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
Kategorier
Böcker Experiment Fysik Historia Laborationer Lärande Uncategorized Undervisning

När myten blir sanning: Cavendish, gravitationskonstanten och undervisningens utmaning

Vetenskapshistorien är full av berättelser som inspirerar. Vi älskar historier om geniala forskare som med ett enda experiment förändrade världen. Ett av dessa klassiska exempel är Henry Cavendishs berömda experiment från 1798. I många läroböcker står det att Cavendish mätte gravitationskonstanten G. Det låter elegant– men det är fel. Och det är just den myten jag har granskat i min senaste studie. (https://iopscience.iop.org/article/10.1088/1361-6404/adffcb)

När jag analyserade 84 fysikläroböcker, publicerade mellan 1911 och 2015, såg jag ett tydligt mönster: en majoritet ger intrycket att Cavendish fastställde G, medan bara ett fåtal framhäver hans egentliga mål – att bestämma jordens densitet. Denna förskjutning är inte trivial. Den påverkar hur vi förstår vetenskapens historia och hur vi undervisar nästa generation.

Varför är detta viktigt?

När vi lär ut att Cavendish “upptäckte G” förstärker vi en förenklad bild av vetenskap som en serie snabba triumfer. Den verkliga historien är mer komplex – och mycket mer intressant. Cavendishs experiment var ett tekniskt mästerverk, men det var också begränsat av den kunskap och teknik som fanns. Att förstå detta ger studenter en mer realistisk bild av forskning: den är långsam, metodisk och full av osäkerhet.

Vetenskap är inte en rak linje av perfekta upptäckter. Den är en process, ofta kantad av misstag, begränsningar och kreativa lösningar. När vi suddar ut dessa nyanser riskerar vi att skapa en bild som är både orealistisk och avskräckande. Studenter som kämpar med komplexa problem kan känna att de “inte är tillräckligt smarta” – när sanningen är att även de största namnen i vetenskapshistorien arbetade under osäkerhet och begränsningar.

Hur undervisar vi bättre?

Här är några sätt att göra undervisningen både korrekt och engagerande:

Berätta den riktiga historien. Förklara att Cavendish mätte jordens densitet, inte G. Visa hur hans resultat senare användes för att beräkna G. Detta ger en mer nyanserad bild av vetenskapens utveckling.

Diskutera varför myten uppstod. Låt studenter reflektera över varför läroböcker förenklar. Vad händer med vår förståelse av vetenskap när vi gör berättelserna för raka och perfekta?

Koppla till vetenskaplig metod. Använd Cavendish som exempel på hur experimentella begränsningar påverkar forskningsmål.

Låt studenter räkna själva. Ge dem Cavendishs data och låt dem beräkna jordens densitet – och sedan se hur G kan härledas. Det blir en praktisk övning som knyter ihop historia och fysik.

Använd storytelling. Beskriv hur Cavendish arbetade i sitt laboratorium, hur känsliga hans instrument var och hur lång tid mätningarna tog. Det gör historien levande och visar att vetenskap är ett hantverk.

Moderna myter i fysikundervisningen

Cavendish är inte ensam. Våra läroböcker är fulla av förenklade berättelser som riskerar att bli myter. Vi säger att Galileo “släppte kulor från tornet i Pisa” – trots att det är tveksamt om det någonsin hände. Vi lär ut att Newton fick idén om gravitationen när ett äpple föll på hans huvud – en charmig anekdot, men historiskt osäker.

Varför gör vi detta? För att berättelser är kraftfulla. De gör fysiken levande. Men när berättelserna blir för förenklade riskerar vi att skapa en falsk bild av vetenskapens natur. Det är därför vi måste hitta balansen: behålla berättelserna, men ge dem kontext och komplexitet.

Varför gör detta skillnad?

Genom att undervisa på detta sätt visar vi att vetenskap inte är en rad mytiska ögonblick, utan en process. Det gör ämnet mer mänskligt och mindre avskräckande. Studenter får se att osäkerhet och långsiktighet är en del av forskningen – och att det är helt normalt.

Så nästa gång du undervisar om Cavendish, Galileo eller Newton, ställ frågan: berättar vi vetenskapens historia som den var, eller som vi önskar att den hade varit? Jag menar att vi har ett ansvar att välja det första. Det är inte bara en fråga om fakta – det är en fråga om att ge studenter en rättvis bild av vetenskapens verklighet.

Kategorier
Examen Lärande Undervisning

Föreläsarens drömmar

Quo Vadis?

Digitaliseringen har förändrat undervisningen i fysik på olika sätt, och ett av de mest spännande verktygen i denna utveckling är STACK https://stack-assessment.org/ – ett system för datorstödd bedömning/undervisningsstöd som erbjuder funktioner långt bortom traditionella quizplattformar. Men i en tid där artificiell intelligens blivit en naturlig del av studenternas vardag måste vi ställa oss frågan: vart är vi på väg?

STACK gör det möjligt att hantera matematiska uttryck och algebraiska svar, skapa frågor med slumpmässiga variabler och ge omedelbar återkoppling. Det kan kontrollera enheter och signifikanta siffror, tillåta avrundningsfel och till och med generera grafer med slumpade parametrar. Detta gör STACK till ett kraftfullt verktyg för både självstudier och bedömning. Utmaningen är att bygga upp en omfattande frågebank, vilket kräver tid och resurser, men detta beror på ambitionsnivån, att skapa likande feedback som finns idag är inte så resursintensivt. Men om man vill ha detaljerad, individuell feedback krävs mer.

Samtidigt har AI blivit en självklar del av studenternas studievanor. En pilotstudie vid NTNU visar att majoriteten av respondenterna (fysikstudenter) använder AI som studiestöd, och mer än hälften gör det dagligen. De flesta använder det för att få steg-för-steg-förklaringar eller kontrollera sina egna lösningar, medan en mindre andel ber om kompletta svar. Studenterna upplever att AI bidrar till lärande, men kunskapen om hur man använder tekniken effektivt är låg. Detta innebär att AI främst fungerar som en «studiekompis», vilket kan vara positivt om det sker på ett pedagogiskt sätt. Men här finns både en fara och möjligheter, fel bruk kan vara skadligt, men samtidigt gör det möjligt att coacha studenterna då de är medvetna om möjligheterna.

