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.

Kategorier
Examen Generativ AI Lärande Undervisning

AI gjorde mig smartare. Eller?

Om den växande klyftan mellan prestation och förståelse i AI-eran.

När man frågar studenter om deras bruk av GenAI får man oftast svar som:

«Jag lär mig mycket mer med AI.»

«AI hjälper mig att förstå svåra begrepp.»

«Jag hade aldrig klarat kursen utan ChatGPT.»

Dessa svar gäller inte bara här på NTNU, utan man ser samma trend över hela världen. Man borde som undervisare vara glad över detta. Studenterna lär sig och förstår mer. Men samtidigt finns det en annan sida av detta. Kan vi lita på att studenternas uppfattning av sin egen förståelse, deras metakognition.

Svaret kan vara att vi borde bli oroliga. Inte för att AI inte hjälper studenter. Tvärtom. Problemet är att AI verkar vara betydligt bättre på att förbättra prestation än på att förbättra studenters förmåga att avgöra vad de faktiskt kan. Detta framgår i en artikel av Fernandes et al. «AI makes you smarter but none the wiser «[1], där de har studerat just detta.

Fysikens gamla problem

I fysikutbildningen har vi länge känt till att det finns en avgörande skillnad mellan att kunna räkna och att förstå. En student kan lära sig att använda Schrödingerekvationen utan att förstå vad en vågfunktion representerar. En annan kan lösa integraler mekaniskt utan att ha någon intuitiv känsla för varför integration fungerar. I stället för att förstå hur man applicerar de grundläggande principerna på ett problem, används en algebraisk problemlösningsstrategi där man anpassar den till de sökta och givna storheterna.

Så vi har sedan tidigare ett gammalt problem, men nu har vi en ny utmaning. Det nya är att AI gör det möjligt att passera genom utbildningen med betydligt mindre kognitiv friktion än tidigare. Det man behöver komma ihåg är att man lär sig som bäst när man måste anstränga sig och reflektera över problemet. På samma sätt när man styrketränar, det är motståndet som mest utbyte. På samma sätt är kognitiv friktion inte dålig. Många av de insikter som verkligen fastnar uppstår just när man kör fast.

När rätt svar blir för billiga

I studien, «AI makes you smarter but none the wiser» [1], fick hundratals deltagare lösa logiska resonemangsproblem med hjälp av ChatGPT. Resultatet var på ytan imponerande: de presterade klart bättre än jämförbara grupper som inte hade stöd av AI. Men samtidigt överskattade de sin egen prestation kraftigt. I genomsnitt trodde de att de hade löst ungefär fyra fler uppgifter korrekt än de faktiskt hade gjort. Något som forskarna beskriver som en metakognitiv frånkoppling.

Metakognition handlar om vår förmåga att bedöma vårt eget tänkande, något som inte är samma sak som intelligens. Det är förmågan att veta när man förstår och när man inte gör det. Och just den förmågan verkar AI inte stärka, snarare tvärtom.

Den obekväma frågan som måste ställas

Anta att en student säger:

«ChatGPT hjälpte mig att förstå termodynamiken.»

Hur vet vi att det är sant? Det låter kanske som en provocerande fråga. Men forskningen ger oss goda skäl att ställa den.

I studien AI makes you smarter but none the wiser fann forskarna att användarna blev bättre på uppgifterna samtidigt som deras självbedömning blev mindre träffsäker. Prestationsökningen och känslan av kompetens följdes inte åt. Det betyder att den subjektiva upplevelsen av förståelse inte längre är särskilt pålitlig. Det som känns som lärande kan i vissa fall vara något annat. Nämligen effektiv tillgång till någon annans resonemang.

High School elever som lärde sig mindre

Ännu mer bekymmersam är en stor studie från University of Pennsylvania [2]. Nästan tusen High School school-elever fick använda GPT-4-baserade matematikassistenter under träning. Under själva övningarna steg resultaten dramatiskt. Men när AI-stödet togs bort visade det sig att elever med fri ChatGPT-liknande hjälp presterade sämre än elever som aldrig haft någon AI alls.

Här ser vi en oroväckande trend:

De presterade bättre när AI:n var närvarande. De presterade sämre när den försvann.

Forskarna drog slutsatsen att många elever använde systemet som en krycka snarare än som ett pedagogiskt stöd. De kom fram till lösningarna, men byggde inte motsvarande förståelse av de underliggande matematiska idéerna.

För universitet borde detta vara en varningsklocka. Utbildningens mål borde inte vara att studenterna ska kunna lösa uppgifter tillsammans med ChatGPT. Utbildningens mål är att studenten ska kunna lösa uppgifter när ChatGPT inte finns där och vara kritisk till de lösningar man får.

Google-effekten har fått en bror

Redan långt före dagens språkmodeller visste psykologer att människor har svårt att skilja sin egen kunskap från extern hjälp.

Fisher och Oppenheimer [3] visade att människor ofta tillskriver sig själva mer av framgången än de borde när de har fått hjälp utifrån. Extern assistans kan skapa en illusion av större egen kompetens än vad som faktiskt finns («Illusion of mastery»). Detta var problematiskt redan när hjälpen bestod av Google. Med generativ AI blir effekten sannolikt starkare.

Jag har berört problematiken med «illusion of mastery» tidigare (https://www.ntnu.no/blogger/fysikkforfakirer/2020/08/18/hur-att-se-inspelade-forelasningar/) och ska komma tillbaka till den i framtiden.

Där Google gav oss information, ger ChatGPT oss resonemang.

Google svarade på frågor, medan ChatGPT hjälper oss att formulera tankar som låter som våra egna.

