När AI gör läxan – vem är det som har lärt sig?
Samma uppgift kan bli en genväg till ett snyggt svar eller ett tillfälle att förstå. Skillnaden märks först när hjälpen försvinner.
En välskriven inlämning visar inte längre säkert vad eleven kan. Men lösningen är varken att förbjuda varje AI-fråga eller att låta en detektor avgöra vem som fuskar. Forskningen pekar mot en viktigare skiljelinje: mellan AI som utför tankearbetet och AI som hjälper eleven att göra det själv.
Av Ingrid FalkSkribent · Etik och samhälleEn uppgift, två sorters hjälp
En vara kostar 800 kronor. Priset höjs först med 20 procent och sänks sedan med 20 procent. Är priset tillbaka på 800 kronor? Förklara hur du tänker.
Uppgiften är enkel nog för att visa skolans nya bedömningsproblem. En språkmodell kan leverera både uträkning och pedagogisk förklaring på några sekunder. Men en korrekt text i lärplattformen säger inte vem som har förstått varför procentförändringarna inte tar ut varandra.
Vi följer därför samma uppgift genom två tänkta AI-upplägg. Det är en illustrativ jämförelse, inte ett genomfört elevexperiment. Vad verkliga elever lär sig måste prövas separat; längre fram finns forskning där just den skillnaden undersöks.
Svarsmaskinen: Eleven klistrar in uppgiften. AI:n räknar ut 800 × 1,20 × 0,80 = 768 kronor och förklarar att sänkningen beräknas på det högre priset. Eleven får en korrekt lösning, redo att lämnas in.
Handledaren: AI:n börjar i stället med en fråga: Vilket belopp ska du beräkna höjningen på? När eleven har räknat ut 960 kronor kommer nästa: Ska sänkningen räknas på 800 eller 960 kronor? Först när eleven försökt förklarar systemet hur förändringsfaktorerna hänger ihop.
Skillnaden ligger inte främst i svarets kvalitet. Den ligger i vem som måste fatta de avgörande besluten. I det andra upplägget behöver eleven åtminstone formulera mellanled. Men även en frågande AI kan göra för mycket: om varje fråga avslöjar nästa steg kan eleven följa med utan att förstå helheten.
Och svarsmaskinen är inte alltid värdelös. En genomarbetad lösning kan fungera som ett bra exempel, särskilt när eleven är ny på området. Problemet uppstår när läsning eller kopiering av exemplet förväxlas med förmågan att själv lösa uppgiften.
Provet börjar när AI:n stängs av
För att undersöka lärandet behöver vi byta både situation och uppgift. Eleven får utan hjälp räkna på en jacka som först sänks och sedan höjs med samma procentsats. Därefter får eleven förklara varför resultatet inte blir ursprungspriset. En vecka senare kommer en liknande fråga med andra tal.
Här skiljs tre saker åt: kvaliteten på den hjälpta prestationen, vad eleven klarar direkt efteråt och vad som finns kvar över tid. En fjärde fråga är om kunskapen kan användas i ett nytt sammanhang, exempelvis när två rabatter jämförs. Ett snyggt svar mäter inte automatiskt något av de senare leden.
Detta är mer än en teoretisk invändning. I arbetsrapporten Generative AI Can Harm Learning från 2024 studerade Hamsa Bastani och kollegor närmare tusen gymnasieelever i matematik i Turkiet. Elever fick tillgång till antingen ett relativt öppet GPT-4-baserat gränssnitt eller en handledarvariant med pedagogiska begränsningar. En kontrollgrupp arbetade utan dessa AI-verktyg.
Båda AI-uppläggen förbättrade resultaten under övningen. Men när hjälpen togs bort presterade gruppen med det öppnare verktyget sämre än kontrollgruppen. Handledarvarianten undvek den negativa effekt som observerades för det öppna verktyget.
Resultatet är viktigt, men bör inte pressas längre än studien tillåter. Det visar inte att all AI försämrar lärande, eller att varje frågande chatt förbättrar det. Det gäller bestämda verktyg, elever, uppgifter och provvillkor. Det är inte heller ett fullständigt mått på kunskap som består i månader eller år.
En bättre inlämning är ett resultat. Bestående kunskap är ett annat. Skolan behöver mäta båda, men inte förväxla dem.
Lärandeforskningen ger en bredare bakgrund. John Dunlosky och kollegors forskningsöversikt från 2013 pekar ut övningsprov och utspridd träning som särskilt användbara studietekniker. Att försöka återkalla något utan att se svaret är alltså inte bara kontroll. Det kan också vara en del av själva lärandet.