I ljuset av detta måste undervisningen förändras. Traditionella övningar räcker inte längre för att skapa djup förståelse. Vi behöver lägga större vikt vid begreppsförståelse, diskussioner och strategier för problemlösning, helst i grupp. Här kan AI bli ett värdefullt komplement, men studenterna måste tränas i att använda tekniken för lärande – inte bara för att få ett snabbt svar.

STACK erbjuder även stora möjligheter som examinationsverktyg. Det kan ersätta traditionella övningar, inlämningsuppgifter och delar av summativa bedömningar. Fördelarna är tydliga: mindre administrativ belastning, snabb återkoppling och möjlighet att skapa unika prov för varje student. Men det finns risker. När AI används för att lösa uppgifter utan reflektion försvinner den pedagogiska vinsten. Feedback ignoreras och viktiga konceptdiskussioner uteblir.

En lösning är att införa distribuerade låg-stakes prov (skolexamen under översyn) under kursens gång. Detta bör minska examensstress, öka självförtroendet och leder till bättre resultat. Erfarenheter visar att låg-stakes bedömningar särskilt gynnar kvinnor och bidrar till bättre prestationer. Genom att dela upp kursen i flera mindre prov får studenterna kontinuerlig återkoppling och möjlighet att justera sina studietekniker i tid. För att detta ska fungera krävs en omfattande frågebank och en välorganiserad infrastruktur för proven.

Framtiden handlar inte om att välja mellan STACK och AI, utan om att kombinera dem på ett sätt som stärker lärandet. STACK ger struktur och rättvisa, AI ger flexibilitet och stöd. Tillsammans kan de skapa en undervisning som är både effektiv och engagerande. Men den avgörande frågan kvarstår: hur säkerställer vi att tekniken används för att utveckla förståelse – och inte bara för att förenkla vägen till ett svar?

Quo Vadis? Vi står inför en spännande framtid där digitala verktyg kan revolutionera fysikutbildningen. Framgången beror på hur vi integrerar dem – med pedagogik och förståelse i centrum.

För dem som följt mig så överlappar detta med inlägget https://www.ntnu.no/blogger/fysikkforfakirer/2018/03/27/undervisarens-drommar-1-examen/ från 2018. Detta är naturligtvis en utveckling av ideer i ljus av ny teknologi och forskning.

Kategorier
Fysik The light side Uncategorized Undervisning

Kärnfysik och LEGO

LEGO är inte bara en leksak för stora och små barn. Det kan användas på olika sätt i undervisning. Lewis från @PhysicsOnline‬ har gjort en video som bygger på olika projekt: https://www.youtube.com/watch?v=6aP4brVt5RA.

Här finns en hel del ideer som man kan ta upp. I videon presenteras en LEGO version av Nuclidkartan med Mass exess. Även om modellen är mycket illustrativ är den stor och dyr. I stället för att använda LEGO har jag gjort en version som kan 3D printas. Filer för printing kan erhållas från mig efter begäran.

Med denna ser man hur massan per nucleon varierar och gör att man kan se att man har ett minimum runt Fe-56. Här ser man att vi har en dal med stabilitet och man kan kvalitativt visa att man frigör energi vid fission och fusion av vissa kärnor. Man kan jämföra denna representation med diagram som visar bindningsenergi per nucleon.

Problemet är att denna visar bindningsenergin per nukleon och är lite svår att förstå, genom att den intuitivt ser ut att ligga åt fel håll. Det är inte helt enkelt att se att man frigör energi genom att öka bindningsenergin. I många läroböcker på lägre nivå har man löst detta genom att vända den upp och ner eller genom att man arbetar med massor och räknar ut vad den frigörda energin blir. Något som inte ger en bild av vad som sker.

Ett sätt att undvika detta är att arbeta med Mass Excess, Massöverskott, som är definierat som den «experimentalla massan» minus masstalet.
Som exempel är masstalet 236U, 236, och den faktiska massan är 236,045563 u, blir massöverskottet +0,045563 u eller i energienheter, 42444.6 keV/c2.

Problemet man får är att den atomära massenheten, u, är definierad efter massan till 12C, något som gör att Mass excess har positiva värden för låga masstal och höga masstal och negativa värden för massor där emellan. I 3D och LEGO modellen flyttar man bara nollpunkten vilket inte är några problem. Dock blir det då svårt att visa frigjorda energier på ett visuellt sätt för fission.

Men detta är inget problem med fusion så länge som Mass excess inte blir negativ. Det man gör är att man bara arbetar med Mass excess då masstalet försvinner i reaktuonerna då det blir samma på båda sidor om likhetstecknet.
Vi börjar genom att gå till tabeller med Mass excess (https://www-nds.iaea.org/relnsd/vcharthtml/VChartHTML.html) och ser vad vi har för värden för ett utval kärnor:

  • 1n 8,07 MeV/c2
  • 1H 7,29 MeV/c2
  • 2H 13,13 MeV/c2
  • 3H 14,95 MeV/c2
  • 3He 14,93 MeV/c2
  • 4He 2,42 MeV/c2

Nu kan man bygga upp block i Lego där en normal bricka motsvarar 1 MeV/c2 och en platta en 1/3 MeV/c2 med en avrundning.

Ta nu en fusionreaktion:
2H+2H -> 3H + 1H
Sätt upp två 2H block (13 LEGO block höga) på vänster sida och ett 3H block (15 LEGO block hög) och ett 1H block (7 LEGO block och en platta hög). Skillnaden i LEGO block motsvarar nu den frigjorda energin, ca 4 MeV.
Nu kan man prova med andra möjligheter och se vad man får. Skillnaden i höjd mellan olika reaktioner ger den frigjorda energin.

I figuren visas olika reaktioner och den frigjorda energin i LEGO block.

