Personaliserede læringsplaner med AI er individuelle læringsforløb, hvor data om elevens niveau, mål og progression bruges til at foreslå indhold, tempo og støtte. AI kan gøre planen mere adaptiv, men den bør styres af læreren, dokumenterede læringsmål og klare regler for data og kvalitet.
Personaliserede læringsplaner med AI kan tilpasse mål, tempo og feedback ud fra elevens progression, men de bør styres af læreren og klare regler for data. Få overblik over datakilder, begrænsninger, EU-relevans og praktiske kontrolpunkter før brug i undervisning.
Hvad betyder personaliserede læringsplaner med AI?
En personaliseret læringsplan med AI er en plan, der tilpasser læringsmål, øvelser, forklaringer og opfølgning til en elev eller studerendes aktuelle behov. Den kan bygge på testresultater, opgavebesvarelser, progression i et digitalt læringssystem, lærerens vurderinger og elevens egne mål.
AI-delen ligger typisk i mønstergenkendelse og anbefalinger. Systemet kan registrere, at en elev ofte misforstår samme type brøkopgave, springer bestemte teksttyper over eller løser programmeringsopgaver med samme fejlmønster. Ud fra det kan systemet foreslå gentagelse, sværere opgaver, ekstra forklaringer eller en anden rækkefølge.
Planen bør ikke forstås som en automatisk erstatning for undervisning. Den er mest brugbar, når den kobler elevens data til pædagogiske mål, og når læreren kan se, ændre og afvise forslagene. En læringsplan er derfor både et teknisk værktøj og en didaktisk beslutning.
Hvilke data kan en AI-baseret læringsplan bruge?
En AI-baseret læringsplan kan kun tilpasse undervisningen ud fra de data, systemet får adgang til. Det kan være strukturerede data som quizresultater, afleveringsdatoer, fravær, niveauplacering og gennemførte moduler. Det kan også være ustrukturerede data som fritekstsvar, mundtlige transskriptioner eller lærerens noter, hvis skolen har et lovligt og pædagogisk begrundet grundlag for at bruge dem.
Datakvalitet er afgørende. Hvis data kun viser klik, tid brugt på en side eller antal forsøg, kan systemet let forveksle aktivitet med forståelse. En elev kan bruge lang tid, fordi opgaven er svær, fordi teksten er uklar, eller fordi der er tekniske problemer. Den samme datapunkt kan derfor have flere pædagogiske forklaringer.
En praktisk datamodel bør skelne mellem fire lag:
- Læringsmål, som beskriver hvad eleven skal kunne.
- Observationer, som viser hvad eleven faktisk har gjort eller afleveret.
- Fortolkninger, som systemet eller læreren udleder af observationerne.
- Handlinger, som ændrer næste opgave, tempo, støtteform eller feedback.
Den opdeling gør det lettere at opdage, om AI-systemet bygger planen på reelle tegn på læring eller på svage indikatorer. Den gør også sammenhængen til kunstig intelligens mere konkret: AI automatiserer mønstre og forslag, men den forstår ikke elevens hele situation.
Hvordan kan AI tilpasse tempo, niveau og rækkefølge?
AI kan tilpasse en læringsplan ved at vælge næste trin ud fra tidligere svar og ønskede mål. I et matematikforløb kan systemet foreslå mere grundlæggende øvelser, hvis eleven mangler forudsætninger. I sprogfag kan det foreslå læsetekster med bestemte ordtyper eller grammatiske strukturer. I programmering kan det pege på opgaver, der træner fejlhåndtering, løkker eller funktioner.
Tilpasningen kan ske på flere måder. Et regelbaseret system kan bruge faste regler, for eksempel at tre fejl i samme emne udløser en repetitionsopgave. Et statistisk eller maskinlæringsbaseret system kan beregne sandsynligheden for, at eleven er klar til næste niveau. En generativ model kan formulere feedback eller lave alternative forklaringer, men den bør ikke alene bestemme progressionen.
| Tilpasning | Hvad systemet kan foreslå | Hvad læreren bør kontrollere |
|---|---|---|
| Tempo | Gentagelse, pause, hurtigere progression eller ekstra øvelser | Om tempoet skyldes læring, motivation, sygdom eller opgavens kvalitet |
| Niveau | Lettere, tilsvarende eller sværere opgaver | Om niveauet passer til læringsmål og ikke låser eleven fast |
| Rækkefølge | Et andet forløb gennem emner, eksempler eller materialer | Om ændringen bevarer faglig progression og fælles undervisningsmål |
| Feedback | Forklaring af fejl, hints eller næste skridt | Om feedbacken er korrekt, alderssvarende og fagligt præcis |
Den bedste brug er ofte en kombination: AI foreslår, læreren vurderer, og eleven får en forklaring, der kan forstås og bruges. Det gør planen mere fleksibel uden at flytte hele ansvaret til systemet.
Hvad skal læreren stadig beslutte?
