AI-drevet tilpasningsdygtig læring

AI-drevet tilpasningsdygtig læring er undervisning, hvor et digitalt system bruger data om elevens svar, tempo og progression til at justere opgaver, feedback og rækkefølge. Teknologien kan støtte mere målrettet træning, men den kræver faglig styring, databeskyttelse og tydelige grænser for automatiserede vurderinger.

Hvad betyder AI-drevet tilpasningsdygtig læring?

AI-drevet tilpasningsdygtig læring, ofte kaldet adaptiv læring, betyder, at læringsforløbet ændrer sig efter elevens aktuelle behov. Systemet kan for eksempel registrere, om en elev løser brøkregning sikkert, om eleven springer forklaringer over, eller om samme fejltype optræder flere gange. På den baggrund kan systemet vælge lettere eller sværere opgaver, gentage et begreb, give et hint eller foreslå en ny forklaring.

Det centrale er ikke, at undervisningen bliver fuldautomatisk. Den faglige værdi opstår, når systemets tilpasning understøtter et klart læringsmål, og når en lærer eller vejleder kan se, hvorfor systemet reagerer, som det gør. Adaptiv læring kan derfor forstås som et beslutningsstøttende lag oven på undervisningen, ikke som en erstatning for pædagogisk dømmekraft.

I skole- og uddannelsessammenhæng hænger emnet tæt sammen med bredere brug af kunstig intelligens i folkeskolen, hvor spørgsmålet ofte er, hvordan teknologien kan bruges uden at gøre læreren mindre central.

Hvordan adskiller adaptiv læring sig fra almindelig digital undervisning?

Almindelig digital undervisning kan bestå af videoer, opgaver, tests og læringsplatforme, som alle elever møder i samme rækkefølge. Adaptiv læring ændrer derimod forløbet ud fra elevens handlinger. To elever kan derfor arbejde med samme læringsmål, men få forskellige opgaver, forklaringer og mængder af øvelse.

Forskellen kan beskrives som graden af respons. Et statisk system viser materiale. Et regelbaseret system sender eleven videre efter en fast beslutning, for eksempel korrekt eller forkert svar. Et AI-drevet adaptivt system kan bruge flere signaler på én gang og løbende opdatere en model af elevens viden, usikkerhed og sandsynlige næste behov.

Hvilke data bruger et adaptivt læringssystem?

Et adaptivt læringssystem bruger normalt data, der opstår inde i selve læringsforløbet. Det kan være rigtige og forkerte svar, svartid, antal forsøg, brug af hints, progression mellem niveauer, gentagne fejlmønstre og valg af læringsressourcer. Nogle systemer bruger også oplysninger om hold, kursus, tidligere test eller lærerens faglige markeringer.

Dataene bliver ofte omsat til en elevmodel. Det er en teknisk repræsentation af, hvad systemet antager om elevens aktuelle niveau og behov. Elevmodellen er ikke det samme som elevens reelle forståelse. Den er en sandsynlighedsbaseret eller regelbaseret vurdering, som kan være nyttig, men også forkert, hvis dataene er tynde, skæve eller misforståede.

Derfor bør systemets datagrundlag være synligt nok til, at en underviser kan stille kritiske spørgsmål: Hvilke handlinger tæller som tegn på læring? Straffes langsomt arbejde? Kan en elev, der gætter rigtigt, blive vurderet for højt? Kan en elev med sproglige vanskeligheder blive vurderet forkert i et fag, hvor målet egentlig er matematisk forståelse?

Hvad kan teknologien realistisk tilpasse?

Teknologien kan især tilpasse opgaver, rækkefølge, sværhedsgrad, feedback og gentagelse. I matematik kan systemet for eksempel give flere opgaver med samme underbegreb, hvis eleven konsekvent forveksler nævner og tæller. I sprogundervisning kan systemet foreslå mere træning i en bestemt grammatisk konstruktion, hvis fejlene gentager sig.

AI-drevet tilpasning kan også ændre tempoet. En elev, der hurtigt viser sikker forståelse, kan få mere komplekse opgaver, mens en elev med usikker forståelse får flere mellemtrin. I kunstig intelligens til matematikundervisning er denne type progression særligt relevant, fordi små misforståelser kan forplante sig til senere emner.

Det teknologien ikke kan gøre alene, er at afgøre den fulde pædagogiske kontekst. Den ved ikke nødvendigvis, om eleven er træt, om opgaven er dårligt formuleret, om klassen netop har haft et emne på en anden måde, eller om en elev har brug for en samtale frem for endnu en opgave. Tilpasningen bør derfor bruges som et signal, ikke som en endelig dom.

Hvornår giver adaptiv læring pædagogisk værdi?

Adaptiv læring giver mest værdi, når læringsmålet er tydeligt, opgaverne kan opdeles i mindre begreber, og fejl giver meningsfuld information om elevens forståelse. Det gælder især færdigheds- og begrebstræning, hvor systemet kan registrere mønstre over tid og give hurtig feedback.

