Vi har sammanställt en lista på begrepp och koncept som kan hjälpa dig att diskutera och samarbeta kring AI med kollegor och studenter. Fundera över begrepp och koncept tillsammans, eller bygg upp övningar i AI-litteracitet för studenter med ordlistan som en utgångspunkt. Det viktigaste är så klart att vi pratar om samma sak. I definitionerna finns tillräckligt mycket information för att du ska kunna läsa vidare i andra källor om du vill.

Flera av begreppen i listan är på engelska, även om vi använder dem på svenska. Det beror ofta på att ingen direkt översättning finns i svenska källor.

1. Pedagogisk teknologi

21st Century Skills, the 4C’s

De fyra C:na står för Critical thinking, Communication, Collaboration, Creativity och formulerades i P21-ramverket (Partnership for 21st Century Skills, 2002). Dessa färdigheter ses som centrala för studenter i dagens samhälle. Viktigast för lärare är att använda AI på ett sätt som stärker de fyra C:na snarare än att ersätta dem.

Bloom’s digital taxonomy

Bloom’s taxonomi är en klassisk modell från 1956, senare reviderad av Anderson och Krathwohl (2001), och digitaliserades av Andrew Churches (2008). Den placerar lärandemål i kognitiva nivåer från minnas till skapa. Viktigast för lärare är att förstå hur AI-aktiviteter kan placeras på olika nivåer och inte fastna på enbart ytliga lärandemål.

DigCompEdu (Digital Competence Framework for Educators)

DigCompEdu är EU:s ramverk för lärares digitala kompetens och utvecklades av European Commission, Joint Research Centre (2017). Ramverket lyfter fram hur lärare behöver digitala färdigheter i undervisning, bedömning och professionell utveckling. Viktigast är att inkludera AI-kompetens som en del av lärares yrkesansvar.

SAMR-modellen (Substitution, Augmentation, Modification, Redefinition)

SAMR står för Substitution, Augmentation, Modification, Redefinition och beskriver hur teknik kan förändra lärandeaktiviteter, från enkel ersättning till helt nya typer av uppgifter. Modellen utvecklades av Ruben Puentedura (2006) och används ofta för att analysera teknikens pedagogiska mervärde. Viktigast för lärare är att reflektera över när AI verkligen omdefinierar undervisningen istället för att enbart ersätta gamla metoder.

SECTIONS-modellen

SECTIONS står för Students, Ease of use, Cost, Teaching functions, Interaction, Organisational issues, Networking, Security. Modellen introducerades av Tony Bates (1995, uppdaterad 2014) som ett beslutsstöd för att välja teknologi i undervisning. Viktigast för lärare är att använda modellen för att avgöra om AI-verktyg är pedagogiskt motiverade och praktiskt hållbara.

SOLO-taxonomin (Structure of the Observed Learning Outcome)

SOLO står för Structure of the Observed Learning Outcome och utvecklades av Biggs och Collis (1982). Ramverket används för att beskriva djupet i studenters förståelse, från enkel till komplex nivå. Viktigast för lärare är att designa undervisning där AI används som stöd för fördjupning snarare än enbart för snabba svar.

TPACK-modellen (Technological, Pedagogical, Content Knowledge)

TPACK står för Technological, Pedagogical, Content Knowledge och betonar samspelet mellan teknik, pedagogik och ämneskunskap. Modellen formulerades av Mishra och Koehler (2006) för att visa hur undervisning kräver balans mellan dessa tre områden. Viktigast för lärare är att utveckla sin teknologiska kompetens utan att tappa fokus på ämnesinnehåll och pedagogiska principer.

UDL (Universal Design for Learning)

UDL står för Universal Design for Learning och togs fram av organisationen CAST under 1990-talet. Ramverket syftar till att skapa inkluderande undervisning genom variation i representation, engagemang och uttrycksformer. Viktigast för lärare är att se AI som ett verktyg för att öka inkludering och tillgänglighet i lärmiljön.