Læreren skal stadig beslutte, hvilke mål eleven arbejder hen imod, hvilke tegn på læring der tæller, og hvordan digitale anbefalinger skal vægtes i forhold til elevens samlede situation. Et AI-system kan pege på mønstre i opgaver, men det kan ikke selv afgøre, om en elev mangler faglig forståelse, sprogstøtte, motivation, ro, relationel støtte eller en anden undervisningsform.
U.S. Department of Education anbefaler en menneske-i-loop-tilgang til AI i undervisning, hvor mennesker bevarer kontrol over pædagogiske beslutninger. Det passer særligt til læringsplaner, fordi planen påvirker, hvad eleven får adgang til, hvilke forventninger der sættes, og hvordan progression vurderes.
Lærerens rolle er også at beskytte mod automatiseret fastlåsning. Hvis et system gentagne gange placerer en elev i lavere niveauer, kan planen komme til at bekræfte gamle mønstre i stedet for at skabe udvikling. Læreren bør derfor kunne se årsagen til anbefalingen og ændre den, når den pædagogiske vurdering taler for det.
Hvordan adskiller en læringsplan sig fra almindelig generativ AI?
En personaliseret læringsplan og en generativ chatbot er ikke det samme. En chatbot kan producere forklaringer, spørgsmål, eksempler og feedback i tekstform. En læringsplan organiserer derimod et forløb over tid: mål, startniveau, aktiviteter, evaluering, justering og opfølgning.
Generativ AI kan indgå som en komponent i planen. Den kan for eksempel skrive en ekstra forklaring på læsbar dansk, omskrive en opgave til et andet niveau eller give forslag til feedback. Men selve planlægningen kræver en mere stabil struktur omkring læringsmål, data, ansvar og dokumentation.
Det er samme skel, der findes i undervisning og læring med ChatGPT: værktøjet kan støtte samtale og materialeproduktion, men læringsdesignet skal stadig styres af faglige mål. En læringsplan skal derfor kunne fungere, selv når genereret tekst korrigeres, fjernes eller erstattes.
Hvilke fordele kan modellen give i undervisningen?
Den mest konkrete fordel er bedre overblik over variationen i en klasse. En lærer kan have mange elever med forskellige huller, styrker og tempoer. AI kan hjælpe med at samle signaler fra opgaver og foreslå grupperinger, ekstra træning eller nye materialer, så læreren ikke skal opdage alle mønstre manuelt.
AI kan også gøre feedback hurtigere. Hvis systemet registrerer, at flere elever misforstår samme begreb, kan læreren reagere tidligere med en fælles gennemgang. Hvis kun få elever har problemet, kan planen give mere målrettet støtte. Det kan især være nyttigt i fag, hvor små misforståelser skaber store problemer senere, for eksempel matematik, sprog og programmering.
En anden fordel er kontinuitet. En plan kan vise, hvilke mål eleven allerede har arbejdet med, hvilke opgaver der er sprunget over, og hvilke forklaringer der faktisk har hjulpet. Det gør det lettere at følge progression over tid, også når undervisningen skifter mellem klasseundervisning, gruppearbejde og selvstændige digitale forløb.
Hvilke begrænsninger og fejl skal håndteres?
AI-baserede læringsplaner kan give fejl på flere niveauer. Systemet kan måle det forkerte, tolke data for snævert eller foreslå opgaver, der passer til et mønster, men ikke til elevens reelle behov. Generativ AI kan desuden formulere feedback, der lyder sikker uden at være fagligt korrekt.
Bias i AI kan opstå, hvis træningsdata, testdata eller historiske vurderinger afspejler skæve forventninger til bestemte elevgrupper. Det kan for eksempel påvirke, hvilke elever der får sværere opgaver, mere støtte eller langsommere progression. En plan, der virker neutral, kan derfor stadig fordele muligheder ujævnt.
En læringsplan kan også blive for snæver. Hvis systemet hele tiden optimerer efter korte quizresultater, kan undervisningen dreje mod målbare delopgaver og væk fra kritisk tænkning, mundtlighed, samarbejde, kreativ problemløsning og faglig fordybelse. Den type læring er sværere at reducere til datapunkter.
Hvordan bør data og privatliv beskyttes?
Databeskyttelse begynder med dataminimering. En skole bør kun bruge de elevdata, der er nødvendige for det konkrete læringsformål, og undgå at samle følsomme oplysninger i et AI-system, hvis de ikke er nødvendige for planen. Adgang, sletning, lagring, leverandørens brug af data og placering af data skal kunne dokumenteres.
Det gælder også, når læringsplanen bruger eksterne AI-tjenester. Hvis elevsvar, noter eller vurderinger sendes til en API, skal skolen vide, om data bruges til modeltræning, hvor længe de gemmes, og hvem der kan tilgå dem. En teknisk gennemgang af data ved brug af AI API’er er derfor relevant, før systemet kobles til reelle elevdata.
UNESCOs vejledning om generativ AI i uddannelse fremhæver en menneskecentreret, alderspassende og sikker brug af teknologien. I praksis betyder det, at børn og unge ikke bør møde en uigennemsigtig AI-plan uden forklaring, tilsyn og mulighed for korrektion. Eleven skal kunne forstå, hvad planen betyder for næste skridt i læringen.
