Udvikling af kritisk tænkning med AI

Udvikling af kritisk tænkning med AI handler om at bruge AI som sparringspartner uden at lade systemet overtage vurderingen. Læseren skal kunne kontrollere kilder, skelne mellem sandsynlige og dokumenterede svar, formulere bedre spørgsmål og forklare, hvorfor et AI-svar kan bruges, afvises eller justeres.

Hvad betyder kritisk tænkning med AI?

Kritisk tænkning med AI er evnen til at undersøge, begrunde og korrigere AI-genererede svar. Det er ikke det samme som at være teknisk ekspert i maskinlæring. Kernen er, at du kan stille skarpe spørgsmål til et svar, kende forskel på tekstlig overbevisning og dokumenteret viden og bruge relevante kilder til at vurdere indholdet.

AI kan gøre en tankeproces hurtigere, fordi systemet kan samle forslag, omskrive forklaringer og vise alternative vinkler. Den samme hastighed kan også skjule fejl. Et svar kan lyde sikkert, selv om det bygger på upræcise antagelser, forældet viden eller manglende kontekst. Kritisk tænkning betyder derfor, at AI-svaret behandles som et udkast til vurdering, ikke som et facit.

I undervisning, analysearbejde og organisationsudvikling er den centrale færdighed at kunne forklare sin egen vurdering efter brug af AI. Hvis en elev, studerende eller medarbejder kun kan gentage AI-svaret, er tænkningen svag. Hvis personen kan pege på antagelser, kilder, usikkerheder og mulige modargumenter, er AI blevet brugt som støtte til selvstændig vurdering.

Hvorfor ændrer AI kravene til kritisk tænkning?

Generativ AI producerer tekst, billeder, lyd og struktur på en måde, der kan ligne menneskelig faglighed. Det ændrer kravene til kritisk tænkning, fordi vurderingen ikke længere kun handler om at finde information. Den handler også om at vurdere, hvordan informationen kan være genereret, hvilke data der kan ligge bag, og om svaret svarer på den rigtige opgave.

Den europæiske ramme DigComp 3.0 beskriver digital kompetence som sikker, kritisk og ansvarlig brug af digitale teknologier. Rammen placerer kildevurdering, informationshåndtering, sikkerhed, problemløsning og kritisk tænkning i samme kompetencefelt. Det passer præcist til AI-brug, hvor teknisk kunnen og vurderingsevne ikke kan adskilles.

En praktisk konsekvens er, at kritisk tænkning skal trænes før, under og efter brug af AI. Før brug skal opgaven afgrænses. Under brug skal svaret udfordres. Efter brug skal resultatet kontrolleres, bearbejdes og begrundes. Den proces gør AI til en del af arbejdet, men ikke til den aktør, der ejer konklusionen.

Hvilke spørgsmål bør elever og medarbejdere stille til et AI-svar?

Et AI-svar bør vurderes gennem faste kontrolspørgsmål. De gør vurderingen mere konkret og mindsker risikoen for, at et sprogligt flydende svar accepteres uden faglig kontrol. Spørgsmålene kan bruges i skole, videregående uddannelse, intern oplæring og almindeligt vidensarbejde.

• Hvilken påstand er svaret egentlig bygget op omkring?
• Hvilke begreber bliver defineret, og hvilke bliver kun antydet?
• Hvilke kilder eller data skal kontrolleres, før svaret kan bruges?
• Hvad mangler svaret for at passe til opgaven, målgruppen og konteksten?
• Hvilke alternative forklaringer eller modargumenter bør undersøges?
• Hvilken del af svaret er dokumenteret, og hvilken del er fortolkning?

Kontrolspørgsmålene skal ikke gøre arbejdet langsomt for sin egen skyld. De skal gøre beslutningen tydelig. Når du kan svare på dem, kan du også forklare, hvorfor et AI-svar er relevant, ufuldstændigt eller forkert. Det er den forklaring, der viser kritisk tænkning.

Hvordan kan AI bruges uden at overtage vurderingen?

AI overtager vurderingen, når brugeren springer sin egen begrundelse over. Det sker typisk, når svaret bliver kopieret direkte, når kilder ikke kontrolleres, eller når opgaven reduceres til at få systemet til at skrive noget, der lyder rigtigt. Den modsatte tilgang er at give AI en afgrænset rolle i arbejdet.

En god rollefordeling kan være, at AI hjælper med at finde mulige vinkler, stille modspørgsmål, forklare et begreb på flere niveauer eller foreslå en struktur. Mennesket vælger problemformulering, vurderer kilder, tilpasser argumentationen og står for den endelige konklusion. Det skaber et tydeligt skel mellem assistance og ansvar.

I praksis kan du bede AI om at argumentere imod en foreløbig konklusion, finde svage led i en forklaring eller foreslå, hvilke begreber der bør defineres. Derefter bør du kontrollere resultatet mod autoritative kilder og egen faglig viden. AI bliver dermed et redskab til at udvide refleksionen, ikke en erstatning for den.