Detta gör att gränsen mellan min egen kunskap och maskinens kunskap blir betydligt svårare att urskilja. Detta blir extra tydligt om man inte har lärt sig att vara kritisk, att inte ha förvärvat betydande metakognition.

Det verkliga hotet mot utbildningen

När AI diskuteras fokuserar debatten ofta på fusk, men detta är sannolikt fel fokus. Det stora problemet är inte att studenter lämnar in AI-genererade texter eller lösningar. Det stora problemet är risken att studenter gradvis förlorar förmågan att upptäcka sina egna kunskapsluckor.

Detta är något som framförts tidigt i utvecklingen av generativ AI, där forskare vid Microsoft Research [4] har argumenterat för att generativ AI ställer mycket höga krav på användarens metakognition: man måste kunna värdera svar, upptäcka fel, bedöma osäkerhet och avgöra när modellen har rätt och när den har fel. Men just dessa färdigheter är något som utvecklas genom lång träning och återkoppling, något som sker under universitetsstudier.

Om AI tar över en för stor del av ”tänkandet” och resonerandet riskerar även den träningen att försvinna.

Vad kan vi göra?

Den enkla lösningen är inte att förbjuda AI. Det vore ungefär som att förbjuda miniräknare eller internet som hjälpmedel. Men vi behöver kanske börja undervisa och examinera annorlunda.

När en student presenterar ett svar, borde nästa fråga vara: Hur vet du att det är rätt? Eller ännu bättre: Kan du förklara resonemanget utan hjälpmedel? Om studenten verkligen har förstått något bör kunskapen överleva även när AI:n lämnar rummet.

Om förståelsen däremot försvinner samtidigt som chatbotfönstret stängs, då har vi antagligen förväxlat prestation med lärande.

Slutord

Det finns en ironi i den forskning som nu växer fram om AI och människor.

AI verkar faktiskt göra människor bättre på många kognitiva uppgifter. Samtidigt verkar den göra oss mindre träffsäkra när vi bedömer vår egen kompetens. Det är därför jag blir en smula misstänksam när någon säger: «AI hjälpte mig att förstå kursen.» Kanske har studenten rätt. Men forskningen antyder att just den personen är ovanligt dåligt placerad för att avgöra saken.

Och det är kanske den mest fascinerande frågan i hela AI-revolutionen: inte om maskinerna kan tänka. Utan om vi fortfarande kan avgöra när vi själva gör det.

  1. Daniela Fernandes, Steeven Villa, Salla Nicholls, Otso Haavisto, Daniel Buschek, Albrecht Schmidt, Thomas Kosch, Chenxinran Shen, Robin Welsch, AI makes you smarter but none the wiser: The disconnect between performance and metacognition, Computers in Human Behavior, Volume 175, 2026, 108779, https://doi.org/10.1016/j.chb.2025.108779.
  2. H. Bastani,O. Bastani,A. Sungu,H. Ge,Ö. Kabakcı, & R. Mariman,  Generative AI without guardrails can harm learning: Evidence from high school mathematics, Proc. Natl. Acad. Sci. U.S.A. 122 (26) e2422633122, https://doi.org/10.1073/pnas.2422633122 (2025)
  3. Fisher, Matthew, and Daniel M. Oppenheimer. «Harder than you think: How outside assistance leads to overconfidence.» Psychological Science 32.4 (2021): 598-610. https://doi.org/10.1177/0956797620975779
  4. https://www.microsoft.com/en-us/research/articles/the-metacognitive-demands-and-opportunities-of-generative-ai/

Kategorier
Föreläsningar Generativ AI Lärande Undervisning

Universitetens framtid och AI

Det finns få saker som känns mer traditionella än universitetet. En professor står längst fram i en full (eller oftast mindre än halvfull) föreläsningssal. Studenterna antecknar mer eller mindre entusiastiskt, ofta utan att reflektera över vad som sägs. En rapport som lämnas in, en examen och någon gång därefter utdelas ett betyg. Så har det sett ut så länge att vi nästan har börjat betrakta det som en naturlag. Men fysiken lär oss att det som verkar självklart ofta bara är en approximation. Newtons mekanik fungerade utmärkt ända tills Einstein visade att den bara var en speciallösning. Frågan är om artificiell intelligens håller på att göra samma sak med universitetet.

I essän The University After AI (https://www.chronicle.com/article/the-university-after-ai) hävdas att AI inte bara skapar problem för undervisningen utan utmanar själva idén om det moderna universitetet. Det är ett stort påstående. Men precis som fysiker ofta lär sig mest när ett experiment plötsligt slutar fungera, kan det vara först nu som vi börjar förstå vad universitetet egentligen har varit till för.

På 1960-talet beskrev universitetsledaren Clark Kerr det moderna universitetet som en multiversity. Universitetet var inte längre bara en plats för lärande. Det var samtidigt forskningscentrum, yrkesutbildning, social mötesplats, bildningsinstitution och certifieringsmaskin. Under samma tak producerades ny kunskap, utbildades läkare och ingenjörer, formades framtida samhällseliter och skapades minnen som ofta visade sig vara mer bestående än kurslitteraturen. Det märkliga var inte att alla dessa funktioner hörde ihop. Det märkliga var att de lyckades samexistera över huvud taget.

Om man betraktar universitetet som ett fysikaliskt system kan man säga att det befann sig i en metastabil jämvikt. Olika krafter drog åt olika håll, men systemet höll ihop eftersom alla dess verksamheter byggde på samma grundläggande teknik för kunskapsöverföring. Boken, föreläsningen, uppgifterna och examen utgjorde universitetets infrastruktur. Forskaren skrev artiklar, läraren höll föreläsningar och studenten visade sitt kunnande genom skriftliga arbeten. Hela maskineriet drevs av samma mekanism.

