Hvor AI virkelig forbedrer læringsresultater, hvor det skaber friktion og hvad uddannelsesinstitutioner skal gøre herefter

Kunstig intelligens er HER i uddannelserne. Det former allerede, hvordan studerende lærer, hvordan undervisere underviser og hvordan institutioner vurderer præstationer. Spørgsmålet er ikke længere, om AI hører hjemme i klasselokalet. Studerende bruger det, arbejdsgivere forventer bekendtskab med det, og institutioner må beslutte, hvordan de skal reagere ansvarligt. Det centrale spørgsmål er, hvordan uddannelser kan udnytte AI til at forberede vores studerende på fremtidens arbejdsmarked.

Det, jeg ser i uddannelserne, er mindre ideologisk end offentlige debatter antyder. Studerende bruger AI, fordi det hjælper dem med at komme ud af kniben og gå videre. Undervisere eksperimenterer, fordi de vil støtte læring uden at undergrave standarder. Administratorene prøver at etablere retningslinjer, der reflekterer virkeligheden snarere end frygt. Som sådan tvinger AI uddannelserne til at overveje, hvad det betyder at demonstrere forståelse, originalitet og mesterlighed fra starten.

På Westcliff University har vores tilgang været praktisk. Vi ser på resultater, observerer, hvad der sker i rigtige kurser, lytter til undervisere og studerende og justerer derefter. Denne proces har afsløret en tydelig mønster: AI forbedrer læring, når det er indlejret i bevidst design, og det skaber problemer, når det behandles som enten en genvej eller en trussel.

Hvor AI virkelig forbedrer læring

Det fælles træk i de områder, der er identificeret nedenfor, er ikke automatisering, men kognition. AI accelererer feedback, klargør tænkning og støtter iteration uden intellektuel ansvar fra studerenden.

Guidet praksis og rettidig feedback

De stærkeste læringsgevinster viser sig, når AI bruges til guidet praksis. Studerende har gavn af, at de kan stille et spørgsmål, modtage en forklaring, prøve igen og få øjeblikkeligt feedback. Denne feedback-løkke er central for læring, især i store eller asynkrone kurser, hvor individuel underviseropmærksomhed er begrænset.

Veludformede AI-støtteværktøjer leverer ikke svar, men giver målrettede, retningsskabende feedback for at holde studerende engageret i opdagelsesprocessen. Når AI er designet til at udløse, stille spørgsmål og understøtte tænkning snarere end at løse usikkerhed, spejler det, hvordan stærk peer-læring støtter dybere forståelse.

En 2025-studie i Scientific Reports fandt, at studerende, der brugte en AI-lærer, lærte mere effektivt end dem i en sammenligningsgruppe, og de gjorde det med højere engagement og motivation. Pointen er ikke, at AI erstatter undervisning. Det er, at hyppig, rettidig feedback accelererer forståelse, og AI kan hjælpe med at levere denne type feedback i stor målestok.

AI kan også styrke skrivning, når det bruges til at støtte revision snarere end at erstatte forfatterskab.

Mange studerende kæmper med at organisere ideer, klargøre argumenter eller revisere effektivt. Når AI bruges på en passende måde, kan det hjælpe med at afsløre strukturelle svagheder, identificere uklar tænkning og opmuntre klarere tænkning.

På samme tid må studerende lære at engagere sig ansvarligt med AI. Dette inkluderer at forstå, hvordan man kan udforme effektive prompts, genkende, når en AI-respons kan indeholde hallucinationer eller ubeskedne oplysninger, og verificere påstande mod pålidelige kilder. At lære studerende at stille spørgsmål ved AI-udgangspunkter snarere end at acceptere dem passivt beskytter integriteten af deres arbejde og styrker deres kritiske tænkning.

