AI i studievejledning og rådgivning

AI i studievejledning og rådgivning kan hjælpe med overblik, forberedelse og informationssøgning, men bør ikke alene afgøre uddannelsesvalg, adgang eller niveauplacering. Den sikre brug kræver menneskelig vejlederkontrol, tydelig databehandling, dokumenterede kilder og mulighed for at korrigere fejl.

Hvad betyder AI i studievejledning og rådgivning?

AI i studievejledning og rådgivning betyder, at digitale systemer bruges til at støtte arbejdet med uddannelsesvalg, studieplanlægning, karriereoverblik, frafaldsrisiko, informationssøgning eller forberedelse til samtaler. Systemet kan være en simpel søgeassistent, en chatbot, et analyseværktøj eller en løsning, der kombinerer elevdata med regler og sprogteknologi.

Den afgørende skelnen er, om AI kun hjælper vejlederen og den studerende med at finde, strukturere og forstå information, eller om systemet begynder at påvirke beslutninger. Studievejledning handler ikke kun om at matche person og uddannelse. Den handler også om usikkerhed, motivation, familieforhold, trivsel, økonomi, adgangskrav og den studerendes egen forståelse af mulighederne.

AI kan derfor være nyttig som støtteværktøj, men bør ikke behandles som en neutral autoritet. Den kan mangle lokal viden, misforstå regler, reproducere skæve mønstre eller give et svar, der lyder sikkert uden at være tilstrækkeligt underbygget.

Hvilke opgaver kan AI støtte i vejledningen?

AI kan støtte opgaver, hvor information skal findes, sammenfattes eller sorteres. Den kan hjælpe med at forklare adgangskrav, sammenligne uddannelsesmuligheder, forberede spørgsmål til en vejledningssamtale, lave en tjekliste over frister eller omskrive kompleks institutionsinformation til mere læsevenligt sprog.

AI kan også støtte vejlederen administrativt. Den kan gruppere henvendelser efter tema, finde gentagne spørgsmål, udarbejde første udkast til svar eller pege på, hvilke studerende der måske bør kontaktes, hvis data viser ændret aktivitet. Den type brug kan gøre vejledningen mere tilgængelig, hvis den er koblet til klare regler og menneskelig vurdering.

Hvor adskiller støtte sig fra egentlig rådgivning?

Støtte handler om at gøre information mere tilgængelig. Egentlig rådgivning handler om at hjælpe et menneske med at forstå sine valgmuligheder, afveje konsekvenser og tage en beslutning, der passer til egne mål og begrænsninger. AI kan hjælpe i den første del, men den har sværere ved den relationelle del.

En elev kan spørge, hvilken uddannelse der passer bedst til bestemte interesser. Et AI-system kan sammenligne fag, adgangskrav og jobområder. En vejleder kan derudover spørge, hvorfor eleven hælder mod en bestemt retning, om der er pres udefra, hvilke faglige erfaringer eleven har, og om valget bygger på realistisk viden eller på en smal forestilling om faget.

Denne forskel betyder, at AI bør bruges som samtalestarter og informationsfilter. Hvis systemets svar bliver præsenteret som en konklusion, kan det indsnævre elevens valg for tidligt. En god vejledningsproces bør åbne muligheder og tydeliggøre betingelser, ikke kun rangordne forslag.

Hvilke data bør systemet bygge på?

AI i studievejledning bør bygge på data, der er relevante for det konkrete formål. Det kan være offentlige uddannelsesoplysninger, institutionens egne regler, frister, adgangskrav, kursuskataloger, godkendte vejledningsmaterialer og eventuelt den studerendes egne oplysninger, hvis de er nødvendige og lovligt behandlet.

Der bør være en klar grænse mellem åbne informationskilder og personlige elevdata. Et system, der forklarer forskellen på to uddannelser, behøver ikke detaljerede oplysninger om fravær, karakterer eller helbred. Et system, der skal pege på mulig frafaldsrisiko, behandler derimod følsomme mønstre, selv når de enkelte datapunkter ikke virker følsomme isoleret.

Datakvalitet er særlig vigtig, fordi uddannelsesregler ændrer sig. Et svar om adgangskrav, dispensation, merit eller frister skal kunne spores til en aktuel kilde. Hvis systemet ikke kan vise, hvor en oplysning kommer fra, bør svaret behandles som et udkast, ikke som en vejledningsmæssig anbefaling.

Hvordan undgår man at AI låser eleven fast?

AI kan låse en elev fast, hvis systemet tidligt kategoriserer personen ud fra smalle data. Det kan ske, hvis karakterer, fravær, svartempo eller tidligere valg bliver brugt til at forudsige, hvad eleven bør vælge. Et lavt resultat i et fag kan skyldes manglende undervisning, trivsel, sproglige barrierer eller en midlertidig livssituation, ikke nødvendigvis manglende potentiale.

