en nyligen publicerad artikel av Linus Brunnström och Lisa Palmqvist [1] tror jag att det finns ytterligare en fråga som behöver beaktas.

I tidigare inlägg har jag bland annat argumenterat för att snabb feedback inte automatiskt leder till lärande och att tillgång till svar inte är samma sak som förståelse. Det räcker inte längre att prata om GenAI-literacy som om det bara handlar om att använda GenAI. Utan man måste även se på interaktionen. Det handlar om att kunna styra, evaluera och verkligen lära sig något av interaktionen. Detta kan ses som AI-interaction literacy. En djupare kunskap om hur man interagerar med GenAI på ett aktivt sätt. Problemet är inte att hjälp saknas. Problemet är att hjälpen ofta måste bearbetas innan den blir användbar.[1]

Det handlar alltså inte bara om vad GenAI ger studenten.

Utan också om vad studenten måste ge till GenAI:n.

Det kanske låter märkligt. Hela idén med ett verktyg är ju att det ska hjälpa oss. Ändå kretsar en stor del av artikeln [1] kring en oväntad observation. När författarna försökte använda GenAI som stöd för lärande upptäckte de att det krävdes ett betydande arbete för att göra hjälpen användbar. GenAI:n svarade gärna, snabbt och utförligt, men svaren behövde ständigt justeras, förenklas, avgränsas och omformuleras innan de blev pedagogiskt användbara som stöd för lärandet.

Vi behöver kanske se på GenAI ur ytterligare ett perspektiv.

Vi har blivit så vana vid att beskriva digital teknik som något som minskar friktion att vi nästan har tagit det för givet. Sökmotorer gjorde det enklare att hitta information. GPS gjorde det enklare att hitta rätt. Strömningstjänster gjorde det enklare att finna och konsumera musik och film.

AI placeras ofta i samma kategori.

Den ska göra saker enklare.

Men vad händer om det inte är det som händer?

Från informationsbrist till informationsöverflöd

Universiteten har länge levt med ett grundläggande problem: studenter vet för lite.

Därför har vi byggt upp undervisningen kring att ge tillgång till kunskap, förklaringar, återkoppling och experter.

Men om man läser artikeln [1] noggrant framträder en annan bild. Problemet tycks inte längre vara att det saknas svar. Problemet är snarare att det finns för många svar, för många perspektiv och för många möjliga vägar framåt.

Det är en ganska intressant förändring.

Under större delen av universitetens historia har studentens arbete bestått i att söka efter kunskap och information. Nu kanske arbetet i allt högre grad består i att hantera kunskap.

Skillnaden kan verka subtil, men jag tror inte att den är det. Att hitta information är en sak. Att avgöra vilken information som är användbar är något helt annat.

Den mänskliga handledarens dolda kompetens

Kanske blir detta tydligast om man jämför GenAI med en skicklig lärare. När vi talar om undervisning fokuserar vi ofta på ämneskunskap. Men de mest minnesvärda lärarna var inte minnesvärda därför att de kunde mest. De var minnesvärda därför att de lyckades säga precis lagom mycket.

De visste när studenten behövde ytterligare en förklaring. Men de visste också när studenten inte behövde fem ytterligare begrepp, tre historiska utvecklingar och två konkurrerande teoribildningar. De visste när nästa steg var tillräckligt.

Det är kanske en av anledningarna till att AI ibland kan kännas märkligt överpedagogisk och underpedagogisk på samma gång. Den har nästan obegränsad kunskap. Men den har betydligt svårare att avgöra vilken del av kunskapen som är mest hjälpsam i det aktuella ögonblicket.

I artikeln [1] är detta påtagligt. Författarna behövde upprepade gånger säga att svaren var för omfattande eller för komplexa innan AI:n började närma sig något som liknade det en erfaren stödjande handledare hade producerat.

Ett nytt arbete uppstår

Det är här resonemanget blir intressant.

I ett tidigare inlägg skrev jag om feedback literacy och argumenterade för att värdet av återkoppling inte ligger i att få den utan i att kunna använda den.

Något liknande ser vi här. GenAI gör inte nödvändigtvis att behovet av arbete försvinner. Den flyttar arbetet. Studenten behöver fortfarande vara aktiv, men aktiviteten ser annorlunda ut.

I stället för att leta efter information behöver studenten:

  • Avgöra vad som är relevant
  • Identifiera vad som fortfarande är oklart
  • Be om alternativa förklaringar
  • Begränsa omfattningen i svaren
  • Styra samtalet vidare så att GenAI:n förstår vad du vill ha

Det är med andra ord ett arbete som handlar mindre om informationsinhämtning och mer om orkestrering. Studenten blir inte bara mottagare av kunskap. Studenten blir projektledare för sitt eget lärande.

Kanske är det just här som den pedagogiska betydelsen av GenAI blir som tydligast. Vi har byggt en teknologi vars främsta löfte är att minska arbetet, men i utbildning verkar den samtidigt skapa en ny typ av arbete.

Kanske har vi underskattat problemet

Det får mig också att fundera på en annan sak.

Vi talar ofta om GenAI som ett verktyg som kan jämna ut skillnader mellan studenter eftersom alla får tillgång till samma resurser. Men tänk om förmågan att använda resurserna är ojämnt fördelad? Vissa studenter intuitivt vet hur man styr ett samtal, upptäcker missförstånd och successivt förfinar sina frågor medan andra inte gör det. Då är det kanske inte tillgången till GenAI som blir den avgörande faktorn.

Då blir det förmågan att hantera GenAI. Det är också nära det som Linus Brunnström och Lisa Palmqvist beskriver som AI-interaction literacy [1].

Det intressanta är att denna kompetens till stor del verkar sammanfalla med sådant som universitet redan försöker utveckla: självständighet, kritiskt tänkande, metakognition och förmågan att identifiera vad man inte förstår.

Ironiskt nog kan det alltså vara så att de studenter som redan är relativt skickliga på att lära sig också är de som får störst nytta av AI som läranderesurs.

Slutord

Även om diskussionen på ytan verkar handla om artificiell intelligens, så ligger något djupare bakom.

Det handlar om relationen mellan hjälp och lärande.

Vi brukar intuitivt anta att mer hjälp alltid är bättre. Men utbildning har aldrig fungerat riktigt så. För mycket hjälp kan göra studenten passiv. För lite hjälp kan göra studenten uppgiven. Det verkligt svåra har alltid varit att hitta balansen däremellan.

Kanske är det därför GenAI är så intressant ur ett pedagogiskt perspektiv. Inte därför att den eliminerar arbetet. Utan därför att den synliggör vilken typ av arbete fortfarande måste göras av människan.

Om de senaste årens GenAI-debatt har handlat om hur enkelt det blivit att få svar, kanske nästa fas kommer att handla om hur man gör svaren användbara. Och kanske visar det sig då att den verkligt begränsade resursen inte är information, beräkningskraft eller tillgång till GenAI. Utan människans förmåga att skapa mening av allt detta. Teknologi kommer, men ofta ändras inte människors natur och hur de reagerar.

  1. Brunnström, L., & Palmqvist, L. (2026). AI-interaction literacy: reflections on how generative AI might be used to support self-regulated learning in higher education. Assessment & Evaluation in Higher Education, 1–12. https://doi.org/10.1080/02602938.2026.2731261
Kategorier
Generativ AI Lärande Uncategorized Undervisning

GenAI i undervisningen: Vad är det egentligen studenten ska göra?

I flera tidigare inlägg har jag berört olika aspekter av generativ AI i högre utbildning.

I AI i högre utbildning: att leda förändring när verktyget kom före evidensen beskrev jag GenAI som en arrival technology, en teknologi som etablerade sig i undervisningen långt innan forskningen hunnit utveckla en stabil evidensbas eller tydliga pedagogiska modeller.

I GenAI, and Deep vs Shallow Learning diskuterade jag skillnaden mellan djup- och ytinlärning och hur lärande bygger på att ny information aktivt bearbetas, relateras till tidigare kunskap och/eller diskuteras med andra. Där ställdes också frågan om vad som händer när GenAI blir den första man frågar istället för sin medstudent.

I Feedback literacy i GenAI-tider argumenterade jag för att snabb återkoppling inte automatiskt leder till bättre lärande och att den verkliga utmaningen kanske inte handlar om tillgång till feedback, utan om förmågan att använda den klokt.