I ordning från längst bort:
2H+2H => 3H + 1H (energin visas inte); 13,13+13,13=>14,95+7,29 + 4,02 [MeV/c2]
2H+2H => 3He + 1n (energin visas inte); 13,13+13,13=>14,93+8,07 + 3,26 [MeV/c2]
2H+3He => 4He + 1H; 13,13+14,93=>2,42+7,29 + 18,35 [MeV/c2]
2H+3H => 4He + 1n; 13,13+14,95=>2,42+8,07 + 17,58 [MeV/c2]

Bild som visar Mass excess för olika kärnor (4×4 block) före och efter en fusion, energin visas med 2×4 block. Höjden indikerar hur mycket energi som frigörs.

Detta kan inte ersätta beräkningar, men är ett sätt som kanske kan göra det enklare att få en intuitiv känsla för vad som sker.

Kategorier
Examen Fysik Lärande Undervisning

Kan ChatGPT få godkänt på en fysikexamen?

ChatGPT har sedan introduktionen skapat en debatt om dess potential för bruk i undervisning. Frågan är om den kan få godkänt på en fysik-examen. Jag visar att det är teoretiskt möjligt men inte praktiskt på en skriftlig examen. Dock erbjuder ChatGPT möjligheter att kunna användas som ett hjälpmedel i examenskonstruktion.

År 2022 lanserade OpenAI ChatGPT-3.5 (Generative Pre-Trained Transformer) vilket har väckt en intensiv debatt om dess potentiella påverkan på utbildning och examination både på gymnasial och universitetsnivå. Denna diskussion är särskilt motiverad med tanke på OpenAIs tekniska rapport om GPT-4 som visade att den presterare på samma nivå som de 10% bästa mänskliga examinanderna på en simulerad advokatexamen. OpenAI hävdar att GPT-4 har förmågan att lösa svåra problem med högre noggrannhet, tack vare dess breda allmänna kunskap och problemlösningsförmåga. Det finns redan artiklar som (Rudolph et al. 2023) har bidragit till den övergripande diskussionen genom att ge en tidig recension och rekommendationer till studenter, undervisare och universitet om lämpliga strategier för bruk av ChatGPT.

Det bör noteras att ChatGPT bygger på ett neuralt nätverk som genererar resultat baserat på sannolikheter från inmatad information, vilket ofta kallas för en «Large Language Model (LLG)». Det innebär att ChatGPT är främst inriktad mot textbaserade tillämpningar och inte har faktisk kognition bakom de producerade svaren; de är helt beroende av den information som den tränats på. Följaktligen kan ChatGPTs påverkan vara särskilt tydlig inom textbaserade vetenskaper där den fått uppläring. Däremot uppstår frågor om hur ChatGPT presterar inom ämnen som fysik, där förmågan att lösa problem värderas högt. Exempelvis kan man fråga sig om ChatGPT kan klara en fysikexamen på universitetsnivå. Detta är av intresse då fysik i huvudsak inte handlar om att ge textbaserade svar utan handlar mer om problemlösning och att applicera fysiska principer på ett matematiskt sätt. Det vill säga att en ren språkmodell inte borde ha möjlighet att producera resultat som är giltiga i ett fysikperspektiv. Dock kan den ha tränats på utarbetade lösningar och kan generera svar som är korrekta.

Det har i två nyliga studier (Xuan-Quy et al., 2023), för Vietnamiska Nationella High School examen, och i en fysikkurs (Kortemeyer, 2023), undersökts hur en AI som ChatGPT klarar dessa. Båda visade att det var fullt möjligt.

Det är viktigt att notera att fysikkursen baserades på användning av mer formativa metoder som hemuppgifter, «klicker»-frågor, en mitt-terminsexamen och en slutlig examen.

Även om frågorna i den Vietnamiska examen motsvarar frågor på gymnasienivå och examinationen i fysikkursen skiljer sig från examinationsformerna i Skandinavien är dessa resultat inte direkt överförbara till en skandinavisk kontext, där formativ värdering är mer sällsynt. Frågan blir då om en mer summativ examen i form av en slutexamen, gör det svårare för ChatGTP att få godkänt.

För att undersöka detta har jag använt ChatGPT-3.5 (version July 20, 2023 och May 24, 2023) för att undersöka om den kan klara en fysikexamen. När jag förfrågade ChatGPT svarade den: När man ställer denna fråga till ChatGPT blir svaret: «Som en AI-språkmodell utan medvetande eller förståelse på samma nivå som en människa, kan jag inte genomföra en fysikexamen på universitetsnivå eller någon annan form av examen. Jag har inte förmågan att lösa komplexa uppgifter eller tillämpa fysiska principer på samma sätt som människor.

Vad jag kan göra är att ge information, förklara fysikaliska koncept och svara på fysikrelaterade frågor baserat på den kunskap jag har tränats med. Jag kan även hjälpa till med att lösa enklare problem inom fysik, men min prestation och förmåga har sina begränsningar.

Fysikexamen på universitetsnivå kräver djup förståelse, analytiskt tänkande och förmåga att tillämpa koncepten på avancerade problem. Det är utmaningar som en AI som jag ännu inte kan möta på samma nivå som en kvalificerad mänsklig student.«

Då ChatGPT har en sannolikhetsbaserad generering av svar, innebär det att den kan generera olika svar för identiska inmatningar. Så samma fråga matades in flera gånger och se om svaren var konsekventa och om den kunde ge rätt svar vid upprepade försök.

Den simulerade examen som jag använde var baserad på en skriftlig examen som gavs under den första fysikkursen i en fysikutbildning och omfattade ämnen som mekanik (kinematik och dynamik), grundläggande vågrörelselära och relativitetsteori. Examen bestod av 40 flervalsfrågor med 5 svarsalternativ. För att bli godkänd krävdes 41% rätta svar (ca 17 rätta svar). Medelbetyget på examen för studenterna var ett D (53-64%).

Eftersom fysikexamina ofta inkluderar figurer, syntolkades dessa för att ChatGPT skulle kunna lösa uppgifterna relaterade till respektive figur. Uppgifter som byggde på varandra gavs samtidigt i serie. Frågorna formulerades så att ChatGPT skulle ge svaret som ett av de givna svarsalternativen (A-E). Genom chat-funktionen möjliggjordes en dialogliknande diskussion, vilket gjorde det möjligt att se resonemanget och stegen i beräkningarna när sådana utfördes.

