Hvor AI faktisk forbedrer læringsresultatene, hvor det skaper friksjon, og hva høyere utdanning bør gjøre neste

Kunstig intelligens er HER i høyere utdanning. Det former allerede hvordan studenter lærer, hvordan lærere underviser og hvordan institusjoner vurderer prestasjoner. Spørsmålet er ikke lenger om AI hører hjemme i klasserommet. Studenter bruker det, arbeidsgivere forventer kjennskap til det, og institusjoner må bestemme hvordan de skal respondere ansvarlig. Det viktigste spørsmålet er hvordan høyere utdanning kan bruke AI til å forberede studentene våre for fremtidens arbeidsliv.

Hva jeg ser over hele høyere utdanning er mindre ideologisk enn offentlige debatter antyder. Studenter bruker AI fordi det hjelper dem å komme ut av vanskeligheter og gå videre. Lærere eksperimenterer fordi de ønsker å støtte læring uten å undergrave standarder. Administratorene prøver å etablere retningslinjer som reflekterer virkeligheten snarere enn frykt. Som sådan tvinger AI høyere utdanning til å reevaluere hva det betyr å demonstrere forståelse, originalitet og mesterlighet fra første sted.

På Westcliff University, har vår tilnærming vært praktisk. Vi ser på resultater, observerer hva som skjer i virkelige kurs, lytter til lærere og studenter, og så justerer vi. Den prosessen har avdekket et tydelig mønster: AI forbedrer læring når det er innbygget i bevisst design, og det skaper problemer når det behandles som enten en kortvei eller en trussel.

Hvor AI faktisk forbedrer læringsresultatene

Den felles tråden i områdene som er identifisert nedenfor, er ikke automatisering, men kognisjon. AI akselererer tilbakemelding, klargjør tenkning og støtter iterasjon uten intellektuell ansvar fra studenten.

Veiledet praksis og rettidig tilbakemelding

De sterkeste læringsgevinstene synes å oppstå når AI brukes til veiledet praksis. Studenter drar nytte av å kunne stille et spørsmål, motta en forklaring, prøve igjen og få umiddelbar tilbakemelding. Den tilbakemeldingsløkken er sentral for læring, spesielt i store eller asynkroniske kurs hvor individuell læreroppsyn er begrenset.

Vel designede AI-støtteredskaper leverer ikke svar, men gir målrettede, retningssøkende tilbakemeldinger for å holde studentene engasjert i oppdagelsesprosessen. Når AI er designet for å fremme, stille spørsmål og støtte tenkning snarere enn å løse usikkerhet, speiler det måten sterke peer-læring støtter dypere forståelse.

En 2025-studie i Scientific Reports fant at studenter som brukte en AI-tutor lærte mer effektivt enn de i en sammenligningsgruppe, og de gjorde det med høyere engasjement og motivasjon. Takeaway-en er ikke om AI erstatter undervisning. Det er at hyppig, rettidig tilbakemelding akselererer forståelse, og AI kan hjelpe med å levere denne typen tilbakemelding i stor skala.

AI kan også styrke skriving når det brukes til å støtte revisjon snarere enn å erstatte forfatterskap.

Mange studenter sliter med å organisere ideer, klargjøre argumenter eller revidere effektivt. Brukt på riktig måte, kan AI hjelpe med å avdekke strukturelle svakheter, identifisere uklar resonnering og fremme klarere tenkning.

Samtidig må studenter lære å engasjere AI ansvarlig. Dette inkluderer å forstå hvordan man kan lage effektive spørsmål, gjenkjenne når en AI-respons kan inneholde hallucinasjoner eller uakkuratheter, og verifisere påstander mot pålitelige kilder. Å lære studenter å stille spørsmål ved AI-utdata snarere enn å akseptere dem passivt beskytter integriteten av deres arbeid og styrker deres kritiske tenkning.

Forskjellen mellom læring og kortvei kommer til slutt ned til forventninger. Når lærere krever omriss, utkast og korte refleksjoner som forklarer hva som endret seg og hvorfor, forblir studentene ansvarlige for deres tenkning. De forblir aktivt engasjert i å forme arbeidet snarere enn å outsourcere det, og de forblir de som til slutt tar avgjørelser. En 2025-systematisk gjennomgang av store språkmodeller i utdanning identifiserer skriving og tilbakemelding som store bruksområder, samtidig som den også advarer mot overavhengighet.

Forbi utkast og revisjoner, kan AI også fungere som en dialogpartner som utfordrer en students argument—spør hvorfor en påstand er viktig, hva bevis som kan mangle, eller hvordan en bestemt publikum kan reagere. På denne måten blir skriving mindre av en innsendingsøvelse og mer av en prosess for intellektuell forsvar og forbedring. Å vurdere denne prosessen gir lærere verdifull innsikt i utviklingen av en students kritiske skriveevne.

Reduserer barrierer for studenter som trenger støtte

AI kan redusere friksjon for flerspråklige lærende, første-generasjons studenter og voksne som returnerer til utdanning ved å tilby personlige forklaringer, eksempler og klargjøring på forespørsel. Dette erstatter ikke undervisning. Det senker unødvendige barrierer så studenter kan delta mer fullstendig.