Hvordan trænes kildekritik med generativ AI?

Kildekritik med AI begynder med at adskille tre ting: hvad AI påstår, hvilken kilde der kan dokumentere påstanden, og om kilden faktisk siger det samme. Et AI-svar kan nævne institutioner, rapporter eller begreber uden at gengive dem præcist. Derfor skal kildekritik trænes som en selvstændig aktivitet, ikke kun som en afsluttende formalitet.

En enkel øvelse er at lade AI opstille tre mulige forklaringer på et emne og derefter kræve, at hver forklaring kontrolleres mod en primær kilde. I uddannelsessammenhæng kan elever markere, hvilke sætninger der er dokumenterede, hvilke der er rimelige fortolkninger, og hvilke der kræver yderligere kontrol. Det gør kildekritik synlig i selve arbejdsprocessen.

For yngre elever og begyndere kan arbejdet kobles til eksisterende digitale kompetencer. En side om kunstig intelligens i folkeskolen kan for eksempel bruges som intern begrebsramme, mens den konkrete faktakontrol sker mod officielle eller faglige kilder. Pointen er, at AI ikke må blive den eneste kilde til sin egen vurdering.

Hvornår er AI velegnet som læringsstøtte?

AI er mest velegnet som læringsstøtte, når opgaven kræver forklaring, variation, feedback eller sammenligning. Det kan være at få et vanskeligt begreb forklaret på et enklere niveau, få forslag til øvelsesspørgsmål, få respons på argumentation eller få vist forskellen mellem to mulige løsninger. I de situationer kan AI skabe flere veje ind i stoffet.

U.S. Department of Education beskriver i rapporten Artificial Intelligence and the Future of Teaching and Learning, at AI kan understøtte adaptiv læring og feedback, men også medføre risici som forkerte output, databeskyttelse, sikkerhed og bias. Det taler for en balanceret brug, hvor AI indgår i en menneskeligt styret læringssituation.

Den bedste læringsværdi opstår, når AI gør elevens eller medarbejderens tænkning mere synlig. Et AI-svar kan bruges til at sammenligne forklaringer, finde huller i en argumentation eller træne præcis begrebsbrug. Hvis målet derimod kun er at producere en færdig aflevering eller beslutning hurtigere, bliver læringsudbyttet svagere.

Hvornår bør AI holdes uden for opgaven?

AI bør holdes uden for opgaven, når formålet er at måle uassisteret forståelse, personlig refleksion, hukommelse, grundlæggende metode eller en færdighed, som først skal etableres uden støtte. Det gælder især i tidlige læringsfaser, hvor eleven skal lære at stille spørgsmål, læse kilder og formulere egne begrundelser.

Det betyder ikke, at AI aldrig må bruges i vurdering eller træning. Det betyder, at rammerne skal være tydelige. Nogle opgaver kan være AI-fri. Andre kan tillade AI til idéudvikling, men kræve selvstændig kildekontrol. Andre igen kan handle direkte om at analysere og forbedre et AI-svar. Forskellen bør være synlig for den, der løser opgaven.

I gymnasial sammenhæng er denne afgrænsning særlig relevant, fordi både faglig metode, skriftlighed og digital dannelse er i spil. En intern baggrundsside om kunstig intelligens i gymnasiet kan bruges til at placere AI i en bredere uddannelseskontekst, mens den konkrete opgavebeskrivelse bør angive præcis, hvad der er tilladt.

Hvordan påvirker AI feedback og formative vurderinger?

AI kan give hurtig feedback på tekst, forklaringer og problemløsning. Det kan hjælpe, når læreren, vejlederen eller kollegaen ikke er tilgængelig i øjeblikket. Den pædagogiske værdi ligger især i formative vurderinger, hvor feedback bruges til at forbedre processen, før resultatet er færdigt.

Samtidig kan feedback fra AI være for generel, for sikker eller rettet mod overfladiske tegn på kvalitet. U.S. Department of Education peger på, at automatiseret essayvurdering kan blive påvirket af længde, nøgleord og andre træk, som ikke nødvendigvis viser reel forståelse. Det er en vigtig påmindelse om, at feedbackens kvalitet også skal vurderes.

En kritisk brug af AI-feedback kan derfor følge tre trin. Først formulerer brugeren, hvad der ønskes respons på. Derefter vurderes AI-svaret op mod opgavens kriterier. Til sidst vælges kun de ændringer, som brugeren selv kan begrunde. På den måde bliver feedback en kilde til refleksion og ikke en automatisk rettelse.

Hvilke datarisici skal indgå i kritisk tænkning?