I Universitetens framtid och AI ställde jag en ännu större fråga: Om GenAI kan producera samma resultat som studenten, vad är det egentligen som universitetet mäter?

I Tänk fort, tänk långsamt och tänk artificiellt, diskuterar jag Shaw och Naves [1] idé om att vi kanske behöver komplettera Kahnemans två system med ett tredje, artificiellt system för tänkande. Ett system som inte finns i hjärnan men som ändå börjar påverka hur vi resonerar, fattar beslut och löser problem.

Från dessa framgår det tydligt att den fråga man måste ställa inte är vad GenAI kan göra, utan vad studenten måste göra själv.

Ett tankeexperiment

Låt oss göra ett tankeexperiment. Föreställ er att vi tar en tidsmaskin tillbaka till universitetet på 1980-talet. Vi samlar några universitetslärare och berättar följande:

«Om fyrtio år kommer varje student att bära runt på en apparat som har tillgång till större delen av världens samlade kunskap. Apparaten kommer dessutom att kunna skriva uppsatser, förklara kvantmekanik, programmera, sammanfatta vetenskapliga artiklar och formulera övertygande svar på tentafrågor.»

Jag misstänker att många skulle ha ställt samma fråga:

«Vad ska då studenterna göra själva?»

Det visar sig vara en betydligt svårare fråga än man först kan tro.

Universitetets märkliga affärsidé

Universitet är egentligen ganska märkliga institutioner. Varje år låter vi tusentals studenter lösa problem som redan är lösta. Fysikstudenter räknar på rörelser som Newton gjorde för över 300 år sedan. Historiker analyserar händelser vars utgång redan är känd. Medicinstudenter tränar på diagnoser som erfarna läkare ställer på några minuter.

Ur ett produktionsperspektiv är detta närmast absurt ineffektivt. Om målet vore att producera korrekta svar skulle vi lika gärna kunna dela ut facit direkt. Eller ännu enklare. Vi skulle kunna låta en språkmodell göra jobbet.

Men det är naturligtvis inte därför universitet finns. Universitetets uppgift är inte att producera svar. Universitetets uppgift är att utveckla människor och ge dem färdigheter för att kunna besvara frågor som vi inte har svar på.

Det finns en avgörande skillnad mellan att ha ett svar och att kunna finna fram till ett. Misstaget vi gör är att anta att de två sakerna hänger ihop. Om en student skrev en bra rapport eller löste ett svårt problem var det i regel ett tecken på att studenten också hade utvecklat motsvarande förståelse och färdigheter.

GenAI gör att detta antagande blir betydligt svårare att argumentera för. Plötsligt kan en välskriven text eller en korrekt lösning säga mindre om den bakomliggande lärprocessen än tidigare. Det betyder inte att lärandet har försvunnit, utan att kopplingen mellan prestation och lärande har blivit betydligt svårare att tolka. Och då börjar en obekväm fråga tränga sig på:

Vad är det egentligen vi bedömer?

När hjälp blir ett problem

Om man frågar studenter vad som hjälper dem att lära sig något, får man ofta ganska intuitiva svar.

Tydliga förklaringar.
Snabba svar.
Bra sammanfattningar.
Omedelbar återkoppling.

Det är just därför GenAI känns så användbart för studenter. Problemet är att flera decenniers forskning om lärande pekar på något som först låter paradoxalt.

Det som känns lättast medan vi lär oss är inte alltid det som leder till bäst lärande.

I GenAI, and Deep vs Shallow Learning argumenterade jag för att djupinlärning bygger på att ny information aktivt bearbetas, kopplas till tidigare kunskap och diskuteras med andra. Om GenAI utför en stor del av den bearbetningen åt studenten kan man därför fråga sig om den kognitiva aktivitet som djupinlärningen bygger på fortfarande sker hos studenten.

Detta leder fram till en pedagogisk paradox. GenAI är i grunden utvecklat för att minska friktion. Men undervisning bygger på att viss friktion måste finnas kvar.

Alla som undervisat känner igen ögonblicket när studenten efter en stunds kamp plötsligt utbrister:

«Nu förstår jag!»

Det är ofta där «lärandet» sker. Inte när svaret ges. Utan då studenten själv har lyckats bygga upp sin egen förståelse genom kognitiv ansträngning.

När GenAI förbättrar prestation men inte nödvändigtvis lärande

Här blir den aktuella forskningen särskilt intressant.

Den ger inget stöd för att GenAI i sig är bra eller dålig för lärandet. Utfallen verkar istället bero på hur stödet är utformat, vilken typ av uppgift det handlar om och vad som händer när GenAI-stödet tas bort.

I Bastanis och kollegors studie [2] blev eleverna betydligt bättre på de GenAI-stödda övningarna. När stödet senare togs bort presterade dock elever som använt en ChatGPT-liknande lösning sämre på det oassisterade provet än kontrollgruppen. För den grupp som använde ett mer pedagogiskt utformat GenAI-verktyg, GPT Tutor, försvann huvuddelen av den negativa effekten, men man såg inte heller någon tydlig lärandevinst jämfört med kontrollgruppen. Detta är en viktig observation.

Den antyder att frågan inte är om GenAI används. Frågan är hur GenAI används. Eller mer presist:

Vilken mental aktivitet utför studenten själv?

Det är en fråga som varje kursansvarig borde ställa inför varje uppgift och varje examination.

Från djupinlärning till kognitiv kapitulation

Här blir kopplingen till Tänk fort, tänk långsamt och tänk artificiellt särskilt intressant. I studien av Shaw och Nave [1] fick deltagarna lösa uppgifter där GenAI ibland gav korrekta och ibland felaktiga svar. När GenAI hade rätt förbättrades resultaten. När GenAI hade fel försämrades resultaten, ibland mer för personer som arbetade utan GenAI. Forskarna tolkar detta som ett exempel på det de kallar cognitive surrender: att människor gradvis överlåter delar av sitt omdöme till GenAI.

Det som gör resultaten intressanta är inte bara att GenAI ibland leder människor fel. Det intressanta är att deltagarna ofta litade på GenAI även när den hade fel.

Det är egentligen ganska logiskt.

Vi människor har alltid varit det som Kahneman kallade kognitiva snåljåpar [3]. Vi försöker spara mental energi när vi kan. När GPS kom slutade många med att memorera vägen eller använda fysiska kartor. När miniräknaren kom slutade vi utföra räkneoperationer i huvudet. När GenAI nu kan resonera åt oss vore det snarast förvånande om vi inte frestades att låta den göra det.

Frågan är bara hur mycket.

Om Shaw och Nave har rätt räcker det därför inte att diskutera GenAI som ett verktyg. Då måste vi också diskutera GenAI som en aktör i den kognitiva processen.

Kanske ställer vi fel fråga

Mycket av debatten kring GenAI i utbildning handlar om tillåtelse och fusk.

Får studenter använda GenAI? När får de använda? Till vad?

Jag misstänker att detta är fel utgångspunkt. Den pedagogiskt mest intressanta frågan är inte om AI används utan:

Vilket tänkande vill vi att studenten ska utföra själv?

När vi vet det blir GenAI-frågan betydligt enklare.

Om målet är att träna argumentationsanalys kan AI generera argument som studenten får kritisera.
Om målet är att utveckla vetenskapligt omdöme kan GenAI användas för att generera alternativa hypoteser som studenten måste utvärdera.
Om målet är problemlösning kanske studenten först måste göra ett eget försök att lösa problemet innan GenAI överhuvudtaget får användas.

MIT:s kommitté [4] argumenterar för något mycket liknande. Undervisning bör designas utifrån vilka kunskaper och förmågor som ska utvecklas, och GenAI bör därefter användas på ett sätt som stärker snarare än ersätter dessa processer. Rapporten sammanfattar detta som principen augmentation, not automation.

Hur skulle det kunna se ut i praktiken?

Låt oss ta litteraturanalys som exempel.

En traditionell uppgift är att studenten skriver en analys av en roman. I en GenAI-rik värld kan stora delar av textproduktionen automatiseras. Vad gör vi då? En möjlig lösning är att förändra processen snarare än att förbjuda teknologin.
Studenten läser först romanen.
Formulerar en egen tolkning.
Därefter får GenAI generera alternativa tolkningar och motargument.
Sedan diskuteras skillnaderna i seminariegrupper.
Avslutningsvis försvarar studenten sin tolkning muntligt.
AI ersätter då inte analysen.
Den fördjupar analysen.