Forskellen på læring og genvej kommer til syne, når man ser på forventningerne. Når undervisere kræver konturer, udkast og korte refleksioner, der forklarer, hvad der ændrede sig og hvorfor, forbliver studerende ansvarlige for deres tænkning. De forbliver aktivt involverede i at forme arbejdet snarere end at outsourcere det, og de er de eneste, der i sidste ende træffer beslutningerne. En 2025-systematisk gennemgang af store sprogmodeller i uddannelse identificerer skrivning og feedback som store anvendelsesområder, mens den også advarede mod overafhængighed.

Uden for udkast og revision kan AI også fungere som en dialogpartner, der udfordrer en studerendes argument – spørger, hvorfor en påstand er vigtig, hvad bevis kan mangle eller hvordan en bestemt målgruppe kan reagere. På denne måde bliver skrivning mindre af en indsendelsesøvelse og mere en proces for intellektuel forsvar og forbedring. At vurdere denne proces giver undervisere værdifuld indsigt i udviklingen af en studerendes kritiske skrivningstænkning.

Reducerer barrierer for studerende, der har brug for støtte

AI kan reducere friktion for flersprogede lærere, første-generationsstuderende og voksne, der returnerer, ved at tilbyde personlige forklaringer, eksempler og opklaring påkrævet. Dette erstatter ikke undervisning. Det reducerer unødvendige barrierer, så studerende kan deltage mere fuldt ud.

Den virkelige mulighed ligger i adaptiv støtte, der justerer i realtid og bevidst reducerer støtte, efterhånden som kompetence vokser. Når AI bruges til at kalibrere udfordringer snarere end at eliminere dem, bygger studerende tillid gennem demonstreret fremgang, ikke afhængighed.

Giver underviserne tid tilbage til undervisning

AI kan hjælpe undervisere med tidskrævende opgaver som udarbejdelse af vurderingskriterier, generering af eksempelspørgsmål, sammenfatning af diskussionstråde eller produktion af første-gangs feedback-forslag. Fordelen kommer, når underviserne geninvesterer den sparede tid i højere-værdi-arbejde: bedre opgave-design, rigere diskussion og mere direkte studerende-støtte.

Hvor institutioner støder på friktion

Vurderingsvaliditet er den centrale udfordring

Det alvorligste problem med læringsevaluering er ikke plagiat i traditionel forstand. Det er, at mange almindelige vurderinger ikke længere måler læring effektivt, når AI er let tilgængeligt.

Studerendes AI-adopteringsrate er allerede udbredt. Den HEPI og Kortext Student Generative AI Survey 2025 rapporterede, at 92% af studerende brugte AI på en eller anden måde, og 88% brugte det til vurderinger. Hvis en opgave kan afsluttes med minimal forståelse, fungerer den ikke længere som en gyldig måling af læringsresultater.

Dette er, hvorfor debatter om integritet består. AI afslører svaghederne i traditionelle vurderinger. Når vurdering er svag, vokser mistanken. Stærkere eller bedre designede målinger reducerer denne spænding.

Politisk efterslæb og inkonsistens

Mange institutioner er stadig ved at indhente. Den 2025 EDUCAUSE AI Landscape Study rapporterede, at færre end 40% af de undersøgte institutioner havde formelleacceptable-brugs-politikker på plads på tidspunktet for rapporten.

I manglen på klarhed fastsætter undervisere deres egne regler, og studerende modtager blandede signaler. En kursus opmuntre til eksperimenter, en anden forbinder AI fuldstændigt. Denne inkonsistens undergraver tillid og gør det sværere at undervise i etisk brug af AI og opnå fordelene.

Præstationsgevinster uden varig færdighed

AI kan forbedre kortvarig præstation uden at bygge langvarig kapacitet. En 2025-felt-eksperiment, der undersøgte GPT-4-baseret vejledning i matematik, viste, at selv om AI-vejledning forbedrede præstation under øvelser, underpræsterede studerende nogle gange, når værktøjet blev fjernet. Den institutionelle risiko ligger i at forveksle kortvarig præstationsforbedring med varig kapacitet, især når AI maskerer huller, der kun kommer til syne, når værktøjet er fjernet. Implikationen er ligefrem. AI kan reducere produktiv kamp, og kamp er ofte, hvor læring finder sted. Hvis AI-designet fjerner for meget kognitiv indsats, kan studerende synes kompetente uden at udvikle uafhængig kompetence.