Kritisk tænkning med AI handler også om data. Hvis brugeren indtaster personoplysninger, fortrolige dokumenter, interne vurderinger eller elevdata i et AI-system, kan der opstå risici for privatliv, sikkerhed og rettighedsstyring. Den kritiske vurdering begynder derfor allerede før selve AI-svaret genereres.

Den europæiske Kommissions etiske retningslinjer for AI og data i undervisning fremhæver både praktisk brug, etiske overvejelser og nye kompetencer hos undervisere. For organisationer og skoler betyder det, at kritisk tænkning også omfatter spørgsmålet om, hvilke data der må bruges, hvem der har ansvar, og hvordan resultatet kontrolleres.

Et konkret kontrolpunkt er at skelne mellem offentlige, interne og følsomme oplysninger. Offentlige fakta kan ofte bruges som udgangspunkt for forklaring og analyse. Interne dokumenter kræver klare regler. Følsomme personoplysninger bør som udgangspunkt ikke indtastes i almindelige AI-tjenester uden dokumenteret behandlingsgrundlag, aftaler og tekniske sikkerhedsforanstaltninger. En bredere forklaring findes i emnet håndtering af bias i AI, hvor data og vurdering hænger tæt sammen.

Hvad betyder AI literacy i europæisk sammenhæng?

AI literacy kan oversættes til AI-kompetence eller AI-forståelse. Det dækker ikke kun evnen til at bruge et værktøj. Det handler også om at kende teknologiens muligheder, begrænsninger, risici og relevante anvendelseskontekster. I europæisk sammenhæng er begrebet blevet mere konkret efter EU’s AI-forordning.

I Regulation (EU) 2024/1689 står artikel 4 i kapitel I, som anvendes fra 2. februar 2025. Bestemmelsen kræver, at udbydere og anvendere af AI-systemer i videst muligt omfang sikrer et tilstrækkeligt niveau af AI-kompetence hos personale og andre personer, der bruger systemerne på deres vegne. Det er ikke en skoleplan, men det understøtter behovet for systematisk kompetenceudvikling.

For undervisning og arbejdspladser betyder AI literacy, at brugere skal kunne forstå både output og ansvar. De skal kunne vurdere, om et system er egnet til opgaven, om svaret kan efterprøves, og om brugen passer til regler, etik og databeskyttelse. En intern forklaring af EU AI Act kan give den regulatoriske ramme, men den praktiske kompetence opstår i den konkrete brug.

Hvordan kan en enkel arbejdsproces se ud?

En enkel proces for kritisk tænkning med AI kan bestå af fem trin. Den er nyttig, fordi den placerer menneskelig vurdering både før og efter brug af AI. Processen kan bruges i undervisning, intern oplæring, analysearbejde og faglig sparring.

1. Afgræns opgaven: Hvad skal besvares, og hvad ligger uden for opgaven?
2. Få AI til at give forslag, forklaringer eller modargumenter inden for den afgrænsning.
3. Marker konkrete påstande, begreber og antagelser i svaret.
4. Kontroller centrale påstande mod primære eller autoritative kilder.
5. Skriv eller beslut selv den endelige konklusion og begrund ændringerne.

Processen er enkel, men den ændrer kvaliteten af AI-brug. Brugeren bliver tvunget til at se forskel på inspiration, dokumentation og beslutning. Den gør det også lettere for en lærer, leder eller kollega at vurdere, om AI har støttet tænkningen eller blot leveret et færdigt svar.

Hvordan måles udviklingen af kritisk tænkning?

Udvikling af kritisk tænkning kan ikke måles sikkert ved at se på, om et færdigt svar lyder velformuleret. Der bør i stedet ses på processen og begrundelsen. En bruger viser kritisk tænkning, når vedkommende kan forklare, hvilke AI-forslag der blev valgt fra, hvilke kilder der blev brugt, og hvilke usikkerheder der stadig findes.

Et vurderingsskema kan for eksempel se på fire dimensioner: problemforståelse, kildekontrol, begrebspræcision og selvstændig konklusion. Hver dimension kan vurderes med konkrete tegn. Har brugeren afgrænset opgaven? Er centrale fakta kontrolleret? Er fagbegreber forklaret korrekt? Er den endelige konklusion skrevet med egne begrundelser?

Den vigtigste udvikling ses over tid. Først lærer brugeren at opdage åbenlyse fejl. Derefter lærer brugeren at finde manglende forbehold. Senere bliver brugeren bedre til at bruge AI til at undersøge flere perspektiver uden at miste sin egen dømmekraft. Det er her, AI kan styrke kritisk tænkning: ikke ved at tænke for brugeren, men ved at gøre vurderingen mere eksplicit.

Hvilke kilder ligger til grund?

Artiklen bygger især på Europa-Kommissionens etiske retningslinjer for AI og data i undervisning, Joint Research Centres DigComp 3.0, U.S. Department of Educations rapport Artificial Intelligence and the Future of Teaching and Learning og EU-forordningen Regulation (EU) 2024/1689.