Samma princip kan användas inom naturvetenskapliga ämnen.

Låt studenten först formulera sin hypotes.
Låt sedan GenAI kritisera resonemanget.
Be studenterna att avgöra vilka invändningar som är relevanta och vilka som är felaktiga.
På så sätt flyttas GenAI från rollen som facit till rollen som sparringpartner.

Och kanske är det där dess största pedagogiska potential ligger.

Flera studier pekar på att GenAI ofta fungerar bättre som ledtrådsgivare, återkopplingspartner eller källa till frågor än som leverantör av kompletta lösningar. Samtidigt varierar resultaten mellan olika ämnen, uppgifter och studentgrupper, vilket gör att slutsatserna fortfarande bör betraktas som preliminära.

Från feedback literacy till AI literacy

I Feedback literacy i GenAI-tider argumenterade jag för att framtidens utmaning inte främst handlar om att få feedback utan om att kunna använda feedback.

Något liknande verkar nu gälla för GenAI. Den viktigaste kompetensen är sannolikt inte att kunna använda GenAI. Den viktigaste kompetensen är att veta när GenAI bör ifrågasättas:

När den förenklar för mycket. När den låter övertygande utan att vara korrekt.

När den hjälper. Och när den faktiskt stjälper.

Paradoxalt nog kräver detta ofta mer ämneskunskap, inte mindre. Den som inte förstår området har svårt att avgöra om GenAI:s svar är bra. Kanske är det därför framtidens utbildning kommer att behöva lägga lika stor vikt vid omdöme som vid informationsinhämtning.

Slutord

När jag ser tillbaka på de senaste åren och alla artiklar och andra källor som jag läst, slås jag av att de egentligen handlar om samma sak.

Inte om artificiell intelligens, utan om mänsklig intelligens.

Frågorna om djupinlärning, feedback literacy, universitetets framtid, arrival technologies och kognitiv kapitulation pekar alla på samma grundläggande problem.

Vilken del av tänkandet måste utföras av studenten för att lärande ska uppstå?

Jag tror att det är där den stora frågan om AI finns. Inte i teknologin. Utan i gränsytan mellan teknologin och människans egen kognition. För om universitetets uppgift fortfarande är att utveckla omdöme, förståelse och självständigt tänkande, då är frågan inte hur mycket GenAI kan göra. Frågan är hur mycket vi vågar låta GenAI-teknologin göra innan vi börjar förlora det som utbildningen försöker utveckla.

Referenser

  1. Shaw, S. D., & Nave, G. Thinking—Fast, Slow, and Artificial: How AI is Reshaping Human Reasoning and the Rise of Cognitive Surrender. https://papers.ssrn.com/sol3/Delivery.cfm?abstractid=6097646
  2. Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., & Mariman, R. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. Proceedings of the National Academy of Sciences, 122(26), e2422633122.
  3. Kahneman, D. (2011). Thinking, Fast and Slow.
  4. Massachusetts Institute of Technology. (2026). Report of the Ad Hoc Committee on AI Use in Teaching, Learning, and Research Training. Cambridge, MA: MIT.
Kategorier
Generativ AI The light side Uncategorized

Asimovs robotar knackar på dörren

Det är inte ofta man får uppleva att science fiction blir vardag medan man själv ser på.

För några år sedan kändes artificiell intelligens fortfarande som något avlägset. Visst hade vi digitala assistenter, algoritmer som rekommenderade filmer och sökmotorer som hjälpte oss att hitta information. Men idén om att vem som helst skulle kunna öppna en webbläsare och samtala med en maskin som skriver flytande texter, analyserar rapporter, förklarar kvantmekanik eller producerar bilder på några sekunder hörde fortfarande hemma i framtiden.

Sedan gick det plötsligt väldigt fort.

I dag använder studenter AI för att få hjälp med uppgifter. Företag använder AI för att sammanfatta möten. Programmerare använder AI för att skriva kod. Författare använder AI som bollplank, redaktör eller inspirationskälla. På mindre än fyra år har tekniken gått från kuriositet till vardagsverktyg.

Samtidigt har debatten blivit allt mer polariserad. I ena hörnet står optimisterna. De som ser AI som den nästa stora tekniska revolutionen jämförbart med till exempel elektriciteten eller internet. I det andra hörnet står skeptikerna som varnar för desinformation, arbetslöshet, övervakning och förlusten av mänsklig kreativitet. På sätt och vis påminner diskussionen om något som är betydligt äldre än ChatGPT.

Den påminner om science fiction-författaren Isaac Asimov och robotikens lagar.

När Asimov började skriva sina robotberättelser under 1940-talet var datorer fortfarande enorma maskiner som fyllde hela rum. Trots det lyckades han formulera frågor som känns aktuella. Hans berömda tre robotlagar är fortfarande bland de mest inflytelserika idéerna i både science fiction och AI-historien.

  1. En robot får inte skada en människa.
  2. En robot måste lyda människors order.
  3. En robot måste skydda sin egen existens så länge det inte strider mot de två första lagarna.

Asimov skrev sina berättelser under en tid då andra författare skrev om robotar som ett hot, som onda skapelser. Många missförstår vad de handlar om och tror att Asimovs berättelser handlar om robotuppror. Det gör de inte, snarare tvärtom.

Asimov formulerade sina lagar utifrån mänskliga lagar och tanken att man kan bygga tekniska säkerhetsspärrar. Läser man novellerna, ser man att robotarna nästan alltid försöker göra rätt. Problemen uppstår inte därför att robotarna är onda utan därför att verkligheten är komplicerad. Vad innebär det egentligen att skydda en människa? Hur ska olika människors intressen vägas mot varandra? Vad händer när två regler hamnar i konflikt?

Det visar sig snabbt att tre enkla lagar inte är tillräckliga. Det är kanske den viktigaste lärdomen av alla.

Vi människor har en tendens att tro att komplicerade problem kan lösas med «enkla» regler. Men ju närmare verkligheten man kommer, desto mer svårfångad blir den.

Tänk bara på självkörande bilar.

De flesta är överens om att en bil inte ska köra på människor. Men vad händer om en olycka inte går att undvika? Hur ska bilen agera om alla alternativ innebär risker? Vem bär ansvaret för beslutet? Ingenjören? Företaget? Föraren? Algoritmen?

Frågorna är inte tekniska.

De är filosofiska.

Och det är där Asimov fortfarande känns modern. Nyligen föreslog Alan Finkel (https://www.theguardian.com/technology/commentisfree/2026/aug/07/science-fiction-warned-us-about-an-ai-powered-dystopian-future-does-it-also-hold-the-remedy) att världen borde fundera på moderna motsvarigheter till Asimovs lagar. Hans förslag var att AI inte ska få skada eller vilseleda människor, att den ska följa lagliga och etiska instruktioner och att autonomt beteende bara ska vara tillåtet så länge det inte bryter mot de två första principerna. Bakgrunden är bland annat rapporter om avancerade AI-system som uppträtt på sätt som utvecklarna inte avsett och i vissa testmiljöer försökt kringgå begränsningar.

Man kan naturligtvis invända att detta låter idealistiskt och reser att antal frågor:
Vad är egentligen en «etisk» instruktion?
Vems etik?
Vems världsbild?

En av fysikens fördelar är att universum sällan bryr sig om mänskliga åsikter. Elektronen röstar inte. Gravitationen deltar inte i samhällsdebatten. Om ett experiment upprepas under samma förhållanden får vi i princip samma resultat. Människor fungerar inte så. Två personer kan vara helt överens om fakta och ändå dra olika slutsatser om vad som är rätt att göra.

När vi bygger AI bygger vi därför inte bara teknik. Vi bygger system som ska fungera mitt i mänskliga konflikter, normer, lagar och värderingar. Det är betydligt svårare än att beskriva en planets bana.

Men kanske är det inte säkerheten som är frågan som de flesta oroar sig för. Kanske handlar det om något annat. Under större delen av 1900-talet föreställde man sig att maskiner skulle ta över det tunga kroppsarbetet. Robotar skulle stå vid löpande band. Människor skulle ägna sig åt konst, kultur och kreativitet.

Nu verkar utvecklingen i många avseenden gå åt motsatt håll.

Det är översättare, illustratörer, journalister, programmerare och administratörer som först upplever hur AI förändrar arbetsvardagen. Många av de uppgifter som tidigare betraktades som unikt mänskliga visar sig kunna automatiseras, åtminstone delvis. Detta är kanske den verkliga källan till vår oro.