Sedan kom språkmodellerna.

När en student i dag kan få ett välskrivet resonemang om den franska revolutionen, kvantmekanik eller nationalekonomi på några sekunder, uppstår en obehaglig fråga: Vad är det egentligen universitetet mäter? Under lång tid har vi utgått från att den text studenten lämnar in är ett bevis på det arbete som ligger bakom texten. Uppsatsen har fungerat som ett avtryck av studentens tänkande och i förlängningen av kunskaper. Problemet är att AI kan producera ett avtryck utan att någon människa behöver genomgå eller reflektera i processen.

Här finns en intressant parallell till fysiken. Ofta kan vi inte observera det vi egentligen är intresserade av. Ingen har sett en elektrons laddning med egna ögon. Ingen har sett temperaturen som sådan. Vi observerar effekterna av dem. Så länge sambandet mellan fenomenet och observationen är stabilt fungerar metoden. Men om någon plötsligt hittar ett sätt att skapa samma observation utan det ursprungliga fenomenet faller hela mätsystemet samman.

Det är ungefär där universitetet befinner sig nu.

När en språkmodell kan producera en text som ser ut att vara resultatet av kritiskt tänkande, blir det uppenbart att vi egentligen aldrig har mätt kritiskt tänkande direkt. Vi har bara mätt dess ”spår”. Och precis som en fysiker som upptäcker att ett instrument har tappat kalibreringen måste universitetet nu hitta nya sätt att mäta det som faktiskt betyder något.

Det är därför som muntliga examinationer, seminarier och direkta samtal mellan lärare och studenter plötsligt känns moderna igen. Ironiskt nog kan framtidens utbildning komma att allt mer påminna om det förflutna. Om målet är att förstå hur en människa resonerar, måste vi observera resonemanget medan det pågår. Det räcker inte längre att inspektera slutprodukten. Skillnaden är ungefär densamma som mellan att analysera ett fotografi av en raket och att faktiskt följa en uppskjutning. Det mest intressanta händer under färden.

Men den verkligt fascinerande frågan handlar inte om examinationer. Det handlar om värde. Inom ekonomin uppstår värde ofta genom knapphet. Diamanter är värdefulla därför att de är ovanliga. Sand är mindre eftertraktad eftersom den finns i överflöd. När AI gör textproduktion, informationssökning och sammanfattningar nästan gratis, förändras också dess värde. Då blir andra mänskliga förmågor relativt sett viktigare.

Författaren bakom essän pekar på omdöme, smak, tillit, etisk reflektion och förmågan att formulera mål som exempel på sådant som inte enkelt kan automatiseras. En språkmodell kan förklara vad förtroende är, men den kan inte själv riskera att bli sviken. Den kan diskutera moral, men den kan inte hållas ansvarig för sina handlingar.

Det leder fram till en oväntad slutsats. Många antar att AI kommer att göra humaniora mindre relevant. Essän argumenterar för motsatsen. Historia, filosofi och litteratur kan bli viktigare just därför att de tränar de mänskliga egenskaperna som maskiner har svårast att efterlikna. Historia utvecklar förmågan att förstå att världen kunde ha sett annorlunda ut. Filosofi tränar precision i tänkandet. Litteratur lär oss att se världen ur andra människors perspektiv. I en tid då information är billig kan sådana förmågor bli betydligt mer värdefulla än ännu en sammanfattning av fakta. Även inom teknik- och naturvetenskaperna blir kritiskt tänkande och grundläggande förståelse viktigare än att kunna lösa ett (oftast) standardmässigt problem.

Fysikens andra huvudsats säger att entropin ökar. Ordning har en tendens att gradvis lösas upp. Kanske är det något liknande som nu sker med universitetet. De funktioner som länge varit sammanfogade i samma institution börjar glida isär. Forskning, undervisning, certifiering och social gemenskap behöver kanske inte längre organiseras på samma plats. När information kan distribueras nästan kostnadsfritt försvinner en del av logiken bakom den gamla modellen.

Kanske kommer framtidens universitet att bestå av specialiserade forskningscentra, mindre undervisningsmiljöer och helt nya sätt att verifiera kompetens. Kanske kommer utvecklingen att ta en annan väg. Men det framstår allt mindre självklart att universitetet kommer att se likadant ut om tjugo år som det gör i dag.

Schrödingers katt var samtidigt levande och död tills någon öppnade lådan. Universitetet befinner sig möjligen i en liknande situation. Vi vet ännu inte vilken framtid som väntar. Men en sak verkar allt tydligare: om universitetets viktigaste uppgift en gång var att ge människor tillgång till kunskap, måste dess framtida uppgift handla om något mer. För när alla har tillgång till svaren blir den verkligt sällsynta resursen förmågan att ställa de rätta frågorna. Detta är en utmaning som man måste acceptera och anpassa sig till, och det kan visa sig att mer personlig kontakt mellan undervisare och studenter, som Oxbridges tutorsystem, är vägen framåt.

Kategorier
Examen Generativ AI Lärande The light side Undervisning

GenAI, and Deep vs Shallow Learning

För över 35 år sedan tog jag som doktorand (stipendiat på norsk) en kurs i högskolepedagogik (kunde lika gärna ha kallats universitetspedagogik). Om man undantar den uppenbarligen felaktiga etiketten (pedagogik kommer av grekiska och kan närmast översättas med «att leda ett barn (pojke)», borde vara andragogy, «leda vuxna») handlade om hur man lär. Detta var vid en tid då de pedagoger som nu är tongivande inte hade samma status. Detta är något som går i olika cykler.

