Kunstig intelligens i fjernundervisning

Kunstig intelligens i fjernundervisning kan støtte tilpassede læringsforløb, feedback, sprogstøtte, planlægning og læringsanalyse. Værdien afhænger af tydelige læringsmål, databeskyttelse og menneskelig kontrol, fordi AI-systemer kan tage fejl, mangle kontekst og påvirke elever forskelligt.

Hvad betyder kunstig intelligens i fjernundervisning?

Kunstig intelligens i fjernundervisning betyder, at digitale læringsmiljøer bruger modeller eller algoritmer til at analysere, foreslå, generere, tilpasse eller automatisere dele af undervisningen. Det kan ske i et videomøde, på en læringsplatform, i et øvelsessystem, i et skriveværktøj eller i et administrativt system, der hjælper læreren med overblik.

Fjernundervisning har nogle særlige udfordringer. Læreren ser ikke altid, hvornår en elev går i stå. Feedback kan komme sent. Elevernes arbejdsproces er mindre synlig. Nogle elever har stærke digitale vaner, mens andre mangler ro, udstyr eller støtte. AI kan ikke løse disse problemer alene, men den kan give læreren flere signaler, flere forklaringsformer og hurtigere udkast til støtte.

Den centrale afgrænsning er, at AI bør bruges til at styrke læringsdesignet, ikke til at fjerne læreren fra processen. Et system kan foreslå næste opgave, men læreren skal forstå kriteriet. Et værktøj kan opsummere en diskussion, men læreren skal vurdere, om opsummeringen rammer fagets mål. Den skelnen er særlig vigtig, når undervisningen foregår på afstand.

Hvordan kan AI gøre fjernundervisning mere tilpasset?

AI kan tilpasse læring ved at variere tempo, sværhedsgrad, forklaringsform og opgaverækkefølge. I fjernundervisning kan det være nyttigt, fordi elever ofte arbejder mere selvstændigt mellem synkrone møder. Et system kan foreslå en ekstra basisøvelse til en elev, der kæmper med et begreb, eller en mere åben opgave til en elev, der allerede har styr på grundstoffet.

Tilpasning kræver dog et klart mål. Hvis et system kun registrerer, om en elev klikker rigtigt, kan det overse dybere forståelse. Hvis det kun måler hastighed, kan det belønne hurtige svar frem for faglig refleksion. Derfor bør læreren bruge adaptiv støtte som et supplement til egne observationer, elevsamtaler og faglige produkter.

Begrebet hænger tæt sammen med AI-drevet tilpasningsdygtig læring. Den praktiske værdi opstår, når tilpasningen faktisk hjælper eleven videre: en anden forklaring, en konkret øvelse, et visuelt eksempel, en sproglig forenkling eller en kort selvtest. Tilpasning bliver svagere, hvis den blot skjuler, hvorfor eleven får en bestemt opgave.

Hvordan kan AI støtte lærerens tilstedeværelse på afstand?

I fjernundervisning er lærerens tilstedeværelse ikke kun et spørgsmål om at være online. Den handler om synlige rammer, hurtig respons, faglig retning og en følelse af, at elevens arbejde faktisk bliver set. AI kan støtte denne tilstedeværelse ved at hjælpe læreren med opsamlinger, korte svarudkast, mødenoter, variation af instruktioner og opfølgende spørgsmål.

Et eksempel er asynkron undervisning, hvor elever arbejder på forskellige tidspunkter. Her kan AI hjælpe med at formulere korte forklaringer, samle typiske spørgsmål eller foreslå, hvilke emner der bør tages op i næste fælles session. Det kan give læreren bedre overblik, men det må ikke blive en automatisk erstatning for dialog.

Den menneskelige tilstedeværelse er især vigtig, når elever er usikre, isolerede eller mister motivation. AI kan give et hurtigt svar, men den kan ikke aflæse klassens relationer, elevens situation eller den pædagogiske timing med samme ansvar som en lærer. Derfor bør AI-støtte bruges til at frigøre tid til kontakt, ikke til at gøre kontakten tyndere.