Privatlärare – om hjälpen lämnar plats för eleven
Språkmodellen är tränad att generera text utifrån mönster i stora datamängder. Med instruktioner och kompletterande system kan den anpassas för undervisning. Men en övertygande pedagogisk ton innebär inte att den säkert har förstått elevens missuppfattning eller valt den bästa nästa frågan.
En användbar AI-handledare behöver därför mer än instruktionen att vara sokratisk. Den behöver ett tydligt kunskapsmål, avgränsat material, möjlighet att kontrollera svar och regler för när hjälp ska ges. Framför allt behöver stödet minska när eleven blir säkrare.
I procentuppgiften kan hjälpen byggas i nivåer. Först får eleven försöka själv. Sedan kommer en ledtråd om vilket belopp procenten avser. Därefter visas ett närliggande exempel med andra tal. En fullständig lösning blir sista utvägen, följd av en ny uppgift som eleven gör själv.
Det är inte rimligt att alltid vägra ge svar. En elev som saknar grundläggande begrepp kan behöva en tydlig förklaring innan frågor blir meningsfulla. Annars blir handledningen ett frustrerande gissningsspel. Det pedagogiska målet är inte maximal ansträngning, utan ansträngning som bygger förståelse.
För eleven kan vinsten vara påtaglig: möjlighet att fråga igen utan att känna sig uttittad, få ett begrepp omformulerat eller öva när ingen vuxen är tillgänglig. För läraren kan samma verktyg ge fler elever hjälp medan läraren arbetar med någon som behöver mänskligt stöd. Det är rimliga användningsmöjligheter, inte garantier om resultat.
Elevperspektivet rymmer också en konflikt. Om skolan belönar enbart den färdiga produkten blir det rationellt att välja den snabbaste vägen till den. Att samtidigt uppmana eleven att använda AI långsamt och eftertänksamt skapar dubbla budskap. Bedömningen måste premiera det självständiga kunnande som undervisningen säger sig värdera.
Lärandeforskarens följdfråga blir därför inte bara om eleverna tycker om verktyget. Den blir vad de kan efteråt, jämfört med ett rimligt alternativ. En uppskattad AI-tjänst kan vara pedagogiskt svag; en krävande övning kan ge mer än den känns ge.
Bedöm förståelsen, inte bara dokumentet
Läraren behöver fortfarande texter, lösningar och projekt. Längre arbeten kan visa planering, källhantering och förmågan att bearbeta ett resonemang. Men när avancerad hjälp finns tillgänglig utanför klassrummet behöver produkten kompletteras med andra underlag.
En kort muntlig uppföljning kan börja i elevens eget arbete: Varför valde du den här metoden? Vad händer om vi ändrar förutsättningen? Vilken del av AI:s förslag valde du bort? I procentuppgiften kan läraren be eleven förklara varför 20 procent av två olika belopp ger olika antal kronor.
Det bör inte bli ett förhör där osäkerhet tolkas som skuld. En elev kan ha förstått men behöva betänketid, språkligt stöd eller en annan uttrycksform. Muntlig snabbhet är inte samma sak som ämneskunskap. Kompletteringen måste anpassas efter vad som faktiskt ska bedömas.
Före arbetet: Ange vad eleven ska lära sig och vilken AI-användning som är tillåten. Skilj mellan exempelvis språkstöd, återkoppling och färdig problemlösning.
Under arbetet: Låt eleven spara några betydelsefulla mellanled och kort beskriva hur hjälpen användes. Kräv inte automatiskt hela privata chatthistoriken. En processlogg kan ge sammanhang, men är inte något säkert bevis i sig.
Efter arbetet: Använd en kort självständig uppgift och, där det behövs, en muntlig eller skriftlig förklaring. Återkom senare till centrala moment för att se vad som finns kvar.
Detta kostar tid. Att föreslå individuell muntlig examination efter varje läxa är lättare än att genomföra den i en full klass. Uppföljningar behöver därför planeras kring utvalda kunskapsmål och kombineras med korta klassrumsuppgifter. Lärare behöver organisatoriskt stöd, inte bara ytterligare ett kontrollansvar.
Elever behöver samtidigt förstå syftet. En uppföljning ska göra deras kunnande synligt, inte signalera att alla betraktas som misstänkta. Tydliga regler i förväg är mer rättssäkra än nya krav efter att arbetet har lämnats in.