Vid första inmatningen gavs rätt svar för 15 frågor med 24 maj-versionen och 18 frågor med 20 juli-versionen. Vid på följande inmatningar gavs både nya rätta och felaktiga svar. Om man endast räknar med det första tillfället skulle ChatGPT (24 maj) få 37,5% och därmed inte bli godkänd, medan ChatGPT (20 juli) skulle få 45% och därmed bli godkänd.

Om man i stället summerar alla rätta svar, vilket har en sannolikhet att inträffa med slumpvis genererade svar, visar det sig att ChatGPT (24 maj) skulle få 25 rätta svar eller 62,5%, medan ChatGPT (20 juli) skulle få 22 rätta svar eller 55%. Båda versionerna skulle därmed kunna få betyget D.

Detta indikerar att en språkmodell-AI som ChatGPT kan få godkänt på en fysikexamen utan att ha någon reell förståelse för fysiska principer. Detta kan förklaras av flera faktorer. För det första använder ChatGPT en databas med inlärd information och sannolikhetsberäkningar för att generera svar, vilket gör att det är möjligt för den att hitta liknande frågor och svar om formuleringarna liknar de som finns där. För det andra kan examensuppgifterna vara utformade så att de inte testar en högre grad av komplex problemlösning, där flera fysiska principer och ekvationer måste användas på ett kreativt sätt. Frågor som testar mer komplex problemlösning är troligtvis inte vanligt det inlärda materialet än.

Även om studenter inte kan använda ChatGPT under en skriftlig examen visar studien på en svaghet i validiteten för tolkningen av resultatet på examen. Med andra ord, vad är det examen skall mäta och mäter examen det som den skall göra? Resultatet på en examen tolkas så att det omvandlas till ett betyg, som bör vara kopplat till lärandemål eller någon form av uppställda kriterier. Om ChatGPT kan få godkänt innebär detta att studenter potentiellt kan få godkänt utan en verklig förståelse av kursinnehållet. Då ChatGPT:s problemlösningsstrategi liknar en receptliknande metod, där man listar givna storheter, den sökta storheten och försöker hitta en passande ekvation med dessa storheter för att beräkna svaret, betyder detta att man får möjlighet att utvärdera graden av komplexitet när det gäller problemlösning i en examen med hjälp av ChatGPT. Strategin som ChatGPT använder fungerar bra för enklare uppgifter där en formel räcker, men fungerar inte när det krävs användning av flera fysiska principer (flera ekvationer) behövs eller när irrelevant information inkluderas i uppgiften.

Detta innebär att det är möjligt att evaluera hur både förståelse och problemlösningsförmåga testas på en examen genom att använda ChatGPT. Med andra ord om uppgifterna som ges har en lämplig nivå av komplexitet och bedöma utfallet på en examen som helhet för en simulerad student med begränsad förståelse. Med andra ord kan det vara möjligt att öka validiteten för en examen för dessa kriterier.

Slutsatsen man kan dra är att teoretiskt sett skulle det vara möjligt för ChatGPT att få godkänt på en fysikexamen. Jag kan visa att AI:n kan ge svar som ligger nära eller över gränsen för godkänt betyg på en fysikexamen. Dock är det inte sannolikt att ChatGPT faktiskt kommer att användas som ett hjälpmedel eller för fusk under en skriftlig examen. Det som är viktigare är att  ChatGPT kan användas som ett hjälpmedel vid uppgiftskonstruktion, där den kan fungera som en simulerad student för att få en uppfattning om vilka svar som kan förväntas ges utan en djupare kognitiv förmåga. ChatGPT kan vara ett användbart verktyg för att utvärdera och justera examina för att säkerställa en passande nivå av komplexitet och svårighetsgrad med avseende på förståelse och problemlösning.

Sammanfattningsvis har jag visat på ChatGPT:s möjligheter och begränsningar för en fysikexamen, men det finns ingen anledning till oro för att den kommer att användas för fusk under en skriftlig sals-examen. Teknologin kan dock vara användbar som ett hjälpmedel i undervisning och uppgiftskonstruktion, där den kan ge insikter om möjliga svar och komplexiteten i uppgifterna.

Jag har valt att inte ange vilken examen jag har använt för att skydda anonymiteten hos examinatorn. Examensuppgifterna och konversationerna med ChatGPT kan dock erhållas från mig.

Referenser

Kortemeyer, G. (2023). Could an artificial-intelligence agent pass an introductory physics course? Physical Review Physics Education Research, 19(1), 010132. https://doi.org/10.1103/PhysRevPhysEducRes.19.010132

Xuan-Quy, D., Ngoc-Bich, L., Xuan-Dung, P., Bac-Bien, N., & The-Duy, V. (2023). Evaluation of ChatGPT and Microsoft Bing AI Chat Performances on Physics Exams of Vietnamese National High School Graduation Examination. arXiv preprint arXiv:2306.04538. https://doi.org/10.48550/arXiv.2306.04538

Kategorier
Lärande Uncategorized Undervisning

Att lura sig själv

Det finns många myter och missuppfattingar om mycket i vardagen. Men det samma gäller även inom vetenskapen. Vi kan tro att logiskt tänkande skall vara gällande, men så är inte alltid fallet. När det gäller forskning så råder förnuftet, om man undantar fusk, medvetet eller omedvetet felaktigt bruk av data, besatthet över egna teorier..  OK, vi är människor. Men inom naturvetenskapen så kommer alltid sanningen fram förr eller senare, åtminstone den naturvetenskapliga sanningen. Den historiska sanningen, det faktiska skeendet, kan vara dold eller omöjlig att finna. Detta gör att man måste vara noggrann i sitt arbete och inte falla för enkla lösningar. Francis Bacon’s «idols» är bra att ha i bakhuvudet så man inte lurar sig själv. Eller som Feynman sa: «The first principle is that you must not fool yourself, and you are the easiest person to fool.»

Bacons «idols (Idola)»:

  • «Idols of the Tribe» (idola tribus), which are common to the race;
  • «Idols of the Den» (idola specus), which are peculiar to the individual;
  • «Idols of the Marketplace» (idola fori), coming from the misuse of language; and
  • «Idols of the Theatre» (idola theatri), which stem from philosophical dogmas.
Kategorier
Fysik Kärnenergi Undervisning

Kärnenergi, strategi och utbildning

Det är i dagarna en debatt om kärnenergi och hur den skall lösa energikrisen. Man ser inlägg som är odelat positiva och som koncentrerar sig på ett fåtal aspekter av ett i grunden komplicerat problem. Just detta är något som bör belysas genom att titta på andra inte så ofta debatterade aspekter.