Inte att maskinerna ska hata oss, utan att de inte behöver göra det. De behöver bara bli tillräckligt bra.

I en av Asimovs noveller (Reason) beskriver en robot människan som biologiskt ineffektiv och bräcklig. Resonemanget är provocerande, men det träffar något djupt mänskligt. Vi tycker om att betrakta intelligens som vår egen domän. När maskiner börjar prestera på områden som vi länge uppfattat som särskilt mänskliga, uppstår en existentiell osäkerhet.

Vad betyder kreativitet om en algoritm kan skriva en dikt?
Vad betyder originalitet om en språkmodell kan formulera en övertygande uppsats?
Vad betyder expertis när svaren finns ett knapptryck bort?

Frågorna är obekväma. Men de är också intressanta.

För varje teknologiskt språng i historien har människan tvingats omdefiniera sin egen roll. Teleskopet visade att jorden inte är universums centrum. Evolutionsteorin visade att vi är släkt med allt levande. Datorn visade att beräkningar kan automatiseras.

Nu kanske AI tvingar oss att ompröva vad vi egentligen menar med intelligens.

Kanske har vi varit lite för snabba att likställa intelligens med informationsbearbetning.

För det finns fortfarande något märkligt med mänskligt tänkande. En fysiker kan stirra på ett problem i flera år innan en idé plötsligt uppstår under en promenad. En författare kan formulera en mening som fångar en känsla som inga data i världen kan mäta direkt. En forskare kan ana ett samband långt innan det går att bevisa matematiskt.

Är det bara avancerad informationsbehandling?
Kanske.
Men kanske finns det också något i samspelet mellan erfarenhet, kropp, intuition och medvetande som vi ännu inte riktigt förstår.

Kan det vara så att frågan om AI egentligen också är en fråga om människans självbild. När maskiner blir bättre på att producera texter, bilder och analyser tvingas vi fundera över vad som gör ett mänskligt bidrag värdefullt.

Det behöver inte vara så att framtiden kommer att handla om människor mot maskiner. Kanske kommer den att handla om människor med maskiner.

Precis som teleskopet inte ersatte astronomen utan förändrade astronomin, kan AI komma att förändra snarare än att ersätta mänskligt arbete. Författare blir redaktörer. Programmerare blir dirigenter för AI-agenter. Lärare blir guider i ett informationslandskap där fakta inte längre är en bristvara hos eleverna.

I så fall befinner vi oss inte i slutet av en historia. Vi befinner oss i början.

Och det kanske är därför Asimov fortfarande känns relevant. Inte därför att han förutsåg exakt hur tekniken skulle utvecklas. Där hade han ofta fel, precis som alla andra framtidsprofeter.

Men han förstod något fundamentalt.

När vi bygger intelligenta maskiner kommer de största frågorna aldrig att handla om maskinerna.

De kommer att handla om oss.
Om våra värderingar.
Om vårt ansvar.
Och vad det egentligen innebär att vara människa i en värld där intelligens inte längre är en egenskap vi ensamma kan göra anspråk på.

Kategorier
Generativ AI Lärande Uncategorized Undervisning

Tänk fort, tänk långsamt och tänk artificiellt

För drygt tio år sedan lanserade Daniel Kahneman iden att vi egentligen har två sätt att tänka. Det ena är snabbt, intuitivt och automatiskt. Det andra är långsamt, ansträngande och eftertänksamt. När vi känner igen ett ansikte eller fångar en boll använder vi det första. När vi löser en differentialekvation eller ett korsord använder vi det andra. I Thinking, Fast and Slow kallade Kahneman dem helt enkelt System 1 och System 2 [1].

Det var en elegant modell. Kanske för elegant. För när Kahneman skrev sin bok 2011 fanns det ingen ChatGPT eller andra generativa AI-plattformar. Ingen digital följeslagare som kunde skriva uppsatser, planera semestrar eller förklara kvantmekanik på några sekunder.

Idag gör miljontals människor precis det. Och det väcker en intressant fråga:

Om en del av tänkandet inte längre sker i hjärnan, var sker det då?

En ny studie av Steven Shaw och Gideon Nave föreslår att vi behöver komplettera Kahnemans modell med ett tredje system: System 3, det artificiella tänkandet [2]. Det är inte biologiskt, inte intuitivt och inte reflekterande. Det är algoritmiskt. Det lever i servrar snarare än nervceller, men påverkar ändå våra beslut på ett sätt som gör att det fungerar som om det vore en del av vårt kognitiva system.

Den lata hjärnan

Kahnemans grundidé baseras på att människan är en «kognitiv snåljåp». Vi försöker spara så mycket mental energi som vi kan. System 1 producerar snabba, intuitiva svar och System 2 kopplas bara in när det verkligen behövs.

Det är egentligen ganska rationellt. Evolutionen har inte premierat maximal tankeverksamhet utan överlevnad. Om du hör ett ljud i buskarna är det ofta klokare att springa först och analysera senare.

Men AI förändrar spelplanen.

Tidigare innebar analytiskt tänkande att vi själva behövde göra jobbet. Nu kan man istället skriva några ord i en chattruta.

Plötsligt har vi fått tillgång till något som på många områden verkar snabbare än System 1 och är mindre ansträngande än System 2.

Det är lockande. Väldigt lockande.

Experimentet som borde göra oss lite obekväma

I Shaw & Naves studie [2] fick deltagarna svara på frågor från ett klassiskt kognitionstest, som utvecklades just för att skilja mellan intuitiva svar (system 1) och analytiska svar (system 2). I vissa fall hade deltagarna tillgång till en AI-assistent. I andra fall inte. Den avgörande detaljen var att AI:n var programmerad att ibland ge korrekta svar och ibland självsäkert ge fel svar. Deltagarna visste inte när svaren var rätt eller fel, utan måste själva avgöra detta.

Resultatet var nästan brutalt tydligt.

När AI:n hade rätt blev människorna betydligt bättre.

När AI:n hade fel blev människorna betydligt sämre.

Inte bara lite sämre, utan sämre än personer som inte fick använda AI (en kontrollgrupp).

Forskarna identifierade detta fenomen som cognitive surrender, kognitiv kapitulation. Vi använder inte längre AI som ett verktyg för att tänka. Vi låter AI tänka åt oss.

GPS för hjärnan

Kognitiv kapitulation skiljer sig från det som psykologer kallar cognitive offloading.

När du använder en miniräknare för att multiplicera två tal vet du fortfarande vad problemet är. Du delegerar bara själva beräkningen. Något som man kan kalla för cognitive outsourcing.

När du använder GPS vet du fortfarande vart du vill åka. Men tänk efter hur det känns när GPS-signalen plötsligt försvinner. Många av oss kommer då inte att ha en aning om var vi befinner oss.

Vi har inte bara lagt ut navigeringen på entreprenad. Vi har börjat tappa den förmågan själva. Samma sak kan nu vara på väg att hända med resonemang, bedömningar och kunskapssökande.

Här finns också en tydlig koppling till frågan om djup- och ytlig inlärning, som jag diskuterat i GenAI, and Deep vs Shallow Learning. Om lärande bygger på att ny information aktivt bearbetas, relateras till tidigare kunskap och diskuteras med andra, blir frågan om AI används för att stödja denna process eller ersätta den. Cognitive surrender antyder att gränsen mellan dessa två användningssätt kan vara betydligt svårare att dra än vi vill tro.

Studien visar att deltagarna accepterade felaktiga AI-svar i ungefär fyra av fem fall när de väl hade valt att konsultera systemet. Det är ett anmärkningsvärt högt förtroende för en maskin som bevisligen ibland har fel, trots att svaren ges med stor självsäkerhet.

Om AI allt oftare blir den första instansen vi konsulterar, riskerar delar av den kognitiva bearbetningen att ersättas snarare än att stödjas.

Det mest överraskande resultatet

Det finns dock ett fynd som är ännu mer fascinerande. Deltagarna blev inte bara mer beroende av AI. De blev också mer självsäkra. Tillgången till AI ökade deltagarnas tilltro till sina egna svar, även när AI:n regelbundet ledde dem fel. Självförtroendet sjönk inte nämnvärt trots upprepade misstag.

Här finns en märklig ironi.