Hvilke EU-regler kan få betydning for skoler?
EU AI Act, Regulation (EU) 2024/1689, kan få betydning, når AI bruges i uddannelse på måder, der påvirker adgang, progression, vurdering eller andre beslutninger med væsentlig betydning for elever og studerende. For højrisiko-AI stiller forordningen blandt andet krav om risikostyring, datastyring, dokumentation, menneskeligt tilsyn, nøjagtighed, robusthed og cybersikkerhed.
Det betyder ikke, at alle digitale læringsværktøjer automatisk er højrisiko. En simpel stavehjælp eller et frivilligt øveværktøj er noget andet end et system, der placerer elever i niveauer, vurderer læringsudbytte eller påvirker adgang til uddannelsesmuligheder. Klassifikationen afhænger af formål, funktion og konsekvens.
For skoler og uddannelsesinstitutioner giver det mening at arbejde med AI-governance, før teknologien tages bredt i brug. Governance handler her om at placere ansvar, beslutte kontrolpunkter, dokumentere leverandørkrav og sikre, at lærere kan føre reelt tilsyn med systemets anbefalinger.
Hvordan kan en skole afprøve AI uden at gøre elever til testdata?
En forsvarlig afprøvning starter med et snævert læringsmål. Skolen kan vælge et afgrænset emne, bruge fiktive eller anonymiserede data i den første test og lade lærere vurdere kvaliteten af anbefalingerne, før systemet møder elevernes egne oplysninger. Det gør det muligt at opdage fejl uden at påvirke elevens faktiske forløb.
Næste skridt kan være en begrænset pilot med tydelig information til elever, forældre og medarbejdere. Piloten bør beskrive, hvilke data der bruges, hvad AI-systemet foreslår, hvem der godkender forslagene, og hvordan fejl rettes. Elever bør ikke miste muligheder, fordi et system eksperimenterer med deres progression.
En enkel beslutningsrækkefølge kan se sådan ud:
- Definer læringsmålet og de tegn på læring, der skal måles.
- Test systemet på fiktive eller anonymiserede eksempler.
- Vurder forslagene med faglærere og eventuelt specialpædagogisk kompetence.
- Afklar databeskyttelse, leverandørvilkår og adgangsstyring.
- Kør en begrænset pilot, hvor læreren kan ændre alle anbefalinger.
- Evaluer effekten, fejlene og elevernes oplevelse, før brugen udvides.
En intern AI-politik kan gøre afprøvningen mere ensartet, fordi den beskriver, hvilke typer data og beslutninger AI må bruges til, og hvornår menneskelig godkendelse er påkrævet.
Hvordan kan kvaliteten vurderes over tid?
Kvalitet i en AI-baseret læringsplan bør vurderes på mere end elevens klikrate eller gennemførte opgaver. Planen skal hjælpe eleven mod reelle læringsmål, og den skal gøre det på en måde, der er fagligt korrekt, forklarlig og rimelig. Det kræver både tekniske målinger og pædagogisk evaluering.
Skolen kan følge, om anbefalingerne faktisk fører til bedre forståelse, færre gentagne misforståelser og mere præcis feedback. Samtidig bør man undersøge, om bestemte elevgrupper oftere får lavere forventninger, flere gentagelser eller mindre udfordrende opgaver. Hvis mønsteret er skævt, skal systemet eller brugen af det ændres.
Kvaliteten bør også måles gennem lærerens arbejdsgang. Hvis AI-planen skaber så meget kontrolarbejde, at læreren bruger mindre tid på undervisning og relationer, er gevinsten mindre end den ser ud i systemets dashboard. En god læringsplan skal give bedre beslutningsgrundlag, ikke bare flere data.
Hvornår giver personalisering mest mening?
Personalisering giver mest mening, når elever arbejder mod klare mål, og når der findes brugbare tegn på progression. Det passer ofte til færdigheder, hvor opgaver kan opdeles i deltrin, for eksempel regnestrategier, ordforråd, grammatik, begrebsforståelse, programmeringsøvelser og repetitionsforløb.
Det giver mindre mening, hvis læringsmålet er åben undersøgelse, debat, kreativt samarbejde eller dannelse gennem fælles samtale. I de situationer kan AI stadig hjælpe med materialer eller støtte, men en alt for individuel plan kan svække det fælles rum, hvor elever lærer af hinanden.
Den praktiske balance er derfor ikke mere personalisering i alle situationer. Det er at bruge AI, når tilpasningen forbedrer læringen, og bevare fælles undervisning, faglig dialog og lærerens helhedsvurdering, når de er vigtigere end automatiseret individualisering.
Hvilke kilder ligger til grund?
Artiklen bygger især på U.S. Department of Educations rapport Artificial Intelligence and the Future of Teaching and Learning, UNESCOs vejledning om generativ AI i uddannelse og forskning, EU-Kommissionens retningslinjer for AI og data i undervisning og teksten til EU AI Act.