Den viktigaste lärdommen var att man skulle främja djup inlärning och undvika ytlig (överfladisk) inlärning. Tanken var att det man skulle lära sig skulle sitta djupt. Detta är också något som är en av huvudteserna inom kognitionsforskning och «educational psychology» där hjärnan och dess processer är i fokus. Det vill säga att lärandet i sig är individuellt, men att det kan understödjas och göras mer effektivt genom yttre påverkan. Det vill säga de yttre processerna som sker under studier och undervisning.

Det viktiga är att man inte bara tar emot «information», utan att informationen måste bearbetas och sättas in i sammanhang med redan existerande «kunskap». Detta kan ske på många olika sätt, alla med olika grad av effektivitet. Här är det värt att påpeka att det inte finns ett universellt «bästa» sätt utan är personberoende.

Det viktiga att få med sig är processen där ny information bearbetas och jämförs med existerande information. Den processen sker i arbetsminnet, som vi vet är begränsat. Detta gör att det alltid finns en risk att arbetsminnet överbelastas, cognitive overload! Vi vet att arbetsminnet hela tiden tar in ny information. Det kan vara information som behövs för inlärning, men det kan också vara «information» som inte är nyttig och med det blockerar delar av arbetsminnet. Det kan vara onyttig information eller svåra ord, ljud osv.

Detta gör att för att optimera inlärning, skall så mycket som möjligt av onyttig information undvikas. Detta var grundtanken i Video for Kvalitet (https://www.ntnu.no/skolelab/video-for-kvalitet) som jag arbetade i för att skapa optimala undervisningsvideor.

Men det viktiga är att ha så mycket kapacitet som möjligt för att bearbeta informationen. Ett sätt att göra detta är genom kollaborativt lärande och diskussioner med andra som ligger på ungefär samma nivå. Här ligger lösningen i att man delar arbetsminnet med flera och får med det en ökad kapacitet samtidigt som man för en yttre dialog som stödjer inläringen. Det vill säga att samarbete är ett bra sätt att studera.

Vad har detta med GenAI att göra?

Det har visat sig att studenter över hela världen använder olika GenAIs i sina studier. En effekt av att den alltid är tillgänglig är att den blir den första du frågar. Det vill säga, samarbete och kollaborativt lärande minskar.

Men kan inte en GenAI ersätta?

Ja, men här får man tänka på interaktionen. Mellan två eller flera personer pågår inte bara en verbal kommunikation, utan gester och miner spelar en stor roll. Med en GenAI så sker kommunikationen genom text som man skriver in eller läser. Vilket kräver tolkning och blir något förskjutet i tid. Med andra ord inte den bästa ersättningen för en diskussion med medstudenter.

Dessutom finns en aspekt till. När man har en «allvetande expert» nära till hands, finns risken att man inte bearbetar informationen på ett ordentligt sätt = ytinlärning. Detta gör att felaktigt bruk av GenAI ökar risken för en studieteknik som blir mer och mer ytlig.

Detta betyder inte att GenAI bara ger ytinlärning, utan det handlar om hur man använder de verktyg man har tillgängliga. Genom att medvetet bruka tekniker som stödjer djupinlärning kan GenAI brukas på ett positivt sätt.

Här handlar det om att vara medveten om begränsningarna hos GenAI och inte bara be om ett svar utan hellre be om hints och fördjupande motiveringar baserade på grundläggande principer. Eller att instruera GenAI att ha en sokratisk dialog om en princip. Det vill säga att GenAI tar rollen som en tutor som instruerar en student och att man har en diskussion där man resonerar fram till svaret. Här måste man samtidigt vara kritisk då GenAI kan ge felaktiga svar. Men man måste kunna ganska mycket för att både ställa rätt spörsmål och bedöma svarets kvalitet.

Här ställs vi inför faktumet att man i tillägg till kunskaper om det man efterfrågar också måste kunna formulera instruktionerna och frågeställningen till GenAI. Här handlar det inte bara om tekniska färdigheter utan även transversella färdigheter, som kritiskt tänkande och möjligheter att förstå feedback (Feedback literacy). Man måste lära sig att interagera med en GenAI på bästa sätt för att öka ens förmåga till lärande.

Vad är poängen här?

GenAI är ett verktyg som liksom en kniv kan användas på fel sätt, med ödestra konsekvenser, eller på rätt sätt och skapa något vackert. Rätt sätt och du kan få djup inlärning. Fel, och du får ytinlärning.

Med tanke på att det var känt, för över 35 år sedan, att råpugging inför en examen ger ytinlärning och att en slutexamen som bestämmer betyg på kursen förstärker detta. Med även andra effekter som typuppgifter på examina ytterligare förstärker detta är bruk av GenAI inte vårt största problem.

Kategorier
Generativ AI Lärande Undervisning

AI i högre utbildning: att leda förändring när verktyget kom före evidensen

Under lång tid har pedagogisk utveckling i STEM (Science, Technology, Engineering and Mathematics) skett genom gradvisa adaptiva processer: en metod eller ett verktyg utvecklas, utvärderas i studier och sedan skaleras upp när evidensen är tydlig. För många undervisningsinnovationer har själva idén om “institutionell förändring” vilat på antagandet att målet är känt i förväg och att det vi sprider är stabilt och väldefinierat. Samtidigt har vi sett hur teknologier som setts som lösningen på hur undervisningen kan förbättras inte har levt upp till förväntningarna [1]. En gemensam faktor för dessa är att implementeringen oftast har skett ”uppifrån” utan eller med lite påverkan av brukarna (undervisarna).