En vejledningssituation bør derfor skelne mellem historiske data og fremtidige muligheder. Historiske data kan pege på forhold, der skal undersøges. De bør ikke alene definere, hvad eleven kan blive. Systemet bør formulere output som muligheder, forbehold og spørgsmål, ikke som faste profiler.

Dette gælder også i overgangen mellem skoleformer. I kunstig intelligens i gymnasiet er en central pointe, at eleverne både skal kunne bruge AI og forstå dens begrænsninger. Den samme dannelsesopgave gælder, når AI indgår i vejledning.

Hvornår kan en chatbot være nyttig?

En chatbot kan være nyttig, når spørgsmålene er afgrænsede, kilderne er godkendte, og svaret ikke kræver individuel vurdering. Det kan være spørgsmål om ansøgningsfrister, åbent hus, forskellen på fagpakker, hvor man finder en studieordning, eller hvilke dokumenter der skal bruges i en administrativ proces.

Chatbotten bør kunne sige, når den ikke ved nok. Den bør også kunne sende brugeren videre til en vejleder, hvis spørgsmålet handler om trivsel, dispensation, adgangsafgørelser, særlige behov, personlige forhold eller komplekse valg. Den sikre chatbot er ikke den, der altid svarer, men den, der kender grænsen for sin rolle.

For lærere og vejledere minder brugen om mange af overvejelserne bag ChatGPT for lærere: sprogteknologi kan hjælpe med formulering, struktur og idéer, men den faglige og institutionelle vurdering skal foretages af mennesker med ansvar for konteksten.

Hvilke beslutninger bør aldrig overlades til systemet alene?

AI bør ikke alene afgøre adgang, optagelse, niveauplacering, merit, dispensation, frafaldsindsats eller anbefalinger med stor betydning for den studerendes videre muligheder. Systemet kan levere et beslutningsgrundlag, men en kompetent person bør vurdere kontekst, rettigheder, fejlmuligheder og alternative forklaringer.

Det gælder også, når systemet kun giver en anbefaling. Hvis en anbefaling i praksis bliver fulgt automatisk, fungerer den som en beslutning. Derfor bør institutionen se på den reelle brug: Hvem læser outputtet? Hvem kan ændre det? Kan den studerende få en forklaring? Kan fejl rettes? Bliver systemets forslag registreret som en del af sagen?

En praktisk regel er, at jo større konsekvens et AI-output har, desto mere skal det dokumenteres, forklares og kontrolleres. Det er ikke nok, at systemet i gennemsnit rammer rigtigt, hvis den enkelte studerende ikke har en rimelig mulighed for at forstå og anfægte en forkert vurdering.

Hvad betyder EU’s AI Act for uddannelsesvejledning?

EU’s AI Act er relevant, fordi forordningen udpeger bestemte AI-systemer i uddannelse og erhvervsuddannelse som højrisiko. Det gælder blandt andet systemer, der bruges til adgang eller optagelse, tildeling til uddannelsesinstitutioner eller programmer, evaluering af læringsudbytte og vurdering af, hvilket uddannelsesniveau en person bør have adgang til.

Det betyder ikke, at alle chatbots eller vejledningsværktøjer automatisk er højrisiko. En informationsassistent, der forklarer offentligt tilgængelige uddannelsesmuligheder, har en anden risikoprofil end et system, der vurderer, om en studerende bør fortsætte, skifte retning eller placeres på et bestemt niveau.

For institutioner er den praktiske konsekvens, at formålet skal være præcist. Hvis AI bruges i nærheden af adgang, progression eller vurdering, bør der være stærkere krav til dokumentation, datagrundlag, menneskelig kontrol, logning, mulighed for forklaring og intern ansvarsplacering.

Hvordan håndteres bias, forklaring og klagevej?

Bias i studievejledning kan opstå, hvis systemet bygger på historiske mønstre, der afspejler ulighed. Hvis bestemte elevgrupper tidligere har haft lavere gennemførsel i et fag, kan et system komme til at anbefale dem væk fra muligheder, de reelt kan lykkes med under bedre støtte. Bias kan også opstå i sprog, hvis systemet tolker usikker formulering som lav modenhed eller lav motivation.

Forklaring er derfor en del af kvaliteten. En vejleder bør kunne se, hvilke oplysninger systemet har brugt, og hvorfor et svar eller en anbefaling er givet. Den studerende bør som minimum kunne få at vide, om svaret bygger på generel information, egne oplysninger eller en beregnet vurdering.

Der bør også findes en enkel vej til korrektion. Hvis en studerende opdager, at systemet har brugt forkert studieordning, forældede adgangskrav eller misvisende persondata, skal fejlen kunne rettes. Ellers bliver AI ikke bare et støtteværktøj, men en lukket informationskanal med svag ansvarlighed.