2. Användning av AI

Academic integrity (akademisk integritet, hederlighet)

Academic integrity är en klassisk akademisk princip som handlar om ärlighet, ansvar och rättvisa i lärande och forskning. Med AI utmanas gränsen för vad som räknas som studentens eget arbete. Viktigast för lärare är att skapa tydliga regler för AI-användning och förklara varför de är nödvändiga.

Affordans

Affordans introducerades av James J. Gibson (1977) som ett begrepp för vilka möjligheter användare uppfattar att ett verktyg erbjuder. Inom AI betyder det att olika användare kan se olika pedagogiska möjligheter i samma verktyg. Viktigast för lärare är att synliggöra skillnaden mellan faktisk funktion och upplevd affordans.

AI-literacy (AI-litteracitet)

AI-literacy betyder förmågan att förstå, använda och kritiskt värdera artificiell intelligens. Begreppet har utvecklats i forskningen av bland andra Long och Magerko (2020), med rötter i tidigare arbete om digital literacy. Viktigast för lärare är att bygga AI-litteracitet hos studenter som en ny basfärdighet för akademiskt arbete.

Assessment validity (bedömningsvaliditet)

Assessment validity syftar på att en examination verkligen mäter det den avser att mäta. Begreppet har starkt förankrats i utbildningsforskningen genom Messick (1989). Viktigast för lärare är att utforma examinationer där studentens förståelse bedöms, inte AI:s kapacitet.

Cognitive partnership

Cognitive partnership beskriver hur AI kan fungera som en tänkandets partner snarare än enbart ett verktyg. Idén bygger på forskning om distribuerad kognition av Salomon, Perkins och Globerson (1991). Viktigast för lärare är att visa studenter hur AI kan stödja kreativitet och reflektion utan att ersätta deras eget tänkande.

Digital agency

Digital agency syftar på användarens självbestämmande och aktiva handlingsförmåga i digitala miljöer. Begreppet har diskuterats av forskare som Hinostroza (2008) och Ferrari (2013) i relation till digital kompetens. Viktigast för lärare är att träna studenter att fatta aktiva och medvetna beslut kring AI, istället för att vara passiva mottagare.

Ethical AI (etisk AI)

Ethical AI innebär att AI används i enlighet med principer om rättvisa, transparens, ansvar och mänskliga rättigheter. Detta har bland annat betonats av Luciano Floridi och EU-kommissionens etiska riktlinjer för AI (2019). Viktigast för lärare är att visa studenter att etik alltid måste vara en del av teknikanvändning.

Funktion

Funktion är ett begrepp från design- och systemteori som syftar på vad ett verktyg tekniskt kan utföra. I AI-kontext handlar det om den inbyggda kapaciteten som utvecklaren programmerat. Viktigast är att lärare skiljer mellan teknisk funktion och pedagogiskt värde.

Human-in-the-loop

Human-in-the-loop innebär att människor alltid ska ha en aktiv roll i AI-processer. Begreppet etablerades inom AI och maskininlärning på 1990-talet och används idag som en princip för ansvar och kvalitetssäkring. Viktigast för lärare är att betona att AI aldrig får bli en slutgiltig auktoritet utan mänsklig kontroll.

Professional AI-gency

Professional AI-gency är en vidareutveckling av digital agency, som fokuserar på professionell och akademisk praktik. Begreppet används i aktuell AI-pedagogikforskning på 2020-talet för att beskriva hur AI blir en del av yrkesidentiteten. Viktigast för lärare är att förbereda studenter på att använda AI som en del av sin framtida professionella roll.

Responsible Research and Innovation (RRI)

Responsible Research and Innovation, ofta förkortat RRI, är ett EU-ramverk från 2011 som syftar till att säkerställa etisk, inkluderande och hållbar innovation. RRI används ofta som riktlinje för policyutveckling och forskning inom teknik. Viktigast för lärare är att se AI som en del av ett bredare samhällsansvar.

Sustainable AI use (hållbar AI-användning)

Sustainable AI use handlar om att använda AI på ett sätt som är pedagogiskt, etiskt och miljömässigt långsiktigt hållbart. Frågan har lyfts av bland andra UNESCO och FN under 2020-talet. Viktigast för lärare är att reflektera över när AI förbättrar lärande och när det riskerar att skada kvalitet eller jämställdhet.