Den virkelige muligheten ligger i adaptiv støtte som justerer i sanntid og taper støtte bevisst når kompetansen vokser. Når AI brukes til å kalibrere utfordringer snarere enn å eliminere dem, bygger studenter tillit gjennom demonstrert fremgang, ikke avhengighet.

Gir lærere tid tilbake for undervisning

AI kan assistere lærere med tidkrevende oppgaver som å lage rubrikker, generere eksempelspørsmål, summerer diskusjonstråder eller produserer første-utkast tilbakemeldinger. Fordelen kommer når lærere investerer den sparedde tiden i høyere-verdi-arbeid: bedre oppgavedesign, rikere diskusjon og mer direkte studentstøtte.

Hvor institusjoner møter friksjon

Vurderingsgyldighet er den sentrale utfordringen

Det alvorligste problemet med læringsvurdering er ikke plagiering i klassisk forstand. Det er at mange vanlige vurderinger ikke lenger måler læring effektivt når AI er lett tilgjengelig.

Studentenes AI-adoptsjon er allerede utbredt. HEPI og Kortext Student Generative AI Survey 2025 rapporterte at 92% av studentene brukte AI på noen måte, og 88% brukte det for vurderinger. Hvis en oppgave kan fullføres med minimal forståelse, fungerer den ikke lenger som en gyldig måling av læringsresultater.

Dette er hvorfor debatter om integritet varer. AI avdekker svakhetene i tradisjonelle vurderinger. Når vurdering er svak, vokser mistanken. Større eller bedre designet måling reduserer denne spenningen.

Politisk forsinkelse og inkonsistens

Mange institusjoner er fortsatt i ferd med å holde pace. 2025 EDUCAUSE AI Landscape Study rapporterer at færre enn 40% av de undersøkte institusjonene hadde formelle akseptable-brukspolitikker på plass på tidspunktet for rapporteringen.

I fravær av klarhet, setter lærere sine egne regler og studenter mottar blandede signaler. En kurs oppmuntret til eksperimentering, en annen forbød AI helt. Denne inkonsistensen undergraver tillit og gjør det vanskeligere å undervise i etisk bruk av AI og å fremme fordeler.

Ytelsesgevinst uten varig ferdighet

AI kan forbedre korttidsytelse uten å bygge langtidskapasitet. En 2025-felt-eksperiment som undersøker GPT-4-basert veiledning i matematikk viste at mens AI-veiledning forbedret ytelse under praksis, underpresterte studenter noen ganger når verktøyet ble fjernet. Den institusjonelle risikoen ligger i å forveksle korttidsytelsesgevinst med varig kapabilitet, spesielt når AI maskerer gap som bare kommer til overflaten når verktøyet er fjernet. Implikasjonen er enkel. AI kan redusere produktiv kamp, og kamp er ofte der læring skjer. Hvis AI-designet fjerner for mye kognitiv innsats, kan studenter se ut til å være dyktige uten å utvikle uavhengig kompetanse.

Equity-bekymringer endrer seg

AI har potensialet til å demokratisere støtte, men det kan også åpne gap hvis tilgang og AI-litteratur varierer. Studenter med bedre enheter, betalte verktøy og mer erfaring med å bruke AI, har fordeler som ikke alltid er synlige.

Equity-påvirkninger strekker seg utover tilgang til verktøy. AI former stadig hvordan studenter håndterer tid, kognitiv belastning og emosjonell belastning, spesielt for de som balanserer arbeid, omsorg, språkbarrierer eller gjeninntreden i utdanning. Når brukt på riktig måte, kan AI jevne ut spillere, stabilisere læring og bygge tillit. Når brukt ujevn, kan det dype usynlige ulikheter.

Styring og data-forvaltning

Når AI blir innbygget i rådgivning, veiledning og vurdering, blir styring et akademisk kvalitetsproblem. Institusjoner må forstå hvordan studentdata brukes, hvordan leverandører håndterer det, og hvordan equity overvåkes.

Rammer som NIST AI Risk Management Framework gir struktur, men styring fungerer bare når det brukes samarbeidende og gjennomsiktig. I en AI-aktiv institusjon som Westcliff, fungerer styringsbeslutninger stadig mer som akademisk kvalitetssikring, som direkte former tillit til kreditter, vurderingsintegritet og institusjonens omdømme.

Hva høyere utdanningsledere bør prioritere

1. Redesign vurdering for å gjøre læring synlig

AI-avdekning er ikke en langtidsøkning. Det er reaktivt og konfronterende, og det løser ikke det underliggende målingsproblemet.

En mer varig tilnærming er vurderingsredesign som betoner resonnering, kunnskapsbehandling og prestasjon. Dette kan inkludere muntlige forsvar, strukturerte oppfølgende spørsmål, prosessbasert vurdering med utkast og refleksjoner, anvendte prosjekter basert på virkelige begrensninger og klasseromsyntesetasks.