Hvordan kan vejlederen bruge AI uden at miste relationen?

Relationen i studievejledning opstår gennem tillid, fortrolighed og oplevelsen af at blive forstået. AI kan frigøre tid fra gentagne administrative opgaver, men den kan også skabe afstand, hvis den studerende møder automatiserede svar, før der er plads til det egentlige spørgsmål.

Vejlederen kan bruge AI før, under og efter samtalen. Før samtalen kan systemet hjælpe med at samle relevante regler og mulige spørgsmål. Under samtalen kan vejlederen bruge data som et fælles udgangspunkt, hvis det præsenteres åbent. Efter samtalen kan AI hjælpe med et neutralt referat eller en opgaveliste, som vejlederen godkender.

Den relationelle kvalitet afhænger af, at AI ikke skjuler vejlederens ansvar. Den studerende skal vide, hvornår et svar er maskinelt genereret, hvornår en vejleder har vurderet det, og hvem der kan kontaktes ved tvivl. Det skaber mere tillid end et system, der forsøger at lyde menneskeligt uden at have menneskelig dømmekraft.

Hvordan vurderes kvaliteten af AI-svar?

Kvaliteten bør vurderes ud fra korrekthed, relevans, kildegrundlag, aktualitet, forståelighed og sikker håndtering af usikkerhed. Et svar kan være grammatisk flot og stadig uegnet, hvis det bygger på en forældet studieordning eller blander generelle regler sammen med lokale procedurer.

En institution kan teste AI-svar med realistiske vejledningsspørgsmål. Testen bør omfatte enkle administrative spørgsmål, komplekse grænsetilfælde, spørgsmål med personlige oplysninger og situationer, hvor systemet bør sende videre til et menneske. Resultatet bør vurderes af fagpersoner, ikke kun med automatiske scorer.

Nyere forskning i akademisk AI-vejledning peger netop på human-in-the-loop som en relevant model: AI kan hente information og formulere udkast, men svar til studerende valideres af en menneskelig vejleder før levering. Det er en nyttig afgrænsning, fordi den bevarer hastigheden uden at gøre systemet til den endelige rådgiver.

Hvordan hænger AI-vejledning sammen med adaptiv læring?

AI i vejledning og AI-drevet tilpasningsdygtig læring bruger ofte nogle af de samme grundidéer: data om progression, mønstre og behov omsættes til forslag om næste skridt. Forskellen er konsekvensen. I adaptiv læring handler næste skridt ofte om en opgave eller forklaring. I vejledning kan næste skridt handle om uddannelsesvalg, retning og adgang.

Det gør vejledningsbrug mere følsom. En forkert ekstraopgave kan rettes hurtigt. En forkert anbefaling om uddannelsesretning kan påvirke elevens selvbillede og valg. Derfor bør vejledningssystemer have tydeligere grænser, bedre forklaring og stærkere menneskelig kontrol end almindelige øvelsessystemer.

Sammenhængen er stadig nyttig. Data fra læring kan hjælpe vejlederen med at stille bedre spørgsmål, hvis den bruges forsigtigt. Den bør ikke bruges til at reducere personen til et mønster, men til at åbne en samtale om støtte, mål og mulige veje.

Hvordan bør en institution starte sikkert?

En institution bør starte med et lavrisikoformål. Det kan være en intern søgeassistent for vejledere, et værktøj til at finde aktuelle regler eller en chatbot, der kun svarer på administrative spørgsmål med godkendte kilder. Først når processer, ansvar og databehandling fungerer, bør mere personlige funktioner overvejes.

Næste skridt er at fastlægge ansvar. Der skal være en ejer af kilderne, en ejer af databehandlingen, en vejlederfaglig godkendelse af svar og en procedure for fejl. Systemet bør ikke indføres som et teknisk projekt alene, men som en del af institutionens samlede AI governance.

• Afgræns først, hvilke spørgsmål AI må besvare.
• Brug godkendte og daterede kilder som grundlag.
• Hold personlige elevdata ude, medmindre de er nødvendige.
• Kræv menneskelig godkendelse ved komplekse eller konsekvensfulde svar.
• Test for fejl, bias og forældet information før drift.

Den mest robuste start er ofte den mest beskedne. AI bør først gøre vejledningen mere overskuelig og veldokumenteret, før den bruges til mere personlige anbefalinger.

Hvilke kilder ligger til grund?

Kildesektionen bygger især på UNESCOs vejledning om generativ AI i uddannelse og forskning, EU-Kommissionens etiske retningslinjer for AI og data i undervisning, EU’s AI Act, forskning i menneskecentreret læringsanalyse og forskning i AI-støttet akademisk vejledning med menneskelig validering.