3. Hur AI fungerar

AGI (Artificial General Intelligence)

AGI står för Artificial General Intelligence och syftar på en hypotetisk form av AI som kan utföra intellektuella uppgifter på samma nivå som en människa, med generell problemlösningsförmåga och överföring av kunskap mellan olika områden. Begreppet har diskuterats inom AI-forskning sedan 1950-talet, bland annat av John McCarthy och Marvin Minsky, men är ännu inte realiserat. Viktigast för lärare är att förstå skillnaden mellan dagens smala AI (som generativ AI och maskininlärning) och framtidsvisionen om AGI, för att undvika överdrivna förväntningar eller missförstånd i undervisningskontexten.

Augmented intelligence (förstärkt intelligens)

Augmented intelligence är ett begrepp som populariserades av IBM på 2010-talet och innebär att AI ska förstärka snarare än ersätta mänsklig intelligens. Det framhåller samarbete mellan människa och maskin. Viktigast för lärare är att visa AI som ett stöd för kreativitet och omdöme, inte som en ersättare.

Bias (snedvridning)

Bias i AI betyder systematiska skevheter som uppstår när modeller tränas på partiska data. Frågan har diskuterats i forskningen sedan 1980-talet och lyftes starkt av Crawford och Calo (2016). Viktigast för lärare är att visa studenter hur bias kan påverka AI:s resultat och att uppmuntra till kritisk granskning.

Explainability (förklarbarhet)

Explainability handlar om att förstå varför AI ger ett visst resultat. Begreppet etablerades bland annat genom DARPA:s forskningsprogram Explainable AI (2016). Viktigast för lärare är att betona att AI ofta fungerar som en “svart låda” och kräver kritisk analys. Konceptet är också genomgående i EU:s ramverk för etisk användning av AI.

Generativ AI

Generativ AI syftar på system som kan skapa nytt innehåll som text, bild, ljud eller kod. Termen etablerades under 2010-talet och populariserades 2022 med ChatGPT och andra modeller. Viktigast för lärare är att förstå både potentialen i generativt skapande och riskerna med fabricerat innehåll.

Hallucination

Hallucination syftar på när AI hittar på information som verkar trovärdig men är falsk. Begreppet etablerades inom AI-forskningen runt 2020 i samband med språkmodellers spridning. Viktigast för lärare är att lära studenter att alltid verifiera information och källor.

Machine learning (maskininlärning)

Machine learning, eller maskininlärning, är en gren av AI där datorer tränas att hitta mönster i data. Begreppet introducerades av Arthur Samuel (1959) och ligger till grund för de flesta moderna AI-system. Viktigast för lärare är att förmedla att AI inte förstår världen, utan endast arbetar med statistiska mönster.

Prompting

Prompting är konsten att formulera effektiva instruktioner till AI för att få relevanta resultat. Begreppet växte fram inom AI-communityn 2021–2022 i takt med språkmodellers spridning. Viktigast för lärare är att träna studenter i att ställa bra frågor istället för att nöja sig med första bästa svar.

Traditionell AI (regelbaserad AI)

Traditionell AI syftar på de tidiga formerna av artificiell intelligens som byggde på regelbaserade system och logiska beslutsträd. Denna typ av AI utvecklades under 1950–1980-talet, bland annat av forskare som John McCarthy och Allen Newell, och kännetecknas av att människor manuellt programmerade regler som systemet följde. Viktigast för lärare är att förstå skillnaden mellan traditionell AI och dagens maskininlärningsbaserade eller generativa AI, eftersom detta hjälper studenter att se hur AI har utvecklats och varför moderna system är mer flexibla men också svårare att förklara.

Transparency (transparens)

Transparency betyder att AI-system öppet redovisar sina processer och källor. Transparens är en central princip i EU:s AI Act (2021–2024), men är ofta begränsad i kommersiella verktyg. Viktigast för lärare är att lyfta betydelsen av transparens för akademisk trovärdighet.