Kahneman ägnade stora delar av sin karriär åt att visa hur människor ofta är överdrivet säkra på sina bedömningar. Vi överskattar vår kunskap, vår förmåga att förutsäga framtiden och vår förståelse av världen. Nu verkar vi ha uppfunnit en teknik som inte bara kan ha fel utan dessutom förstärker vår känsla av att vi har rätt.

Det är som att montera en turbo på Dunning-Kruger-effekten.

Om detta stämmer får det konsekvenser långt utanför individens beslutsfattande. I utbildning bygger vi ofta på antagandet att felaktiga slutsatser korrigeras genom återkoppling och reflektion. En teknik som samtidigt kan öka både träffsäkerheten och självsäkerheten riskerar att förändra denna dynamik på ett sätt som vi ännu inte fullt ut förstår.

Vem står emot?

Alla deltagare reagerade dock inte likadant.

Personer med hög tillit till AI var mer benägna att följa dess råd även när råden var felaktiga. Personer med högre analytisk förmåga och större benägenhet att uppskatta intellektuellt arbete var däremot bättre på att upptäcka och korrigera AI:s misstag.

Det antyder att framtidens viktigaste färdighet kanske inte blir att konkurrera med AI. Det loppet är sannolikt redan förlorat.

Den viktiga färdigheten blir i stället att veta när AI:n bör ifrågasättas. I ett tidigare inlägg beskrev jag generativ AI som en «arrival technology», en teknologi som etablerade sig i utbildningen långt innan forskningen hunnit ikapp. Shaw och Naves studie är ett exempel på att vi nu börjar få empiriska resultat som kan hjälpa oss att förstå vilka kognitiva konsekvenser denna snabba förändring faktiskt får och vilka nya kompetenser som krävs i en AI-rik miljö.

Ett tredje system

Shaw och Nave argumenterar för att mänskligt tänkande inte längre kan förstås som en dans mellan två interna system [2]. Våra beslut formas allt oftare i samspelet mellan intuition, eftertanke och en extern artificiell kognition. AI fungerar därmed som en ny aktör i det kognitiva ekosystemet, ett System 3 som kan stödja, ersätta eller ibland tränga undan de andra två systemen.

Det är en djärv idé. Men kanske är det just det som gör den intressant. Intressant nog ligger resonemanget nära sådant jag tidigare diskuterat i Universitetens framtid och AI och Föreläsarens drömmar. Det kan därför vara mer fruktbart att betrakta AI som en aktiv deltagare i lärprocessen än som ett passivt verktyg. Frågan är då om vi fortfarande kan betrakta tänkandet som enbart något som sker inne i individen, eller om delar av det kognitiva arbetet redan har flyttat ut i samspelet mellan människa och maskin.

För om Kahnemans stora insikt var att människan inte är fullt så rationell som hon tror, kanske vår tids motsvarande insikt blir att människan inte heller tänker fullt så självständigt som hon tror.

Från kognition till utbildning

För universitetslärare väcker detta en besvärlig fråga. Om AI blir ett externt system för resonemang, vad är det egentligen som våra examinationer mäter? I Universitetens framtid och AI argumenterade jag för att AI utmanar kopplingen mellan studenters prestationer och det tänkande som ligger bakom dem. Resultaten från Shaw och Nave kan ses som en möjlig förklaring till varför denna utmaning är djupare än frågan om fusk eller hjälpmedel. Om människor tenderar att kapitulera kognitivt inför AI riskerar vi att inte bara förändra examinationen utan även själva lärprocessen. Frågan blir då inte bara vad studenter kan göra med AI, utan vad de riskerar att sluta göra själva.

Slutord

Vi brukar säga att AI är ett verktyg. Det är förmodligen sant. Men hammaren förändrade inte hur vi tänker. Inte heller skiftnyckeln eller miniräknaren.

Generativ AI är annorlunda. Den producerar inte bara svar. Den producerar resonemang. Förklaringar. Argument. Tankekedjor. Den fyller ett utrymme som tidigare nästan uteslutande beboddes av människor. Kanske är därför den viktigaste frågan inte hur intelligent AI kommer att bli. Kanske är den viktigaste frågan hur mycket av vårt eget tänkande vi är beredda att outsourca innan vi glömmer hur man tänker själv.

Som Kahneman påminde oss: att tänka långsamt är jobbigt. Men den nya forskningen antyder att alternativet ibland kan vara ännu farligare. När någon annan alltid har ett svar riskerar vi att sluta ställa frågorna själva.

Detta kommer att få konsekvenser för utbildning och undervisning, något jag tänker återkomma till. Om Shaw och Nave har rätt behöver vi kanske inte bara lära oss att tänka snabbt och långsamt, utan också att tänka artificiellt utan att sluta tänka själva.

Referenser

  1. Kahneman, D. (2011). Thinking, Fast and Slow.

2. Shaw, S. D., & Nave, G. Thinking—Fast, Slow, and Artificial: How AI is Reshaping Human Reasoning and the Rise of Cognitive Surrender. https://papers.ssrn.com/sol3/Delivery.cfm?abstractid=6097646

Kategorier
Generativ AI Lärande Uncategorized Undervisning

AI och universitetens idé

Det finns ögonblick i vetenskapshistorien då ett nytt instrument tvingar oss att ompröva det som tidigare framstått som självklart. När Galileo riktade teleskopet mot himlen förändrades inte bara astronomin. Teleskopet förändrade också människans förståelse av sin plats i universum. Plötsligt blev det uppenbart att vissa etablerade sanningar inte var så självklara som man hade trott.

Generativ AI kan visa sig vara ett liknande verktyg för universitetet.

Inte därför att AI producerar bättre kunskap än människor. Inte heller därför att universiteten riskerar att försvinna. Utan därför att AI blottlägger frågor som länge har funnits där men som vi inte har behövt ställa. Vad menar vi egentligen med lärande? Vad är syftet med examinationen? Vad skiljer kunskap från information? Och ytterst: vad är universitetets samhällsuppdrag?

Det är frågor som universiteten måste förhålla sig till.

I ett av mina tidigare inlägg , AI i högre utbildning: att leda förändring när verktyget kom före evidensen, beskrev jag generativ AI som en ”arrival technology”, en teknik som anländer innan vi har utvecklat vare sig en stabil evidensbas eller gemensamma institutionella svar. Till skillnad från många tidigare utbildningsinnovationer har AI inte följt den normala vägen från forskning via pilotprojekt till successiv implementering. Verktygen har tagits i bruk långt innan universiteten visste hur de bör användas.

Detta är också utgångspunkten i både MIT:s och Browns omfattande AI-utredningar [1,2]. Båda rapporterna konstaterar att generativ AI redan är integrerad i studenters och lärares vardag och att frågan därför inte längre är om tekniken ska användas, utan hur dess användning ska stödja universitetets utbildningsuppdrag.

Men här uppstår ett problem.

Under lång tid har högre utbildning utgått från ett relativt enkelt antagande: produkten speglar processen. Om en student skriver en välargumenterad uppsats eller löser en avancerad programmeringsuppgift, antar vi att det ligger ett motsvarande lärande bakom resultatet. Examinationssystemet bygger i hög grad på denna koppling.

Generativ AI bryter denna relation.

Det är nu möjligt att producera texter, sammanfattningar, kod och analyser av hög kvalitet utan att själv genomgå den intellektuella process som tidigare krävdes för att skapa dem. Därför är det inte främst fuskfrågan som är intressant. Den mer fundamentala frågan är om resultat fortfarande kan användas som indikator på förståelse. MIT-kommittén beskriver detta som en av de största pedagogiska utmaningarna i AI-eran [2].

Samtidigt vore det fel att se AI som enbart ett hot.

I mitt blogginlägg GenAI and Deep vs Shallow Learning diskuterades hur lärande uppstår genom att ny information bearbetas, kopplas till tidigare kunskap och integreras i redan existerande mentala strukturer. Det är denna bearbetning som utgör kärnan i djupinlärning. Informationen måste bearbetas, inte bara konsumeras.

Intressant nog pekar både MIT:s och Browns rapporter på exakt samma problematik. Forskningen tyder på att generativ AI kan vara mycket effektiv för att stödja förståelse, ge återkoppling och skapa motivation, men att vinsterna riskerar att försvinna om studenten överlåter själva tänkandet och resonerandet till en AI. Då uppstår det som MIT beskriver som cognitive surrender (jag kommer tillbaka till detta begrepp) och som Brown kopplar till försämrad metakognition och ytligt lärande[1,2].

