Del 3: Hur vet vi om AI faktiskt fungerar i skolan?

I de två första delarna har vi tagit ett steg tillbaka från tekniken och fokuserat på vad lärande faktiskt kräver.

I del 1 skrev vi om varför kunskap i långtidsminnet är en förutsättning för förståelse, tänkande och problemlösning, även i en tid där information alltid finns tillgänglig.
I del 2 flyttade vi fokus till undervisningen och visade att AI bara kan vara ett stöd om den används i linje med hur vi lär oss: med tydlig struktur, aktivt tänkande och en gradvis väg mot självständighet.

Inläggen pekar på samma sak: utan kognitiv ansträngning och strukturerad undervisning riskerar AI att ge sken av lärande, snarare än att faktiskt utveckla kunskap. Här kommer del 3 som avrundar bloggserien med fokus på hur vi vet om AI faktiskt hjälper elever att lära sig?

Hur vet vi om AI faktiskt fungerar i skolan?

I artikeln ChatGPT in Education: An Effect in Search of a Cause? analyseras den snabbt växande forskningen om AI i utbildning. Perspektivet breddas i The Future of AI in Education: 13 Things We Can Do to Minimize the Damage, som diskuterar risker och vägval för utbildningssystemet.

Nya teknologiska trender skapar ett tryck att hänga med, att inte hamna efter, att inte missa nästa steg. Även i skolan påverkas vi av detta. Rädslan att stå utanför, att inte förstå eller att inte använda det “alla andra” använder, driver på beslut. FOMO är inte bara något som gäller elever. Den finns i högsta grad även hos oss vuxna.

Ju mer vi läser om AI som verktyg för elevers lärande, desto tydligare framträder ett mönster. I många beskrivningar av AI tonas betydelsen av lärarledd, strukturerad undervisning ner, trots att just detta är avgörande för nybörjare och resurssvaga elever. När fokus flyttas från vad som kännetecknar effektiv undervisning, till vad tekniken kan möjliggöra, finns en risk att de elever som behöver mest stöd får minst.

Det leder oss till en avgörande fråga för skolan: hur vet vi om AI bidrar till hållbart lärande, och inte bara till ytliga prestationer?

För att närma oss den frågan behöver vi hålla fast vid tre saker:

För att förstå AI:s effekt måste vi veta hur den används av eleverna och vad som faktiskt mäts.
Framstående resultat handlar ofta om prestationer eller upplevelser, inte om långsiktigt lärande.
AI behöver granskas med samma professionella krav som undervisning, annars riskerar den att bli ännu en trend.

När AI imponerar mer än den förklarar

Föreställ dig en föreläsning om AI i undervisningen. Föreläsaren inleder med att visa hur en enkel prompt kan omvandlas till en färdig presentation på några sekunder. Därefter visas hur AI genererar visuella begreppsaffischer, sammanfattningar på olika nivåer och upplästa texter med syntetisk röst. Tempot är högt. Varje exempel följs av ett nytt: en uppgift där elever skapar filmer, en där de får automatiserad feedback, en där innehåll anpassas direkt efter elevens nivå.

Det som betonas är hastighet, variation och effektivitet. “Det här sparar tid”, ”Det här engagerar eleverna”, ”Det här gör undervisningen mer kreativ”. Deltagarna är imponerade. Det ser enkelt ut. Det ser modernt ut. Men en fråga förblir obesvarad: hur leder detta till att elever förstår mer, minns mer och utvecklar sitt tänkande?

Richard Mayer är en av de mest inflytelserika forskarna inom kognitionspsykologi och lärande, särskilt känd för sin forskning om hur vi lär oss av text, bild och multimedia (länk till podd). Hans arbete visar att det inte räcker att göra undervisningen mer engagerande eller visuellt tilltalande. Det avgörande är hur informationen struktureras så att elever kan bearbeta den, förstå den och lagra den i långtidsminnet.