En satsning på kärnenergi är en satsning som måste göras på lång sikt då det tar upptill 10 år att bygga ett stort kärnkraftverk, och till detta kommer en politisk process om placering och investeringar i tillhörande infrastruktur och miljöeffekter (bland annat från kylvatten). Så att bygga ett kärnkraftverk motsvarande de som finns i drift idag tar lång tid. En invändning som kommer är att det inte skall byggas konventionella kärnkraftverk utan det är små modulära reaktorer (SMR, https://www.iaea.org/topics/small-modular-reactors) som skall byggas. Dessa skall kunna massproduceras och vara mindre vilket gör att byggtiden går ner, de är enklare att placera nära existarande infrastruktur och vi kommer att ha de i drift fortare. Men detta är inte helt sant. Det finns idag över 80 olika designs för SMR men inte många är i drift idag. Man bör notera att The US Nuclear Regulatory Commission (NRC) har certifierat den första designen för en SMR med effekt 21 Februari 2023 https://www.federalregister.gov/documents/2023/01/19/2023-00729/nuscale-small-modular-reactor-design-certification.

Även om det finns olika designer så måste man demonstrera på ett adekvat sätt säkerheten i designen, då detta rör sig om en ny teknologi och att man inte har mycket erfarenhet med denna. Detta betyder att dessa måste först byggas och testas innan man kan börja en massproduktion, så även här kommer tidsfaktorn in och det dröjer troligen mer än 10 år innan det kommer att finnas generell tillgång på SMRs. Detta har också påpekats av representanter från näringslivet.

Men förutom detta så finns det idag en brist på personal som behärskar kärnteknik. På bland annat Direktoratet for strålevern og atomsikkerhet (DSA) finns det experter men inget kunnande vad gäller SMR och hur den tekniken ska kunna prövas för tillstånd att producera kraft. Detta är inte bara ett nationellt problem utan även ett Europeiskt problem. Många år av nedrustning och nedläggning av kärnkraft, ofta av ekonomiska orsaker, har inte bara lett till ökade utsläpp av växthusgaser och ett beroende av rysk gas, utan också till en nedmontering av den kunskapsbas som krävs för en utbyggnad. Det råder idag en brist på den kompetens som behövs för att kunna driva och kontrollera de nya kärnkraftverken (SMR och konventionella).

Det behövs ett kompetenslyft i Europa där det i dag saknas tillräckligt många utbildade personer på alla nivåer som kan utveckla och leda utbyggnaden av SMR. Detta gäller allt från forskning och utveckling på olika aspekter av SMRs, men även utbildning av personer som skall arbeta med ackreditering och kontroll och kompetent driftpersonal. Framför allt behövs forskning och utveckling som ge ökat stöd till den typ av SMR som kan producera eller återanvända sitt eget bränsle. De SMRs som planeras är inte generation IV reaktorer utan opererar med en öppen bränslecykel, där nytt bränsle måste tas in och avfallet hanteras på samma sätt som med existerande kärnkraftverk.

Tar man hänsyn till dessa aspekter är det tydligt att SMRs knappast kommer att kopplas till el-nätet inom en tidsperiod mindre än 10 år, utan de kommer troligen efter det. Om man tänker sig en framtid med SMRs så krävs en betydlig satsning på utbildning, exempelvis tar det minst 5 år att få färdigutbildade civilingenjörer inom fältet och skall man i tillägg ha en nationell utbildningen för att undvika att behöva rekrytera från redan existerande utbildningar i Europa, så krävs att planering av utbildningarna och rekrytering av undervisare inom specialfält startar minst 3 år innan utbildningen startar. Till detta kommer också behov för forskning, forskningsinfrastruktur och undervisningslaboratorier. Detta medför en kostnad som måste vara del i ett större beslut som satsning på kärnenergi. Det är därför inte bara en fråga om energiförsörjning utan även en utbildnings- och forskningsfråga där det behöver tas strategiska beslut.

Man bör även diskutera tillgång och framställning av kärnbränsle men det är en annan diskussion.

Kategorier
Föreläsningar Lärande Undervisning

Teaching into a void – Zoom undervisning

I motsats som många tror så är inte en föreläsning en en-vägskommunikation. Eller rättare sagt i de flesta fall. De föreläsare som står vända mot tavlan hela tiden eller läser direkt ur sin anteckningar utan att se upp är det inte många kvar av. Som föreläsare har du alltid möjlighet att läsa av dina åhörare genom deras ansiktsuttryck eller kroppsspråk, även ljudnivån från åhörarna spelar roll. Man kan se om man behöver justera presentationen, minska tempot, repetera någon och så vidare.

Men med övergången till digital undervising (Emergency Remote Teaching ERT) på grund av pandemin ändrades detta fullständigt. De «föreläsningar» som nu skulle göras digitalt erbjuder inte detta form av kommunikation på ett enkelt sätt. Om man har inställningen att en föreläsning endast är en «överföring» av kunskap och därför en-vägs kommunikation så uppfattas inte detta som ett problem. Men låt oss titta på vilka tänkbara effekter detta kan få.

Zoom-föreläsning

Vi tänker oss den enklaste formen av föreläsning, med en presentation på Zoom, där föreläsaren kan skriva i presentationen. Så långt är skillnaden inte så stor från en normal föreläsning. Men föreläsaren kan inte se (eller höra) studenterna. Föreläsaren har då ingen möjlighet att läsa av sina åhörare och kan då inte anpassa sig på samma sätt som under en föreläsning i sal. Studenterna kan ha på kamerorna så att föreläsaren med rätt hjälpmedel kan se en mosaik av ansikten och ev. läsa kommentarer i chatten. Men ofta så är det svarta block som möter föreläsaren i stället för ansikten, då studenter förståeligt nog inte vill visas. Men man måste då tänka på att även det kan påverka föreläsaren negativt. Har du bara en massa svarta fyrkanter kommer detta naturligtvis minska motivationen.