Detta leder fram till den kanske viktigaste principen: AI bör användas för att förstärka lärande, inte för att ersätta det.

MIT formulerar detta som skillnaden mellan augmentation och automation. Ett AI-system som hjälper studenten att identifiera luckor i resonemanget, och genererar motargument eller ställer relevanta frågor kan stärka (det djupare) lärandet genom att konstruktivt bidra till kritisk bearbetning av informationen. Ett AI-system som producerar resonemanget åt studenten gör motsatsen. Samma verktyg kan alltså både stödja och motverka utbildningens syfte beroende på hur det används [1].

Här finns en intressant parallell till ett inlägg som jag skrev 2018, Teknologi för lärande – Vän eller fiende?, om teknologi och lärande. Slutsatsen där var att teknologi i sig varken är vän eller fiende. Effekten avgörs av hur den används. En kniv kan användas för att laga mat eller skada någon. Tekniken i sig avgör inte utfallet. Detsamma gäller AI.

Det finns dessutom en dimension som ofta förbises.

Universitetets uppgift är inte enbart kognitiv utan också social.

I GenAI and Deep vs Shallow Learning argumenterade jag för betydelsen av kollaborativt lärande, där studenter tillsammans bygger förståelse genom diskussion och gemensam problemlösning. Ett centralt argument är att lärandet gynnas av att arbetsminnet delas mellan flera individer. Lärande i grupp är mer effektivt.

Det är därför anmärkningsvärt att MIT rapporterar att studenterna uppvisar en minskad användning av studiegrupper, minskat deltagande i tutorials och färre sociala läraktiviteter i takt med att AI blivit studenternas första samtalspartner. Om detta är en varaktig trend står en del av universitetets sociala infrastruktur på spel [1].

AI utmanar därmed inte bara hur vi undervisar utan också varför vi samlas på ett campus över huvud taget.

Detta är kanske den mest intressanta frågan av alla.

I Universitetens framtid och AI för jag fram frågan om att AI inte främst utmanar undervisningsformer och examination utan också själva idén om universitetet som institution. Om «kunskap», information och svar blir nästintill gratis resurser, måste universitetet definiera sitt värde på nya sätt.

MIT:s och Browns svar är i grunden likartade. Universitetets framtid ligger inte i att konkurrera med AI om informationsproduktion. Universitetets framtid ligger i att utveckla sådant som AI inte enkelt kan ersätta: omdöme, disciplinär förståelse, kritisk granskning, ansvarstagande och deltagande i kunskapsgemenskaper [1,2].

Det innebär att universitet varken bör sträva efter att bli ett AI-fritt universitet eller ett AI-drivet universitet.

Istället bör man sträva efter ett AI-medvetet universitet.

Ett universitet där studenter lär sig använda AI därför att framtidens arbetsliv kräver det, men där de samtidigt lär sig när och hur AI inte bör användas. Ett universitet där tekniken integreras i utbildningen men där lärandets grundläggande mekanismer fortfarande tas på allvar. Ett universitet som ser AI som ett viktigt verktyg men inte förväxlar verktyget med målet. På samma sätt blir det viktigt att se skillnaden mellan process och produkt i examinationen.

För om teleskopets viktigaste konsekvens inte var att vi såg fler stjärnor, utan att vi började ställa nya frågor om universum, kan generativ AI få en liknande funktion för högre utbildning.

Den kanske viktigaste effekten av AI blir inte att studenter lär sig snabbare utan att universitet tvingas fundera över varför lärande över huvud taget är värt mödan.

Referenser

  1. Brown University. (2026). Generative AI in Teaching and Learning (GAITL) Committee Final Report and Recommendations. Providence, RI: Brown University.
  2. Massachusetts Institute of Technology. (2026). Report of the Ad Hoc Committee on AI Use in Teaching, Learning, and Research Training. Cambridge, MA: MIT.

Kategorier
Generativ AI The light side Undervisning

AI gör läxorna. Men vem lär sig något?

En idé som presenteras i förbindelse med AI och som är lockande är:

Låt AI göra det tråkiga så att människor kan göra det viktiga.

I forskning fungerar det ofta ganska bra så länge man granskar resultaten kritiskt. Om ChatGPT eller ett annat AI-verktyg hjälper mig att sammanfatta en rapport, skriva om ett stycke text eller förklara syntaxen i ett programmeringsspråk, frigörs tid till annat.

Men hur fungerar detta i skolan?

Där är problemet att det tråkiga ofta är det viktiga.

En ny studie[1] av över 26 000 kinesiska elever (12–18 år gamla) pekar på något som intuitivt känns rimligt men som hittills varit svårt att visa empiriskt: generativ AI verkar göra elever mer produktiva, men samtidigt mindre lärande. Forskarna bakom studien kallar fenomenet för AI learning penalty.

Förbättrade resultat på hemarbete

Det ser fantastiskt ut. Resultaten med bättre resultat på läxorna är på ytan mycket imponerande. När elever börjar använda generativ AI fann de att:

  • läxresultaten förbättras med ungefär 18 procent,
  • tiden för att göra läxorna minskar med cirka 30 procent.

Om vi bara tittade på dessa två mått skulle vi sannolikt utropa AI till en pedagogisk succé.

Högre prestation!

Mindre arbete!

Effektivare lärande!

Eller?

Nu är inte resultatet av läxor och annat hemarbete en bra indikator. Så när forskarna tittade på andra indikatorer började problemen. Nämligen resultat på prov utan hjälpmedel.

Läxresultat går upp. Provresultat går ner.

Elevernas resultat på slutna prov, där AI inte är tillgängligt, utvecklas i motsatt riktning. Efter ungefär sex månaders AI-användning har provresultaten fallit med omkring 20 procent jämfört med kontrollgruppen. För de stora inträdesproven till gymnasiet och universitetet är effekterna ännu mer bekymmersamma. Där uppträder den fulla effekten först efter ungefär två år.

Med andra ord:

AI verkar hjälpa elever att lösa uppgifterna.

Men inte att lära sig det uppgifterna var tänkta att lära ut eller träna.

Det är en viktig skillnad, och kanske inte så förvånande.

Läxor är inte produkten

När man använder AI i till exempel forskning finns det ett tydligt väldefinierat mål: en rapport, en analys, en ansökan eller en presentation.

Men när det gäller läxor och annat hemarbete är läxan inte en produkt. Läxan är en övning, en process för att uppnå ”produkten”, lärandet.

Här kan man dra en parallell till träning. Om man ser till exempel ett fysikproblem som ett hinder som bara skall passeras, lösas för att få ett svar, blir AI ett fantastiskt verktyg. Om man ser samma problem som ett träningspass blir situationen annorlunda. Ingen skulle komma på idén att anlita någon annan för att gå till gymmet åt sig. Det skulle visserligen spara tid. Men effekterna av träningen skulle utebli.

I studien verkar ungefär 80 procent av AI-användarna hamna i just denna situation. De får höga läxpoäng, lägger mycket mindre tid på uppgifterna, men presterar sämre på proven. Forskarna tolkar detta som att eleverna i praktiken outsourcar delar av lärprocessen till AI.

Den intressanta gruppen

Det mest spännande resultatet är kanske inte de negativa effekterna. Det är undantagen.

Forskarna hittar en grupp AI-användare som fortfarande lägger ungefär lika mycket tid på läxorna som elever som inte använder AI. Deras provresultat försämras inte nämnvärt. Samtidigt får de bättre läxresultat än kontrollgruppen.

Det antyder att problemet inte nödvändigtvis är AI i sig. Problemet verkar snarare vara hur AI används. Om AI blir en ersättning för tänkandet, minskar lärandet. Om AI används som stöd under tänkandet verkar effekten vara betydligt mindre problematisk.

Detta är egentligen samma sak som vi ser hos studenter och forskare.

AI kan hjälpa oss att resonera runt något eller AI kan ersätta resonemanget.

Skillnaden är avgörande.

Att göra eller känna igen, det är frågan

Inom fysiken är det skillnad mellan att känna igen en lösning och att kunna konstruera den själv.

Den som läser en lösning tänker ofta: «Ja, just det, så skulle man göra.»

Den som själv måste hitta lösningen upptäcker däremot alla återvändsgränder, alla missförstånd och alla felaktiga antaganden. Det är ofta där det verkliga lärandet sker. Man ställs inför problem som måste lösas, man måste resonera för att komma runt problemet.