Forskningslitteraturen om intelligente tutorsystemer viser, at veludførte systemer kan have positiv effekt på testresultater, men også at effekten afhænger af, hvordan den måles. Lokale tests, som er tæt på systemets egne læringsmål, kan vise større effekt end bredere standardiserede tests. Det gør ikke resultaterne værdiløse, men det betyder, at en skole bør vurdere, om gevinsten kan ses i de læringsmål, der faktisk betyder noget.

Den praktiske værdi er ofte størst, når systemet frigør lærerens tid fra ren fejlregistrering og giver bedre overblik over, hvor eleverne sidder fast. Det kræver, at læreren kan bruge systemets data aktivt i undervisningsplanlægningen og ikke kun ser en samlet score.

Hvor går grænsen for automatiseringen?

Grænsen går ved beslutninger, hvor en automatiseret vurdering får stor betydning for elevens muligheder, placering eller selvforståelse. Et system kan godt foreslå ekstra øvelse i et emne. Det er noget andet, hvis systemet alene bestemmer niveauinddeling, adgang til fag, karakterlignende vurderinger eller anbefalinger om videre uddannelsesretning.

En praktisk skelnen er, om systemets output bruges som støtte eller som afgørelse. Som støtte kan systemet pege på mønstre, læreren bør undersøge. Som afgørelse kan systemet ændre elevens adgang, placering eller bedømmelse. Jo mere konsekvens et output har, desto stærkere krav bør der stilles til forklaring, dokumentation, menneskelig kontrol og mulighed for at korrigere fejl.

Automatisering bør heller ikke gøre læring smallere. Hvis systemet kun måler korte svar og hurtig progression, kan det overse refleksion, samarbejde, mundtlig forklaring og kreativ problemløsning. Det gælder især i fag, hvor forståelse viser sig gennem argumentation, proces og fagligt sprog.

Hvordan bør læreren bruge resultaterne i praksis?

Læreren bør bruge adaptiv læringsdata som et diagnostisk udgangspunkt. En oversigt over fejlmønstre kan vise, hvilke elever der har brug for samme forklaring, hvilke begreber der bør genbesøges i plenum, og hvor individuelle opgaver giver mening. Dataene bør dog altid sammenholdes med observationer, samtaler og almindelig faglig vurdering.

En enkel arbejdsgang kan være at starte med læringsmålet, se på systemets mønstre, vælge en pædagogisk handling og derefter kontrollere, om handlingen faktisk hjalp. Hvis en elev får lav score, er næste skridt ikke nødvendigvis flere opgaver. Det kan være en anden forklaring, et konkret eksempel, pararbejde eller en kort samtale om, hvordan eleven har forstået opgaven.

I gymnasiet kan samme princip bruges mere analytisk. Ved kunstig intelligens i gymnasiet handler den faglige brug ikke kun om effektiv træning, men også om at gøre eleverne i stand til at forstå, vurdere og diskutere teknologien bag vurderingerne.

Hvilke risici opstår omkring data og bias?

Den mest oplagte risiko er, at systemet indsamler flere elevdata end nødvendigt. Adaptiv læring kræver data, men ikke alle data er lige relevante. En skole eller organisation bør kunne forklare, hvilke oplysninger der behandles, hvorfor de er nødvendige, hvor længe de gemmes, hvem der har adgang, og om data bruges til andre formål end det konkrete læringsforløb.

Bias kan opstå, hvis systemets modeller eller opgaver passer bedre til nogle elevgrupper end andre. Det kan handle om sprog, kulturelle referencer, adgang til teknologi, tidligere undervisningsform eller særlige behov. Hvis systemet fortolker langsomt tempo som lav forståelse, kan det ramme elever, der arbejder grundigt eller bruger hjælpemidler. Hvis systemet primært belønner bestemte svarformer, kan det overse alternative forklaringsmåder.

En tredje risiko er falsk præcision. Et dashboard med farver, procenter og anbefalinger kan virke mere sikkert, end dataene berettiger til. Derfor bør rapporteringer skelne mellem dokumenterede observationer, systemets beregnede vurdering og lærerens efterfølgende faglige fortolkning.

Hvilke krav er særligt relevante i EU?

I EU er det især relevant at skelne mellem almindelig læringsstøtte og AI-systemer, der bruges til væsentlige uddannelsesbeslutninger. EU’s AI Act nævner AI-systemer i uddannelse og erhvervsuddannelse som højrisiko i bestemte situationer, blandt andet når de bruges til adgang, tildeling til uddannelsesprogrammer, evaluering af læringsudbytte, vurdering af passende uddannelsesniveau eller testovervågning.

Det betyder ikke, at enhver adaptiv øvelsesplatform automatisk er højrisiko. Men hvis systemets vurderinger styrer elevens læringsvej på en måde, der får reel betydning for adgang, niveau eller bedømmelse, bør organisationen behandle systemet med langt større dokumentations- og kontrolkrav.

