AI har snabbt blivit en självklar del av det pedagogiska samtalet, inte minst här på LinkedIn. För vissa framstår det som en genväg till lärande, för andra som ett hot mot undervisningen. Båda perspektiven rymmer viktiga poänger, men riskerar att skymma det mest grundläggande: kunskap växer genom egen ansträngning och framåtsyftande återkoppling, inte genom färdiga, automatiserade svar.
I denna serie med tre blogginlägg vill vi därför ta ett steg tillbaka och ställa några frågor. Inte om AI ska användas eller inte, utan vad som krävs för att elever faktiskt ska lära sig. Vad säger forskningen om minne och tänkande? Hur kan undervisningen se ut när AI finns tillgängligt? Och hur kan vi avgöra om AI hjälper elever att utveckla kunskap som håller över tid?
Del 1: Varför minnet är viktigare än någonsin i AI-tider
Om varför minne fortfarande är grunden för tänkande
Baserat på artiklarna The Memory Paradox: Why Our Brains Need Knowledge in an Age of AI och E.D. Hirschs You Can Always Look It Up”… Or Can You?. Här förklaras varför kunskap i minnet är nödvändig för förståelse, även när information är lätt att hitta.
Del 2: AI i skolan – bromsa först, tänk sedan
Hur undervisningen behöver utformas om generativ AI ska finns i klassrummet
Baserat på artikeln Integrating generative AI and load reduction instruction to individualize and optimize students’ learning. Inlägget handlar om hur AI kan användas i undervisningen utan att ta över elevernas tänkande. Fokus ligger på tydlig struktur, lagom stöd och hur vi undviker att göra lärandet för lätt.
Del 3: Hur vet vi om AI faktiskt fungerar i skolan?
Från snabba effekter till professionellt omdöme
Baserat på artiklarna ChatGPT in Education: An Effect in Search of a Cause? och The Future of AI in Education: 13 Things We Can Do to Minimize the Damage. Här får du enkla verktyg för att bedöma AI i skolan. Vad jämför vi AI med? Vad mäter vi som resultat? Och hur vet vi om eleverna faktiskt har lärt sig något som håller över tid?
Del 1: Varför minnet är viktigare än någonsin i dessa AI-tider
I en tid där AI kan skriva texter, lösa problem och sammanfatta fakta på sekunder har en gammal tanke fått nytt liv: behöver elever verkligen bära kunskap i huvudet när information alltid finns tillgänglig? I artikeln The Memory Paradox: Why Our Brains Need Knowledge in an Age of AI visar Barbara Oakley med kollegor att detta resonemang bygger på en missuppfattning om hur inlärning faktiskt fungerar. Det intressanta är att detta inte är ett nytt argument.
Redan år 2000 formulerade E.D. Hirsch samma paradox i texten “You Can Always Look It Up”… Or Can You? Den skrevs långt innan AI, smartphones och ständig uppkoppling var en självklar del av skolvardagen. Att två texter, skrivna med cirka 25 års mellanrum, landar i samma slutsats gör dem särskilt relevanta i dag. Tekniken har förändrats dramatiskt. Hjärnan har det inte.En extra dimension i Oakleys resonemang är kopplingen till den så kallade Flynn-effekten. Under stora delar av 1900-talet ökade resultaten på IQ-test i många länder. På senare tid har denna utveckling bromsats och i vissa fall vänt nedåt. En möjlig förklaring som diskuteras är att skolan i allt högre grad har minskat träningen av grundläggande kunskaper, minne och automatisering. När allt fler kognitiva processer förflyttas till tekniken riskerar vissa mentala färdigheter helt enkelt att användas mindre.
Tre viktiga budskap
- Tänkande, förståelse och problemlösning är beroende av lagrad kunskap i långtidsminnet.
- Tillgång till information ersätter inte behovet av kunskap, utan höjer snarare kraven på förkunskaper.
- Många pedagogiska idéer har betonat aktivitet, process och “högre” förmågor, men har ofta underskattat minnets avgörande roll.
Kunskap som förutsättning för tänkande
Både Oakley och Hirsch utgår från samma grundläggande insikt: arbetsminnet är begränsat. Det kan bara hantera några få nya informationsbitar åt gången. När grundläggande kunskap finns automatiserad i långtidsminnet frigörs mental kapacitet för analys, samband och förståelse.