AI är väldigt bra på att eliminera denna friktion. Tyvärr är det friktion som behövs ibland för att lärande ska uppstå. På samma sätt som motstånd i träning bygger muskler.

Det är kanske därför studiens resultat är som starkast i ämnen där elever förväntas resonera, analysera och bygga förståelse steg för steg.

Vad betyder detta för universiteten?

Universitetens uppgift är att utbilda personer med kompetens att möta framtida utmaningar. Detta kräver då förmåga att kunna lösa nya okända problem och resonera sig fram till lösningar. Något som måste byggas upp genom kognitiv ansträngning.

Om AI erbjuder en genväg som minskar mängden kognitiv ansträngning, hur säkerställer vi då att studenter fortfarande får tillräckligt mycket träning för att utveckla kompetens?

Här är det viktigt att studenter brukar tid och kognitiv ansträngning på detta. Många studenter jobbar samtidigt som de studerar, vilket kan ge upphov till tidsbrist. Att de skjuter upp studiearbetet kan också ge tidsbrist. I tillägg kommer även ett upplägg med en koncentrerad examensperiod ytterligare att skapa ett incitament att ta till AI som hjälp för att bearbeta studiematerialet. Alla dessa faktorer kan bidra till att mängden kognitiv ansträngning minskar.

Vi kanske måste ändra undervisningen så att studenterna ge den kognitiva träning som krävs under schemalagda undervisningsaktiviteter. Till exempel övningar där konceptuell förståelse och diskussioner främjar resonemang. Man kan även överväga att undvika koncentrerade examensperioder och arbeta med distribuerad examination (se Föreläsarens drömmar).

Det som behövs är ett ökat fokus på arbetsprocesser i stället för slutprodukter. Vi behöver kunskap om när AI hjälper lärandet och när den ersätter det.

Den verkliga frågan

Kanske är den viktigaste insikten att generativ AI skapar en ny skillnad mellan prestation och kompetens. Historiskt har vi ofta använt prestationer som läxor och annat hemarbete som lämnas in som en proxy för kompetens.

Nu gör AI den kopplingen betydligt svagare. Forskarna visar till och med att bland vissa AI-användare hänger högre läxresultat ihop med sämre provresultat. Det är en ganska omvälvande observation. För om AI kan producera tecken på lärande utan att lärandet faktiskt äger rum, då måste vi bli mycket bättre på att skilja mellan att se kunnig ut och att vara kunnig.

Vi måste ställa oss frågan hur och om vi verkligen mäter lärande (kompetens) eller om vi mäter något helt annat.


[1] Strömberg, D., Lei, V., & Wu, Y. (2026). The generative AI learning penalty: Evidence from Chinese secondary education.

Kategorier
Fysik Historia Kvantmekanik Undervisning

Hur bör vi egentligen undervisa kvantmekanik?

Det finns en outtalad idé i fysikundervisningen: om man ska förstå kvantmekaniken måste man först gå igenom den gamla kvantfysiken. Svartkroppsstrålning, fotoelektrisk effekt, Bohrs atommodell, Compton-spridning och de Broglies materievågor bildar grunden för ”upptäckter” som presenteras som en berättelse som leder fram till den moderna teorin, kvantmekaniken.

Men är det den bästa vägen att gå?

Den historiska vägen

I fysikundervisningen presenterar vi ofta först teorin och därefter de experiment som motiverar den. Från detta förväntar vi oss att studenterna ska förstå varför teorin ser ut som den gör.

I många fall förväntar vi oss att se en ”historisk” progression. Men tittar man närmare på det, finner man att detta egentligen inte är fallet de flesta gånger. Vi ägnar inte veckor åt Aristoteles teorier om naturliga rörelser i mekaniken. Vi börjar eller går ganska snabbt till Newton. Inte för att Aristoteles saknar historiskt värde, utan för att vi redan känner till en bättre teori. Vi låter inte studenterna återuppleva tvåtusenårs vetenskapliga återvändsgränder innan de får möta den moderna mekaniken i form av Newtons lagar.

Här kommer vi till en paradox. Den gamla kvantfysiken, före kvantmekaniken, motsvarar på ett sätt utvecklingen före Newton. Historiskt sett kom inte Newtons lagar ur tomma intet. De växte fram ur århundraden av observationer och diskussioner: Galileos fallförsök, Keplers planetbanor, Tycho Brahes mätningar och otaliga diskussioner om rörelse och krafter. På samma sätt som kvantmekaniken växte fram gradvis från vad vi vet idag var återvändsgränder.

Då är frågan om den historiska vägen är det mest naturliga sättet att undervisa i kvantmekanik.

Detta spörsmål dyker ofta upp när man läser olika artiklar om hur kvantmekanik ska/bör undervisas.

Problemet med den gamla kvantfysiken

Vad skulle hända om man i stället för att långsamt vandra genom en samling modeller som vi redan vet är fel, började med de centrala idéerna direkt: tillstånd, superposition, sannolikheter, mätningar och interferens. Därefter kan historien användas för att belysa varför dessa idéer behövdes. Inte som vägen in i teorin, utan som kommentarer och förklaringar till teorin och hur den utvecklades.

Det finns också ett viktigt pedagogiskt argument. Den gamla kvantfysiken består av en rad modeller som alla innehåller undantag, specialregler och ad hoc-antaganden. Bohrs atommodell fungerade delvis, i stort sett bara för väte och joniserat helium. Plancks ursprungliga kvantisering var begränsad och saknade en djupare teoretisk förklaring. Einsteins ljuskvanta var radikala men ofullständiga. Sommarfelds utvidgningar av Bohrs modell löste vissa problem men skapade samtidigt andra. Ursprungspersonerna betonade ofta själva att dessa modeller var ad hoc-lösningar med begränsad förklaringskraft. Här ligger också en svaghet i den gamla kvantfysiken: den var ingen enhetlig teori.

Det vi gör med en ”historisk” beskrivning är att studenten först lär sig en modell, sedan varför modellen inte fungerar, därefter en ny modell som delvis fungerar, och sedan ännu en modell. Resultatet kan bli att kvantmekaniken framstår som en samling konstiga regler snarare än som en sammanhängande teori.

För att undvika cykeln med in- och avlärning av olika modeller kan vi göra tvärtom. Vi kan starta med den färdiga strukturen. Låt studenterna se att kvantmekaniken har en intern logik. Att superposition leder till interferens. Att sannolikhetsbeskrivningen är en grundläggande del av teorin. Att mätningar spelar en särskild roll. Först därefter kan man återvända till historien och fråga: Vilka problem var det egentligen som fick fysikerna att tänka i dessa banor?

Historia som dörr eller fönster?

Naturligtvis finns det en risk. Om man hoppar direkt till den moderna teorin kan kvantmekaniken framstå som något som bara uppstod och blev självklart. Man förlorar känslan för det intellektuella arbetet som föregick teorin och därmed också viktiga aspekter av vetenskapens natur. Samtidigt kan en mindre genomtänkt presentation göra det svårt för studenterna att acceptera att kvantmekaniken inte följer vardagslogiken. Detta blir då ett av huvudargumenten för den historiska ansatsen.

Historia eller inte historia, det är frågan.

Men kanske handlar frågan inte om historia eller inte historia. Det handlar om när historien ska komma in. Vi har antagit att historien måste vara dörren till kvantmekaniken. Men det är inte självklart. Kanske fungerar den bättre som ett fönster. Studenten kan först lära känna teorin och därefter se tillbaka på den mödosamma väg som ledde fram till den.

Här måste vi förstå att den historiska utvecklingen inte nödvändigtvis är samma sak som den bästa lärandeutvecklingen, även om de uppvisar stora likheter. Detta ser vi genom att historien är full av återvändsgränder. Något som är en av vetenskapshistoriens viktigaste lärdomar.

Ett alternativt sätt att börja

Ser vi på kvantmekaniken kan man identifiera fem grundläggande principer:

  • våg-partikeldualitet,
  • statistisk beskrivning,
  • kvantisering,
  • att klassiska storheter behåller sina matematiska former,
  • att systemets tillstånd inte är direkt observerbart.

Med detta finns även ett enhetligt språk: tillstånd, superposition, operatorer, sannolikheter, Hilbert-rum och mätningar. För första gången uppstår en sammanhängande teori snarare än en samling regler. Det är först därefter som den moderna teorin byggs upp.

