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.
- 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
- 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
- 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