Detektorn kan inte avgöra vem som fuskat
AI-detektorer erbjuder en lockande genväg: ladda upp texten och få ett procenttal. Men systemen försöker klassificera språkliga mönster. De observerar inte hur texten faktiskt blev till.
Ett utslag är därför inte ett vittne. Både mänskliga och AI-genererade texter kan hamna fel, och ett verktygs procentsiffra behöver inte vara en välkalibrerad sannolikhet för fusk. Dessutom är AI-användning inte automatiskt otillåten. Det beror på uppgiftens regler och vilken hjälp eleven fått.
I en studie publicerad i Patterns 2023 visade Weixin Liang och kollegor att flera detektorer ofta felklassificerade engelska texter skrivna av personer med andra modersmål som AI-genererade. Resultatet kan inte utan vidare överföras till svenska elevtexter, men det visar att fel kan slå systematiskt mot vissa grupper.
Samma år tog OpenAI bort sin egen textklassificerare med hänvisning till låg träffsäkerhet. Det betyder inte att varje senare detektor är lika svag. Det betyder att en skola måste kräva oberoende validering för den aktuella användningen, inte nöja sig med leverantörens försäkringar.
En misstanke bör hanteras genom saklig dialog, kända regler och flera relevanta underlag. Skillnader mot tidigare prestationer kan motivera frågor, men bevisar inte fusk. Eleven kan ha fått legitim hjälp, arbetat mer eller utvecklats.
Att låta ett osäkert verktyg utlösa sanktioner skapar två skador: oskyldiga riskerar att anklagas, och skolans uppmärksamhet flyttas från kunnande till stilmarkörer. Den elev som har lärt sig mycket kan skriva slätt. Den som inte har förstått kan lämna in en text som passerar kontrollen.
Likvärdig hjälp kräver gemensamma villkor
AI kan bredda tillgången till stöd, men också lägga ännu ett lager ovanpå redan olika hemförhållanden. En elev har ett betalt verktyg, en lugn arbetsplats och en vuxen som kan bedöma svaren. En annan använder en begränsad gratistjänst i mobilen och har svårt att avgöra när den har fel.
Om skolan förutsätter AI-användning behöver den därför ordna rimligt likvärdig tillgång och ett fungerande alternativ för den som inte kan eller ska använda tjänsten. Det räcker inte att konstatera att en gratisversion finns. Funktioner, användningsgränser och villkor kan skilja sig åt och förändras.
Integriteten är en del av samma fråga. Elevtexter kan innehålla uppgifter om hälsa, familjekonflikter eller stödbehov. Skolan behöver veta vilka data som skickas, vem som får tillgång till dem, hur länge de sparas och om de kan användas för att utveckla tjänsten. Barn ska inte behöva lämna mer information än undervisningen kräver.
Unescos vägledning om generativ AI i utbildning från 2023 betonar bland annat dataskydd, mänsklig handlingsförmåga och behovet av att pröva verktygens pedagogiska lämplighet. För en skola blir den praktiska frågan: Är detta bättre än den undervisning eller det stöd vi annars skulle erbjuda, och för vilka elever?
Ett lokalt försök bör därför inte stanna vid en enkät om nöjdhet. Jämför kvaliteten under arbetet med självständiga prestationer efteråt och vid ett senare tillfälle. Följ också lärarnas arbetsbörda och vilka elever som gynnas eller får problem. Att köpa en licens är inte samma sak som att införa en fungerande undervisningsmetod.
Tillbaka till varan som kostade 800 kronor. AI:n kan alltid leverera 768. Skolans uppgift är större: att göra eleven kapabel att förklara varför, upptäcka ett felaktigt resonemang och använda principen nästa gång. Den bästa digitala privatläraren är därför inte nödvändigtvis den som ger mest hjälp. Det är den som gör mindre hjälp möjlig.
Källor
- Hamsa Bastani med flera, Generative AI Can Harm Learning (2024)
- John Dunlosky, Katherine A. Rawson, Elizabeth J. Marsh, Mitchell J. Nathan och Daniel T. Willingham, Improving Students’ Learning With Effective Learning Techniques: Promising Directions From Cognitive and Educational Psychology (2013)
- Weixin Liang med flera, GPT detectors are biased against non-native English writers (2023)
- OpenAI, New AI classifier for indicating AI-written text (2023)
- Fengchun Miao och Wayne Holmes, UNESCO, Guidance for generative AI in education and research (2023)
Ställ frågor om "När AI gör läxan – vem är det som har lärt sig?". Svaren bygger på tidningens egna artiklar.