Hvordan kan feedback forbedres uden automatisk bedømmelse?

Feedback i fjernundervisning kan blive forsinket, fordi læreren ikke ser elevens proces i samme grad som i et fysisk lokale. AI kan hjælpe med at give hurtige forslag til, hvor en elevtekst mangler struktur, hvilke begreber der bør forklares, eller hvilke spørgsmål eleven kan stille til sit eget arbejde. Det kan gøre feedback mere løbende.

Der er forskel på feedbackstøtte og automatisk bedømmelse. Feedbackstøtte kan være et udkast, som læreren eller eleven arbejder videre med. Automatisk bedømmelse påvirker derimod elevens resultat direkte. Den forskel bør være tydelig i skolens praksis. Når AI foreslår feedback, skal eleven vide, om svaret er vejledende, og læreren skal kunne rette eller afvise det.

En god feedbackproces kan have tre trin: først får eleven en kort AI-støttet kommentar til struktur eller begreber, derefter retter eleven selv med begrundelser, og til sidst giver læreren faglig feedback på de vigtigste valg. På den måde bliver AI en støtte til revision, ikke en skjult bedømmer.

Hvordan kan AI gøre onlineundervisning mere tilgængelig?

AI kan gøre fjernundervisning mere tilgængelig, når den bruges til transskribering, undertekster, oversættelse, oplæsning, begrebsforklaringer og alternative formuleringer. Det kan hjælpe elever, der har sproglige barrierer, hørenedsættelse, læsevanskeligheder eller behov for at genbesøge materialet efter et onlineforløb.

Tilgængelighed kræver kvalitetstjek. Automatisk transskribering kan misforstå fagord, navne og dialekter. Oversættelser kan ændre betydning. En forenklet tekst kan fjerne faglig præcision. Derfor bør læreren eller institutionen gennemgå centrale materialer, især når de bruges til evaluering, eksamen eller elever med særlige behov.

Sprogstøtte kan også bruges fagligt. I fremmedsprog, dansk som andetsprog eller internationale forløb kan elever få flere eksempler, dialogøvelser og forklaringer på forskellige niveauer. Her er AI og sprogindlæring et nærliggende emne, fordi teknologien både kan støtte øvelse og kræver kritisk kontrol af rigtighed, tone og kulturel kontekst.

Hvilke data kræver særlig styring?

Fjernundervisning efterlader mange digitale spor: login, afleveringer, videoaktivitet, chatbeskeder, quizsvar, tidsforbrug og platformshændelser. Når AI bruges oven på disse data, kan systemet give læreren mønstre og anbefalinger. Det kan være nyttigt, men det øger også behovet for dataminimering, adgangskontrol og klare formål.

Elevdata bør ikke samles ind, bare fordi det er teknisk muligt. Skolen bør kunne forklare, hvilke data der bruges, hvorfor de bruges, hvor længe de gemmes, hvem der har adgang, og hvordan elever eller forældre kan få indsigt i praksis. Det gælder især, når data bruges til læringsanalyse, risikomarkering eller anbefalinger om elevens næste skridt.

En praktisk tommelfingerregel er at skelne mellem indholdsdata, aktivitetsdata og følsomme oplysninger. En anonymiseret opgavebeskrivelse er noget andet end en fuld elevprofil. En samlet klasseoversigt er noget andet end individuel adfærdsanalyse. Jo tættere data kommer på elevens personlige forhold eller muligheder, desto stærkere skal styringen være.

Hvordan undgår man, at AI forstærker ulighed?

Fjernundervisning kan forstærke forskelle i adgang til udstyr, netforbindelse, arbejdsro, sproglig støtte og digital erfaring. AI kan gøre noget af undervisningen mere fleksibel, men den kan også øge forskellen, hvis nogle elever har bedre adgang til værktøjer, bedre hjælp derhjemme eller mere erfaring med at stille præcise spørgsmål.

