Da generativ AI blev allemandseje, blev mange lærere kastet ud i et nyt og ubehageligt spørgsmål: Hvordan ved vi, om eleven faktisk har lært noget, når en chatbot kan levere en velskrevet tekst på sekunder? Matt Miller tager dette dilemma alvorligt i AI for Educators (2023), men bogen er langt fra en alarmklokke. Den er snarere en pædagogisk værktøjskasse, der viser, hvordan AI kan bruges til at styrke undervisning, reducere tidsspild og – vigtigst – flytte vurderingskulturen i retning af dybere forståelse. Set fra et pædagogisk-psykologisk perspektiv er bogens kerneidé enkel: Når teknologien ændrer, hvad der er let at producere, må skolen ændre, hvad den belønner. Denne artikel forklarer bogens hovedpointer, supplerer med nyere indsigt om AI i uddannelse og giver konkrete strategier for læring, motivation, vurdering og klasseledelse i en AI-drevet skolehverdag.
\n\nMiller peger på noget, mange lærere allerede har erfaret: opgaver som hjemmeessays, refleksionsnotater og "skriv en tekst om ..." var designet til en tid, hvor tekstproduktion var et tydeligt tegn på elevens kompetence. Med generativ AI er tekstmængde ikke længere et pålideligt mål for forståelse. Pædagogisk psykologi skelner ofte mellem præstation (det vi kan producere her og nu) og læring (varig ændring i viden og færdigheder). Når AI kan løfte præstationen, uden at eleven har gjort det kognitive arbejde, øges risikoen for en farlig illusion: at "produktet" ser godt ud, mens læringen er svag.
\nEt relevant begreb er kognitiv anstrengelse. Dyb læring kræver ofte, at eleven skal hente viden frem, fejle, justere og prøve igen. Hvis AI bruges som en genvej, der fjerner denne anstrengelse, kan det svække etableringen af begrebsnetværk, automatisering af grundfærdigheder og evnen til transfer. Miller argumenterer derfor ikke for mere kontrol alene, men for smartere læringsdesign: vurderingsformer og aktiviteter, der gør tænkning synlig.
\n\nAI for Educators kan læses som et skifte i lærerrollen. I stedet for at bruge energien på at afsløre AI-brug opfordrer Miller til at bygge undervisning, hvor AI enten (1) ikke giver "gratis gevinst", fordi vurderingen kræver autentisk forståelse, eller (2) bruges åbent som et læringsværktøj, på samme måde som lommeregner og søgemaskine blev integreret i skolen. Han bruger historiske paralleller: lommeregneren "dræbte" ikke matematik, men flyttede fokus mod ræsonnement; søgemaskinen "dræbte" ikke viden, men gjorde kildekritik og informationskompetence mere centralt.
\nEn kort pointe fra bogens budskab kan opsummeres således (parafraseret): Når teknologien ændrer, hvad elever kan producere, skal skolen ændre, hvad den vurderer. Miller udtrykker dette i samme ånd som følgende idé: AI er ikke bare en trussel mod autentisk arbejde – det er også en mulighed for at gøre læring mere meningsfuld
. (Citatet er kort og brugt til at belyse hovedperspektivet.)
Et af de mest handlingsrettede kapitler i bogen handler om vurdering. Miller foreslår flere vurderingsformer, der er robuste i mødet med AI – ikke fordi de forbyder værktøjer, men fordi de gør elevens forståelse observerbar. Her er fire af de mest relevante, med pædagogisk-psykologisk begrundelse:
\n\nKorte, uforberedte forklaringer ("forklar fotosyntesen uden noter", "hvad er hovedargumentet i teksten, vi læste?") fremtvinger retrieval practice – det at hente viden frem fra hukommelsen. Dette er en af de bedst dokumenterede læringsstrategier inden for kognitiv psykologi. Mundtlige vurderinger afslører også misforståelser og overfladisk forståelse, der let skjules i en poleret AI-tekst.
\n\nNår elever skriver, regner eller løser problemer, mens læreren følger processen, kan man vurdere ræsonnement, strategibrug og metakognition. Et enkelt greb er at kræve "tænk-højt"-forklaringer eller korte refleksionsstop: "Hvorfor valgte du denne metode?" Dette reducerer chancen for, at slutproduktet alene bliver facit.
\n\nMiller fremhæver vurderingsformer, der kræver syntese, perspektivtagning og formidling. I pædagogik handler dette om at vurdere kompetence gennem anvendelse og transfer: Kan eleven bruge viden i en ny kontekst? En podcast om historiske perspektiver eller en visuel forklaringsmodel gør det sværere at "lade som om" man forstår, fordi man skal træffe valg og begrunde dem.
\n\nI gruppediskussioner skal eleven svare på modargumenter og justere tankerne i realtid. Dette ligner autentiske kompetencekrav i arbejdslivet: samarbejde, argumentation og kommunikation. Derudover støtter det socialkonstruktivistiske læringsteorier, hvor forståelse udvikles gennem dialog.