Det är den ordningen som generativ AI (GenAI) bryter. I stället för en långsam adoption av utvärderade innovationer kom AI in snabbt, brett och ofta utan att lärosäten och undervisare hade hunnit formulera en respons. I en artikel av Reich & Dukes [2] beskrivs GenAI som en ”arrival technology”: en teknik som ”anländer” till utbildningspraktiken innan en pedagogisk evidensbas och gemensamma rutiner har hunnit utvecklas.

Detta skapar en särskild form av osäkerhet. Lärosäten kan inte vänta på ”best practice”, eftersom studenter redan använder GenAI, och eftersom evaluering, inlämningsuppgifter och rapporter redan påverkas av verktygen. Samtidigt är det problematiskt att skapa lösningar eller policys som bygger på antaganden som inte kan beläggas.

Vi ställs inför en situation där varken ett generellt förbud eller en okritisk omfamning är hållbart på längre sikt. Det är heller inte möjligt att använda den modell som vi är vana vid, utan det behövs istället modeller för institutionell förändring under genuin osäkerhet, som bör vara präglade av intellektuell ödmjukhet, öppet sinne och lokala insatser.

Från “adoption” till “arrival”: varför tidigare förändringsmodeller inte räcker

Om vi ser på historien så kräver GenAI ett annat angreppssätt. Många, om inte alla, tidigare undervisningsreformer har följt en adoption-logik: forskningsbaserade undervisningsmetoder utvecklas och utvärderas, och därefter arbetar man systematiskt för att stödja implementering och spridning. Sådana förändringsmodeller kan ofta kopplas till klassiska ”diffusionsteorier”, där osäkerhet reduceras genom evidens, demonstrationer och gradvis . Gen AI passar sämre in i den logiken, eftersom verktygen togs i bruk innan det fanns tid att bygga samma typ av evidensbas och gemensamma förväntningar.

Det viktiga här är inte bara att “evidensen saknas”, utan att förändringsmekanismen ser annorlunda ut. När studenter använder GenAI utanför undervisares kontroll och när AI-funktioner byggs in i vardagsverktyg (sök, skrivstöd, kodhjälp) blir frågan inte “ska vi införa detta?”, utan “hur svarar vi på en förändring som redan pågår?”. Det flyttar fokus från spridning av färdiga lösningar till samordning, gemensam förståelse och iterativt lärande inom den lokala undervisningsorganisationen.

Flera aspekter: både verktyg och människor

Här handlar det om att se vad det är som vi behöver ta hänsyn till när vi planerar förändringar för att möta bruken av GenAI.

Det är lika viktigt att ta hänsyn till egenskaperna hos verktyget (GenAI) som till brukarna. Samtidigt är det viktigt att påpeka att det inte finns policy som passar alla. De olika disciplinernas egenart är viktig då effekten av GenAI är annorlunda i olika discipliner. Exempelvis kan GenAI-bruk i språk få en helt annan effekt på läringsutbytet än i en experimentell disciplin. Med andra ord, de antaganden som görs kommer att vara olika och kommer dessutom att behöva omprövas under utvecklingsarbetet.

De viktigaste (men inte alla) aspekterna som man måste beakta i förändringsarbetet ges här.

Evidensbasen: när förändring startar innan kunskapsläget är stabilt

I tidigare reformer har det ofta funnits relativt tydliga forskningsresultat att luta sig mot. För AI gäller motsatsen: verktygen används brett trots att det saknas en etablerad pedagogisk evidensbas för vad som fungerar väl, för vem och i vilka sammanhang. Med andra ord har vi inget att arbeta med. En lösning på detta är i första hand att prioritera lokala, försiktiga undersökningar snarare än att presentera olika lösningar som “beprövade”. Det innebär att dokumentera vad som testas i kurser och program, samla in erfarenheter och data, och dela lärdomar utan att överdriva generaliserbarheten. Här kommer de specifika egenarterna i kurserna: undervisaren och studenterna kommer att spela en stor roll.

Scope och syfte: när tekniken är allmän och inte byggd för utbildning

Många tidigare undervisningsverktyg utvecklades med specifika utbildningsmål som utgångspunkt. GenAI är i stället en generell teknik med användning långt utanför akademin, vilket innebär att dess införande i undervisningen påverkas av kommersiella intressen, samhällsdebatt, etik och integritetsfrågor. Att det finns kommersiella intressen gör att det dessutom finns ett starkt tryck på att detta skall implementeras.

Men då tekniken inte är undervisningsspecifik, gör det att GenAI blir både ett medel i lärandet och ett innehåll att lära om: studenter behöver utveckla förmågan att använda AI kritiskt och ansvarsfullt i sina framtida professioner. Det gör att samtalen i undervisningen behöver omfatta frågor om etik, transparens och omdöme—inte som ett sidospår, utan som en del av utbildningens kärna. Detta gör att dessa ”Transversal Skills” blir essentiella.

Förändringstakten: när verktyget hinner ändras innan vi hinner förstå det

En särskild utmaning är att AI-verktyg utvecklas snabbt och att alla studenter inte har tillgång till det senaste. Det betyder att även om man hinner utvärdera en viss funktion eller modell riskerar resultaten att bli inaktuella när nästa version kommer. Detta innebär att man inte kan fokusera på ett eller flera specifika (aktuella) verktyg utan se mer på olika pedagogiska angreppssätt. Det man bygger upp institutionellt bör vara arbetssätt, principer och exempel som kan överleva att ett verktyg byts ut, inte något som snabbt blir utdaterat.