Att detta inte påverkar föreläsarens insats borde vara klar och det kräver extremt mycket att kunna hålla motivationen uppe i tillägg till att det är mentalt utmattande att genomföra sådana sessioner. Jag har själv gjort det flera gånger (pre-corona) och det är som att springa ett maraton mentalt.
Men nu påverkar detta även studenterna som inte kommer få den undervisning de borde, ämnesmässigt kanske innehållet är lika men en föreläsare som inte är på «topp» påverkar även studenternas lärande negativt.

Hybrid-föreläsning

En lösning skulle kunna vara så kallade hybrid föreläsningar där man sätter upp en kamera som filmar en föreläsning med några deltagare fysiskt närvarande. Men även detta bjuder på problem. Det är ännu mindre sannolikt att de som sitter hemma kan ställa frågor, detta under förutsättning att föreläaseren inte har en medhjälpare som kontrollerar chat och styr kameran. Men här kommer föreläsarens fokus helt ligga på de som är i salen och detta skapar ett «socialt utanförskap» för de som är med via dator.

Är föreläsningar nödvändiga?

Den fråga man kanske borde ställa sig först är om föreläsningar i den form som ges i salar verkligen är nödvändiga att genomföra digitalt? Vi har sett på några negativa aspekter ovan och det finns flera. Men det löser inget. Här kan man ta lärdom av de metoder som utvecklats inom «Digital Education» och distansundervisning som funnits i flera årtionden.

Här finns det möjligheter att bryta med det som är gällande praxis och istället se möjligheter förutsättningslöst. En lösning är att inte ha «vanliga» föreläsningar utan diskussioner baserade på «flipped classroom» principen, man spelar eventuellt in en video i förväg där man går igenom teori eller visar något. «Föreläsningen» på zoom skall då istället ta upp frågor och aspekter av innehållet i videon. Här är det viktigt att få studenterna att förstå varför man gör så. Frågor är alltid svåra att få från studenter, men här kan man ha en icke-räknade quiz som skall besvaras innan föreläsningen. (man bör dock ge poäng för att man gör den men inte resultatet), svaren i quizen kan då bilda grund för diskussionen och eventuella fördjupningar och förtydliganden. Här kan man då få mer aktiva studenter och i tillägg en substitution till det «sociala trycket» att gå på föreläsning och därmed en rutin i vardagen som är så viktig under tider av kris.

Detta innebär dock mer arbete för föreläsaren, men till skillnad från de andra inspelningarna kan materialet användas på nytt och även bidra till att reformera undervisningen när pandemin är över.

Även om detta låter enkelt är detta en ändring i paradigmet och som sådan mycket svår att få till…

Kategorier
Föreläsningar Lärande Undervisning Video

Hur att se inspelade föreläsningar.

I samband med COVID-19 pandemin ställdes skolor och universitet inför faktum att normal undervisning inte kunde genomföras på grund av hälsomässiga orsaker. Detta gjorde att nästan över en natt måste alla kurser ges «online» eller digitalt. Detta gjordes av ren nödvändighet och det fanns inte tid till eftertanke. Detta är något jag skrev om i ett tidigare inlägg (https://www.ntnu.no/blogger/fysikkforfakirer/wp-admin/post.php?post=146).

Men frågan är hur detta påverkat brukarna (elever och studenter)?

Man måste komma ihåg att flytta undervisningen «online» kan öka flexibiliteten hos undervisning och lärande både med avseende på plats och tidpunkt. Men detta kräver dock att man planerar och lägger upp material som verkligen gynnar lärande. Detta gör att materialet måste vara anpassat till den digitala studiemiljön. I många fall måste denna byggas upp och i tillägg måste brukarna kunna anpassa sig till denna.

Baserat på erfarenheter och forskning handlar mycket om att skapa en läringsgemenskap och ger stöd inte bara genom instruktioner utan genom ett medägarskap och socialt stöd. I en digital miljö är det lätt att bli ensam och då utan det nätverk/stöd som finns för ordinär campus undervisning, socialt, både formellt och informelt.

Föreläsningar

Låt oss titta på en föreläsning i ett auditorium. På ytan kan det se ut som en envägskommunikation, en föreläsare som pratar vid tavlan och följer ett manus. Men ser vi närmare så pågår en kommunikation ständigt mellan åhörarna och föreläsaren. Åhörarnas kroppsspråk och minspel avslöjar mycket som en erfaren föreläsare känner av och anpassar sig till. Vi har en icke-verbal kommunikation som också påverkas av ljudnivån av åhörarnas inbördes kommunikation. Men även här har vi en aktiv kommunikation där frågor och svar utväxlas mellan åhörarna. Så motsatt vad en del tror så är det en omfattande kommunikation som föregår inom föreläsningens studiemiljö.

Anteckningar tas, för förhoppningsvis inte verbatim, utan bearbetas av den enskild åhöraren.

Om vi nu tittar på en inspelad föreläsning dvs när man satt en kamera i auditoriet under en vanlig föreläsning, vad kan vi se är annorlunda för tittaren av inspelningen?

För det första, tittaren har ingen kontakt med föreläsaren och deltar heller inte i den icke-verbala kommunikationen som sker i auditoriet. Detta kan vara frustrerande och det på en undermedveten nivå. Referenser som föreläsaren har kan hamna utanför bild vilket gör att tittaren missar information.

Den andra skillnaden är att om tittaren är ensam har hen ingen att fråga och diskutera med. Det är möjligt att pausa eller spola tillbaka men det är fortfarande tittaren som skall förstå utan att få en annan synvinkel eller förklaring på frågeställningen.

För det tredje, det är lätt att när man tittar ensam att de anteckningar man gör blir sämre eller att man inte skriver något överhuvudtaget. Man lutar sig tillbaka och kan uppleva en «illusion of mastery». Det verkar så lätt att man inte anstränger sig. Man kan också frestas att spela av föreläsningen med högre hastighet. Redan vid 1.4x missar man ord och hjärnan måste jobba extra för att ta emot och sortera informationen, den kognitiva belastningen blir så stor att läringseffekten blir liten.