\n\nBogen er tydelig på, at AI ikke bare er et problem, der skal "håndteres", men et værktøj, der kan styrke pædagogik, når brugen er tydeligt indrammet. Miller foreslår bl.a.:
\n\nAI kan omskrive tekster til forskellige niveauer, lave forklaringer med flere eksempler eller give støttebegreber. Pædagogisk psykologi kalder dette at tilpasse støtte inden for elevernes nærmeste udviklingszone. Et praktisk eksempel: Samme fagindhold kan findes i tre versioner – enkel, standard og avanceret – hvor alle arbejder mod det samme læringsmål, men med varierende sproglig kompleksitet.
\n\nMiller beskriver en "trinvis feedback-model": AI kan give den første tilbagemelding på struktur, sprog og tydelighed, mens læreren bruger tiden på faglig dybde, ræsonnementer og misforståelser. For læring er dette vigtigt, fordi hyppige feedbacksløjfer kan øge motivation og mestring – især når eleven får mulighed for at revidere flere gange før endelig vurdering.
\nOpdateret perspektiv (2024–2025): Erfaringer fra skoler internationalt tyder på, at AI-feedback fungerer bedst, når elever får klare kriterier og skal aflevere en kort "ændringslog" (hvad de ændrede og hvorfor). Dette fremmer metakognition og reducerer passiv accept af AI-forslag.
\n\nEt konkret greb, Miller foreslår, er at bruge AI "live", når vanskelige spørgsmål dukker op: Læreren kan demonstrere, hvordan man stiller gode spørgsmål (prompting), og derefter evaluere svaret kritisk sammen med klassen. Her kobles digital kompetence til klassisk kildekritik: Hvad er påstanden? Hvilke kilder burde støtte den? Hvilke begreber mangler? Hvad kan være forkert?
\n\nEn af de mest interessante metoder i bogen er en udvidet variant af Think–Pair–Share. Eleverne tænker først alene, diskuterer i par, konsulterer AI for modargumenter/eksempler, diskuterer på ny og deler i plenum. Pædagogisk-psykologisk set er dette værdifuldt af tre grunde:
\nPraktisk tip: Lad eleverne aflevere et kort notat til sidst med to kolonner: "Dette mente vi før AI" og "Dette ændrede vi efter AI (med begrundelse)". Så vurderer du læring, ikke bare slutprodukt.
\n\nMiller beskriver AI som debatpartner og som rollefigur i historiske samtaler. Dette kan virke som "edtech-underholdning", men det rammer flere centrale mekanismer inden for pædagogisk psykologi:
\nCase-eksempel (klasseværelse): I samfundsfag kan elever debattere klimapolitik med AI, der repræsenterer forskellige interessenter (kommuneøkonom, ungdomspolitiker, industriledare). Bagefter skal eleverne identificere, hvilke værdier og antagelser der styrede argumenterne, og koble det til teori om interessekonflikter.
\n\nMiller er tydelig på, at AI bedst fungerer som et "førstudkast-værktøj". Eksempler:
\nVigtig opdatering: Skoler bør etablere tydelige rutiner for databeskyttelse. Indtast ikke følsomme elevdata i åbne AI-tjenester uden godkendelse og databehandleraftaler. Mange kommuner og regioner har i 2024–2025 strammet praksis netop af denne grund.
\n\nMod slutningen af bogen løfter Miller blikket: Eleverne arver en fremtid, hvor AI bliver en del af de fleste erhverv, men hvor indholdet i jobbene ændrer sig hurtigt. Derfor bør skolen træne tilpasningsdygtighed snarere end at gætte "rigtige" fremtidsjob. To kompetenceområder bliver særligt vigtige:
\n\nAt kommunikere præcist med AI – give kontekst, afgrænse, iterere – ligner informationskompetence fra søgemaskinens tidsalder, men med større krav til præcision. Et konkret undervisningsgreb er at lade elever forbedre en prompt i tre runder og logge, hvad der blev bedre i svaret og hvorfor.
\n\nGenerativ AI kan give overbevisende, men forkert information. Derfor bør elever trænes i at verificere: tjek mod lærebog/primærkilder, bed om kilder, og vurder om svarene er konsistente. Praktisk øvelse: Giv eleverne et AI-svar, der indeholder 3 bevidste fejl, og lad dem finde, korrigere og dokumentere med kilder. Så vurderer du kritisk tænkning, ikke bare faktagenkaldelse.
\n\nAI for Educators af Matt Miller er mest nyttig, når den læses som pædagogik, ikke teknologi. Bogen beskriver et reelt problem: traditionelle vurderingsformer er blevet mindre pålidelige, når AI kan producere "perfekte" elevtekster. Men Miller stopper ikke ved bekymringen. Han viser, hvordan lærere kan redesigne vurdering og undervisning, så elever skal demonstrere forståelse gennem mundtlighed, proces, dialog og kreative produkter – og hvordan AI kan bruges til niveautilpasning, idéudvikling og hurtigere feedback, uden at lærerens professionelle dømmekraft forsvinder.
\nI et pædagogisk-psykologisk perspektiv er budskabet særligt relevant: Dyb læring kræver aktiv tænkning, feedback og refleksion, og AI bør bruges, så disse mekanismer forstærkes – ikke erstattes. Når rutinearbejde automatiseres, bliver de mest menneskelige sider af lærerrollen endnu vigtigere: relation, tryghed, motivation, vurdering for læring og støtte til elever, der kæmper. AI kan ændre værktøjerne, men det er stadig læreren, der designer læringsrejsen.