Undervisarens roll: när förändringen inte längre är ett frivilligt “opt-in”

I många tidigare förändringsinitiativ har deltagande varit frivilligt och drivits av intresse för undervisningsutveckling. Med GenAI upplever många undervisare att förändringen sker oavsett om man vill eller inte, eftersom studenters användning påverkar undervisningen, bedömningen och studiebeteenden.

Här är det viktigt att, som nämnt ovan, notera att graden av påverkan kommer att variera kraftigt mellan kurser och ämnen, vilket betyder att stödinsatserna behöver börja med att kartlägga faktiska behov snarare än att anta att alla står inför samma problem. Det talar för differentierat stöd och för att skapa arenor där undervisare kan jämföra erfarenheter och identifiera var påverkan är störst.

Förändringsstödets roll: från “expert som sprider ”best practice”” till facilitator

I klassiska förändringsmodeller kan förändringsaktörer (pedagogiskt stöd) fungera som “bärare” av beprövade metoder: de förmedlar vad som fungerar och hjälper till med implementering. Här passar denna roll inte då osäkerheten är genuin och när “vad som fungerar” ännu inte är etablerat. I stället behöver förändringsstödet utformas som facilitering av kollektivt lärande: att skapa strukturer för gemensam undersökning, hjälpa till att samla och tolka lokala data, och stödja undervisare i att formulera rimliga experiment och principer. Detta betyder att det som behövs inte är ren “verktygsexpertis”, utan handlar mer om att ha djup och relevant didaktisk och pedagogisk kompetens och förståelse för de specifika lärandemålen i olika kurser.

Studenternas ändrade roll: från mottagare till medskapare

Då studenter redan använder GenAI-verktygen, är de på ett sätt inte bara “målgruppen” för reformer. Det är egentligen de som driver implementeringen genom sitt bruk.

Samtidigt vet vi från olika undersökningar (till exempel [3]) att många studenter efterfrågar vägledning om ansvarsfull användning. Därför är det viktigt att se studenter som partners i förändringsarbetet: deras faktiska användningsmönster behöver synliggöras och de bör involveras i samtal om vilka lärandemål som ska skyddas och hur GenAI kan användas produktivt utan att inverka på deras lärande.

Processen måste bli synlig

Det är frestande att reducera AI-frågan till en kontrollfråga: hur upptäcker vi AI-genererade texter? Hur “förhindrar” vi detta? Men de aspekter som tagits upp leder till en annan utgångspunkt.

När generering av text, kod eller lösningsförslag blir lättare, blir själva slutprodukten mindre informativ som indikator på lärande. Då behöver bedömning och undervisning i högre grad rikta in sig på process, omdöme och ansvar.

I praktiken innebär det ofta att utbildningar behöver bli tydligare med vad som räknas som kunskap i respektive disciplin: vilka moment kräver egen bearbetning, vilka delar kan stödjas av olika verktyg, och vilka former av redovisning som visar förståelse snarare än bara produktion. Här blir principen “approacher över verktyg” central: oavsett vilka AI-tjänster som kommer att dominera nästa år kommer utbildningar fortfarande behöva designa undervisningsaktiviteter som tränar kritisk granskning, val av modell eller metod, reflektion över begränsningar och konsekvenser.

Detta medför också att en policy inte bör vara ett statiskt dokument som “låses” en gång per år. Med snabbt föränderliga verktyg behöver riktlinjer utvecklas iterativt och i dialog med studenter, men utan att bli godtyckliga. En rimlig kompromiss är att hålla fast vid stabila principer (t.ex. transparens, integritet, ansvar och lärandemål) och låta konkreta tillämpningar (exempel på tillåten användning i en viss kurs) uppdateras när verktyg och erfarenheter förändras. Med detta följer också att man inte kan ha en övergripande policy utan att den måste vara så undervisningsnära som möjligt, kanske till och med på studieprogramnivå eller kursnivå.

Slutord: att bygga kapacitet snarare än att jaga lösningar

Slutsatsen man kan dra av detta är att man inte skall försöka hitta en generell lösning eller policy, utan det handlar mer om institutionell kapacitet att hantera den osäkerhet som finns: strukturer för lokal utvärdering, forum för kollegialt lärande, förändringsstöd som faciliterar snarare än instruerar, och studentpartnerskap som gör normer och mål explicita. Det är ett skifte från att tänka i termer av implementering av en innovation till att tänka i termer av pågående anpassning av utbildningens kärnpraktiker.

Om generativ AI är en “arrival technology” som förändrar utbildning innan vi hinner förstå den fullt ut, är en rimlig strategi att börja där vi står: med ödmjukhet, tydliga lärandemål och en vilja att lära tillsammans—snarare än med tvärsäkerhet och snabba, ofta ogenomtänkta, storskaliga beslut och lösningar.

[1] Cuban, L. (1986). Teachers and machines: The classroom of technology since 1920. Teachers College Press.

[2] Reich, J., & Dukes, J. (2025). The future of education technology after the arrival of ChatGPT. Phi Delta Kappan, 107(3-4), 19-23.

[3] Olsen, H. (2026). Master’s Thesis, NTNU (in preparation)

Kategorier
Generativ AI Lärande Undervisning

Feedback literacy i GenAI-tider: snabbare svar, men kravet på omdöme ökar

Det finns något förföriskt med att använda GenAI som feedbackpartner. Den är alltid tillgänglig, den svarar direkt, den är uppmuntrande, och den kan göra det ”socialt” enklare att “bara fråga” när man fastnat. I en artikel lyfter Zhan et al. [1] fram dessa potentiella fördelar: GenAI kan till viss del kringgå kontextuella hinder så som stora grupper och begränsad lärartid genom att alltid vara tillgänglig och snabb med svaren.