Så det är inte bara att lägga ut en föreläsningsvideo och hoppas på det bästa. Man bör visa brukarna att man missar information i en inspelad föreläsning och att den sociala studiemiljön med sina fördelar och krav saknas.

En sak som bör påpekas är att om möjligt skall man se en föreläsningsvideo i grupp så att man kan pausa och diskutera svåra partier i videon. Man skapar med detta en studiemiljö där man kan kommunicera med någon och hjälpa varandra. Bestämmer man att träffas skapas också ett socialt tryck att se videon utan prokrastinering, vilket också är positivt. Med tanke på att föreläsningar vid en bestämt tidpunkt också fungerar som en skapande av rutiner i tillägg till det sociala trycket att delta, så kan det att man träffas vid en bestämd tidpunkt ersätta detta tryck till viss del.

Man antar att det är nog med att lägga ut en video, men man bör också ge råd om hur man skall se på den för bästa effekt. Man tror kanske att det sätt man gör är det optimala men den som är lättast att lura är dig själv.

The first principle is that you must not fool yourself and you are the easiest person to fool. - Richard P. Feynman
Kategorier
Examen Lärande Uncategorized Undervisning

Flervalsfrågor och hemexamen

I dessa tider när examina inte ges i salar utan har gett som hemexamen har det dykt upp en debatt om fusk. Här har många blivit förvånade över att det förkommit samarbete mellan studenter och kallar hemexamen en katastrof eller något sådant. Men låt oss titta närmare på problematiken.

Jag har flera gånger haft kurser där examinationen varit en hemexamen. Men den examen har då varit designad till att vara en hemexamen och där jag räknat med att studenter har samarbetat. Med andra ord jag har designat examen på så sätt att det blir svårare att samarbeta.

Det första är att låta examen vara över längre tid minst 6 timmar och i vissa fall 24 timmar, allt efter kursens innehåll. Alla uppgifter skall besvaras genom långa svar (fritext) med motiveringar. Dessa kan vara korta men det är mycket svårt att kopiera korta svar utan att det upptäcks. Även skillnader i numeriska värden i uppgifterna är ett enkelt sätt, detta kräver dock att man har en algoritm som gör det enkelt att få fram svaren. Ofta så ingår även en mer öppen uppgift där studenterna själva skall anta ett visst värde, sannolikheten för att två skall välja exakt samma är liten. Just öppna uppgifter där man ligger på en högre nivå i Bloom’s taxonomi är mycket lämpliga i en hemexamen. Detta kräver dock mer arbete när man rättar men ger en bättre bild av vad studenten kan än andra uppgifter.

Det som dock är förbjudet i en hemexamen är flervalsfrågor. Detta av flera skäl. 1. man testar på en låg nivå i Bloom’s taxonomi. 2. Det är omöjligt att se hur studenten tänker. 3. Det går inte att se om det förekommit samarbete eller direkt kopiering.
Om man framhärdar i att behålla flervalsfrågor och försöker hindra samarbete så får det andra effekter.

Man ökar antalet frågor så att studenter inte hinner samarbeta => om studenterna inte hinner med ger man ett incitament till att samarbeta. Något som är kontraproduktivt.

Man ökar svårighetsgraden för att hindra samarbete=>om studenterna måste jobba mer och inte hinner med ger man ett incitament till att samarbeta.

Frågor och svarsalternativ blandas om=> detta genomskådas lätt och hindrar inte samarbete. Dock kommer en variation i ordningen av svarsalternativ göra att det tar längre tid att lästa uppgiften.

Flervalsfrågor är därför ett dåligt alternativ på hemexamen och borde inte få förekomma. Det är bättre att låta studenterna bara ge ett kort svar.

Men om vi undantar samarbete från diskussionen, kan flervalsfrågor (med hjälpmedel) påverka resultaten? Svaret är ja. Flervalsfrågor ger automatiskt fler godkända än frisvar genom att man kan gissa, dvs gränsen för godkänt sänks i praktiken, samtidigt som högre betyg påverkas mycket lite. Detta blir relativt oberoende på svårighetsgraden. Men här är det viktigt att veta att studenterna har tillgång till alla hjälpmedel, också gamla examina som om man inte är mycket noggrann vid examenskonstruktionen kommer vara till stor hjälp.

Väljer man att bara ha godkänd/icke godkänd kommer många att göra så mycket som de tror de behöver och troligen inte mer, så poängfördelningen kommer inte att kunna ge speciellt mycket information heller.

Så var ligger problemet? I alla fall inte enbart hos studenterna.

Kategorier
Lärande Undervisning

The neverending story -Utbildningsprogram

Ingen utbildning är satt i sten. Det sker alltid saker i samhället eller nya forskningsrön i ämnet, teknologi eller (i undantagsfall pedagogik).

Detta gör att en utbildning hela tiden måste evalueras med avseende på vad som skall och hur det skall undervisas. Men samtidigt som förutsättningarna ändras måste man ha rutiner för att möta dessa. Här är det viktigt att att ställa rätt frågor och ha ett tydligt mål.
Det handlar om att ställa frågan:
Vad skall studenterna kunna när de utexamineras?
Här kommer omvärldens krav att vara viktiga och man måste se till behovet både hos studenterna och deras framtida arbetsgivare. Men samtidigt vet inte vad som sker om 10 år. Är utbildningen fortfarande aktuell, som undervisare handlar det om att ge generella färdigheter som kan klara förändringar. Vi kan kalla dessa för utbildningens program lärandemål.
När man har ett svar på den första frågan, handlar det om att se till att
program lärandemålen behandlas i de kurser som ges. Det vill säga att man skapar kurslärandemålen utifrån programlärandemålen.
Detta sätt att arbeta kan kallas «backward course design»

Här använder man samma principer och börjar med :
Vad vill jag att studenterna skall lära och få ut av kursen?
Detta inom ramen vad hela utbildningen skall ge. Här får man då ett antal kurslärandemål.
Dessa mål skall vara formulerade så att de skall vara möjliga att mäta. Själv evalueringen av lärandemålen är en viktig del i processen, där «mätningen» svarar upp mot lärandemålen.
Men evaluering och lärandemål på plats, skall ett arbete om hur man skall understödja studenterna att uppnå målen.