UNESCO fremhæver, at AI i uddannelse bør udvikles med inklusion og lighed som centrale hensyn. I praksis betyder det, at skolen bør undersøge, om AI-støtten hjælper de elever, der faktisk har brug for den, eller primært gavner elever, der allerede er stærke selvstændige brugere af digitale værktøjer. En funktion kan se neutral ud og stadig virke skævt.

En skole kan mindske ulighed ved at give fælles adgang, fælles introduktion og fælles regler. Elever bør ikke være afhængige af private betalingsværktøjer for at følge med. Læreren kan også arbejde eksplicit med, hvordan man vurderer AI-svar, så teknologien ikke bliver en fordel for dem, der i forvejen kender de uskrevne regler.

Hvordan ændrer AI opgaver og prøver online?

AI ændrer fjernundervisningens opgaver, fordi mange skriftlige produkter kan genereres eller forbedres uden synlig arbejdsproces. Derfor bliver det mindre holdbart kun at vurdere det færdige dokument. Opgaver bør i højere grad vise proces, valg, kilder, mundtlig forklaring, udkast, refleksion og faglig anvendelse.

Det betyder ikke, at alle opgaver skal gøres mundtlige eller overvågede. Det betyder, at læreren bør beslutte, hvad opgaven faktisk måler. Hvis målet er skriftlig argumentation, kan eleven måske bruge AI til at få forslag, men skal vise egne kilder og begrundelser. Hvis målet er hukommelse eller metode, kan AI-brug være mere begrænset.

I fjernundervisning bør regler for AI-brug være skrevet ind i opgavebeskrivelsen. Eleverne skal vide, om de må bruge AI til ideer, sproglig korrektur, struktur, forklaring eller slet ikke. De skal også vide, hvordan brugen skal dokumenteres. Uklare regler skaber både uretfærdighed og unødvendige konflikter.

Hvornår bliver AI i fjernundervisning en højrisiko-beslutning?

Almindelig støtte til planlægning, forklaring eller elevøvelser er ikke det samme som en beslutning med høj konsekvens. Risikoen stiger, når AI bruges til adgang, optagelse, vurdering af læringsresultater, niveauplacering eller overvågning af testadfærd. EU AI Act placerer netop visse AI-systemer i uddannelse og erhvervsuddannelse i en højrisikokategori, når de bruges til sådanne formål.

For fjernundervisning er dette særligt relevant, fordi digitale platforme lettere kan indsamle adfærdsdata og overvåge aktivitet. Et system, der markerer mulig snyd, vurderer deltagelse eller anbefaler niveau ud fra platformsspor, kan få stor betydning for eleven. Så kræves der mere end teknisk bekvemmelighed.

Skolen bør derfor stille konkrete spørgsmål før brug: Kan systemet påvirke elevens adgang eller vurdering? Kan læreren forklare kriterierne? Kan eleven gøre indsigelse? Er der menneskelig kontrol? Er datagrundlaget rimeligt? Hvis svarene er uklare, bør værktøjet ikke bruges til beslutninger, der påvirker elevens muligheder.

Hvordan kan skolen vælge AI-værktøjer ansvarligt?

Et ansvarligt valg begynder med læringsproblemet, ikke med værktøjets funktionsliste. Skolen bør først definere, om udfordringen handler om feedback, tilgængelighed, differentiering, administration, elevmotivation eller overblik. Derefter kan man vurdere, hvilke data værktøjet kræver, hvilke beslutninger det påvirker, og hvordan læreren bevarer kontrol.

En enkel vurderingsramme kan se sådan ud:

• Hvilket konkret lærings- eller undervisningsproblem skal løses?
• Hvilke elevdata behandles, og kan de minimeres?
• Kan læreren forstå og ændre værktøjets anbefalinger?
• Hvordan opdages fejl, bias eller uhensigtsmæssige forslag?
• Hvilke elever kan blive udelukket af tekniske krav?

Værktøjsvalg bør også hænge sammen med skolens bredere sikkerhedspraksis. Emner som login, adgangsrettigheder, databehandleraftaler, logning og elevsamtykke er ikke pædagogiske detaljer, men en del af den samlede ramme. Derfor er sikkerhedsaspekter ved AI i skolen direkte relevante for fjernundervisning.