Men i detta ligger egentligen den stora pedagogiska frågan: Gör GenAI det lättare att lära – eller bara lättare att producera? Bearman et al. [2] pekar på att GenAI dramatiskt ökar vår produktionskapacitet, samtidigt som vår förmåga att bedöma kvalitet inte automatiskt följer med.

GenAI som feedbackmiljö: möjliggörare, men inte “automatiskt”

Detta gör att vi måste titta närmare på problemet. Zhan et al. [1] är tydliga med att GenAI:s affordanser inte i sig garanterar ett djupare feedbackengagemang. Den effekt som vi önskar beror på samspelet mellan miljön (GenAI-kontexten) och studentens feedback literacy.
Detta är ett ekologiskt synsätt där möjligheter i miljön bara realiseras om individen kan uppfatta dem och agera på dem. Om man inte utnyttjar det som finns har man ingen nytta

Denna holistiska tillnärmning är viktig, då man annars snabbt kan hamna i två lika förenklade narrativ:

  • “GenAI löser feedbackproblemet.”
  • “GenAI förstör feedbackkulturen.”

Den första är teknikcentrerad medan den andra har drag av vara del i ”AI-paniken”. Men det intressanta som båda missar är den viktiga frågan: vad behöver studenter kunna för att GenAI-feedback ska bli lärande snarare än kosmetik?

Tre processfaser igen – nya problem

I förra inlägget adresserade jag tre faser (processer) enligt Malecka, Boud & Carless [3]; samma principer kan appliceras på bruken av GenAI. Zhan et al. [1] analyserar feedback med GenAI med samma faser: eliciting, processing, enacting.
Och i varje fas är det möjligt att se ett återkommande tema: GenAI sänker en tröskel, men introducerar samtidigt ett eller flera nya krav.

Eliciting: frågan blir ett instrument

När det gäller användande av GenAI belönas ofta den som kan formulera en specifik, kriterienära fråga. Zhan et al. [1] är tydliga med att kvaliteten på GenAI-feedback i hög grad beror på studentens förmåga att formulera effektiva prompts. Studenterna måste kunna skriva så bra prompts som möjligt, det vill säga ha AI literacy.
Detta innebär att “att kunna be om feedback” är en mer teknisk fråga, men också mer akademisk: att kunna avgränsa, precisera och koppla till standarder. En undervisare gör delar av detta automatiskt, något som en GenAI inte gör.

Processing: trovärdighet blir en del av lärandet

Samtidigt som GenAI kan minska vissa kognitiva och affektiva hinder (tillgänglighet och snabbhet) genom dialogisk och snabb klargörande återkoppling, kan den också ge felaktiga eller fabricerade svar och kräver därför att studenten kan utöva kritiskt omdöme [2].
Bearman et al.:s [2] poäng där evaluative judgement är central och viktig att få med sig: studenter behöver kunna bedöma kvalitet både i AI:s output och i sin egen användningsprocess.

Här ligger ett pedagogiskt dilemma. Samtidigt som vi vill att studenter ska bli självständiga, så kan GenAI skapa det man kan kalla en “pseudo-självständighet” där man får svar snabbt utan att bygga omdömet som krävs för att värdera dem. Det finns en risk att studenterna blir ”kognitivt” lata, något som många ser som en stor risk med bruk av GenAI.

Enacting: iteration blir lätt – men vad händer med integritet och förståelse?

Samtidigt som bruk av GenAI kan stödja revisioner genom att möjliggöra en snabb iterativ feedback och personliga förslag, riskerar det också att skapa ett överberoende och en okritisk acceptans av föreslagna ändringar.[1]
Samtidigt aktualiseras frågor om akademisk integritet och kontextbundna normer: vad som är acceptabel användning kan variera, vilket gör att studenter behöver kunna navigera gränser och förstå varför de finns [2].

Detta betyder att feedback literacy i GenAI-tider också omfattar etiskt omdöme: inte bara “kan jag göra detta?”, utan “bör jag och hur redovisar jag bruken på ett transparent sätt?”.

Undervisarrollen i GenAI-tider: att undervisa i omdöme inte bara i innehåll

Hur skall vi som undervisare förhålla oss till detta och vad skall vi erbjuda studenterna? En lösning till detta presenteras av Zhan et al. [1] som föreslår en cyklisk självregleringsmodell för feedback i GenAI-kontext: forethought, control, retrospect – planera, övervaka, reflektera.
Studenterna måste förberedas för bruken av GenAI genom ökad AI literacy. De måste uppmärksammas på att bruk av GenAI i sig gör delar av arbetet ” lättare”, men samtidigt måste man vara mer kritisk och planera bättre.

Detta är en påminnelse om att GenAI gör feedback mer “tillgänglig”, men att den också gör metakognition och omdöme mer synliga som viktiga och önskvärda lärandemål.

Ser man detta i ett större perspektiv, där transversella färdigheter blir viktigare, så har kanske universitetet en kärnuppgift i att hålla fast vid att människor inte ska abdikera rollen som kvalitetsdomare—att vi skall träna studenter i att veta vad som är bra, varför det är bra och hur man kan visa det.