Ligebehandlingsproblemer skifter

AI har potentialet til at demokratisere støtte, men det kan også udvide kløfter, hvis adgang og AI-litteracitet varierer. Studerende med bedre enheder, betalte værktøjer og mere erfaring med at bruge AI har fordele, der ikke altid er synlige.

Ligebehandlingsvirkninger strækker sig ud over adgang til værktøjer. AI former mere og mere, hvordan studerende håndterer tid, kognitivt pres og emotionel belastning, især for dem, der balancerer arbejde, omsorg, sprogbarrierer eller genindtræden i uddannelse. Når AI bruges godt, kan det jævne ud læringsfeltet, stabilisere læring og bygge tillid. Når AI bruges urent, kan det dybe usynlige uligheder.

Styring og data-forvaltning

Da AI bliver indlejret i vejledning, vejledning og vurdering, bliver styring et akademisk kvalitetsproblem. Institutioner må forstå, hvordan studentdata bruges, hvordan leverandører håndterer det, og hvordan ligebehandling overvåges.

Rammer som NIST AI Risk Management Framework giver struktur, men styring fungerer kun, når det anvendes samarbejdende og gennemsigtigt. I en AI-aktiveret institution som Westcliff fungerer styringsbeslutninger mere og mere som akademisk kvalitetssikring, der direkte former tillid til kreditter, vurderingsintegritet og institutionel rygte.

Hvad uddannelsesledere skal prioritere

1. Redesign vurdering for at gøre læring synlig

AI-opdagelse er ikke en langsigts løsning. Det er reaktivt og konfliktfyldt og løser ikke det underliggende målingsproblem.

En mere holdbar tilgang er vurderings-redesign, der fremhæver tænkning, videnbehandling og præstation. Dette kan inkludere mundtlige forsvar, strukturerede opfølgende spørgsmål, procesbaseret bedømmelse med udkast og refleksioner, anvendte projekter grundet i virkelige begrænsninger og klasse-syntese-opgaver.

På Westcliff har vi brugt en mundtlig respons-tilgang som en del af denne ændring. Et eksempel er Socratic Metric, et AI-aktiveret vurderingsramme, der erstatter skriftlige diskussions-spørgsmål med optagede studerendesponser på åbne prompter grundet i kursusmateriale og i nogle tilfælde en studerendes eget tidligere skrivning. Studerende modtager øjeblikkeligt feedback, der opmuntre til udvidelse og klargørelse. Undervisere kan gennemgå studerendesponser for at vurdere dybden af forståelse og ægthed.

Målet er ikke gennemførelse. Det er synlighed. Mundtlig respons-format afslører, hvordan studerende tænker under iterativ opfølgning, hvilket er svært at outsourcere og lettere at vurdere meningsfuldt. Socratic Metric er blot et eksempel på mange mulige tilgange. Det bredere punkt er, at vurdering må udvikles for at fokusere på tænkning, ikke kun output.

Et nyttigt ledelsesspørgsmål er enkelt: Hvis en studerende bruger AI på denne opgave, måler det stadig det ønskede læringsresultat? Hvis svaret er uklart, er det, hvor redesign skal begynde.

2. Behandle AI-litteracitet som en kerne-læringsudgang

Studerende kommer ind i en arbejdsstyrke, hvor AI vil være indlejret i daglig arbejde. De har brug for færdighed i dømmekraft, ikke kun bekendtskab.