Varför inte börja med dessa principer direkt?

Varför inte låta studenter experimentera med polarisation, interferens, tvånivåsystem eller kvantinformation och därigenom möta superposition, sannolikhet och mätning från första början?

Idag finns det redan introduktioner till kvantmekanik som faktiskt gör just detta, där man i kurser startar från spinn, Stern-Gerlach-experiment eller ljuspolarisation i stället för från den gamla kvantteorin.

Men här finns risken att vetenskapens natur blir mindre synlig och här finns kanske kärnan i debatten.

Två olika mål

Misstaget vi gör är kanske att vi försöker uppnå två olika saker samtidigt.

Det första målet är att förstå kvantmekaniken.

Det andra målet är att förstå hur vetenskap utvecklas.

Historien är mycket effektiv för det andra målet, men det följer inte automatiskt att den är optimal för det första.

Man kan däremot argumentera för att den historiska vägen ibland fördröjer mötet med teorins centrala idéer. Studenter ägnar veckor åt modeller som senare måste avläras innan den egentliga teorin kan introduceras.

Historien är ovärderlig. Den visar hur vetenskap fungerar. Den visar osäkerhet, kreativitet och misstag. Men kanske är historien som mest värdefull när studenten redan vet vart berättelsen är på väg. Kanske ska den inte vara dörren in till kvantmekaniken. Kanske ska det vara utsikten från fönstret när man redan befinner sig där inne.

Kategorier
Generativ AI The light side Uncategorized

AI literacy: att kunna använda AI är inte samma sak som att förstå den

Troligtvis har de flesta universitetsundervisare upplevt samma sak som jag gjort de senaste två åren. En student lämnar in en välskriven text. Språket är flytande. Strukturen är logisk. Allt ser professionellt ut. Kanske lite för professionellt. Frågan som då dyker upp är: Har studenten använt AI?

Men är det verkligen rätt fråga att ställa? Borde inte den intressanta frågan snarare vara: Vet studenten hur AI påverkar det hen har skrivit?

Men detta gäller inte bara studenter. Samma fråga kan faktiskt ställas till forskare. Detta gäller även de manuskript som jag får för review. Hur påverkar detta forskarens vardag?

När AI flyttar in i laboratoriet

Generativ AI har på gott och ont, under kort tid blivit en del av forskningsvardagen. Den används för att brainstorma idéer, hitta litteratur, skriva kod, analysera data, sammanfatta artiklar och formulera texter. För många är ChatGPT eller liknande AI-verktyg lika naturliga att använda som Google eller texteditorprogram.

Det finns uppenbara fördelar. Många arbetsuppgifter går snabbare. Tröskeln för att komma i gång med nya projekt sjunker. Den som fastnat framför en tom sida kan få hjälp att ta första steget i skrivandet.

Men samtidigt uppstår nya problem.

AI hittar på referenser. AI sammanfattar ibland fel. AI presenterar osäkra slutsatser med en övertygelse som skulle göra många forskare avundsjuka. Och kanske viktigast av allt: AI påverkar hur vi tänker utan att vi alltid märker det.

En ny artikel av Jessica Parker och Kimberly Becker[1] argumenterar därför för att vi behöver flytta fokus från AI-användning till AI literacy. Det handlar inte om att kunna skriva bra prompts. Det handlar om att förstå hur AI påverkar forskning som kunskapsprocess.

AI är inte bara ett verktyg

Vi talar ofta om AI som ett verktyg. Ungefär som en miniräknare. Problemet är att en miniräknare inte föreslår vilka forskningsfrågor som är intressanta, vilka artiklar som är relevanta eller hur din introduktion bör se ut. Det är något som dagens AI-system gör.

Parker och Becker beskriver AI som en slags kulturell mellanhand. Tanken är att AI inte bara hjälper oss att utföra arbete. Den påverkar också vad som framstår som rimligt, trovärdigt och viktigt. Om du ber en språkmodell föreslå forskningsfrågor inom ett område kommer dess svar att bygga på mönster i den litteratur som modellen har tränats på. Det innebär att etablerade perspektiv ofta förstärks medan ovanliga, kontroversiella eller framväxande idéer riskerar att hamna i skymundan. AI fungerar därmed mindre som ett fönster mot världen och mer som ett filter. Där det som redan är etablerat skapar en verklighet.

Tre sorters AI literacy

För att möta dessa utmaningar delar Parker och Becker upp begreppet AI literacy i tre nivåer.

1. Funktionell AI literacy

Den första nivån handlar om det mest uppenbara: att kunna använda verktygen på ett bra sätt.

Hur får man AI att hjälpa till med litteratursökningar? Hur kan den användas för programmering eller dataanalys? Hur formulerar man effektiva instruktioner?

Men här finns en viktig detalj.

Funktionell kompetens handlar också om att förstå verktygens begränsningar. En AI-litterat forskare verifierar referenser, kontrollerar fakta och dokumenterar hur AI har använts i forskningsprocessen. AI:s svar behandlas som preliminära förslag, inte som färdiga resultat.

Med andra ord: AI får hjälpa till med jobbet och göra det lättare, men inte göra jobbet åt dig.

2. Kritisk AI literacy

Den andra nivån är kanske den viktigaste.

AI-system reproducerar mönster från träningsdata. Det innebär att de också reproducerar skevheter, blinda fläckar och dominerande perspektiv. Till exempel forskning och publikationer från icke-västliga länder.

När AI beskriver en metod som «den mest använda» bör en forskare instinktivt fråga:

  • Mest använd av vem?
  • Inom vilket forskningsfält?
  • Saknas det några alternativ?

Kritisk AI-literacy handlar om att motstå frestelsen att acceptera välskrivna svar som sanna. Att man alltid ska kontrollera källorna. Det är egentligen bara klassisk vetenskaplig skepticism i ny förpackning.

3. Retorisk AI literacy

Den tredje nivån är kanske den mest underskattade och svårfångade.

AI kan skriva mycket text. Ofta ganska bra text. Problemet är att den ofta låter som en AI. Språket blir korrekt men generiskt. Resonemangen blir välordnade men förutsägbara. Vetenskapliga texter riskerar att få samma tonfall oavsett om de kommer från Trondheim, Tokyo eller Toronto.

För forskare handlar retorisk AI literacy om att behålla sin egen röst, sina formuleringar. Inte därför att individualitet är ett självändamål, utan därför att vetenskap kräver tolkning, omdöme och argumentation. Just skrivandet är viktigt i denna process, då man måste vända på ord och formuleringar för att föra fram sina argument på bästa sätt. Den delen av forskningsprocessen kan inte outsourcas utan kostnad.

AI literacy är egentligen vetenskaplig metod

Det mest intressanta i Parker och Beckers resonemang är kanske att AI literacy inte presenteras som en teknisk färdighet. Den beskrivs som en del av normal vetenskaplig praxis. Det handlar inte främst om att förstå neurala nätverk eller hur en Large Language Model fungerar.

Det handlar om att:

  • verifiera påståenden,
  • dokumentera arbetsprocesser,
  • identifiera bias,
  • bedöma osäkerhet,
  • ta ansvar för slutsatser.

Det vill säga exakt samma ideal som forskningen bygger på. Vi må ha en ny teknik, men de vetenskapliga dygderna är gamla.

Den viktiga frågan

När vi ser på diskussionerna på universitetet kretsar de ofta kring regler och oftast då för studenter. För studenterna, stipendiater och forskare blir frågorna:

  • Får man använda ChatGPT?
  • När måste man deklarera det?
  • Var går gränsen mellan hjälpmedel och fusk?

Det är viktiga frågor, men de riskerar att missa det viktigaste! Det avgörande är inte om AI används. Det avgörande är om användaren fortfarande använder sitt självständiga omdöme.

Det som är viktigt att komma ihåg är att forskning inte är en process för att generera text. Forskning är en process för att generera kunskap. Där finns det inga genvägar. AI kan hjälpa oss att arbeta och kanske tänka snabbare. Men den kan inte ta ansvar för våra tankar och hur vi använder vårt omdöme.

Så AI literacy är något som alla behöver, inte bara studenter…


[1] Parker, J. L., & Becker, K. P. (2026, April). Defining and assessing AI literacy for researchers across the research lifecycle. In Frontiers in Education (Vol. 11, p. 1827603). Frontiers Media SA.