  1. Ying Zhan, David Boud, Phillip Dawson & Zi Yan (2025) Generative artificial intelligence as an enabler of student feedback engagement: a framework, Higher Education Research & Development, 44:5, 1289-1304, DOI: 10.1080/07294360.2025.2476513
  2. Margaret Bearman, Joanna Tai, Phillip Dawson, David Boud & Rola Ajjawi (2024) Developing evaluative judgement for a time of generative artificial intelligence, Assessment & Evaluation in Higher Education, 49:6, 893-905, DOI: 10.1080/02602938.2024.2335321
  3. Bianka Malecka, David Boud & David Carless (2020): Eliciting, processing and enacting feedback: mechanisms for embedding student feedback literacy within the curriculum, Teaching in Higher Education, DOI: 10.1080/13562517.2020.1754784

Kategorier
Generativ AI Lärande Undervisning

Feedback literacy: när feedbacken är ”bra”, men inget händer

Att ge studenter feedback på examina eller rapporter är något som kan vara arbetskrävande. Man sitter ofta med en känsla av otillräcklighet. Inte för att jag tror att jag skriver fel saker eller inte är tydlig nog, utan för att jag ser ett mönster: vissa studenter tar kommentarerna och förbättrar sig, andra verkar knappt bry sig om dem och en tredje grupp blir nedtryckt och deprimerad av dem. Det är lätt att landa i förenklade förklaringar (“motivation”, “ambition”, “mognad”), men det finns forskning som erbjuder en mer användbar lins: feedback fungerar inte som ett paket som levereras, utan som en process som måste tas i bruk.[1]

Det är begreppet student feedback literacy som är ledtråden. Carless & Boud [2] beskriver det som studenters förståelser, förmågor och dispositioner som behövs för att tolka feedbackinformation och använda den för att förbättra arbete eller lärstrategier.
Det är en definition som skiftar perspektiv: från vad vi ger till vad studenter faktiskt kan göra med det de får.

Feedback literacy som en färdighet i akademiskt arbete

I Carless & Bouds ramverk ryms flera dimensioner av feedback literacy, ofta sammanfattade som att studenter behöver kunna uppskatta feedback, göra kvalitetsbedömningar, hantera affekt och ta action.
Detta är en av flera transversella färdigheter som jag ser som nödvändiga för att kunna ägna sig åt akademiskt arbete: att kunna läsa en kommentar, avgöra vad som är relevant, tåla obehaget som ibland följer, och sedan faktiskt göra en förändring som går att motivera.

Med detta blir det också tydligt att mycket av det vi kallar “feedbackproblem” i själva verket kan vara mismatchproblem: de situationer där vi brukar ge feedback är konstruerade där det krävs en kompetens som vi sällan undervisar explicit i.

Tre faser

Men att bara se på att det uppstår ett problem är begränsande, utan man måste se på var i processen problemen uppstår. Malecka, Boud & Carless [3] beskriver feedbackarbete som bestående av tre delar: eliciting (att efterfråga), processing (att bearbeta) och enacting (att agera).

Detta kan man se som tre tillfällen där man behöver stanna upp och tänka sig för:

  • Före feedbacken: vad händer när studenten inte efterfrågar återkoppling eller inte formulerar några tydliga frågor. Detta gör feedbacken mer generell och mindre användbar.
  • Tolkningen: Vad betyder det att studenten läser men får inte grepp om vad kommentaren betyder i relation till kriterier och kvalitet, eller reagerar affektivt (försvar, skam, uppgivenhet). Detta gör att studenten inte kan ta till sig feedbacken.
  • Handlingen: Även om studenten förstår, kan kursdesignen ge få möjligheter att använda feedbacken, eller så saknas strategier för att omsätta den i konkreta revisioner.

Utgår man från detta är inte svaret “mer feedback”, utan svaret ligger i att det saknas stöd för studentens process.

Undervisarrollen: mindre kommentator, mer facilitator

Hur löser man detta? Winstone & Carless argumenterar för ett skifte mot en mer lärandefokuserad syn på feedback: mindre fokus på lärarens kommenterande och mer på hur studenter genererar, tolkar och använder feedback för förbättring över tid.
Detta är ett nytt sätt att tänka, ett paradigmskifte om man vill, för här är feedback primärt inte en fråga om formuleringar, utan om didaktisk design och sociala praktiker. [1]

Här är det då viktigt att man ställer två övergripande frågor i en utbildning (eller möjligen en kurs), när det gäller feedback literacy.:

  1. Vilka återkommande möjligheter får studenter att utveckla sitt omdöme om kvalitet? Ger vi studenterna möjlighet att träna upp förmågan att bedöma kvalitet i feedback och använda den på bästa sätt?
  2. Finns det faktiskt utrymme att använda feedback på ett effektivt sätt?

Det handlar om att lära studenterna att ta till sig feedback och använda den för att utvecklas. Feedback är inte något som man ”bara” skall ge, utan man måste förstå varför och hur man både ger, tar emot och använder feedback. Det handlar lika mycket om att acceptera att feedback literacy är en del av de färdigheter som man behöver få med sig in i arbetslivet och något man måste både lära sig och träna på. Det är inget som studenterna bara lär sig.  

I nästa inlägg kommer jag diskutera vilka effekter introduktionen av Generativ AI (GenAI) kan ha.

  1. Winstone, N., & Carless, D. (2019). Designing Effective Feedback Processes in Higher Education: A Learning-Focused Approach (1st ed.). Routledge. DOI: 10.4324/9781351115940
  2. David Carless & David Boud (2018) The development of student feedback literacy: enabling uptake of feedback, Assessment & Evaluation in Higher Education, 43:8, 1315-1325, DOI: 10.1080/02602938.2018.1463354
  3. Bianka Malecka, David Boud & David Carless (2020): Eliciting, processing and enacting feedback: mechanisms for embedding student feedback literacy within the curriculum, Teaching in Higher Education, DOI: 10.1080/13562517.2020.1754784