Ett av hans viktigaste bidrag är just insikten att det som fångar uppmärksamhet inte alltid stödjer lärande. Tvärtom kan fel sorts inslag försämra förståelsen. Det gör hans forskning direkt relevant i diskussionen om AI, där möjligheten att skapa tilltalande material är större än någonsin, men där risken är lika stor att fokus hamnar på fel saker.

Ett konkret exempel: en lärare låter AI skapa en animerad video om vattnets kretslopp. Filmen innehåller färgglada miljöer, rörliga karaktärer och en berättarröst som förklarar processen. Eleverna tittar engagerat. De kan efteråt återge delar av handlingen och minns vissa ord. Men när de ska förklara vad avdunstning innebär, eller hur kondensation hänger ihop med temperatur, blir svaren ytliga. Fokus har legat på animationen, inte på att förstå begreppens innebörd och relationer.

Ur ett kognitivt perspektiv är detta inte förvånande. Arbetsminnet är begränsat. När uppmärksamheten riktas mot det som är visuellt och underhållande minskar utrymmet för att bearbeta kunskaper. Det viktiga är därför inte vad AI kan producera, utan vad eleverna gör med innehållet.

Användning blir viktigare än lärande

I artikeln ChatGPT in Education: An Effect in Search of a Cause? visar författarna att många studier om AI saknar tydlighet i framför allt två frågor: vad är det som faktiskt undersöks och handlar resultaten ens om lärande? När dessa frågor inte besvaras riskerar både forskare och praktiker att tolka effekter på ett förenklat eller felaktigt sätt.

Författarna pekar på att AI används på olika sätt i studier. I vissa fall fungerar det som ett stöd för tänkande, till exempel genom att hjälpa elever att strukturera idéer, utveckla resonemang eller få återkoppling som driver arbetet framåt. I andra fall ersätter AI delar av elevens arbete genom att generera svar, formuleringar eller färdiga lösningar. Dessa två användningssätt innebär helt olika grader av kognitiv ansträngning. När de behandlas som samma sak blir det oklart vad som faktiskt undersöks och vilka slutsatser som går att dra.

Den kanske viktigaste poängen i artikeln är att många studier i praktiken inte mäter lärande, utan graden av användning eller prestation på kort sikt. Resultaten kan visa förbättrade svar, högre kvalitet på texter eller snabbare problemlösning, men säger lite om vad elever faktiskt har förstått, minns över tid eller kan använda i nya sammanhang utan stöd.

Sammantaget argumenterar författarna för att vi behöver vara betydligt mer precisa i hur vi tolkar forskning om AI i skolan. Annars riskerar vi att dra slutsatsen att AI förbättrar lärande, när det i själva verket främst förändrar hur uppgifter genomförs och hur prestationer ser ut.

Minimera skada – inte maximera användning

I artikeln The Future of AI in Education: 13 Things We Can Do to Minimize the Damage argumenterar Arran Hamilton, Dylan Wiliam och John Hattie för att skifta fokus: från att maximera användning till att minimera skada. Författarna har lång erfarenhet av utbildningsforskning och skolutveckling, och deras utgångspunkt är tydlig. AI riskerar att försämra lärandet när det ersätter det kognitiva arbetet.

Författarna lyfter behovet av reglering. De föreslår att AI-företag bör genomgå en form av licensiering innan systemet släpps, likt andra branscher där risker hanteras systematiskt. Även enskilda tillämpningar bör prövas utifrån risk, särskilt när de riktar sig till barn. De menar att elever inte bör ha fri tillgång till AI innan systemen är ordentligt testade, och att användningen i skolan behöver ske under kontrollerade former.

Denna försiktighetsprincip är inte unik. När en ny medicin tas fram ställs mycket höga krav innan den får användas brett. Effekter måste prövas systematiskt, biverkningar kartläggas och dosering anpassas. Det räcker inte att medicinen fungerar för vuxna, eller att den verkar lovande i teorin. Just eftersom barn är i en känslig utvecklingsfas behöver riskerna vara extra noggrant utredda innan användning.