Den World Economic Forum’s Future of Jobs Report 2025 fremhæver den voksende betydning af AI og data-relaterede færdigheder sammen med kreativ tænkning og robusthed. AI-litteracitet bør inkludere forståelse af styrker og begrænsninger, genkendelse af bias og usikkerhed, verificering af output, ansvarlig datahåndtering og viden om, hvordan man bruger AI effektivt.

Dette handler ikke om at gøre hver enkelt studerende til en teknisk ekspert. Det handler om at uddanne mennesker, der kan samarbejde med AI tankefuldt og etisk. Plus, AI-litteracitet strækker sig ud over studerende-udgangspunkter; det er en institutionel kapacitet. Undervisere, administratorer og akademiske ledere kræver alle fælles flydende for at sikre konsistens, retfærdighed og troværdighed på tværs af læringsoplevelsen.

3. Sæt styring på plads, der bygger tillid

God styring bør ikke langsommeliggøre innovation, men være en vækststrategi, der hjælper AI med at skale hurtigere og pålideligt. Det betyder normalt en lille, tværfunktionel gruppe, der inkluderer akademisk ledelse, IT, juridisk/privatliv og studerende-støtte med klare roller og beslutningsrettigheder.

Det kræver også at være ligetil og gennemsigtigt. Undervisere og studerende skal vide, hvor AI bruges, hvilke data indsamles (og hvilke ikke), hvem der kan få adgang til det og hvordan beslutninger træffes. Når disse grundlæggende principper er klare, er mennesker langt mere villige til at adoptere nye værktøjer, fordi de føler sig informerede og beskyttede.

4. Investér i underviser-aktivering

Undervisere er nøglen til meningsfuld AI-integration. De har brug for praktisk støtte, ikke kun politik-erklæringer.

De mest effektive indsatsen er hånd-til-hånd: opgave-redesign-workshops, eksempler på effektiv praksis, klare vurderingskriterier og fællesskaber, hvor undervisere kan dele, hvad der fungerer. Når undervisere forstår både styrker og begrænsninger af AI, vil de være i stand til at designe bedre læringsoplevelser.

At støtte undervisere i denne overgang betyder også at anerkende en dybere ændring fra at være primære kilder af indhold til at blive designere af læring, evalueringer af tænkning og vogtere af akademisk dømmekraft.

5. Mål påvirkning, ikke adoption

AI skal vurderes som ethvert andet instruktions-intervention. Adoption alene indikerer ikke succes.

De rigtige spørgsmål er resultatorienterede: Retainer studerende viden? Overfører de eller generaliserer de deres læring inden for nye sammenhænge? Er ligebehandlingskløfterne mindskende eller udvidende? Viser uddannede uafhængig dømmekraft?

Hvis institutioner ikke måler disse anden-ordens effekter, risikerer de at optimere for effektivitet, mens de stille og roligt undergraver tillid, ligebehandling og langvarig kapacitet. At måle påvirkning i en AI-aktiveret institution kræver at se ud over præstations-metrikker for at forstå, hvem der har gavn, hvem der kæmper og hvilke former for indsats bliver forstærket eller reduceret.

AI er en forstærker. Hvad den forstærker, er op til os.

Ved at vide, at AI-integration er en sikkerhed, er den afgørende spørgsmål for uddannelsesledere, om institutioner vil redesigne læring bevidst eller tillade ældre modeller at underminere under dens vægt.

AI er hverken instrinsisk godt eller ondt. Det forstærker blot, hvad et lærings-system allerede belønner, uanset om systemet er effektivt eller ineffektivt.

Hvis uddannelse belønner overfladisk afslutning, vil AI accelerere det. Hvis institutioner designer for tænkning, refleksion og ægte præstation, kan AI støtte dybere læring og bedre arbejdsstyrke-forberedelse.

De institutioner, der lykkes, vil redesigne vurdering, undervise AI-litteracitet som en kernekompetence og styre AI på måder, der beskytter tillid, mens de tillader ansvarlig innovation. Det er den næste fase af akademisk ledelse.