Här kommer evaluering (examination) och lärande mål vara beroende av varandra. Man kan med detta inte låsa sig på förhand till en viss typ av examination, utan måste vara flexibel och ha den examination som passar lärandemålen bäst.

Men det viktigaste är att ha lärandemålen klara för sig, både de mer övergripande programlärandemålen och kurslärandemålen. Effektiva lärandemål kan beskivas som att vara SMART: Specific, Measurable, Attainable, Relevant, and Time-limited.

Det finns en risk att målen verkar hämmande på den akademiska friheten (jag undervisar det jag vill), men sanningen är att det är studenterna som skall vara i fokus, och deras rättigheter väger tungt. Detta gör att man kan lämna en del av lärandemålen öppna för personligt tycke och smak.

Men när man har gjort allt klart, så måste programlärandemålen evalueras och ev. ändras och allt startar på nytt. Det är ett sisyfosarbete som aldrig tar slut……

Kategorier
Examen Lärande Uncategorized Undervisning

Vad är viktigt?

När man ger en kurs så bör man ställa sig frågan vad som är viktigt. Om det är en grundkurs, så skall den kursen ge studenterna tillräckliga kunskaper att a) klara kurser som bygger på kursen i fråga, b) ge grundläggande kunskaper som är viktiga i ett framtida yrkesliv och c) klara en examen.

Ser man till användbarheten av kunskaper så är ofta de grundläggande kunskaperna viktigast både för kurser och yrkesliv. I fysik så är det ofta de grundläggande kurserna, Mekanik, Elektromagnetism, Termodynamik, som är viktigast. Kurser inom Kvantmekanik, Kärnfysik osv. har för majoriteten mycket liten relevans. Metoder som brukas i kurserna är dock viktiga. De specialkunskaper som behövs i yrkeslivet får man genom kurser eller uppläring i arbetsgivarens regi.

Med andra ord, så är det ofta inte specialist kurserna som är viktiga för en arbetsgivare, utan mer allmän kompetens , Programmering, Modellering, problemlösning osv. Men grundkurserna är ofta viktigare. Har studenten förstått det grundläggande?

«Enter the exam»

Då kommer frågan om examens roll i grundkurserna. Kan en skriftlig examen verkligen visa hur väl en student har tillgodogjort sig en kurs?
Om vi tar ett hypotetiskt exempel med en kurs som består av 10 moduler som behandlar olika grundläggande principer. För att man skall anse att studenten skall ha förstått alla dessa, vad kräver vi?

Om vi har en skriftlig examen som består av 10 spörsmål (ett per modul), har anser jag att det finns få synergier mellan moduler med avseende på spörsmål. För att få godkänt (gräns på 50%) behöver man då kunna 5 moduler. Med andra ord det är fullt möjligt i det hypotetiska fallet att klara kursen genom att kunna 50% av kursen.

Är det hypotetiska fallet verkligen hypotetiskt? Tänk om det inte är så. Vad kan det få för konsekvenser? Det finns ett antal skyddssystem, men om dessa inte fungerar?

Målet borde vara att man har ett system, där basen testas extra noga, vilket kan genomföras med systemet jag diskuterat i ett tidigare inlägg(https://www.ntnu.no/blogger/fysikkforfakirer/2018/03/27/undervisarens-drommar-1-examen/).

Men för att detta skall vara möjligt krävs viljan till en förändring…

Kategorier
Böcker Föreläsningar Historia Lärande Undervisning

Moderna läromedel?

Man får ofta höra att föreläsningar inte ändrats på 7-800 år. Ofta med referens till en illustration. Men hur sant är detta? Svaret är inte alls. Går vi till tiden före Guttenberg (före ca 1500) så fanns inte böcker i tryckt form. Dessa var handskrivna och mycket dyra. Det var helt enkelt inte tillgängliga. Detta ger då en förklaring till bilden av föreläsningar, det var en person som läste ur den/de böcker som fanns tillgängliga. Detta finns fortfarande kvar i den akademiska titeln «Reader» i UK.

Böcker och pamfletter var viktiga källor till kunskap under 16- och 17-talen och «föreläsningar» fick en annan form i de fall som de överhuvudtaget existerade. Diskussioner, demonstrationer och frågor hade sin grund i att antalet studenter (i många fall var lågt). En stor del av undervisningen skedde i det vi skulle kalla mentorgrupper.

Men när antalet studenter ökade ändrades undervisningen och vi fick «moderna föreläsningar» samtidigt med detta kom också bättre läroböcker. Föreläsningarn formades mer och mer efter innehållet i böckerna utan att det egentligen behövs, utan mer av «traditionen».

Men om vi tar ett steg tillbaka och tänker, så finns «allt» presenterat i boken och ofta på ett pedagogiskt bra sätt. Vad skall då en föreläsning handla om? Ett svar är att anpassa till den aktuella kontexten, boken (som troligen brukas i hela världen) är inte anpassad till detta. Det är viktigt att utöka och förtydliga innehållet i boken till kursen, inte tvärt om. Som det är nu så kan det se ut som om boken bestämmer innehållet. Men detta finns det idag sätt att komma undan.

Böcker kan idag vara dyra och speciellt om det är en bok som kanske bara brukas i en kurs och aldrig öppnas igen. Men det finns idag web-böcker som håller minst lika bra kvalitet som tryckta böcker. I vissa fall bättre på grund av länkar och snabbar uppdatering. Openstax.org är en sådan site, där böcker i ett antal fält finns och som brukas av upptill 50% av studenter i USA. Men detta är bara en aspekt.

Web-baserade böcker möjliggör också att man kan lägga till egna notater, quiz, länkar och multimedia material direkt i boken. Detta kräver dock en unik web-adress. Men detta är möjligt. Med andra ord vi kan anpassa både föreläsningar och läroboken till en kurs i stället för att använda boken som mall.

Nu i vår använder jag en web-bok som kurslitteratur i en kurs och hoppas att inom en snar framtid kunna prova att ha en web-bok med tilläggsmaterial i en kurs. Är du som föreläsare intresserad att prova eller en student som vill ha detta, hör av dig så kan jag presentera ideen i detalj.