EU-Kommissionens retningslinjer for undervisere lægger samtidig vægt på, at lærere og skoleledere skal kunne bruge AI og data kritisk og etisk. I praksis betyder det, at et adaptivt system bør være forståeligt for de professionelle, der bruger det, og at elever ikke bør møde en skjult vurderingslogik, som ingen lokalt kan forklare.

Hvordan kan en skole eller organisation vurdere et system før brug?

En vurdering bør begynde med formålet. Hvis systemet kun skal give ekstra øvelse i et afgrænset emne, er risikobilledet anderledes, end hvis det skal anbefale niveauplacering eller producere vurderinger, der påvirker et samlet forløb. Formålet afgør, hvilke data der er nødvendige, hvem der skal kunne se resultaterne, og hvor stærk menneskelig kontrol der kræves.

Derefter bør systemets dokumentation undersøges. Det gælder databehandling, modeltype, forklarbarhed, adgangsstyring, mulighed for at rette fejl og dokumentation for pædagogisk effekt. Hvis leverandøren kun kan vise engagementstal, men ikke læringsudbytte, er det et svagt grundlag for en større implementering.

Et relevant kontrolpunkt er også sammenhængen med organisationens bredere AI governance. Adaptiv læring bør ikke vurderes som et isoleret værktøj, men som en del af den samlede styring af AI, data, roller, ansvar og dokumentation.

Hvordan måles effekten uden at forveksle aktivitet med læring?

Effekten bør måles på læringsmål, ikke kun på aktivitet. Flere løste opgaver, længere tid i systemet eller højere klikrate viser, at systemet bliver brugt, men ikke nødvendigvis at eleven har forstået stoffet bedre. En god evaluering kombinerer systemdata med faglige prøver, lærerobservationer og elevfeedback.

Der bør også skelnes mellem kortsigtet præstation og varig forståelse. Et system kan løfte resultater på opgaver, der ligner træningen, uden at eleven kan overføre forståelsen til nye sammenhænge. Derfor er det nyttigt at teste både umiddelbar mestring, senere fastholdelse og evnen til at forklare metoden med egne ord.

Hvis adaptiv læring bruges bredt, bør organisationen sammenligne elevgrupper, fag og kontekster. Et system kan fungere godt i et fag med mange entydige delmål og svagere i et fag, hvor vurderingen kræver fortolkning, argumentation og dialog. Effekten bør derfor ikke antages at være den samme på tværs af fag.

Hvilken rolle spiller generativ AI i tilpasningsdygtig læring?

Generativ AI kan gøre adaptiv læring mere fleksibel, fordi systemet kan formulere forklaringer, eksempler og øvelser i flere varianter. Det kan hjælpe elever, der har brug for en anden forklaring end den, materialet oprindeligt indeholder. Det kan også støtte lærere i at udforme supplerende spørgsmål, hvis elevdata peger på et bestemt misforstået begreb.

Samtidig øger generativ AI behovet for kvalitetssikring. Et generativt system kan producere plausible, men forkerte forklaringer, og det kan tilpasse tonen uden at forbedre det faglige indhold. Hvis generativ AI bruges i adaptiv læring, bør der være klare regler for, hvilke svar der er fagligt valideret, hvilke der er dynamisk genereret, og hvordan fejl opdages.

For lærere minder dette om overvejelserne bag ChatGPT for lærere: teknologien kan være nyttig som støtte, men den skal kobles til faglige mål, tydelige rammer og menneskelig vurdering.

Hvordan ser en forsvarlig implementering ud?

En forsvarlig implementering begynder småt. Start med et afgrænset fagligt område, en tydelig elevgruppe og en kort evalueringsperiode. Beslut på forhånd, hvilke data der må bruges, hvilke beslutninger systemet ikke må træffe, og hvordan lærere kan overstyre eller korrigere systemets anbefalinger.

Dernæst bør lærere og elever have en enkel forklaring på systemets funktion. Elever behøver ikke kende alle tekniske detaljer, men de bør vide, at deres svar og progression bruges til at tilpasse forløbet. Lærere bør kunne se, hvorfor systemet anbefaler bestemte opgaver eller indsatser, ellers bliver systemet svært at bruge ansvarligt.

• Afklar læringsmålet før værktøjet vælges.
• Brug kun elevdata, der er nødvendige for formålet.
• Bevar lærerens mulighed for at ændre forløb og vurdering.
• Test effekten med faglige mål, ikke kun aktivitetsdata.
• Evaluer om systemet virker lige godt for forskellige elevgrupper.

Den bedste implementering er derfor ikke nødvendigvis den mest automatiserede. Det er den, hvor systemets tilpasning gør læreren bedre informeret, eleven bedre støttet og beslutningerne mere gennemsigtige.

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 og Kulik og Fletchers meta-analyse af intelligente tutorsystemer.