På Westcliff, har vi brukt en muntlig-respons-tilnærming som en del av denne skiftet. Et eksempel er Socratic Metric, et AI-aktivt vurderingsrammeverk som erstatter skriftlige diskusjonsspørsmål med innspilte studentresponser på åpne spørsmål basert på kursmateriale og, i noen tilfeller, en students egen tidligere skriving. Studenter mottar umiddelbar tilbakemelding som oppmuntrer til utdypning og klargjøring. Lærere kan se studentresponser for å vurdere dybden av forståelse og autentisitet.

Målet er ikke å tvinge. Det er synlighet. Muntlige-respons-format avdekker hvordan studenter tenker under iterative oppfølging, som er vanskelig å outsourcere og enklere å vurdere meningsfullt. Socratic Metric er ett eksempel blant mange mulige tilnærminger. Det bredere poenget er at vurdering må utvikles for å fokusere på tenkning, ikke bare utgang.

En nyttig leder-spørsmål er enkelt: hvis en student bruker AI på denne oppgaven, måler det fortsatt det ønskede læringsresultatet? Hvis svaret er uklart, der er redesign skal begynne.

2. Behandle AI-litteratur som en kjerne-læringsresultat

Studenter går inn i en arbeidsplass hvor AI vil være innbygget i daglig arbeid. De trenger ferdighet i dømmekraft, ikke bare kjennskap.

World Economic Forum’s Future of Jobs Report 2025 fremhever den voksende betydningen av AI og data-relaterte ferdigheter sammen med kreativ tenkning og motstandsevne. AI-litteratur bør inkludere forståelse av styrker og begrensninger, gjenkjenning av bias og usikkerhet, verifisering av utdata, håndtering av data ansvarlig og å vite hvordan man kan bruke AI effektivt.

Dette handler ikke om å gjøre hver enkelt student til en teknisk ekspert. Det handler om å utdanne mennesker som kan samarbeide med AI tankefullt og etisk. Pluss, AI-litteratur går utover studentresultater, det er en institusjonell evne. Lærere, administratorer og akademiske ledere trenger alle felles flytighet for å sikre konsistens, rettferdighet og troverdighet over hele læringsopplevelsen.

3. Sett i gang styring som bygger tillit

God styring bør ikke bremse innovasjon, det bør være en vekststrategi som hjelper AI å skale raskere og pålitelig. Det betyr vanligvis en liten, tverrfunksjonell gruppe som inkluderer akademisk ledelse, IT, juridisk/privatliv og studentstøtte, med klare roller og beslutningsrettigheter.

Det trenger også å være enkelt og synlig. Lærere og studenter bør vite hvor AI brukes, hva slags data som samles inn (og hva som ikke), hvem som kan få tilgang til det og hvordan beslutninger fattes. Når disse grunnleggende tingene er klare, er mennesker mye mer villige til å adoptere nye verktøy fordi de føler seg informert og beskyttet.

4. Investere i lærer-aktivisering

Lærere er nøkkel til meningsfull AI-integrasjon. De trenger praktisk støtte, ikke bare politiske uttalelser.

De mest effektive innsatsene er hånd-til-hånd: oppgavedesign-verksteder, eksempler på effektiv praksis, klare rubrikker og samfunn hvor instruktører kan dele hva som fungerer. Når lærere forstår både styrkene og begrensningene til AI, vil de være i stand til å designe bedre læringsopplevelser.

Støtte til lærere i denne overgangen betyr også å anerkjenne en dypere skift fra å være primære kilder til innhold til å bli designere av læring, evalueringer av tenkning og forvaltere av akademisk dømmekraft.

5. Måle innvirkning, ikke adopsjon

AI bør vurderes som enhver annen instruksjonsintervensjon. Adopsjon alene indikerer ikke suksess.

De riktige spørsmålene er resultatorienterte: Beholder studenter kunnskap? Overfører de eller generaliserer de læringen innen nye sammenhenger? Er equity-gapene trangere eller videre? Viser absolventer uavhengig dømmekraft?

Hvis institusjoner ikke måler disse sekundære effektene, risikerer de å optimere for effisiens samtidig som de undergraver stille tillit, equity og langtidskapasitet. Å måle innvirkning i en AI-aktiv institusjon krever å se utover prestasjonsmetrikker for å forstå hvem som drar nytte, hvem som sliter og hva slags innsats som forsterkes eller reduseres.

AI er en forsterker. Hva den forsterker, er opp til oss.

Ved å vite at AI-integrasjon er en sikkerhet, er det avgjørende spørsmålet for høyere utdanningsledere om institusjoner vil redesigne læring bevisst eller la legacy-modeller erosere under dens vekt.

AI er hverken inherrent nyttig eller skadelig. Det forsterker bare hva et læringsystem allerede belønner, enten det systemet er effektivt eller ueffektivt.

Hvis høyere utdanning belønner overfladisk fullføring, vil AI akselerere det. Hvis institusjoner designer for resonnering, refleksjon og autentisk prestasjon, kan AI støtte dypere læring og bedre arbeidsplassforberedelse.

Institusjonene som lykkes, vil redesigne vurdering, undervise AI-litteratur som en kjernekompetanse og styre AI på måter som beskytter tillit samtidig som de tillater ansvarlig innovasjon. Det er den neste fasen av akademisk ledelse.