Hvordan kan elever udvikle AI-kompetence på afstand?

AI-kompetence i fjernundervisning handler om mere end at kunne bruge et værktøj. Elever skal kunne vurdere svar, stille præcise spørgsmål, kontrollere kilder, markere egen brug, beskytte egne data og forklare, hvilke valg de selv har truffet. Det er en del af digital dannelse, især når eleven arbejder uden lærerens løbende fysiske nærvær.

UNESCOs kompetenceramme for lærere viser, at AI kræver både teknisk forståelse, pædagogisk brug og etiske vurderinger. Det samme princip kan oversættes til elever: De skal forstå, hvornår AI hjælper dem med at lære, og hvornår den blot producerer et svar, der skjuler manglende forståelse.

En fjernunderviser kan bruge korte refleksionskrav. Elever kan skrive, hvilken AI-støtte de har brugt, hvad de ændrede, hvilke kilder de kontrollerede, og hvad de stadig er usikre på. Det gør arbejdsprocessen synlig og hjælper læreren med at vurdere læring frem for kun produkt. I yngre klasser kan dette kobles til bredere undervisning om kunstig intelligens i folkeskolen.

Hvordan kan AI støtte personaliserede læringsplaner?

AI kan hjælpe med at omsætte elevdata og lærerobservationer til forslag til læringsmål, øvelser og opfølgning. I fjernundervisning kan det give bedre kontinuitet, fordi eleven ikke altid møder læreren fysisk. Et system kan for eksempel foreslå, hvilke begreber der skal repeteres, eller hvilke materialer der passer til elevens seneste afleveringer.

Personaliserede læringsplaner kræver dog mere end automatiske forslag. Læreren skal vurdere, om planen er realistisk, motiverende og fagligt relevant. Elever skal forstå planen, ikke bare følge en række anbefalede klik. Hvis planen bliver for automatiseret, kan eleven miste overblik over, hvorfor bestemte aktiviteter vælges.

En god brug af AI er at lade systemet foreslå muligheder, mens læreren og eleven vælger retning sammen. Det kan være ekstra nyttigt i lange onlineforløb, hvor progression ellers kan blive usynlig. Emnet ligger tæt på personaliserede læringsplaner med AI, men i fjernundervisning skal planen også tage højde for arbejdsro, mødefrekvens, teknisk adgang og elevens evne til at styre egen tid.

Hvilke praktiske trin kan en underviser begynde med?

En underviser kan begynde med et lille forsøg, hvor risikoen er lav og læringsmålet tydeligt. Det kan være en AI-støttet variation af forklaringer, en selvtest uden karakter, et forslag til opfølgende spørgsmål eller en opsummering af en onlinechat, som læreren gennemgår før deling. Det giver erfaring uden at flytte ansvar til systemet.

En enkel startproces kan være:

1. Vælg et konkret problem i fjernundervisningen, for eksempel sen feedback eller uklare instruktioner.
2. Beslut, hvilke data der må bruges, og hvilke der ikke må bruges.
3. Afprøv AI-støtte på et afgrænset materiale uden karakterkonsekvens.
4. Kontrollér output for fejl, bias, uklarheder og faglig relevans.
5. Forklar eleverne, hvad værktøjet må og ikke må bruges til.
6. Evaluer med eleverne, om støtten faktisk hjalp dem med at lære.

Hvis forsøget virker, kan det udvides gradvist. Hvis det ikke virker, er det også værdifuld viden. Den bedste brug af AI i fjernundervisning er ikke nødvendigvis den mest automatiserede. Den bedste brug er den, der gør læringsmål, feedback, deltagelse og ansvar tydeligere for både lærer og elev.

Hvilke kilder ligger til grund?

Artiklen bygger især på UNESCOs oversigt over kunstig intelligens i uddannelse, UNESCOs AI-kompetenceramme for lærere, EU-Kommissionens Digital Education Action Plan, U.S. Department of Educations rapport om AI og fremtidens undervisning og læring og den officielle tekst til EU AI Act.