På samma sätt bör vi se på AI i skolan. Elever befinner sig mitt i sin kognitiva utveckling, där undervisningens kvalitet får långsiktiga konsekvenser för tänkande och självständighet. Att då införa verktyg som kan avlasta eller ersätta delar av lärandet utan att förstå effekterna innebär en stor risk. Precis som i medicin handlar det därför inte om att snabbt sprida det nya, utan om att först och främst säkerställa att det inte orsakar skada.

Reflektioner från Riksrevisionen

Riksrevisionens rapport Utbildning på vetenskaplig grund – otillräckliga insatser för att stödja skolan med kunskap pekar på att skolmyndigheternas stödstrukturer ofta saknar en transparent systematik och tydlig vetenskaplig förankring. Kunskapsunderlag bygger ibland på selektiva tolkningar av forskning, och stödet till lärare blir därmed fragmenterat och svårt att använda i praktiken.

Detta blir särskilt problematiskt i relation till AI. Samtidigt som tekniken snabbt tar plats i undervisningen, är forskningsläget fortfarande osäkert. Vi har begränsad kunskap om långsiktiga effekter på lärande, och många studier fångar främst upplevelser och prestationer i stunden.

Konsekvensen är att det som är lätt att visa upp också riskerar att få störst genomslag. Engagerande exempel och tekniska möjligheter får styra, snarare än systematiskt prövad kunskap. Därför behöver vi rikta blicken mot det som inte alltid syns direkt:

Leder AI-användningen till varaktig kunskap?
Ökar eller minskar den elevers kognitiva ansträngning?
Fungerar den brett, eller bara i vissa sammanhang?

Detta leder vidare till en mer grundläggande fråga: är AI verkligen lösningen på de problem vi försöker lösa? Eller handlar det i grunden om något annat? Många av de utmaningar som lyfts i skolan rör tydlighet, struktur, arbetsro och hur undervisningen byggs upp steg för steg. Det är områden där lärarledd och strukturerad undervisning samt ett auktoritativt ledarskap i klassrummet har starkt stöd i forskningen.

Risken är därför att AI blir ett svar på fel fråga. I stället för att ersätta det som redan fungerar behöver vi säkerställa att tekniken, om den används, förstärker kärnan i god undervisning, inte skymmer den.

Följande frågor kan fungera som stöd för kollegiala samtal och didaktiska val.

1. Vad gör eleverna – egentligen?

När vi använder AI i undervisningen, vilket kognitivt arbete utför eleverna själva, och vad gör verktyget åt dem?

2. Vad är det vi mäter?

Följer vi upp elevers faktiska lärande över tid, eller nöjer vi oss med prestationer här och nu, som färdiga texter eller snygga presentationer?

3. När tar formen över?

I vilka situationer i vår undervisning riskerar AI att skapa engagemang och aktivitet utan att bidra till djupare förståelse?

4. Vilket problem försöker vi lösa?

Utgår vår användning av AI från ett tydligt undervisningsproblem, eller från möjligheten att använda en ny teknik?

5. Vad händer i vår egen planering?

När vi använder AI för att skapa lektionsmaterial, vad riskerar vi att förenkla, utelämna eller inte tänka igenom själva?

AI är inte ett neutralt verktyg. Hur det används påverkar vad elever lär sig. Erfarenheter från tidigare digitala satsningar i skolan visar hur lätt fokus förskjuts från lärande till användning. Därför behöver vi hålla fast vid det professionella omdömet: elevernas behov och vetenskaplig grund måste styra, inte tekniken i sig.

Länk till dokument:

ChatGPT in Education: An Effect in Search of a Cause?

The Future of AI in Education: 13 Things We Can Do to Minimize the Damage

Fundera, förfina och sprid vidare!

Hälsar Anna & Marcus