Detta syns tydligt i det som brukar kallas “expert–novis-studier”. Experter lär sig mer och snabbare av att slå upp information än nybörjare, trots att de redan kan mer. Anledningen är enkel. Experten har redan ett rikt nätverk av kunskap – så kallade scheman – att hänga upp det nya på. Novisen möter däremot för mycket ny och okänd information samtidigt. Resultatet blir överbelastning snarare än lärande.
“Du kan alltid slå upp det” – en seglivad myt
Hirsch kritiserade idén om att faktakunskaper inte längre behövs läras in eftersom den ändå kan slås upp. Poängen är inte att uppslagsverk, internet eller AI är värdelösa. Poängen är att de bara fungerar för den som redan har mycket kunskaper.Att slå upp information kräver språk, begrepp och sammanhang. Utan dessa blir sökandet långsamt, frustrerande och ofta missvisande. Oakley för resonemanget vidare in i AI-eran. När elever vänjer sig vid att externa system tänker åt dem riskerar de att aldrig bygga upp de inre kunskapsstrukturer som krävs för att bedöma rimlighet, upptäcka fel och dra egna slutsatser. Tekniken blir då inte ett stöd för tänkandet, utan en ersättning för det.
Klassiska pedagoger i nytt ljus
Båda artiklarna hjälper också till att nyansera hur vi tolkat pedagogiska idéer över tid. Piaget betonade aktivt kunskapsskapande, men hans idéer har ibland tolkats som att elever kan upptäcka komplex kunskap på egen hand. Vygotsky lyfte fram socialt lärande och stöttning, men detta har i praktiken ibland använts som argument för att minska explicit undervisning.
Dewey och Montessori betonade erfarenhet och mening, vilket är avgörande för motivation, men inte tillräckligt för att befästa abstrakt och kulturellt överförd kunskap. Jerome Bruner förespråkade eget utforskande, men detta fungerar bäst när stabila förkunskaper redan finns. Skinner synliggjorde vikten av träning och förstärkning, men utan att fullt ut förklara de inre kognitiva strukturerna.
Poängen hos både Hirsch och Oakley är inte att auktoriteters resonemang var felaktiga. Problemet uppstår när deras idéer förenklas och ställs i motsats till kunskap och minne, i stället för att integreras med dem. För att deras perspektiv ska bidra fullt ut behöver de förenas med explicit undervisning, där läraren systematiskt bygger upp och synliggör den kunskap som elevernas tänkande utvecklas ur.
Tre praktiska konsekvenser
Bygg kunskap systematiskt och tidigt
En bred och allmänbildande kunskapsbas är avgörande, särskilt för elever som inte får detta med sig hemifrån. Utan en stabil grund blir det svårt att förstå nytt innehåll och delta på lika villkor i undervisningen.
Använd AI efter tänkandet, inte före
Låt eleverna först resonera, minnas och pröva själva. Tekniken bör förstärka tänkandet, inte ersätta det. Om AI används för tidigt riskerar den att avlasta det mentala arbete som faktiskt bygger kunskap.
Prioritera repetition och återkallande
Återkommande framplockning av kunskaper stärker minnet och gör eleverna mer självständiga i sitt lärande. Det är genom aktiv ansträngning över tid som kunskap blir stabil och användbar.
Undervisa tydligt och stegvis
I en tid där information är oändlig och AI alltid redo med ett svar blir lärarens roll ännu viktigare. Komplex kunskap växer inte fram av sig själv genom eget utforskande eller undersökande, utan genom att läraren förklarar, modellerar och leder elevernas tänkande steg för steg. Explicit undervisning minskar onödig kognitiv belastning och säkerställer att alla elever, inte bara de starkaste, bygger den kunskapsgrund som framtidens tänkande vilar på.
Länk till originaldokument:
The Memory Paradox: Why Our Brains Need Knowledge in an Age of AI
Länk till kompletterande klassiker:
E.D. Hirsch (2000). “You Can Always Look It Up”… Or Can You?
Fundera, förfina och sprid vidare!
Hälsar Anna & Marcus
FortBildaSkolan 